Etiqueta: ACA-Score

  • Por qué las agencias de PR necesitan incorporar la reputación algorítmica en sus servicios

    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 · · 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.

    Director de agencia de PR revisando informe de reputación algorítmica y ACA-Score™ de un cliente
    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.

    Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.

  • El ACA-Score™: cómo medimos la autoridad y la credibilidad de una organización en modelos de lenguaje

    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 · · 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.

    Índice ACA-Score™ midiendo autoridad y credibilidad de una organización en modelos de lenguaje como ChatGPT y Gemini
    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.

    Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.

  • Las tres causas más comunes de una reputación algorítmica deficiente

    Las tres causas más comunes de una reputación algorítmica deficiente

    Reputación Algorítmica

    Las tres causas más comunes de una reputación algorítmica deficiente

    Por · · 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.

    Diagrama de tres causas comunes de reputación algorítmica deficiente en modelos de lenguaje
    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.

    Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.

  • Qué miran los modelos de IA cuando evalúan a una organización: las cinco señales que determinan la representación

    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 · · 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.

    Diagrama de las cinco señales que determinan cómo los modelos de IA evalúan y representan a una organización
    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.

    Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas.