Saber si una web está preparada para la IA empieza por descubrir qué entienden realmente los Asistentes de IA sobre nuestra empresa.
Haz una prueba incómoda
Abre ChatGPT, Claude, Gemini o Perplexity y pregúntale qué sabe de tu empresa. Después continúa: ¿en qué está especializada?, ¿dónde trabaja?, ¿qué proyectos importantes ha realizado?, ¿qué tipo de clientes tiene?, ¿quién la dirige?, ¿por qué debería contratarla alguien? Y termina con una pregunta especialmente interesante: ¿qué pruebas tienes de todo lo que acabas de decir?
Ahora compara las respuestas con la empresa que tú crees haber presentado durante años en Internet. Es posible que todo coincida razonablemente bien. Pero también puede ocurrir algo menos tranquilizador: que atribuya a tu compañía una especialización secundaria y omita precisamente aquella en la que acumula más experiencia; que encuentre proyectos antiguos y no los recientes; que mezcle información de organizaciones con nombres parecidos; que mantenga una oficina que ya no existe; que identifique correctamente la empresa pero no comprenda qué la diferencia de sus competidores; o que, sencillamente, responda que no dispone de información suficiente para verificar alguna de nuestras afirmaciones.
Aquí aparece un problema nuevo para cualquier marca. Porque una inteligencia artificial no conoce necesariamente la empresa que nosotros creemos haber descrito en nuestra página web. Construye su propia representación de ella, y puede hacerlo reuniendo información procedente de nuestra web, perfiles corporativos, redes sociales, artículos, directorios, noticias, páginas de clientes, bases de datos, documentos, reseñas o cualquier otra fuente que resulte accesible y relevante.
La IA no está leyendo simplemente nuestra home
Durante años hemos pensado en la relación entre una empresa y un buscador de una manera relativamente sencilla. Publicamos una página, Google la rastrea e indexa y, cuando alguien realiza una búsqueda, decide qué resultados mostrar. Pero los nuevos sistemas de búsqueda asistidos por inteligencia artificial pueden operar de una manera bastante más compleja.
Google, por ejemplo, ha explicado que su AI Mode utiliza una técnica denominada query fan-out. Frente a una pregunta compleja, el sistema puede descomponerla en diferentes subtemas, lanzar múltiples búsquedas relacionadas, explorar distintas fuentes y reunir después la información necesaria para elaborar una respuesta. Es decir, si alguien pregunta «¿qué agencias españolas tienen experiencia demostrable en comunicación turística para administraciones públicas?», la máquina no tiene por qué limitarse a buscar exactamente esa frase. Puede investigar por separado agencias, organismos públicos, proyectos turísticos, campañas, adjudicaciones, territorios, personas, casos de estudio o noticias y relacionar después todo lo encontrado.
Eso modifica bastante el problema. Nuestra empresa ya no compite únicamente por ocupar una posición determinada para una palabra clave. Compite por algo bastante más difícil: ser reconstruida correctamente a partir de la información que existe sobre ella.
Una empresa también es una entidad
Aquí conviene introducir un concepto técnico que probablemente va a escucharse cada vez más: entidad. Para un sistema de información, una empresa no es solamente una web. Es algo que existe y que posee atributos y relaciones: tiene un nombre, quizá varios nombres, un dominio, una dirección, personas vinculadas, productos, servicios, clientes, proyectos, ubicaciones, perfiles sociales, noticias, opiniones, identificadores y relaciones con otras organizaciones.
El problema consiste en determinar qué información pertenece exactamente a qué entidad. En informática se habla de entity resolution —resolución de entidades— y de entity disambiguation —desambiguación de entidades—. Para una persona puede resultar evidente que «Maddon», «Maddon Advertising», «MADDON ADVERTISING S.L.» y «maddon.eu» se refieren a la misma organización. Una máquina necesita suficientes señales para establecer esa equivalencia con confianza.
Google reconoce expresamente este problema en su documentación sobre datos estructurados para organizaciones. Entre otras cosas, explica que proporcionar información estructurada puede ayudar a comprender los detalles administrativos de una empresa y a diferenciarla de otras organizaciones. Esto introduce una pregunta anterior incluso a la que da título a este artículo: antes de intentar que una IA nos prefiera, ¿estamos seguros de que sabe qué información de Internet pertenece realmente a nosotros?
