Contexto de decisión para agentes de IA: de ser comparable a ser recomendable
El contexto de decisión para agentes de IA es la capa de información que permite evaluar cuándo, para quién y bajo qué condiciones una empresa, producto o servicio encaja con una necesidad concreta. No basta con que una entidad sea visible o legible por máquinas: para entrar en una recomendación debe poder ser entendida, verificada y comparada dentro de una situación real.
Definición de trabajo: el contexto de decisión reúne atributos, restricciones, temporalidad, evidencia y relaciones suficientes para que un agente pueda valorar la adecuación de una entidad a una tarea específica.
Este análisis desarrolla una función concreta de Agent-Ready Representation: el paso de ser comparable a ser recomendable. El foco no es describir toda la arquitectura ARR, sino explicar cómo una representación digital reduce la inferencia necesaria para que un agente determine si una alternativa merece entrar en consideración.
Google mantiene que los fundamentos de SEO siguen siendo relevantes para sus experiencias generativas y que no existe un schema especial que garantice aparecer en ellas. Por eso, esta propuesta no sustituye SEO, GEO o AEO: añade una capa de preparación para decisiones mediadas por agentes, sin prometer selección ni preferencia algorítmica.
De ser comparable a ser recomendable
Hasta este punto podríamos pensar que una empresa preparada para agentes necesita simplemente conseguir que su información sea correcta, estructurada, verificable y accesible.
Pero falta una variable fundamental.
El agente no toma decisiones en abstracto.
Las toma para alguien.
Ante una necesidad.
En un momento determinado.
Bajo determinadas restricciones.
Y posiblemente utilizando información acumulada sobre preferencias, objetivos y circunstancias de la persona para la que está actuando.
Eso introduce una dimensión que considero fundamental para entender el verdadero alcance de Agent-Ready Representation:
el contexto de decisión.
Una empresa puede estar perfectamente representada y no ser la opción adecuada
Dentro del framework ARR trabajamos con siete estados:
Discoverable → Identifiable → Understandable → Verifiable → Comparable → Recommendable → Actionable.
Estos siete estados siguen siendo la arquitectura canónica.
Pero existe una operación crítica entre dos de ellos.
Entre Comparable y Recommendable, el agente tiene que responder:
¿Cuál de estas alternativas encaja mejor con esta necesidad concreta?
A esa evaluación podemos llamarla Contextual Fit.
No significa que debamos añadir un octavo estado a ARR.
Es más preciso entenderla como la función que transforma información comparable en una recomendación contextual.
La secuencia queda así:
Comparable → Contextual Fit → Recommendable
Y esa diferencia es enorme.
Una empresa no necesita ser “la mejor empresa” en términos absolutos.
Necesita estar representada con suficiente precisión para que un agente pueda saber cuándo es la opción adecuada, para quién y bajo qué condiciones.
De la relevancia para una query a la adecuación para una persona
Durante buena parte de la historia del SEO intentamos responder:
¿Esta página es relevante para esta consulta?
Con la llegada de los sistemas generativos apareció otra pregunta:
¿Esta entidad es suficientemente relevante y confiable para formar parte de la respuesta?
Los agentes personales introducen una tercera:
¿Esta entidad es adecuada para esta persona en este contexto?
Ese cambio es mucho más profundo de lo que parece.
Un asistente persistente puede disponer potencialmente de contexto sobre consultas anteriores, preferencias conocidas, objetivos y circunstancias del usuario. El resultado ya no tiene por qué construirse únicamente alrededor de las palabras introducidas en una búsqueda concreta.
Pensemos en una petición sencilla:
“Encuentra un hotel para mi viaje a Madrid.”
Un buscador puede interpretar:
hotel + Madrid.
Un agente con contexto puede interpretar:
“Busca un hotel en Madrid para una persona que viaja con dos niños, prefiere zonas tranquilas, no quiere alquilar coche, necesita desayuno temprano, valora habitaciones amplias y tiene un presupuesto determinado.”
El mercado considerado es el mismo.
La decisión no.
El ejemplo de dos hoteles igualmente agent-ready
Imaginemos dos hoteles.
