Recommending Is Not Citing: Separable and Competing Mechanisms for Entity Mention and Source Attribution in Large Language Models

Cuando le pedís a un asistente de IA que te recomiende algo y que muestre de dónde lo saca, la respuesta trae dos cosas: el nombre de una marca y un número entre corchetes que apunta a una fuente. Solemos leerlas como una sola decisión. Yo quise saber si el modelo las decide juntas o por separado, y si una afecta a la otra.

Para aislarlo armé un escenario controlado: cinco fuentes numeradas, una por marca, una pregunta de compra y la instrucción de citar. En cinco modelos abiertos (la familia Qwen3.5, de 4.000 a 397.000 millones de parámetros, y DeepSeek-V4-Flash) leí la probabilidad de cada palabra siguiente; en dos modelos comerciales por API analicé el texto que generaban.

En los siete modelos pasa lo mismo: si a la fuente de una marca le sumo un solo dato concreto y verificable, el modelo nombra esa marca mucho más seguido, y una vez que la nombró, cita esa fuente al lado del nombre con menos frecuencia.

Adentro del modelo, las dos decisiones ocupan lugares distintos. La dirección interna que representa «recomendar esta marca» y la que representa «citar ahora» son casi perpendiculares en las capas donde se toma cada decisión. Si empujo artificialmente la de recomendar, el modelo nombra más y cita menos (lo vi en tres modelos). La decisión de citar aparece tarde, en el último 10% de las capas. Y citar se parte en dos pasos: decidir si abrir un corchete y elegir qué número poner. El número sale bien el 99% de las veces; el dato concreto actúa sobre el primer paso.

En la versión 2 lo contrasté contra Google AI Overviews: 511 búsquedas de productos en Argentina y 9.890 pares búsqueda–página. En producción también se separan: en 2.543 pares la respuesta nombró la marca de la página sin citar la página, y en 464 citó la página sin nombrar la marca. El link fue al pasaje más parecido en texto en el 58% de las oraciones, contra 31% esperable por azar, mientras que la posición orgánica y la autoridad del dominio no anticiparon la cita mejor que el azar. También probé si una simulación con un modelo abierto podía predecir qué páginas cita Google: mejoró la predicción en 0,026 puntos de AUC, por debajo del umbral de 0,03 que había fijado antes de mirar los datos, así que lo reporto como resultado negativo.

Que una IA mencione una marca y que enlace su fuente son dos resultados distintos, con causas distintas, y pueden moverse en direcciones opuestas. Para cualquiera que mida presencia en respuestas de IA, la consecuencia práctica es contarlos por separado: un número único de «visibilidad» mezcla dos cosas que el modelo decide por caminos diferentes.

El resultado converge con el de Chen & Koudas (arXiv:2610.15033), que llegaron antes y a una escala mucho mayor a la misma conclusión desde afuera: analizando 158.099 respuestas de motores en producción, vieron que las páginas se citan cuando el buscador las recupera y que las marcas se nombran también cuando el modelo las recuerda. Mi trabajo suma dos piezas: la separación se ve adentro del modelo aun con todas las fuentes ya en contexto, y en AI Overviews el link sigue la similitud de texto.

• El análisis interno usa un solo rubro, un solo mercado y preguntas en español. El comportamiento se repite en siete modelos, pero el mecanismo lo examiné en un solo escenario.
• Las cinco fuentes las escribí para el experimento; los textos reales que recupera un buscador son más largos y más ruidosos.
• Mido la cita cuando se le pide al modelo que cite, y la mido junto al nombre de la marca. Eso no evalúa si la cita es correcta o fiel a la fuente.
• La validación externa es de un país y un período corto, y en casi la mitad de los pares no se pudo descargar el texto de la página. Un modelo abierto tampoco reproduce cómo arma Google sus fuentes.

El preprint está en Zenodo con licencia CC BY 4.0. La versión en arXiv está en proceso.