Cómo decide ChatGPT qué empresas recomendar

Cuando alguien pregunta "¿qué marca tiene mejor postventa en Ecuador?", el asistente no consulta una base de datos de marcas: genera una respuesta combinando dos capas de información.

Capa 1: lo que el modelo aprendió

Los modelos se entrenan con enormes volúmenes de texto público. Si tu marca aparece descrita de forma consistente en medios, directorios, comparativas y foros, el modelo la asocia a ciertos atributos: seguridad, precio, servicio. Esa asociación es lenta de cambiar, pero muy estable.

Capa 2: lo que el asistente busca en el momento

Los asistentes pueden buscar en la web antes de responder. Ahí pesan factores inmediatos: qué páginas responden exactamente la pregunta, cuán recientes son, si presentan datos verificables y si vienen de dominios que el sistema considera confiables. Esas páginas suelen aparecer como citas dentro de la respuesta.

Qué observamos en la práctica

• Las respuestas favorecen a marcas descritas con datos concretos (precios, especificaciones, resultados de pruebas) sobre marcas descritas con adjetivos.
• Unas pocas fuentes externas concentran la mayoría de las citas de una industria. Estar en ellas importa tanto como tener un buen sitio propio.
• La misma pregunta puede dar respuestas distintas entre plataformas. Medir una sola es tener media foto.

Implicaciones

Para influir en la recomendación hay que trabajar las dos capas: presencia consistente en fuentes de autoridad, de largo plazo, y páginas propias que respondan preguntas concretas con información citable, de corto plazo. Y medir después para saber si cambió algo.