Los dos tienen:
- identidad perfectamente definida;
- ubicaciones inequívocas;
- precios accesibles;
- habitaciones estructuradas;
- políticas actualizadas;
- reviews verificables;
- disponibilidad;
- una interfaz que permite reservar.
Los dos son técnicamente buenos candidatos para ARR.
Pero sabemos además que el usuario:
- viaja con un bebé;
- necesita cuna;
- quiere evitar calles ruidosas;
- aterriza tarde;
- necesita recepción 24 horas;
- quiere desplazarse andando;
- no desea superar cierto presupuesto.
Ahora aparecen atributos completamente diferentes.
Un hotel puede ser superior en reputación general y, sin embargo, ser peor opción para esa tarea.
El agente necesita calcular adecuación contextual.
Y solo puede hacerlo utilizando aquello que las organizaciones hayan representado de forma suficientemente clara.
Esto introduce un nuevo principio:
una representación digital no debería limitarse a explicar qué es una empresa. También debería permitir entender para qué situaciones resulta adecuada.
El futuro de la recomendación es contextual
El artículo sobre intimidad artificial añade aquí una pieza especialmente importante.
El journey digital tradicional podía representarse como:
Necesidad
→ búsqueda
→ resultados
→ páginas
→ comparación
→ decisión
Los asistentes pueden comprimir ese proceso:
Necesidad
→ conversación privada
→ síntesis
→ recomendación
→ acción.
La diferencia estratégica es enorme.
Una SERP expone alternativas.
Una conversación privada puede reducirlas.
En Google, una empresa puede ocupar la posición cuatro y seguir siendo visible.
En una interfaz agéntica que responde:
“Por lo que sé de ti, estas son las dos opciones que elegiría”,
es posible que las demás entidades ni siquiera aparezcan ante el usuario.
Ahí dejamos de competir únicamente por visibility.
Empezamos a competir por consideration.
Del ranking al agent consideration set
Este concepto merece incorporarse directamente a ARR:
Agent Consideration Set
Es el conjunto de entidades que un agente considera suficientemente:
- relevantes;
- comprensibles;
- verificables;
- comparables;
- adecuadas;
como para incluirlas dentro de una decisión concreta.
Una marca puede existir dentro del conocimiento general del modelo y no entrar en ese conjunto.
Puede ser descubierta, pero descartada.
Puede ser correctamente identificada, pero resultar difícil de comparar.
Puede ser comparable, pero carecer de atributos suficientes para demostrar su adecuación.
Puede ser adecuada, pero no proporcionar suficientes señales para justificar una recomendación.
Por eso la progresión real no debería interpretarse como:
“¿Me conoce la IA?”
Sino como:
¿Me descubre?
→ ¿sabe quién soy?
→ ¿me comprende?
→ ¿puede verificarme?
→ ¿puede compararme?
→ ¿encajo con esta necesidad?
→ ¿puede justificar recomendarme?
→ ¿puede actuar conmigo?
Ese recorrido describe mucho mejor la competencia que viene.
Qué información necesita el Contextual Fit
La consecuencia práctica es clara.
Si queremos que un agente pueda determinar adecuación, debemos representar elementos que históricamente muchas empresas han dejado implícitos.
1. Adecuación
La representación debería permitir comprender:
- para quién está pensado un producto;
- qué problema resuelve;
- qué casos de uso encajan especialmente bien;
- qué necesidades puede cubrir;
- qué tipo de cliente obtiene mayor valor.
Y también algo que normalmente evitamos en marketing:
para quién no es adecuado.
Cuanto más clara sea esa frontera, menos inferencia necesita realizar el agente.
2. Restricciones
Un agente puede necesitar conocer:
- geografías atendidas;
- requisitos;
- disponibilidad;
- presupuesto;
- capacidad;
- límites;
- mínimos;
- condiciones contractuales;
- elegibilidad.
Una empresa que oculta esta información detrás de frases ambiguas dificulta la selección.
3. Preferencias y atributos
Muchas decisiones no se toman alrededor de categorías generales.
Se toman alrededor de atributos.
