Un laboratorio de IA compra un lote de libros físicos antiguos, los destruye para poder escanearlos y se asegura así una fuente de datos «limpia», anterior a la avalancha de contenido generado por máquinas. El mismo tipo de empresa que hace esto vende, al mismo tiempo, herramientas de generación de contenido a escala a marcas y agencias. Son dos apuestas que van en direcciones opuestas dentro del mismo ecosistema: los laboratorios protegiéndose del contenido IA, la industria SaaS vendiéndolo como solución.
Esta contradicción, señalada por Pedro Dias en un artículo publicado en Search Engine Journal, sirve de punto de partida para hablar de algo más relevante para quien gestiona la estrategia de contenidos de una pyme: la diferencia entre memoria paramétrica y recuperación en tiempo real, y por qué esa diferencia explica mejor que cualquier watermark por qué el contenido producido en masa con IA no construye nada duradero.
El watermarking no es el problema que parece
Desde el 2 de agosto de 2026, los modelos de Claude lanzados por Anthropic incorporan una marca de agua en el texto generado, en cumplimiento del Código de Buenas Prácticas del AI Act europeo. Google ya lo hacía con SynthID para imagen, vídeo y audio, y OpenAI se ha comprometido a marcar las imágenes generadas por ChatGPT, Codex y su API. Ninguna de las dos compañías ha publicado cómo funciona la detección con el mismo detalle con el que anuncia el compromiso, algo que Dias compara con la opacidad histórica de Google en la detección de spam: el mecanismo nunca se explica, porque explicarlo es entregar el manual para evadirlo.
Mi opinión: como marketers, el watermarking en sí mismo no debería preocuparnos. Google lleva años repitiendo que le da igual si un contenido está escrito por una persona o generado por IA, siempre que resuelva la necesidad del usuario. Además, a los propios modelos les interesa esa distinción, porque necesitan evitar entrenarse en el futuro con su propio output, algo que ya está detrás de la compra de libros físicos que menciona el artículo.
El problema real no es técnico, es competitivo. Anthropic, OpenAI y Google han firmado el compromiso de marcar sus contenidos. Modelos como Grok o los principales modelos chinos no lo han hecho, y no tienen ninguna obligación regulatoria para hacerlo fuera de la UE. Si en algún momento Claude, ChatGPT o Google Search deciden penalizar o poner trabas a contenido marcado con su propia watermark, estarían regalando terreno a competidores que no juegan con esa restricción. Ningún laboratorio que ha firmado el manifiesto va a pegarse un tiro en el pie provocando una fuga de usuarios hacia quien no lo ha firmado. Es una asimetría real, pero hoy es más una tensión sin resolver que una penalización activa: ni Google ni Anthropic han confirmado que el contenido marcado se trate peor en resultados o respuestas.
La distinción que el artículo mezcla: memoria vs. citación
La parte más útil del artículo cita una investigación de geoSurge (empresa a la que el propio autor se ha unido, declarándolo abiertamente) sobre qué hace un modelo antes de buscar. Analizando nueve sectores y casi 4.000 respuestas de modelo, las marcas que ya estaban en el top-10 de memoria del modelo para una categoría aparecieron en sus búsquedas un 55,7% de las veces, frente al 17,4% de las marcas que el modelo no recordaba. Un estudio independiente de Google Research presentado en ICML, sobre más de 4 millones de respuestas evaluadas, muestra algo parecido desde otro ángulo: los modelos codifican entre el 95% y el 98% de los hechos con los que se les prueba, pero fallan en recuperar entre una cuarta parte y un tercio de ellos cuando se les pregunta sin ayuda de contexto. La conclusión de ambos estudios apunta a lo mismo: tener presencia en una respuesta de IA depende en gran medida de lo que el modelo «recuerda» haber aprendido, no solo de lo que encuentra al buscar.
Aquí es donde el artículo original mezcla dos mecanismos que conviene separar, y es la pregunta que más sentido tiene hacerse: si un contenido nunca entra en el corpus de entrenamiento de un modelo, ¿deja automáticamente de poder citarse en sus respuestas? No necesariamente. Son dos cosas distintas:
- Memoria paramétrica (entrenamiento): determina qué marcas se le «ocurre» buscar al modelo cuando responde a una consulta. Se construye con años de presencia consistente en el corpus.
- Recuperación en tiempo real (retrieval): determina qué se cita en la respuesta final, entre lo que el modelo encuentra buscando en el momento. Un modelo con acceso a búsqueda puede citar una página que nunca formó parte de su entrenamiento.
Un contenido generado con IA a escala puede seguir apareciendo citado vía retrieval, aunque no construya memoria de marca a largo plazo. Lo que no puede hacer es que el modelo «piense» en esa marca cuando nadie la ha buscado explícitamente, que es justo el mecanismo que explica por qué el contenido informacional genérico ha dejado de funcionar como palanca de visibilidad para una pyme.
Lo que esto significa para una pyme
La conclusión del artículo original es correcta, aunque con matices. Una marca con autoridad ya construida tiene el trabajo medio hecho: antes, una marca desconocida podía adelantar por la derecha a competidores reconocidos a base de inbound y volumen de contenido bien trabajado. Cada vez va a ser más difícil. Es la contrapartida incómoda de la «muerte del internet democrático» que llevamos años viendo: por un lado, tiene sentido que un sistema premie autoridad acumulada frente a cualquiera que sepa «trabajar bien el marketing» para vender un producto defectuoso. Por otro, una marca nueva hoy tiene que competir contra otras que llevan años construyendo esa memoria.
Esto no significa que haya que perseguir cada dato de share of voice o mención en IA como si fuera el indicador que hay que optimizar cada mes. Los propios estudios lo advierten: la investigación de geoSurge es de una empresa cuya tesis de negocio depende exactamente de que la memoria paramétrica importe, y acaba de cerrar una ronda de 12 millones de dólares apoyada en ese argumento. Eso no invalida los datos, pero sí obliga a leerlos con el mismo escepticismo con el que hay que leer cualquier estadística de un vendor con interés directo en el resultado.
La conclusión práctica se mantiene: si el contenido generado a escala con IA no entra en el corpus de entrenamiento, o entra pero no es recuperable sin contexto, no construye la memoria de marca que determina si un modelo piensa en ti sin que nadie te busque. Producir más contenido genérico con IA no compensa esa carencia. Construir marca, presencia consistente y autoridad reconocible sigue siendo la única palanca que funciona a medio plazo, y es precisamente la que ningún vendor de herramientas de contenido a escala puede venderte en una suscripción mensual.
