Reputación de marca en la IA

Durante quince años la reputación online se gestionó donde estaban las opiniones: reseñas de Google, comentarios en redes, foros, notas de prensa. Todo eso sigue existiendo. Lo que cambió es quién lo resume.

Cuando alguien le pregunta a ChatGPT «¿es confiable esta empresa?», el modelo no le muestra las 340 reseñas. Le entrega un párrafo. Y ese párrafo es hoy tu reputación operativa: una síntesis que el cliente lee sin ver de dónde salió.

Lo que se rompe en ese salto

Tres cosas, y ninguna se arregla respondiendo reseñas.

El resumen puede estar desactualizado. Los modelos mezclan lo que leen en el momento con lo que aprendieron durante el entrenamiento. Una crisis de 2023 que ya resolviste puede seguir viva en la respuesta, porque el artículo que la cubrió tiene más autoridad de dominio que tu comunicado.

El modelo puede confundirte con otra marca. Pasa mucho con nombres genéricos y con empresas que operan en varios países. Si tu marca comparte nombre con otra, la respuesta puede ser un promedio de las dos.

El modelo cita a quien tiene forma de respuesta, no a quien tiene razón. En las preguntas de reputación que monitoreamos, los dominios que más aparecen en las respuestas en español son blogs de agencias y escuelas de marketing —blog.hubspot.es en 176 corridas, iebschool.com en 142, cyberclick.es en 108—. Casi nunca la web de la empresa de la que se está hablando.

Esa última es la que más duele, porque es la que puedes cambiar.

Cómo se mide, en cuatro números

Tasa de aparición en preguntas de categoría. Cuántas veces te nombran cuando el usuario pregunta por proveedores sin nombrarte. Es el número que separa «tener buena reputación» de «existir». En nuestro propio caso, el topic de reputación devuelve 150 corridas en tres días y ninguna mención de SearchBrand. Nadie nos habla mal ahí; directamente no estamos. Escribimos esta página justamente por eso.

Sentimiento, con el texto al lado. Una escala de −100 a +100 sirve para el tablero, no para decidir. Lo que sirve es leer el párrafo: te nombran como «la opción barata», como «la alternativa para Latinoamérica» o como «una empresa nueva sin trayectoria». Cada uno de esos requiere una respuesta distinta.

Fuentes citadas. La lista de URLs que el modelo usó para armar la respuesta. Es lo que más se puede intervenir, porque te dice exactamente dónde meter mano.

Share of voice frente a competidores. En qué proporción de las respuestas apareces tú y en qué proporción aparecen los otros, con la posición dentro de la respuesta. Aparecer quinto de cinco es casi no aparecer.

Lo que no sirve: un porcentaje único de reputación. Mezcla preguntas donde te nombran, que casi siempre salen bien, con preguntas donde no. En nuestra medición del 2 de septiembre de 2026 la diferencia entre las dos mitades es 98 % contra 1,3 %; cualquier promedio de eso es un número que no describe nada.

Qué debe tener una plataforma para que esto sea medible

Siete criterios. Los cuatro primeros son eliminatorios:

Separación entre preguntas de marca y de categoría. Si el tablero te da un solo número, el número está construido para verse bien.
Corrida repetida. La respuesta de un modelo cambia entre consultas idénticas. Una medición de una sola corrida no es una medición.
Lista de fuentes con URL. Sin eso sabes que te fue mal y no sabes dónde intervenir.
Cobertura de los modelos que usa tu mercado. En Chile eso incluye Gemini y AI Overviews, no solo ChatGPT. Varias plataformas cobran esos motores como add-on.
Sentimiento con el contexto textual, no solo el puntaje.
Histórico. El valor está en la serie de tiempo. Pregunta qué pasa con tus datos si te vas.
Idioma y mercado correctos. Una pregunta sobre isapres, corredoras de propiedades o cajas de compensación traducida del inglés no mide tu categoría; mide otra.

