Cómo los modelos de lenguaje a gran escala (LLM) están influyendo en la forma en que los compradores de identidad toman sus decisiones
Recientemente nos reunimos con Evan Bailyn, director ejecutivo de First Page Sage, la agencia líder en SEO como servicio (SaaS) de Estados Unidos. Con clientes como Salesforce, Verisign, Grammarly y Nerdwallet, la agencia de Evan lleva mucho tiempo siendo pionera en visibilidad en búsquedas orgánicas y, más recientemente, en la visibilidad impulsada por la inteligencia artificial.
A principios de 2023, poco después del lanzamiento de ChatGPT, Evan puso en marcha la disciplina de la Optimización de Motores Generativos (GEO), una evolución del SEO diseñada específicamente para la era de la IA generativa. También dirigió el primer estudio a gran escala sobre el algoritmo de ChatGPT, en el que se analizó cómo los modelos de lenguaje a gran escala (LLM) eligen qué empresas mostrar en sus respuestas. La GEO se basa en esa investigación para ayudar a las marcas a definir estratégicamente cómo aparecen en las respuestas generadas por la IA.
En nuestra conversación, Evan explicó cómo los modelos de lenguaje grande (LLM) están empezando a influir en las decisiones de compra en sectores regulados, como el de los servicios financieros, y qué deben saber los responsables de la identidad —gestores de fraude, responsables de cumplimiento normativo y equipos de compras— a la hora de utilizar estas herramientas para evaluar a los proveedores.
Microblink: Cada vez son más los compradores que recurren a herramientas como ChatGPT o Perplexity para buscar soluciones de verificación de identidad. Desde tu punto de vista, ¿cómo deberían enfocar los profesionales del cumplimiento normativo o de la lucha contra el fraude estos resúmenes generados por modelos de lenguaje grande (LLM)?
Evan: Con cautela, pero también con interés. Los modelos de lenguaje grande (LLM) son increíblemente rápidos y, a menudo, precisos en cuanto a la orientación. Si preguntas: «¿Qué proveedores de KYC tienen pocos falsos negativos?» o «¿Qué soluciones son las mejores para la verificación biométrica?», probablemente obtendrás una respuesta coherente y aparentemente útil. Pero lo que el modelo te ofrece es una síntesis de la información disponible públicamente, por lo que solo sabe lo que se le ha enseñado. Si el entorno de datos en torno a una empresa es escaso o inconsistente, incluso un proveedor líder en su sector podría quedar mal representado u omitido por completo.
Por eso recomiendo considerar las respuestas de los modelos de lenguaje grande (LLM) como una herramienta de primera aproximación, y no como un factor decisivo. Pueden acelerar la búsqueda de proveedores y poner de relieve factores diferenciadores útiles, pero su precisión depende totalmente de lo bien que las empresas hayan informado al ecosistema sobre lo que hacen.
Microblink: Por parte de Microblink, hemos invertido en publicar contenido técnico, en ser transparentes sobre nuestro proceso de verificación y en compartir datos de rendimiento siempre que sea posible. ¿Influye realmente ese tipo de esfuerzo en lo que aprenden los modelos?
Evan: Por supuesto que sí. Los modelos generativos aprenden a través de la exposición y la repetición en ámbitos de confianza. Así que, si publicas artículos explicativos de carácter técnico avanzado, si te citan en artículos de investigación o si te mencionan en resúmenes sobre cumplimiento normativo, eso crea una asociación entre tu marca y conceptos específicos como la detección de la presencia real o la precisión de las señales de fraude. Con el tiempo, el modelo empieza a considerar a tu marca como una autoridad en esas áreas.
Las empresas que obtienen mejores resultados en las respuestas de los modelos de lenguaje grande (LLM) suelen tener una huella semántica coherente. Esto significa que su mensaje es claro y está alineado tanto en sus propios contenidos como en la cobertura de terceros y en los comentarios de los expertos. Los modelos de lenguaje grande (LLM) detectan esa coherencia y la reflejan en sus respuestas.
Microblink: ¿Hasta qué punto se puede medir este tipo de influencia? ¿Puede una empresa saber si sus esfuerzos están dando realmente resultado?
Evan: Sí, y eso es lo que hace que el GEO sea tan interesante. A diferencia del SEO tradicional, en el que se realiza un seguimiento del posicionamiento de las palabras clave, aquí lo que se hace es probar las indicaciones. Se le plantean al modelo docenas de preguntas relevantes desde el punto de vista comercial, se registra si se menciona la marca y se analiza el enfoque. ¿Se te presenta como un innovador? ¿Como un proveedor más entre muchos? ¿Se incluyen tus elementos diferenciadores?
Establecemos unos puntos de referencia —por ejemplo, que tu marca aparezca en 3 de cada 50 sugerencias— y, a continuación, nos proponemos aumentar esa cifra mediante contenido específico y una publicación estratégica. Se trata de un ciclo de retroalimentación cerrado: el modelo es tanto el entorno de prueba como el resultado.
Microblink: ¿Qué consejo le darías a un responsable de la lucha contra el fraude o a un responsable de cumplimiento normativo que quiera hacer un uso responsable de la IA generativa a la hora de seleccionar proveedores?
Evan: En primer lugar, hay que conocer los límites de la herramienta. Considérala un canal complementario, no un sustituto de la diligencia debida. A continuación, busca proveedores que se hayan esforzado por ofrecer transparencia. Si una empresa invierte en la explicabilidad —publicando sus índices de falsos positivos, detallando sus métodos de protección de datos, compartiendo casos prácticos—, eso es una buena señal tanto para la confianza en el modelo como para tu propio proceso de selección.
Además, compara lo que indica el modelo con lo que encuentres en fuentes independientes. Si la respuesta incluye a Microblink, por ejemplo, y te llama la atención, investiga de dónde procede esa información. Los mejores compradores combinan la rapidez de la IA con la verificación humana.
Microblink: ¿Qué mensaje te gustaría que se llevaran consigo los compradores de identidad?
Evan: La IA generativa está cambiando la forma de investigar. Esto incluye la forma en que los compradores evalúan tecnologías complejas y reguladas, como la verificación de identidad. Si eres comprador, tu trabajo no consiste solo en escuchar lo que dice el modelo, sino en entender por qué ha respondido de esa manera. Esa conciencia te da una ventaja enorme a la hora de distinguir el marketing de la verdad.
