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.