Saltar al contenido
GET-GEO.AI
/
← Todas las guías

// guía

«¿Qué LLM usan?»: por qué es la pregunta equivocada

Dmitry Filippov

Autor: Dmitry Filippov, Founder, GET-GEO.AI
Publicado: 2026-08-03 · Actualizado: 2026-11-18

// respuesta breve

Lo que hace un modelo depende del sistema que lo rodea, su harness: búsqueda, herramientas, instrucciones, orden de resultados y controles de seguridad. Por eso el mismo modelo puede citar fuentes distintas en productos distintos. El GEO (Generative Engine Optimization) se ocupa de cómo cada producto encuentra y lee las páginas, y de qué fuentes externas respaldan lo que dicen.

  • «¿Qué LLM?» es la pregunta equivocada: ponga un mismo modelo en dos productos, los agentes en la nube de Cursor y Claude Tag (Anthropic, junio de 2026), y el harness le da dos trabajos distintos.
  • Un harness tiene cuatro partes: el prompt de sistema, las herramientas, el contexto y la memoria, y el ciclo de trabajo. Si las cambia, el mismo modelo se convierte en otro producto.
  • Antes de pagar por un modelo más potente, revise las cuatro partes del harness: actualizar el modelo no añade herramientas, memoria ni acceso a datos que el producto no le dé.
  • Cuando el asistente busca, la búsqueda encuentra páginas, un analizador extrae texto y el modelo redacta. En nuestro estudio (septiembre de 2026), 22 de 52 respuestas de ChatGPT no traían enlaces de fuentes registrables.
  • Mida aparte cada producto de un proveedor: en nuestra prueba del 14 de septiembre de 2026 (20 respuestas, app de Gemini y Google AI Mode), coincidió una URL completa recuperada. Un día, URL incompletas.

El mismo modelo puede hacer trabajos distintos

Las empresas suelen empezar a evaluar una herramienta de IA preguntando qué modelo usa: GPT o Claude, qué versión y si el último lanzamiento mejorará el producto. Son preguntas razonables, pero dicen poco sobre las herramientas y la información con las que cuenta el producto para completar una tarea.

Suponga que el mismo modelo está dentro de dos productos y que los dos reciben peticiones en Slack. El primero son los agentes en la nube de Cursor, un producto de programación: iniciado con una mención a @cursor, un agente se ejecuta en una máquina virtual aislada con un modelo que usted elige de la lista de Cursor, clona el repositorio, escribe y prueba el cambio, y puede abrir una pull request.

El segundo es Claude Tag, que Anthropic lanzó en versión beta el 23 de junio de 2026: Claude se incorpora a los canales de Slack seleccionados como un miembro del equipo, construye su contexto con lo que lee allí y se conecta a las herramientas, los datos y las bases de código que elige un administrador. También sabe programar, pero en un canal preparado para el trabajo comercial podría igualmente revisar una conversación con un cliente y sugerir cómo responder a la tercera petición de descuento.

En ese supuesto, el modelo de base es el mismo, pero cada producto le da un papel, unas herramientas y un contexto distintos. Un agente de programación puede opinar sobre una conversación con un cliente, pero le faltarán la información y el ciclo de trabajo de una herramienta pensada para eso.

Qué es un harness

Un harness es el software y la configuración que rodean a un modelo: las instrucciones, las herramientas, el contexto y el ciclo de trabajo que lo convierten en un producto útil.

  • El prompt de sistema: las instrucciones que definen el papel, el tono, las prioridades y los límites. De él depende que el agente reduzca cada tarea a código o piense en el negocio.
  • Las herramientas: aquello a lo que el agente tiene acceso. Con una terminal y git es programador. Con un CRM y el correo, asistente comercial. Con búsqueda web y un rastreador, un investigador que lee su sitio y los de sus competidores antes de aconsejarle.
  • El contexto y la memoria: lo que el agente sabe de usted. El historial del canal, los documentos de la empresa, las decisiones anteriores. Un modelo sin contexto lo conoce por primera vez en cada conversación.
  • El ciclo de trabajo: cómo se organiza la tarea. Una sola respuesta, una sesión autónoma larga, la autoverificación o el paso a una persona.

