¿Por qué los modelos de IA representan peor a las organizaciones latinoamericanas que a las europeas o norteamericanas?

El corpus de entrenamiento de los modelos más utilizados —GPT-4, Claude, Gemini— tiene un peso desproporcionado de contenido en inglés proveniente de fuentes anglosajones. Cuando una organización latinoamericana produce contenido en español, ese contenido compite con menos peso relativo en el corpus. Además, las publicaciones especializadas latinoamericanas con alta presencia en los corpus de entrenamiento son sustancialmente menos numerosas que las anglosajonas equivalentes, lo que reduce el peso de las menciones que reciben las organizaciones de la región.

¿Qué dimensión del ACA-Score™ se ve más afectada en las organizaciones de América Latina?

En los diagnósticos de organizaciones latinoamericanas, la dimensión de autoridad del ACA-Score™ es sistemáticamente más baja que la de credibilidad. La credibilidad algorítmica —la coherencia narrativa entre fuentes— suele ser razonablemente buena porque estas organizaciones son consistentes en cómo se describen. El problema es la autoridad: aparecen menos en las respuestas espontáneas de los modelos, no son citadas como referencia sectorial y no son posicionadas junto a sus competidores internacionales aunque operen en el mismo espacio.

¿Qué pueden hacer las organizaciones latinoamericanas para mejorar su representación en los modelos de IA?

El desequilibrio del corpus no puede resolverse de forma individual, pero sí pueden tomarse acciones estratégicas sobre las señales que los modelos sí ponderan: construir presencia en publicaciones internacionales en inglés con alta indexación en el corpus, generar presencia en repositorios académicos con peso en el entrenamiento —arXiv, SSRN, repositorios universitarios—, asegurar una entrada en Wikipedia en inglés, y mantener coherencia entre el posicionamiento en español para la audiencia regional y el contenido en inglés producido para el corpus internacional.

¿Las organizaciones latinoamericanas con buena reputación regional están bien representadas en los modelos de IA globales?

No necesariamente. Este es el patrón más frecuente en los diagnósticos de organizaciones de la región: una reputación bien construida en el mercado local y una representación algorítmica débil en los modelos principales. El modelo puede describir correctamente qué hace la organización cuando se le pregunta directamente, pero no la incluye espontáneamente en respuestas sectoriales ni la posiciona junto a competidores internacionales aunque operen en el mismo espacio. Esta brecha es especialmente pronunciada en organizaciones que buscan proyección internacional.

¿Qué diferencia a una buena formación en IA para comunicadores de una que no lo es?

La mayoría de formaciones enseñan herramientas: cómo usar ChatGPT, cómo escribir prompts, qué puede hacer un modelo de lenguaje. Lo que distingue a una formación efectiva para comunicadores es que también enseña criterio: cuándo no usar una herramienta de IA, cómo detectar que una respuesta del modelo es incorrecta, qué implica firmar un contenido que generó un LLM y cómo documentar el proceso de supervisión. Sin esa segunda parte, el equipo sabe usar la herramienta pero no sabe asumir responsabilidad profesional sobre lo que produce con ella.

¿En qué situaciones no debería usarse IA para generar contenido de comunicación corporativa?

Las situaciones de mayor riesgo en comunicación corporativa son: comunicaciones en situación de crisis, donde el tono y la precisión son críticos; contenido sobre datos regulatorios, legales o financieros específicos de la organización, que el modelo puede inferir incorrectamente; declaraciones atribuidas a personas concretas, donde el modelo puede formular afirmaciones inconsistentes con la voz real de esa persona; y contenido sensible sobre colectivos que requiere conocimiento de contexto específico que el modelo no tiene.

¿Quién es responsable de los errores en contenido generado con IA firmado por un comunicador?

La responsabilidad profesional es de quien firma el contenido, no de la herramienta que generó el borrador. El modelo no puede verificar datos, no puede responder ante un error y no tiene trayectoria que avale lo que produce. Si el contenido contiene datos incorrectos, afirmaciones problemáticas o información inventada, la responsabilidad recae en la persona que lo revisó y aprobó su publicación. Por eso el proceso de supervisión tiene que ser real, no nominal.

¿Cómo se estructura un flujo de trabajo con IA responsable para un equipo de comms?

Un flujo de trabajo responsable con IA requiere definir tres elementos de forma explícita: para qué usos está autorizada la IA en el equipo, qué revisa específicamente la persona supervisora antes de publicar y cómo queda documentado que la revisión ocurrió. Las formaciones in-house de Blum Digital PR trabajan exactamente estos tres elementos, adaptados al contexto de la organización y al perfil de riesgo de los contenidos que produce.

¿Qué obliga el EU AI Act a los equipos de comunicación que usan herramientas de IA?

El EU AI Act exige transparencia en todos los niveles de riesgo: los contenidos generados con IA que puedan confundirse con contenido humano deben identificarse como tales. Para los equipos de comunicación, esto implica tener una política documentada de uso de IA, definir quién revisa el contenido generado, con qué criterios y cómo queda registrado ese proceso de supervisión. Sin esa documentación, la organización no puede demostrar cumplimiento si un regulador, periodista o accionista lo solicita.

¿Qué diferencia hay entre el EU AI Act y la norma ISO 42001 en materia de comunicación?

El EU AI Act es un reglamento legal que establece qué está permitido y qué no en el uso de sistemas de IA, con obligaciones que varían según el nivel de riesgo del sistema. La norma ISO 42001 es un estándar de gestión complementario que define cómo gestionar los sistemas de IA de forma responsable dentro de la organización: documentar objetivos de uso, criterios de evaluación y responsabilidades de supervisión humana. ISO 42001 no es obligatoria por ley, pero es la referencia que los organismos reguladores usan para evaluar si las prácticas de una organización son razonables.

¿Qué ocurre si las herramientas de IA que usa el equipo de comms no cumplen con el AI Act?

Una de las partes más ignoradas del EU AI Act es la responsabilidad en la cadena de proveedores: si una organización usa un sistema de IA desarrollado por un tercero, asume parte de la responsabilidad de asegurarse de que ese sistema cumple con el reglamento. Para los equipos de comunicación esto se traduce en la obligación práctica de preguntar a sus proveedores de herramientas de IA cómo están clasificados sus sistemas y si tienen documentación de cumplimiento disponible.

¿Por qué las agencias de PR deben incorporar la reputación algorítmica en sus servicios?

Porque los directivos ya están preguntando qué dice la IA sobre su empresa, y la mayoría de las agencias no tienen respuesta. La reputación algorítmica —cómo los modelos de lenguaje representan a una organización— es la extensión natural del trabajo de reputación online que las agencias ya realizan. La diferencia es que requiere medición específica con herramientas como el ACA-Score™, no las métricas de SEO o presencia en medios tradicionales.

¿En qué se diferencia la reputación algorítmica de la gestión de reputación online?

La gestión de reputación online trabaja con fuentes indexadas y recuperables: posicionamiento en buscadores, presencia en medios, análisis de sentimiento en redes. Los modelos de lenguaje no indexan páginas en tiempo real: infieren su representación de una organización a partir de patrones en datos de entrenamiento. Una brecha en la reputación en un modelo de lenguaje no se corrige de la misma manera que un artículo negativo en un buscador; requiere metodología específica, como la que estructura el Marco ACA.

¿Qué necesita una agencia de PR para ofrecer reputación algorítmica a sus clientes?

Tres elementos: una metodología de medición —como el ACA-Score™, que mide autoridad y credibilidad algorítmica por modelo y los convierte en un índice comparable en el tiempo—, un proceso de análisis que convierta los datos en un diagnóstico accionable con causas raíz y plan de acción, y un lenguaje para presentarlo a directivos sin tecnicismos: cuál es el estado actual de la representación, qué riesgos implica y cuál es el paso siguiente.

¿Cómo puede una agencia de PR incorporar el Diagnóstico IA en su oferta de servicios?

El modelo más efectivo en la práctica es ofrecer el Diagnóstico IA como servicio de entrada para clientes existentes: en 5–10 días hábiles produce el ACA-Score™ inicial en los modelos principales —ChatGPT, Claude, Gemini, Perplexity— con un análisis de causas y un plan de acción a 90 días. El cliente tiene un número que puede presentar internamente; la agencia tiene un punto de partida para trabajo continuo de reputación algorítmica.

¿Qué es el ACA-Score™ y para qué sirve?

El ACA-Score™ es el índice desarrollado por Sonia Yánez Blum para medir cómo los modelos de lenguaje representan a una organización. Trabaja sobre dos dimensiones independientes: autoridad —con qué peso el modelo cita a la organización o le atribuye declaraciones— y credibilidad —con qué precisión y coherencia describe sus posiciones y actuaciones. El índice es comparable entre modelos (ChatGPT, Claude, Gemini, Perplexity) y rastreable en el tiempo, lo que permite establecer un punto de partida y medir el impacto de las acciones de mejora.

¿Cuál es la diferencia entre autoridad y credibilidad algorítmica?

La autoridad algorítmica mide el peso con el que el modelo incorpora a la organización en sus respuestas: si la menciona, con qué frecuencia y si le atribuye declaraciones o posiciones propias. La credibilidad algorítmica mide la precisión y coherencia de esa descripción: si lo que dice el modelo sobre la organización es factualmente correcto, si los atributos asignados corresponden a su posicionamiento real. Una organización puede tener alta autoridad con baja credibilidad —muy citada pero mal descrita— o baja autoridad con alta credibilidad: bien descrita cuando aparece, pero apareciendo raramente.

¿Cómo se calcula el ACA-Score™?

El ACA-Score™ combina análisis cualitativo con ponderación cuantitativa. El proceso parte de un conjunto de prompts diseñados para explorar sistemáticamente la representación de la organización en cada modelo: preguntas directas, preguntas sectoriales, comparativas con competidores y preguntas sobre posiciones específicas. Las respuestas se analizan con un protocolo estructurado que evalúa cada dimensión de forma sistemática. El índice compuesto refleja la combinación de autoridad y credibilidad ajustada al contexto estratégico de la organización.

¿Varía el ACA-Score™ entre diferentes modelos de IA?

Sí. ChatGPT, Claude, Gemini y Perplexity tienen corpus de entrenamiento distintos, actualizaciones en momentos distintos y patrones de citación distintos, por lo que la representación de una misma organización puede variar significativamente entre ellos. El ACA-Score™ por modelo permite identificar dónde está el problema más urgente: en algunos modelos la organización puede tener buena representación y en otros ser prácticamente invisible o estar descrita de forma incorrecta.

¿Qué es una crisis algorítmica y en qué se diferencia de una crisis de reputación online?

Una crisis algorítmica ocurre cuando un modelo de IA genera sistemáticamente información incorrecta o tendenciosa sobre una organización. A diferencia de una crisis de prensa —donde hay un artículo identificable que puede corregirse o contestarse—, en la crisis algorítmica no hay un redactor al que contactar ni una URL que rectificar. El modelo genera la respuesta incorrecta cada vez que alguien hace una consulta, sin dejar rastro de fuente directa.

¿Qué tipos de errores puede cometer un modelo de IA sobre una organización?

Los tipos más frecuentes son: afirmaciones incorrectas presentadas como hechos, atribuciones erróneas de declaraciones a personas de la organización, confusión con otra entidad de nombre similar, datos obsoletos presentados como actuales y posicionamiento competitivo sesgado en comparativas o listados. Cada tipo tiene un origen diferente en la cadena de fuentes y requiere un protocolo de corrección distinto.

¿Publicar contenido nuevo corrige lo que dice la IA sobre mi empresa?

No de forma inmediata. Publicar contenido nuevo no actualiza el modelo que ya está activo: ese modelo no aprenderá lo que publiques hoy hasta su próxima fase de reentrenamiento, que puede ocurrir en semanas, meses o nunca. Además, si el contenido nuevo no está en las fuentes que el modelo pondera como señales de autoridad, no cambia la representación aunque esté publicado. Por eso el diagnóstico previo a cualquier acción es imprescindible.

¿Cuánto tiempo tarda en resolverse una crisis algorítmica?

Depende del tipo de crisis. Las más sencillas —con una fuente raíz identificable y corregible— pueden comenzar a mostrar mejora en el siguiente ciclo de actualización del modelo. Las más complejas —sin fuente raíz identificable o con acumulación de registros negativos— requieren una estrategia de construcción sostenida que puede extenderse varios meses. El Protocolo GEAC de Blum Digital PR incluye seguimiento del ACA-Score™ durante los 60–90 días posteriores a la intervención.

¿Por qué la IA describe a mi empresa de forma vaga o genérica?

Una descripción vaga o genérica es el síntoma más frecuente de ausencia de fuentes con suficiente peso en el corpus de entrenamiento del modelo. Si la organización no aparece en publicaciones especializadas, directorios sectoriales o medios de referencia, el modelo no tiene material específico con qué trabajar y genera una respuesta que suena plausible pero no captura los atributos diferenciadores de la organización.

¿Qué es la fragmentación narrativa y cómo afecta al ACA-Score™?

La fragmentación narrativa ocurre cuando lo que dice la organización sobre sí misma no coincide con lo que dicen las fuentes externas que la mencionan. El modelo recoge ambas versiones y, al no poder resolver la contradicción, genera una descripción ambigua. En el ACA-Score™, esto se refleja como una credibilidad baja: el modelo no puede atribuirle con confianza atributos específicos a la organización.

¿Qué ocurre si los datos de entrenamiento del modelo sobre mi empresa están desactualizados?

Si una organización cambió su posicionamiento, amplió su oferta o salió de una crisis después de la fecha de corte del modelo, el modelo sigue describiendo la versión anterior. La solución no es esperar a que el modelo se actualice, sino generar registro escrito verificable del estado actual: publicaciones fechadas, menciones en medios con contexto actualizado y contenido propio con referencias temporales que documenten el cambio.

