Etiqueta: comunicación corporativa

  • Las tres causas más comunes de una reputación algorítmica deficiente

    Las tres causas más comunes de una reputación algorítmica deficiente

    Las tres causas más comunes de una reputación algorítmica deficiente

    Por ·

    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».

    Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas. ORCID 0000-0002-6695-8129

  • Qué miran los modelos de IA cuando evalúan a una organización

    Qué miran los modelos de IA cuando evalúan a una organización

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

    Por ·

    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.

    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.

    Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas. ORCID 0000-0002-6695-8129

  • Contenido generado con IA en comunicación corporativa: el problema no es la herramienta, es la ausencia de criterio

    Contenido generado con IA en comunicación corporativa: el problema no es la herramienta, es la ausencia de criterio

    Contenido y producción con IA

    Contenido generado con IA en comunicación corporativa: el problema no es la herramienta, es la ausencia de criterio

    Por · · 6 min de lectura

    El problema del contenido generado con IA en comunicación corporativa no es que los modelos redacten mal. Es que nadie ha definido quién supervisa lo que producen, con qué criterio lo valida y cómo se documenta esa supervisión. Sin esa cadena, el riesgo reputacional no lo crea la IA: lo crea la ausencia de proceso.

    Flujo de supervisión editorial de contenido generado con IA en comunicación corporativa con criterios documentados
    El riesgo del contenido de IA en comunicación corporativa no es técnico: es la ausencia de un flujo de supervisión editorial documentado.

    Cuando los equipos de comunicación me llaman para hablar de contenido generado con IA, la conversación empieza casi siempre en el mismo lugar: las alucinaciones. El modelo inventó un dato. El modelo puso una cita que nadie dijo. El modelo mezcló dos eventos distintos.

    Esos errores ocurren. Pero no son el problema principal. Son el síntoma visible de algo más profundo.

    Por qué el riesgo no es técnico

    Las alucinaciones de los modelos de lenguaje son predecibles en términos estadísticos: ocurren con más frecuencia en temas con poco corpus de referencia, en datos numéricos precisos, en nombres propios de personas y organizaciones con baja presencia en el entrenamiento. Eso se puede mitigar con instrucciones, con verificación de fuentes, con restricción de dominio.

    Lo que no se mitiga con instrucciones es la ausencia de criterio humano sobre qué revisar, por qué y con qué estándar.

    En los diagnósticos que realizamos, el patrón que aparece con más frecuencia no es que el contenido de IA sea técnicamente malo. Es que nadie en el equipo sabe responder estas tres preguntas: ¿quién revisa el contenido antes de publicarlo? ¿Qué está buscando cuando lo revisa? ¿Qué hace si encuentra un problema?

    Cuando esas preguntas no tienen respuesta documentada, el flujo de trabajo no es ágil. Es opaco.

    Lo que pasa cuando falta el criterio editorial

    La primera consecuencia visible es el deslizamiento de voz. El modelo produce texto que suena «bien» en términos gramaticales pero que no habla como la organización. El estilo se vuelve genérico. Las palabras clave del posicionamiento desaparecen. El tono varía entre piezas.

    La segunda consecuencia es más silenciosa: los errores factuales que pasan el control de calidad porque quien revisa no sabe qué verificar. No porque sea descuidado, sino porque «revisar» no tenía un protocolo. Se revisaba para ver si sonaba bien, no para verificar si era correcto.

    La tercera consecuencia es estructural. Cuando una organización publica contenido producido con IA sin poder explicar qué proceso de supervisión siguió, no puede responder ante un error. No porque no haya habido revisión —puede haberla habido— sino porque no hay registro de que ocurrió, de quién la hizo y con qué criterio.

    Eso es exactamente el tipo de situación que el EU AI Act y las conversaciones regulatorias en torno a sistemas GPAI están comenzando a documentar como riesgo.

    Por qué nadie documenta el flujo de supervisión

    La respuesta que escucho siempre es la misma: la velocidad. El contenido de IA es útil precisamente porque acelera la producción. Agregar documentación parece contradecir la lógica de la herramienta.

    Hay también una segunda razón que se dice menos: «suena bien» como criterio implícito. El revisor lee el texto, no encuentra errores evidentes, lo aprueba. Eso no es un criterio. Es la ausencia de uno.

    Un criterio editorial para contenido de IA no tiene que ser una checklist de cincuenta puntos. Tiene que responder cuatro preguntas: ¿qué afirmaciones de este texto requieren verificación independiente? ¿Qué elementos de la voz de la organización tiene que preservar? ¿Qué información no puede estar presente bajo ninguna circunstancia? ¿Quién aprueba la publicación final?

    Cuatro preguntas. Cuando las respuestas están escritas y las conoce el equipo, hay un criterio. Cuando no están escritas, hay buenas intenciones.

    Qué documenta un flujo de trabajo supervisado

    Un flujo de trabajo supervisado para contenido de IA no necesita ser complejo. Necesita ser explícito.

    Lo que documenta: quién tiene autorización para generar contenido con IA en la organización. Qué tipo de contenido puede producirse con IA y cuál requiere redacción humana. Qué revisa el supervisor antes de publicar —no en general: qué busca específicamente. Qué ocurre cuando algo no pasa la revisión: quién decide, qué se modifica, quién aprueba el cambio.

    Lo que registra: la versión del prompt o instrucción usada, la fecha de generación, el nombre de quien revisó y la fecha de revisión. No para crear burocracia. Para poder responder, si en seis meses alguien pregunta cómo se produjo ese contenido.

