¿Por qué diferentes IA ven el texto de manera diferente?

TL;DR

Un mismo texto puede ser «leído» de forma diferente por tres LLM distintas. La razón está en tres capas técnicas: cómo se divide el texto en tokens, en qué espacio vectorial habita después, y qué filtro (top-k) selecciona documentos antes de que la parte generativa siquiera alcance a evaluar la calidad. Si escribes sin considerar esta mecánica, el artículo puede físicamente no llegar a la generación final en un sistema, mientras que funciona perfectamente en otro.

Escribo un artículo, optimizo el título, inserto palabras clave donde me enseñaron hace cinco años para el SEO clásico – y obtengo dos resultados opuestos. Yandex cita el material entre las tres primeras fuentes con un enlace directo en la respuesta. Google AI Overview ignora demostrativamente el mismo texto, extrayendo en la respuesta un artículo de la competencia que está peor escrito, es más corto y no tiene ni un solo ejemplo práctico.

Lo primero que pienso es que hay un error en el marcado o un problema de indexación. Verifico: la página está indexada, la velocidad de carga es buena y todo está en orden en general. El problema no es técnico del sitio. El problema es que el texto tiene que pasar por tres «filtros de percepción» completamente diferentes, y cada sistema de IA está construido de manera distinta en cada uno de estos niveles.

Lo que sigue es lo que he sacado de decenas de estos experimentos: por qué los tokenizadores (algoritmos que dividen palabras en fragmentos para el modelo) cortan la misma palabra de forma diferente, por qué los espacios de embedding (representaciones numéricas del significado del texto) de los modelos son incompatibles entre sí, y por qué top-k es literalmente una red a través de la cual tu texto pasa o no pasa.

¿Qué significa realmente que «la IA ve el texto»?

La frase «la IA ve el texto» suena como si dentro del modelo hubiera un pequeño gnomo que abre tu artículo y se forma una opinión. En realidad, no es así en absoluto.

El texto para un modelo de lenguaje no existe como texto. Existe como una secuencia de números. El camino desde las letras hasta los números pasa por tres estaciones, y en cada estación el modelo toma decisiones que nunca verás en la interfaz del chat o en los resultados de búsqueda:

Primero, el texto se corta en tokens – las piezas mínimas con las que el modelo puede trabajar directamente. Luego, esos tokens se convierten en vectores (conjuntos de números que describen el significado) en un espacio de embedding único para cada modelo. Y solo entonces, si se trata de sistemas de búsqueda o RAG (generación aumentada por recuperación), entra en juego el mecanismo de selección de documentos – top-k (un filtro que decide qué materiales llegarán realmente a la parte generativa).

Tres estaciones – tres puntos donde el texto puede «romperse» o, por el contrario, pasar la prueba con éxito. Y en cada estación, Yandex, Google, OpenAI y Perplexity tienen diferentes ingenieros con diferentes soluciones. De ahí la diferencia en la percepción del mismo texto.

Analicemos cada estación por separado, empezando por la primera y más subestimada: la tokenización.

Tokenizadores – diferentes «alfabetos» para el mismo texto

Empiezo por lo que me sorprendió a mí mismo cuando por primera vez me metí a investigar este tema más allá de «bueno, hay un tokenizador, corta el texto en palabras».

El tokenizador no corta el texto en palabras. Corta el texto en subcadenas frecuentes, encontradas estadísticamente en los datos de entrenamiento de una LLM concreta. Los algoritmos se llaman BPE (Byte Pair Encoding, literalmente «combinación por pares de bytes») y SentencePiece (una biblioteca de código abierto de Google para tokenización y destokenización rápida de texto) – son métodos que encuentran las combinaciones de caracteres más frecuentes en un enorme corpus de textos y las registran como «unidades de significado» separadas para el modelo.

Cada empresa entrena su propio vocabulario de tokens con sus propios datos. Yandex hace hincapié en el ruso, porque su tráfico principal y sus corpus de entrenamiento principales son en ruso. Google y su Gemini entrenan un vocabulario multilingüe, optimizado para docenas de idiomas a la vez, donde el ruso es solo uno más en una mezcla general.

El resultado de este enfoque tan diferente en el entrenamiento del vocabulario es una cantidad diferente de tokens para la misma palabra rusa. En Yandex, una palabra rusa frecuente puede caber en un solo token. En Gemini, la misma palabra puede dividirse en tres o cuatro subtokens (partes de la palabra, cada una considerada un token independiente).

Parecería que qué diferencia le hace al modelo si ve la palabra «aspiradora» completa o en pedazos «aspi» + «radora». El significado es el mismo. Pero aquí está el truco: antes de que el modelo llegue al nivel semántico (significado), ya está trabajando con esos tokens como unidades básicas. Si la palabra está fragmentada en piezas atípicas, el modelo tiene más «ruido» en la entrada, y la conexión estadística entre las partes de la palabra y el resto del contexto se vuelve más débil.

Veamos un ejemplo concreto. El usuario ingresa la consulta «robot aspiradora para pelo de mascotas». Yandex, con su énfasis en el vocabulario ruso, probablemente cortará esta frase en tres bloques semánticos completos: «robot aspiradora», «para», «pelo de mascotas». Cada bloque es una unidad lista y reconocible.

Gemini con su vocabulario multilingüe puede tomar otro camino y dividir la palabra compuesta en fragmentos menos obvios: «rob», «ot», «aspi», «radora». El modelo, por supuesto, recuperará el significado de la palabra «aspiradora» en capas más profundas – la arquitectura de transformadores (el tipo de red neuronal subyacente en la mayoría de los modelos de lenguaje modernos) es lo suficientemente robusta para soportar esa fragmentación. Pero el proceso mismo de recuperar el significado requiere más «esfuerzo» computacional del modelo, y en casos límite – por ejemplo, con errores tipográficos, jerga o escritura no estándar – la probabilidad de perder la conexión aumenta.

¿Qué significa esto para el texto?

Si en el artículo está escrito «robot aspiradora» sin guion, o se usa una abreviatura coloquial como «aspi», para un tokenizador será una unidad completa y reconocible, mientras que para otro será un conjunto de subtokens dispersos que el modelo tendrá que volver a pegar, perdiendo algo de precisión en ese pegado.

Las formas de palabras naturales y estándar, sin abreviaturas coloquiales y con puntuación correcta (guiones, comillas, mayúsculas donde corresponde) atraviesan cualquier tokenizador de manera más limpia. Esto no significa que debas escribir en lenguaje burocrático – el lenguaje vivo también funciona bien si es gramaticalmente correcto. El problema comienza cuando los autores persiguen una escritura «moderna», con palabras compuestas sin guion o transliteración en lugar de cirílico.

Es fácil comprobarlo: toma la frase clave de tu artículo y mira cómo la dividen los tokenizadores públicos de diferentes empresas (la mayoría de los modelos grandes tienen herramientas abiertas para visualizar la tokenización). Si la frase se descompone en una cantidad anormalmente grande de fragmentos en comparación con las palabras normales del mismo idioma, es una señal de que vale la pena reformular el título o la frase clave hacia una forma de palabra más estándar.

Espacios de embedding – diferente geometría del significado

La tokenización es solo el primer paso. Después de que el texto se ha cortado en tokens, el modelo convierte cada token en un vector – un conjunto de números que describe el significado de ese token en relación con todos los demás tokens que el modelo ha visto durante el entrenamiento. Esto se llama espacio de embedding (literalmente, «espacio de incrustaciones»).

Aquí es importante entender algo que al principio suena contraintuitivo: cada empresa – y a menudo dentro de una misma empresa – tiene su propio espacio de embedding separado. El modelo que busca documentos (retriever) y el modelo que genera el texto final de la respuesta, en Google, Yandex y la mayoría de los otros actores, suelen ser redes neuronales diferentes con pesos diferentes, entrenadas con datos diferentes y con funciones objetivo diferentes.

Diferentes pesos significan diferente significado. Las palabras que para un modelo están cerca entre sí en el espacio vectorial, para otro modelo pueden estar lejos. Es como dos personas que aprendieron un idioma extranjero con diferentes manuales: las palabras básicas coinciden, pero las cadenas asociativas que vienen a la mente primero son diferentes.

El ejemplo del charco que lo explica todo

Tomemos la palabra «charco» en el contexto de un artículo sobre un robot aspiradora que a veces pasa sobre un charco dejado por una mascota y lo esparce por el suelo.

El modelo A se entrenó principalmente con reseñas técnicas, instrucciones y especificaciones. En su espacio de embedding, la palabra «charco» en este contexto estará cerca de los vectores «sensor de desnivel» (el sensor que debería evitar obstáculos y líquidos), «pared virtual» (el límite programático que el robot no cruza) y «capacidad del depósito de suciedad».

El modelo B se entrenó con foros de usuarios, reseñas y debates en redes sociales. Para él, «charco» se conectará con un clúster completamente diferente: «esparció la suciedad por todo el departamento», «olor desagradable en toda la casa», «pesadilla con la limpieza después de eso». Cero términos técnicos, pero un máximo de emociones y experiencia cotidiana.

Ambos modelos tienen razón, cada uno en su propio espacio. Ambos describen la misma situación real. Pero si tu artículo sobre el robot aspiradora cubre solo el ángulo técnico – características de los sensores, potencia de succión, capacidad del contenedor – encaja perfectamente en el clúster del Modelo A y apenas se cruza con el clúster del Modelo B. Y viceversa: un texto puramente emocional de reseña sin una sola cifra resuena perfectamente con el Modelo B, pero parece semánticamente «vacío» para el Modelo A.

Por qué esto es crítico para el contenido que debe funcionar en todas partes

Antes, cuando se trataba de dos motores de búsqueda con dos algoritmos de clasificación, la tarea era clara: estudiar lo que le gusta a ese algoritmo concreto y escribir para él. Ahora, el texto es leído simultáneamente por docenas de modelos con diferentes espacios de embedding – y lo que resuena perfectamente con uno puede parecer incompleto para otro.

Un artículo que debe funcionar en diferentes sistemas de IA debe cubrir todos los tipos de clústeres a la vez. Especificaciones técnicas secas – potencia, tiempo de funcionamiento con batería, tamaño del depósito de basura, presencia de sensor de desnivel – y junto a ellos, escenarios domésticos reales con detalles concretos: cómo se comportó el robot cuando se encontró con un charco del gato, qué pasó con la alfombra, cuánto tiempo llevó limpiar las consecuencias.

Si el artículo cubre solo uno de los muchos clústeres, corre el riesgo de que uno de los modelos lo clasifique como «semánticamente incompleto» – no porque el texto sea malo, sino porque en el espacio vectorial de ese modelo concreto simplemente no llega a la zona de relevancia necesaria.

Los textos donde el bloque técnico y el bloque de usuario están escritos en secciones separadas (no mezclados en un mismo párrafo, sino claramente diferenciados – por ejemplo, una subsección aparte con características y otra con experiencia real de uso) atraviesan ambos tipos de espacios de embedding notablemente mejor que los textos donde todo está mezclado en un flujo común sin estructura.

Top-k y reranking – el filtro grueso del que casi nadie escribe

Aquí comienza la parte más práctica de toda la historia, y es precisamente la que explica por qué un mismo artículo puede brillar en Yandex y desaparecer por completo de las respuestas de Google AI Overview.

Hay dos enfoques fundamentalmente diferentes sobre cómo un sistema de IA forma una respuesta a la consulta del usuario.