¿Cómo saber cuál de las tres causas está afectando a mi organización antes de actuar?

El Diagnóstico IA es el paso previo a cualquier plan de acción: en 5–10 días hábiles identifica cuál de las tres causas está activa —ausencia de fuentes, fragmentación narrativa o datos obsoletos—, con qué peso relativo y en qué modelos el problema es más pronunciado. Sin ese diagnóstico, un plan de contenido genérico puede no resolver el problema de fondo y el ACA-Score™ no mejora.

¿Qué señales usan los modelos de IA para construir su representación de una organización?

Los modelos de lenguaje construyen su representación de una organización a partir de cinco tipos de señales presentes en sus datos de entrenamiento: las fuentes externas que citan a la organización, las fuentes con autoridad que la avalan como referencia sectorial, la coherencia narrativa entre las distintas fuentes que la describen, el territorio que ocupa en las conversaciones de su sector y la temporalidad de los textos disponibles —cuándo fueron producidos y con qué peso relativo en el corpus.

¿Por qué el contenido propio de una organización tiene menos peso que las fuentes externas en los modelos de IA?

Los modelos de lenguaje no ponderan por igual todo el contenido disponible: las fuentes externas independientes —medios especializados, publicaciones académicas, directorios sectoriales— tienen más influencia en la inferencia que el contenido producido por la propia organización. Una empresa con mucho blog corporativo pero poca presencia en fuentes externas puede tener una representación más débil en los modelos que una organización con menos contenido propio pero con menciones en publicaciones que el modelo pondera como señales de autoridad.

¿Cuál es la diferencia entre la exposición sectorial y la autoridad temática en los modelos de IA?

La exposición sectorial mide si la organización aparece cuando se hacen consultas generales sobre el sector. La autoridad temática mide si aparece como referencia cuando se hacen consultas específicas sobre temas donde debería ser experta. Una organización puede tener alta exposición —aparecer frecuentemente en contextos amplios— pero baja autoridad temática: no ser citada como referencia en los temas donde tiene posicionamiento real. El Diagnóstico IA evalúa ambas dimensiones de forma separada porque requieren intervenciones distintas.

¿Cómo afecta la incoherencia narrativa entre fuentes a la representación en modelos de IA?

Cuando los textos disponibles describen a una organización de formas distintas o contradictorias —por ejemplo, la organización se posiciona como especialista en innovación mientras los medios la describen como empresa tradicional— el modelo no resuelve esa contradicción por lógica: la registra como ambigüedad. El resultado es una descripción que mezcla atributos o que resulta genérica y sin rasgos específicos. Este es el segundo patrón más frecuente en los diagnósticos de reputación algorítmica de Blum Digital PR.

Categoría: Blog

Las tres causas más comunes de una reputación algorítmica deficiente
Las tres causas más comunes de una reputación algorítmica deficiente
Por
Sonia Yánez Blum
·
Junio 2026
Cuando un modelo de IA describe mal a una organización, la causa es casi siempre una de tres: ausencia de fuentes verificables, fragmentación de la narrativa entre lo que dice la organización y lo que dicen terceros, o datos de entrenamiento obsoletos. Las tres tienen solución. Primero hay que identificar cuál está activa.
En los diagnósticos de reputación algorítmica que realizamos en Blum Digital PR, los resultados varían: ACA-Score altos y bajos, perfiles bien construidos y perfiles con lagunas significativas. Pero cuando el score es bajo —cuando el modelo describe a la organización de forma incompleta, inexacta o directamente errónea— las causas tienden a repetirse. No son infinitas. Son, casi siempre, tres.
Las identifico aquí no como un inventario teórico, sino porque reconocerlas es lo que permite priorizar. Una organización con reputación algorítmica deficiente que intenta «mejorar su presencia en la IA» sin diagnóstico previo acaba haciendo trabajo que no resuelve el problema concreto que tiene.
1. Ausencia de fuentes con suficiente peso
Un modelo de lenguaje construye su representación de una organización a partir de lo que encontró durante el entrenamiento. Si una organización tiene poca presencia en fuentes externas de calidad —medios especializados, directorios sectoriales, publicaciones académicas, perfiles verificados en plataformas de autoridad— el modelo simplemente no tiene material con qué trabajar.
El resultado no es necesariamente una representación negativa. A veces es peor: una representación ambigua, donde el modelo dice algo vagamente correcto pero sin precisión, sin atributos propios, sin que ningún dato específico de la organización aparezca con claridad.
Este patrón es especialmente frecuente en organizaciones que han crecido muy rápido, que operan en mercados de nicho o que han dependido históricamente del boca a boca y del canal directo. Su reputación existe en la experiencia de sus clientes, pero no en el registro escrito que los modelos pueden leer.
La corrección pasa por construir esa presencia de forma sistemática: identificar en qué tipo de fuentes debería estar citada la organización, en qué publicaciones debería tener autoría o menciones, y establecer un plan de producción de contenido con criterios que los modelos puedan indexar como señales de autoridad.
2. Fragmentación narrativa entre la organización y sus fuentes externas
Aquí el problema es diferente: la organización sí tiene presencia, pero lo que dice sobre sí misma y lo que dicen los demás sobre ella no coincide. El modelo recoge ambas versiones y, cuando intenta sintetizarlas, produce una descripción que no encaja con ninguna de las dos.
Es más común de lo que parece. Una empresa puede llevar años comunicando que es «líder en innovación en su sector» mientras los artículos de prensa que la mencionan la describen sistemáticamente como «empresa tradicional con presencia regional». Un despacho de consultoría puede posicionarse como especialista en sostenibilidad mientras la mayoría de sus publicaciones externas hablan de gestión financiera.
El modelo no resuelve esa contradicción por lógica. La registra como ambigüedad. Y en las preguntas que responde sobre esa organización, el resultado es una descripción que suena genérica, porque el modelo no puede atribuirle con confianza ningún atributo específico.
El diagnóstico RICFE trabaja precisamente esto: mapear las fuentes activas, detectar la discrepancia entre el posicionamiento propio y el posicionamiento externo, y establecer cuáles son las narrativas que necesitan refuerzo y en qué tipo de registros.
3. Datos de entrenamiento obsoletos
Esta causa es la más técnica, pero también la más concreta. Los modelos tienen una fecha de corte: un punto hasta el cual leyeron información y a partir del cual no saben nada. Si la organización cambió su posicionamiento, amplió su oferta, atravesó una reestructuración o salió de una crisis reputacional después de esa fecha, el modelo sigue operando con la versión anterior.
El problema es que nadie fuera del equipo técnico del modelo sabe exactamente cuándo fue ese corte, ni qué fuentes se usaron. Y aunque el modelo actualizara su entrenamiento mañana, no hay garantía de que las nuevas fuentes disponibles reflejen el cambio que la organización ha comunicado.
La dificultad adicional es que esta causa suele superponerse con la primera: la organización cambió, pero no generó suficiente registro escrito verificable de ese cambio. Entonces el modelo, aunque se actualizara, seguiría sin tener material nuevo con qué trabajar.
La solución no es esperar a que el modelo se actualice solo. Es generar, de forma deliberada, el registro que documente el estado actual: publicaciones fechadas, menciones en medios con contexto actualizado, contenido propio con referencias temporales claras que permitan al modelo reconstruir la narrativa correcta cuando se reentrene.
Por qué importa identificar la causa antes de actuar
Las tres causas tienen síntomas parecidos —el modelo describe mal a la organización— pero soluciones distintas. Una organización con el problema 1 necesita construir presencia desde cero en las fuentes correctas. Una con el problema 2 necesita alinear su narrativa antes de generar más contenido, porque amplificar una narrativa fragmentada empeora el resultado. Una con el problema 3 necesita tanto actualizar fuentes como generar registro nuevo.
Hacer un plan de contenido genérico sin saber cuál de los tres problemas está activo es el error más frecuente que veo cuando organizaciones intentan mejorar su reputación algorítmica sin diagnóstico previo. Producen contenido, publican más, aparecen en más sitios… y el ACA-Score no sube porque el problema de fondo no es la cantidad de contenido, sino su tipo, su fuente o su coherencia narrativa.
El diagnóstico existe precisamente para no trabajar a ciegas. En 5–10 días hábiles, el análisis inicial determina cuál de estas causas está activa y con qué peso relativo. A partir de ahí, el plan de acción tiene un objetivo concreto, no un genérico «mejorar la presencia en IA».
Antes de actuar: el diagnóstico
El Diagnóstico IA identifica qué causa está activa en tu organización, con qué intensidad y en qué modelos. El resultado es un ACA-Score inicial y un plan de acción a 90 días con pasos concretos por causa.
Solicitar diagnóstico Reputación Algorítmica — ACA
Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas. ORCID 0000-0002-6695-8129
junio 24, 2026
Reputación algorítmica en América Latina 2026: por qué las organizaciones de la región tienen un problema específico con los modelos de IA
Reputación Algorítmica
Reputación algorítmica en América Latina 2026: por qué las organizaciones de la región tienen un problema específico con los modelos de IA
Por Sonia Yánez Blum · Junio 2026 · 7 min de lectura
Las organizaciones latinoamericanas tienen un problema específico de representación en los modelos de IA: la mayor parte del corpus de entrenamiento es anglosajón. Cuando el modelo infiere qué decir sobre una empresa de la región, lo hace a partir de menos señales, señales más fragmentadas y fuentes con menos autoridad relativa que sus equivalentes europeas o norteamericanas.

