Doxa 1949

Cómo los especialistas en marketing pueden adaptarse a la búsqueda impulsada por LLM

Con la incorporación de resúmenes generados por IA, Google, Perplexity, OpenAI y otros motores de búsqueda están cambiando la forma en que los consumidores encuentran información.

Por Stefano Puntoni, Mike Ensing y Jarvis Bowers

Marketing

Harvard Business Review

#Doxa #marketing #mercadeo #LLM #IA #Google #Perplexity #OpenAI #consumidor #información #web #ChatGPT #Copilot #desafio #tecnología

Resumen. Los modelos de lenguaje grande (LLM) brindan una experiencia de búsqueda dramáticamente diferente de la experiencia del navegador web. La mayor diferencia es la siguiente: los LLM prometen responder consultas no con enlaces, como lo hacen los navegadores web, sino con respuestas. Cada vez más, al utilizar aplicaciones como ChatGPT o Perplexity, o portales de búsqueda como Search Generative Experience de Google (ahora AI Overviews) o Copilot de Bing, los clientes aprenderán sobre productos y marcas a través de resultados en lenguaje natural. Y ese proceso, que será altamente consultivo y conversacional, creará un nuevo canal de información que los especialistas en marketing deben monitorear para garantizar que sus marcas se presenten según las indicaciones relevantes y se describan con precisión. Los autores presentan tres formas para que los especialistas en marketing estén a la altura de este desafío.

Para millones de consumidores en todo el mundo, Google es el punto de acceso a Internet y, como resultado, la empresa disfruta hoy de una participación de mercado del 91% en el mercado de anuncios de búsqueda de 50 mil millones de dólares. Sin embargo, gracias a la llegada de los grandes modelos lingüísticos (LLM), ahora parece posible una reestructuración por primera vez en dos décadas.

¿Porqué es eso? Porque los LLM brindan una experiencia de búsqueda dramáticamente diferente de la experiencia del navegador web. La mayor diferencia es la siguiente: los LLM prometen responder consultas no con enlaces, como lo hacen los navegadores web, sino con respuestas.

Cada vez más, al utilizar aplicaciones como ChatGPT o Perplexity, o portales de búsqueda como Search Generative Experience de Google (ahora AI Overviews) o Copilot de Bing, los clientes aprenderán sobre productos y marcas a través de resultados en lenguaje natural. Y ese proceso, que será altamente consultivo y conversacional, creará un nuevo canal de información que los especialistas en marketing deben monitorear para garantizar que sus marcas se presenten según las indicaciones relevantes y se describan con precisión.

Para afrontar este desafío, los especialistas en marketing deberán medir y monitorear (1) si sus marcas aparecen en los resultados de LLM y cuándo es más probable que esto suceda; (2) qué tan favorablemente están representadas sus marcas y qué aspectos negativos se atribuyen a sus productos; y (3) la visibilidad de sus productos y marcas, en comparación con la competencia, a través de mensajes muy relevantes. Hacerlo requerirá que los profesionales del marketing no sólo prueben y desarrollen métricas relevantes, sino también que desarrollen nuevos flujos de trabajo para gestionar la complejidad añadida.

Una búsqueda de las "mejores bicicletas de carretera para principiantes" destaca el nuevo desafío. Cuando le preguntamos a Perplexity, nos recomendó la Aventon Level 2 como la mejor bicicleta para principiantes en general, citando geometría relajada, neumáticos anchos y componentes de calidad a un precio razonable. Google SGE, por su parte, nos recomendó el Giant Contend 3 o el Specialized Allez E5. Ambas experiencias de búsqueda nos brindaron orientación sobre qué considerar al comprar una bicicleta de carretera nueva y nos ofrecieron una manera fácil de hacer preguntas de seguimiento. Pero esto es lo más importante: todo esto ocurrió antes de que estuviéramos expuestos al sitio web de cualquier marca. Si un LLM no menciona su marca en esta etapa del proceso de búsqueda, es posible que los usuarios ni siquiera la consideren.

Optimización del Máster en Derecho

Con nuevos desafíos vienen nuevas oportunidades. Así como la ciencia de la optimización de motores de búsqueda, o SEO, surgió durante la era de las búsquedas basadas en navegador, ahora surgirá una nueva ciencia de optimización LLM o LLMO, y los especialistas en marketing deben aprovecharla.

Los algoritmos que impulsan los LLM no son los mismos que los algoritmos de búsqueda tradicionales. Google SGE opera con un conjunto diferente de factores de clasificación que el algoritmo tradicional de Google. El algoritmo de búsqueda tradicional se optimizó para promover enlaces que se consideraran autorizados, completos y relevantes. Los sitios que priorizaron los metadatos, la densidad de palabras clave y los vínculos de retroceso obtuvieron altas clasificaciones.

Sin embargo, los LLM están optimizados para compilar rápidamente una respuesta precisa y convincente. Extraen contenido de múltiples modalidades (texto, imagen, video) y múltiples tipos de contenido (reseñas, contenido del sitio de la marca, contenido generado por el usuario) para crear una respuesta. Al acompañar a los usuarios a medida que pasan de su consulta inicial a las preguntas de seguimiento, las respuestas del LLM son todas implícitamente conscientes de dónde se encuentra el usuario en el proceso de compra. Por lo tanto, es más probable que se citen en la respuesta los sitios con contenido fácilmente indexable por el LLM.