El primer enfoque: el modelo generativo responde directamente desde los datos con los que fue entrenado (training data), o a través de su propia capa de recuperación integrada (un mecanismo de búsqueda de documentos relevantes) que, en los grandes actores, está integrada directamente con su índice de búsqueda. Así funcionan Google AI Overview, Gemini y YandexGPT en modo puro. Su sistema de búsqueda es, en esencia, una continuación del índice de búsqueda habitual de la empresa, solo que con una superestructura generativa encima.

El segundo enfoque es el RAG clásico (Retrieval-Augmented Generation, «generación aumentada por recuperación»). Aquí, top-k es literalmente un parámetro de ingeniería de un pipeline de software concreto.

Cómo está estructurado el pipeline RAG

En un sistema RAG, la consulta del usuario primero se codifica en un vector a través de un modelo de embedding. Del mismo modo, todos los documentos de la base de datos (o del índice al que el sistema tiene acceso) se codifican en vectores. Luego, el retriever (módulo de búsqueda) calcula la similitud matemática entre el vector de la consulta y los vectores de los documentos, y selecciona los top-k documentos con la puntuación de similitud más alta – esto es literalmente «k piezas de documentos cuya puntuación es superior al resto».

Después de esta selección gruesa, entra en juego el reranker – un modelo separado, generalmente un cross-encoder (un tipo de modelo que procesa el par «consulta más documento» de forma conjunta, no por separado, y por lo tanto da una evaluación de relevancia más precisa, aunque funciona más lento y es más costoso computacionalmente). El reranker reordena los candidatos seleccionados en el primer paso grueso y elige el grupo final, mucho más reducido, de documentos que realmente llegarán a la parte generativa de la respuesta.

En Perplexity, según las descripciones de su arquitectura en fuentes abiertas (no en las especificaciones técnicas oficiales, que la empresa no publica por completo), el pipeline es de múltiples etapas. Primero, una selección amplia mediante una combinación de BM25 (un algoritmo clásico de clasificación por coincidencia de palabras y su frecuencia, sin tener en cuenta el significado) y búsqueda semántica por embedding – el énfasis está en el recall (cobertura completa), es decir, el sistema intenta no perder documentos potencialmente relevantes, aunque sean cientos. Luego viene un reranking con cross-encoder para precisión – una selección mucho más estrecha y de mayor calidad. Y la capa final es un reranker ML con señales adicionales como la autoridad del dominio y la actualidad de la publicación.

Las cifras exactas de k en cada capa no se revelan públicamente. Las reconstrucciones y análisis de entusiastas dan diferentes estimaciones, y no se debe confiar en esas cifras como datos oficiales.

Ejemplo que hace comprensible toda esta mecánica

Imaginemos una situación: has escrito una reseña «Top 5 robots aspiradora con función de fregado 2026», donde probaste cada modelo, incluyendo cómo maneja los charcos de las mascotas. El usuario pregunta a la IA: «¿Qué aspiradora no esparce los charcos de perro?»

En Perplexity ocurre lo siguiente. El retriever por embeddings y BM25 selecciona de forma gruesa los top-100 artículos que tienen palabras sobre perros, charcos y limpieza. Tu artículo entra en ese amplio grupo de cien – porque el recall en esta etapa es alto, el sistema intenta cubrir el máximo de contenido potencialmente relevante, sin filtrar mucho por calidad. Luego entra el reranker cross-encoder. Lee tu artículo párrafo por párrafo y ve: aquí se describe realmente una prueba de la función de esquivar charcos, hay concreción, hay detalles específicos sobre ese problema. El reranker sube tu artículo al top-3. Resultado: Perplexity te cita con un enlace directo en la respuesta.

En Google AI Overview o AlisaAI de Yandex la situación es diferente. Tienen capas de recuperación internas cerradas, integradas en el índice de búsqueda general de la empresa. Si tu sitio no ha pasado su filtro primario – por ejemplo, debido a un perfil de enlaces débil, problemas de UX, falta de señales suficientes de E-E-A-T – el artículo físicamente no llega a la parte generativa del sistema. La IA simplemente genera una respuesta basada en materiales de la competencia que sí pasaron su selección top-k interna, incluso si por contenido tu texto habría sido más útil para el usuario.