Un criterio que suele venderse y no sirve mucho: las alertas en tiempo real. La reputación en IA no se mueve por minuto, se mueve por semana, y una alerta por cada variación diaria enseña a ignorar las alertas. Nosotros preferimos un reporte semanal que se lea.

Cuando el modelo dice algo falso de tu marca

No hay un formulario. Lo que funciona es cambiar la evidencia que el modelo encuentra cuando busca. En este orden:

Publica la versión correcta en tu propio dominio, con fecha y en texto plano. Una página tipo «hoja de datos para asistentes de IA» —la nuestra está en /es/hey-ai-sobre-nosotros— con nombre legal, fundación, servicios, cifras y su fuente. Sin JavaScript de por medio: si la respuesta no está en el HTML servido, el crawler no la lee.
Verifica que esa página esté indexada. El error más común no es de contenido. En nuestro propio sitio, 22 de 30 oportunidades detectadas eran contenido que existía y no se indexaba: el FAQ servía las preguntas sin las respuestas porque el acordeón desmontaba el texto antes del render.
Marca los datos con schema. Organization con legalName, foundingDate y sameAs; FAQPage para las objeciones; Article con autor real. Un dato con estructura se reutiliza; uno suelto, se ignora.
Arregla las fuentes de terceros que el modelo ya cita. Si tu ficha en un directorio está vacía o desactualizada, esa es la que se está usando. Nuestro perfil en G2 tiene cero reseñas y los modelos lo citaron cuatro veces igual.
Vuelve a medir a los 14 días y compara la lista de fuentes citadas, no solo el sentimiento.

Lo que no funciona: pedirle al modelo que se corrija en el chat. Esa corrección vive en tu conversación y no cambia lo que contesta al resto.

Para una empresa chica

Con presupuesto acotado, el orden que rinde:

Una página de datos verificables en tu dominio, escrita para ser leída por una máquina. Cuesta una tarde.
Tu ficha completa en los dos o tres directorios que los modelos citan en tu categoría. Es un formulario, no un proyecto.
Diez preguntas monitoreadas —no cien—, de las cuales al menos seis no deben nombrar tu marca.
Reseñas reales de clientes reales en la plataforma que tu categoría usa. Diez reseñas verificables mueven más que cien palabras de copy.

Con eso ya tienes un antes y un después medible. Escalar la cantidad de preguntas viene después, cuando haya algo que comparar.

Dudas que llegan de gerencias de marketing

¿Qué es la gestión de reputación online hoy?

El trabajo de controlar qué información sobre tu marca encuentra y resume un motor de respuesta. Incluye lo clásico —reseñas, prensa, redes— más lo nuevo: qué contesta el modelo cuando le preguntan por ti y qué fuentes usa para contestarlo.

¿Cuánto cuesta un sistema de reputación asistido por IA?

El monitoreo va de US$ 29 a más de US$ 1.000 al mes según cuántas preguntas y modelos cubras; el desglose por tramos está en la guía de precios. La corrección del contenido es trabajo aparte y es donde se gasta de verdad.

¿Cómo impacta una mala reputación en las ventas?

El mecanismo cambió: antes el cliente veía reseñas dispares y decidía; ahora lee un párrafo que ya decidió por él. Una reseña negativa suelta hace poco daño hasta que el resumen la asciende a hecho central de tu marca.

¿Cuál es el mayor desafío para gestionar la reputación en IA?

Que no hay panel de control. No puedes editar la respuesta, solo la evidencia que el modelo encuentra, y después esperar a que la vuelva a leer. Eso obliga a medir con repetición en el tiempo en vez de revisar una vez.

¿Qué herramientas de IA sirven para monitorear la reputación de una marca?

Las plataformas de visibilidad en IA cubren esto midiendo menciones, sentimiento y fuentes citadas en varios modelos. La comparación con precios públicos verificados de siete de ellas está en el comparador. Nosotros somos una de las siete, así que lee esa tabla con esa advertencia puesta.

¿Sirven las alertas en tiempo real?

Menos de lo que se promete. La reputación en modelos se mueve por semanas. Un reporte semanal que alguien lea entero vale más que veinte alertas diarias que nadie abre.