Lo que la IA dice de ti a tus espaldas
Tu próximo cliente le está preguntando a ChatGPT o Perplexity por tu negocio ahora mismo. Y tú no tienes idea de qué le está respondiendo.
Volvimos con varios cambios que irás observando a lo largo de estas entregas, hoy justo quiero hablar de angulos y frentes que no estamos cuidando en Marketing en su mayoría.
Hace unas semanas hice un experimento, le pedí a tres modelos (ChatGPT, Claude y Perplexity) que compararan mi consultora con dos competidores directos en LATAM. Quería ver qué decían de nosotros sin intervención mía (con mi marca personal si he hecho bien el trabajo con la de mi empresa no tanto, así que era de esperar).
Los resultados:
Uno me ubicó en un país donde no opero.
Otro me atribuyó un servicio que dejé de ofrecer hace dos años.
El tercero, el más educado de los tres, simplemente no me mencionó: describió la categoría entera sin incluirme, aunque llevo trece años en ella pero era mi marca personal no corporativa.
Ninguno de los tres mintió con intención. Los tres hicieron lo que hacen los modelos: rellenar un vacío con la conjetura más obvia. El problema es que un Head of Growth que estuviera evaluando proveedores esa mañana habría recibido esas tres respuestas como si fueran hechos. Y a diferencia de una reseña mala en G2, yo no tenía forma de saber que había pasado.
Esto no es una anécdota sobre IA. Es un problema estructural de marca que aún no tiene nombre claro en español, y que le da la vuelta a una de las ideas más citadas del marketing B2B reciente.
¡Ey! El Curso de IA Gratis con Jon Hernández y BIG school está a punto de empezar
Los días 1, 2 y 3 de septiembre descubrirás por qué ChatGPT ya no se usa como antes y todo lo que ahora puedes hacer con esta nueva forma de trabajar con IA.
Durante 3 clases en directo, Jon Hernández, uno de los mayores divulgadores de IA en habla hispana, te enseñará cómo:
👉 Delegar horas de trabajo en ChatGPT, para que investigue, analice información y avance tareas por ti.
👉 Convertir tus ideas en proyectos reales, aunque no tengas conocimientos técnicos.
👉 Automatizar procesos y olvidarte de tareas repetitivas con agentes de IA capaces de ejecutarlas por ti.
Y no te irás sólo con lo aprendido. También conseguirás tu certificado de asistencia y el material gratuito del curso para seguir aplicando todo lo aprendido después del directo.
¡Son los últimos días para apuntarte!
La idea que todos citaron, y su lado ciego
Hay un dato que circula mucho en growth B2B: el comprador pasa cerca del 73% de su proceso de compra investigando de forma anónima antes de contactar a un proveedor. La cifra viene de un reporte de Green Hat y 6sense, y aquí va el primer punto clave: ese estudio es de la región Asia-Pacífico, no global ni de LATAM.
Más allá del número exacto, la tesis es sólida y está bien documentada por otras fuentes. Gartner, en una encuesta de 645 compradores B2B de agosto a septiembre de 2025, encontró que el 45% usó IA generativa en una compra reciente, principalmente para reunir información sobre proveedores y productos (Gartner, 2025). Y proyecta que para 2027 el 95% de los flujos de investigación de vendedores empezará con IA, frente a menos del 20% en 2024 (Gartner, 2025).
Esa segunda cifra es proyección, trátala como tal.
El consejo estándar frente a este panorama siempre apunta en la misma dirección: ilumina el dark funnel. Rastrea señales de intención, de-anonimiza tu tráfico, produce contenido que sirva de “fuente de luz” para el stalker.
Pero todo asume una cosa: que el comprador te investiga a ti consumiendo tu contenido, dejando una huella que tú puedes, con las herramientas adecuadas, llegar a ver.
La IA rompe ese supuesto. Cuando el comprador le pregunta a un LLM en lugar de a Google, no hay huella. No visita tu sitio, no descarga tu whitepaper, no aparece en tu reverse IP lookup. La investigación ocurre dentro de un modelo que no te reporta nada, y que puede estar contándole a tu prospecto una versión equivocada de tu empresa.
A esto lo llamo el dark funnel al revés. El original decía: “no sé quién me está investigando”. El nuevo dice: “no sé qué está diciendo la IA de mí, ni que la conversación existió”.
