Etiqueta: Reputación Algorítmica

  • Reputación algorítmica en América Latina 2026: por qué las organizaciones de la región tienen un problema específico con los modelos de IA

    Reputación algorítmica en América Latina 2026: por qué las organizaciones de la región tienen un problema específico con los modelos de IA

    Reputación Algorítmica

    Reputación algorítmica en América Latina 2026: por qué las organizaciones de la región tienen un problema específico con los modelos de IA

    Por · · 7 min de lectura

    Las organizaciones latinoamericanas tienen un problema específico de representación en los modelos de IA: la mayor parte del corpus de entrenamiento es anglosajón. Cuando el modelo infiere qué decir sobre una empresa de la región, lo hace a partir de menos señales, señales más fragmentadas y fuentes con menos autoridad relativa que sus equivalentes europeas o norteamericanas.

    Mapa de brecha de autoridad algorítmica de organizaciones latinoamericanas en modelos de IA con corpus anglosajón
    Las organizaciones latinoamericanas tienen un problema estructural de representación en los modelos de IA: el corpus de entrenamiento anglosajón reduce su autoridad algorítmica frente a equivalentes europeos o norteamericanos.

    La reputación algorítmica no opera en igualdad de condiciones para todas las organizaciones. Hay un factor estructural que afecta de manera desproporcionada a las organizaciones latinoamericanas, y que no tiene que ver con la calidad de su comunicación ni con el volumen de contenido que producen.

    Tiene que ver con el corpus.

    Por qué el corpus de entrenamiento importa más que el contenido propio

    Los modelos de lenguaje aprenden a partir de los textos con los que fueron entrenados. El corpus de entrenamiento —el conjunto de textos, documentos, publicaciones y datos que el modelo procesó antes de estar disponible— determina qué patrones aprendió, qué relaciones estableció entre conceptos, qué organizaciones conoce y con qué atributos las asocia.

    El problema es que ese corpus no es neutral en términos geográficos ni lingüísticos. La mayoría de los modelos de lenguaje más utilizados —GPT-4 y sus variantes, Claude, Gemini— fueron entrenados con corpus donde el inglés, y particularmente el inglés de fuentes estadounidenses y europeas, tiene un peso desproporcionado respecto a otros idiomas y regiones.

    Eso significa que cuando una organización latinoamericana produce contenido en español, ese contenido compite con menos peso relativo en el corpus que el contenido equivalente en inglés proveniente de fuentes anglosajones. El modelo no discrimina activamente. Simplemente tiene más señales de un tipo que del otro, y eso se traduce en representaciones más densas para las organizaciones con mayor presencia en el corpus dominante.

    Una organización ecuatoriana puede publicar más contenido que una organización alemana equivalente y aun así tener una representación más débil en el modelo. El volumen de contenido propio no corrige el desequilibrio del corpus.

    El problema de autoridad sectorial en América Latina

    Hay un segundo factor que amplifica el primero. La autoridad que un modelo le asigna a una organización depende, en parte, de las fuentes que la citan y las tratan como referencia. Si esas fuentes tienen alta presencia en el corpus de entrenamiento, su respaldo se traduce en autoridad algorítmica. Si tienen baja presencia, su respaldo vale menos en términos de representación.

    El número de publicaciones especializadas latinoamericanas con alta presencia en los corpus de entrenamiento de los modelos principales es sustancialmente menor que el número de publicaciones anglosajonas equivalentes. Una mención en un medio colombiano relevante no tiene el mismo peso en la inferencia del modelo que una mención en Reuters o en un medio sectorial europeo, aunque el contenido sea equivalente en rigor y relevancia.

    Esto no es una crítica a los medios latinoamericanos. Es una descripción de cómo funciona el mecanismo de ponderación en los modelos: lo que está más representado en el corpus de entrenamiento pesa más en la inferencia. Y el corpus refleja décadas de producción de contenido digital donde el idioma inglés y los medios anglosajones tuvieron ventaja de infraestructura.

    El resultado práctico: una organización latinoamericana bien posicionada en su mercado regional puede tener una autoridad algorítmica notablemente inferior a la de un competidor europeo o norteamericano con presencia equivalente en su propio mercado, simplemente porque las fuentes que avalan a uno y a otro tienen pesos distintos en el corpus.

    El patrón que aparece en los diagnósticos de organizaciones de la región

    Cuando realizo diagnósticos de reputación algorítmica para organizaciones latinoamericanas, hay un patrón que se repite con consistencia.

