Que te citen no sirve si la cita es falsa
Toda conversación sobre GEO trata de que te mencionen. Casi ninguna trata de qué dice la mención. Pero una IA que le cuenta a un comprador, con total seguridad, algo falso sobre tu producto no te ha ayudado: te ha entregado un problema de reputación que no puedes ver, en un canal que no controlas.
la respuesta corta
Que te citen no vale nada si la cita está mal. Las alucinaciones de IA pueden atribuir datos falsos a tu marca, inventar declaraciones de tus ejecutivos o tergiversar tu producto, en el mismo tono seguro que la verdad. No son raras (estudios de 2024 hallaron 58-88% en preguntas legales), y algunos modelos nuevos alucinan más, no menos. La defensa es editorial: monitorea qué dice la IA de ti, y publica contenido canónico claro y con fuentes que le dé a los modelos hechos ciertos sobre los que apoyarse en vez de inventar.
claves
- El objetivo no es solo que la IA te cite, sino que te cite BIEN: las alucinaciones pueden atribuir datos falsos a tu marca, inventar declaraciones de tu ejecutivo o tergiversar tu producto.
- Las alucinaciones no son raras ni triviales: estudios de 2024 hallaron 58-88% en preguntas legales y GPT-4 inventando 28,6% de las citas en referencias médicas.
- Contraintuitivo: algunos de los modelos más nuevos y potentes alucinan MÁS, no menos —hasta 48% en un benchmark de 2025—; la fluidez mejora más rápido que la exactitud.
- El daño es real: difamación (ChatGPT acusó falsamente a un alcalde de soborno), decisiones erradas, erosión de confianza y crisis de PR.
- La defensa es editorial, no técnica: monitorea qué dice la IA de ti, y publica contenido canónico claro y bien fuenteado que reduce la ambigüedad de la que se alimentan las alucinaciones.
la alucinación no es rara — tasas medidas por contexto
En palabras, para que las barras no lo carguen solas: las tasas medidas de alucinación dejan claro que esto no es un caso extremo. Un estudio de Stanford de 2024 halló que los chatbots de propósito general alucinaron en el 58 a 88 por ciento de las preguntas legales. Un estudio médico de 2024 halló que GPT-4 inventó el 28,6 por ciento de las citas que produjo para referencias de revisiones sistemáticas. Y un benchmark de 2025 halló modelos de razonamiento más nuevos alucinando hasta el 48 por ciento de las respuestas en una tarea de recuperación de hechos. Distintos dominios, distintos métodos, una conclusión: una porción significativa de las respuestas seguras de IA son simplemente falsas, y tu marca no está exenta de ser el sujeto de una.
Por qué es un problema de marca, no solo técnico
Es fácil archivar la alucinación bajo «la IA todavía es inmadura» y seguir, pero ese encuadre se pierde dónde cae el costo. Cuando un modelo inventa una afirmación sobre tu marca, el daño es tuyo, no de quien hizo el modelo. Un comprador que le pregunta a un motor por tu producto y recibe algo falso —que le falta una función que tiene, que falló una prueba que pasó, que tu fundador dijo algo que nunca dijo— toma una decisión sobre esa falsedad, y lo hace sin idea de que lo desinformaron. Quizá nunca te enteres de que pasó. No hay registro de servidor de tu lado, ni un referral que te diga que perdiste una venta por una oración que una máquina inventó. El daño es real y la visibilidad es casi cero, que es la peor combinación que un riesgo de reputación puede tener.
El costo no es hipotético. Un modelo fabricó una acusación de soborno contra un alcalde australiano que en realidad era el whistleblower del caso, llevándolo al borde de una demanda por difamación contra el creador del modelo. Los tribunales han sancionado a profesionales que se apoyaron en citas inventadas, y una base de datos de tales casos ha crecido sin pausa conforme surgen más. Para la mayoría de las marcas lo que está en juego es más silencioso que una demanda pero no menos corrosivo: un goteo lento de afirmaciones sutilmente erradas, cada una moldeando la impresión de un comprador antes de que tú entres en la conversación. Tratarlo como el problema de ingeniería de otro es como queda sin gestionar.