Por qué la IA se equivoca (y no es lo que crees)
Aquí es donde la mayoría del contenido sobre este tema cae en el pánico fácil: “¡la IA alucina, inventa cosas!”. Es una simplificación que no ayuda a arreglar nada.
OpenAI lo explicó en su propio paper de septiembre de 2025, Why language models hallucinate: las alucinaciones persisten porque el entrenamiento y la evaluación premian adivinar por encima de reconocer incertidumbre.
Un modelo que responde “no sé” puntúa peor en los benchmarks que uno que da una respuesta confiada y plausible. El sistema entero está optimizado para sonar seguro, incluso cuando la información es escasa.
Traducido a tu marca: cuando el modelo tiene poca información sobre tu empresa, no se queda callado. Rellena el hueco con lo que estadísticamente parece encajar, y lo dice con el mismo tono de certeza que usa para un hecho verificado. Tu prospecto no puede oír la diferencia.
El Tow Center for Digital Journalism de Columbia probó 1.600 consultas en ocho motores de búsqueda con IA y encontró que más del 60% de las respuestas contenían errores (Tow Center / CJR, marzo 2025), con tasas que variaban fuerte por plataforma: Perplexity 37%, ChatGPT Search 67%, Grok-3 alrededor de 94%.
Guarda esa fecha y dato cuando lo uses: las tasas cambian con cada actualización de modelo.
Pero saber que “el 60% tiene errores” no te dice qué hacer. Para eso necesitas un framework.
El framework: tres errores, tres causas, tres correcciones
Aquí está el núcleo, o como dibuje el esquema que lo puede resolver, no todos los errores de la IA sobre tu marca son iguales, y esto es lo importante: cada tipo tiene una causa raíz distinta, y por tanto una corrección distinta.
Aplicar la corrección equivocada al error equivocado no mueve la caja o el click o el like.
Este es el aporte que quiero que te lleves: no la lista de errores, sino el mapeo causa a palanca.
Vamos al grano:
1. Fabricación: El modelo inventa un dato sin base en ninguna fuente: un CEO que nunca trabajó ahí, una fecha de fundación incorrecta, un producto atribuido a la empresa equivocada. Ocurre sobre todo cuando el modelo le faltan datos suficientes sobre tu marca y empieza el viaje de hongos a empresas parecidas.
La corrección no es “desmentir”, es subir el volumen de información correcta en fuentes accesibles, para que el modelo tenga con qué llenar el hueco sin inventar.
¿Tienes acceso a tu web para crear y actualizar la info? Esto puede ser tarea de un agente AI.
2. Obsolescencia: el modelo te describe como eras, no como eres, no eres tú, soy yo…cambiaste de pricing, discontinuaste un producto, hiciste un rebrand. La corrección aquí es distinta: no falta información, sobra información vieja. La palanca es publicar contenido reciente y con fechas que desplace a las fuentes obsoletas.
3. Distorsión de posicionamiento: Para que digan que en marketing no usamos técnicismos sexys, el modelo no logra determinar qué te hace distinto, así que te omite de las comparativas o te describe en términos genéricos. Pasa cuando tu propuesta de valor se comunica de forma inconsistente entre tu web, tus notas de prensa y las menciones de terceros. La corrección no tiene nada que ver con volumen: es unificar el mensaje, repetir los mismos diferenciadores en todas las fuentes hasta que el modelo pueda reconocerlos como una entidad coherente.
Ahora si aún aplicando ese ajuste no funciona, revisa si realmente tienes un diferencial, dejando el ego del negocio al lado.
La regla que casi todos rompen: corrige la fuente, no el modelo
Hay un error de ejecución que se repite tanto que merece su propia sección.
El equipo detecta que ChatGPT dice algo mal, entra en pánico, y trata de “arreglar el modelo”: reporta el error con el pulgar hacia abajo, o peor, publica un comunicado desmintiendo.
Nada de eso funciona de forma fiable. Los modelos no se corrigen desde el modelo, se corrigen desde las fuentes que el modelo consulta. El flujo real es: identificar el error, rastrear qué fuente lo origina, corregir esa fuente, publicar contenido que la contradiga con autoridad, y volver a testear.
