Cómo "saben" cosas los modelos de IA: entrenamiento, RAG y qué significa para tu web

Cuando alguien le pregunta a ChatGPT, Gemini, Claude o Perplexity algo sobre una empresa, un producto o un evento reciente, está pasando una de estas dos cosas: el modelo responde con lo que “recuerda” de su entrenamiento, o el sistema sale a buscar información antes de responder. Son mecanismos distintos, con implicaciones distintas para quien gestiona una web.

No es un detalle técnico menor. Si no sabes cuál de los dos está en juego en cada caso, es fácil sacar conclusiones equivocadas sobre por qué una IA cita —o ignora— tu web.

Dos formas distintas de “saber”

Conocimiento paramétrico: lo que el modelo aprendió durante el entrenamiento

Un modelo de lenguaje se entrena con una enorme cantidad de texto hasta una fecha determinada, llamada fecha de corte del entrenamiento (knowledge cutoff). A partir de ese proceso, el modelo codifica patrones y asociaciones sobre el mundo en sus parámetros internos: no guarda páginas web como una base de datos, sino algo más parecido a una comprensión estadística de conceptos y relaciones.

Esto tiene una consecuencia directa: si algo cambió, se publicó o se anunció después de esa fecha de corte, el modelo no lo sabe por sí solo. Tampoco “aprende” nada nuevo entre una respuesta y otra a menos que se le entrene de nuevo o se le publique una versión más reciente.

Cada proveedor gestiona sus versiones y fechas de corte de forma distinta, y esa información cambia con cada lanzamiento. Lo relevante para GEO no es memorizar una fecha concreta de un modelo —quedaría desactualizada en meses—, sino asumir que siempre existe un límite temporal en lo que un modelo puede saber solo por entrenamiento.

Recuperación en tiempo real: cuando el modelo sale a buscar

Para superar esa limitación, los principales asistentes de IA combinan el modelo de lenguaje con un sistema de búsqueda o navegación. Esto se conoce habitualmente como RAG (retrieval-augmented generation, generación aumentada por recuperación): antes de responder, el sistema busca información actualizada —en un índice de búsqueda propio o navegando la web— y se la pasa al modelo como contexto para que redacte la respuesta con esa base.

OpenAI documenta esta capacidad en la búsqueda de ChatGPT, Google la explica para las fuentes que aparecen junto a las respuestas de Gemini, y Anthropic ha descrito públicamente cómo Claude puede buscar en la web cuando la pregunta lo requiere. Perplexity, por su parte, está construido desde el origen alrededor de este principio: cada respuesta parte de una búsqueda.

La diferencia práctica es esta: cuando un modelo responde solo con conocimiento paramétrico, tu web no puede influir en esa respuesta a menos que ya formara parte de los datos de entrenamiento. Cuando el sistema hace una búsqueda en tiempo real, tu web sí puede aparecer como fuente en el momento de la consulta, igual que ocurre con los factores que hacen que una IA cite o recomiende una web.

Por qué un mismo asistente a veces busca y a veces no

Es habitual asumir que “ChatGPT ya busca en internet” o que “Gemini siempre está actualizado”, sin más matices. En la práctica, la mayoría de los sistemas deciden caso por caso si necesitan buscar:

• Preguntas sobre hechos estables (“¿qué es el IVA?”) pueden responderse solo con conocimiento entrenado.
• Preguntas sobre algo reciente, cambiante o específico de una entidad concreta (“¿qué opiniones tiene esta clínica?”, “¿qué precio tiene ahora este servicio?”) tienden a disparar una búsqueda.
• El modo o producto también importa: no es lo mismo la conversación estándar de un asistente que un modo de búsqueda explícito, o que los AI Overviews y el modo IA de Google, que están construidos sobre los sistemas de búsqueda de Google.

Esto explica un fenómeno que suele generar confusión: dos capturas de pantalla de la “misma IA” respondiendo a preguntas parecidas pueden estar usando mecanismos completamente distintos por debajo.

Qué significa esto para el contenido de tu web

1. La fecha de publicación y actualización deja de ser un detalle administrativo

Si un sistema de recuperación decide qué fuentes mostrar en el momento de la consulta, una página que indica con claridad cuándo se publicó y cuándo se revisó por última vez da una señal de vigencia que una página sin fechas no puede dar. Esto no significa que haya que actualizar todo constantemente: significa evitar que información con fecha de caducidad —precios, normativa, versiones de producto, estadísticas— se presente sin ningún indicio temporal, como ya se explicaba al hablar de la actualidad como factor de citación.

2. Ser “nuevo” no sirve de nada si no eres rastreable

Que un sistema pueda buscar en tiempo real no significa que vaya a encontrar tu página. Antes tiene que poder rastrearla e indexarla. Aquí conecta directamente con la parte más técnica del GEO: qué bots rastrean cada motor de IA y cómo configurar el robots.txt para no bloquear sin querer esa visibilidad.

3. El contenido evergreen tiene una ventaja distinta a la que parece

Un contenido bien fundamentado tiene más probabilidades de sobrevivir como conocimiento paramétrico en futuras versiones de un modelo —si llegara a formar parte de datos de entrenamiento— y, al mismo tiempo, sigue siendo recuperable en búsquedas en tiempo real mientras se mantenga actualizado. No son estrategias contradictorias: una web sólida trabaja para ambos escenarios a la vez, sin necesidad de elegir uno.

4. No puedes “corregir” lo que ya aprendió un modelo

Si un modelo entrenó con información desactualizada o incorrecta sobre una empresa, publicar la corrección hoy no reescribe lo que ya aprendió en su fase de entrenamiento. Lo que sí puede ocurrir es que, en una consulta que dispare una búsqueda en tiempo real, la información corregida y bien señalizada tenga opciones de aparecer y matizar esa respuesta. Es una razón más para no depender de una sola vía de visibilidad.

Lo que no deberías dar por hecho

• No existe una forma de saber, desde fuera, si una respuesta concreta de una IA salió de conocimiento entrenado o de una búsqueda en tiempo real, salvo que el propio sistema muestre sus fuentes.
• Que una IA “no busque” en una respuesta puntual no significa que nunca vaya a hacerlo: depende de la pregunta, el producto y el momento.
• Ninguna práctica garantiza que un contenido llegue a formar parte de un futuro entrenamiento. Los proveedores no publican esa información con el detalle suficiente para tratarla como una vía controlable.

Una forma práctica de aplicarlo

En lugar de preguntarte si “esta IA está actualizada”, pregúntate:

En AnalisisGEO revisamos, entre otras cosas, si una web da señales claras de actualidad y si es técnicamente accesible para los rastreadores de IA, precisamente porque son condiciones necesarias para que la recuperación en tiempo real pueda hacer su trabajo.

Fuentes

• OpenAI — Búsqueda de ChatGPT
• Google Gemini — Ver fuentes relacionadas de las aplicaciones de Gemini
• Anthropic — Claude can now search the web
• Google Search Central — Optimizing your website for generative AI features on Google Search
• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — arXiv