Ser citado por las inteligencias artificiales no basta para mantener la posición en la selección de compradores. Según un consultor en GEO (optimización para motores generativos), una empresa cuya presencia en las respuestas de las IA era muy fuerte veía, sin embargo, reducirse su pipeline de prospectos. El estudio que relata aborda esta aparente contradicción.
El consultor construyó 38 consultas detalladas, basadas en criterios, que cubrían varias categorías de productos y segmentos de compradores. Estas consultas se evaluaron en cinco interfaces de IA, lo que dio 190 respuestas. Recogían los criterios que un comprador utiliza para restringir una lista de proveedores: adecuación a los flujos de trabajo, integraciones, requisitos regulatorios, interoperabilidad o análisis. Según el autor, algunas consultas resultaron ser aún más largas tras intercambios con responsables de compras.
Los resultados de visibilidad eran elevados. La empresa se mencionaba en el 98,4 % de las respuestas evaluadas y aparecía como recomendación principal o en una preselección en el 93,2 % de los casos. Sin embargo, cuando estas mismas respuestas se confrontaron con los criterios de decisión, el 73,7 % de ellas contenía pruebas débiles o ausentes para respaldar afirmaciones importantes. En el 15,8 % de los casos, se detectó una carencia calificada de « significativa » o « crítica ».
Una visibilidad que no basta para decidir
Para el autor, existe una clara diferencia entre preguntar qué proveedores operan en un mercado y preguntar cuáles pueden responder a una combinación precisa de requisitos técnicos, operativos, regulatorios y comerciales. Un modelo puede conocer una empresa y colocarla en una preselección sin disponer de la información necesaria en cuanto el comprador pregunta sobre el funcionamiento de una integración o los límites de un producto. Estas preguntas, según él, no son meras palabras clave sino exigencias de prueba.
Por tanto, las cifras no se contradicen: miden dos etapas diferentes del proceso de decisión. La visibilidad introduce a la empresa en la discusión, mientras que la capacidad para decidir determina si la IA dispone de suficientes elementos para mantenerla en ella.
Pruebas en lugar de capacidades
Según el estudio, una debilidad en las pruebas no significa necesariamente que la empresa no posea la capacidad en cuestión. En muchos casos, esta parecía existir, pero la información disponible no la explicaba lo suficiente para satisfacer el nivel de confianza de la IA. Una promesa de proceso integral, por ejemplo, no se respalda si el proceso, las conexiones o los flujos de datos no se describen. La información también puede estar fragmentada, obligando al modelo a conectar varias páginas antes de concluir.
El autor precisa que la documentación de producto interna puede constituir la mejor prueba de que existe una funcionalidad. En cambio, las afirmaciones de superioridad, eficacia, adopción o resultados medibles ganan al ser corroboradas por clientes, analistas o terceros independientes. Añade que la generalización de contenidos similares, lo que él llama « paridad de contenido », puede hacer entrar a una empresa en la categoría sin permitirle resistir una evaluación en profundidad.
Finalmente, advierte contra la tentación de producir contenidos « diseñados para las pruebas »: páginas más largas, esquemas superficiales, encuestas poco sólidas o casos de estudio generados por IA. El objetivo, según él, es proporcionar información real que reduzca la incertidumbre del comprador. Si una información no ayudaría a un cliente informado a decidir mejor, no debería existir únicamente para mejorar una puntuación GEO.
Medir al comprador hasta el final
El consultor estima que medir solo la primera respuesta de una IA no basta. Las consultas del tipo « preguntas frecuentes » son útiles para establecer una lista de opciones, pero las herramientas actuales no siguen la secuencia de preguntas que un usuario plantea sucesivamente. Llama « prompt math » a esta combinación multivariada que resulta de estos intercambios sucesivos. Considera que la medición del GEO debe integrar tanto la visibilidad como la capacidad de decisión.