Las organizaciones latinoamericanas tienen un problema estructural de representación en los modelos de IA: el corpus de entrenamiento anglosajón reduce su autoridad algorítmica frente a equivalentes europeos o norteamericanos.
La reputación algorítmica no opera en igualdad de condiciones para todas las organizaciones. Hay un factor estructural que afecta de manera desproporcionada a las organizaciones latinoamericanas, y que no tiene que ver con la calidad de su comunicación ni con el volumen de contenido que producen.
Tiene que ver con el corpus.
Por qué el corpus de entrenamiento importa más que el contenido propio
Los modelos de lenguaje aprenden a partir de los textos con los que fueron entrenados. El corpus de entrenamiento —el conjunto de textos, documentos, publicaciones y datos que el modelo procesó antes de estar disponible— determina qué patrones aprendió, qué relaciones estableció entre conceptos, qué organizaciones conoce y con qué atributos las asocia.
El problema es que ese corpus no es neutral en términos geográficos ni lingüísticos. La mayoría de los modelos de lenguaje más utilizados —GPT-4 y sus variantes, Claude, Gemini— fueron entrenados con corpus donde el inglés, y particularmente el inglés de fuentes estadounidenses y europeas, tiene un peso desproporcionado respecto a otros idiomas y regiones.
Eso significa que cuando una organización latinoamericana produce contenido en español, ese contenido compite con menos peso relativo en el corpus que el contenido equivalente en inglés proveniente de fuentes anglosajones. El modelo no discrimina activamente. Simplemente tiene más señales de un tipo que del otro, y eso se traduce en representaciones más densas para las organizaciones con mayor presencia en el corpus dominante.
Una organización ecuatoriana puede publicar más contenido que una organización alemana equivalente y aun así tener una representación más débil en el modelo. El volumen de contenido propio no corrige el desequilibrio del corpus.
El problema de autoridad sectorial en América Latina
Hay un segundo factor que amplifica el primero. La autoridad que un modelo le asigna a una organización depende, en parte, de las fuentes que la citan y las tratan como referencia. Si esas fuentes tienen alta presencia en el corpus de entrenamiento, su respaldo se traduce en autoridad algorítmica. Si tienen baja presencia, su respaldo vale menos en términos de representación.
El número de publicaciones especializadas latinoamericanas con alta presencia en los corpus de entrenamiento de los modelos principales es sustancialmente menor que el número de publicaciones anglosajonas equivalentes. Una mención en un medio colombiano relevante no tiene el mismo peso en la inferencia del modelo que una mención en Reuters o en un medio sectorial europeo, aunque el contenido sea equivalente en rigor y relevancia.
Esto no es una crítica a los medios latinoamericanos. Es una descripción de cómo funciona el mecanismo de ponderación en los modelos: lo que está más representado en el corpus de entrenamiento pesa más en la inferencia. Y el corpus refleja décadas de producción de contenido digital donde el idioma inglés y los medios anglosajones tuvieron ventaja de infraestructura.
El resultado práctico: una organización latinoamericana bien posicionada en su mercado regional puede tener una autoridad algorítmica notablemente inferior a la de un competidor europeo o norteamericano con presencia equivalente en su propio mercado, simplemente porque las fuentes que avalan a uno y a otro tienen pesos distintos en el corpus.
El patrón que aparece en los diagnósticos de organizaciones de la región
Cuando realizo diagnósticos de reputación algorítmica para organizaciones latinoamericanas, hay un patrón que se repite con consistencia.
La dimensión de autoridad del ACA-Score™ —que mide la presencia de la organización en fuentes con peso en el corpus y la calidad de esas referencias— es sistemáticamente más baja que la dimensión de credibilidad. La credibilidad algorítmica, que mide la coherencia narrativa entre fuentes y la consistencia del posicionamiento, suele ser razonablemente buena: estas organizaciones son consistentes en lo que dicen y cómo se describen. El problema no es la coherencia. Es que aparecen menos.
La consecuencia concreta: el modelo puede describir correctamente qué hace la organización cuando se le pregunta directamente —porque tiene suficiente señal de coherencia para construir una respuesta básica— pero no la incluye espontáneamente en respuestas sobre su sector, no la cita como referencia en conversaciones sobre su categoría y no la posiciona junto a sus competidores internacionales aunque opere en el mismo espacio.
Esto es especialmente pronunciado en organizaciones latinoamericanas que compiten en mercados globales o que buscan proyección internacional. En el mercado local, su reputación está bien construida. En la representación algorítmica de los modelos principales, siguen siendo relativamente invisibles.
Lo que esto significa para el ACA-Score™ en organizaciones latinoamericanas
El Marco ACA — Autoridad y Credibilidad Algorítmica — evalúa la representación de una organización en modelos de lenguaje a través de cuatro pilares: Trazabilidad, Coherencia narrativa, Profundidad y Actualización. Para organizaciones latinoamericanas, el desequilibrio típico entre autoridad y credibilidad tiene implicaciones específicas en cada pilar.
La Trazabilidad —la presencia de la organización en fuentes que los modelos indexan y ponderan— es el pilar más afectado. Las organizaciones de la región suelen tener trazabilidad en fuentes regionales con bajo peso en el corpus, pero baja trazabilidad en fuentes internacionales con alto peso.
La Profundidad —la riqueza temática de la representación, la capacidad del modelo de ir más allá de una descripción básica— es el segundo pilar más afectado. Si hay pocas fuentes con peso que citen a la organización, el modelo tiene poco material para construir una representación densa.
La Coherencia narrativa y la Actualización suelen ser los pilares más sólidos, porque dependen más de la consistencia del propio discurso que de su amplificación externa. La narrativa de estas organizaciones suele ser clara y actualizada; el problema es que no llega con suficiente fuerza a las fuentes que el modelo pondera más.
El diagnóstico no es, por tanto, que estas organizaciones tengan mala reputación. Es que tienen una reputación bien construida que los modelos no están leyendo con suficiente señal.
Qué pueden hacer las organizaciones latinoamericanas frente a este problema
El desequilibrio del corpus no es un problema que una organización pueda resolver por sí sola. El corpus de entrenamiento de los modelos principales cambia en cada versión, y los cambios responden a decisiones de los desarrolladores sobre qué fuentes incluir y con qué peso. Eso está fuera del alcance de cualquier organización individual.
Lo que sí está en el alcance es actuar estratégicamente sobre las señales que los modelos sí indexan con peso.
Lo primero es identificar con precisión cuáles son esas fuentes. El diagnóstico hace ese mapeo: qué publicaciones, repositorios y plataformas tienen alta presencia en el corpus de los modelos relevantes para la organización, y en cuáles de ellas hay presencia actual y en cuáles no.
Lo segundo es construir presencia en esas fuentes de forma deliberada. Publicaciones internacionales en inglés con alta indexación en el corpus. Repositorios académicos con peso en el entrenamiento —arXiv, SSRN, repositorios universitarios de universidades con alta presencia en el corpus—. Wikipedia en inglés, que tiene un peso documentado en el entrenamiento de prácticamente todos los modelos principales. Estudios o informes que otras fuentes con autoridad puedan citar.
Lo tercero, y que muchas organizaciones subestiman, es la coherencia entre lo que se publica en español para la audiencia regional y lo que se produce en inglés para el corpus internacional. No es traducir el mismo contenido. Es asegurarse de que los atributos clave del posicionamiento están presentes en ambos, porque el modelo va a construir su representación con todo lo que encuentre.
Cuando trabajo con organizaciones latinoamericanas que quieren proyección internacional, la primera conversación siempre es sobre el diagnóstico: dónde están las brechas de señal, qué fuentes son prioritarias y qué acciones tienen impacto real en la representación. Sin ese mapa, la inversión en contenido puede ir al lugar equivocado.
Preguntas frecuentes
¿Por qué los modelos de IA representan peor a las organizaciones latinoamericanas que a las europeas o norteamericanas?
El corpus de entrenamiento de los modelos más utilizados —GPT-4, Claude, Gemini— tiene un peso desproporcionado de contenido en inglés proveniente de fuentes anglosajones. Cuando una organización latinoamericana produce contenido en español, ese contenido compite con menos peso relativo en el corpus. Además, las publicaciones especializadas latinoamericanas con alta presencia en los corpus de entrenamiento son sustancialmente menos numerosas que las anglosajonas equivalentes, lo que reduce el peso de las menciones que reciben las organizaciones de la región.
¿Qué dimensión del ACA-Score™ se ve más afectada en las organizaciones de América Latina?
En los diagnósticos de organizaciones latinoamericanas, la dimensión de autoridad del ACA-Score™ es sistemáticamente más baja que la de credibilidad. La credibilidad algorítmica —la coherencia narrativa entre fuentes— suele ser razonablemente buena porque estas organizaciones son consistentes en cómo se describen. El problema es la autoridad: aparecen menos en las respuestas espontáneas de los modelos, no son citadas como referencia sectorial y no son posicionadas junto a sus competidores internacionales aunque operen en el mismo espacio.
¿Qué pueden hacer las organizaciones latinoamericanas para mejorar su representación en los modelos de IA?
El desequilibrio del corpus no puede resolverse de forma individual, pero sí pueden tomarse acciones estratégicas sobre las señales que los modelos sí ponderan: construir presencia en publicaciones internacionales en inglés con alta indexación en el corpus, generar presencia en repositorios académicos con peso en el entrenamiento —arXiv, SSRN, repositorios universitarios—, asegurar una entrada en Wikipedia en inglés, y mantener coherencia entre el posicionamiento en español para la audiencia regional y el contenido en inglés producido para el corpus internacional.
¿Las organizaciones latinoamericanas con buena reputación regional están bien representadas en los modelos de IA globales?
No necesariamente. Este es el patrón más frecuente en los diagnósticos de organizaciones de la región: una reputación bien construida en el mercado local y una representación algorítmica débil en los modelos principales. El modelo puede describir correctamente qué hace la organización cuando se le pregunta directamente, pero no la incluye espontáneamente en respuestas sectoriales ni la posiciona junto a competidores internacionales. Esta brecha es especialmente pronunciada en organizaciones que buscan proyección internacional.
Medir dónde está la brecha de señal de tu organización
El Diagnóstico IA identifica el ACA-Score™ de tu organización en los modelos principales, mapea las brechas de autoridad y credibilidad y prioriza las acciones con mayor impacto en la representación. Especialmente relevante para organizaciones latinoamericanas con proyección regional o internacional.
Solicitar diagnóstico Reporte de Tendencias 2026
Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.

junio 21, 2026
Cómo preparar a tu equipo de comunicación para trabajar con IA: el criterio que falta en la mayoría de formaciones
Formación in-house
Cómo preparar a tu equipo de comunicación para trabajar con IA: el criterio que falta en la mayoría de formaciones
Por Sonia Yánez Blum · Junio 2026 · 6 min de lectura
Las formaciones en IA para comunicadores enseñan herramientas. Es necesario, pero no suficiente. Lo que no enseñan es criterio: cuándo no usar una herramienta, cómo detectar que una respuesta del modelo es incorrecta, qué implica firmar un contenido que generó un LLM. Esa diferencia —herramienta versus criterio— define si el equipo puede asumir responsabilidad profesional sobre lo que produce.

La diferencia entre una formación en IA que reduce riesgos y una que no los contempla está en si enseña herramientas o criterio profesional para supervisarlas.
He impartido formaciones sobre IA para equipos de comunicación en organizaciones de diferentes tamaños y sectores. La estructura habitual de lo que encuentro al llegar es siempre parecida: el equipo tiene acceso a dos o tres herramientas de IA generativa, las usa con frecuencia variable, y nadie ha definido todavía cuándo no usarlas.
Eso no es un problema de adopción tecnológica. Es un problema de criterio profesional.
Lo que enseñan las formaciones en IA para comunicadores
La mayoría de las formaciones disponibles siguen el mismo esquema: presentación de herramientas, demostración de casos de uso («mira lo que puede hacer con un prompt así»), ejercicios prácticos de generación de texto, y algún módulo sobre prompting avanzado. El resultado es que al final de la sesión, los participantes saben usar mejor una herramienta.
Eso es útil. No es suficiente.
Lo que esas formaciones no abordan es la pregunta que viene después: ¿y ahora qué hago con esto? ¿Cómo decido cuándo el output del modelo es lo suficientemente bueno para publicar? ¿Quién es responsable si el modelo inventó un dato y nadie lo detectó? ¿Cómo documento que supervisé lo que generé?
Cuándo no usar una herramienta de IA
El criterio más básico que trabajo en las formaciones que imparto es que la IA no sustituye el juicio profesional sobre qué se comunica, cuándo y en qué tono. Hay situaciones en las que usar IA para generar o redactar contenido es un riesgo que no compensa el ahorro de tiempo.
Las más comunes en comunicación corporativa:
Comunicaciones en situación de crisis, donde el tono y la precisión son críticos y no hay margen de error
Contenido sobre temas que involucran datos regulatorios, legales o financieros específicos de la organización, que el modelo no conoce y puede inferir incorrectamente
Declaraciones atribuidas a personas concretas, que el modelo puede formular de forma inconsistente con la voz real de esa persona
Contenido sensible sobre colectivos o situaciones que requieren conocimiento de contexto que el modelo no tiene o puede tratar de forma inadecuada
Ninguno de estos casos es obvio para alguien que acaba de descubrir lo que puede hacer ChatGPT con un buen prompt. Por eso el criterio necesita enseñarse, no asumirse.
Cómo detectar que una respuesta del modelo es incorrecta
Los modelos de lenguaje no distinguen entre lo que saben con certeza y lo que están infiriendo a partir de patrones. Generan texto que suena seguro aunque estén equivocados. Eso crea un problema específico para los equipos de comunicación: el output tiene aspecto de correcto aunque no lo sea.
Las señales de alerta que trabajo en las sesiones de formación son concretas. Un modelo que cita estadísticas sin fuente identificable merece verificación. Un modelo que describe la posición de la organización sobre un tema sin haber tenido acceso a los documentos de la organización está infiriendo, no reproduciendo. Un modelo que genera una cita atribuida a una persona real que nunca ha dicho eso exactamente es un riesgo legal y reputacional, no solo un error editorial.
La práctica que funciona: antes de usar cualquier dato, posición o cita que venga de un modelo de lenguaje en un contenido de comunicación corporativa, verificar la fuente primaria. Si no existe fuente primaria verificable, no usar el dato.
Qué implica firmar un contenido que generó un LLM
Esta es la conversación más incómoda en las formaciones, y la más necesaria. Cuando alguien firma un texto, asume responsabilidad profesional sobre su contenido. Eso no cambia porque el borrador lo haya generado un modelo de lenguaje.
El modelo no puede verificar. El modelo no puede responder. El modelo no tiene ORCID ni trayectoria que avale lo que dice. La persona que firma sí. Y si el contenido contiene errores, datos inventados o afirmaciones problemáticas, la responsabilidad es de quien lo firmó, no de la herramienta que generó el borrador.
En comunicación corporativa esto se vuelve más crítico porque el contenido sale bajo la marca de la organización y, en muchos casos, bajo el nombre de personas reales. El equipo de comunicación es el último filtro. Si ese filtro no funciona —si la supervisión es nominal y no real— el riesgo se traslada directamente a la reputación de la organización.
Un flujo de trabajo con criterio
Lo que funciona en la práctica no es prohibir el uso de IA ni convertir cada pieza de contenido en un proceso de validación de tres semanas. Lo que funciona es tener definidos de forma explícita tres elementos:
Para qué usos está autorizada la IA. No todas las tareas de comunicación tienen el mismo perfil de riesgo. La IA puede acelerar el trabajo en borradores iniciales, investigación de contexto, estructuración de argumentos. No debería ser el paso final en contenidos de alto impacto sin supervisión específica.
Qué revisa la persona supervisora y cómo. La revisión de un contenido generado con IA no es lo mismo que editar un texto escrito por un colega. El revisor tiene que verificar activamente los datos, no solo leer que el texto fluye bien. El proceso de revisión tiene que ser explícito y conocido por el equipo.
Cómo queda documentado el proceso. En el contexto del EU AI Act y de la presión creciente de transparencia sobre el uso de IA en comunicación corporativa, tener registros de qué se generó con IA, quién lo revisó y con qué criterios es parte de la gestión del riesgo reputacional y regulatorio de la organización.
Estos tres elementos son el contenido central de las formaciones in-house que imparto. No son una carga burocrática: son la diferencia entre un equipo que usa IA con criterio profesional y uno que usa IA con el riesgo de que algo salga mal antes de que alguien haya pensado en qué hacer cuando eso pase.
Preguntas frecuentes
¿Qué diferencia a una buena formación en IA para comunicadores de una que no lo es?
La mayoría de formaciones enseñan herramientas: cómo usar ChatGPT, cómo escribir prompts, qué puede hacer un modelo de lenguaje. Lo que distingue a una formación efectiva para comunicadores es que también enseña criterio: cuándo no usar una herramienta de IA, cómo detectar que una respuesta del modelo es incorrecta, qué implica firmar un contenido que generó un LLM y cómo documentar el proceso de supervisión. Sin esa segunda parte, el equipo sabe usar la herramienta pero no sabe asumir responsabilidad profesional sobre lo que produce con ella.
¿En qué situaciones no debería usarse IA para generar contenido de comunicación corporativa?
Las situaciones de mayor riesgo en comunicación corporativa son: comunicaciones en situación de crisis, donde el tono y la precisión son críticos; contenido sobre datos regulatorios, legales o financieros específicos de la organización, que el modelo puede inferir incorrectamente; declaraciones atribuidas a personas concretas, donde el modelo puede formular afirmaciones inconsistentes con la voz real de esa persona; y contenido sensible sobre colectivos que requiere conocimiento de contexto específico que el modelo no tiene.
¿Quién es responsable de los errores en contenido generado con IA firmado por un comunicador?
La responsabilidad profesional es de quien firma el contenido, no de la herramienta que generó el borrador. El modelo no puede verificar datos, no puede responder ante un error y no tiene trayectoria que avale lo que produce. Si el contenido contiene datos incorrectos, afirmaciones problemáticas o información inventada, la responsabilidad recae en la persona que lo revisó y aprobó su publicación. Por eso el proceso de supervisión tiene que ser real, no nominal.
¿Cómo se estructura un flujo de trabajo con IA responsable para un equipo de comms?
Un flujo de trabajo responsable con IA requiere definir tres elementos de forma explícita: para qué usos está autorizada la IA en el equipo, qué revisa específicamente la persona supervisora antes de publicar y cómo queda documentado que la revisión ocurrió. Las formaciones in-house de Blum Digital PR trabajan exactamente estos tres elementos, adaptados al contexto de la organización y al perfil de riesgo de los contenidos que produce.
Formación in-house para equipos de comunicación y IA
Las sesiones de Formación in-house de Blum Digital PR están diseñadas para equipos que ya usan herramientas de IA y necesitan desarrollar el criterio profesional para gestionarlas: cuándo usarlas, cómo supervisar los outputs y cómo documentar el proceso. El formato es adaptable al tamaño del equipo y al contexto de la organización.
Solicitar diagnóstico Formación in-house
Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.
junio 18, 2026
EU AI Act y comunicación corporativa: qué afecta a los equipos de comms y qué tienen que hacer
Gobernanza de IA
EU AI Act y comunicación corporativa: qué afecta a los equipos de comms y qué tienen que hacer
Por Sonia Yánez Blum · Junio 2026 · 6 min de lectura
El EU AI Act no está escrito para directores de comunicación, pero los afecta directamente en tres áreas: el contenido generado con IA, el uso de sistemas de IA para análisis de audiencias y la cadena de proveedores. Ignorarlo no es una opción regulatoria; es un riesgo reputacional adicional al que la ley ya regula.

