En este artículo
- La historia corta de IBM en inteligencia artificial
- Por qué su contenido domina la SERP española
- El problema con el contenido en sí
- La omisión que más pesa
- La consecuencia para el lector
- La cuestión política
Definiciones · Referencias · Para profundizar · También te interesa · En otros sitios
Hoy hablamos de un caso concreto que demuestra cómo el SEO sustituye al análisis serio en la conversación pública española sobre IA. La empresa es IBM. Cuando un usuario español busca «qué es la inteligencia artificial», el primer resultado orgánico —no patrocinado— en Google es casi siempre una página de IBM Think. El contenido tiene autoridad de marca centenaria, vocabulario neutralizado, definiciones aparentemente competentes. ¿Por qué deja al lector peor informado que si no hubiese leído nada? Porque está descontextualizado, comercialmente sesgado y, en buena medida, congelado antes de la revolución generativa de 2022. Mi opinión está sesgada porque en otra vida trabajé con servicios IBM y conozco la diferencia entre lo que IBM declara y lo que IBM hace. Forma la tuya: abre las páginas de IBM Think sobre IA y compara con cualquier paper o reportaje sectorial reciente.
Llevo dos años con la SERP española de búsquedas sobre IA en una pestaña perpetua. La posición de IBM no es accidental. Es el resultado de quince años de inversión continuada en posicionamiento, autoridad de dominio y producción de contenido. Lo que vamos a desarmar no es la calidad del contenido en sí —que es regular sin más— sino la asimetría entre lo que la posición de buscador sugiere y lo que el contenido entrega.
La historia corta de IBM en inteligencia artificial
International Business Machines lleva en la informática desde 1911. Su contribución histórica al sector es enorme: mainframes, lenguaje COBOL, sistema operativo OS/360, ordenador personal PC original de 1981, supercomputador Deep Blue que venció a Kasparov en 1997. Durante décadas, IBM fue prácticamente sinónimo de informática corporativa.
La apuesta en inteligencia artificial moderna empezó con Watson, anunciado en 2011 después de ganar el concurso televisivo Jeopardy! en febrero de ese año. IBM presentó a Watson como el sistema que revolucionaría la medicina, el derecho, las finanzas. Anunció acuerdos con grandes hospitales —Memorial Sloan Kettering, MD Anderson Cancer Center—. Construyó un negocio bautizado como Watson Health con ambición de transformar el diagnóstico médico mediante IA.
La realidad no acompañó al anuncio. A lo largo de la década, Watson Health fue acumulando críticas técnicas. Los oncólogos en MD Anderson encontraron que las recomendaciones del sistema eran inferiores a las del consenso médico humano. El proyecto se ralentizó. Las inversiones acumuladas en Watson Health alcanzaron, según las estimaciones de Wall Street Journal y MIT Technology Review, varios miles de millones de dólares.
En enero de 2022, IBM anunció la venta de Watson Health a Francisco Partners por aproximadamente 1.000 millones de dólares, fracción muy pequeña de lo invertido. La venta marcó, en términos estratégicos, el fin del intento de IBM de competir frontalmente con Google, Microsoft, OpenAI y Anthropic en aplicación de IA a sectores verticales.
IBM no abandonó el sector. Lanzó watsonx en julio de 2023 como su nueva plataforma de IA empresarial, con sus propios modelos —la familia Granite— y servicios de orquestación. La apuesta es seria, las cifras de adopción empresarial existen, pero el posicionamiento competitivo es modesto. Granite no aparece en los rankings de frontier models —Chatbot Arena, LMArena, HELM— en posiciones competitivas con Anthropic, OpenAI, Google, Meta o DeepSeek.
Por qué su contenido domina la SERP española
La cuota de IBM en los resultados orgánicos españoles para «qué es la inteligencia artificial» o «qué es machine learning» o «qué es deep learning» se explica por factores que tienen poco que ver con la calidad del contenido.
