Publicado el 20 de noviembre de 2026

En la apertura del 1.er Congreso Internacional Human-First PR, organizado por la UDLA de Chile, empecé sin diapositivas. Pedí a la sala que abriera el asistente de IA que usa a diario y escribiera una sola pregunta: «¿Quién es [tu nombre completo] y por qué es una referencia en tu campo?». Después, que respondiera con una palabra: me describe bien, me describe mal, no me conoce.

Hazlo ahora, antes de seguir leyendo. Lo que responda ese sistema es hoy parte de tu reputación, lo hayas decidido tú o no.

Antes de seguir, mi agradecimiento a la Universidad de Las Américas (UDLA) de Chile, a su Facultad de Comunicaciones y Artes y, en especial, a Cynthia Romo Méndez, Directora de Carrera de Relaciones Públicas, por invitarme a abrir el congreso con la conferencia magistral. Inaugurar un encuentro ante estudiantes y profesionales de comunicación es un honor y una responsabilidad que agradezco de corazón.

¿Qué es la reputación algorítmica?

La reputación algorítmica es la representación que un sistema de IA construye de una persona, marca u organización y que muestra al responder cuando alguien pregunta por ella. Se lee en dos dimensiones: autoridad, que es si te reconocen como referente en tu ámbito, y credibilidad, que es si te describen con exactitud y con datos verificables.

Un mismo término para dos cosas distintas

El término reputación algorítmica se volvió popular y hoy se usa para cosas diferentes, así que conviene separarlas. En informática se habla de reputación algorítmica, o de sistemas de reputación, para los mecanismos que calculan puntuaciones de confianza o de posición mediante algoritmos, como los rankings y las valoraciones de una plataforma. Ahí el algoritmo es la herramienta que produce la reputación.

Yo lo uso para otra cosa: lo que responden los sistemas de IA generativa, es decir, los modelos de lenguaje (LLM), cuando alguien pregunta por una persona, marca u organización, y muy pronto lo que harán los agentes de IA. Ahí el algoritmo es el intermediario que describe, y la pregunta es si describe con exactitud. Cuando necesito precisión, digo reputación algorítmica en sistemas de IA.

Antes elegías una fuente; ahora recibes la respuesta redactada

Un buscador devuelve una lista y la persona decide a qué fuente entrar. Un sistema de IA entrega la respuesta ya escrita, y quien pregunta la lee sin pasar por tu web, tu perfil o tu nota de prensa. Esa diferencia cambia dónde se decide lo que se cree de una organización.

El uso todavía es minoritario, y conviene decirlo con exactitud. Según el Reuters Institute (Oxford), el uso semanal de IA generativa para noticias pasó de 3 % a 9 % entre 2024 y 2026 en seis países con datos comparables. Se triplicó en dos años y sigue siendo una minoría. Es un comportamiento declarado en encuesta, y Chile no está en el estudio.

Citar y describir son dos trabajos distintos

El SEO busca que te encuentren, el AEO que tu fragmento sea la respuesta y el GEO que te citen dentro de una respuesta generada. Los tres optimizan contenido. La reputación algorítmica mira otra cosa: qué dicen de ti y a quién reconocen.

La distancia entre ambos trabajos tiene respaldo. La EBU y la BBC (octubre de 2025) evaluaron a ChatGPT, Copilot, Gemini y Perplexity en 18 países y encontraron que el 45 % de las respuestas sobre noticias tenía al menos un problema significativo. Liu, Zhang y Liang (2023) midieron que solo el 51,5 % de las oraciones de los buscadores con IA estaba totalmente respaldada por sus propias citas. Ninguno de los dos estudios mide organizaciones concretas, pero muestran lo esencial: estar citado no demuestra estar bien descrito.

Frase de Sonia Yánez Blum: Estar citado no demuestra estar bien descrito

En el PR Talk del 2 de octubre lo resumí con un ejemplo: una IA puede nombrar tu marca sin usar tu sitio como fuente, y puede citar tu sitio sin nombrarte. Hay que lograr las dos cosas, y se logran por caminos diferentes.

A comienzos de noviembre apareció un caso que muestra el riesgo de una descripción errónea. Según China AI Dispatch (7 de noviembre de 2026), los seguidores de dos cantantes chinos preguntaron al asistente de IA de la plataforma Xiaohongshu quién era el artista conocido por cierto apodo. La IA señaló repetidamente a uno de ellos, incluso después de que los usuarios le dijeran que se equivocaba, y su sello presentó una queja por infracción. El detalle importa: ese caso concreto proviene de un solo reportaje y no hay registro judicial, así que lo cuento como una queja, no como una sentencia.

Lo que sí está documentado es el marco. Según la misma fuente, el Tribunal Supremo Popular de China emitió en septiembre un dictamen: si un contenido generado por IA daña la reputación de alguien, el proveedor responde solo si, tras ser notificado por el afectado, no actúa a tiempo. La notificación debe incluir pruebas preliminares y la identidad real del titular. La lección para quien gestiona reputación es práctica: una descripción errónea puede persistir aunque otros la corrijan, y el recurso empieza por documentarla y notificarla.