Otro harness, otro producto

Si cambia el harness, el mismo modelo se convierte en otro producto: recibe otro papel, otras herramientas y otra información con la que trabajar. Lo contrario importa cuando un producto decepciona. Actualizar el modelo no añade una herramienta, una memoria ni acceso a datos que el producto no le da, así que recomendamos revisar el harness antes de pagar por un modelo más potente. No hemos comparado nosotros mismos modelos y harness; tómelo como una regla de trabajo y pruébelo en su propia tarea.

Por qué esto afecta a su sitio web

Todo esto vale no solo para las herramientas que usted compra, sino también para cómo ve la IA su negocio. Cuando un posible cliente pregunta a ChatGPT, Claude o Perplexity «¿qué servicio elijo para X?», el harness decide primero si busca en la web o no. En nuestro estudio de las páginas que citan los asistentes, hecho el 14 y el 15 de septiembre de 2026, 22 de las 52 respuestas de ChatGPT (sin iniciar sesión y con la búsqueda web activada) no incluían ningún enlace a fuentes que pudiéramos registrar: o no se hizo ninguna búsqueda, o la interfaz mostró etiquetas de fuentes sin URL, y nuestra cifra no separa los dos casos. Cuando sí hay búsqueda, una herramienta de búsqueda encuentra páginas, un analizador extrae el texto y solo entonces el modelo redacta la respuesta. En cada paso, su sitio pasa el filtro o se queda fuera.

El producto que responde también puede cambiar de dónde salen las fuentes. El 14 de septiembre de 2026 hicimos cinco preguntas de compradores de GEO, dos veces cada una, en la app de Gemini y en Google AI Mode, dos productos de un mismo proveedor: en esas 20 respuestas, una de las URL de fuente completas que pudimos recuperar apareció en ambos (la comprobación se describe en nuestra guía para conseguir citas de Gemini). El 27 de septiembre de 2026 hicimos a ChatGPT 30 preguntas sobre negocios locales, dos veces cada una, en ocho nichos de Houston, Miami y Londres: en las 55 respuestas que mostraron un mapa, 280 de los 305 negocios que nombró estaban también en las fichas del mapa, señal de que una herramienta de fichas de negocios, una parte del harness distinta de la búsqueda web, da forma a esa lista corta. Las dos son comprobaciones de un solo día y en inglés. En tres de las cinco preguntas de Gemini no se pudieron recuperar URL completas, AI Mode mostró parte de sus fuentes como etiquetas sin URL y la comprobación no estableció qué versión del modelo respondió en cada producto. Léala como una primera mirada a dos productos que enumeran fuentes distintas, no como un modelo que se comporta de dos maneras.

Un sitio vistoso hecho con mucho JavaScript del lado del cliente puede ser invisible para el analizador. Una página sin estructura clara (títulos, datos, detalles concretos) puede leerse y aun así no citarse: el modelo tiene poco que tomar de ella. Con pocas menciones en fuentes externas, la búsqueda tiene poco que encontrar aparte de sus propias páginas. Eso puede bastar para una pregunta acotada: en seis sesiones limpias de ChatGPT del 13 y el 17 de agosto de 2026, las preguntas sobre una agencia GEO multilingüe nos pusieron en primer lugar cada vez, y la respuesta del 17 de agosto citó nuestro sitio en el texto. Es un solo asistente y nuestra propia marca, con preguntas acotadas, y las citas de esas ejecuciones incluyeron también nuestros perfiles de Crunchbase, LinkedIn y Trustpilot. Para una pregunta amplia del tipo «mejor X», cuente con que páginas de terceros sostengan parte de la respuesta: en las preguntas de elección de proveedor del estudio de septiembre citado arriba, los directorios y comparadores se llevaron 77 de los 306 enlaces (25 %) entre sus cuatro asistentes.

De eso trata el GEO: de optimizar no para un algoritmo de posicionamiento, sino para el harness de los sistemas generativos, es decir, para cómo los agentes de IA descubren, leen y reformulan su contenido. El SEO clásico se preguntaba «¿cómo entramos entre los 10 primeros enlaces?». El GEO se pregunta «¿cómo entramos en la propia respuesta?».