    La dimensión de autoridad del ACA-Score™ —que mide la presencia de la organización en fuentes con peso en el corpus y la calidad de esas referencias— es sistemáticamente más baja que la dimensión de credibilidad. La credibilidad algorítmica, que mide la coherencia narrativa entre fuentes y la consistencia del posicionamiento, suele ser razonablemente buena: estas organizaciones son consistentes en lo que dicen y cómo se describen. El problema no es la coherencia. Es que aparecen menos.

    La consecuencia concreta: el modelo puede describir correctamente qué hace la organización cuando se le pregunta directamente —porque tiene suficiente señal de coherencia para construir una respuesta básica— pero no la incluye espontáneamente en respuestas sobre su sector, no la cita como referencia en conversaciones sobre su categoría y no la posiciona junto a sus competidores internacionales aunque opere en el mismo espacio.

    Esto es especialmente pronunciado en organizaciones latinoamericanas que compiten en mercados globales o que buscan proyección internacional. En el mercado local, su reputación está bien construida. En la representación algorítmica de los modelos principales, siguen siendo relativamente invisibles.

    Lo que esto significa para el ACA-Score™ en organizaciones latinoamericanas

    El Marco ACA — Autoridad y Credibilidad Algorítmica — evalúa la representación de una organización en modelos de lenguaje a través de cuatro pilares: Trazabilidad, Coherencia narrativa, Profundidad y Actualización. Para organizaciones latinoamericanas, el desequilibrio típico entre autoridad y credibilidad tiene implicaciones específicas en cada pilar.

    La Trazabilidad —la presencia de la organización en fuentes que los modelos indexan y ponderan— es el pilar más afectado. Las organizaciones de la región suelen tener trazabilidad en fuentes regionales con bajo peso en el corpus, pero baja trazabilidad en fuentes internacionales con alto peso.

    La Profundidad —la riqueza temática de la representación, la capacidad del modelo de ir más allá de una descripción básica— es el segundo pilar más afectado. Si hay pocas fuentes con peso que citen a la organización, el modelo tiene poco material para construir una representación densa.

    La Coherencia narrativa y la Actualización suelen ser los pilares más sólidos, porque dependen más de la consistencia del propio discurso que de su amplificación externa. La narrativa de estas organizaciones suele ser clara y actualizada; el problema es que no llega con suficiente fuerza a las fuentes que el modelo pondera más.

    El diagnóstico no es, por tanto, que estas organizaciones tengan mala reputación. Es que tienen una reputación bien construida que los modelos no están leyendo con suficiente señal.

    Qué pueden hacer las organizaciones latinoamericanas frente a este problema

    El desequilibrio del corpus no es un problema que una organización pueda resolver por sí sola. El corpus de entrenamiento de los modelos principales cambia en cada versión, y los cambios responden a decisiones de los desarrolladores sobre qué fuentes incluir y con qué peso. Eso está fuera del alcance de cualquier organización individual.

    Lo que sí está en el alcance es actuar estratégicamente sobre las señales que los modelos sí indexan con peso.

    Lo primero es identificar con precisión cuáles son esas fuentes. El diagnóstico hace ese mapeo: qué publicaciones, repositorios y plataformas tienen alta presencia en el corpus de los modelos relevantes para la organización, y en cuáles de ellas hay presencia actual y en cuáles no.

    Lo segundo es construir presencia en esas fuentes de forma deliberada. Publicaciones internacionales en inglés con alta indexación en el corpus. Repositorios académicos con peso en el entrenamiento —arXiv, SSRN, repositorios universitarios de universidades con alta presencia en el corpus—. Wikipedia en inglés, que tiene un peso documentado en el entrenamiento de prácticamente todos los modelos principales. Estudios o informes que otras fuentes con autoridad puedan citar.

    Lo tercero, y que muchas organizaciones subestiman, es la coherencia entre lo que se publica en español para la audiencia regional y lo que se produce en inglés para el corpus internacional. No es traducir el mismo contenido. Es asegurarse de que los atributos clave del posicionamiento están presentes en ambos, porque el modelo va a construir su representación con todo lo que encuentre.

    Cuando trabajo con organizaciones latinoamericanas que quieren proyección internacional, la primera conversación siempre es sobre el diagnóstico: dónde están las brechas de señal, qué fuentes son prioritarias y qué acciones tienen impacto real en la representación. Sin ese mapa, la inversión en contenido puede ir al lugar equivocado.

    Preguntas frecuentes

    ¿Por qué los modelos de IA representan peor a las organizaciones latinoamericanas que a las europeas o norteamericanas?

