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».