Por ejemplo:
“Necesito un restaurante.”
dice poco.
“Necesito un restaurante tranquilo, apto para una conversación de negocios, con opciones vegetarianas, cerca del centro y abierto después de las 22:00.”
define una tarea completamente diferente.
Una representación rica en atributos permite al agente realizar esa transición.
4. Temporalidad
El contexto cambia.
Por eso ARR también necesita representar:
- disponibilidad;
- vigencia;
- temporada;
- inventario;
- horarios;
- tiempos de entrega;
- ventanas de servicio;
- cambios temporales.
Una afirmación puede ser correcta y estar desactualizada.
Para un agente que debe actuar ahora, ambas cosas terminan produciendo el mismo problema.
5. Trade-offs
Esta puede convertirse en una de las características más importantes del contenido agent-ready.
Las decisiones reales rara vez tienen una opción dominante en todas las variables.
Una alternativa puede ser:
más cara, pero más rápida.
Otra:
más económica, pero menos flexible.
Otra:
más lejana, pero mejor especializada.
Otra:
más sencilla, pero con menor riesgo.
El agente necesita comprender esos trade-offs.
Por eso el contenido debería explicar no solo beneficios, sino condiciones y compromisos.
La representación útil para agentes debe parecerse menos a un catálogo de superlativos y más a una descripción precisa de la realidad.
La autoridad también se vuelve contextual
Este cambio afecta incluso a nuestro concepto de verificabilidad.
La autoridad general sigue siendo importante.
Pero la pregunta de un agente puede no ser:
“¿Es confiable este hotel?”
Puede ser:
“¿Existe evidencia confiable de que este hotel es realmente accesible para una persona en silla de ruedas?”
No es lo mismo.
Podemos tener:
- miles de reviews;
- fuerte autoridad de dominio;
- cobertura en medios;
- reconocimiento de marca;
y no disponer de evidencia sobre el atributo que importa para esa decisión.
Por eso deberíamos distinguir:
Authority
de
Contextual Evidence.
La primera ayuda a establecer confianza general.
La segunda ayuda a justificar una decisión particular.
Esta distinción conecta directamente con uno de los principios de GOA:
External corroboration.
La propia marca no debería ser la única fuente de las afirmaciones relevantes sobre sí misma.
Del contenido persuasivo al contenido decisional
Todo esto también cambia cómo deberíamos pensar el contenido.
Durante años escribimos páginas que decían cosas como:
“Somos líderes.”
“Ofrecemos la mejor calidad.”
“Soluciones personalizadas.”
“Servicio excepcional.”
Para un agente, buena parte de ese lenguaje tiene poco valor decisional si no está acompañado por atributos observables.
Un agente necesita saber:
- qué haces exactamente;
- dónde;
- para quién;
- cuánto cuesta;
- qué incluye;
- qué excluye;
- bajo qué condiciones;
- qué evidencia existe;
- qué alternativas hay;
- cuándo deberías ser elegido.
Esto no significa eliminar la persuasión.
Significa construir contenido persuasivo sobre una base factual suficientemente rica para soportar decisiones.
En nuestra experiencia desarrollando la doctrina de ARR, esta distinción se vuelve cada vez más importante:
el contenido no solo debe responder preguntas. Debe reducir la cantidad de inferencia necesaria para que un agente tome una decisión correcta.
Decision Context Layer
Podemos formalizar esta idea mediante una capa transversal:
Decision Context Layer
Definición de trabajo:
La Decision Context Layer es la dimensión de una Agent-Ready Representation que proporciona atributos, condiciones, restricciones, temporalidad, evidencia y relaciones suficientes para que un agente pueda evaluar la adecuación de una entidad a una tarea y contexto específicos.
Su pregunta fundamental es:
¿Contiene la representación suficiente información para determinar cuándo, para quién y bajo qué condiciones debería considerarse esta entidad?
No sustituye ninguna de las seis capas técnicas de ARR.
Las atraviesa.
Entity Layer
El contexto necesita saber exactamente qué entidad está evaluando.
Knowledge Graph Layer
Necesita comprender relaciones entre productos, servicios, ubicaciones, personas, capacidades y condiciones.
