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.