La principal conclusión práctica de toda esta mecánica

Top-k se trata de que tu contenido puede físicamente no pasar la primera y más gruesa selección matemática – la selección por similitud de embeddings – incluso antes de que llegue a cualquier modelo capaz de evaluar la calidad real de lo escrito.

De ahí la diferencia de comportamiento entre distintas LLM frente al mismo texto. Cada sistema tiene su propio retriever, su propio conjunto de parámetros k en la entrada, sus propias señales de descarte. Un material que pasa tranquilamente el filtro de un sistema puede ser descartado por el filtro de otro – y no por la calidad del texto, sino por los parámetros técnicos del pipeline concreto.

La optimización para la búsqueda con IA deja de ser solo una lucha por un texto «sabroso» y bien legible para la generación final. También es una lucha por superar el primer filtro matemático grueso. Si el contenido o el trust (nivel de confianza del motor de búsqueda hacia el dominio) no superan ese umbral, el texto simplemente no será visto – por más útil que sea en realidad.

Por qué el mismo artículo puede «ganar» en un sistema y «perder» en otro

Si juntamos las tres mecánicas – tokenización, espacios de embedding y filtros top-k – queda claro por qué no existe una receta universal de «cómo escribir un texto que la IA ame» en principio. Cada sistema, en cada uno de los tres niveles, toma sus propias decisiones, y el efecto acumulativo de esas decisiones puede tanto aumentar la visibilidad del texto como eliminarla por completo.

Analizaré un caso concreto de mi propia práctica para que la mecánica sea aún más clara. Preparé un material sobre cómo rechazar candidatos correctamente – un tema aparentemente simple, del ámbito de las habilidades blandas. El texto incluía tanto formulaciones prácticas (plantillas de rechazo cortés, qué escribir después de la tercera entrevista, no solo después del currículum) como matices técnicos (plazos de respuesta según la legislación laboral, diferencia entre rechazo por correo electrónico y por teléfono).

En Perplexity, el material apareció en las fuentes citadas casi inmediatamente después de la publicación – el reranker, al parecer, valoró precisamente la combinación de formulaciones concretas y casos prácticos, que es lo que el sistema RAG busca por naturaleza: necesita documentos de los que realmente se pueda extraer una respuesta detallada con ejemplos ya preparados.

En Google AI Overview, el mismo material apareció en los resultados notablemente más tarde, después de semanas – aunque el contenido no cambió. La explicación posible (y es posible, no un hecho confirmado) es que el dominio necesitó tiempo para acumular suficientes señales de trust para el clúster temático «RRHH y reclutamiento» antes de que el retriever interno comenzara a pasar consistentemente los materiales de ese sitio a su top-k en el índice cerrado.

En YandexGPT, el material ni siquiera apareció en las respuestas detalladas al principio, aunque en la búsqueda clásica de Yandex la página se posicionaba bastante bien. Aquí influyó, probablemente, el efecto de la tokenización y el espacio de embedding de ese modelo concreto: parte de la terminología del texto (algunos términos de RRHH como «oferta», «feedback», «carta de rechazo») estaba escrita en una mezcla de ruso e inglés, lo que podría haber dado una tokenización más dispersa y, en consecuencia, una conexión vectorial más débil con las consultas típicas en ruso de los usuarios.

La conclusión de este caso es simple y no muy agradable para quienes buscan una lista de verificación universal: diferentes sistemas de IA pueden requerir diferentes tiempos de «reconocimiento» para el mismo texto, y las razones del retraso están en diferentes niveles – a veces es la tokenización, a veces el trust del dominio, a veces simplemente los parámetros del retriever que no puedes controlar directamente.

¿Qué se puede controlar?

