El encuadre de categoría guía recomendaciones IA

Muchas marcas se hacen la pregunta equivocada sobre la visibilidad en IA: ¿cómo volvernos una entidad más fuerte para que los modelos de lenguaje nos recomienden más? En la práctica del SEO de entidades, el consejo suele ser ampliar el Knowledge Graph, añadir schema y generar más prensa. Esa lógica asume que el modelo evalúa la marca y decide si es lo bastante buena para cada consulta relacionada. En realidad, el modelo evalúa la consulta y la compara con las asociaciones de categoría construidas a partir de contenidos de terceros sobre la marca.

La diferencia es enorme en la práctica. El reconocimiento no es lo mismo que la recomendación. Una marca conocida no es automáticamente una marca fuerte en la búsqueda con IA. Lo decisivo es si la categoría con la que buscan los clientes coincide con la categoría en la que el LLM ha codificado la marca.

Lo que muestran los datos del estudio

Maryanna Franco y João da Silva estudiaron doce marcas de ropa deportiva en el Reino Unido durante siete días. En total, 14.140 ejecuciones de API abarcaron ChatGPT, Gemini, Perplexity, Claude y Google AI Overviews. Las mismas marcas se probaron con dos encuadres de categoría: athleisure y athletic footwear. Tras analizar co-menciones, el equipo cambió deliberadamente solo la palabra de categoría en el prompt.

Los resultados fueron tan simétricos que el azar queda casi descartado. New Balance pasó del uno por ciento en prompts de athleisure al 90 por ciento en footwear. lululemon cayó del 90 por ciento a cero. Alo Yoga y Gymshark también perdieron mucho bajo el framing de footwear, mientras Nike se mantuvo alto en ambas variantes.

No se trata de una mera correlación, sino de una observación controlada: solo cambió la palabra de categoría en el prompt. Una oscilación de unos 0,9 puntos en ambas direcciones a la vez subraya cuánto influye el framing en la lógica de recomendación.

Por qué decide el category coding

Nike, New Balance y Reebok comparten la misma descripción del Google Knowledge Graph: «Footwear company». Desde el punto de vista de entidad parten iguales y son reconocidos de forma fiable por todos los LLM probados. Sin embargo, bajo distintos framings de categoría se comportan de forma muy distinta. La razón es el category coding: la combinación del campo de descripción del KG y el corpus de contenidos de terceros en torno a una marca en una categoría.

La descripción del KG ancla la marca en la representación del modelo e influye en el reconocimiento. El corpus de terceros —artículos, reseñas, comparativas editoriales y roundups— detalla cómo se ve realmente esa asociación de categoría y, con ello, dirige la recomendación.

El ejemplo de New Balance

En New Balance, el corpus externo confirma la asignación a footwear mediante zapatillas de running, calzado de rendimiento y temas de entrenamiento. Si alguien pregunta por marcas de athleisure, el modelo apenas encuentra a New Balance. En cambio aparecen lululemon, Alo Yoga y Gymshark, cuyo corpus proviene de publicaciones de moda y roundups de activewear. Cuando la consulta pasa a athletic footwear, el retrieval se invierte.

El modelo no juzga la calidad de la marca. Empareja una categoría de consulta con una categoría de contenido. Si coinciden, la marca aparece. Si no, permanece invisible, independientemente de lo consolidada que sea.

¿Basta con reescribir la descripción del KG?

El atajo obvio es cambiar la descripción del Knowledge Graph. La descripción del KG es solo la mitad del category coding. La otra mitad es el corpus de contenidos de terceros. Si solo cambia el campo, permanece el historial externo de performance footwear y entrenamiento. El modelo recibe un nuevo ancla sin vínculo sólido.

La palanca eficaz es el trabajo dirigido en contenidos de terceros en exactamente el framing de categoría que usan los clientes: en las publicaciones de las que recuperan los modelos y junto a marcas que ya definen el espacio. La descripción del KG puede apoyar ese trabajo cuando el corpus exista.

Implicaciones para la estrategia GEO

El consejo GEO clásico apunta a una entidad más fuerte: nombre coherente, schema limpio, una página About sólida y más prensa. Eso ayuda al reconocimiento y a la recomendación dentro de la categoría codificada. Para consultas de categorías adyacentes no basta. La recomendación allí depende de si el corpus de terceros coincide con el framing del lenguaje de los clientes.

• ¿Somos visibles en la IA?
• ¿En qué categoría nos ha codificado el LLM?
• ¿Es esa la categoría en la que buscan realmente los clientes?

Si una marca es fuerte en una categoría mientras los clientes usan cada vez más lenguaje adyacente —por ejemplo athleisure en lugar de sportswear— y el corpus de terceros no sigue ese cambio, la marca permanece invisible justo en las consultas relevantes. Nike es el caso positivo del estudio: 77 por ciento en athleisure y 90 por ciento en athletic footwear, aunque el Knowledge Graph señala footwear. Nike acumuló suficientes contenidos de terceros codificados como athleisure, incluida cobertura de moda y co-menciones con marcas de athleisure.

La pregunta de auditoría antes de más optimización de entidad

Antes de invertir más en optimización de entidad, conviene un diagnóstico: probar cinco o seis formulaciones de categoría en dos o tres LLM y anotar qué variantes hacen aparecer la marca. Si la marca falta, importan tres preguntas: ¿el contenido de terceros usa ese lenguaje? ¿Se habla de la marca en publicaciones de esa categoría? ¿Aparece en roundups editoriales con esa formulación exacta?

Si la respuesta es no, el punto de partida está claro: entrar en las conversaciones externas que hablan el lenguaje de esa consulta y participar en los contenidos de comparación de categoría que definen quién pertenece al espacio. Los hallazgos proceden del paper «The recognition-recommendation gap» de Maryanna Franco y João da Silva, disponible en acceso abierto en Zenodo.