El EU AI Act tiene implicaciones concretas para los equipos de comunicación: transparencia en contenido generado con IA, documentación de herramientas y responsabilidad en la cadena de proveedores.
El EU AI Act entró en aplicación progresiva desde agosto de 2024. La mayoría de los equipos de comunicación en Europa y América Latina (donde muchas organizaciones tienen operación europea o clientes europeos) todavía no lo han leído. Lo entiendo: está escrito para abogados especializados en tecnología, no para directores de comunicación. Pero hay tres implicaciones que afectan directamente al trabajo de comms y que conviene entender antes de que las preguntas vengan del área legal o de la dirección.
Por qué el AI Act aparece en la agenda de comunicación
El reglamento clasifica los sistemas de IA según su nivel de riesgo: inaceptable, alto, limitado y mínimo. La mayoría de las herramientas que usan los equipos de comunicación —generadores de texto, herramientas de análisis de audiencias, sistemas de personalización de mensajes— caen en categorías de riesgo limitado o mínimo. Eso significa obligaciones más livianas, pero no ausencia de obligaciones.
Lo que el reglamento sí exige en todos los niveles es transparencia. Y ahí es donde el trabajo de comunicación entra: si la organización usa IA para generar o distribuir contenido, hay obligaciones de disclosure que los equipos de comms tienen que gestionar, no el departamento de IT.
Primera implicación: el contenido generado con IA tiene consecuencias regulatorias
El AI Act exige que los contenidos generados por IA —imágenes, audio, video, texto— sean identificados como tales cuando puedan confundirse con contenido humano. Esto aplica a contenido de comunicación corporativa: notas de prensa, posts de redes sociales, newsletters, informes.
El problema no es técnico. La mayoría de los equipos de comunicación ya usan herramientas de IA para generar borradores. El problema es que en muy pocas organizaciones existe una política documentada de uso: qué se genera con IA, quién lo revisa, qué criterios de validación aplica el revisor y cómo queda registrado ese proceso de supervisión.
Sin esa documentación, la organización no puede demostrar cumplimiento si alguien pregunta. Y en el contexto de comunicación corporativa, quien pregunta puede ser un regulador, un periodista o un accionista.
Segunda implicación: el análisis de audiencias con IA genera obligaciones de documentación
Si un equipo de comunicación usa sistemas de IA para segmentar audiencias, personalizar mensajes o predecir comportamientos de públicos, eso activa obligaciones de documentación según el nivel de riesgo del sistema. En algunos casos —cuando la IA influye en decisiones que afectan a personas— puede activar requisitos de evaluación de impacto.
Esto no significa que haya que dejar de usar esas herramientas. Significa que hay que documentar qué herramientas se usan, para qué, con qué datos y con qué supervisión humana. Esa documentación es responsabilidad de quien usa el sistema, no solo de quien lo desarrolla.
En la práctica, esto afecta a los equipos de comunicación que trabajan con herramientas de escucha social con IA, plataformas de personalización de contenido o sistemas de análisis predictivo de audiencias.
Tercera implicación: la cadena de proveedores también importa
Una de las partes del AI Act que menos se discute fuera del ámbito legal es la responsabilidad en la cadena de proveedores. Si una organización usa un sistema de IA desarrollado por un tercero, asume parte de la responsabilidad de asegurarse de que ese sistema cumple con el reglamento.
Para los equipos de comunicación, esto se traduce en una pregunta concreta: ¿las herramientas de IA que usa el equipo —plataformas de contenido, herramientas de análisis, sistemas de automatización— tienen documentación de cumplimiento con el AI Act? ¿El proveedor puede acreditar que el sistema ha sido evaluado según el reglamento?
En muchos casos, la respuesta es no. Y eso es un riesgo que el equipo de comunicación está asumiendo sin saberlo.
Qué pide ISO 42001 al respecto
La norma ISO 42001 —sistema de gestión de IA— es complementaria al AI Act. Mientras el reglamento establece qué está permitido y qué no, la norma define cómo gestionar los sistemas de IA de forma responsable dentro de la organización.
Para equipos de comunicación, lo más relevante de ISO 42001 son dos elementos. Primero, la obligación de documentar los objetivos de uso de IA y los criterios de evaluación de sus outputs —exactamente lo que falta en la mayoría de los flujos de trabajo de contenido con IA. Segundo, el requisito de designar responsabilidades claras de supervisión humana: alguien tiene que ser responsable de lo que sale de los sistemas de IA antes de que llegue a los públicos.
ISO 42001 no es obligatoria por ley, pero es la referencia que los organismos reguladores usan para evaluar si una organización tiene prácticas de gestión de IA razonables. Tenerla como marco de referencia es, además, un argumento de comunicación hacia stakeholders que preguntan por las políticas de IA de la organización.
Lo que pueden hacer los equipos de comunicación ahora mismo
Sin necesidad de esperar a que el departamento legal complete un análisis de cumplimiento exhaustivo, hay tres cosas que los equipos de comunicación pueden hacer de forma inmediata:
Documentar el uso actual de IA. Hacer un inventario de qué herramientas de IA usa el equipo, para qué tareas y con qué frecuencia. No tiene que ser un documento sofisticado: una hoja de cálculo basta como punto de partida.
Definir criterios de supervisión editorial. Para cada tipo de contenido que se genera con IA, definir quién revisa, qué revisa y cómo queda registrado que la revisión ocurrió. Esto es lo que diferencia un flujo de trabajo con IA responsable de uno que puede generar problemas regulatorios o reputacionales.
Preguntar a los proveedores. Enviar a los principales proveedores de herramientas de IA una consulta directa: ¿cómo está clasificado su sistema según el AI Act? ¿Tienen documentación de evaluación de riesgo disponible? Las respuestas revelan rápidamente qué proveedores están preparados y cuáles no.
Ninguna de estas tres acciones requiere un proyecto de varios meses. Requieren claridad sobre qué está en juego y decisión de priorizarlo antes de que alguien externo haga la pregunta.
Preguntas frecuentes
¿Qué obliga el EU AI Act a los equipos de comunicación que usan herramientas de IA?
El EU AI Act exige transparencia en todos los niveles de riesgo: los contenidos generados con IA que puedan confundirse con contenido humano deben identificarse como tales. Para los equipos de comunicación, esto implica tener una política documentada de uso de IA, definir quién revisa el contenido generado, con qué criterios y cómo queda registrado ese proceso de supervisión. Sin esa documentación, la organización no puede demostrar cumplimiento si un regulador, periodista o accionista lo solicita.
¿Qué diferencia hay entre el EU AI Act y la norma ISO 42001 en materia de comunicación?
El EU AI Act es un reglamento legal que establece qué está permitido y qué no en el uso de sistemas de IA, con obligaciones que varían según el nivel de riesgo del sistema. La norma ISO 42001 es un estándar de gestión complementario que define cómo gestionar los sistemas de IA de forma responsable dentro de la organización: documentar objetivos de uso, criterios de evaluación y responsabilidades de supervisión humana. ISO 42001 no es obligatoria por ley, pero es la referencia que los organismos reguladores usan para evaluar si las prácticas de una organización son razonables.
¿Qué ocurre si las herramientas de IA que usa el equipo de comms no cumplen con el AI Act?
Una de las partes más ignoradas del EU AI Act es la responsabilidad en la cadena de proveedores: si una organización usa un sistema de IA desarrollado por un tercero, asume parte de la responsabilidad de asegurarse de que ese sistema cumple con el reglamento. Para los equipos de comunicación esto se traduce en la obligación práctica de preguntar a sus proveedores de herramientas de IA cómo están clasificados sus sistemas y si tienen documentación de cumplimiento disponible.
Gobernanza de IA para equipos de comunicación
El servicio de Gobernanza de IA de Blum Digital PR ayuda a equipos de comunicación a documentar el uso de IA, definir protocolos de supervisión y establecer criterios de validación alineados con el EU AI Act e ISO 42001. El punto de entrada es siempre el Diagnóstico IA, que incluye una evaluación inicial del estado de gobernanza del equipo.
Solicitar diagnóstico Gobernanza de IA
Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.

junio 17, 2026
Por qué las agencias de PR necesitan incorporar la reputación algorítmica en sus servicios
Reputación Algorítmica
Por qué las agencias de PR necesitan incorporar la reputación algorítmica en sus servicios
Por Sonia Yánez Blum · Junio 2026 · 5 min de lectura
Cuando un cliente pregunta qué dice ChatGPT sobre su empresa, la mayoría de las agencias de PR no tienen respuesta. La reputación algorítmica no es una disciplina nueva: es la extensión lógica de lo que las agencias ya hacen con la reputación online. El problema es que requiere medición específica, y casi ninguna agencia la ha incorporado todavía.

Las agencias de PR que incorporan la reputación algorítmica en su portafolio tienen respuesta cuando un cliente pregunta qué dice la IA sobre su empresa.
Cuando una agencia me llama, lo que generalmente les ha pasado es que un cliente les preguntó qué dice la IA sobre su empresa. Y no supieron responder. No porque sean incompetentes —las agencias con las que trabajo son buenas— sino porque nadie tiene ese dato. La pregunta llegó antes que la respuesta.
Y la pregunta va a seguir llegando.
La conversación que ya está pasando con los clientes
Los modelos de lenguaje responden hoy decenas de millones de consultas sobre empresas, sectores, personas y productos. Cuando alguien le pregunta a ChatGPT «¿cuáles son las mejores agencias de comunicación en México?» o «¿qué hace [nombre de empresa] exactamente?» o «¿es confiable esta consultora?», el modelo genera una respuesta. Esa respuesta está ahí, disponible, sin que la organización haya participado en construirla.
Los directivos ya lo saben. Muchos ya han hecho la prueba ellos mismos —preguntan a ChatGPT, ven lo que dice, y llaman a su agencia. El problema es que la agencia no tiene forma de medir ese fenómeno, no tiene un protocolo para analizarlo y no tiene un lenguaje para explicarle al cliente qué está pasando y por qué.
Esa conversación la va a ganar quien llegue primero con una respuesta concreta.
Por qué esto es territorio natural de las agencias de PR
Las agencias de PR ya gestionan la reputación online. Monitorean medios, análisis de sentimiento, presencia en buscadores, imagen en redes. La reputación algorítmica —cómo los modelos de lenguaje representan a una organización— es la siguiente capa de ese trabajo, no una disciplina separada.
La diferencia es que los motores de búsqueda indexan lo que las organizaciones publican. Los modelos de lenguaje infieren lo que dicen sobre ellas a partir de patrones en datos de entrenamiento. Son dos mecanismos distintos, con lógicas distintas y con vulnerabilidades distintas. Una brecha en la reputación en un modelo de lenguaje no se corrige de la misma manera que una brecha en el posicionamiento SEO.
Por eso requiere metodología específica. Las herramientas de monitoreo de reputación online existentes no miden la representación en modelos de lenguaje. No están diseñadas para eso.
El gap de capacidad que tienen las agencias ahora mismo
He tenido esta conversación muchas veces. La posición más común en las agencias —incluso en las buenas— es una combinación de tres cosas: saben que el tema existe, no tienen claro cómo medirlo y no han encontrado todavía una forma de ofrecerlo como servicio.
El resultado práctico es que cuando el cliente pregunta, la respuesta es vaga. «Estamos al tanto del tema», «lo estamos estudiando», «hay mucho movimiento en ese espacio». Esas respuestas no tranquilizan a un director de comunicación que necesita explicarle al comité directivo en qué estado está la representación de la empresa en los principales modelos de IA.
Y mientras tanto, alguien con una respuesta concreta —un número, una metodología, un plan— está llenando ese vacío.
Lo que necesita una agencia para dar esa respuesta
Tres cosas. Primero, una metodología de medición: algo que permita evaluar sistemáticamente cómo representa cada modelo principal a la organización. El ACA-Score™ hace eso —mide autoridad y credibilidad algorítmica por modelo y los convierte en un índice comparable en el tiempo.
Segundo, un proceso de análisis que convierta los datos en un diagnóstico accionable. No basta con saber que la representación es deficiente; hay que entender por qué y qué puede cambiarse. El diagnóstico ACA identifica las causas raíz y estructura el análisis con cuatro pilares —Trazabilidad, Coherencia, Profundidad y Actualización— hasta convertirlo en un plan con acciones y plazos concretos.
Tercero, un lenguaje para presentarlo. Los directivos no necesitan una explicación técnica sobre cómo funcionan los transformers. Necesitan saber cuál es el estado actual de la representación, qué riesgos implica y cuál es el plan de acción.
El argumento para los clientes existentes
La manera más rápida de incorporar reputación algorítmica al portafolio de una agencia es ofrecerla a clientes existentes como una extensión del trabajo de reputación que ya se hace. No como un servicio nuevo desconectado, sino como la respuesta a la pregunta que ese cliente tarde o temprano va a hacer.
El Diagnóstico IA funciona bien como primer paso porque entrega algo concreto en 5 a 10 días hábiles: el ACA-Score™ inicial de la organización en los modelos principales —ChatGPT, Claude, Gemini, Perplexity— más un análisis de las causas y un plan de acción a 90 días. El cliente tiene un número que puede presentar internamente. La agencia tiene un punto de partida para un trabajo continuo.
El modelo que funciona en la práctica: la agencia ofrece el diagnóstico como un servicio de entrada, entrega el reporte, y a partir del diagnóstico activa las líneas de trabajo necesarias. El punto de entrada no cambia. Lo que cambia es que la agencia tiene respuesta cuando el cliente pregunta.
Preguntas frecuentes
¿Por qué las agencias de PR deben incorporar la reputación algorítmica en sus servicios?
Porque los directivos ya están preguntando qué dice la IA sobre su empresa, y la mayoría de las agencias no tienen respuesta. La reputación algorítmica —cómo los modelos de lenguaje representan a una organización— es la extensión natural del trabajo de reputación online que las agencias ya realizan. La diferencia es que requiere medición específica con herramientas como el ACA-Score™, no las métricas de SEO o presencia en medios tradicionales.
¿En qué se diferencia la reputación algorítmica de la gestión de reputación online?
La gestión de reputación online trabaja con fuentes indexadas y recuperables: posicionamiento en buscadores, presencia en medios, análisis de sentimiento en redes. Los modelos de lenguaje no indexan páginas en tiempo real: infieren su representación de una organización a partir de patrones en datos de entrenamiento. Una brecha en la reputación en un modelo de lenguaje no se corrige de la misma manera que un artículo negativo en un buscador; requiere metodología específica, como la que estructura el Marco ACA.
¿Qué necesita una agencia de PR para ofrecer reputación algorítmica a sus clientes?
Tres elementos: una metodología de medición —como el ACA-Score™, que mide autoridad y credibilidad algorítmica por modelo y los convierte en un índice comparable en el tiempo—, un proceso de análisis que convierta los datos en un diagnóstico accionable con causas raíz y plan de acción, y un lenguaje para presentarlo a directivos sin tecnicismos: cuál es el estado actual de la representación, qué riesgos implica y cuál es el paso siguiente.
¿Cómo puede una agencia de PR incorporar el Diagnóstico IA en su oferta de servicios?
El modelo más efectivo en la práctica es ofrecer el Diagnóstico IA como servicio de entrada para clientes existentes: en 5–10 días hábiles produce el ACA-Score™ inicial en los modelos principales —ChatGPT, Claude, Gemini, Perplexity— con un análisis de causas y un plan de acción a 90 días. El cliente tiene un número que puede presentar internamente; la agencia tiene un punto de partida para trabajo continuo de reputación algorítmica.
Incorporar reputación algorítmica al portafolio de tu agencia
El Diagnóstico IA es el primer paso: un reporte ejecutivo en 5–10 días hábiles con el ACA-Score™ inicial de la organización cliente en los principales modelos y un plan de acción a 90 días. Es el servicio de entrada que las agencias pueden ofrecer a sus clientes cuando llega la pregunta.
Solicitar diagnóstico Reputación Algorítmica — ACA
Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.

junio 16, 2026
El ACA-Score™: cómo medimos la autoridad y la credibilidad de una organización en modelos de lenguaje
Marco ACA
El ACA-Score™: cómo medimos la autoridad y la credibilidad de una organización en modelos de lenguaje
Por Sonia Yánez Blum · Junio 2026 · 6 min de lectura
El ACA-Score™ es el índice que desarrollé para medir cómo los modelos de lenguaje representan a una organización. Trabaja sobre dos dimensiones independientes: autoridad —con qué peso el modelo cita a la organización o le atribuye declaraciones— y credibilidad —con qué precisión y coherencia describe sus posiciones y actuaciones. El índice es comparable entre modelos (ChatGPT, Claude, Gemini, Perplexity) y rastreable en el tiempo.

El ACA-Score™ mide en dos dimensiones independientes —autoridad y credibilidad— cómo los modelos de IA representan a una organización.
Cuando empecé a trabajar en reputación algorítmica, el primer problema que encontré no era técnico: era de medición. Para gestionar cualquier cosa, primero hay que poder medirla. Y las herramientas existentes —métricas de SEO, índices de presencia en medios, scores de sentimiento— no estaban diseñadas para responder la pregunta que me interesaba: ¿cómo representa un modelo de lenguaje a esta organización, y qué tan bien o mal lo hace?
La respuesta a esa pregunta es el ACA-Score™. No surgió de una sesión de design thinking. Surgió de la necesidad de tener un número que dijera algo concreto sobre el estado de la representación algorítmica de una organización, y que pudiera repetirse en el tiempo para ver si algo había cambiado.
Por qué dos dimensiones y no una
La primera decisión de diseño fue separar dos fenómenos que suelen confundirse: que un modelo te cite y que un modelo te describa bien.
Una organización puede aparecer frecuentemente en las respuestas de los modelos —con alta autoridad algorítmica— y aun así ser descrita de forma imprecisa, con atributos incorrectos o con una narrativa que no corresponde a lo que la organización realmente hace. Es el equivalente a ser muy conocido pero mal comprendido.
La situación inversa también ocurre: una organización puede ser descrita con precisión cuando aparece, pero aparecer raramente. Baja autoridad, alta credibilidad. En ese caso el problema es de visibilidad, no de exactitud narrativa.
Las dos dimensiones requieren intervenciones distintas. Confundirlas lleva a planes de acción que atacan el problema equivocado. Por eso el ACA-Score™ las mide por separado y las combina en un índice compuesto, pero nunca las colapsa en un único valor que pierda esa distinción.
Qué mide exactamente cada dimensión
Autoridad
La dimensión de autoridad evalúa el peso con el que el modelo incorpora a la organización en sus respuestas. Las preguntas concretas que estructuran esta medición son:
¿El modelo menciona a la organización cuando se le pregunta sobre su sector o categoría?
¿La menciona en primer lugar, en un listado de opciones, o como referencia secundaria?
¿Le atribuye declaraciones o posiciones propias, o solo la menciona de pasada?
¿La cita como fuente de información en los temas en los que debería ser referencia?
La autoridad algorítmica no es lo mismo que la popularidad. Una organización puede generar muchas menciones en medios y tener baja autoridad en los modelos si esas menciones no son el tipo de señal que los modelos ponderan como indicador de especialización o referencia sectorial.
Credibilidad
La dimensión de credibilidad evalúa la precisión y coherencia con la que el modelo describe a la organización cuando la incluye en una respuesta. Las preguntas concretas:
¿Lo que dice el modelo sobre la organización es factualmente correcto?
¿Los atributos que le asigna corresponden a su posicionamiento real?
¿La narrativa que construye el modelo es coherente con lo que la organización comunica sobre sí misma?
¿Hay afirmaciones incorrectas, desactualizadas o confundidas con las de otra entidad?
Una credibilidad baja no siempre viene de un error factual grosero. A veces viene de una descripción genérica que no capta los atributos específicos de la organización, o de una narrativa que mezcla correctamente algunos datos pero los contextualiza mal. El resultado práctico es el mismo: el modelo transmite una imagen que no coincide con la que la organización querría que circulara.
Cómo se calcula el índice
El ACA-Score™ no es el resultado de un algoritmo automático. Es una evaluación estructurada que combina análisis cualitativo con ponderación cuantitativa.
El proceso parte de un conjunto de prompts diseñados para explorar sistemáticamente la representación de la organización en cada modelo: preguntas directas sobre la organización, preguntas sectoriales en las que debería aparecer, comparativas con competidores, preguntas sobre posiciones específicas que la organización ha comunicado. Las respuestas se analizan con un protocolo estructurado que evalúa cada dimensión de forma sistemática, y el resultado es un índice por dimensión y por modelo.
El índice compuesto —el ACA-Score™ de una organización en un modelo dado— refleja la combinación de ambas dimensiones ajustada al contexto estratégico de la organización. No tiene el mismo impacto la autoridad para una consultora que necesita ser referencia en su sector, que para una empresa de productos de consumo donde la credibilidad narrativa incide directamente en la decisión de compra.
Qué permite hacer el índice
El ACA-Score™ tiene tres usos prácticos:
Diagnóstico de punto de partida. En el primer análisis de una organización, el índice establece el estado actual de la representación: cuánto hay que trabajar, en qué dimensión y en qué modelos. Una organización con autoridad alta y credibilidad baja tiene un problema diferente al de una con ambas dimensiones bajas, y el plan de acción consecuente también es diferente.
Comparativa entre modelos. Los modelos de lenguaje no representan a las organizaciones de la misma manera. ChatGPT, Claude, Gemini y Perplexity tienen corpus de entrenamiento distintos, actualizaciones en momentos distintos y patrones de citación distintos. El ACA-Score™ por modelo permite identificar dónde está el problema más urgente: en algunos modelos la organización tiene buena representación y en otros es prácticamente invisible.
Seguimiento en el tiempo. Una vez establecido el punto de partida, el índice se repite a los 90 días para evaluar si las acciones del plan han tenido efecto. Sin un índice comparable, es imposible saber si la situación mejoró, empeoró o se mantuvo igual. El ACA-Score™ da ese punto de referencia.
El número como punto de partida, no como objetivo
Una aclaración que hago siempre en los diagnósticos: el ACA-Score™ es una herramienta, no un fin en sí mismo. El objetivo no es tener un score alto. El objetivo es que los modelos de lenguaje representen a la organización de forma correcta y coherente con su posicionamiento real. El score mide en qué medida eso está ocurriendo.
Dicho de otro modo: una organización que obtiene resultados altos en ambas dimensiones no ha «ganado» la reputación algorítmica. Ha construido una base sólida que requiere mantenimiento porque los modelos se actualizan, el sector evoluciona y la narrativa de la organización cambia. La gestión de la reputación algorítmica es continua, no puntual.
Lo que el primer diagnóstico permite es dejar de trabajar a ciegas. Con el ACA-Score™ inicial sobre la mesa, el plan de acción tiene un objetivo concreto, medible y con una fecha de revisión. Eso es exactamente lo que necesitan los equipos de comunicación para justificar la inversión y para poder reportar resultados. El score es la referencia —no el destino.
Preguntas frecuentes
¿Qué es el ACA-Score™ y para qué sirve?
El ACA-Score™ es el índice desarrollado por Sonia Yánez Blum para medir cómo los modelos de lenguaje representan a una organización. Trabaja sobre dos dimensiones independientes: autoridad —con qué peso el modelo cita a la organización o le atribuye declaraciones— y credibilidad —con qué precisión y coherencia describe sus posiciones y actuaciones. El índice es comparable entre modelos (ChatGPT, Claude, Gemini, Perplexity) y rastreable en el tiempo, lo que permite establecer un punto de partida y medir el impacto de las acciones de mejora.
¿Cuál es la diferencia entre autoridad y credibilidad algorítmica?
La autoridad algorítmica mide el peso con el que el modelo incorpora a la organización en sus respuestas: si la menciona, con qué frecuencia y si le atribuye declaraciones o posiciones propias. La credibilidad algorítmica mide la precisión y coherencia de esa descripción: si lo que dice el modelo sobre la organización es factualmente correcto, si los atributos asignados corresponden a su posicionamiento real. Una organización puede tener alta autoridad con baja credibilidad —muy citada pero mal descrita— o baja autoridad con alta credibilidad: bien descrita cuando aparece, pero apareciendo raramente.
¿Cómo se calcula el ACA-Score™?
El ACA-Score™ combina análisis cualitativo con ponderación cuantitativa. El proceso parte de un conjunto de prompts diseñados para explorar sistemáticamente la representación de la organización en cada modelo: preguntas directas, preguntas sectoriales, comparativas con competidores y preguntas sobre posiciones específicas. Las respuestas se analizan con un protocolo estructurado que evalúa cada dimensión de forma sistemática. El índice compuesto refleja la combinación de autoridad y credibilidad ajustada al contexto estratégico de la organización.
¿Varía el ACA-Score™ entre diferentes modelos de IA?
Sí. ChatGPT, Claude, Gemini y Perplexity tienen corpus de entrenamiento distintos, actualizaciones en momentos distintos y patrones de citación distintos, por lo que la representación de una misma organización puede variar significativamente entre ellos. El ACA-Score™ por modelo permite identificar dónde está el problema más urgente: en algunos modelos la organización puede tener buena representación y en otros ser prácticamente invisible o estar descrita de forma incorrecta.
Ver el ACA-Score™ de tu organización
El Diagnóstico IA produce el ACA-Score™ inicial en las dos dimensiones —autoridad y credibilidad— para los principales modelos relevantes para tu sector. El resultado es un reporte ejecutivo con el índice por modelo y un plan de acción a 90 días.
Solicitar diagnóstico Reputación Algorítmica — ACA
Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.
junio 15, 2026
Crisis algorítmica: qué hacer cuando un modelo de IA difunde información errónea sobre tu organización
Crisis de IA
Crisis algorítmica: qué hacer cuando un modelo de IA difunde información errónea sobre tu organización
Por Sonia Yánez Blum · Junio 2026 · 7 min de lectura
Una crisis algorítmica ocurre cuando un modelo de IA genera sistemáticamente información incorrecta o tendenciosa sobre una organización. No hay un redactor al que contactar ni un artículo que rectificar. El protocolo de respuesta tiene tres fases: diagnóstico del alcance real, corrección de fuentes raíz y seguimiento. Saltarse el diagnóstico es el error que más prolonga la crisis.