Tim Berners-Lee ya quería que las máquinas entendieran la web
Nada de esto empezó con ChatGPT. Tim Berners-Lee, creador de la World Wide Web, escribió ya en 1997 sobre la necesidad de avanzar desde una web pensada principalmente para la comunicación entre personas hacia otra capaz de contener información comprensible por las máquinas. La idea era que una máquina pudiera entender que algo es una persona, una empresa, un objeto o un documento y, sobre todo, que pudiera comprender las relaciones que existen entre esas cosas.
Aquella visión terminaría asociándose a la Web Semántica. Durante muchos años pudo parecer una cuestión principalmente académica, pero resulta difícil leer hoy aquellos planteamientos sin pensar en los actuales asistentes y agentes de inteligencia artificial. Berners-Lee imaginaba incluso sistemas capaces de utilizar información semántica para realizar tareas y buscar razones para confiar o desconfiar de determinados datos. Era 1997, mucho antes de que existieran Facebook, el iPhone o ChatGPT.
La cuestión tiene ahora una dimensión comercial muy concreta. Cuando una inteligencia artificial investiga una empresa necesita precisamente aquello que la Web Semántica intentaba formalizar: cosas, atributos y relaciones entre cosas.
Schema.org: reducir lo que una máquina tiene que adivinar
Aquí entran en juego los datos estructurados. Supongamos que nuestra web muestra el nombre de la empresa, su ubicación y su teléfono. Una persona comprende perfectamente qué significa cada dato, pero podemos además expresarlo en un formato diseñado para que las máquinas identifiquen explícitamente su significado.
Por ejemplo:
Ese fragmento utiliza JSON-LD y el vocabulario de Schema.org para declarar que Maddon es una organización, cuál es su dirección web y dónde se encuentra. Google admite para este tipo de entidad propiedades como name, alternateName, address, telephone, logo o url, y una especialmente interesante: sameAs, que permite relacionar una entidad con otras páginas que hablan de la misma organización.
Conviene no convertir esto en magia. Añadir Schema no garantiza que ChatGPT vaya a recomendarnos, ni que Gemini considere nuestra empresa mejor que otra. Sería absurdo afirmarlo. Su utilidad es menos espectacular y bastante más seria: hacer explícito aquello que de otro modo la máquina tendría que deducir. Una buena web para la era de la IA no debería obligar a una máquina a adivinar información que podemos declarar correctamente.
¿Qué ocurre cuando Internet se contradice?
Supongamos ahora que nuestra página corporativa indica que tenemos la oficina principal en San Sebastián, LinkedIn conserva una dirección antigua de Bilbao, un directorio empresarial muestra un teléfono que ya no utilizamos y una noticia de hace ocho años identifica como director a alguien que abandonó la compañía hace tiempo. ¿Qué versión debe creer una inteligencia artificial?
El problema ya no consiste en redactar una buena metadescripción. La identidad digital de una organización no está formada únicamente por lo que ella afirma sobre sí misma, sino también por lo que otras fuentes afirman sobre ella.
Aquí aparece otro concepto técnico relevante: provenance, procedencia. No importa solamente el dato, sino de dónde procede, quién lo publicó, cuándo, qué autoridad tiene esa fuente, si existen otras fuentes independientes que coinciden y si una información reciente contradice a otra más antigua.
OpenAI, Anthropic y Google no publican todos los mecanismos internos que utilizan para resolver estas contradicciones, y sería irresponsable inventarlos. Pero resulta evidente que la procedencia está ganando importancia. Claude, por ejemplo, cuando utiliza búsqueda web puede recuperar información de diferentes fuentes y acompañar su respuesta de citas que permiten al usuario verificar de dónde procede aquello que está leyendo. La fuente deja de estar necesariamente escondida detrás de una lista de enlaces: empieza a formar parte de la propia respuesta.
«Somos líderes» es un dato bastante malo
Durante décadas, las páginas corporativas se han llenado de frases como «somos líderes», «somos innovadores», «tenemos una dilatada experiencia», «ofrecemos soluciones de máxima calidad» o «ponemos al cliente en el centro». El problema no es únicamente que sean expresiones intercambiables entre miles de empresas. Desde el punto de vista informacional son extraordinariamente pobres.
Comparemos dos frases. La primera: «Somos especialistas en comunicación turística.» La segunda: «Entre 2022 y 2026 desarrollamos campañas de promoción turística para A, B y C, incluyendo estrategia, creatividad, producción audiovisual y planificación digital.»