    El corpus de entrenamiento de los modelos más utilizados —GPT-4, Claude, Gemini— tiene un peso desproporcionado de contenido en inglés proveniente de fuentes anglosajones. Cuando una organización latinoamericana produce contenido en español, ese contenido compite con menos peso relativo en el corpus. Además, las publicaciones especializadas latinoamericanas con alta presencia en los corpus de entrenamiento son sustancialmente menos numerosas que las anglosajonas equivalentes, lo que reduce el peso de las menciones que reciben las organizaciones de la región.

    ¿Qué dimensión del ACA-Score™ se ve más afectada en las organizaciones de América Latina?

    En los diagnósticos de organizaciones latinoamericanas, la dimensión de autoridad del ACA-Score™ es sistemáticamente más baja que la de credibilidad. La credibilidad algorítmica —la coherencia narrativa entre fuentes— suele ser razonablemente buena porque estas organizaciones son consistentes en cómo se describen. El problema es la autoridad: aparecen menos en las respuestas espontáneas de los modelos, no son citadas como referencia sectorial y no son posicionadas junto a sus competidores internacionales aunque operen en el mismo espacio.

    ¿Qué pueden hacer las organizaciones latinoamericanas para mejorar su representación en los modelos de IA?

    El desequilibrio del corpus no puede resolverse de forma individual, pero sí pueden tomarse acciones estratégicas sobre las señales que los modelos sí ponderan: construir presencia en publicaciones internacionales en inglés con alta indexación en el corpus, generar presencia en repositorios académicos con peso en el entrenamiento —arXiv, SSRN, repositorios universitarios—, asegurar una entrada en Wikipedia en inglés, y mantener coherencia entre el posicionamiento en español para la audiencia regional y el contenido en inglés producido para el corpus internacional.

    ¿Las organizaciones latinoamericanas con buena reputación regional están bien representadas en los modelos de IA globales?

    No necesariamente. Este es el patrón más frecuente en los diagnósticos de organizaciones de la región: una reputación bien construida en el mercado local y una representación algorítmica débil en los modelos principales. El modelo puede describir correctamente qué hace la organización cuando se le pregunta directamente, pero no la incluye espontáneamente en respuestas sectoriales ni la posiciona junto a competidores internacionales. Esta brecha es especialmente pronunciada en organizaciones que buscan proyección internacional.

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

  • 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.

  • 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 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

    Diagnóstico IA

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

    Por · · 6 min de lectura

    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.

    Pantalla de ChatGPT mostrando una respuesta sobre la reputación de una organización B2B
    Los modelos de IA generan respuestas sobre tu organización a partir de sus datos de entrenamiento, no de tu web corporativa.

    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.

    Preguntas frecuentes

    ¿Qué dice la IA sobre mi empresa y cómo puedo saberlo?

    Para saber qué dice la IA sobre tu empresa, basta con preguntar directamente a los principales modelos —ChatGPT, Claude, Gemini, Perplexity— usando consultas como «¿qué hace [nombre de la empresa]?» o «¿cuál es la reputación de [empresa]?». Sin embargo, una evaluación sistemática requiere un diagnóstico estructurado: el Diagnóstico IA de Blum Digital PR analiza la representación en varios modelos, identifica afirmaciones incorrectas o ausentes y genera el ACA-Score™ inicial con un mapa de fuentes.

    ¿Por qué la IA describe mal a mi organización si tenemos una web actualizada?

    Los modelos de lenguaje no consultan tu web en tiempo real: generan respuestas a partir de los patrones que absorbieron durante su entrenamiento. Si tu organización tiene poca presencia en fuentes externas de calidad —medios especializados, directorios sectoriales, publicaciones académicas— el modelo tendrá poco material verificable con qué trabajar, independientemente de lo completa que esté tu web corporativa.

    ¿Qué es la reputación algorítmica y en qué se diferencia del SEO?

    La reputación algorítmica es cómo los modelos de lenguaje representan a una organización cuando alguien les hace preguntas sobre ella. A diferencia del SEO —que trabaja con páginas indexadas y resultados de búsqueda recuperables—, la reputación algorítmica opera sobre inferencias estadísticas del modelo que no pueden corregirse con las mismas tácticas. Requiere metodología específica, como el Marco ACA, para medirse y gestionarse.

    ¿Cuánto tiempo tarda en corregirse una representación incorrecta en los modelos de IA?

