Medir tu presencia en los modelos de IA ya no es un ejercicio teorico. In the Weights, una web creada por dos ex-empleados de OpenAI, consulta directamente a GPT, Claude, Gemini y otros modelos para calcular como de bien recuerdan a una persona sin recurrir a busqueda web. El resultado es una puntuacion de «fuerza» que refleja cuanta informacion sobre alguien quedo grabada en los parametros del modelo durante su entrenamiento. La herramienta nace de una observacion concreta: cada vez mas gente pregunta a un chatbot quien eres antes que a Google.
Que ha pasado y por que importa
In the Weights mide la presencia en los modelos de IA de una persona interrogando a varios LLM sin permitirles buscar en internet. Es una distincion clave: en lugar de comprobar que dice la web sobre alguien, comprueba que recuerda el modelo por si mismo, es decir, que informacion quedo fijada en sus pesos durante el entrenamiento. A partir de esas respuestas asigna una puntuacion de fuerza que ordena a las personas consultadas en un ranking.
Los datos publicados ilustran el funcionamiento. El actor Macaulay Culkin lidera actualmente la clasificacion con 988 puntos. El periodista Anthony Ha obtuvo 641, lo que le situa en el 6% superior de los nombres consultados. La herramienta consulta modelos de distintos proveedores —GPT, Claude, Gemini y otros— para que la nota no dependa de un unico sistema.
El contexto que explica su aparicion es el desplazamiento del trafico desde el buscador tradicional hacia los chatbots. Si muchas personas ya obtienen informacion sobre otras preguntando a un LLM en vez de escribiendo en Google, lo que el modelo «sabe» de ti deja de ser una curiosidad y se convierte en una capa nueva de reputacion. In the Weights pone numero a algo que hasta ahora era invisible.
Implicaciones tecnicas de medir tu presencia en los modelos de IA
Lo interesante de medir la presencia en los modelos de IA sin busqueda web es que aisla el conocimiento parametrico. Un LLM aprende durante el entrenamiento y comprime una parte de esa informacion en sus pesos. Cuando se le pregunta por alguien sin darle acceso a internet, su respuesta solo puede venir de ahi. Por eso la puntuacion de fuerza es, en la practica, una estimacion de cuanta huella dejo una persona en los datos de entrenamiento de cada modelo.
Esto tiene matices importantes. La memoria de un modelo no es estable: depende de la fecha de corte de sus datos, de cuanto material existia sobre esa persona y de como cada proveedor filtra y pondera la informacion. Por eso consultar varios modelos a la vez tiene sentido, ya que cada uno fue entrenado con corpus y criterios distintos.
Tambien expone un problema conocido: las alucinaciones. Un modelo puede afirmar con seguridad datos incorrectos sobre una persona poco representada en su entrenamiento. Una puntuacion baja no solo significa anonimato, sino mayor riesgo de que el modelo invente detalles cuando alguien pregunte. Medir la presencia en los modelos de IA es, en el fondo, medir tambien donde es mas probable que la maquina se equivoque.
Como pueden aplicar esto las empresas hoy
Para una empresa, la utilidad inmediata de medir la presencia en los modelos de IA es de monitorizacion reputacional. Si tus clientes empiezan a preguntar a un chatbot por tu marca, tus directivos o tus productos antes de buscar en Google, conviene saber que responden esos modelos por defecto. Una herramienta como In the Weights sirve para una primera foto: comprobar si los LLM tienen informacion correcta, desactualizada o directamente inexistente sobre las personas y nombres clave del negocio.
El siguiente paso es accionable y no requiere inversion alta: asegurarse de que existe informacion publica, clara y verificable sobre la empresa en fuentes que los modelos suelen ingerir. No se trata de «hackear» el ranking, sino de reducir el riesgo de que un modelo invente datos por falta de material fiable. Lo que conviene evitar es tratar la puntuacion como una metrica de exito: una nota alta no equivale a buena reputacion, solo a mayor cantidad de datos memorizados, que pueden ser erroneos. Para una PYME, el ROI realista esta en detectar errores graves —confusiones de identidad, datos falsos— antes de que un cliente los reciba de un chatbot.
Analisis Blixel
Conviene separar lo util de lo anecdotico. El ranking de famosos, con Culkin a la cabeza, es el gancho mediatico, pero lo verdaderamente relevante es la idea de fondo: el conocimiento que un modelo guarda sobre alguien empieza a funcionar como una reputacion paralela, fuera de tu control y dificil de auditar. Eso si merece atencion de cualquier empresa que dependa de su imagen.
Dicho esto, no hay que sobredimensionar la herramienta. Una puntuacion de fuerza es una metrica indirecta y opaca: no sabemos exactamente como se calcula, los modelos cambian con cada version y la nota puede subir o bajar sin que nadie haga nada. Tratar ese numero como un KPI seria un error clasico de confundir lo medible con lo importante. Su valor real es diagnostico, no operativo.
El riesgo de fondo no es quedar bajo en un ranking, sino que un modelo afirme cosas falsas con tono de certeza sobre tu marca o tus directivos. Ahi es donde una empresa debe poner el foco: verificar que dicen los LLM y corregir errores en las fuentes que esos modelos consumen. La aparicion de utilidades como esta confirma una tendencia que ya no es opinable: parte de la conversacion sobre quien eres ocurre dentro de un chatbot, y conviene saber que se esta diciendo.
Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido comun. Hablemos.
Deja una respuesta