Un prospecto menciona, a mitad de una llamada, que ChatGPT le dijo que tu empresa cerró. O que fue adquirida por un competidor. O que tu producto insignia fue descontinuado en 2023. Nada de eso es cierto — y no tienes idea de cuántos otros compradores recibieron la misma respuesta y nunca llamaron.
Esto es un problema de ingresos, no una curiosidad. Aproximadamente la mitad de los compradores B2B de software ahora inician su investigación en chatbots de IA, y el 71 % los utiliza en algún momento del proceso de compra (G2 via PRNewswire). Una respuesta falsa en esa etapa es un negocio perdido que nunca llegarás a ver.
La mayoría de los consejos sobre este problema terminan con "compra nuestro panel de monitoreo". El monitoreo mide el daño; no lo repara. Este es el manual de reparación: documenta el error, rastrea de dónde lo obtuvo el modelo, luego trabaja una solución de cinco capas — el Correction Stack (pila de corrección) — en el orden que realmente mueve las respuestas. Seis semanas cubren un ciclo completo: corregir, propagar, volver a probar. La versión lista para usar vive en nuestro servicio de visibilidad de IA; todo lo que se describe a continuación lo puedes ejecutar tú mismo.
Puntos clave
- La IA se equivoca sobre las empresas por tres razones: una instantánea de entrenamiento desactualizada, fuentes de recuperación deficientes o confusión de entidad con una empresa con nombre similar. Cada una requiere una solución diferente.
- Haz el triaje antes de actuar. Deriva inofensiva, daño comercial, nivel de difamación — solo los dos últimos justifican un proyecto de seis semanas.
- Primero la evidencia: un registro de 10 consultas en cinco plataformas, con capturas de pantalla y fechas, es la base de cada paso posterior, incluidas las escaladas.
- Trabaja el Correction Stack en orden: tus propias páginas → datos de entidad estructurados → solicitudes de edición de Wikipedia → fuentes de terceros → botones de comentarios de la plataforma. La mayoría de los equipos empiezan por el botón de comentarios y fracasan.
- Las correcciones a nivel de fuente suelen llegar a las respuestas de IA en aproximadamente cuatro a ocho semanas (Sight AI), así que vuelve a probar cada dos semanas y evalúa los resultados en la semana seis.
Por qué la IA se equivoca sobre tu empresa
Tres mecanismos producen respuestas falsas sobre empresas, y la solución es diferente para cada uno.
La instantánea de entrenamiento. El conocimiento integrado de un modelo está congelado en su fecha de corte de entrenamiento. Si cambiaste de marca, te reubicaste, cambiaste de CEO o simplemente sobreviviste a un año difícil después de esa instantánea, el modelo recuerda la versión antigua de ti. Las respuestas dadas sin acceso a la web provienen de esta memoria, y ningún ticket de soporte la edita.
Recuperación desactualizada. Cuando un asistente busca en la web en vivo — ChatGPT con búsqueda, Perplexity, Gemini y los AI Overviews (resúmenes generados por IA) de Google, Copilot — resume lo que recupera. Si los documentos más recuperables sobre ti son un perfil de Crunchbase abandonado, un artículo de noticias de 2021 y un listado de directorio de una dirección anterior, la respuesta es fiel a malas fuentes.
Confusión de entidad. Los modelos fusionan empresas con nombres similares en una sola biografía. Una gran parte de los casos de "la IA dice que mi empresa cerró" se rastrean hasta un homónimo que realmente cerró, fue adquirido o demandado. Heredas su historial.
El mecanismo al que te enfrentas determina todo lo que sigue — la mecánica más profunda está en cómo la IA decide qué marcas citar.
Triaje: no toda respuesta incorrecta merece un proyecto
Antes de comprometerte seis semanas, califica el error.
| Nivel | Se parece a | Respuesta |
|---|---|---|
| Deriva inofensiva | Recuento de empleados ligeramente antiguo, producto más nuevo faltante, eslogan difuso | Regístralo. Corrige en las capas 0–1 de pasada. Sin proyecto. |
| Daño comercial | "La empresa cerró" o "fue adquirida", precio incorrecto, ausente en respuestas de categoría, confundida con un competidor | Ejecuta este manual ahora. |
| Nivel de difamación | Demandas inventadas, acusaciones de fraude, sanciones, incidentes de seguridad fabricados | Ejecuta el manual y consulta a un abogado en paralelo. Conserva todo. |
Sé honesto en este punto. La mayoría de los errores son deriva, y la deriva no justifica el esfuerzo que se describe a continuación. El nivel intermedio peligroso es el daño comercial: afirmaciones lo suficientemente falsas como para cambiar una decisión de compra, pero no lo suficientemente falsas para un tribunal.