Dado que los tres niveles de mecánica – tokenización, embedding, top-k – funcionan de manera diferente en cada sistema, es lógico preguntarse: ¿qué tiene sentido hacer entonces para el optimizador/autor, si no se pueden controlar directamente los tres niveles?

La respuesta es: controlar los datos de entrada para los tres niveles simultáneamente, incluso sin conocer los parámetros internos exactos de cada sistema concreto. Veamos en orden qué significa esto en la práctica.

Para el nivel de tokenización

Usar formas de palabra estándar y gramaticalmente correctas en lugar de abreviaturas de moda y jerga. Poner guiones en palabras compuestas donde corresponda según las reglas del idioma – «robot-aspiradora», no «robot aspiradora» junto o separado sin guion. Evitar mezclar latín y cirílico en una misma palabra sin necesidad – si un término se puede escribir completamente en español, mejor hacerlo así, y añadir el nombre extranjero entre paréntesis en la primera mención.

Escribir títulos y subtítulos como frases semánticas completas, sin romper artificialmente frases hechas. Por ejemplo, si escribes sobre «hogar inteligente», no dividas esa frase estable con palabras extrañas entre «hogar» e «inteligente» en el título – esto aumenta la probabilidad de una tokenización anómala en modelos cuyo vocabulario no está familiarizado con ese contexto concreto.

Para el nivel de espacios de embedding

Cubrir varios tipos de contenido simultáneamente dentro de un mismo artículo, incluso si el tema parece puramente técnico o puramente emocional a primera vista.

Usar sinónimos y diferentes formulaciones para los conceptos clave del artículo, no la misma frase una y otra vez. Diferentes espacios de embedding vinculan los sinónimos con diferente fuerza, y cuantas más variaciones de formulaciones semánticas haya en el texto, mayor será la probabilidad de caer en la zona de relevancia de varios modelos a la vez, no solo de uno concreto.

Para el nivel de top-k y retriever

Aquí hay menos control directo, porque los parámetros de la capa de recuperación de cada empresa están cerrados y no se publican por completo. Pero aún así hay algo en manos del autor y del propietario del sitio:

• Concreción y datos en el texto – los rerankers, especialmente en sistemas RAG como Perplexity, a juzgar por el comportamiento observado, prefieren materiales con detalles verificables, no reflexiones generales sin hechos.
• Estructura del texto con bloques semánticos claros – facilita el trabajo tanto al retriever grueso en la etapa de comparación de embeddings como al reranker preciso en la etapa de análisis con cross-encoder.
• Señales de E-E-A-T a nivel de todo el dominio – perfil de enlaces, autoría con experiencia real, historial de publicaciones sobre el tema – esto es lo que se acumula durante meses y años, y no se corrige en un día de edición del texto.
• Actualidad de la publicación y su actualización regular – algunos retrievers, a juzgar por las observaciones, tienen en cuenta la fecha de la última actualización de la página como una señal de relevancia, especialmente para temas donde la actualidad cambia rápidamente.

Ninguno de estos puntos garantiza pasar el filtro top-k de un sistema concreto – hay demasiadas variables ocultas. Pero la combinación de estos factores aumenta notablemente la probabilidad de entrar en el círculo reducido de documentos que realmente llegan a la generación.

Errores frecuentes al intentar «complacer a todas las IA a la vez»

Analizaré algunos conceptos erróneos con los que me encuentro regularmente entre autores que intentan optimizar el texto para la inteligencia artificial en general, sin distinguir entre sistemas concretos.

Primer error – la idea de que basta con rellenar el texto de palabras clave en diferentes variaciones y eso cubrirá automáticamente todos los espacios de embedding a la vez. En la práctica, la repetición excesiva de una misma frase sin cambiar el significado del contexto que la rodea no aumenta la cobertura de diferentes espacios vectoriales – simplemente hace que el texto sea menos natural, y algunos rerankers modernos, a juzgar por el comportamiento observado, penalizan la densidad artificial de palabras clave porque se reconoce como una señal de baja calidad del contenido, no como una señal de relevancia.

