El mayor riesgo de búsqueda con IA es la información contradictoria sobre su marca
Las marcas tratan la visibilidad de la IA como un problema de producción de contenidos. No lo es. No puede corregir información incorrecta o desactualizada en los LLM simplemente publicando páginas más autorizadas, agregando más preguntas frecuentes y contenido comparativo, y explicando el producto “una vez más”. pero con sentimiento.
En muchos casos donde la información sobre una marca está desactualizada o es incorrecta, el problema no es una falta de datos. El problema es demasiado datos. El problema es que la marca ya tiene demasiadas versiones de la verdad y la versión que mejor se adapta a la pregunta del usuario no está actualizada.
El sitio web dice una cosa. Un PDF antiguo dice otro. La documentación del producto utiliza un lenguaje que el equipo de marketing abandonó hace dos años. Las biografías de ejecutivos conservan títulos que ya no existen. Las páginas de socios describen características que han cambiado. Algunas de esas declaraciones están equivocadas. Otros eran perfectamente precisos cuando se publicaron, pero eso fue hace tres años y ya no describe a la empresa en la actualidad.
La búsqueda tradicional podía clasificar varias de esas páginas simultáneamente y dejar que el usuario decidiera cuál era la actual. Pero ahora, los productos de búsqueda de IA recuperan fuentes y las utilizan para construir una respuesta única. La respuesta parecerá establecida incluso cuando la evidencia subyacente no lo sea.
Por lo tanto, esto no es simplemente un problema de contenido. Es un problema de recuperación y gestión de contenidos, y la búsqueda por IA también lo ha convertido en un problema de SEO.
El mensaje determina qué versión de la verdad se recupera
Cuando alguien le hace una pregunta a un LLM, el mensaje proporciona el marco y gran parte del vocabulario utilizado para encontrar información de respaldo. Es posible que el sistema reescriba un poco la pregunta o ejecute varias búsquedas relacionadas, pero aún está intentando responder la pregunta que se le hizo.
Eso importa cuando la pregunta contiene una suposición que el usuario no sabe que está desactualizada. Si alguien pregunta: “¿Quién es el director ejecutivo de (empresa)?” asumen que la empresa todavía tiene un director ejecutivo. No saben lo suficiente como para preguntar quién “lidera la marca” actualmente, si el liderazgo se trasladó a una empresa matriz o qué rol más nuevo conlleva la responsabilidad equivalente más cercana, y mucho menos un nombre correspondiente.
Una búsqueda centrada en el nombre de la empresa y la palabra “CEO” naturalmente favorecerá las páginas que contengan esa relación exacta. Biografías antiguas, comunicados de prensa, entrevistas, perfiles de conferencias y anuncios de adquisiciones pueden nombrar a un ex director ejecutivo. La página de liderazgo actual puede utilizar un lenguaje diferente que no se corresponda con “CEO”. La nueva información podría utilizar “gerente general”, “presidente de marca”, “vicepresidente sénior de marca” u otro título que el usuario no sabía incluir.
Si las fuentes que describen la nueva estructura no la conectan explícitamente con la terminología anterior, es posible que nunca ingresen al conjunto de recuperación. El LLM no puede citar una fuente que no haya recuperado.
El resultado es que la respuesta anterior ganará porque coincide con el lenguaje de la pregunta. La realidad actual no coincide y por tanto no estará conectada.
Un ejemplo real de una empresa que permanecerá anónima
He visto que esto suceda en la vida real. Si le preguntara a un LLM quién es el director ejecutivo de la empresa (no lo era, *es*), podría nombrar a cualquiera de los cuatro ex ejecutivos. Ninguna de las respuestas fue inventada. Todas las personas tuvieron ese título en algún momento, y la empresa y su organización matriz todavía tienen páginas históricamente precisas que documentan esos roles.
La estructura corporativa actual, sin embargo, utiliza un lenguaje diferente: nombres completamente diferentes para esos roles de liderazgo. La página del equipo de la compañía identifica a su nuevo líder senior como vicepresidente senior y gerente general, mientras que la historia de la compañía describe un equipo de liderazgo (actual) más amplio que incluye directores senior de ingeniería y producto. Las páginas de liderazgo de la organización matriz describen a los ejecutivos responsables del grupo empresarial más grande que contiene la empresa. Ninguno de esos hechos está redactado de manera que pueda interpretarse como una respuesta a la pregunta “¿Quién es el director ejecutivo de (la empresa)?”.
El registro público tampoco es del todo consistente. El perfil del líder actual está encabezado con el título de vicepresidente sénior y gerente general, pero aún se refiere a esa persona como director ejecutivo en alguna copia introductoria de algunas páginas. La página de historial conserva (y nombra) correctamente a los ex directores ejecutivos y los períodos en los que ocuparon el puesto. Por lo tanto, un usuario que hace la pregunta obvia activa la recuperación de varias afirmaciones explícitas del CEO, mientras que el equivalente actual se describe utilizando otra terminología.
Esto suena complicado y, para ser justos, realmente lo es. Y, si a las personas les resulta difícil seguir esto, crean que es casi imposible para un LLM resolverlo. Por eso el problema es más complicado que simplemente actualizar una página Acerca de.
El mensaje en sí contiene un modelo organizativo obsoleto. A menos que una fuente actual vincule explícitamente la antigua pregunta con la nueva estructura, la recuperación seguirá devolviendo el antiguo vocabulario y las personas vinculadas a él.
La información actual debe responder a la antigua pregunta
¿Cómo corregimos el registro en este caso? La respuesta instintiva es publicar una nueva página de liderazgo y asumir que la corrección llegará a las respuestas de la IA. A veces eso ayuda, pero la publicación no es lo mismo que la corrección, y la información precisa escrita en el vocabulario incorrecto puede permanecer invisible para las preguntas que la gente realmente hace.