Semana 1 — reproducir y documentar: el registro de evidencia de 10 consultas
Las respuestas de IA no son reproducibles por defecto; la misma pregunta produce respuestas diferentes entre sesiones. Así que antes de corregir cualquier cosa, congela la evidencia.
Construye diez consultas:
- 4 conceptos básicos de marca — "¿Qué es [empresa]?", "¿Sigue operando [empresa]?", "¿Quién es el dueño de [empresa]?", "¿Dónde está ubicada [empresa]?"
- 3 consultas de compra — "precio de [empresa]", "[empresa] vs [competidor]", "mejores proveedores de [categoría]"
- 3 consultas adversas — "problemas de [empresa]", "demanda de [empresa]", "¿es [empresa] legítima?"
Ejecuta las diez en todas las plataformas que importan a tus compradores — ChatGPT, Gemini, Perplexity, Copilot, Grok — en sesiones limpias o sin iniciar sesión, con la búsqueda web activada y desactivada donde sea posible. Para cada respuesta, registra: fecha, plataforma y versión del modelo, si la navegación estaba activada, el texto completo de la respuesta, una captura de pantalla y la afirmación falsa textualmente.
Este paso es innegociable por dos razones. Primero, cada canal de escalada que puedas usar más adelante — una página de discusión de Wikipedia, un formulario de privacidad de un proveedor, un abogado — preguntará exactamente qué se dijo, dónde y cuándo. Segundo, este conjunto de consultas congelado se convierte en tu línea base de prueba. Sin él no puedes distinguir una corrección real de un muestreo afortunado.
Semanas 1–2 — rastrea la fuente en la que se apoya el modelo
Los asistentes modernos cada vez más muestran su trabajo. Úsalo.
- Si la respuesta lleva citas — ChatGPT en modo de búsqueda, Perplexity, Copilot, AI Overviews — abre cada enlace citado. Uno de ellos generalmente contiene tu afirmación falsa o algo cercano a ella. Esa página, no el chatbot, es tu objetivo de corrección.
- Una consulta de seguimiento útil: "¿Qué fuentes dicen [afirmación falsa] sobre [empresa]?" Trata la respuesta como pistas, no como verdad — abre y verifica cada una.
- Si no hay cita y la respuesta es incorrecta incluso con la navegación desactivada, estás tratando con la memoria de datos de entrenamiento. Puede que no haya nada en la web en vivo para corregir. La estrategia es diferente: publica material denso, recuperable y correcto para que las respuestas fundamentadas en búsqueda anulen la memoria ahora, y la próxima instantánea del modelo aprenda los datos correctos más tarde.
Termina el rastreo con un veredicto de una línea por afirmación falsa: afirmación → mecanismo (memoria, recuperación o confusión de entidad) → URL de la fuente si existe. Esa tabla impulsa la siguiente sección.
El Correction Stack: cinco capas en orden de corrección
El Correction Stack (pila de corrección) está ordenado por control: empieza donde tienes control total y velocidad el mismo día, termina donde no tienes ninguno de los dos. La mayoría de los equipos lo invierten — martillan el botón de "reportar" y se detienen. Las herramientas de informe de plataforma existen, pero son poco confiables como canal de corrección principal (Mention Network): una cola de comentarios sin SLA, sin página de estado y sin obligación de actuar.
- Capa 0 — tus propias páginas. Una página "Acerca de" que indique el año de fundación, la propiedad, el estado y las ubicaciones en oraciones simples. Una página de precios que muestre el precio real. Una FAQ (preguntas frecuentes) que responda exactamente las preguntas que hacen los compradores, más llms.txt para los rastreadores. Haz que el dato verdadero sea la oración más fácil de recuperar en internet. Costo: horas.
- Capa 1 — datos de entidad estructurados. Declaraciones de Wikidata con referencias, marcado schema.org Organization (foundingDate, address, sameAs) y datos consistentes en LinkedIn, Crunchbase y registros comerciales. Esta es la capa que desenreda la confusión de entidad — cubierta en profundidad en nuestra guía de Wikidata y grafo de conocimiento.
- Capa 2 — correcciones de precisión en Wikipedia. La fuente de mayor peso en la que la mayoría de los modelos se apoya, y la más fácil de dañar editándola tú mismo. Solo solicitudes de edición — sección siguiente.
- Capa 3 — fuentes de autoridad de terceros. El artículo desactualizado que sembró la afirmación: solicita una actualización o una nota de corrección al editor. Actualiza los principales perfiles. Si la falsedad provino de cobertura de un homónimo, una pieza de nueva cobertura precisa le da a la recuperación algo mejor que citar.