La segunda contiene bastante más que mejor redacción. Contiene organizaciones, fechas, sectores, servicios, acciones y relaciones potencialmente verificables. La primera pretende que aceptemos una cualidad; la segunda proporciona información con la que una persona o una máquina puede intentar comprobarla.
Esto puede cambiar profundamente la forma de redactar una web corporativa. La IA puede producir afirmaciones con una facilidad extraordinaria. Precisamente por eso, las evidencias pueden convertirse en el contenido verdaderamente valioso.
Experiencia, autoridad y, sobre todo, confianza
Google lleva muchos años intentando resolver un problema parecido: determinar qué contenido merece confianza. Sus directrices animan a preguntarse si una página proporciona información original, investigación, análisis propio, conocimiento que vaya más allá de lo obvio y contenido creado o revisado por personas con experiencia demostrable.
También utiliza el conocido concepto E-E-A-T: Experience, Expertise, Authoritativeness y Trustworthiness; experiencia, conocimiento, autoridad y fiabilidad. Y realiza una precisión especialmente significativa: «Trust is most important.» La confianza es el elemento más importante.
Conviene matizarlo: E-E-A-T no es un botón ni un único factor matemático de posicionamiento. Google explica que sus sistemas utilizan distintas señales destinadas a reconocer esas cualidades. Pero la idea resulta especialmente relevante en un Internet donde producir texto se ha vuelto casi gratuito.
Una página escrita únicamente para rellenar palabras clave puede contener información correcta. Pero no es igual que una página firmada por alguien identificable, basada en una experiencia profesional concreta, con proyectos reales, datos propios, documentación, casos de estudio, fotografías y referencias verificables.
En otras palabras, quién sabe algo y por qué deberíamos creerle empieza a ser casi tan importante como lo que dice.
El autor también es un dato
Durante años muchas webs corporativas han publicado artículos sin explicar quién los ha escrito. Ahora quizá eso empiece a importar más. Google recomienda que resulte claro quién ha creado el contenido y, cuando sea pertinente, que una firma permita conocer al autor y su experiencia. Su documentación lo resume mediante tres preguntas: Who, How and Why. Quién creó el contenido, cómo fue producido y por qué existe.
Esto adquiere una nueva dimensión cuando una empresa puede generar cientos de artículos mediante inteligencia artificial. Imaginemos dos páginas que responden a la misma cuestión. Una no tiene autor, no ofrece fuentes, resume información presente en otras veinte páginas y no demuestra experiencia alguna. La otra está firmada por una persona identificable, contiene datos propios, una opinión argumentada, documentación y casos reales relacionados con el asunto.
Las palabras pueden parecer igualmente correctas. La cantidad de evidencia acerca de quién sabe realmente de qué está hablando es completamente diferente
Andrew Ng y la importancia de mirar los datos
Andrew Ng, fundador de Google Brain y una de las figuras más influyentes del aprendizaje automático contemporáneo, lleva años defendiendo el concepto de Data-Centric AI. Su planteamiento pertenece originalmente al desarrollo de sistemas de inteligencia artificial, no al diseño web ni al SEO, por lo que conviene no confundir los ámbitos. Pero su idea ofrece una analogía extremadamente útil.
Ng defiende que las organizaciones no deberían concentrarse únicamente en mejorar los modelos, sino en desarrollar procedimientos sistemáticos para mejorar la calidad de los datos. Traslademos prudentemente esa reflexión a nuestra presencia digital.
No podemos modificar el algoritmo de OpenAI. No podemos intervenir en Gemini ni en Claude. No conocemos todos los criterios mediante los cuales cada uno decidirá mañana qué empresas mencionar. Pero sí podemos intervenir sobre los datos que existen acerca de nosotros: nombres, personas, servicios, clientes, proyectos, localizaciones, fechas, casos de estudio, resultados, precios, productos, publicaciones, premios o credenciales.
Podemos conseguir que sean más completos, más consistentes, más estructurados, más actuales y, sobre todo, más comprobables.
Tampoco existe un truco para «salir en ChatGPT»
Cada transformación tecnológica genera inevitablemente una industria de fórmulas milagrosas. Ahora aparecen GEO, AEO, LLMO y todo tipo de promesas destinadas a «posicionar una marca en las inteligencias artificiales». Algunas técnicas tendrán sentido; otras probablemente serán el nuevo equivalente de repetir una palabra clave cien veces en una página.