Las marcas necesitan contenido puente que conecte el lenguaje obsoleto con la realidad actual.
En el ejemplo del liderazgo, la frase que hay que publicar (para corregir el registro) no es simplemente “Jane Smith es vicepresidenta sénior y directora general”. Es: “Tras la adquisición, (la empresa) ya no tiene un director ejecutivo independiente. Jane Smith ahora dirige (la empresa) como vicepresidenta sénior y directora general dentro (del grupo de la empresa matriz)”.
Esa frase llega al usuario donde comienza el malentendido. Contiene:
- El viejo papel.
- Explica por qué ya no se aplica.
- Y nombra el equivalente actual.
Proporciona a los sistemas de recuperación una fuente que coincide con “CEO” sin asignar falsamente el título a otra persona. Este mismo principio se aplica cuando se cambia el nombre de los productos, se retiran los planes, se fusionan empresas, caducan las certificaciones, cambian las áreas de servicio o las funciones se trasladan a paquetes diferentes.
No asuma que los usuarios conocen el nuevo nombre lo suficientemente bien como para buscarlo. Publicar la relación entre el término que aún utilizan y la realidad que lo reemplazó.
Corrija la cadena de evidencia, no solo la página más reciente
Una vez que se identifica una respuesta inexacta, rastree la respuesta a través de las citas y los resultados de búsqueda que la respaldan. El objetivo es encontrar la cadena de evidencia que produce la respuesta, no enterrarla bajo otra página recién publicada.
Las páginas propias se pueden actualizar, consolidar, redirigir o anotar. Un anuncio antiguo no debe reescribirse para pretender que la historia sucedió de manera diferente, pero puede contener una fecha clara, una nota de estado o un enlace a información actual. Las biografías actuales no deben conservar títulos obsoletos en la copia introductoria. Los perfiles y directorios de socios activos se pueden corregir. Los archivos PDF y materiales de ventas que ya no deberían representar a la empresa se pueden retirar o etiquetar como de archivo.
Los informes de terceros requieren más juicio. No se puede exigir que una publicación reescriba una historia precisa de hace cinco años porque la organización cambió posteriormente. Puede hacer que la explicación canónica actual sea fácil de encontrar y pedir a los socios, directorios y perfiles que se supone que deben permanecer actualizados que actualicen sus registros.
A veces, la estrategia de contenido más sólida es corregir el contenido antiguo que olvidó que publicó.
Una auditoría de visibilidad de marca no es suficiente, necesita una auditoría de reclamo de marca
Un inventario de contenido tradicional registra URL, títulos, tráfico, clasificaciones y quizás datos de conversión. Una auditoría de reclamo de marca registra las afirmaciones fácticas que hacen esos activos. Para la búsqueda por IA, también debe registrar el lenguaje que las personas probablemente usarán cuando pregunten sobre esos hechos.
Para cada reclamo importante, documente:
- La pregunta o mensaje que probablemente utilizará una persona.
- Cualquier suposición obsoleta contenida en esa pregunta.
- La terminología antigua y su equivalente actual.
- El hecho actual aprobado y su fuente pública canónica.
- Otras páginas de propiedad, archivos PDF, feeds, biografías o perfiles donde aparecen versiones anteriores.
- Las fuentes que se citan actualmente en respuestas de IA inexactas.
- La acción requerida: actualizar, anotar, consolidar, redirigir, retirar o crear contenido puente.
- El equipo responsable de mantener el reclamo y revisarlo cuando las condiciones cambian.
No limite la auditoría a páginas HTML. Busque kits de medios, materiales de ventas descargables, contenido del centro de ayuda, valores de esquema, feeds de productos, listados de tiendas de aplicaciones, biografías de oradores, ofertas de trabajo y subdominios antiguos. Pregunte a ventas, soporte, recursos humanos, productos, asuntos legales y comunicaciones qué materiales publican sin involucrar al equipo web.
El objetivo no es forzar que todas las frases sean idénticas en todas partes. Diferentes audiencias necesitan diferentes niveles de detalle. Los hechos subyacentes deberían conducir a la misma respuesta, y el lenguaje que la gente todavía usa debería conducirlos a la explicación actual en lugar de atrapar la recuperación en el pasado.
Mida la precisión, no solo la presencia
Los informes de visibilidad de IA tienden a centrarse en si una marca fue mencionada, citada o incluida en un conjunto de indicaciones. Se trata de observaciones útiles, pero la sola presencia puede crear una confianza falsa.
Para sugerencias de alto valor, evalúe la respuesta en sí. ¿Es exacto? ¿Es actual? ¿Responde a la intención real del usuario o simplemente acepta una premisa falsa incorporada en la pregunta? Cuando la respuesta sea incorrecta, inspeccione las citas y reproduzca las búsquedas probables antes de asumir que el modelo alucinó.
Una mención de marca no es una ganancia si la respuesta nombra a un ex ejecutivo, utiliza un precio anterior, atribuye una característica descontinuada al producto actual o malinterpreta la relación entre una marca y su empresa matriz.
No puedes controlar cada frase publicada sobre tu marca y no puedes garantizar que un sistema de inteligencia artificial siempre producirá la respuesta que prefieres. Puede asegurarse de que las preguntas que la gente realmente hace tengan un camino claro hacia la verdad actual.
Ese trabajo no generará un gráfico de celebración que muestre que el equipo de contenido publicó 200 páginas nuevas. Hará que la marca sea más fácil de entender para los motores de búsqueda, los sistemas de inteligencia artificial, los clientes, los periodistas e incluso sus propios empleados. En el entorno de búsqueda de IA, esa claridad es parte de la visibilidad.
Más recursos:
Imagen de portada: Collagery/Shutterstock