Un componente crucial de la búsqueda de LLM se conoce como generación de recuperación aumentada, o RAG, por el cual un LLM utiliza contexto adicional, como un conjunto de documentos de la empresa o contenido web, para aumentar su modelo base al responder a las indicaciones. Esto tiene implicaciones importantes para cualquiera que desee participar en la optimización de LLM: si desea alterar el texto producido por los LLM en respuesta a una consulta, debe pensar estratégicamente sobre cómo alterar las diversas fuentes de las que es probable que se extraiga información.

Un nuevo documento de trabajo realizado por investigadores de Harvard demuestra que la inserción de una "secuencia de texto estratégica" (texto agregado a una página de información del producto para aumentar las posibilidades de que se recomiende un producto) puede alterar significativamente la información proporcionada por los LLM en respuesta a la pregunta del consumidor. consulta. En su experimento, el equipo de Harvard insertó una secuencia de texto estratégica para enfatizar la asequibilidad de una máquina de café, la ColdBrew Master, y aumentó significativamente la probabilidad de que fuera mencionada por el LLM en respuesta a una solicitud de asesoramiento sobre máquinas de café asequibles.. En el escenario de referencia, el LLM nunca recomendó ColdBrew Master, pero utilizando su secuencia de texto estratégica, los investigadores pudieron convertirlo en el producto recomendado con más frecuencia.

Creemos que LLMO desempeñará un papel fundamental en la evolución de nuevas experiencias de búsqueda. El tiempo dirá cómo las grandes tecnológicas eligen monetizar los LLM dentro de sus ecosistemas. Algunas empresas elegirán un modelo de suscripción, mientras que otras optarán por la monetización de anuncios. Sin embargo, a diferencia de hoy, donde hay un jugador único dominante que controla gran parte de la experiencia de búsqueda en línea, esperamos que el estado futuro incluya múltiples opciones para que los consumidores elijan. Lo que significa que es probable que se abran nuevas oportunidades laborales para las personas en el campo de la LLMO.

Empleos, Empleos, Empleos

La IA generativa ha generado gran ansiedad entre los trabajadores y los responsables políticos debido a su potencial para desplazar a millones de trabajadores del conocimiento. Los economistas suelen responder a estas preocupaciones señalando que las innovaciones revolucionarias del pasado siempre dieron como resultado más empleos y mejores empleos que los que teníamos antes. La visión optimista sobre los LLM y los empleos es que esta vez sucederá lo mismo.

Es cierto que en los próximos años, los especialistas en SEO de hoy encontrarán que muchas de sus actividades actuales están en gran medida automatizadas. Recientemente se ha demostrado que los LLM son más eficaces que los expertos humanos en la tarea de optimización de contenidos, y también mucho más baratos. Esperamos que en el futuro las empresas puedan realizar sus actividades de SEO utilizando un número menor de empleados, lo que naturalmente genera preocupaciones sobre los puestos de trabajo.

Pero también es cierto que el papel del SEO es cada vez mucho más complejo. Los profesionales de SEO, que pronto serán profesionales de LLMO, necesitarán gestionar la representación de la marca en múltiples plataformas de LLM, bajo un nuevo conjunto de metodologías de optimización y a un ritmo que les permita mantenerse al día con el panorama de LLM en rápida evolución. Aquellos expertos en SEO que estén dispuestos a aprender, adaptarse y experimentar continuamente con nuevas técnicas que aumenten la visibilidad y la preferencia de sus marcas con los LLM tendrán una gran demanda. En resumen, se convertirán en expertos de LLMO, un nuevo rol de vital importancia en las empresas y en las firmas de servicios de marketing que los respaldan.

Cuando una nueva y poderosa tecnología comienza a afectar la economía, la gente normalmente sabe qué empleos están amenazados, pero no cuáles se crearán. Hoy, como en revoluciones tecnológicas pasadas, una importante fuente de preocupación reside en nuestra limitada capacidad para detectar las formas que emergen en el horizonte: los nuevos empleos que crearán los LLM. Para los profesionales del marketing, las formas en el horizonte aún son borrosas, pero podemos empezar a ver el contorno de al menos una.

Lea más sobre Marketing o temas relacionados IA y aprendizaje automático, Tecnología y análisis, Gestión de marca e Indicadores de rendimiento

Stefano Puntoni es profesor de marketing en la Wharton School de la Universidad de Pensilvania y coautor de  Decision-Driven Analytics: Leveraging Human Intelligence to Unlock the Power of Data (Wharton Press).  

Mike Ensing es el director ejecutivo y cofundador de Revere. Es un emprendedor, asesor y ejecutivo de la industria tecnológica centrado en la IA generativa y sus aplicaciones para empresas y marcas, y ha ocupado puestos directivos y de asesoramiento en empresas líderes como RealNetworks, Microsoft y McKinsey.

Jarvis Bowers es director de operaciones y cofundador de Revere, una empresa emergente de tecnología de marketing centrada en elevar las marcas con LLM e inteligencia artificial generativa. Jarvis es un líder de marketing experimentado centrado en el uso de conocimientos creativos y de consumidores, datos de clientes y plataformas emergentes para ofrecer experiencias de marca únicas.