    No existe un plazo fijo: depende de cuándo el modelo se reentrene con datos actualizados, lo que puede ocurrir en semanas, meses o no ocurrir si el modelo llega al fin de su ciclo de vida. Por eso, el plan de acción a 90 días que genera el Diagnóstico IA se centra en construir fuentes verificables que alimenten la representación correcta en el siguiente ciclo de actualización, y el ACA-Score™ se repite periódicamente para verificar el avance.

    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.

  • Tu marca y la reputación algorítmica

    Tu marca y la reputación algorítmica

    Tu marca existe en Google. Pero ¿existe en ChatGPT?

    Sonia Yánez IA y RRPP

    Por: Sonia Yánez Blum. Directora Blum Digital PR

    En 2026 ya no es una hipótesis: la primera opinión sobre tu marca, tu categoría o tu sector muchas veces no llega por Google ni por los medios, sino por una respuesta de IA generativa.  Ahí cabe la pregunta de este artículo  Tu marca existe en Google. Pero ¿existe en ChatGPT? Según cifras de OpenAI recogidas por TechCrunch, ChatGPT alcanza los 900 millones de usuarios activos a la semana, con más de 50 millones de suscriptores de pago y unos 9 millones de clientes empresariales.

    Distintos medios especializados —como Marketing4eCommerce y Business Insider— sitúan ese crecimiento como uno de los saltos de adopción más rápidos de los últimos años, y lo vinculan a una ronda de financiación privada de 110.000 millones de dólares que eleva la valoración de OpenAI por encima de los 700.000 millones.

    Dato 1: 900 millones de usuarios… y una nueva “home” de la información

    Que casi mil millones de personas utilicen ChatGPT cada semana significa que la consulta conversacional se está convirtiendo en una nueva puerta de entrada a la información. Como explica Search Engine Land, buena parte de ese uso se concentra en tareas de descubrimiento, investigación y comparación de productos o servicios, en un entorno donde la respuesta ya no es una página de enlaces, sino un texto sintético.

    Otras recopilaciones de estadísticas —como las de Thunderbit o Primeweb— estiman que ChatGPT concentra en torno al 80% de la cuota del mercado de chatbots generativos y más de 5.000 millones de visitas mensuales a finales de 2025, consolidándolo como un “medio generalista” de facto para millones de usuarios.

    En este contexto, cualquier organización que no exista en este espacio está cediendo visibilidad y narrativa a terceros: las decisiones informadas sobre bancos, universidades, hospitales, destinos turísticos o proveedores tecnológicos empiezan, cada vez más, dentro de una interfaz de IA y no en la página de resultados de un buscador tradicional.

    Dato 2: la paradoja de las “citas fantasma”

    El segundo dato clave no habla de volumen, sino de reconocimiento. En su ensayo “AI Reads Everything. It Credits Almost Nothing.”, publicado en Retina Media, se recoge el trabajo de Kevin Indig para Growth Memo: un análisis de 3.981 dominios, 115 prompts, 14 países y cuatro motores de IA (ChatGPT, Google AI Overviews, Gemini y el modo de IA de Google).

    El estudio revela un doble filtro. Primero, la mayoría del contenido que los modelos leen nunca llega a convertirse en cita: Ahrefs, en un análisis de 1,4 millones de prompts de ChatGPT, muestra que el sistema recupera muchas páginas para generar una respuesta, pero solo cita aproximadamente la mitad; el resto se consume sin atribución visible.

    Segundo, incluso cuando hay cita, la marca no siempre entra en la historia. El trabajo que resume EisnerAmper indica que en torno al 62% de las citas que generan estas IAs son “ghost citations”: el enlace aparece como fuente, pero el nombre de la marca nunca se menciona en el texto de la respuesta.

    En este contexto, Growth Memo cuantifica que ChatGPT cita fuentes en aproximadamente el 87% de sus respuestas, pero solo incluye el nombre de la marca en alrededor del 20% de los casos, mientras que Gemini funciona casi al revés: menciona marcas con mucha mayor frecuencia, pero enlaza menos. La consecuencia es clara: en una mayoría de interacciones, el contenido de tu organización puede estar alimentando la respuesta sin que el usuario llegue a ver tu nombre.

    El punto que muchos equipos están perdiendo aparece bien descrito en el propio análisis de Retina Media: si se superponen los filtros, el embudo se estrecha de forma dramática. La IA lee tu contenido, solo una parte logra cita, y de esa parte, cerca de dos tercios son citas fantasma donde el comprador nunca ve tu marca. Indig denomina “citation-mentions” al cruce perfecto —enlace más nombre de marca en el cuerpo de la respuesta— y calcula que solo el 13,2% de las apariciones de marca alcanzan ese nivel de visibilidad plena.

