¿Por qué una ferretería no debería competir contra Wikipedia?

Porque en un tema masivo y genérico —qué es un destornillador, qué es un rastreador GPS— estás compitiendo contra un conocimiento que el modelo ya trae incorporado de su entrenamiento, en gran parte de fuentes como Wikipedia. En un tema específico de tu nicho, en cambio, entrás en la única zona donde lo que publicás realmente decide la respuesta: un estudio de la Universidad de Toronto midió que la coincidencia entre lo que responde una IA y una comparación cuidadosa, hecha evaluando cada opción de a pares, cae de 91% en temas populares a 56% en temas específicos.

La diferencia no es azar ni un defecto del modelo. Es la prueba de que, frente a un tema que ya conoce de memoria, la IA apenas necesita lo que encuentra al buscar — lo usa para confirmar lo que ya tenía guardado del entrenamiento. Frente a un tema que no conoce de memoria, no tiene con qué confirmar nada: depende por completo de lo que efectivamente encuentra.

Esto tiene una consecuencia directa para cualquier negocio chico que compite en un tema masivo. Si tu contenido explica algo que la IA ya sabe — qué es un destornillador, qué es un rastreador GPS —, estás compitiendo contra un conocimiento que el modelo ya trae incorporado, en gran parte de fuentes como Wikipedia, que domina justamente los temas más generales. Si tu contenido responde algo específico, entrás en la única zona donde lo que publicás realmente decide la respuesta.

¿Por qué una pregunta genérica no necesita tu sitio?

Porque el modelo ya trae una jerarquía de conocimiento armada desde el entrenamiento, y lo que encuentra al buscar apenas la confirma — no la construye. El estudio lo comprobó sometiendo las respuestas del modelo a tres pruebas de estrés: mezclar el orden en que se presenta la evidencia encontrada al buscar, restringir al modelo a usar solo esa evidencia sin apoyarse en lo que ya sabía, y reemplazar los nombres de las entidades por otros. Para preguntas sobre entidades populares —el ejemplo del estudio es "los mejores SUV para comprar en 2025"— ninguna de las tres pruebas movió demasiado el resultado: el ranking final cambió en promedio apenas 2,3 posiciones sobre el total, incluso reordenando por completo la evidencia disponible.

La interpretación de los propios autores es directa: para temas populares, la evidencia que el modelo encuentra al buscar funciona como confirmación, no como descubrimiento. El modelo ya tiene una jerarquía interna armada durante el entrenamiento, y lo que lee al buscar apenas la retoca.

¿Qué cambia en una pregunta específica?

Para entidades de nicho —el ejemplo del estudio es "los mejores estudios de abogados de derecho de familia en Toronto"— el comportamiento se invierte. Las mismas tres pruebas de estrés movieron el ranking casi el doble (4,15 posiciones en promedio) y cambiaron el resultado final de forma mucho más marcada al reemplazar entidades. El modelo, en palabras del propio estudio, entra en un "modo de búsqueda de conocimiento": como no tiene una jerarquía previa formada sobre ese tema puntual, construye la respuesta con lo que encuentra, no la confirma.

El criterio que Nostos construyó a partir de esto

El estudio no propone un criterio de negocio — mide el comportamiento de un modelo frente a distintos tipos de consulta. A partir de esa lectura, Nostos construyó su propio criterio de Especificidad temática, con metodología propia: 40% especificidad real del contenido, 30% marcado técnico y 30% densidad de datos verificables. No es una fórmula que el paper recomiende; es la traducción operativa de un mecanismo que el paper sí demuestra.

Para una ferretería de barrio, esto cambia por completo qué vale la pena escribir. Un artículo sobre "qué es un taladro" entra en la zona donde el modelo ya tiene la respuesta resuelta de memoria — no importa cuánto se esfuerce el texto, compite contra una jerarquía de conocimiento que ya existe. Un artículo sobre "qué mecha usar para perforar cerámico sin rajarlo" entra en la zona donde, según el mecanismo medido en el estudio, el modelo necesita evidencia real para construir la respuesta — y esa evidencia puede ser la página de la ferretería, si es específica y está bien escrita.

Qué hacer con esto

El mecanismo medido por el estudio da una regla operativa concreta:

• Identificar qué preguntas de tu rubro ya tienen una respuesta genérica bien resuelta en cualquier IA — esas no valen la pena, por más que parezcan las más buscadas.
• Escribir sobre lo específico de tu operación real: modelos exactos, casos puntuales, combinaciones que nadie más documenta con el mismo nivel de detalle.
• Medir el marcado técnico y la densidad de datos de ese contenido específico — son las otras dos patas del mismo criterio, no funcionan solas.

Competir contra Wikipedia en un tema genérico es una carrera que el propio mecanismo del modelo ya definió de antemano, mucho antes de que se escriba el primer artículo. Competir en lo específico es la única carrera donde el contenido de un sitio realmente decide quién gana.