Lo que un buscador de inteligencia artificial necesita saber antes de recomendarte

Por Ricard Menor — SOLID SEO Management Services

Tu empresa es invisible para la IA, un problema real

Empecemos por algo que no tiene nada que ver con tecnología.

Existe una clase de verdad que no necesita demostración. Que dos más dos son cuatro. Que el todo es mayor que cualquiera de sus partes. Que si A es igual a B, y B es igual a C, entonces A es igual a C.

Los filósofos llaman a estas verdades axiomas¹: puntos de partida tan evidentes que sirven de suelo firme para construir razonamientos más complejos encima.

Cuando razonamos a partir de axiomas —cuando los combinamos con hechos conocidos y extraemos conclusiones— estamos haciendo algo que los seres humanos aprendimos hace miles de años y que la lógica formal sistematizó: inferir verdades a partir de verdades.

Esto parece abstracto. Pero tiene consecuencias muy concretas en el mundo en que vivimos hoy.

Por qué la inteligencia artificial no razona como tú

Los grandes modelos de lenguaje —ChatGPT, Gemini, el Copilot de Microsoft— hacen algo sorprendente: hablan. Generan texto fluido, coherente, aparentemente razonado. Pero su mecanismo interno no tiene nada que ver con axiomas ni con inferencia lógica.

Funcionan por probabilidad estadística. Han consumido cantidades ingentes de texto humano y han aprendido qué palabras suelen aparecer juntas, en qué orden, con qué frecuencia. Cuando les preguntas por una empresa, no «buscan» esa empresa en un registro. Predicen qué respuesta estadísticamente parece más correcta basándose en patrones de su entrenamiento.

Eso significa que si tu empresa aparece poco en internet, o de forma inconsistente, la inteligencia artificial no sabe qué eres. Puede confundirte con otra empresa, inventar tu dirección, mezclar tus servicios con los de un competidor. No lo hace con mala intención: simplemente rellena el vacío con lo que estadísticamente parece probable.

En lógica, diríamos que le faltan las premisas. Los hechos de partida verificados sobre los que construir una conclusión fiable.

El problema de la notabilidad

Existe un lugar donde los motores de inteligencia artificial sí encuentran premisas verificadas: Wikipedia. Las grandes enciclopedias digitales, los registros oficiales, las bases de datos académicas. Fuentes que los sistemas han aprendido a considerar fiables porque son verificables, neutrales y consistentes.

El problema es que Wikipedia tiene un criterio de entrada muy exigente: la notabilidad. Para que una empresa, persona o lugar tenga su propia entrada, debe haber sido cubierta de forma significativa por fuentes independientes. Una multinacional, una institución pública, un científico de renombre: sí. Una empresa local con veinte años de historia impecable en su sector: no.

El resultado es una paradoja. Las inteligencias artificiales son cada vez más el primer punto de contacto entre un usuario y una recomendación de negocio. Pero solo recomiendan con confianza lo que pueden verificar. Y solo pueden verificar lo que está en las fuentes que consideran fiables. Las pymes, por construcción, están fuera de esas fuentes.

No porque no sean reales. Sino porque nadie ha construido para ellas un suelo firme donde las inteligencias artificiales puedan apoyarse.

Qué es el Descriptor Semántico Homogéneo (DSH)

El Descriptor Semántico Homogéneo (DSH)^™ nació en 2016 para responder exactamente a este problema, aunque en aquel momento desde un ángulo distinto: la necesidad de dar soporte semántico al grafo de conocimiento de una startup de biotecnología preclínica en Barcelona. Un dominio tan especializado y tan verificable que las herramientas convencionales no eran suficientes.

Lo que surgió de esa experiencia fue un principio que desde entonces ha demostrado funcionar en sectores muy distintos: la verdad más robusta no es la que se declara, sino la que emerge de la relación entre verdades más pequeñas.

DSH es un espacio de nombres —un namespace, en términos técnicos— donde las entidades del mundo real reciben una dirección única, permanente y accesible en la web. Una organización. Una persona. Un lugar. Un concepto. Cada uno con su propia entrada, su propio identificador, sus propias propiedades documentadas.

Pero la clave no está en las entidades aisladas. Está en lo que ocurre cuando se relacionan.

Cómo se construye la verdad a partir de relaciones

Tomemos un ejemplo concreto. La Cambra de Comerç de Barcelona es una organización. Barcelona es una ciudad. Ambas existen como entidades en DESCRIPTOR, el registro público donde DSH se materializa.

Consideradas por separado, cada una de estas entidades es un hecho verificado. Tienen sus propiedades documentadas: nombre, tipo, ubicación, historia. Son premisas sólidas.

Pero cuando la Cambra de Barcelona se relaciona con Barcelona mediante el predicado «está ubicada en», algo más ocurre. La relación misma se convierte en un tercer hecho verificable. Y ese tercer hecho refuerza la verdad de ambas entidades, porque la coherencia entre ellas no puede ser accidental.

Una organización que no existe no puede estar ubicada en una ciudad real. Una ciudad que no existe no puede albergar una organización real. Cuando ambas se sostienen mutuamente, la inteligencia artificial encuentra exactamente el tipo de estructura que necesita: no una afirmación aislada, sino un tejido de hechos que se verifican entre sí.

Esto es lo que en lógica se llama propiedad transitiva aplicada al conocimiento. Si SOLID SEO opera en Barcelona, y Ricard Menor dirige SOLID SEO, entonces Ricard Menor está asociado a Barcelona. Ninguna de estas conclusiones necesita ser declarada explícitamente: emergen de la estructura de relaciones que DSH documenta.

Lo que DSH no es

DSH no es un motor de razonamiento. No interpreta ni valida en tiempo real. No intercepta las respuestas de una inteligencia artificial para corregirlas.

Es algo más parecido a lo que hace un registro de la propiedad, o un censo. Documenta lo que existe, cómo se relaciona con otras cosas que existen, y lo hace de una manera que cualquier sistema —humano o máquina— pueda consultar directamente.

Cuando una inteligencia artificial encuentra una entidad registrada en DESCRIPTOR, puede dereferenciarla: seguir su dirección y encontrar las propiedades y relaciones que la definen. No tiene que adivinar. No tiene que calcular probabilidades. Tiene acceso a las premisas verificadas que le permiten llegar a conclusiones fiables.

El alcance modesto de un proyecto necesario

DSH no aspira a ser Wikipedia. No pretende cubrir todo el conocimiento humano ni competir con bases de datos de escala global.

Su propósito es más preciso: proporcionar a organizaciones, personas, lugares y conceptos que no tienen acceso a las grandes fuentes de verificación un espacio formal donde existir de manera verificable para las inteligencias artificiales que hoy median entre los usuarios y las recomendaciones.

Para una empresa que lleva décadas operando con rigor, que tiene una dirección real, unos servicios reales, unos clientes reales, el único problema a menudo es que nadie ha construido todavía ese suelo semántico. Nadie ha documentado sus relaciones de una manera que los sistemas actuales puedan leer y confiar.

Eso es lo que DSH ofrece. No visibilidad fabricada. No trucos de posicionamiento. Un registro honesto de lo que algo es y de cómo se relaciona con lo que le rodea, expresado en el lenguaje que las máquinas de este momento entienden como verdad.

Ricard Menor es consultor SEO y creador del Descriptor Semántico Homogéneo (DSH). La definición formal del framework se publica en https://descriptor.es/concept/dsh/