Semantic Content Layer
Necesita atributos, explicaciones, casos de uso, restricciones y trade-offs.
Authority & Verification Layer
Necesita evidencia sobre los atributos relevantes para la decisión.
Machine Interface Layer
Necesita poder obtener esa información de manera consistente.
Agent Action Layer
Finalmente, el contexto determina qué acción es posible y apropiada.
Por eso Decision Context funciona mejor como capa transversal que como una séptima infraestructura técnica.
Una nueva forma de entender Recommendable
Con esta incorporación podemos mejorar la definición práctica de Recommendable.
Antes:
Existen suficientes señales de relevancia, autoridad, reputación, confianza y adecuación para que el agente pueda justificar una recomendación.
Ahora podemos precisar:
Recommendable es el estado en el que una entidad dispone de suficiente relevancia, autoridad, evidencia y contextual fit para que un agente pueda justificar su selección para una tarea concreta.
No prometemos que será seleccionada.
Mucho menos que un agente determinado la preferirá.
Lo que hacemos es construir las condiciones para que pueda formar parte legítimamente de esa decisión.
Eso mantiene intacta una restricción fundamental del framework GOA: ARR no debe presentarse como una garantía de preferencia algorítmica mientras no exista evidencia experimental reproducible que permita sostenerla.
De la economía de la atención a la economía de la recomendación
Aquí ARR conecta con una transformación todavía mayor.
Durante años, la economía digital estuvo organizada alrededor de capturar atención.
Las empresas competían por:
- impresiones;
- clics;
- posiciones;
- visualizaciones;
- tiempo de permanencia.
Los agentes pueden desplazar parte de esa competencia hacia otra variable:
ser considerados dentro de una decisión delegada.
El artículo sobre intimidad artificial lleva la tesis un paso más allá: un asistente persistente puede participar en una relación acumulativa con el usuario y adaptar una recomendación utilizando historia y contexto personal. Esto puede otorgar a la recomendación privada un papel distinto al de un anuncio o un resultado genérico.
Eso crea una consecuencia extraordinariamente importante para las empresas:
la próxima batalla digital puede no ser simplemente por conseguir que una persona nos vea. Puede ser por conseguir que nuestra representación forme parte del conocimiento que un agente utiliza cuando decide qué mostrarle.
No se trata de manipular al agente
Esta idea necesita una frontera ética clara.
Agent-Ready Representation no debería intentar descubrir cómo manipular una relación privada entre usuario y agente.
No buscamos:
“¿Cómo engañamos al sistema para que nos recomiende?”
La pregunta correcta es:
¿Cómo proporcionamos una representación suficientemente precisa, verificable y contextual para que un agente pueda evaluarnos correctamente?
La diferencia es fundamental.
Una estrategia intenta explotar el intermediario.
La otra intenta mejorar la calidad de la información disponible para la decisión.
El propio análisis sobre intimidad artificial identifica riesgos cuando la ayuda, la persuasión y los incentivos económicos se mezclan dentro de una relación percibida como neutral; también plantea la importancia de que los usuarios puedan cuestionar las recomendaciones y comprender los criterios que intervienen en decisiones relevantes.
Para ARR esto refuerza principios que ya estaban presentes en nuestra doctrina:
Evidence-first.
External corroboration.
Human + machine parity.
Governance by design.
El nuevo modelo completo
Con esta integración, podemos representar Agent-Ready Representation mediante tres niveles.
Nivel 1 — Infraestructura
Entity Layer
→ Knowledge Graph Layer
→ Semantic Content Layer
→ Authority & Verification Layer
→ Machine Interface Layer
→ Agent Action Layer
Nivel 2 — Capacidad del agente
Discoverable
→ Identifiable
→ Understandable
→ Verifiable
→ Comparable
→ Recommendable
→ Actionable
Nivel 3 — Decisión
Entre comparación y recomendación aparece:
Contextual Fit
Y alrededor del proceso opera:
Decision Context Layer
El modelo completo puede visualizarse así:
REPRESENTATION
Entity + Graph + Content + Authority + Interfaces
↓
UNDERSTANDING
Discoverable → Identifiable → Understandable → Verifiable
↓
EVALUATION
Comparable
↓
CONTEXTUAL FIT
¿Es adecuada esta entidad
para esta persona, tarea, momento y restricciones?