     

    Dato 3: tu marca hoy está, mañana quién sabe

    La tercera pieza procede del estudio de SparkToro y Gumshoe.ai, publicado a finales de enero de 2026 y sintetizado por medios como Search Engine Journal. Los investigadores se preguntaron hasta qué punto los sistemas de IA generan listas consistentes de marcas cuando se les formula la misma petición de recomendación una y otra vez.

    Ejecutaron 12 prompts de recomendación (desde cuchillos de cocina y auriculares hasta hospitales oncológicos o consultoras de marketing digital) entre 60 y 100 veces por plataforma, en ChatGPT, Claude y la IA de Google en la búsqueda. La conclusión central: hay menos de una probabilidad de 1 entre 100 de que ChatGPT o la IA de Google devuelvan exactamente la misma lista de marcas dos veces seguidas con el mismo prompt.
     https://www.searchenginejournal.com/ai-recommendations-change-with-nearly-every-query-sparktoro/566242/

    No solo cambia qué marcas aparecen; también varían el orden de las recomendaciones y el número de resultados. En palabras de Rand Fishkin, fundador de SparkToro, si preguntas a una IA 100 veces por recomendaciones de marca o producto, casi todas las respuestas serán únicas.

    Sin embargo, bajo ese aparente caos hay una estructura que la mayoría de equipos tampoco está midiendo. En categorías como auriculares, un “pool” estable de marcas —Bose, Sony, Sennheiser, Apple— aparece en más de la mitad de las respuestas, aunque en diferentes combinaciones y posiciones; y en áreas críticas como hospitales de cáncer, centros como City of Hope alcanzan tasas de presencia cercanas al 97% de las respuestas analizadas.

    Lo que se vuelve estratégico ya no es tanto la “posición media”, sino el porcentaje de visibilidad: en qué proporción de respuestas de IA tu marca existe siquiera como opción considerada.

    Lo que casi nadie está midiendo: del “ser leído” al “existir en la respuesta”

    El hilo conductor de estos tres datos es un cambio de métrica que muchas organizaciones aún no han hecho. Durante años, las áreas de SEO y comunicación digital han trabajado con impresiones, clics, posiciones medias y cuota de voz en medios. En el entorno de la IA generativa, el embudo es distinto y tiene, como mínimo, cuatro niveles:

    1. La IA lee tu contenido (crawl y consumo por parte de bots como GPTBot, ClaudeBot o PerplexityBot).

    2. Parte de ese contenido se utiliza para generar respuestas, pero sin cita.

    3. Un subconjunto obtiene cita (enlace como fuente).

    4. Solo una fracción aún más pequeña logra citation-mention: enlace más aparición del nombre de la marca en el cuerpo de la respuesta.

    Retina Media sintetiza este salto así: “la caída desde ‘la IA consumió tu página’ hasta ‘un comprador oyó tu nombre gracias a la IA’ es mucho más pronunciada de lo que la mayoría de los equipos de marketing está monitorizando”.

    Si se combina este embudo con la volatilidad identificada por SparkToro, la fotografía es aún más exigente: tu marca puede entrar hoy en una respuesta de IA y desaparecer mañana, no porque hayas hecho algo mal, sino porque las respuestas son inherentemente probabilísticas y se generan cada vez desde cero con ligeras variaciones.

    Esto no es SEO. Es reputación algorítmica.

    Ante este escenario, hablar solo de SEO se queda corto. Los motores generativos no se limitan a rankear páginas: interpretan contenido, lo recombinan y producen conclusiones en lenguaje natural, apoyándose en corpus entrenados y en recuperaciones puntuales de la web. El problema es que, en 2026, buena parte de la conversación ocurre antes de que Analytics tenga algo que medir.

    Por eso defiendo que esto no va de “hackear” a ChatGPT ni de encontrar el truco del mes. Va de aplicar comunicación corporativa rigurosa —trazabilidad, coherencia, consistencia— a una nueva capa: la capa algorítmica.

    En mi caso, lo hago con tres piezas muy concretas:

    La disciplina que emerge es la reputación algorítmica: cómo interpretan, jerarquizan y reformulan los modelos la identidad informativa de tu organización. Tres criterios clásicos de la comunicación corporativa —trazabilidad, coherencia y consistencia de mensaje— se convierten ahora en requisitos técnicos para poder existir de manera estable en las respuestas de IA.