El problema de la exactitud, en tres partes
Cómo se equivoca la IA con tu marca, por qué los modelos nuevos no lo arreglan solos, y qué puedes controlar de verdad. Abre cada capa para la parte que cambia cómo gestionas el riesgo.
01 Cómo se equivoca la IA con tu marca
Una alucinación sobre tu marca no es un fallo sino varios. Puede fabricar: inventar una función de producto, una alianza o una estadística que nunca existió. Puede atribuir mal: poner palabras en boca de tu ejecutivo, asignarte una postura que nunca tomaste, o acreditarte el tropiezo de un competidor. Y puede tergiversar: equivocar sutilmente un hecho real de un modo que suena plausible, que es la clase más peligrosa porque a nadie se le ocurre verificarlo. El hilo común es la confianza: un modelo presenta la afirmación falsa en exactamente el mismo tono fluido y autoritativo que una verdadera, así que un lector no tiene señal de que algo esté mal. El error no parece un error. Eso es lo que lo vuelve un problema de marca y no solo una curiosidad técnica.
02 Por qué los modelos nuevos pueden ser peores
La suposición intuitiva es que la alucinación es un problema de dentición que cada generación de modelo cura, y el dato la desestabiliza. Algunos de los modelos de razonamiento más nuevos y potentes han registrado tasas de alucinación más altas que sus predecesores, no más bajas: un benchmark de 2025 puso a un modelo más nuevo cerca de la mitad de sus respuestas erradas en una tarea de recuperación de hechos. La razón es que la fluidez y la exactitud son ejes distintos, y mejoran a velocidades distintas. Un modelo puede mejorar en sonar correcto más rápido de lo que mejora en ser correcto, lo que vuelve sus errores más convincentes, no menos. Para una marca, la implicación es incómoda: no puedes suponer que el problema se encoge solo conforme los motores se actualizan. La respuesta segura y equivocada puede volverse más segura antes de volverse más correcta.
03 Lo que sí puedes controlar
No puedes controlar si un modelo alucina, pero puedes encoger el espacio en que improvisa y acortar el tiempo que sobrevive una afirmación falsa. El espacio se encoge cuando los hechos claros y autoritativos sobre ti son fáciles de encontrar, consistentes entre fuentes y enunciados llanamente: un modelo apoyado en hechos sólidos inventa menos que uno llenando un vacío. El tiempo se acorta cuando de verdad estás mirando: monitorear qué dicen los motores de ti, para que una afirmación dañina se cace mientras es una respuesta y no después de esparcirse. Ninguno es vistoso, y ninguno es garantía. Pero entre los dos convierten la alucinación de algo que te pasa a oscuras en un riesgo que puedes ver y gestionar, que es la diferencia entre una marca que es emboscada y una que no.
Mide la exactitud, no solo la presencia
Casi todo el trabajo de visibilidad en IA cuenta menciones: con qué frecuencia apareces, en qué motores, contra qué competidores. Es necesario e incompleto, porque una mención puede estar mal, y una mención equivocada es peor que ninguna mención. La medición que falta es la exactitud: no solo si los motores te nombran, sino si lo que dicen es cierto. Es una métrica distinta y más difícil: no puedes automatizarla del todo, porque juzgar si una afirmación sobre tu producto es correcta aún necesita a alguien que conozca el producto. Pero es la métrica que mapea al riesgo real, y las marcas que rastrean solo presencia miran el número equivocado mientras el peligroso queda sin medir.
En la práctica esto significa leer las respuestas de verdad, no solo los tableros. Plantea las preguntas que hacen tus compradores —sobre tu producto, tus precios, tu gente, tus comparaciones— a cada motor principal, y contrasta las afirmaciones con la verdad, motor por motor, porque divergen y derivan. El punto es encontrar la afirmación falsa mientras sigue siendo una sola respuesta, antes de que se propague a las fuentes en que otros modelos entrenan y se endurezca en un error de consenso mucho más difícil de deshacer. Monitorear la exactitud es poco vistoso y en parte manual, que es justo por lo que la mayoría de las marcas lo saltan, y por lo que las que lo hacen cazan problemas que las demás nunca ven.