Ese último paso es el que casi todos saltan. Arreglan la página web, se sienten mejor, y nunca verifican si el modelo lo notó. Y la verificación importa porque los tiempos varían: Perplexity, que busca en la web en tiempo real, puede reflejar el cambio en días. ChatGPT y Claude, con bases de conocimiento de actualización periódica, pueden tardar semanas o meses. Corregir la fuente sube la probabilidad de que el modelo se actualice, no la fuerza. Sin re-testeo, estás disparando a ciegas.
Y el habito de siempre que heredamos cuando queriamos implementar SEO pero deciamos lo hago más adelante, cuando esto debe ser ¡ahora mismo!.
Por qué esto te pega más fuerte si operas en español
Hasta aquí, todo lo anterior aplica igual en Nueva York que en Bogotá. Pero hay una capa que el contenido anglosajón sobre este tema no menciona, porque no es su problema: la distorsión es estructuralmente peor fuera del inglés.
La lógica es una cadena, no un dato suelto. Un modelo entrenado con menos texto en español tiene menos información sobre tu marca. Con menos información, la probabilidad de que rellene huecos con conjeturas sube, osea chisme puro y duro.
Cuando te menciona, lo hace con menor confianza, lo que hace los errores más probables y cuando el error ocurre, existen menos fuentes alternativas en español para corregirlo automáticamente.
De donde sale esto, lo leí del Journal of Medical Internet Research -2025, el 30% de alucinación en coreano vs 13.4% en inglés, es real y en mi inocencia de lógica le veo la razón.
Pero tiene límites que debes conocer en como se proceso para que lo entiendas mejor: el estudio usó un modelo open-source pequeño (openbuddy-mistral-7b) sobre notas clínicas psiquiátricas, no ChatGPT evaluando marcas B2B.
Sirve para demostrar que el gap de idioma es real y grande en un LLM, no sirve para afirmar un porcentaje específico para tu marca en español.
Y esto es clave: no existe un estudio equivalente para el español. El eslabón de “menos autocorrección” es lógicamente sólido pero no está medido, es inferencia del mecanismo, no dato.
Ahora, si encuentras algun estudio enfocado a español que complemente esta lógica, superbienvenida la sugerencia.
El diagnóstico que puedes correr esta semana
Nada de esto sirve si se queda en teoría. Aquí está el micro-proceso reproducible, que es literalmente lo que hice que te conté al principio:
Define tus brand topics. Lista los temas donde un error te costaría dinero: tus features principales, tu pricing, tu liderazgo, tus comparativas contra competidores.
Corre el mismo set de prompts en tres modelos: ChatGPT, Claude y Perplexity como mínimo. Usa preguntas de categoría (”mejores proveedores de tu categoría en LATAM”), de comparación (”tu empresa vs competidor”) y factuales (”¿qué hace tu empresa?”).
Clasifica cada respuesta por causa raíz: ¿Es fabricación, obsolescencia o distorsión? esta clasificación te dice de una qué palanca usar.
Rastrea la fuente del error: Casi nunca el modelo “inventa de la nada”, suele estar citando mal una fuente real: una página vieja, un directorio desactualizado, una reseña de un tercero, encuentra esa fuente.
Corrige en el origen y agenda el re-testeo: Cada dos a cuatro semanas, sobre el mismo set de prompts, sin el re-testeo, no sabes si funcionó.
¿Qué dice la IA de tu empresa cuando nadie de tu equipo está mirando?
Si corres el diagnóstico de cinco prompts, me interesa de verdad saber qué encontraste, sobre todo si fue fabricación, obsolescencia o distorsión, y en qué idioma.
Respóndeme o déjalo en los comentarios, estoy armando un panorama de cómo se ve este problema específicamente para marcas B2B en español, y los casos reales valen más que cualquier estudio prestado.
Si este análisis te sirvió, reenvíaselo a quien lleve growth o marketing en tu equipo.
Y si aún no estás suscrito a Full Stack Marketer News, este es el tipo de cosa que mando cada semana: técnico cuando toca, estratégico siempre.
No olvides inscribiste al curso de IA gratis de Jon Hernández y BIG school
🧠 Mi top 3 de herramientas recomendadas para esta semana:
➡️ Airtop si estas buscando incorporar la AI para tu estrategia con Google Ads.
➡️ Keystroke una alternativa para crear agentes AI con workflows más avanzados.
➡️ Glideo es una app con una propuesta interesante pero atrevida de edición automatizada de videos con AI.