    • Trazabilidad: que las afirmaciones clave sobre tu organización estén respaldadas por fuentes verificables, actualizadas y fácilmente rastreables por los bots.

    • Coherencia: que la narrativa sea estable entre tu web corporativa, informes, apariciones en medios, repositorios técnicos y perfiles ejecutivos, porque el modelo no distingue entre “campaña” y “documento institucional” al construir su representación de tu marca.

    • Consistencia: que esa identidad se mantenga en el tiempo, sabiendo que buena parte de lo que la IA “sabe” de ti proviene de datos ya entrenados y que las correcciones reputacionales no son inmediatas.

    Un método, no un truco para “hackear” a ChatGPT

    Frente a estos retos, empiezan a aparecer promesas de atajos para “salir más en ChatGPT” o “forzar citas” que ignoran la naturaleza probabilística y multi-fuente de estos sistemas. Análisis como los de Erlin AI insisten en que las marcas que mejor rendimiento logran en IA no son las que descubren un truco puntual, sino las que trabajan cuatro palancas de forma sistemática: densidad factual del contenido, autoridad de la fuente, estructura alineada con el proceso de decisión del usuario y frescura de la información.

    Durante los últimos años, parte del trabajo en comunicación corporativa avanzada ha consistido en adaptar estas lógicas a la capa de IA generativa: auditorías de presencia en respuestas por categoría y país, mapas de porcentaje de visibilidad frente a competidores, diseño de narrativas “interpretables” por modelos generativos y protocolos de corrección cuando la IA responde con información obsoleta o errónea sobre una organización.

    No es magia ni un truco para “hackear” a ChatGPT. Es comunicación corporativa rigurosa aplicada a una capa nueva del ecosistema informativo. La pregunta estratégica para cualquier comité directivo deja de ser “¿en qué posición estamos en Google?” para convertirse en “¿qué responde la IA cuando alguien pregunta por lo que hacemos… y con qué frecuencia nuestra organización forma parte de esa respuesta?”.

    Si quieres saber más sobre este tema, capacítate y reserva tu plaza ahora y asegúrate de estar en la primera cohorte de profesionales que saben diagnosticar y corregir su reputación algorítmica con criterios estratégicos. Haz clic en “Inscribirme en el Curso Ejecutivo Gestión de la Reputación Algorítmica” desarrollado por nuestra consultora.

  • 10 Tendencias en Relaciones Públicas 2026: Cómo la IA conversacional está redefiniendo la reputación y la autoridad

    10 Tendencias en Relaciones Públicas 2026: Cómo la IA conversacional está redefiniendo la reputación y la autoridad

    10 tendencias en RRPP 2026 de Blum Digital PR

    Por Sonia Yánez Blum
    Blum Digital PR

    La reputación dejó de ser únicamente humana

    Las 10 Tendencias en Relaciones Públicas 2026:, nos cuentan cómo la IA conversacional está redefiniendo la reputación y la autoridad. Debemos comprender, que la industria de las Relaciones Públicas atraviesa una transformación estructural. No se trata de una evolución incremental ni de la incorporación de una herramienta más al arsenal del comunicador. Estamos frente a un cambio de mediador. Y cuando cambia el mediador, cambia la disciplina.

    Durante décadas, la reputación se gestionó ante públicos humanos: periodistas, audiencias, stakeholders, comunidades. Posteriormente, se incorporó la lógica digital: SEO, redes sociales, buscadores, métricas de tráfico. Sin embargo, en 2026 la legitimidad ya no se negocia solo en la mente humana ni en el algoritmo de ranking. Se construye —y se pone en riesgo— en sistemas de inteligencia artificial conversacional que sintetizan información, atribuyen autoridad y jerarquizan credibilidad.

    Los sistemas basados en modelos de lenguaje grandes (LLM) no se limitan a indexar. Interpretan. No muestran una lista neutral de enlaces. Elaboran respuestas. Y en ese proceso, seleccionan, contextualizan y, de manera implícita, otorgan legitimidad.

    Este entorno exige una reconceptualización profunda de la profesión. Desde la perspectiva de RRPP 6.0, la gestión reputacional ya no es únicamente mediación comunicacional; es arquitectura de legitimidad en un ecosistema humano-digital-algorítmico. A continuación, presento diez tendencias que están redefiniendo la práctica profesional y que, en mi experiencia con organizaciones y líderes en América Latina y Europa, se han convertido en ejes estratégicos ineludibles.