- Capa 4 — comentarios de la plataforma. Pulgares abajo, formularios de reporte, canales legales y de privacidad. Envía una vez, adjunta tu registro de evidencia, no esperes nada en un cronograma.
La versión permanente de esta arquitectura — páginas propias, capa de entidad, Wikipedia, monitoreo como infraestructura permanente en lugar de una operación puntual — es el AI Reputation Stack.
Palancas por plataforma: lo que cada canal de comentarios puede hacer realmente
No existe un formulario para actualizar la información de ChatGPT sobre tu empresa. Lo que existe por plataforma:
| Plataforma | Mecanismo de comentarios | Lo que puede cambiar de manera realista | Latencia realista |
|---|---|---|---|
| ChatGPT | Pulgar abajo / reporte en un mensaje; portal de privacidad de OpenAI para solicitudes de datos personales | Los comentarios son una señal de entrenamiento, no un ticket. Las solicitudes de privacidad cubren individuos, no marcas. Los datos de marca se mueven cuando cambian las fuentes citadas | Basado en fuentes: semanas. Memoria integrada: próxima actualización del modelo. Solo comentarios: sin SLA |
| Gemini / AI Overviews | Enlace de "comentarios" por respuesta; herramientas de eliminación legal de Google; sugerir una edición en un Panel de conocimiento reclamado | Los Overviews siguen el índice de Google y el Grafo de conocimiento, por lo que las correcciones de fuente y entidad se propagan al volver a rastrear | Días a semanas después del nuevo rastreo |
| Perplexity | Comentarios por respuesta; correo electrónico de soporte | El más orientado a la recuperación de los cinco — las respuestas siguen de cerca las páginas citadas | A menudo días después de que cambia una página citada |
| Copilot | Comentarios por respuesta; formulario de inquietud de contenido de Microsoft | Basado en el índice de Bing; actualizar fuentes y solicitar un nuevo rastreo a través de Bing Webmaster Tools mueve las respuestas | Días a semanas |
| Grok | Comentarios de respuesta en la aplicación | Se apoya en la actividad de X más la web; las correcciones viajan a través de la presencia visible en X y las fuentes web | Opaco; sin proceso publicado |
Estas latencias son observaciones operativas, no compromisos de los proveedores — ninguna plataforma publica un SLA de corrección. Planifica las seis semanas en torno a las capas 0–3; los botones son un boleto de lotería gratuito que compras una vez.
La palanca de Wikipedia y Wikidata, aplicada de manera compatible
Si un artículo de Wikipedia repite el error, corregirlo es el movimiento de mayor apalancamiento en la pila — y el más fácil de hacer mal.
Lo que no haremos, y tú tampoco deberías: editar tu propio artículo directamente, sin haber iniciado sesión o a través de una cuenta no declarada. Las ediciones con WP:COI (conflicto de interés, según la política de Wikipedia) se revierten, etiquetan y archivan, y la limpieza pasa a formar parte de tu registro público.
El camino compatible:
- Registra una cuenta y declara tu afiliación en tu página de usuario. Si recibes pago por el trabajo, los términos de uso de Wikipedia — WP:PAID (política de edición remunerada) — requieren que lo indiques.
- Publica una solicitud de edición en la página de discusión del artículo: cita la oración incorrecta, indica el dato correcto y adjunta una fuente independiente y confiable — no tu propio sitio web.
- Mantén el tono factual y mínimo. Las correcciones no controvertidas — año de fundación, sede, estado operativo actual, un cambio de liderazgo — se aceptan habitualmente. Las solicitudes que mejoran adjetivos no.
- Para afirmaciones falsas sobre personas vivas — un fundador acusado de algo que nunca sucedió — las políticas de biografía de Wikipedia requieren la rápida eliminación de afirmaciones mal referenciadas, lo que hace que las solicitudes bien documentadas avancen más rápido.
Wikidata es más amigable: los editores afiliados pueden corregir declaraciones directamente, siempre que cada declaración lleve una referencia y permanezca neutral. Audita tu entidad por una fecha de disolución adjunta incorrectamente — la raíz clásica de "la IA dice que la empresa cerró" — registros fusionados o duplicados que te confunden con un homónimo, y funcionarios o sitios web desactualizados. Los modelos y el Grafo de conocimiento de Google leen Wikidata como fuente de verdad — la corrección de mayor apalancamiento y más silenciosa en la pila.
Honestidad sobre la latencia: las solicitudes en páginas de discusión tardan días a semanas según el tráfico de la página; el efecto en las respuestas de IA sigue la ventana de propagación habitual después de eso.