OpenAI no promete ningún mecanismo para garantizar que una empresa ocupe una determinada posición en ChatGPT Search. Explica que utiliza múltiples factores para intentar encontrar información relevante y fiable. Sí existe, sin embargo, una condición previa bastante menos sofisticada: la información debe ser accesible. OpenAI dispone de OAI-SearchBot, el rastreador utilizado para que los contenidos puedan aparecer en los resultados de búsqueda de ChatGPT, y permite a los propietarios de webs controlar su acceso mediante robots.txt.
Antes de discutir estrategias sofisticadas para que una IA nos recomiende, quizá convenga comprobar algo tan elemental como que puede encontrarnos.
Podríamos resumir todo el proceso en una secuencia bastante sencilla:
ENCONTRAR → IDENTIFICAR → ENTENDER → COMPROBAR → CONFIAR → ELEGIR
Primero debe poder encontrarnos. Después tiene que saber que nosotros somos nosotros. A continuación debe comprender qué hacemos. Luego necesita suficiente información para contrastar nuestras afirmaciones. Después debe encontrar razones para considerar fiable todo lo anterior. Y solo entonces aparece la pregunta que da título a este artículo: ¿nos elegirá?
No conocemos la fórmula que conduce exactamente del penúltimo paso al último. Quizá ni siquiera exista una sola fórmula. Cada sistema utilizará modelos, índices, fuentes y herramientas diferentes. Pero sobre los pasos anteriores sí podemos trabajar mucho.
¿Cómo de SEXY es tu empresa para una inteligencia artificial?
Todo esto puede parecer bastante complejo: rastreadores, entidades, datos estructurados, procedencia, autoridad, experiencia, fuentes externas… Pero quizá podamos reducir el problema a cuatro preguntas mucho más sencillas.
En Maddon hemos empezado a resumirlas con un acrónimo deliberadamente poco académico:
SEXY (AI Readiness Assessment)
No pretende describir un estándar reconocido por OpenAI, Google o Anthropic. Es simplemente una forma de ordenar los cuatro problemas que, a nuestro juicio, una empresa debería resolver antes de esperar que una inteligencia artificial la encuentre, la comprenda y eventualmente la recomiende.
S de Searchable. Antes de cualquier otra cosa, una empresa tiene que poder ser encontrada. Parece evidente, pero no siempre lo es. Su contenido debe ser técnicamente accesible, rastreable e interpretable; las páginas importantes no deberían estar escondidas detrás de tecnologías que dificulten su acceso; los robots que alimentan sistemas de búsqueda deben poder entrar cuando nos interese; y la organización debería aparecer también en fuentes externas relevantes. Si una inteligencia artificial no puede recuperar información suficiente sobre nosotros, todo lo demás resulta irrelevante.
E de Entity-clear. Después tiene que saber exactamente quiénes somos. Una empresa debería aparecer digitalmente como una entidad inequívoca: mismo nombre, dominio, localización, personas, perfiles, servicios y relaciones suficientemente coherentes como para distinguirla de otras organizaciones. Aquí entran conceptos como entity resolution, desambiguación, Schema.org, sameAs y consistencia de datos. No basta con existir en Internet. Tenemos que conseguir que la máquina reúna correctamente todas las piezas que hablan de nosotros.
X de Xpert-backed. La tercera condición es probablemente la que más va a separar unas empresas de otras. La inteligencia artificial debería encontrar evidencias de aquello que afirmamos saber hacer. Clientes, proyectos, casos de estudio, personas con experiencia reconocible, datos propios, metodologías, resultados, adjudicaciones, publicaciones, investigaciones, premios o referencias externas. Decir «somos especialistas» es barato. Construir durante años una huella digital que permita comprobarlo es bastante más difícil. La X mide precisamente eso: cuánto de nuestra supuesta experiencia está respaldado por hechos.
Y de Yes-worthy. Y finalmente aparece la pregunta difícil: ¿hay razones suficientes para decir “Yes, this one”? Ser encontrado, identificado y considerado experto no garantiza ser elegido. La empresa tiene que resultar suficientemente relevante para la necesidad concreta, creíble frente a las alternativas y diferenciada de ellas. Es el punto en el que todos los anteriores empiezan a convertirse en recomendación.