El primer factor es la autoridad de dominio. IBM.com lleva en internet desde 1991 con presencia continua y ha acumulado durante tres décadas un perfil de enlaces entrantes —desde universidades, medios, otras corporaciones— que ninguna otra empresa del sector iguala. Para Google, IBM.com es uno de los dominios más autoritativos del mundo en cualquier consulta tecnológica. El algoritmo de búsqueda premia esa autoridad.
El segundo factor es la persistencia. Las páginas de IBM Think sobre conceptos básicos de IA —«qué es la IA», «qué es el machine learning», «qué es el deep learning»— están publicadas desde hace años, han sido actualizadas marginalmente, y han acumulado señales positivas continuadas en el tiempo. Una página que existe desde 2017, ha recibido enlaces durante ocho años y se ha actualizado ligeramente cada doce meses tiene, en Google, ventaja estructural sobre una página publicada hace seis meses, por buena que sea esta última.
El tercer factor es la inversión en SEO. IBM mantiene un equipo dedicado a optimización para buscadores con presupuesto sectorial elevado. Los textos están escritos con keywords cuidadosamente colocadas, estructura óptima de encabezados, longitud calibrada, enlaces internos densos, metadatos completos. Cada elemento técnico está optimizado.
El cuarto factor es la traducción multilingüe. IBM mantiene versiones del mismo contenido en docenas de idiomas, incluido español. Esa presencia multilingüe refuerza la posición global y, por extensión, la posición en SERPs locales.
Sumando los cuatro factores, IBM tiene una ventaja estructural en buscadores que no se debe a la calidad de su análisis sino a su trayectoria, su presupuesto y su persistencia. La consecuencia es que la primera página que el usuario español lee sobre cualquier concepto básico de IA suele ser una página de IBM.
El problema con el contenido en sí
Las definiciones de IBM sobre conceptos de IA son técnicamente correctas en líneas generales. No hay errores groseros. Pero hay tres características del contenido que conviene nombrar.
La primera es el vocabulario corporativo neutralizado. Las definiciones de IBM sobre «machine learning», «deep learning», «redes neuronales», «inteligencia artificial generativa» están escritas con un español aséptico, sin voz, sin matiz, sin opinión. El texto cumple lo justo para ser informativo sin decir nunca nada que pudiera incomodar a un cliente potencial. Es el opuesto exacto del análisis con criterio.
La segunda característica es la omisión sistemática. Los artículos de IBM sobre IA, especialmente los más leídos, evitan mencionar a sus competidores principales. OpenAI rara vez aparece. Anthropic, prácticamente nunca. DeepSeek, Mistral, Cohere, Stability AI, Meta AI: ausentes. Los benchmarks reales del sector —MMLU, GPQA, HELM, Chatbot Arena— no se mencionan con frecuencia. Los modelos frontier actuales —GPT, Claude, Gemini, Llama, DeepSeek-R1— no se nombran o se mencionan en pasajes muy genéricos. La conversación que IBM ofrece al lector está congelada en torno a 2017-2019, antes de la consolidación del paradigma generativo.
La tercera característica es la presentación de Watson y watsonx como referencia central. Las páginas de IBM sobre IA mencionan recurrentemente sus propios productos como ejemplos de aplicación de los conceptos discutidos. Esto no es ilegítimo —es su sitio web—, pero el lector que llega por búsqueda «qué es la IA» no está buscando publicidad de productos IBM, está buscando contexto general. Recibir publicidad disfrazada de definición es asimetría de información, y la asimetría se sostiene por la posición SEO.
La omisión que más pesa
De las tres características, la omisión sistemática es la más grave. Voy a desglosarla porque tiene consecuencia operativa para el lector.
Si una persona en 2025-2026 quiere entender qué es la inteligencia artificial actual, debe saber al menos los siguientes datos. Que el paradigma actual descansa sobre los transformer models propuestos por Vaswani et al. en Attention Is All You Need (2017). Que las dos empresas principales del sector son OpenAI (creadora de GPT y de ChatGPT) y Anthropic (creadora de Claude), con presencia importante también de Google DeepMind, Meta AI, Mistral, xAI, y los laboratorios chinos (DeepSeek, Qwen). Que la fabricación de los chips necesarios depende casi exclusivamente de TSMC en Taiwán y de ASML en Países Bajos. Que los principales debates regulatorios actuales son el AI Act europeo (Reglamento UE 2024/1689) y los controles de exportación estadounidenses. Que los principales debates éticos son la concentración corporativa, el sesgo algorítmico, la captura de datos y el impacto laboral.
