La pregunta práctica detrás de esta herramienta es algo que más desarrolladores deberían plantearse: si cada vez más personas recurren a ChatGPT, Claude o Gemini en lugar de Google para encontrar expertos, productos y empresas, ¿cómo se ve realmente tu presencia dentro de esos modelos? Un nuevo sitio, intheweights.com, te da una respuesta concreta al consultar múltiples LLMs simultáneamente y calificar qué tan consistentemente te reconocen.
El funcionamiento es sencillo. Ingresas un nombre o entidad, la herramienta envía consultas a varios modelos avanzados y más pequeños en paralelo, agrupa las respuestas por similitud y genera una puntuación de reconocimiento general. El paso de agrupación es importante: filtra el ruido y los artefactos de alucinaciones, dándote una señal más clara sobre si los modelos realmente tienen un conocimiento coherente de ti o simplemente generan resultados vagos y contradictorios.
¿Por qué importa ahora? Los datos de tráfico web muestran cada vez más visitas de referencia provenientes de asistentes de IA, mientras que las referencias de búsqueda tradicional se estancan o disminuyen en ciertos nichos. Si un modelo tiene representaciones débiles o inexactas de tu trabajo, eso se traduce directamente en oportunidades de descubrimiento perdidas: el equivalente en IA de aparecer en la página cinco de Google. Sin embargo, a diferencia del SEO, las palancas para influir en lo que termina "en los pesos" no son obvias e involucran cosas como presencia en publicaciones, patrones de citación y la calidad del contenido indexado públicamente.
Para desarrolladores y profesionales, el uso inmediato es hacer una auditoría de referencia. Busca tu nombre, tu empresa, tu producto. Nota cuáles modelos te reconocen bien y cuáles no saben nada o te confunden con otra persona. Esa brecha te dice dónde tu huella pública es débil y qué inversiones en contenido podrían mejorar tu representación en los modelos con el tiempo, particularmente en plataformas y formatos que los pipelines de entrenamiento tienden a priorizar.
La herramienta se construyó en pocas semanas como un proyecto secundario, lo que se nota en su alcance actual, pero el concepto subyacente es una infraestructura genuinamente útil para cualquiera que piense en serio sobre la detectabilidad en la era de la IA. Espera que esta categoría de "auditoría de presencia en LLM" evolucione hacia una disciplina propia a medida que la proporción de tráfico mediado por IA continúe aumentando.