El proceso podría resumirse así:
SEARCHABLE → ENTITY-CLEAR → EXPERT-BACKED → YES-WORTHY
O, dicho de otra manera:
¿Puede encontrarme? → ¿Sabe exactamente quién soy? → ¿Puede comprobar lo que sé hacer? → ¿Tiene razones para elegirme?
A esa capacidad podríamos llamarla SEXIBILITY: el grado en que la identidad digital de una organización facilita que los sistemas de inteligencia artificial puedan encontrarla, comprenderla, confiar en ella y considerarla una buena respuesta.
La palabra es provocadora, pero el problema que intenta medir no tiene nada de frívolo.
Y, sobre todo, nos permite dejar de hablar de «optimización para IA» como si fuera una colección de trucos y empezar a formular preguntas que una empresa puede responder y mejorar.
(clica en el recuadro amarillo)
Un portfolio puede convertirse en un mapa de experiencia
Esto afecta directamente a la forma en que construimos las webs corporativas. Pensemos en el portfolio de una agencia. Podemos publicar una fotografía y escribir: «Campaña de turismo. Cliente X». Para una persona que recorre visualmente la página quizá sea suficiente. Pero informacionalmente podríamos describir mucho mejor ese proyecto: qué cliente lo encargó, a qué sector pertenece, en qué territorio se desarrolló, qué objetivo tenía, qué servicios se prestaron, qué personas participaron, qué piezas se produjeron y qué resultados se consiguieron.
Empiezan a aparecer relaciones: cliente → proyecto; proyecto → sector; proyecto → territorio; proyecto → servicio; persona → proyecto; proyecto → resultado.
En informática este tipo de estructura se aproxima a la lógica de un knowledge graph, un grafo de conocimiento. No significa que todas las empresas tengan que construir mañana una sofisticada base de datos semántica. La idea es mucho más sencilla: toda organización ya posee un grafo de conocimiento, aunque nunca lo haya dibujado. Está formado por sus personas, clientes, proyectos, servicios, productos y relaciones. La cuestión es cuánto de ese conocimiento representa correctamente su presencia digital.
Un portfolio puede dejar de ser únicamente una galería bonita. Puede convertirse en la evidencia estructurada de aquello que una empresa sabe hacer.
Una licitación puede valer más que veinte adjetivos
Pensemos en una agencia que afirma tener una enorme experiencia trabajando para administraciones públicas. Esa declaración aparece en su web. Pero además existen adjudicaciones oficiales donde figuran su razón social, el organismo contratante, el objeto del contrato, la fecha y el importe.
Desde el punto de vista de la evidencia, ambas cosas no son equivalentes.
La página corporativa afirma: «Tenemos experiencia».
El documento público demuestra que existió una relación contractual concreta.
Y si encontramos además páginas de clientes, proyectos, noticias, vídeos, memorias, publicaciones institucionales y adjudicaciones coherentes entre sí, la identidad digital de esa empresa empieza a adquirir una densidad diferente.
Tal vez una parte de la comunicación corporativa del futuro consista precisamente en esto: no limitarnos a emitir mensajes, sino construir evidencia digital acumulativa.
Cuanto más barato sea generar contenido, más valiosa puede ser la experiencia
Existe una paradoja fascinante. Nunca había sido tan barato producir texto, pero generar experiencia real continúa siendo bastante caro. Una inteligencia artificial puede escribir en segundos «Diez tendencias que transformarán el turismo en 2027» y otras mil webs pueden publicar variaciones prácticamente indistinguibles.
Pero una empresa que lleva diez años trabajando con destinos turísticos puede explicar qué problemas ha encontrado, qué decisiones fracasaron, qué campañas funcionaron, qué presupuestos manejó, qué metodología utiliza, qué resultados obtuvo o qué aprendió de un proyecto concreto.
Eso no puede multiplicarse infinitamente pulsando un botón.
Google insiste precisamente en la importancia de aportar información original, análisis propio, experiencia y valor añadido respecto a limitarse a resumir aquello que otros ya han publicado. Y es posible que aquí aparezca una de las ironías más interesantes de la IA generativa: cuanto más fácil resulte fabricar información genérica, más valioso puede convertirse aquello que es difícil de fabricar.
Tampoco queremos diseñar bases de datos para humanos
Todo lo anterior podría llevarnos al extremo opuesto: páginas llenas de atributos, tablas, metadatos, clasificaciones, etiquetas y textos redactados como expedientes administrativos.