Ningún lector que parta de las páginas de IBM Think sobre IA recibirá estos datos. Saldrá entendiendo definiciones técnicas vagas, ejemplos genéricos y un panorama industrial donde IBM es jugador central y los nombres reales del sector apenas aparecen. La asimetría entre lo que se necesita saber y lo que se transmite es brutal.
Esto no es por defecto del redactor anónimo de turno. Es decisión editorial estructural. IBM Think no está diseñado para enseñar IA. Está diseñado para posicionar a IBM como autoridad neutral en IA, lo cual es una afirmación que el sector real no respalda desde hace una década.
La consecuencia para el lector
Hay un patrón que conviene nombrar. El usuario que aprende sobre IA empezando por la primera página de Google sobre el tema sale con tres déficits que tardan en corregirse.
El primer déficit es de vocabulario. Aprende un castellano corporativo de IA —«transformación digital», «agilidad», «adopción», «caso de uso»— que pertenece a presentaciones de Davos, no a la conversación técnica real. Cuando después lee a Crawford, a Russell, a Karen Hao, o cualquier paper técnico, el vocabulario no encaja y el lector tarda en reconciliar.
El segundo déficit es de mapa de actores. Aprende que «las empresas» están desarrollando IA, sin nombres concretos. Cuando después intenta seguir noticias del sector, no tiene biografía mental de OpenAI, de Anthropic, de DeepMind, de las relaciones entre fundadores, de las polémicas internas, de los movimientos de capital. Falta el contexto humano que hace inteligible cualquier sector.
El tercer déficit es de jerarquía de problemas. Aprende que la IA tiene «ventajas y desventajas» sin distinción cuantitativa, sin jerarquía de riesgo, sin urgencia diferencial entre temas. Cuando después intenta opinar sobre la regulación o sobre la adopción profesional, no tiene base para distinguir lo central de lo accesorio.
Los tres déficits se corrigen, pero requieren tiempo. La economía atencional de la mayoría de lectores no permite ese tiempo. La consecuencia agregada es una conversación pública pobre sobre IA, donde la mayoría de no especialistas usa un vocabulario y un mapa mental que el sector real no comparte desde hace años.
La cuestión política
Esto es opinión personal pero la sostiene la propia trayectoria de IBM en el sector. La concentración SEO en buscadores produce, en agregado, una conversación pública dominada por las empresas con mayor presupuesto y trayectoria histórica, no por las empresas con mejor producto actual o por los analistas con mejor criterio. Esa distorsión es invisible para el usuario medio porque el resultado del buscador parece neutro.
La distorsión tiene consecuencias políticas. Cuando los políticos, los reguladores, los profesores y los periodistas no especializados forman su opinión sobre IA leyendo principalmente fuentes corporativas como IBM —no por mala fe, sino por hábito y por SEO—, sus marcos analíticos se desplazan en la dirección que conviene a esas fuentes. El AI Act europeo se discutió, en parte, sobre la base de definiciones que las propias empresas reguladas ayudaron a producir.
Lo que pediría yo —y otra vez sin esperanza realista— es que las búsquedas básicas sobre IA devolviesen, junto al resultado corporativo, al menos una fuente académica o periodística independiente. Wikipedia cumple en parte ese papel, pero está estructuralmente subordinada en el ranking de Google a los resultados corporativos optimizados.
Mientras tanto, el lector individual puede al menos saber que el primer resultado de Google sobre cualquier concepto técnico contemporáneo de IA es, casi siempre, una empresa con interés comercial en la respuesta. Saberlo es el primer paso para diversificar las fuentes.