Segundo error – la creencia de que si un artículo se posiciona bien en la búsqueda clásica (los típicos diez enlaces azules), entonces automáticamente pasará bien los filtros top-k de los sistemas generativos de IA. La clasificación clásica y la capa de recuperación de un sistema generativo son a menudo mecanismos diferentes incluso dentro de una misma empresa, con diferentes pesos y diferentes señales. Una buena posición en la búsqueda clásica aumenta las posibilidades, pero no garantiza pasar por un retriever separado orientado a la IA.

Tercer error – ignorar el hecho de que los modelos de embedding cambian con el tiempo. Las empresas periódicamente reentrenan o reemplazan sus modelos de búsqueda y generación. Un texto que pasaba perfectamente los filtros hace seis meses puede perder visibilidad repentinamente no por cambios en el texto mismo, sino porque ha cambiado el modelo a través del cual ahora se evalúa ese texto. Esto no es motivo para entrar en pánico ante cada fluctuación de visibilidad, pero sí para revisar periódicamente los materiales antiguos en lugar de considerar que un texto escrito una vez está optimizado para siempre.

Cuarto error – intentar escribir un texto «igualmente neutral» para todos los clústeres del espacio de embedding, evitando tanto el lenguaje puramente técnico como el puramente emocional, con la esperanza de caer en algún «punto medio». Según las observaciones, este enfoque promedio a menudo pierde frente a ambos polos a la vez – el texto resulta no ser suficientemente técnico para un clúster de modelos y no suficientemente vivo para otro. Es mucho más eficaz cubrir explícitamente ambos polos con bloques separados dentro de un mismo artículo, que diluirlos en un flujo neutral único.

¿Qué significa todo esto en definitiva?

La mecánica descrita anteriormente significa, entre otras cosas, que el especialista en optimización de motores de búsqueda ahora tiene que entender no solo de perfiles de enlaces y densidad de palabras clave, sino también de arquitectura de retrievers, lógica de tokenización, principios de funcionamiento de los espacios de embedding – esa misma capa que hace tres años parecía exclusivamente interna de los ingenieros de ML. Esa capa ya no es ajena; se ha convertido en el contexto de trabajo, e ignorarla es desconectarse voluntariamente del proceso.

Honestamente, el volumen de lo que hay que mantener en la cabeza ha pasado hace tiempo a la categoría de agotador. Cuarenta investigaciones al día solo para no quedarse atrás de la versión actual del pipeline de alguien; al mismo tiempo, monitorear cómo cambian los parámetros de los rerankers, cómo se reconfigura la geometría de los índices vectoriales, cómo el asistente de turno mastica y reensambla los resultados. Las fuerzas objetivamente no alcanzan, y la sensación de que el carrusel no terminará, solo se acelerará, no se atenúa con el tiempo – al contrario.

Al mismo tiempo, la alternativa de «no leer y optimizar a la antigua» no es que deje espacio para maniobrar. Un texto armado con la lógica de hace cinco años simplemente no pasa los filtros de la vista generativa, no aparece en la respuesta RAG, no resiste la prueba de densidad fáctica. El especialista que sigue trabajando como si nada hubiera cambiado no recibe una transición suave ni una segunda oportunidad – gradualmente va cayendo de las consultas, de los resultados, de la profesión.

Volviendo a la pregunta con la que comenzó todo este análisis – por qué diferentes IA ven el texto de manera diferente – la respuesta se compone de tres capas de decisiones tomadas por ingenieros de diferentes empresas de forma independiente: cómo cortar el texto en tokens, en qué espacio considerar el significado cercano o lejano, y qué filtro grueso aplicar antes de que el modelo siquiera tenga la oportunidad de evaluar la calidad de lo escrito. Tres capas, tres conjuntos diferentes de reglas – y el mismo texto a la salida de este sistema puede resultar tanto una fuente citada como un material invisible para un usuario concreto, dependiendo de qué IA haya consultado.