La defensa es claridad, no control
No puedes editar la salida de un modelo, pero sí puedes cambiar sobre qué se apoya, y ahí vive la defensa real. Las alucinaciones se alimentan de la ambigüedad: cuando los hechos autoritativos sobre tu marca están dispersos, inconsistentes o simplemente ausentes, un modelo llena el vacío con una conjetura segura. Quita el vacío y quitas buena parte de la tentación. Eso significa páginas canónicas que enuncian tus hechos clave con claridad y consistencia, bloques de pregunta-respuesta que abordan directo las preguntas donde los errores son más dañinos —qué hace y qué no hace tu producto, quién es tu gente, cómo te comparas— y los mismos hechos repetidos, sin cambios, en las fuentes que un modelo probablemente lea. Dale al motor algo cierto y fácil de levantar, y echa mano de la invención con menos frecuencia.
Cuando un error dañino aparece a pesar de todo eso, la velocidad es todo el juego. Una afirmación falsa cazada temprano, con una fuente canónica limpia lista para apuntar, puede corregirse antes de esparcirse; la misma afirmación hallada tarde, tras sembrar una docena de repeticiones aguas abajo, se vuelve una limpieza lenta y cara. Las marcas que manejan esto bien no son las que discuten más fuerte de quién es la culpa de la alucinación: son las que decidieron que el riesgo era suyo de gestionar, construyeron las fuentes claras y el monitoreo por adelantado, y trataron una afirmación falsa de IA como tratarían cualquier otro incidente de reputación: algo que detectar rápido y corregir más rápido.
Cuando ya pasó: un playbook de corrección
La detección es el primer movimiento, y tiene que ser específica: confirma la afirmación falsa exacta, qué motor la produjo, y para qué prompts aparece, porque un arreglo que no puedes reproducir es un arreglo que no puedes verificar. Luego apunta la verdad a algún lugar durable —una página canónica en tu propio sitio que enuncie el hecho correcto llanamente, con fecha y fuente— para que cada paso posterior tenga algo autoritativo que referenciar. Donde una plataforma ofrezca un canal de feedback o corrección, úsalo, citando esa página canónica; donde no, la fuente canónica igual importa, porque es sobre lo que el modelo y sus copias aguas abajo pueden eventualmente reapoyarse. La velocidad se acumula aquí: cuanto antes actúes, en menos lugares se habrá repetido la afirmación falsa.
Luego documenta y vigila. Registra qué se afirmó, dónde y cuándo, tanto como evidencia si el asunto alguna vez se vuelve legal como base para medir si tu corrección prendió. Repite los prompts que destaparon el error con un calendario, porque una afirmación que desaparece de un motor puede persistir en otro o resurgir tras una actualización del modelo. La meta no es un único arreglo heroico sino un proceso permanente: una fuente canónica conocida, un hábito de revisión, y un camino corto de «encontramos una afirmación falsa» a «corregimos el registro». Las marcas que tratan la desinformación de IA como un riesgo operativo continuo, en vez de una sorpresa puntual, son las que la mantienen pequeña.
Cuando la IA se equivoca: respuestas rápidas
¿Puedo demandar si la IA difama a mi marca?
Es un área viva y no resuelta, no un sí claro. Ha habido casos reales —un alcalde australiano amenazó con una demanda por difamación tras que ChatGPT lo describiera falsamente como culpable de soborno cuando en realidad era el whistleblower— y los reguladores prestan atención al ángulo de daño al consumidor. Pero la ley aún resuelve quién es responsable cuando un modelo inventa una afirmación dañina: la empresa de IA, el usuario que la publicó, o nadie. Litigar es lento, caro e incierto, y una demanda no hace nada sobre la próxima respuesta que el modelo genere mañana. Para la mayoría de las marcas la respuesta práctica no es legal primero sino operativa: detectar rápido la afirmación falsa, corregir el material fuente que la alimenta, y documentar todo. Trata la vía legal como un respaldo para los casos más dañinos, no como el remedio principal, porque para cuando un caso se resuelve la desinformación ya hizo su trabajo.