    1. La reputación se volvió algorítmica

    La primera tendencia no es táctica, es estructural. La reputación dejó de depender exclusivamente de lo que las personas dicen sobre una marca. Hoy depende también de cómo los sistemas de IA reconstruyen narrativamente esa información. Cuando un usuario consulta a un buscador conversacional sobre una empresa, no recibe diez enlaces. Recibe una síntesis. En esa síntesis, la marca puede ser mencionada como referente, como actor secundario o, simplemente, omitida.

    La omisión es el nuevo riesgo reputacional. Sonia Yánez. Directora Blum Digital PR.

    En la práctica, esto implica que la gestión reputacional debe incorporar auditorías de citabilidad y análisis de visibilidad en entornos conversacionales. No basta con medir posicionamiento en Google. Es necesario comprender cómo se estructura la narrativa que los sistemas generan y qué señales permiten que una marca sea reconocida como autoridad.

    La reputación algorítmica no se improvisa. Se diseña.

    2. La sala de juntas incorpora el riesgo reputacional algorítmico

    La segunda tendencia se observa en el nivel directivo. La reputación ya no es una conversación exclusiva del departamento de comunicación. Es un activo estratégico que impacta gobernanza, inversión y sostenibilidad.

    Consejos directivos comienzan a formular preguntas que hace cinco años no existían:
    ¿Cómo nos describe la IA?
    ¿Somos citados como fuente confiable?
    ¿Existe coherencia entre nuestra narrativa interna y la reconstrucción algorítmica externa?

    El Chief Communications Officer se convierte, así, en estratega de riesgo reputacional ampliado. Su rol no se limita a gestionar crisis mediáticas, sino a anticipar escenarios de síntesis automatizada.

    En la práctica, esto exige comités transversales que integren comunicación, legal, tecnología y dirección estratégica. La reputación algorítmica debe tratarse como un riesgo sistémico, no como un asunto táctico.

    3. La confianza interna se convierte en señal externa

    La tercera tendencia confirma algo que siempre fue cierto, pero hoy es exponencial: la cultura interna genera datos. Y esos datos alimentan sistemas de IA.

    Reseñas de empleados, publicaciones en LinkedIn, intervenciones en foros, presentaciones académicas, comunicados institucionales: todo forma parte del ecosistema informacional que los modelos de lenguaje procesan.

    La confianza radical puertas adentro deja de ser únicamente una cuestión ética o cultural. Se convierte en arquitectura de señal reputacional.

    Las organizaciones que alinean narrativa interna, propósito y comunicación externa generan coherencia sistémica. Y la coherencia es una variable clave en la atribución algorítmica de autoridad.

    4. Del modelo PESO a la arquitectura funcional

    Durante años, el modelo PESO permitió clasificar medios según propiedad y tipo de distribución. Sin embargo, el entorno conversacional exige un segundo lente: la función algorítmica. No todos los activos cumplen el mismo rol frente a la IA. Algunos funcionan como fuentes estructuradas. Otros como amplificadores de señal. Otros como catalizadores de citación.

    La pregunta estratégica ya no es únicamente “¿qué canal usamos?”, sino “¿qué función cumple este activo en la arquitectura de recuperabilidad?”.

    En la práctica, esto implica rediseñar el media mix bajo lógica de señal. La planificación de contenidos deja de centrarse exclusivamente en alcance humano y comienza a incorporar probabilidad de citación y estructuración de autoridad.

    5. El fin de la era del clic como métrica dominante

    Diversos estudios internacionales proyectan una disminución progresiva del tráfico orgánico tradicional debido al aumento de respuestas generadas directamente en buscadores conversacionales.

    Esto no implica la muerte del contenido, sino el fin de una métrica dominante: el clic como indicador principal de éxito.

    En la era de la síntesis, la pregunta estratégica es distinta:
    ¿Somos parte de la respuesta?

    Una marca puede perder tráfico y, sin embargo, ganar autoridad si es consistentemente citada como referencia en respuestas automatizadas.

    La medición evoluciona. El enfoque deja de centrarse exclusivamente en volumen y se desplaza hacia legitimidad.

    6. De métricas de alcance a métricas de legitimidad

    La sexta tendencia redefine el tablero de indicadores. Likes, impresiones y views siguen siendo útiles, pero resultan insuficientes para evaluar autoridad.

    En entornos algorítmicos, variables como trazabilidad, coherencia narrativa, profundidad conceptual y actualización permanente adquieren relevancia estratégica. La legitimidad se construye cuando existe consistencia entre lo que se afirma, lo que se publica, lo que se demuestra y lo que terceros validan. Las organizaciones que adoptan métricas cualitativas estructuradas —más allá del vanity metric— desarrollan resiliencia reputacional.