↓
SELECTION
Recommendable
↓
EXECUTION
Actionable
Esta arquitectura explica algo que una definición convencional de “agent-friendly website” no alcanza a contener.
No estamos preparando solamente una página.
Estamos preparando una representación de la organización para participar en decisiones ejecutadas o mediadas por agentes.
La tesis final de ARR se vuelve más fuerte
Con esta nueva dimensión podemos expresar nuestra posición de forma mucho más precisa:
Agent-Ready Representation no consiste simplemente en conseguir que una inteligencia artificial conozca una empresa. Consiste en construir una representación suficientemente clara, conectada, verificable y contextual para que un agente pueda determinar quién es, qué ofrece, cuándo resulta adecuada, por qué puede confiar en ella y qué acción puede ejecutar.
Y podemos resumir la evolución completa en cuatro líneas:
Visible para humanos.
Comprensible para máquinas.
Evaluable en contexto.
Accionable por agentes.
La tercera línea es la que faltaba.
Cómo implementar contexto de decisión para agentes de IA
La implementación comienza en la información, no en una herramienta. Una empresa debe identificar las decisiones en las que espera ser considerada y documentar los atributos que un agente necesitaría para evaluar cada caso con precisión.
- Definir las decisiones prioritarias. Especificar las tareas, necesidades y perfiles para los que la oferta puede ser pertinente.
- Modelar la entidad y su oferta. Mantener nombres, relaciones, ubicaciones, productos, servicios y responsables sin contradicciones.
- Expresar adecuación y límites. Declarar casos de uso, requisitos, exclusiones, cobertura, capacidad, precios o rangos cuando corresponda.
- Conectar evidencia. Relacionar cada afirmación importante con fuentes propias y corroboración externa pertinente.
- Gobernar la temporalidad. Asignar responsables, fuentes de verdad y frecuencias de actualización a los datos que cambian.
- Exponer interfaces útiles. Usar contenido textual, datos estructurados, APIs o herramientas cuando ayuden a recuperar información y ejecutar acciones de forma controlada.
- Probar escenarios. Evaluar si diferentes agentes pueden descubrir, interpretar, contrastar y utilizar la información sin inventar los datos que faltan.
Los activos digitales preparados para IA aportan la base gobernada. La optimización para motores generativos y la optimización para motores de respuesta trabajan la recuperación y la citabilidad. El contexto de decisión añade las condiciones necesarias para evaluar adecuación, sin apropiarse de la función de esas páginas canónicas.
MCP y WebMCP: interfaces, no sustitutos de la representación
MCP permite conectar aplicaciones de IA con datos, herramientas y flujos externos. WebMCP, todavía presentado como un estándar web propuesto y en evolución, permite que una página exponga herramientas estructuradas a agentes que operan en el navegador. Ambos pueden mejorar la capacidad de acción, pero por sí solos no resuelven identidad, evidencia, adecuación ni gobierno.
Una interfaz técnicamente accesible puede entregar información incompleta o contradictoria. Del mismo modo, una representación sólida puede carecer de una acción ejecutable. La preparación real exige que la capa semántica, la evidencia y la interfaz se mantengan alineadas.
Cómo medir la preparación decisional
Esta capa no debería reducirse a una puntuación opaca. Conviene medir dimensiones observables y conservar la evidencia que permite repetir la revisión.