¿Cómo me entero de qué dice la IA de mí?
Le preguntas, de forma sistemática, como lo harían tus clientes. Casi ninguna marca ha hecho la prueba obvia: plantear las preguntas que un comprador haría sobre tu categoría y tu empresa a cada motor principal, y leer lo que vuelve, no solo si te mencionan, sino si lo que dicen es cierto. Revisa las afirmaciones sobre tus productos, las declaraciones atribuidas a tu gente, las comparaciones con competidores, los hechos básicos de lo que haces. Hazlo en varios motores, porque divergen, y repítelo, porque las respuestas derivan conforme cambian modelos y fuentes. Esto es monitoreo, no una auditoría única: el objetivo es cazar una afirmación falsa dañina mientras es una respuesta y no después de propagarse a cien. Las herramientas de visibilidad que rastrean menciones son un comienzo, pero la parte que más importa —la exactitud— suele necesitar a un humano leyendo las respuestas de verdad.
¿El buen contenido reduce las alucinaciones sobre mi marca?
Ayuda, aunque no elimina el riesgo, y vale la pena entender el mecanismo. Las alucinaciones prosperan en la ambigüedad: cuando los hechos claros y autoritativos sobre tu marca están dispersos, inconsistentes o ausentes, un modelo rellena el hueco adivinando, y una conjetura segura se lee exactamente como un hecho. Publicar páginas canónicas que enuncian tus hechos clave con claridad, consistencia y fuentes le da al modelo algo cierto sobre lo que apoyarse en vez de inventar. Los bloques de pregunta-respuesta que abordan directo las preguntas de alto riesgo —qué hace tu producto, qué no hace, quiénes son tus ejecutivos— reducen el espacio donde un modelo improvisa. Nada de esto garantiza exactitud, porque el modelo aún puede errar, pero baja las probabilidades y te da una fuente limpia a la que apuntar cuando necesites una corrección. La claridad no es una cura; es el mejor profiláctico disponible.
¿Es problema de la empresa de IA o mío?
Moralmente, de ellos; en la práctica, tuyo, y confundir ambos es como las marcas salen heridas. Es del todo justo decir que el modelo no debería inventar afirmaciones sobre ti, y las empresas que construyen estos sistemas cargan responsabilidad real en reducir la alucinación. Pero la justicia no protege tu reputación mientras tanto. La afirmación falsa llega a tus clientes sea o no culpa de la empresa de IA, y esperar a que arreglen el modelo de fondo es esperar en un calendario que no controlas. La postura madura es sostener ambas verdades a la vez: empujar por mejores sistemas y rendición de cuentas a nivel de industria, y asumir el trabajo operativo de monitoreo y corrección a nivel de marca. Las marcas a las que les va bien aquí son las que dejan de discutir de quién es la culpa y empiezan a gestionar el riesgo como suyo.
Una nota sobre fuentes y certeza
Las cifras aquí —58 a 88 por ciento en preguntas legales, 28,6 por ciento de citas médicas inventadas, hasta 48 por ciento en un benchmark de modelo más nuevo— vienen de estudios de 2024 y 2025 sobre alucinación en dominios legal, médico y general. Las presentamos como evidencia de que el problema es real y no trivial, no como una tasa única que aplique a tu marca: el riesgo real varía enormemente por consulta, dominio y modelo, y estos números ilustran la escala más que predicen tu exposición. Las tasas se moverán conforme cambien los modelos, y no siempre a la baja. Lo durable es el punto de fondo: las respuestas seguras de IA a veces son falsas, el daño de una falsa sobre tu marca cae sobre ti, y las únicas partes que controlas son la claridad y la vigilancia. El AC Group lleva 27 años defendiendo que la reputación se construye sobre lo que otros pueden verificar de ti; esto es ese argumento topándose con un canal que dirá de ti, con total seguridad, cosas que no son ciertas.