Reconstruí Hi, Moose alrededor de una convicción: una herramienta de AEO tiene que hacer el trabajo, y solo puede permitirse hacerlo todo el día si la IA corre en tu propia máquina. Hoy sale esa versión: una aplicación de escritorio para Windows y macOS con un modelo de IA real a bordo.
Es lo más grande que he construido desde que fundé la empresa, y de lo que más orgulloso estoy. Moose ya no es una pestaña que visitas con una tarea en mente. Es un compañero que ya está ahí cuando te sientas y recuerda en qué estás trabajando. Todavía no hace todos los trabajos, pero los que hace, los hace de principio a fin.
Las herramientas que se quedan en el panel van a perder a sus clientes frente a las herramientas que además hacen el trabajo.
Hacia dónde creo que van las herramientas de AEO
Las preguntas que antes empezaban con una búsqueda en Google ahora empiezan o terminan en ChatGPT o Claude, y aparecer en esas respuestas requiere un enfoque distinto al manual tradicional de SEO. El mercado se ha dado cuenta. Parece que cada semana sale una nueva herramienta de visibilidad en IA, y sospecho que muchas son proyectos de fin de semana programados a golpe de instinto: tantear el terreno, ver qué puede dar dinero. No hay nada de malo en ese empuje, es emprendimiento. Pero dice mucho de lo que vale hoy un gráfico de visibilidad por sí solo: no mucho. Cuando tanta gente puede lanzar uno en un fin de semana, es un producto commodity.
Esta es mi predicción. Las herramientas que no se adapten y no vayan más allá del panel van a perder a sus clientes frente a las herramientas que ofrecen las dos cosas: el seguimiento de visibilidad y el trabajo operativo que viene después. Un gráfico puede decirte que has caído en ChatGPT, pero el verdadero trabajo empieza después del gráfico, y ahí es donde la mayoría de las herramientas fichan la salida. El antiguo Hi, Moose también fichaba demasiado pronto. En tu propio sitio, el verdadero trabajo es un bucle: observar, detectar, escribir, aprobar, publicar, volver a observar. Fuera de tu sitio, es ganarse las menciones y citas en las que los motores de respuestas se apoyan con fuerza.
Algunos equipos ya lo ven. El lado operativo del AEO se ha ido llenando durante el último año, y las herramientas que lo hacen bien, como AirOps, toman sus decisiones de producto a partir de datos reales y casos de estudio, en lugar de lo que sea tendencia en LinkedIn. Respeto lo que está construyendo AirOps, es una gran solución. Nos solapamos en algunos puntos, pero yo construyo para un cliente distinto: la pyme. Conectar con equipos pequeños y crecer con ellos significa más para mí, y es donde prefiero poner mi energía cuando además tiene sentido para el negocio.
Así que, un año después de empezar Hi, Moose como un conjunto de herramientas puntuales para mi propio equipo de SEO, tiré la fórmula vieja y reconstruí todo el producto alrededor de hacia dónde creo que va esto. Para mí, crear algo que la gente ame usar, de lo que obtenga valor y con lo que al final conecte es un arte. Eso es lo que intento hacer.
Por qué la IA tiene que vivir en tu máquina
La reconstrucción parte de una decisión que suena técnica pero que en realidad va de lo que el producto puede permitirse hacer: Moose ejecuta un modelo de IA real en local, en tu propio ordenador.
El costo es la razón principal. Los equipos de marketing que dependen de Claude están chocando ahora mismo con límites de uso reales. Cada token facturado es una razón para que una herramienta haga menos: rastrear menos páginas, comprobar menos consultas. Un modelo local le da la vuelta a eso. Los LLM son potentes, y tener uno siempre disponible sin costo adicional por token abre un mundo de posibilidades. Moose puede permitirse volver a rastrear tu sitio y volver a consultar los motores tantas veces como el trabajo lo pida, porque hacer más no nos cuesta nada ni a ti ni a mí.
La velocidad viene con ello. No hay viaje de ida y vuelta a un servidor, y funciona sin conexión.
