¿Por qué «qué LLM usan?» es la pregunta equivocada?

Cuando una empresa evalúa una herramienta de IA, la conversación casi siempre empieza por el modelo. «¿Es GPT o Claude?» «¿Qué versión?» «El modelo nuevo es más inteligente, así que el producto será mejor, ¿no?» La pregunta es comprensible — y más o menos tan útil como elegir a un proveedor por la marca de su portátil.

Tomemos el mismo modelo — digamos, el modelo estrella de Anthropic — y observémoslo dentro de dos productos distintos. El primero es Cursor, un agente de desarrollo. Menciónelo en Slack con una tarea: levanta una máquina virtual, clona su repositorio, escribe código, ejecuta los tests y entrega una pull request. Un ingeniero brillante.

El segundo es Claude Tag, un «compañero generalista» en ese mismo Slack. Lee el historial del canal, recuerda el contexto del proyecto, se conecta a sus documentos y calendarios. También sabe programar — pero con la misma soltura analizará una conversación con un cliente y le sugerirá cómo responder a la tercera petición de descuento.

El modelo es el mismo, pero los productos cumplen funciones distintas. Si le pide al agente de programación una estrategia de comunicación con clientes, podrá responder. Sin embargo, será como pedirle a un fontanero que diseñe el salón: tiene capacidad para opinar, pero sus herramientas y su función son otras.

El harness es el conjunto de elementos que rodean al modelo y permiten utilizarlo para realizar tareas.

Cambiar el harness puede convertir el mismo modelo en otro producto. Si las herramientas, las instrucciones y el contexto son insuficientes, actualizar el modelo puede aportar poco.

Esto se aplica tanto a las herramientas que compra como a la forma en que la IA encuentra información sobre su negocio. Cuando un posible cliente pregunta a ChatGPT, Claude o Perplexity «qué servicio elegir para X», el sistema puede buscar páginas, extraer su texto con un analizador y utilizarlo para redactar la respuesta. Su sitio debe poder superar cada uno de esos pasos.

Un sitio visualmente cuidado que dependa de mucho JavaScript para mostrar el contenido puede resultar ilegible para el analizador. Si una página carece de títulos, datos y detalles concretos, el modelo puede leerla sin encontrar nada útil que citar. La falta de menciones en fuentes externas también dificulta que la búsqueda lleve hasta su empresa.

El GEO (Generative Engine Optimization) trabaja sobre ese proceso: cómo los sistemas de IA encuentran, leen y utilizan su contenido al responder. El SEO clásico busca mejorar la posición de una página entre los resultados; el GEO busca que esa página sirva de fuente para la respuesta.

Si está eligiendo una herramienta de IA, mire más allá del modelo y compruebe si sus herramientas y su forma de trabajar encajan con la tarea. Un modelo más sencillo, con los recursos adecuados y acceso a sus datos, puede resultar más útil que uno avanzado en un chat genérico.

Si está desarrollando una herramienta de IA para su empresa, empiece por definir la función del agente: a qué información tendrá acceso, qué podrá hacer y cuáles serán sus límites. Después podrá elegir el modelo y sustituirlo cuando sea necesario.

Si quiere que los sistemas de IA recomienden su negocio, piense en sus páginas como material que otro sistema utilizará para responder. Compruebe si puede acceder a ellas, entenderlas y extraer información útil.