Autoridad y credibilidad pueden separarse

Alguien puede ser reconocido como referente y estar mal descrito. Un sistema puede ubicar a una persona entre las voces de su sector y, al mismo tiempo, atribuirle un cargo que ya no tiene o un logro que no es suyo. Por eso las dos dimensiones se revisan por separado: la autoridad se lee en si aparece y en qué compañía; la credibilidad, en si lo que afirma el sistema resiste una comprobación contra fuentes verificables.

Aquí también hay una lección que repito en mis clases: los algoritmos piden evidencia. Afirmar que tienes muchos años de experiencia no basta. Hace falta evidencia digital trazable, por ejemplo una página de trayectoria con fechas, nombres y enlaces que cualquiera pueda comprobar.

Cuatro pasos para auditar cómo te describen

Llamo ARM, gestión de la reputación algorítmica, a observar, contrastar y corregir lo que el sistema lee y lo que responde. Su primera versión es un ejercicio de cuatro pasos que puedes hacer esta semana:

  1. Pregunta. Escribe las preguntas que haría un cliente, un periodista o un estudiante sobre ti o tu organización.
  2. Consulta. Haz las mismas preguntas, sin cambiarlas, en al menos dos asistentes distintos, y guarda las respuestas con fecha. Cada plataforma te ve diferente, y una sola búsqueda no es el panorama.
  3. Contrasta. Revisa cada afirmación contra fuentes verificables. Marca qué es exacto, qué está desactualizado y qué es falso.
  4. Decide. Define qué corregir en la fuente, qué investigar y quién lo hace.

Si después de ese ejercicio solo haces tres ajustes, que sean estos: usa el mismo nombre y el mismo descriptor en todas partes, publica una página propia con datos y fechas, y escribe títulos claros que un sistema pueda leer sin adivinar.

La reputación mediada por agentes

Mi visión es que esta reputación cambiará de naturaleza en tres etapas:

  1. Hoy: el sistema responde. Un modelo de lenguaje o un buscador con IA redacta una respuesta y una persona la lee.
  2. Pronto: el agente consulta y compara. Un agente de IA pregunta a varios sistemas y fuentes en nombre de la persona y contrasta lo que encuentra.
  3. Después: el agente decide o actúa. Su salida deja de ser una respuesta y pasa a ser una decisión o una acción, por ejemplo preseleccionar a un proveedor, recomendar a un experto o descartar una opción.

En esa etapa, quien lee tu reputación es un sistema que evalúa. Para ese lector pesan la exactitud, la consistencia entre fuentes y los datos verificables y bien estructurados. Y el costo de un error crece, porque ya no siempre hay un ser humano que lo vea antes de que se tome la decisión.

Una noticia reciente ilustra esa tercera etapa. Según 404 Media (17 de noviembre de 2026), Joe Thomas, dueño de un negocio de encimeras en Carolina del Sur, dio a su agente Muse, de Meta, acceso a las páginas de Facebook de su empresa. Meta suspendió esas páginas y, según Thomas, el agente redactó los mensajes a funcionarios y preparó la demanda por 75.000 dólares que él firmó el 16 de noviembre. Las cuentas se recuperaron tras la intervención de la oficina de un senador y el caso sigue abierto. Son los hechos tal como los cuenta Thomas; no revisé una respuesta de Meta.

Lo que me interesa es la estructura. Un agente con acceso a cuentas reales actúa, y otro sistema algorítmico, el de moderación, lo trata como una amenaza. Cada sistema evalúa al agente y a su dueño, y ninguna persona lee una respuesta antes de que ocurra la consecuencia.

Esta capa está en desarrollo. Es una línea de investigación y una hipótesis de trabajo, no un resultado: todavía no tengo evidencia sobre cómo deciden los agentes frente a organizaciones concretas.

Lo que todavía no sabemos

Existen experimentos sobre IA y persuasión, como los de Salvi y colaboradores (2025) y Lin y colaboradores (2025). Lo que aún no tiene resultados es otra pregunta: si la suma de respuestas individuales, repetidas en muchas personas y sistemas, llega a formar una opinión pública mediada sobre una organización. Es una hipótesis de investigación, no un hallazgo, y la estudiamos en el Laboratorio de Opinión Pública Algorítmica (LOPA), que sigue en fase de diseño. No afirmo que ocurra. Propongo medir si ocurre, en qué condiciones y con qué magnitud.

Una pregunta para cerrar

Mi apuesta, desde las relaciones públicas, es que los sistemas de IA describan con exactitud a quienes representamos y los reconozcan como referentes en cada capa donde se construye la respuesta. Si hicieras hoy la pregunta de la escena inicial, ¿qué palabra habría salido: bien, mal o no me conoce? Cuéntame qué encontraste.

El evento

Evento1.er Congreso Internacional Human-First PR 2026
OrganizaUniversidad de Las Américas (UDLA) de Chile, Facultad de Comunicaciones y Artes
Mi participaciónConferencia magistral de apertura: «No basta con que te citen»
Fecha6 de noviembre de 2026
FormatoEn línea

Sonia Yánez Blum es investigadora en reputación algorítmica y relaciones públicas, con más de 28 años de trayectoria en comunicación estratégica internacional. Docente en SFIC College Miami y UIDE Ecuador. ORCID 0000-0002-6695-8129.