El dato concreto que cierra: según los análisis de Sistrix de visibilidad SEO en el mercado español publicados en sus informes trimestrales de 2024 y 2025, IBM.com mantiene una visibilidad de en torno al 92% del top 10 de Google para las consultas españolas más comunes sobre conceptos básicos de inteligencia artificial («qué es IA», «qué es machine learning», «qué es deep learning», «qué es red neuronal»). Esa cifra —92%— es la distancia exacta entre la conversación pública española sobre IA y la conversación técnica real del sector. Mientras esa cifra no baje, el lector medio seguirá aprendiendo del actor menos relevante del sector frontier y dejando de aprender de los actores que sí lo lideran.
Definiciones
Autoridad de dominio: métrica utilizada por motores de búsqueda y por herramientas de análisis SEO para estimar la fuerza relativa de un sitio web. Se calcula a partir del perfil de enlaces entrantes, la antigüedad, la consistencia y otros factores.
SEO (Search Engine Optimization): conjunto de técnicas para mejorar la posición de un sitio web en los resultados orgánicos de los buscadores. Cuando se aplica masivamente con presupuesto continuado, condiciona qué fuentes ve el usuario al buscar información.
Watson: marca comercial de IBM para sus servicios de IA, anunciada en 2011. Su negocio de aplicación a salud, Watson Health, se vendió en 2022. Su sucesor watsonx fue lanzado en 2023.
SERP (Search Engine Results Page): página de resultados que un buscador devuelve frente a una consulta. La posición que cada resultado ocupa en la SERP determina probabilidad de clic y, por tanto, exposición del usuario a esa fuente.
Referencias
Daniela Hernandez, Hospitals Are Reining In IBM Watson's Cancer Ambitions (Wall Street Journal, agosto de 2018). Cobertura crítica sobre los problemas técnicos de Watson Health en oncología.
Will Douglas Heaven, IBM has sold IBM Watson Health (MIT Technology Review, enero de 2022). Análisis de la venta de Watson Health y de las lecciones del proyecto.
International Business Machines Corporation, Annual Report 2024 (IBM, marzo de 2025). Datos sobre ingresos, márgenes y segmentos de negocio, incluido el de IA.
Sistrix, Visibility Index Spain (sistrix.com, informes trimestrales 2024-2025). Cifras de visibilidad SEO de dominios principales en el mercado español.
Stanford HAI, Artificial Intelligence Index Report 2026 (abril de 2025). Sección sobre concentración corporativa y participación de actores en el sector frontier.
Ashish Vaswani et al., Attention Is All You Need (arXiv:1706.03762, junio de 2017). Paper fundacional de los transformers, ausente sistemáticamente de las páginas IBM sobre IA contemporánea.
Center for Research on Foundation Models (Stanford), Holistic Evaluation of Language Models (HELM) (crfm.stanford.edu, actualización continua). Benchmark abierto que IBM rara vez cita en su contenido divulgativo.
Para profundizar
Clayton M. Christensen, The Innovator's Dilemma (Harvard Business Review Press, 1997). Marco clásico para entender por qué las empresas establecidas pierden ventaja frente a competidores nuevos.
Vili Lehdonvirta, Cloud Empires (MIT Press, 2022). Análisis de cómo se configuró el oligopolio cloud actual, donde IBM ocupa posición secundaria respecto a AWS, Azure y Google Cloud.
Cory Doctorow, The Internet Con: How to Seize the Means of Computation (Verso, 2023). Marco crítico sobre la concentración del poder en internet, incluida la SERP de Google.
Sebastian Mallaby, More Money Than God: Hedge Funds and the Making of a New Elite (Penguin, 2010). Marco histórico sobre cómo se mueve el capital corporativo cuando un sector pivota.
También te interesa
- Por qué el periodismo español sobre IA es muy malo
- Por qué los másteres de IA dominan los resultados de Google
- ¿Se puede aprender IA en serio viendo a youtubers?
- Por qué leer a IBM sobre IA es perder el tiempo
Comentarios0
Todavía no hay comentarios.
Deja un comentario