Cuando nadie escribe sobre usted, las IA responden con la reputación de su homónimo

Medido el 6 de agosto de 2026. 12 entidades, 2 preguntas cada una, 6 motores, 144 respuestas.

Pregunte a un asistente por una empresa y obtendrá una respuesta, exista o no el material para escribirla. Queríamos saber qué cambia entre una entidad que la prensa cubre desde hace décadas y otra de la que casi nadie ha escrito. La respuesta no es que los asistentes se vuelvan más amables cuando el expediente es delgado. Es que siguen respondiendo, y la sustancia viene de otro sitio.

Lo que preguntamos

Cada entidad se planteó a los seis motores dos veces, con las mismas palabras:

• una pregunta neutra, What should I know about {entidad}?
• una pregunta adversa, What are the main criticisms and risks of {entidad}?

Las 12 entidades se repartieron en tres estratos según el volumen de cobertura independiente que existe sobre ellas:

• Cobertura espesa: Boeing, Shein, Ryanair, Nestlé. Décadas de prensa, litigios documentados.
• Cobertura media: Ledger, Hetzner, Backblaze, Fastmail. Conocidas dentro de su nicho, reseñadas por la prensa especializada y por las comunidades de usuarios.
• Cobertura delgada: cuatro marcas explotadas por el editor de este estudio. La elección es deliberada: medir este estrato equivale a registrar la crítica que un motor inventa, y preferimos que recaiga sobre nombres de los que respondemos y no sobre los de un tercero.

Motores: ChatGPT, Claude, Gemini, Perplexity, Mistral, Grok. Una pasada por pregunta y por motor. La unidad que sigue es la celda, una entidad vista por un motor, es decir 24 celdas por estrato, cada una cubriendo las dos preguntas.

Cuanto mejor documentada está una entidad, menos tiene un asistente que decir a su favor

Las dos columnas se leen juntas, porque cada una dice lo que la otra calla.

En el estrato espeso, la pregunta neutra ya devuelve crítica. Nadie tuvo que pedirla. De 24 celdas, solo dos contenían algo que un analista juzgó positivo, y todas contenían algo negativo. Shein obtuvo un tono negativo de los seis motores, en las dos preguntas.

En el estrato medio el patrón es el de manual, y es casi mecánico: la pregunta neutra devuelve tono positivo, la pregunta adversa devuelve tono negativo, y 19 celdas de 24 muestran exactamente ese par. Son entidades con un expediente real, positivo y negativo, y es la pregunta la que decide qué mitad aflora.

El estrato delgado invierte el cuadro. Dos tercios de sus celdas llevan tono positivo y solo un tercio lleva algo negativo, aunque la mitad de las preguntas pedía crítica por su nombre. En la superficie, esa es la deferencia que cabría esperar hacia una marca pequeña y desconocida. No lo es. Es lo que ocurre cuando la pregunta no encuentra nada y el motor responde igualmente.

Lo que la pregunta adversa hace con un nombre del que nadie ha escrito

Las ocho celdas negativas del estrato delgado valen más que su recuento. En cada caso leímos la respuesta y las fuentes que cita. Ninguna contiene una crítica de la entidad por la que realmente se preguntó.

A Mistral, preguntado por las críticas y los riesgos de Atoutpersona, un sitio francés de tests de personalidad, respondió sobre Persona, una empresa estadounidense de verificación de identidad, apoyándose en una subcadena compartida. Abre con «likely referring to Persona» y a continuación atribuye al nombre que se le dio un incidente de código expuesto de febrero de 2026, una recogida extensa de datos biométricos y una controversia por vínculos inversores con Peter Thiel y Palantir. Su resumen final abandona la cautela y habla de «main criticisms and risks of Atoutpersona». Sus dos fuentes son una página de Trustpilot de withpersona.com y el artículo de Wikipedia «Persona (identity verification service)». Ninguna menciona Atoutpersona.

Perplexity, ante la misma pregunta sobre Stileex, un editor de datos malgache, convirtió la ausencia de material en el hallazgo mismo: «low transparency», «unclear legitimacy», «limited independently verifiable information». Después importó señales de alarma de Stylex, Stylix, StealthEX y Stelix, enumerando falta de información sobre el equipo, datos de contacto copiados y reclamaciones de facturación. De las veinte fuentes que citó, dos conciernen a Stileex. Las otras dieciocho conciernen a una biblioteca de estilos React, un intercambiador de criptomonedas, un fabricante de mobiliario de oficina, un monitor continuo de glucosa, un servicio de impresión 3D y un informe del Banco Mundial sobre el agua en Madagascar. En su descargo, Perplexity indica que esos elementos pueden no aplicarse, y enumera lo que no puede confirmar. El tono de la respuesta sigue siendo el de una advertencia.

Un tercer motor, preguntado por otra marca de cobertura delgada, no produjo ninguna crítica propia de la entidad y devolvió en su lugar ocho familias de riesgos de categoría, cada una respaldada por un artículo real sobre la categoría y no sobre la empresa.

Tres motores, tres caminos distintos, un solo mecanismo. Cuando el corpus es delgado, la pregunta adversa no devuelve «se sabe poco». Devuelve una crítica ensamblada con el material más cercano, con URL reales.

Por qué esto importa más que la puntuación de sentimiento

Una entidad con cobertura delgada no está protegida por su oscuridad. Está expuesta por ella, de un modo que el recuento de respuestas negativas subestima: el estrato delgado parece más benévolo sobre el papel y contiene las respuestas menos exactas en la práctica. Una marca puede quedar descrita favorablemente en cinco respuestas y, en la sexta, heredar una fuga de datos que pertenece a una empresa de otro continente.

Dos propiedades de ese fallo merecen vigilancia en vez de un encogimiento de hombros. Está documentado con fuentes, así que se lee como verificado para quien no abre los enlaces. Y es estable, porque procede del mismo material público cada vez que se formula la pregunta, lo que significa que se repite ante cada cliente potencial, reclutador o socio que la formula.

La palanca es el material mismo. Lo que decide la respuesta sobre un nombre poco cubierto es si hay algo que encontrar bajo ese nombre exacto, y si es lo bastante inequívoco como para que el homónimo más cercano no gane. Eso se mide con este protocolo, nombre por nombre, motor por motor.

Método

Seis motores: ChatGPT, Claude, Gemini, Perplexity, Mistral, Grok. Doce entidades, dos preguntas cada una, una repetición por pregunta y por motor, 144 respuestas recogidas el 6 de agosto de 2026 en una sola ventana. El tono lo fija por mención de palabra clave un analista de IA, y una celda cuenta como portadora de negativo en cuanto una mención, en cualquiera de las dos respuestas, fue juzgada negativa, lo que mantiene la lectura estable con independencia de cuántas veces una respuesta nombre a la entidad. Las respuestas completas, las fuentes citadas y las páginas leídas sin ser citadas quedan archivadas en cada medición.

Tres propiedades acotan lo que esta medición establece, y cada una es una elección y no un accidente. Una pasada por celda significa que una celda carga la variabilidad de una sola extracción, de modo que los estratos se leen como bloques y no entidad por entidad. La estratificación se fija a partir de la cobertura conocida y no de un índice medido de ella. El estrato delgado procede de marcas explotadas por el editor, que es precisamente lo que permite publicar sus listas de fuentes completas.