    Cuando trabajo con equipos en la implementación de este tipo de flujos, el tiempo de adopción es menor de lo que esperan. Lo que tarda es la decisión de hacerlo —que implica aceptar que el flujo anterior no era un flujo, era una práctica sin documentar.

    El EU AI Act y el contenido de comunicación

    El Reglamento europeo de IA obliga a los proveedores de sistemas GPAI —los modelos de lenguaje de uso general— a marcar el contenido sintético. Esa obligación está en el lado del proveedor, no del usuario. Pero tiene una implicación directa para los equipos de comunicación que publican contenido producido con esas herramientas.

    Si el contenido lleva una marca de origen sintético —visible o en metadatos— y alguien pregunta cómo fue revisado antes de publicarlo, la organización tiene que poder responder. No en términos legales abstractos: en términos concretos. Quién lo revisó. Con qué criterio. Cómo se conserva ese registro.

    Las organizaciones que no tienen un flujo documentado van a encontrar esa pregunta cada vez más frecuente: de reguladores, de clientes, de periodistas, de empleados. El AI Act no inventa el problema. Lo hace visible y, en algunos casos, lo convierte en obligación.

    La preparación más inteligente no es esperar a que haya una obligación formal. Es construir el flujo ahora, cuando todavía hay margen para hacerlo sin presión.

    Lo que hace la diferencia entre usar IA y usarla bien

    La distinción no está en la herramienta. Está en si la organización puede explicar por qué el contenido que publica es correcto y apropiado.

    «El modelo lo generó y sonaba bien» no es una explicación. «Lo revisó esta persona, con este criterio, en esta fecha, y aprobó la publicación» sí lo es.

    Esa explicación no se construye después de que ocurre un error. Se construye antes, cuando se decide cómo trabajar con la herramienta. La diferencia entre una organización que usa IA de forma responsable y una que la usa de forma descuidada no es el modelo que usan. Es si tienen o no tienen esa explicación disponible.

    Lo que encuentro en los diagnósticos es que las organizaciones que ya tienen ese proceso —aunque sea incipiente, aunque sea imperfecto— están en una posición cualitativamente distinta. No solo frente a riesgos regulatorios. Frente a su propio equipo, frente a sus clientes y frente a los modelos de IA que, eventualmente, van a indexar lo que publican.

    Preguntas frecuentes

    ¿Cuál es el principal riesgo del contenido generado con IA en comunicación corporativa?

    El principal riesgo no es que los modelos redacten mal, sino que nadie en la organización ha definido quién supervisa lo que producen, con qué criterio lo valida y cómo se documenta esa supervisión. Sin esa cadena, el riesgo reputacional no lo crea la IA: lo crea la ausencia de proceso. Los errores más graves no son las alucinaciones evidentes, sino los errores factuales o de voz que pasan el control de calidad porque el proceso de revisión no tenía criterios específicos.

    ¿Qué es el «deslizamiento de voz» en contenido generado con IA y cómo afecta a la reputación?

    El deslizamiento de voz es el proceso por el que el contenido generado con IA hace que la comunicación de una organización se vuelva progresivamente genérica: las palabras clave del posicionamiento desaparecen, el tono varía entre piezas y el estilo deja de corresponder al de la organización. No ocurre por un error puntual, sino por ausencia de criterios editoriales que el revisor tenga que aplicar activamente. A largo plazo, contribuye a la fragmentación narrativa que debilita la representación en los modelos de IA.

    ¿Qué debe incluir un criterio editorial mínimo para contenido de IA en una organización?

    Un criterio editorial mínimo para contenido de IA tiene que responder cuatro preguntas: qué afirmaciones del texto requieren verificación independiente, qué elementos de la voz de la organización tiene que preservar, qué información no puede estar presente bajo ninguna circunstancia y quién aprueba la publicación final. Cuando esas cuatro preguntas tienen respuesta escrita y el equipo las conoce, existe un criterio. Cuando no están escritas, lo que hay son buenas intenciones sin garantías.

    ¿Por qué el EU AI Act afecta a cómo los equipos de comunicación documentan su uso de IA?

    El EU AI Act obliga a los proveedores de sistemas GPAI a marcar el contenido sintético, pero tiene implicaciones directas para los equipos de comunicación que publican contenido producido con esas herramientas. Si alguien —un regulador, un cliente, un periodista— pregunta cómo fue revisado el contenido antes de publicarlo, la organización tiene que poder responder con precisión: quién lo revisó, con qué criterio y cómo se conserva ese registro. Las organizaciones sin flujo documentado van a encontrar esa pregunta cada vez con más frecuencia.

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

  • ¿Qué dice la IA sobre tu organización? Por qué los equipos de comunicación ya no pueden ignorar esta pregunta

    ¿Qué dice la IA sobre tu organización? Por qué los equipos de comunicación ya no pueden ignorar esta pregunta

    ¿Qué dice la IA sobre tu organización? Por qué los equipos de comunicación ya no pueden ignorar esta pregunta

    Por ·

    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.

    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.

    Autora: Sonia Yánez Blum, investigadora en reputación algorítmica y relaciones públicas. ORCID 0000-0002-6695-8129

  • EU AI Act y comunicación corporativa: qué afecta a los equipos de comms y qué tienen que hacer

    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 · · 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.

    Equipo de comunicación corporativa revisando cumplimiento del EU AI Act e ISO 42001 en flujos de trabajo con IA
    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.

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

  • Crisis algorítmica: qué hacer cuando un modelo de IA difunde información errónea sobre tu organización

    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 · · 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.

    Alerta de crisis algorítmica con modelos de IA generando información errónea sobre una organización
    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.

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