Una crisis algorítmica ocurre cuando un modelo de IA genera sistemáticamente información incorrecta sobre una organización: el protocolo de respuesta tiene tres fases.
Me llegan dos tipos de mensajes cuando algo ha ido mal en la reputación algorítmica de una organización. El primero: «Acabo de descubrir que ChatGPT dice que somos [afirmación incorrecta]. ¿Qué hacemos?» El segundo: «Llevamos semanas viendo que los modelos nos describen de una forma que no tiene nada que ver con lo que somos. Ya no sabemos si es urgente o no.»
Los dos son urgentes. Pero no del mismo modo. Y la respuesta adecuada para uno no es la adecuada para el otro.
Lo primero que hay que entender sobre una crisis algorítmica es que no funciona como una crisis de prensa. No hay una fuente única que haya publicado algo incorrecto. No hay una noticia que se pueda monitorizar ni un periodista con quien hablar. El modelo está generando una respuesta cada vez que alguien hace una pregunta, y esa respuesta no tiene dirección IP, no tiene fecha de publicación visible y no se puede eliminar con una llamada.
Qué tipos de problemas entran en esta categoría
Una crisis algorítmica puede manifestarse de distintas formas. Las más habituales que veo en diagnósticos de emergencia:
Afirmaciones incorrectas como hechos. El modelo afirma que la organización hace algo que no hace, que tiene una posición que nunca ha tenido, o que pertenece a una categoría sectorial equivocada.
Atribuciones erróneas. El modelo cita a la organización como fuente de una declaración o posición que nunca emitió, o atribuye a personas de la organización palabras que no dijeron.
Confusión con otra entidad. El modelo mezcla la información de dos organizaciones con nombre similar o área de actividad coincidente.
Datos obsoletos presentados como actuales. La organización cambió de dirección, de oferta, de propiedad o atravesó una crisis anterior ya resuelta, pero el modelo sigue describiendo la situación pasada.
Posicionamiento competitivo sesgado. En comparativas o listados, el modelo posiciona sistemáticamente a la organización por debajo de competidores, con atributos que no se corresponden con la realidad verificable.
La distinción importa porque cada tipo tiene un origen diferente en la cadena de fuentes, y por tanto un protocolo de corrección diferente.
El error de respuesta más frecuente: actuar sin diagnóstico
Cuando un equipo de comunicación descubre que un modelo está generando información incorrecta, la reacción más habitual es publicar rápido: un comunicado, un artículo de blog, una nota de prensa. La lógica es que si hay más contenido correcto disponible, el modelo acabará aprendiendo.
El problema con esa lógica es que ignora cómo funciona el entrenamiento de estos modelos. Publicar contenido nuevo no actualiza el modelo que ya está activo. Ese modelo no va a aprender lo que publiques hoy hasta su próxima fase de reentrenamiento, que puede ocurrir en semanas, meses o nunca (si el modelo llega al fin de su ciclo de vida sin una nueva versión). Y si el contenido nuevo no está en las fuentes que el modelo consulta o en los registros que pondera como señales de autoridad, no cambia nada.
Antes de cualquier acción de respuesta, hay que saber tres cosas: qué dice exactamente el modelo (y cuáles, porque la afirmación puede variar entre ChatGPT, Claude y Gemini), de dónde viene esa afirmación en la cadena de fuentes rastreables, y cuál es el alcance real del problema —cuántos modelos lo replican, con qué frecuencia aparece y en qué tipos de consultas.
Sin esas tres respuestas, cualquier acción de respuesta va a ciegas.
El protocolo de respuesta en tres fases
Fase 1: Diagnóstico del alcance real
El primer paso no es comunicar. Es medir. ¿Qué dicen exactamente los principales modelos sobre la organización? ¿La afirmación incorrecta aparece en todos o solo en alguno? ¿Con qué nivel de confianza la presenta el modelo? ¿En qué tipo de preguntas aparece —consultas directas sobre la organización, consultas sectoriales, comparativas con competidores?
El ACA-Score™ de emergencia que realizamos en estos casos mide exactamente eso: el estado actual de la representación en los modelos más relevantes para el sector de la organización, con el foco puesto en las afirmaciones incorrectas específicas que se han identificado.
Este diagnóstico también incluye el mapa de fuentes: rastrear qué registros externos alimentan la afirmación incorrecta. A veces es un artículo antiguo que el modelo sigue citando. A veces es una confusión con otra empresa que comparte nombre o área. A veces no hay una fuente identificable, lo que indica que el modelo está generando la afirmación por inferencia a partir de patrones más generales —lo que hace que la corrección sea más compleja.
Fase 2: Corrección de fuentes raíz
Una vez identificadas las fuentes que alimentan el problema, la corrección empieza por ahí. Si el origen es un artículo con información incorrecta, el primer paso es contactar a la publicación para solicitar una rectificación —no siempre es posible, pero siempre es la primera palanca. Si es una entrada en un directorio con datos obsoletos, se actualiza en esa fuente. Si es una confusión con otra entidad, la solución pasa por crear diferenciación verificable en registros que el modelo pueda leer.
Paralelamente, se construye el registro correcto: contenido propio con las afirmaciones verificables que el modelo debería estar haciendo, publicado en plataformas con señales de autoridad para ese sector. No es publicar por publicar. Es construir el contrapeso concreto a lo que el modelo está diciendo, en los formatos y fuentes que los modelos ponderan.
Fase 3: Seguimiento y verificación post-crisis
La corrección no es un evento puntual. Los modelos se actualizan de forma discontinua y opaca. Una afirmación incorrecta puede persistir en un modelo incluso después de que la fuente que la originó haya sido corregida, porque el modelo ya la tiene integrada en sus patrones de respuesta. Por eso, la fase 3 es el seguimiento: medición periódica del ACA-Score™ durante los 60–90 días posteriores a la intervención, con documentación del estado en cada modelo y comparativa contra el punto de partida.
La crisis no está cerrada hasta que el score de credibilidad en los modelos afectados vuelva a niveles aceptables y las afirmaciones incorrectas específicas hayan desaparecido de las respuestas. No antes.
Lo que distingue una crisis gestionable de una crisis compleja
Las crisis más sencillas de resolver son las que tienen una fuente raíz identificable y corregible: un artículo incorrecto, un directorio desactualizado, una confusión puntual. En esos casos, la corrección de la fuente, combinada con la construcción del registro correcto, produce resultados en el ciclo de actualización siguiente del modelo.
Las crisis más complejas son las que no tienen una fuente raíz identificable, o las que vienen de la acumulación de pequeños registros negativos o ambiguos a lo largo del tiempo. Ahí el proceso es más largo y requiere una estrategia de construcción sostenida, no una respuesta puntual.
En ambos casos, el factor que más determina la velocidad de resolución es el tiempo que transcurre entre que se detecta el problema y se hace el diagnóstico. Cada semana adicional sin diagnóstico es una semana más en la que el modelo sigue respondiendo con la versión incorrecta a usuarios que no saben que lo que leen es incorrecto.
Preguntas frecuentes
¿Qué es una crisis algorítmica y en qué se diferencia de una crisis de reputación online?
Una crisis algorítmica ocurre cuando un modelo de IA genera sistemáticamente información incorrecta o tendenciosa sobre una organización. A diferencia de una crisis de prensa —donde hay un artículo identificable que puede corregirse o contestarse—, en la crisis algorítmica no hay un redactor al que contactar ni una URL que rectificar. El modelo genera la respuesta incorrecta cada vez que alguien hace una consulta, sin dejar rastro de fuente directa.
¿Qué tipos de errores puede cometer un modelo de IA sobre una organización?
Los tipos más frecuentes son: afirmaciones incorrectas presentadas como hechos, atribuciones erróneas de declaraciones a personas de la organización, confusión con otra entidad de nombre similar, datos obsoletos presentados como actuales y posicionamiento competitivo sesgado en comparativas o listados. Cada tipo tiene un origen diferente en la cadena de fuentes y requiere un protocolo de corrección distinto.
¿Publicar contenido nuevo corrige lo que dice la IA sobre mi empresa?
No de forma inmediata. Publicar contenido nuevo no actualiza el modelo que ya está activo: ese modelo no aprenderá lo que publiques hoy hasta su próxima fase de reentrenamiento, que puede ocurrir en semanas, meses o nunca. Además, si el contenido nuevo no está en las fuentes que el modelo pondera como señales de autoridad, no cambia la representación aunque esté publicado. Por eso el diagnóstico previo a cualquier acción es imprescindible.
¿Cuánto tiempo tarda en resolverse una crisis algorítmica?
Depende del tipo de crisis. Las más sencillas —con una fuente raíz identificable y corregible— pueden comenzar a mostrar mejora en el siguiente ciclo de actualización del modelo. Las más complejas —sin fuente raíz identificable o con acumulación de registros negativos— requieren una estrategia de construcción sostenida que puede extenderse varios meses. El Protocolo GEAC de Blum Digital PR incluye seguimiento del ACA-Score™ durante los 60–90 días posteriores a la intervención.
Si ya hay un problema activo
El primer paso es el diagnóstico de alcance: qué dicen exactamente los modelos, en qué fuentes tiene origen la afirmación incorrecta y cuál es la prioridad de intervención. Sin ese mapa, cualquier respuesta va a ciegas.
Solicitar diagnóstico de emergencia Crisis de IA
Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.
junio 15, 2026
Las tres causas más comunes de una reputación algorítmica deficiente
Reputación Algorítmica
Las tres causas más comunes de una reputación algorítmica deficiente
Por Sonia Yánez Blum · Junio 2026 · 5 min de lectura
Cuando un modelo de IA describe mal a una organización, la causa es casi siempre una de tres: ausencia de fuentes verificables, fragmentación de la narrativa entre lo que dice la organización y lo que dicen terceros, o datos de entrenamiento obsoletos. Las tres tienen solución. Primero hay que identificar cuál está activa.

Las tres causas más frecuentes de una representación deficiente en IA tienen soluciones distintas: identificar cuál está activa es el primer paso.
En los diagnósticos de reputación algorítmica que realizamos en Blum Digital PR, los resultados varían: ACA-Score™ altos y bajos, perfiles bien construidos y perfiles con lagunas significativas. Pero cuando el score es bajo —cuando el modelo describe a la organización de forma incompleta, inexacta o directamente errónea— las causas tienden a repetirse. No son infinitas. Son, casi siempre, tres.
Las identifico aquí no como un inventario teórico, sino porque reconocerlas es lo que permite priorizar. Una organización con reputación algorítmica deficiente que intenta «mejorar su presencia en la IA» sin diagnóstico previo acaba haciendo trabajo que no resuelve el problema concreto que tiene.
1. Ausencia de fuentes con suficiente peso
Un modelo de lenguaje construye su representación de una organización a partir de lo que encontró durante el entrenamiento. Si una organización tiene poca presencia en fuentes externas de calidad —medios especializados, directorios sectoriales, publicaciones académicas, perfiles verificados en plataformas de autoridad— el modelo simplemente no tiene material con qué trabajar.
El resultado no es necesariamente una representación negativa. A veces es peor: una representación ambigua, donde el modelo dice algo vagamente correcto pero sin precisión, sin atributos propios, sin que ningún dato específico de la organización aparezca con claridad.
Este patrón es especialmente frecuente en organizaciones que han crecido muy rápido, que operan en mercados de nicho o que han dependido históricamente del boca a boca y del canal directo. Su reputación existe en la experiencia de sus clientes, pero no en el registro escrito que los modelos pueden leer.
La corrección pasa por construir esa presencia de forma sistemática: identificar en qué tipo de fuentes debería estar citada la organización, en qué publicaciones debería tener autoría o menciones, y establecer un plan de producción de contenido con criterios que los modelos puedan indexar como señales de autoridad.
2. Fragmentación narrativa entre la organización y sus fuentes externas
Aquí el problema es diferente: la organización sí tiene presencia, pero lo que dice sobre sí misma y lo que dicen los demás sobre ella no coincide. El modelo recoge ambas versiones y, cuando intenta sintetizarlas, produce una descripción que no encaja con ninguna de las dos.
Es más común de lo que parece. Una empresa puede llevar años comunicando que es «líder en innovación en su sector» mientras los artículos de prensa que la mencionan la describen sistemáticamente como «empresa tradicional con presencia regional». Un despacho de consultoría puede posicionarse como especialista en sostenibilidad mientras la mayoría de sus publicaciones externas hablan de gestión financiera.
El modelo no resuelve esa contradicción por lógica. La registra como ambigüedad. Y en las preguntas que responde sobre esa organización, el resultado es una descripción que suena genérica, porque el modelo no puede atribuirle con confianza ningún atributo específico.
El Diagnóstico IA trabaja precisamente esto: mapear las fuentes activas, detectar la discrepancia entre el posicionamiento propio y el posicionamiento externo, y establecer cuáles son las narrativas que necesitan refuerzo y en qué tipo de registros.
3. Datos de entrenamiento obsoletos
Esta causa es la más técnica, pero también la más concreta. Los modelos tienen una fecha de corte: un punto hasta el cual leyeron información y a partir del cual no saben nada. Si la organización cambió su posicionamiento, amplió su oferta, atravesó una reestructuración o salió de una crisis reputacional después de esa fecha, el modelo sigue operando con la versión anterior.
El problema es que nadie fuera del equipo técnico del modelo sabe exactamente cuándo fue ese corte, ni qué fuentes se usaron. Y aunque el modelo actualizara su entrenamiento mañana, no hay garantía de que las nuevas fuentes disponibles reflejen el cambio que la organización ha comunicado.
La dificultad adicional es que esta causa suele superponerse con la primera: la organización cambió, pero no generó suficiente registro escrito verificable de ese cambio. Entonces el modelo, aunque se actualizara, seguiría sin tener material nuevo con qué trabajar.
La solución no es esperar a que el modelo se actualice solo. Es generar, de forma deliberada, el registro que documente el estado actual: publicaciones fechadas, menciones en medios con contexto actualizado, contenido propio con referencias temporales claras que permitan al modelo reconstruir la narrativa correcta cuando se reentrene.
Por qué importa identificar la causa antes de actuar
Las tres causas tienen síntomas parecidos —el modelo describe mal a la organización— pero soluciones distintas. Una organización con el problema 1 necesita construir presencia desde cero en las fuentes correctas. Una con el problema 2 necesita alinear su narrativa antes de generar más contenido, porque amplificar una narrativa fragmentada empeora el resultado. Una con el problema 3 necesita tanto actualizar fuentes como generar registro nuevo.
Hacer un plan de contenido genérico sin saber cuál de los tres problemas está activo es el error más frecuente que veo cuando organizaciones intentan mejorar su reputación algorítmica sin diagnóstico previo. Producen contenido, publican más, aparecen en más sitios… y el ACA-Score™ no sube porque el problema de fondo no es la cantidad de contenido, sino su tipo, su fuente o su coherencia narrativa.
El diagnóstico existe precisamente para no trabajar a ciegas. En 5–10 días hábiles, el análisis inicial determina cuál de estas causas está activa y con qué peso relativo. A partir de ahí, el plan de acción tiene un objetivo concreto, no un genérico «mejorar la presencia en IA».
Preguntas frecuentes
¿Por qué la IA describe a mi empresa de forma vaga o genérica?
Una descripción vaga o genérica es el síntoma más frecuente de ausencia de fuentes con suficiente peso en el corpus de entrenamiento del modelo. Si la organización no aparece en publicaciones especializadas, directorios sectoriales o medios de referencia, el modelo no tiene material específico con qué trabajar y genera una respuesta que suena plausible pero no captura los atributos diferenciadores de la organización.
¿Qué es la fragmentación narrativa y cómo afecta al ACA-Score™?
La fragmentación narrativa ocurre cuando lo que dice la organización sobre sí misma no coincide con lo que dicen las fuentes externas que la mencionan. El modelo recoge ambas versiones y, al no poder resolver la contradicción, genera una descripción ambigua. En el ACA-Score™, esto se refleja como una credibilidad baja: el modelo no puede atribuirle con confianza atributos específicos a la organización.
¿Qué ocurre si los datos de entrenamiento del modelo sobre mi empresa están desactualizados?
Si una organización cambió su posicionamiento, amplió su oferta o salió de una crisis después de la fecha de corte del modelo, el modelo sigue describiendo la versión anterior. La solución no es esperar a que el modelo se actualice, sino generar registro escrito verificable del estado actual: publicaciones fechadas, menciones en medios con contexto actualizado y contenido propio con referencias temporales que documenten el cambio.
¿Cómo saber cuál de las tres causas está afectando a mi organización antes de actuar?
El Diagnóstico IA es el paso previo a cualquier plan de acción: en 5–10 días hábiles identifica cuál de las tres causas está activa —ausencia de fuentes, fragmentación narrativa o datos obsoletos—, con qué peso relativo y en qué modelos el problema es más pronunciado. Sin ese diagnóstico, un plan de contenido genérico puede no resolver el problema de fondo y el ACA-Score™ no mejora.
Antes de actuar: el diagnóstico
El Diagnóstico IA identifica qué causa está activa en tu organización, con qué intensidad y en qué modelos. El resultado es un ACA-Score™ inicial y un plan de acción a 90 días con pasos concretos por causa.
Solicitar diagnóstico Reputación Algorítmica — ACA
Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.

junio 15, 2026
¿Qué dice la IA sobre tu organización? Por qué los equipos de comunicación ya no pueden ignorar esta pregunta
Diagnóstico IA
¿Qué dice la IA sobre tu organización? Por qué los equipos de comunicación ya no pueden ignorar esta pregunta
Por Sonia Yánez Blum · Junio 2026 · 6 min de lectura
Cada vez que alguien le pregunta a ChatGPT, Claude, Gemini o Perplexity sobre una organización, un sector o una persona pública, el modelo genera una respuesta basada en lo que aprendió durante su entrenamiento. Esa respuesta puede ser correcta, incompleta, desactualizada o directamente errónea. Y la organización en cuestión, en la mayoría de los casos, no lo sabe.

Los modelos de IA generan respuestas sobre tu organización a partir de sus datos de entrenamiento, no de tu web corporativa.
Hay una pregunta que hago casi siempre en los primeros veinte minutos con un nuevo cliente: ¿sabes qué dice ChatGPT sobre tu organización?
La respuesta habitual es un silencio de dos o tres segundos. Algunos sacan el móvil y lo comprueban en ese momento. Otros me dicen que nunca lo han pensado. Casi ninguno ha hecho algo con esa información.
Eso está a punto de cambiar, para ellos y para todos los equipos de comunicación que trabajan con organizaciones con algún tipo de exposición pública.
Cómo funciona, en términos prácticos
Un modelo de lenguaje —ChatGPT, Claude, Gemini, Perplexity, entre otros— no consulta internet en tiempo real cada vez que responde una pregunta (al menos no en todos los casos). Genera respuestas a partir de lo que aprendió durante su fase de entrenamiento: millones de textos, artículos, páginas web, registros públicos, foros, noticias. De todo eso, el modelo extrae patrones. Y cuando alguien le pregunta «¿qué hace [nombre de la organización]?» o «¿en qué se especializa [sector]?», reconstruye una respuesta basándose en esos patrones.
El resultado no es una búsqueda en Google. No es lo que dice la web de la organización. Es lo que el modelo infiere a partir de todo lo que leyó. Y esa inferencia puede tener errores que ningún SEO tradicional puede detectar ni corregir.
Lo que yo mido —con el marco ACA que desarrollé— son dos dimensiones de esa representación: la autoridad con la que el modelo cita a la organización o le atribuye declaraciones, y la credibilidad con la que describe sus posiciones y actuaciones. Ambas dimensiones se cuantifican en el ACA-Score™, un índice que permite comparar la representación entre modelos y hacer seguimiento en el tiempo.
Por qué es diferente de la reputación online clásica
La gestión de reputación online —la que trabaja con Google, con medios digitales, con redes sociales— opera sobre fuentes indexadas y recuperables. Si hay un artículo negativo que aparece en los primeros resultados, se puede identificar, y se puede trabajar para que otros contenidos le compitan en posicionamiento.
La reputación algorítmica no funciona así. Un modelo de lenguaje no te da una lista de las fuentes que usó para construir su respuesta sobre tu organización. La mayoría de las veces ni siquiera sabes cuándo fue entrenado ese modelo ni con qué datos. Y la respuesta que genera no es una página de resultados que el usuario puede contrastar: es un párrafo de texto fluido que suena como si alguien que lo sabe todo te lo estuviera explicando.
Eso tiene dos consecuencias importantes. La primera: si el modelo tiene una imagen errónea de tu organización, esa imagen se transmite con una confianza aparente que ninguna fuente independiente tendría. La segunda: la organización que no monitoriza esto no sabe que existe el problema.
Las preguntas que un modelo responde sobre tu organización
No hablo de preguntas académicas. Hablo de preguntas concretas que ya están haciendo los directivos, los periodistas, los inversores, los posibles clientes y los empleados de cualquier organización con visibilidad pública:
¿Qué hace [empresa] exactamente?
¿Cuál es la reputación de [empresa]?
¿Es [empresa] una buena opción para [tipo de cliente]?
¿Cómo ha respondido [empresa] a [hecho o controversia reciente]?
¿Cuáles son las principales [empresas / consultoras / agencias] de [sector]?
Cuando el modelo responde a estas preguntas, construye una imagen. Esa imagen puede ser favorable, neutra o desfavorable. Puede ser precisa o contener errores factuales. Puede omitir información relevante que la organización querría que estuviera. Y esa imagen circula entre quienes usan estos modelos como punto de partida antes de tomar decisiones.
Los modelos de IA no reemplazan la búsqueda de información, pero sí filtran y encuadran esa búsqueda. Eso los convierte en un factor de reputación que ya no es opcional gestionar.
Qué puede hacerse
Lo primero es saber dónde estás. En un diagnóstico inicial medimos cómo tres o cuatro modelos representan actualmente a la organización, cuáles son las afirmaciones que hacen sobre ella, qué fuentes están alimentando esa representación y dónde están las principales discrepancias respecto a la realidad.
Con esa información, el ACA-Score™ inicial da un punto de referencia. A partir de ahí, el plan de acción a 90 días identifica qué se puede modificar: qué fuentes necesitan actualización, qué afirmaciones incorrectas tienen origen identificable, qué atributos de autoridad o credibilidad están ausentes en la representación actual.
No es un proceso de manipulación del modelo. Es un proceso de construcción de presencia verificable: crear y consolidar las fuentes que los modelos deberían estar consultando, y que ahora no consultan o no encuentran con suficiente peso.
Por qué ahora
Hace dos años, esta conversación era anticipatoria. Hoy, los modelos de lenguaje ya forman parte del proceso de investigación previo a decisiones relevantes —contrataciones, alianzas, cobertura periodística, análisis de proveedores. No es una tendencia emergente; es una práctica instalada.
La ventaja de actuar ahora es que hay tiempo para hacerlo bien: con metodología, con métricas y con un plan que no dependa de un solo modelo ni de una sola táctica. Dentro de dos años, las organizaciones que tengan ya construida esa presencia estarán en una posición radicalmente diferente a las que empiecen entonces.
Si no sabes qué dice la IA sobre tu organización, el primer paso es averiguarlo. Y si lo sabes pero no tienes claro qué hacer con esa información, ahí es donde empezamos.
Preguntas frecuentes
¿Qué dice la IA sobre mi empresa y cómo puedo saberlo?
Para saber qué dice la IA sobre tu empresa, basta con preguntar directamente a los principales modelos —ChatGPT, Claude, Gemini, Perplexity— usando consultas como «¿qué hace [nombre de la empresa]?» o «¿cuál es la reputación de [empresa]?». Sin embargo, una evaluación sistemática requiere un diagnóstico estructurado: el Diagnóstico IA de Blum Digital PR analiza la representación en varios modelos, identifica afirmaciones incorrectas o ausentes y genera el ACA-Score™ inicial con un mapa de fuentes.
¿Por qué la IA describe mal a mi organización si tenemos una web actualizada?
Los modelos de lenguaje no consultan tu web en tiempo real: generan respuestas a partir de los patrones que absorbieron durante su entrenamiento. Si tu organización tiene poca presencia en fuentes externas de calidad —medios especializados, directorios sectoriales, publicaciones académicas— el modelo tendrá poco material verificable con qué trabajar, independientemente de lo completa que esté tu web corporativa.
¿Qué es la reputación algorítmica y en qué se diferencia del SEO?
La reputación algorítmica es cómo los modelos de lenguaje representan a una organización cuando alguien les hace preguntas sobre ella. A diferencia del SEO —que trabaja con páginas indexadas y resultados de búsqueda recuperables—, la reputación algorítmica opera sobre inferencias estadísticas del modelo que no pueden corregirse con las mismas tácticas. Requiere metodología específica, como el Marco ACA, para medirse y gestionarse.
¿Cuánto tiempo tarda en corregirse una representación incorrecta en los modelos de IA?
No existe un plazo fijo: depende de cuándo el modelo se reentrene con datos actualizados, lo que puede ocurrir en semanas, meses o no ocurrir si el modelo llega al fin de su ciclo de vida. Por eso, el plan de acción a 90 días que genera el Diagnóstico IA se centra en construir fuentes verificables que alimenten la representación correcta en el siguiente ciclo de actualización, y el ACA-Score™ se repite periódicamente para verificar el avance.
El punto de partida es el diagnóstico
En 5–10 días hábiles, el Diagnóstico IA produce el ACA-Score™ inicial de tu organización, el mapa de fuentes que están alimentando tu representación en los modelos y un plan de acción a 90 días.
Solicitar diagnóstico
Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.
junio 15, 2026
Qué miran los modelos de IA cuando evalúan a una organización: las cinco señales que determinan la representación
Diagnóstico IA
Qué miran los modelos de IA cuando evalúan a una organización: las cinco señales que determinan la representación
Por Sonia Yánez Blum · Junio 2026 · 7 min de lectura
Un modelo de lenguaje no busca a tu organización. Infiere qué decir sobre ella a partir de patrones en sus datos de entrenamiento. Hay cinco tipos de señales que determinan esa inferencia: las fuentes que citan a la organización, quién avala su autoridad sectorial, si la narrativa es coherente entre fuentes, cuánto territorio ocupa en su sector y cuándo fue producido lo que hay disponible.

