«Esta URL… ¿es nuestra?»
Tu marca sale en una respuesta de IA y, al lado, aparece una dirección que no te suena de nada.
Hex-ko se topó con eso el mes pasado. En la respuesta había un subdominio que no había visto nunca, y no se le ocurría a quién preguntarle.
Dominios de campañas, dominios del nombre antiguo, un dominio por producto. Están repartidos por más sitios de los que dirías. En muchas empresas, la foto completa la tiene solo el equipo de sistemas.
Aquella vez lo dejó en «será nuestro». No fue una decisión: es que no tenía manera de comprobarlo.
Pero hay una evaluación, publicada el 18 de junio de 2026, sobre hasta dónde la IA sabe atar una marca a sus dominios. De ahí salen los pasos para quitarse ese «será».
¿Sabe la IA qué dominios son tuyos?
Sí lo sabe. Sin dejarle consultar nada, solo con lo que recuerda, el mejor modelo enumeró los dominios de una marca con un 82 % de precisión (evaluación de Mashood y Nabeel, preprint en arXiv). Cuatro de cada cinco.
Aquí precisión significa una cosa concreta: de los dominios que la IA dijo que eran de la marca, cuántos lo eran de verdad. Los que se dejó fuera no entran en ese número.
«De memoria» quiere decir sin buscador. Tampoco hay consulta del registro. Solo lo que el modelo aprendió durante el entrenamiento.
O sea, que la lista de tus dominios ya está dentro del modelo con bastante puntería. Desde marketing, la cosa se lee así.
Enumerar y responder «¿es tuyo?» no es lo mismo
Los autores mantuvieron la misma condición de memoria y cambiaron la pregunta.
Ahora la pregunta es de sí o no: ¿este dominio pertenece a esta marca? Ahí la F1 macro se quedó en 0,37 como mucho. Las mismas 36 marcas.
La junta dos cosas en una nota: cuántos aciertos recoges y cuántos fallos dejas colar. El máximo es 1,0, así que 0,37 se queda muy corto.
Enumerar sale bien. Certificar, no. Mismos modelos, mismas marcas, misma condición de memoria. Lo único distinto es la pregunta.
Recitar la lista de clase de carrerilla es fácil. Otra cosa es que te pongan a alguien delante en la puerta y tengas que decir si iba a tu curso.
¿De dónde sale esa diferencia?
Con el registro delante, la precisión llega a 0,99
Si al modelo le dejas consultar , en esa misma pregunta de sí o no la F1 macro gana hasta 0,65 puntos. La precisión, por su parte, se planta en 0,99. Las confusiones prácticamente desaparecen.
WHOIS es la consulta pública que devuelve quién registró un dominio: nombre del titular, organización y fecha de registro. De hecho, puede consultarlo cualquiera.
La evaluación probó cuatro maneras de dejar consultar:
- Solo la memoria del modelo
- Búsqueda en la web
- Consulta WHOIS
- Combinaciones de las anteriores
Una sola fuente externa, y la cosa se mueve así de golpe.
Como la pregunta no cambia y lo único que se intercambia es la fuente que se le deja consultar, ese movimiento mide lo que aporta mirar fuera.
Eso sí: el 0,99 sale de una evaluación en la que se le da WHOIS a propósito. Nada garantiza que la IA del día a día haga siempre esa consulta.
Los autores llegan a recomendar cómo encajar los grandes modelos de lenguaje (LLM) en el trabajo de protección de marca.
Aquí es donde marketing tiene algo que hacer. Que una IA sepa certificar de quién es tu dominio no depende de cuánto haya memorizado el modelo, sino de si existe fuera un registro contra el que contrastarlo.
Al modelo hay que esperarlo. Al registro se le puede meter mano.
Hasta dónde llega ese 0,99
Es un preprint (arXiv:2606.20868). Nadie de fuera ha revisado todavía ni el método ni las cifras.
La filiación de los autores no aparece ni en la portada del artículo ni en la ficha de arXiv. Tampoco figura ningún congreso. Aquí no se puede medir la fiabilidad por el nombre del laboratorio.
El motivo del estudio es la lucha contra el phishing. No se diseñó como una medición de visibilidad para marketing.
Las condiciones también se quedan estrechas por algún lado:
- Las marcas son las 36 más suplantadas en phishing, así que van muy sesgadas hacia lo famoso
- Los modelos evaluados son Gemini 2.5 Flash, Gemini 3.5 Flash, Claude Sonnet 4.5 y Claude Sonnet 4.6
- ChatGPT no está entre ellos
El modelo con el que pruebes tú no tiene por qué ser ninguno de esos cuatro.
Además, una marca pequeña o mediana no debería contar con el mismo 82 %. Esas 36 de la lista juegan en otra liga por la cantidad de veces que aparecen en los datos de entrenamiento.
En el resumen del preprint no hay ninguna limitación declarada, así que tampoco se puede saber hasta dónde dirían los propios autores que llega esto.
Otra cosa sobre WHOIS: el nombre del titular y la organización pueden estar ocultos tras un servicio de privacidad que pone los datos del intermediario en lugar de los tuyos.
Las empresas que los ocultan tienen sus motivos. Así que la conclusión no es «publícalo todo ya».
Lo que te llevas a casa no es el 0,99. Son los pasos para comprobarlo.
pídele a la IA la lista de tus dominios y mira si el registro la respalda
Pon a un lado el inventario interno de dominios y, al otro, la lista que suelta la IA cuando le preguntas por los de tu empresa. Al compararlas salen las dos cosas: lo que falta en el inventario y lo que no te suena de nada.
El 82 % es un techo, así que cuenta con que venga mal cerca de uno de cada cinco, o más. La referencia sigue siendo tu inventario. La lista de la IA es un borrador.
Después, coge los dominios que sí son tuyos y comprueba con sistemas si el nombre del titular y la organización se ven desde fuera. Levantar o no el servicio de privacidad lo decide cada empresa. Saberlo va primero.
Hablar de visibilidad sin saber si tu lista de dominios cuadra deja el análisis cojo. Hex-ko no notó que le faltaba ese dato hasta que abrió su propia lista.
El lado de los atributos, lo que la IA cree sobre tu empresa, está en Vamos a ver en qué casilla te ha guardado ChatGPT. Esto de hoy es la agenda de direcciones.
Quién iba a decir que el registro de dominios acabaría siendo un asunto de marketing.
Fuentes
- Fathima Mashood, Mohamed Nabeel, “Can LLMs Reason About Brand Ownership? An Empirical Study of Domain Attribution Intelligence”, arXiv:2606.20868, 2026-06-18, https://arxiv.org/abs/2606.20868