Sería un error.
Las máquinas son cada vez mejores interpretando lenguaje natural, imágenes y contexto. Diseñar una web comprensible para una inteligencia artificial no significa destruir aquello que hace interesante una web para una persona. Seguiremos necesitando diseño, fotografía, identidad, emoción, ritmo, creatividad y capacidad de persuasión.
La cuestión está en añadir precisión donde la ambigüedad no aporta ningún valor. Podemos escribir de manera creativa y, simultáneamente, describir correctamente quiénes somos, qué hacemos, para quién lo hacemos y qué evidencias tenemos.
Una web puede ser extraordinariamente bonita y representar pésimamente la realidad de la organización que hay detrás. También puede ocurrir lo contrario. El verdadero reto será conseguir ambas cosas.
¿Qué sabe Internet de nosotros cuando no estamos delante para corregirlo?
Volvamos al experimento inicial. Hemos preguntado a ChatGPT, Claude, Gemini y Perplexity quiénes somos. Supongamos que cada uno responde algo diferente.
Nuestro primer impulso puede ser pensar que uno de ellos funciona mal. Y puede ser verdad. Las inteligencias artificiales cometen errores.
Pero existe otra explicación más incómoda: quizá nuestra identidad digital sea ambigua.
Puede estar fragmentada, desactualizada, ser contradictoria, demasiado promocional o carecer de pruebas suficientes sobre aquello que para nosotros parece evidente.
Esto abre un terreno profesional interesante. Durante años hemos realizado auditorías SEO, auditorías de usabilidad, de accesibilidad o de velocidad. Quizá empiece a tener sentido realizar también una auditoría de comprensión de marca por inteligencia artificial.
No limitarse a preguntar dónde aparece una empresa, sino investigar qué cree una IA que es, qué especialidades le atribuye, con qué personas la relaciona, qué proyectos encuentra, qué fuentes utiliza, qué contradicciones detecta y qué afirmaciones considera suficientemente respaldadas.
Una auditoría así puede descubrir problemas que una auditoría SEO tradicional nunca estuvo diseñada para buscar.
La próxima capa del diseño web puede ser semántica
Durante años los diseñadores hemos organizado elementos visibles: titulares, fotografías, botones, menús, columnas, retículas. Quizá tengamos que prestar cada vez más atención a otra arquitectura, mucho menos visible pero igualmente importante: qué es una empresa, qué es una persona, qué relación existe entre un proyecto y un cliente, qué servicio pertenece a qué especialización, qué información es primaria, qué puede verificarse, qué entidades aparecen, qué señales se contradicen y qué significado estamos haciendo explícito.
Eso no sustituye al diseño. Añade una nueva capa.
La próxima gran competencia del diseño web podría consistir no solamente en diseñar páginas atractivas, sino en construir identidades digitales que las máquinas sean capaces de reconstruir correctamente.
¿Tu web está preparada para que una IA te elija?
No sabemos exactamente cómo decidirá una inteligencia artificial qué empresa recomendar. No conocemos todos los sistemas internos de OpenAI, Anthropic o Google. Cambiarán los modelos, cambiarán las interfaces, aparecerán nuevos agentes y seguramente aparecerán también centenares de expertos asegurando haber descubierto cómo ocupar la «posición número uno en ChatGPT».
Conviene desconfiar de las recetas demasiado sencillas.
Pero desconocer el algoritmo no significa que no podamos prepararnos. Sabemos que los sistemas necesitan encontrar información. Sabemos que intentan determinar qué entidades están detrás de ella. Sabemos que los datos estructurados pueden ayudar a expresar significado. Sabemos que las contradicciones generan incertidumbre. Sabemos que la procedencia de las fuentes importa. Sabemos que la experiencia real, la autoría y las evidencias ayudan a construir confianza. Y sabemos que los nuevos sistemas de búsqueda son capaces de consultar múltiples fuentes antes de elaborar una respuesta.
Quizá sea suficiente para empezar.
Durante años hemos preguntado a nuestros clientes:
«¿Qué queréis contar en vuestra página web?»
Tal vez tengamos que empezar a añadir una segunda pregunta:
«Si mañana una inteligencia artificial investigara vuestra empresa sin preguntaros nada, ¿llegaría a la conclusión correcta?»
Porque antes de conseguir que una IA nos elija existe un problema todavía más elemental:
