Científico Aplicado Principal - Búsqueda de IA e Inteligencia de Marca

• Acceso directo y sin trámites a los conjuntos de datos de SE Ranking —SERP, backlinks, contenido, auditorías, GA/GSC— además de los datos de redes sociales de Planable.
• Soporte dedicado de ingeniería de datos/analítica, para que los pipelines no sean un proyecto individual.
• Un presupuesto dedicado para la API de LLM para el muestreo sistemático de respuestas (OpenAI, Google, Anthropic, Perplexity).
• Una oportunidad para publicar: charlas en conferencias, investigaciones y nuestras propias mejores prácticas.
• Autoridad para lanzar experimentos sin tener que pedir permiso primero.

SE Ranking, una plataforma todo en uno de SEO y marketing digital, busca un Lead Applied Scientist para realizar ingeniería inversa sobre cómo las búsquedas por IA y las plataformas generativas (ChatGPT, Gemini, Perplexity, AI Overviews) recomiendan y describen marcas, y para construir la capa de medición que demuestre cuánto vale realmente la visibilidad en IA para una empresa.

Este es un rol de nivel fundacional para una nueva disciplina: Optimización de Búsqueda por IA e Inteligencia de Marca para IA Generativa. No es SEO clásico, ni es ciencia de datos clásica. Serás el responsable técnico de la agenda de investigación —desde la hipótesis hasta el experimento, el insight y la capacidad del producto lanzado— y trabajarás junto a un equipo pequeño (hoy un ingeniero de ML, un segundo al que ayudarás a contratar), manteniendo tú mismo un enfoque profundamente práctico.

• Tendrás acceso a datos propios con los que la mayoría de los investigadores solo pueden soñar: los conjuntos de datos de SERP, backlinks, contenido, auditoría, GA y GSC de SE Ranking, además de los datos de redes sociales de Planable, combinados con respuestas generadas por IA muestreadas sistemáticamente.
• Tu resultado no son solo funcionalidades de producto. Son las mejores prácticas de GEO que la industria acabará utilizando, con la oportunidad de representar ese trabajo en conferencias e investigaciones de la empresa, si es algo que disfrutas.
• La disciplina tiene apenas unos años. Nadie es todavía "el experto"; las primeras respuestas rigurosas vendrán de alguien con tu acceso a los datos.

Se trata principalmente de un rol técnico práctico con algo de liderazgo de equipo adicional: te mantendrás profundamente involucrado en la investigación y el modelado, al tiempo que dirigirás el trabajo diario de un equipo pequeño: estableciendo la dirección técnica, realizando reuniones 1:1, desbloqueando a las personas y contribuyendo a las decisiones de contratación.

• ~45% investigación y modelado práctico: diseñarás y ejecutarás experimentos tú mismo.
• ~45% liderazgo técnico y de proyectos: priorización de hipótesis, descomposición, revisión de metodología.
• ~10% gestión de personas: dirigir el día a día de un equipo pequeño (1-2 personas): establecer la dirección técnica, realizar reuniones 1:1, desbloquear a las personas.
• Colaborar con nuestros especialistas en SEO/GEO e ingenieros seleccionados para establecer un pipeline de experimentos repetible: hipótesis → alcance de datos → diseño → ejecución → insight → decisión.
• Ejecutar los primeros 3-4 experimentos y, junto con el equipo de Producto, definir funciones candidatas que proporcionen a nuestros clientes una práctica real de visibilidad en IA.
• Diseñar métodos de muestreo para recopilar y analizar sistemáticamente las respuestas de la IA en diversos temas, intenciones y regiones, con un manejo explícito de la varianza, el sesgo y la representatividad.
• Establecer un marco de evaluación para los resultados de los LLM, los prompts y el comportamiento de los modelos, de modo que los resultados sean comparables a lo largo del tiempo.
• Aplicar LLMs mediante API por lotes (incluyendo modelos de pesos abiertos) como extractores de características y jueces: extracción de entidad/sentimiento/posicionamiento, evaluación de prompts en conjuntos de prueba (holdout sets), inferencia por lotes consciente del coste, y pipelines de agentes/uso de herramientas.
• Responsabilizarte de los estándares de evaluación y validación de modelos del equipo: detección de filtraciones (leakage), validación temporal/fuera de tiempo y definiciones de métricas vinculadas a resultados de negocio.
• Desarrollar modelos predictivos y de ranking —gradient boosting (LightGBM/CatBoost), learning-to-rank (NDCG, precision@K)— para la visibilidad de marca, la probabilidad de mención en respuestas de IA y el tráfico/impresiones en búsquedas de IA y SEO.
• Construir modelos de clasificación, clustering y aprendizaje de representaciones (embeddings, approximate nearest neighbours) que mapeen cómo los sistemas de IA perciben y posicionan las marcas.
• Trabajar directamente en ClickHouse (o un OLAP columnar similar) con datos de SERP, backlinks, contenido, auditoría, GA y GSC a una escala de cientos de millones de filas, en una infraestructura compartida con el producto.
• Obtener hipótesis de toda la empresa y del mercado, generar las tuyas propias a partir de patrones en los datos y mantener un backlog priorizado con un ciclo de ejecución claro.
• Mentorear al ingeniero/s de ML con los que trabajes: establecer la dirección técnica, revisar la metodología, delegar de forma significativa y participar en la contratación.
• Convertir los hallazgos en funcionalidades de producto, investigaciones publicadas, charlas en conferencias y nuestras propias mejores prácticas de GEO, trabajando con Producto, Ingeniería, Marketing y Liderazgo.

• Mentalidad de crecimiento: experimentas sin esperar aprobación, ajustas según los resultados, compartes lo aprendido y conviertes los fallos en aprendizaje para el equipo.
• Orientación a la acción: construyes el ciclo de ejecución primero y refinas el backlog de hipótesis sobre la marcha, en lugar de pasar un trimestre definiendo la lista de hipótesis perfecta.
• Orientación al producto: piensas más allá del modelo, hacia el impacto y la capacidad de acción.
• Pensamiento crítico y capacidad de discrepar de forma constructiva.
• Comodidad en espacios de problemas ambiguos y de vanguardia, y capacidad de escalar rápidamente cuando te bloqueas con los datos, en lugar de esperar.

• Tiempo de ciclo desde la hipótesis hasta el insight documentado.
• Capacidad de acción de los insights resultantes: ¿entraron en la hoja de ruta del producto o en las mejores prácticas de GEO?
• Autosuficiencia en la recopilación y el análisis de datos.
• Número de experimentos/hipótesis ejecutados, y cuántos se mantuvieron en la práctica y se integraron en el producto.