    7. La ética deja de ser discurso y se convierte en infraestructura

    La inteligencia artificial amplifica tanto el valor como el error. Una afirmación inexacta, una incoherencia narrativa o una práctica opaca pueden ser replicadas y contextualizadas de manera masiva. Por ello, la ética ya no puede presentarse como declaración aspiracional. Debe traducirse en gobernanza concreta: protocolos de uso de IA, verificación humana, control de sesgos, políticas de transparencia. La confianza algorítmica se nutre de señales verificables. Y la transparencia es una de ellas. En la práctica, las organizaciones que incorporan políticas claras sobre automatización, autoría y validación fortalecen su arquitectura de legitimidad.

    8. La doble estrategia: institucional y experta

    Los sistemas de IA muestran comportamientos diferenciados frente a instituciones y frente a expertos individuales. Algunas plataformas tienden a priorizar fuentes institucionalizadas; otras reconocen especialización personal cuando existe profundidad temática documentada.

    Esto obliga a trabajar en doble nivel:

       

        1. Marca institucional robusta.

        1. Marca experta coherente y documentada.

      La especialización profunda genera señales de autoridad cuando está respaldada por consistencia y producción sostenida.

      En la práctica, esto implica fortalecer perfiles ejecutivos, publicaciones técnicas y participación académica como parte integral de la estrategia reputacional.

      9. De campañas a sistemas vivos de comunicación

      La novena tendencia es conceptual. Las campañas son temporales. Los sistemas son permanentes.

      En un entorno donde la IA procesa histórico, coherencia y continuidad, las acciones aisladas pierden peso frente a arquitecturas narrativas sostenidas.

      La comunicación se convierte en sistema vivo: produce contenido estructurado, actualiza información, integra feedback y mantiene coherencia a lo largo del tiempo. Las organizaciones que operan bajo lógica de sistema —y no de evento— desarrollan autoridad acumulativa.

      10. RRPP 6.0 como reconceptualización disciplina

      La última tendencia no es operativa, es epistemológica. Cuando el mediador cambia, la disciplina debe redefinirse.

      Las Relaciones Públicas 1.0 se centraban en prensa.
      Las 2.0 incorporaron internet.
      Las 3.0 integraron redes sociales.
      Las 4.0 incorporaron data y automatización.
      Las 5.0 experimentaron con IA como herramienta.

      La 6.0 reconoce a la IA conversacional como mediador activo de la reputación.

      Esto implica que el profesional de comunicación debe comprender cómo operan los sistemas, qué señales privilegian y cómo se construye legitimidad en entornos de síntesis.

      No se trata de reemplazar fundamentos clásicos de la disciplina, sino de ampliarlos. La confianza sigue siendo el eje. La diferencia es que ahora también debe ser legible para algoritmos.

      Implicaciones estratégicas para América Latina

      En el contexto latinoamericano, esta transformación presenta desafíos adicionales: brechas de infraestructura digital, desigualdad en producción académica local, dependencia de fuentes anglosajonas y marcos regulatorios en evolución. Sin embargo, también ofrece oportunidad. Las organizaciones que estructuren autoridad en español, con profundidad conceptual y coherencia narrativa, pueden posicionarse como referentes en un entorno donde la producción regional aún es limitada.

      La legitimidad algorítmica en español no es automática. Se construye mediante consistencia, citabilidad y rigor.

      Arquitectura de legitimidad como ventaja competitiva

      La ventaja competitiva en 2026 no radica en usar inteligencia artificial. Radica en comprender cómo la inteligencia artificial interpreta la reputación.

      Las organizaciones que sigan midiendo exclusivamente alcance perderán perspectiva estratégica. Las que comprendan la lógica de síntesis, citación y coherencia sistémica construirán autoridad sostenible.

      No se trata de producir más contenido. Se trata de diseñar arquitectura de legitimidad. En un entorno donde los sistemas reconstruyen narrativas en tiempo real, la reputación ya no es únicamente percepción. Es interpretación algorítmica mediada por evidencia.

      La disciplina de las Relaciones Públicas entra, así, en una nueva etapa. Una etapa donde la ética, la coherencia y la profundidad conceptual no son accesorios, sino condiciones estructurales de autoridad. Quien comprenda esta transformación no solo será visible. Será considerado confiable.

      Y en la era de la síntesis, la confianza es la verdadera moneda estratégica