Los modelos de IA no buscan a tu organización: infieren su representación a partir de cinco tipos de señales en sus datos de entrenamiento.
La pregunta que más me hacen los directores de comunicación cuando empezamos a trabajar en reputación algorítmica es: ¿por qué el modelo dice eso? La pregunta asume que hay una intención detrás de la respuesta. No la hay. Lo que hay es un mecanismo de inferencia, y ese mecanismo responde a señales concretas.
Entender esas señales es lo que hace posible actuar sobre ellas.
Por qué los modelos no «buscan» a tu organización
Los motores de búsqueda rastrean páginas web en tiempo real, indexan contenido y recuperan resultados cuando alguien hace una consulta. Los modelos de lenguaje no funcionan así. Su «conocimiento» está fijado en el momento del entrenamiento: el modelo aprende patrones a partir de un corpus que cierra en una fecha determinada, y a partir de esos patrones genera respuestas.
Cuando alguien le pregunta a un modelo de lenguaje qué hace una organización, el modelo no va a buscar la web de esa organización. Infiere la respuesta a partir de los patrones que absorbió durante el entrenamiento: qué textos mencionaban a esa organización, en qué contexto, con qué atributos, junto a qué otras entidades.
Ese mecanismo de inferencia tiene consecuencias directas para la reputación. Si los patrones que el modelo absorbió son escasos, fragmentados o incorrectos, la representación resultante también lo será. Y no hay forma de corregirlo directamente —no hay un formulario de edición, no hay un proceso de reclamación— porque la representación no es una página web: es el resultado de un proceso estadístico.
Lo que sí puede hacerse es actuar sobre las señales que alimentan ese proceso.
Primera señal: las fuentes que citan a la organización
El dato más básico que un modelo procesa sobre una organización es la cantidad y calidad de las fuentes externas que la mencionan. No se trata solo de número de menciones: se trata del tipo de fuente, su relevancia en el corpus y el contexto en que aparece la mención.
Una organización mencionada en publicaciones especializadas de su sector, en medios de referencia con amplia presencia en el corpus de entrenamiento y en documentos que otros textos citan a su vez, tiene más peso en la inferencia del modelo que una organización con mucha actividad propia pero poca presencia externa.
Esto explica uno de los patrones más frecuentes que observo en los diagnósticos: organizaciones con mucho contenido propio publicado —notas de prensa, blog corporativo, redes sociales— pero poca presencia en fuentes externas independientes. El modelo no pesa ambas cosas igual. Las fuentes externas tienen más influencia en la inferencia que el contenido propio.
Segunda señal: quién avala a la organización como referencia sectorial
Hay una diferencia entre que un modelo mencione a una organización y que la cite como referencia. En el segundo caso, el modelo la trata como fuente de autoridad —le atribuye declaraciones, la incluye como ejemplo en respuestas sobre su sector, la convierte en referencia para quienes hacen consultas sobre la categoría.
Ese estatus de referencia no viene del volumen de menciones. Viene de que otras fuentes con autoridad en el corpus la traten como tal. Si las publicaciones especializadas del sector citan a la organización como referencia, si otros textos relevantes la mencionan como ejemplo a seguir, si personas con presencia reconocida en el campo la recomiendan, el modelo procesa eso como señal de autoridad sectorial.
La implicación práctica: construir autoridad en modelos de lenguaje requiere presencia en conversaciones donde ya hay autoridad reconocida. El contenido propio no basta. Las relaciones con publicaciones y personas con presencia en el corpus de entrenamiento son parte de la estrategia.
Tercera señal: si la narrativa es coherente entre fuentes
Los modelos procesan múltiples textos sobre una misma organización y construyen una narrativa a partir de la coherencia entre ellos. Si las fuentes son consistentes —describen a la organización de manera similar, le atribuyen los mismos atributos, coinciden en lo que hace y cómo lo hace— el modelo genera una representación más precisa y más estable.
Si las fuentes son contradictorias o fragmentadas —algunas describen a la organización de una manera, otras de otra, sin un hilo narrativo común— el modelo puede mezclar atributos, confundir roles o generar una descripción genérica que no captura lo específico de la organización.
Este es el segundo patrón más frecuente en los diagnósticos: organizaciones cuya narrativa ha evolucionado con el tiempo, que han cambiado de posicionamiento, que operan en mercados muy distintos o que tienen descripciones públicas inconsistentes entre sí. El modelo no sabe cuál versión priorizar y genera una síntesis que satisface a nadie.
Cuarta señal: cuánto territorio ocupa la organización en su sector
La exposición sectorial —el espacio que ocupa la organización en las conversaciones de su industria— es una señal distinta de la autoridad. Una organización puede tener alta autoridad en un tema muy específico y baja exposición en el sector general. O al revés: mucha presencia en el sector pero sin autoridad particular en ningún tema.
Los modelos procesan esto como dos dimensiones separadas. La exposición determina si la organización aparece cuando se hacen consultas generales sobre el sector. La autoridad determina si aparece como referencia cuando se hacen consultas específicas sobre temas donde debería ser experta.
Para la mayoría de las organizaciones con las que trabajo, el problema más frecuente es el inverso al que esperarían: tienen más exposición sectorial de la que imaginaban pero menos autoridad temática de la que necesitan. El modelo las menciona en contextos amplios pero no las cita como referencia en los temas donde tienen posicionamiento real.
Quinta señal: cuándo fue producido lo que hay disponible
Los modelos de lenguaje tienen una fecha de corte de entrenamiento. Después de esa fecha, la información disponible deja de actualizarse en el modelo, aunque los datos anteriores a la fecha de corte permanecen. Esto crea un problema específico para organizaciones que han cambiado: si los cambios ocurrieron después de la fecha de corte del modelo, el modelo no los conoce.
Pero hay un elemento adicional que va más allá de la fecha de corte: la temporalidad de las fuentes que sí están en el corpus. Un modelo que procesa diez textos recientes y doscientos textos de hace cinco años sobre una organización va a ponderar los patrones históricos más que los recientes, simplemente porque hay más masa de datos históricos. La organización puede tener un posicionamiento nuevo pero una representación vieja.
Esto explica por qué el seguimiento en el tiempo es parte del trabajo de reputación algorítmica. El ACA-Score™ no es una medición puntual: es un índice que se repite cada 90 días para verificar si las señales han cambiado y si el modelo ha comenzado a incorporar la narrativa actualizada.
Cómo se combinan las cinco señales
Las cinco señales no actúan de forma independiente. En la práctica, el diagnóstico de la representación algorítmica de una organización implica evaluar cuál de las cinco está limitando más la calidad de la representación y en qué modelos el problema es más pronunciado.
La situación más común que encuentro: una organización con señales de fuentes externas débiles (primera señal), con coherencia narrativa limitada (tercera señal) y con mucho contenido propio que el modelo procesa como señal secundaria. El resultado es una representación vaga, genérica o desactualizada, aunque la organización haya publicado mucho.
Las cinco señales son, en definitiva, la razón por la que actuar sobre la reputación en modelos de lenguaje requiere una metodología específica. No son las mismas variables que gestiona una estrategia de SEO o de reputación online clásica. El diagnóstico que las mide es el primer paso para entender cuál es el problema real y qué tiene sentido hacer a continuación.
Preguntas frecuentes
¿Qué señales usan los modelos de IA para construir su representación de una organización?
Los modelos de lenguaje construyen su representación de una organización a partir de cinco tipos de señales presentes en sus datos de entrenamiento: las fuentes externas que citan a la organización, las fuentes con autoridad que la avalan como referencia sectorial, la coherencia narrativa entre las distintas fuentes que la describen, el territorio que ocupa en las conversaciones de su sector y la temporalidad de los textos disponibles —cuándo fueron producidos y con qué peso relativo en el corpus.
¿Por qué el contenido propio de una organización tiene menos peso que las fuentes externas en los modelos de IA?
Los modelos de lenguaje no ponderan por igual todo el contenido disponible: las fuentes externas independientes —medios especializados, publicaciones académicas, directorios sectoriales— tienen más influencia en la inferencia que el contenido producido por la propia organización. Una empresa con mucho blog corporativo pero poca presencia en fuentes externas puede tener una representación más débil en los modelos que una organización con menos contenido propio pero con menciones en publicaciones que el modelo pondera como señales de autoridad.
¿Cuál es la diferencia entre la exposición sectorial y la autoridad temática en los modelos de IA?
La exposición sectorial mide si la organización aparece cuando se hacen consultas generales sobre el sector. La autoridad temática mide si aparece como referencia cuando se hacen consultas específicas sobre temas donde debería ser experta. Una organización puede tener alta exposición —aparecer frecuentemente en contextos amplios— pero baja autoridad temática: no ser citada como referencia en los temas donde tiene posicionamiento real. El Diagnóstico IA evalúa ambas dimensiones de forma separada porque requieren intervenciones distintas.
¿Cómo afecta la incoherencia narrativa entre fuentes a la representación en modelos de IA?
Cuando los textos disponibles describen a una organización de formas distintas o contradictorias —por ejemplo, la organización se posiciona como especialista en innovación mientras los medios la describen como empresa tradicional— el modelo no resuelve esa contradicción por lógica: la registra como ambigüedad. El resultado es una descripción que mezcla atributos o que resulta genérica y sin rasgos específicos. Este es el segundo patrón más frecuente en los diagnósticos de reputación algorítmica de Blum Digital PR.
Medir las señales de representación de tu organización
El Diagnóstico IA de Blum Digital PR evalúa las cinco señales que determinan la representación de una organización en modelos de lenguaje y las convierte en el ACA-Score™ inicial —autoridad y credibilidad por modelo— con un plan de acción a 90 días.
Solicitar diagnóstico Conocer el Marco ACA
Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.

junio 1, 2026

Categoría: Blog

1. Ausencia de fuentes con suficiente peso

2. Fragmentación narrativa entre la organización y sus fuentes externas

3. Datos de entrenamiento obsoletos

Por qué importa identificar la causa antes de actuar

Por qué el corpus de entrenamiento importa más que el contenido propio

El problema de autoridad sectorial en América Latina

El patrón que aparece en los diagnósticos de organizaciones de la región

Lo que esto significa para el ACA-Score™ en organizaciones latinoamericanas

Qué pueden hacer las organizaciones latinoamericanas frente a este problema

Preguntas frecuentes

¿Por qué los modelos de IA representan peor a las organizaciones latinoamericanas que a las europeas o norteamericanas?

¿Qué dimensión del ACA-Score™ se ve más afectada en las organizaciones de América Latina?

¿Qué pueden hacer las organizaciones latinoamericanas para mejorar su representación en los modelos de IA?

¿Las organizaciones latinoamericanas con buena reputación regional están bien representadas en los modelos de IA globales?

Lo que enseñan las formaciones en IA para comunicadores

Cuándo no usar una herramienta de IA

Cómo detectar que una respuesta del modelo es incorrecta

Qué implica firmar un contenido que generó un LLM

Un flujo de trabajo con criterio

Preguntas frecuentes

¿Qué diferencia a una buena formación en IA para comunicadores de una que no lo es?

¿En qué situaciones no debería usarse IA para generar contenido de comunicación corporativa?

¿Quién es responsable de los errores en contenido generado con IA firmado por un comunicador?

¿Cómo se estructura un flujo de trabajo con IA responsable para un equipo de comms?

Por qué el AI Act aparece en la agenda de comunicación

Primera implicación: el contenido generado con IA tiene consecuencias regulatorias

Segunda implicación: el análisis de audiencias con IA genera obligaciones de documentación

Tercera implicación: la cadena de proveedores también importa

Qué pide ISO 42001 al respecto

Lo que pueden hacer los equipos de comunicación ahora mismo

Preguntas frecuentes

¿Qué obliga el EU AI Act a los equipos de comunicación que usan herramientas de IA?

¿Qué diferencia hay entre el EU AI Act y la norma ISO 42001 en materia de comunicación?

¿Qué ocurre si las herramientas de IA que usa el equipo de comms no cumplen con el AI Act?

La conversación que ya está pasando con los clientes

Por qué esto es territorio natural de las agencias de PR

El gap de capacidad que tienen las agencias ahora mismo

Lo que necesita una agencia para dar esa respuesta

El argumento para los clientes existentes

Preguntas frecuentes

¿Por qué las agencias de PR deben incorporar la reputación algorítmica en sus servicios?

¿En qué se diferencia la reputación algorítmica de la gestión de reputación online?

¿Qué necesita una agencia de PR para ofrecer reputación algorítmica a sus clientes?

¿Cómo puede una agencia de PR incorporar el Diagnóstico IA en su oferta de servicios?

Por qué dos dimensiones y no una

Qué mide exactamente cada dimensión

Autoridad

Credibilidad

Cómo se calcula el índice

Qué permite hacer el índice

El número como punto de partida, no como objetivo

Preguntas frecuentes

¿Qué es el ACA-Score™ y para qué sirve?

¿Cuál es la diferencia entre autoridad y credibilidad algorítmica?

¿Cómo se calcula el ACA-Score™?

¿Varía el ACA-Score™ entre diferentes modelos de IA?

Qué tipos de problemas entran en esta categoría

El error de respuesta más frecuente: actuar sin diagnóstico

El protocolo de respuesta en tres fases

Fase 1: Diagnóstico del alcance real

Fase 2: Corrección de fuentes raíz

Fase 3: Seguimiento y verificación post-crisis

Lo que distingue una crisis gestionable de una crisis compleja

Preguntas frecuentes

¿Qué es una crisis algorítmica y en qué se diferencia de una crisis de reputación online?

¿Qué tipos de errores puede cometer un modelo de IA sobre una organización?

¿Publicar contenido nuevo corrige lo que dice la IA sobre mi empresa?

¿Cuánto tiempo tarda en resolverse una crisis algorítmica?

1. Ausencia de fuentes con suficiente peso

2. Fragmentación narrativa entre la organización y sus fuentes externas

3. Datos de entrenamiento obsoletos

Por qué importa identificar la causa antes de actuar

Preguntas frecuentes

¿Por qué la IA describe a mi empresa de forma vaga o genérica?

¿Qué es la fragmentación narrativa y cómo afecta al ACA-Score™?

¿Qué ocurre si los datos de entrenamiento del modelo sobre mi empresa están desactualizados?

¿Cómo saber cuál de las tres causas está afectando a mi organización antes de actuar?

Cómo funciona, en términos prácticos

Por qué es diferente de la reputación online clásica