| Dimensión | Pregunta de control | Evidencia esperada |
|---|---|---|
| Cobertura | ¿Están representados los casos de uso y atributos que influyen en la decisión? | Inventario de decisiones, entidades y atributos. |
| Consistencia | ¿Los datos críticos coinciden entre sitio, perfiles, plataformas e interfaces? | Comparación fechada entre fuentes. |
| Verificabilidad | ¿Las afirmaciones importantes tienen procedencia y corroboración? | Fuentes, fechas, responsables y evidencia externa. |
| Actualidad | ¿La disponibilidad, cobertura y condiciones siguen vigentes? | Fecha de revisión y política de actualización. |
| Comparabilidad | ¿Un agente puede contrastar opciones sin completar vacíos mediante inferencia? | Atributos, unidades, condiciones y trade-offs explícitos. |
| Accionabilidad | ¿Existe una ruta autorizada y segura para completar la tarea? | Formularios, APIs o herramientas probadas con controles. |
Una Auditoría de Supremacía Digital puede utilizar estas dimensiones para localizar brechas de representación y priorizar la infraestructura necesaria. La auditoría no puede garantizar que un agente recomiende una empresa; sí puede verificar si existen condiciones informacionales para evaluarla con menos ambigüedad.
Límites y gobierno
Ser legible, verificable o accionable no equivale a ser elegido. Los agentes pueden aplicar criterios distintos, disponer de información diferente o actuar bajo restricciones que la empresa desconoce. Cualquier medición debe registrar el agente, el escenario, la fecha, las fuentes y los límites de la prueba.
La atribución algorítmica también exige separar observación de causalidad. Una respuesta aislada no demuestra preferencia estable, y una ausencia puntual no prueba exclusión permanente.
Preguntas frecuentes
¿Qué es el contexto de decisión para agentes de IA?
Es el conjunto de atributos, condiciones, restricciones, evidencia y datos temporales que permite evaluar si una entidad encaja con una tarea y una situación concretas.
¿Qué es Contextual Fit?
Es la evaluación de adecuación entre una alternativa y las necesidades, preferencias, límites y momento de una decisión. Dentro de ARR funciona entre los estados Comparable y Recommendable.
¿Qué es un Agent Consideration Set?
Es el conjunto de entidades que un agente considera suficientemente relevantes, comprensibles, verificables, comparables y adecuadas para incluirlas en una decisión específica.
¿Una empresa puede ser visible para la IA y no ser recomendable?
Sí. Puede ser descubierta y correctamente identificada, pero quedar fuera si faltan atributos, evidencia, restricciones o información actualizada para justificar su adecuación.
¿Cuál es la diferencia entre machine-readable y decision-ready?
Machine-readable significa que un sistema puede procesar datos estructurados. Decision-ready exige además identidad resuelta, significado, evidencia, contexto, vigencia y condiciones suficientes para comparar y actuar.
¿Schema.org es suficiente para aportar contexto de decisión?
No. Schema.org ayuda a expresar entidades y relaciones de forma estructurada, pero no garantiza cobertura, exactitud, corroboración, actualidad ni adecuación para una decisión concreta.
¿MCP o WebMCP hacen que una empresa sea recomendable?
No. Pueden exponer datos y acciones a agentes, pero la recomendación también depende de la representación, la evidencia, las condiciones y el contexto de la tarea.
¿Qué evidencia necesita un agente para justificar una recomendación?
Necesita evidencia pertinente al atributo que influye en la decisión, con procedencia, vigencia y, cuando sea posible, corroboración externa. La autoridad general no sustituye la evidencia contextual.
¿Cómo se mide la preparación para decisiones mediadas por agentes?
Mediante dimensiones verificables como cobertura, consistencia, procedencia, actualidad, comparabilidad y accionabilidad, siempre asociadas a escenarios y fechas concretos.
¿Cómo puede una empresa empezar a preparar su contexto de decisión?
Debe inventariar las decisiones prioritarias, modelar entidades y atributos, declarar límites, conectar evidencia, gobernar cambios y probar si agentes distintos pueden interpretar la información sin rellenar vacíos.
Fuentes de consulta
- Google Search Central: AI features and your website.
- Google Search Central: introducción a los datos estructurados.
- Model Context Protocol: documentación oficial.
- Chrome for Developers: WebMCP.
- W3C: PROV-O, modelo de procedencia.
- Schema.org: documentación.
Responsabilidad editorial: Nelson Tarache. Publicado por GOA. Uso de IA: investigación, estructuración y redacción asistidas; la responsabilidad editorial y la revisión final corresponden al equipo humano de GOA.
Deja un comentario