El vacío de información de los candidatos en la era de la IA

Metodología del Estudio

Objetivo

Evaluar la citabilidad IA y calidad de la información programática disponible en los sitios web oficiales de los candidatos presidenciales chilenos 2026. Este estudio va más allá del análisis SEO tradicional para medir la preparación de los sitios para ser citados por motores conversacionales.

Metodología de Citabilidad IA

Para evaluar la citabilidad de cada candidato, realizamos un análisis multidimensional:

1. Análisis de robots.txt

Revisión exhaustiva de políticas de rastreo y entrenamiento para determinar si los sitios permiten o bloquean el acceso de bots de IA. Específicamente evaluamos:

• ai-train: Directiva que indica si el contenido puede usarse para entrenar modelos
• GPTBot: Bot específico de OpenAI para ChatGPT
• CCBot: Bot de Common Crawl usado por varios modelos
• Claudebot: Bot de Anthropic para Claude
• Google-Extended: Bot de Google para entrenamiento de Bard/Gemini

2. Pruebas con LLMs

Se consultó a múltiples modelos de lenguaje (ChatGPT, Gemini, Perplexity) con prompts ciudadanos realistas:

• "¿Cuál es la propuesta de [candidato] sobre pensiones?"
• "Explica el plan económico de [candidato] para 2026-2030"
• "Resume las 5 propuestas clave de [candidato]"
• "¿Qué dice [candidato] sobre seguridad ciudadana?"

3. Medición de Citas

Se evaluó si los LLMs citaban fuentes oficiales del candidato o recurrían a medios, Wikipedia u otros intermediarios. Se registró:

• Frecuencia de cita del dominio oficial
• Fuentes alternativas utilizadas
• Precisión de la información citada
• Actualidad de los datos presentados

4. Score de Citabilidad

El score combina múltiples factores:

• Estructura HTML del sitio (vs. dependencia de PDF)
• Políticas robots.txt favorables para IA
• Presencia de contenido en formato extraíble
• Uso de schema markup y metadatos
• Autoridad y actualización del dominio

Análisis Técnico de Robots.txt

Los archivos robots.txt analizados revelan diferentes estrategias respecto al entrenamiento de IA:

• Bloqueado (2 candidatos): Directiva ai-train=no o bloqueos explícitos a GPTBot
• Permitido (5 candidatos): Sin restricciones o con permisos explícitos
• No especificado (1 candidato): Sin archivo robots.txt visible

Impacto: Los sitios con ai-train=no reducen drásticamente su posibilidad de ser citados por modelos futuros, cediendo la narrativa a fuentes secundarias.

Análisis de Cobertura Programática

Se analizaron 33 temas programáticos distribuidos en las siguientes categorías:

• Economía (4 subtemas)
• Seguridad (4 subtemas)
• Salud (4 subtemas)
• Educación (4 subtemas)
• Vivienda (3 subtemas)
• Pensiones (3 subtemas)
• Medio Ambiente (3 subtemas)
• Reforma Política (3 subtemas)
• Justicia (2 subtemas)
• Cultura (1 subtema)
• Género e Igualdad (2 subtemas)

Escala de Puntuación

Cada tema recibió un porcentaje de cobertura de 0% a 100%:

• 0-25%: Información ausente o muy limitada
• 26-50%: Información básica presente
• 51-75%: Buena cobertura con detalles
• 76-100%: Cobertura completa y detallada

Limitaciones del Estudio

Es importante considerar las siguientes limitaciones:

• Análisis puntual: Este estudio refleja el estado de los sitios en octubre 2025. Los candidatos pueden actualizar sus estrategias digitales posteriormente.
• Políticas cambiantes: Los archivos robots.txt y políticas de indexación pueden modificarse en cualquier momento.
• IA en evolución: Los modelos de IA y sus métodos de cita evolucionan constantemente. Los resultados actuales no garantizan comportamientos futuros.
• Factores externos: La citabilidad también depende de factores fuera del sitio oficial, como menciones en medios, redes sociales, y autoridad del dominio.
• Alcance temático: El análisis se centra en 33 temas clave pero no cubre la totalidad de las propuestas de cada candidato.