La privacidad también es parte de esto. Tus consultas y borradores se quedan en tu disco, junto con cualquier dato que conectes. Y aquí queda trabajo por hacer: los planes de pago pueden enviar tareas individuales a modelos en la nube, y quiero darles a esos clientes un bloqueo estricto que lo mantenga todo solo en local. Está en mi lista.
Lo que sale hoy
El modelo es Gemma, en tres tamaños para que encaje en el portátil que tienes:
- Gemma 2B: funciona con 8 GB de RAM, respuestas casi instantáneas. Ideal para máquinas más antiguas y tareas ligeras del día a día.
- Gemma 4B: la opción de todos los días. Briefs y análisis sólidos en alrededor de un segundo, en una máquina de 16 GB. La mayoría se queda aquí.
- Gemma 26B: músculo de estación de trabajo para documentos largos e investigación densa, con 32 GB.
Se descarga una vez y después funciona completamente sin conexión para siempre. Usa tu GPU cuando puede y tu CPU cuando no. No hay contador, y puedes hablar con Moose todo el día a costo cero.
Llegar hasta aquí fue una pelea en algunos tramos. Las máquinas de Apple con Intel fueron la mayor dificultad: no hay Apple Silicon en el que apoyarse, así que la eficiencia deja de ser opcional. Tenemos que ser súper eficientes con las instrucciones de sistema, equilibrando seguir siendo útiles con darle al modelo suficiente contexto para trabajar. Cada token gastado en instrucciones es un token que el modelo no puede dedicar a tu contenido.
Moose también aprende tu sitio entero. Cada página, descargada y archivada en local, tal como la ven los rastreadores de IA. Pregúntale a un chatbot genérico cómo va tu sitio y no puedes saber qué ha mirado: a veces descarga unas cuantas páginas, a veces responde de memoria. Moose lee cada página, y así es como detecta lo silencioso: un CDN que rechaza discretamente al rastreador de OpenAI, o contenido que solo aparece después de ejecutarse el JavaScript. Vectoriza lo que encuentra, para que puedas preguntar qué páginas cubren un tema y obtener una respuesta sacada de tu sitio real. Y las comprobaciones de visibilidad se ejecutan desde tu máquina y archivan sus respuestas en tu máquina, para que no pagues a un servicio de monitorización por cada consulta.
Cuando un trabajo pide un modelo frontier, tienes dos formas de llegar a uno, y ambas quedan bajo tu control. Trae tu propia clave de OpenRouter (para OpenAI, Claude, Gemini y varios más) y Moose enruta esa tarea concreta hacia ella: pagas al proveedor directamente, a su tarifa, y yo no me llevo margen. O elige el plan gestionado, y un plan de pago ejecuta los modelos frontier por ti, sin claves que manejar. En cualquier caso, el modelo local siempre está ahí debajo.
Lo siguiente, sobre la misma base: un grafo de entidades de lo que cubre tu sitio y cómo se conecta, y flujos de agente más profundos que ejecutan trabajos de varios pasos más largos.
Moose es tu compañero de trabajo
Lo que más quería que este lanzamiento transmitiera: un experto en AEO siempre disponible. Moose te saluda cuando entras, y recuerda tus proyectos y tu voz.
Dos compromisos se mantienen, se convierta Moose en lo que se convierta: nada se publica sin tu aprobación, y cada recomendación va etiquetada según la evidencia que la respalda: probada, direccional o buena práctica. No empujo trucos que la investigación ya ha desmentido, y Moose nunca se inventa una cita para parecer listo.
Ven a saludar
Le puse a la empresa el nombre de mi perro: uno tranquilo y leal que se queda tumbado bajo el escritorio durante todas las noches largas. Ese es el temperamento hacia el que construí: algo que simplemente está ahí, de tu lado.
Hi, Moose para escritorio ya está disponible en Windows y macOS, y el modelo local es gratis de verdad, no una prueba. Descárgalo, ponlo a trabajar en un proyecto real y cuéntame qué te parece. Hablo con cualquiera: en [email protected] respondo yo.
Hace SEO de día y construyó Hi, Moose de noche. Sin inversores, sin un gran equipo, solo herramientas prácticas para los problemas de AEO con los que se encontraba. Le puso a la empresa el nombre de su perro.