Lo que no debes hacer
- No hagas spam con los botones de comentarios. Diez pulgares abajo de tu equipo es ruido para un filtro anti-abuso, no una señal más fuerte. Reporta una respuesta de IA incorrecta una vez, con evidencia, y sigue adelante.
- No publiques una refutación que repita la afirmación falsa. Una publicación titulada "No, [Empresa] no ha cerrado" le entrega a los sistemas de recuperación exactamente la cadena que quieres que desaprenda. Indica el dato verdadero en títulos y datos estructurados; refuta directamente solo cuando una falsedad ya se está propagando por sí sola.
- No vayas primero con un abogado por errores ordinarios. Una carta de cese y desistimiento sobre un año de fundación incorrecto no tiene palanca que accionar — no hay editor al que obligar ni un solo documento que retirar. La revisión legal es correcta cuando la producción es de nivel difamatorio: crímenes fabricados, fraude o violaciones regulatorias, especialmente recurrentes en varias plataformas. Entonces tu registro de evidencia se convierte en el archivo de pruebas, y el asesor legal puede trabajar los canales legales de los proveedores y la publicación fuente que lleva la afirmación.
- No declares victoria después de una respuesta limpia. La varianza de muestreo produce respuestas correctas por accidente. El protocolo de re-prueba existe para esto.
El protocolo de re-prueba: semanas 2, 4 y 6
Vuelve a ejecutar las mismas diez consultas, en las mismas plataformas, en sesiones limpias, cada dos semanas — tres ejecuciones dentro de la ventana de seis semanas. Clasifica cada afirmación falsa por ejecución:
- Corregida — correcta en dos ejecuciones consecutivas, con la navegación tanto activada como desactivada.
- Parcial — correcta cuando el modelo busca en la web, todavía incorrecta desde la memoria.
- Inestable — alterna entre correcta e incorrecta entre ejecuciones.
Calibra las expectativas con los datos de propagación: las correcciones a nivel de fuente suelen tardar aproximadamente cuatro a ocho semanas en aparecer en las respuestas de IA (Sight AI). Una semana 2 silenciosa es normal. Un resultado parcial en la semana 4 generalmente significa que tus fuentes más sólidas se actualizaron pero la capa de entidad aún no coincide — vuelve a auditar la capa 1. Todavía inestable en la semana 6 significa que el rastreo pasó por alto una fuente: regresa al paso de citación con respuestas nuevas.
Después de la semana seis, baja a una cadencia mensual con las mismas consultas congeladas. Cuando el registro manual deje de escalar, o la junta quiera un solo número, ese es el momento para las herramientas — consulta nuestra reseña de herramientas de monitoreo de marca de IA.
Cuándo no se puede corregir — y qué te ofrece el monitoreo mientras tanto
Honestidad sobre los límites:
- Alucinaciones sin fuente. Algunas respuestas incorrectas no citan nada y no coinciden con ningún documento en la web en vivo — una alucinación sobre tu empresa que el modelo ensambló él mismo. No hay nada que corregir, porque nada fue escrito. La única mitigación es la densidad: suficiente verdad consistente, estructurada y recuperable para que las respuestas fundamentadas en búsqueda superen la memoria, hasta que una instantánea de modelo más reciente aprenda los datos correctos.
- Retraso de versión del modelo. Tu corrección puede aterrizar en el modo actual basado en búsqueda mientras los modos más antiguos o sin conexión permanecen incorrectos hasta que el proveedor publique una actualización. Ninguna cantidad de trabajo en las fuentes acorta un ciclo de lanzamiento.
- Homónimos de peso pesado. Si compartes un nombre con una entidad mucho más grande o con más cobertura, la confusión puede reaparecer con cada nuevo modelo, incluso después de una corrección limpia. Los datos de entidad distintos reducen la frecuencia; nada la elimina.
En esos casos, el monitoreo no es un premio de consolación. Detecta regresiones a tiempo, construye un registro con fechas que muestra que la falsedad persiste del lado del proveedor — lo que importa si las cosas alguna vez se tornan legales — y demuestra a la dirección que la parte corregible fue corregida.
Si prefieres empezar con la línea base preparada para ti — lo que ChatGPT, Gemini, Perplexity, Copilot y Grok dicen sobre tu empresa hoy, en qué fuentes se apoyan y qué capa de la pila necesita trabajo primero — esa auditoría es cómo comienza nuestro servicio de visibilidad de IA. No prometemos cambiar la opinión de un modelo en un cronograma. Corregimos las fuentes que lee, luego medimos si escuchó.