Qué hacer con esto

Al elegir una herramienta de IA, compruebe si sus herramientas, su acceso a datos y su ciclo de trabajo encajan con la tarea. Pueden pesar más que el hecho de que use el modelo más capaz.

Si desarrolla una herramienta de IA interna, defina primero el papel del agente, qué información puede ver, qué acciones puede realizar y dónde debe detenerse. Elija el modelo dentro de ese diseño; podrá cambiarlo a medida que cambien los requisitos.

Para la visibilidad de su sitio, piense en qué información de sus páginas puede encontrar y usar un asistente de IA. Una información clara y accesible le da un contexto útil cuando responde a la pregunta de un cliente. Compruebe cada asistente por separado y haga cada pregunta más de una vez: como sugieren las comprobaciones anteriores, un resultado en un producto puede no trasladarse a otro. Medimos cuatro asistentes por idioma: ChatGPT, Perplexity, Gemini y Google AI Overviews o AI Mode, donde se ofrezcan.

Preguntas relacionadas

¿Qué es un harness en los productos de IA?

Es todo lo que rodea a un modelo de lenguaje y lo convierte en una herramienta que funciona: el prompt de sistema, las herramientas que puede usar, el contexto y la memoria que tiene sobre usted, y el ciclo de trabajo que organiza cómo actúa. Si cambia el harness, el mismo modelo se convierte en otro producto.

¿Actualizar el modelo arregla un producto débil?

No por sí solo, cuando la debilidad está en el harness. Un modelo más potente no puede usar herramientas que el producto no le da ni leer datos a los que no tiene acceso. Recomendamos enumerar lo que necesita la tarea (herramientas, memoria, acceso a datos, ciclo de trabajo), corregir lo que falte y luego comparar modelos con esa tarea.

¿Cómo se relaciona la idea del harness con el GEO?

Cuando ChatGPT, Claude o Perplexity responden a una pregunta comercial, su harness decide si busca en la web. Si lo hace, la búsqueda encuentra páginas, un analizador extrae texto y el modelo redacta la respuesta. El GEO prepara su sitio, y las fuentes externas que lo describen, para esos pasos, de modo que los asistentes puedan descubrirlo, leerlo y citarlo.

¿Debo ignorar qué LLM usa una herramienta?

No. El modelo sigue importando, pero trátelo como un factor entre varios. Pregunte primero si el harness encaja con su tarea: el papel del agente, las herramientas, el acceso a sus datos y el diseño del ciclo de trabajo. El modelo a menudo puede cambiarse después, así que recomendamos resolver primero el harness.

Guías relacionadas

Fuentes

  1. 01Anthropic — presentación de Claude Tag (23 de junio de 2026)
  2. 02Anthropic — descripción general de Claude Managed Agents (cómo usa Anthropic el término «agent harness»)
  3. 03Cursor — documentación de los agentes en la nube (Cloud Agents, antes Background Agents)
  4. 04Aggarwal et al., GEO: Generative Engine Optimization (2023), arXiv:2311.09735
  5. 05Nuestro estudio: qué tipos de páginas citan los asistentes de IA (569 enlaces, cuatro asistentes, 14–15 de septiembre de 2026)
  6. 06Nuestro estudio: de dónde saca ChatGPT las valoraciones de negocios (comprobación del mapa y las valoraciones, 27 de septiembre de 2026)
  7. 07Nuestra guía: cómo conseguir citas de Gemini y Google AI Mode (incluye la comprobación de la app de Gemini y AI Mode del 14 de septiembre de 2026)
  8. 08Nuestro caso: seis ejecuciones en sesión limpia con prompts sobre GEO multilingüe (13 y 17 de agosto de 2026)

// compartir

LinkedInXReddit

Cómo citar esta página

Puedes citar y reutilizar el contenido indicando la autoría y enlazando esta página.

“«¿Qué LLM usan?»: por qué es la pregunta equivocada” — GET-GEO.AI, 2026-11-18. https://get-geo.ai/es/guides/model-vs-harness