Cómo ChatGPT lee (o ignora) tu empresa: diagnóstico antes de escribir una sola página

Tres meses de trabajo. Ningún cambio en lo que ChatGPT decía.

Una empresa detecta que ChatGPT sigue citando los precios que tenía en 2024, paquetes que lleva meses descontinuados. El equipo de ventas empieza a notarlo en las reuniones: los prospectos llegan anclados a números que ya no existen. La decisión parece lógica — publicar contenido nuevo que corrija esa información. Cuatro páginas sobre precios, una FAQ, una página de comparación. Tres meses de trabajo editorial real.

Las respuestas del asistente no cambiaron ni una coma.

El problema no era la calidad del contenido. Era que el modelo nunca lo estaba leyendo. Y antes de publicar la primera página, eso era exactamente lo que había que comprobar.

Por qué tu blog casi nunca es la fuente que consulta el modelo

Cuando alguien le pregunta a ChatGPT sobre tu empresa, la respuesta no proviene principalmente de tu sitio web. Proviene de lo que terceros han escrito sobre ti: artículos de comparación, directorios, plataformas de reseñas, piezas periodísticas. Y en los modelos con búsqueda web activa, depende de qué páginas el sistema recupera en ese momento concreto para esa pregunta concreta.

El conjunto de fuentes que el modelo consulta para responder una pregunta específica — lo que en este ámbito se llama conjunto de recuperación — no es fijo ni predecible. Puede variar según cómo esté formulada la pregunta, el momento del día, o simplemente la aleatoriedad del sistema. Lo que sí es consistente es que tu blog corporativo, salvo excepciones, no suele estar ahí.

Esto tiene una implicación directa: publicar en tu propio sitio para corregir lo que un asistente dice sobre ti es, en la mayoría de casos, gritar en una sala en la que nadie te está escuchando.

El diagnóstico que toma diez minutos y que casi nadie hace

Antes de escribir una sola palabra de contenido, hay una prueba que deberías ejecutar. Es simple y tarda menos que cualquier reunión de planificación editorial.

Haz la misma pregunta sobre tu empresa dos veces en ChatGPT: una con la búsqueda web activada y otra con ella desactivada. Compara las respuestas.

• Si el error solo aparece sin búsqueda web: la información incorrecta está integrada en los pesos del modelo desde su último entrenamiento. No hay solución rápida. El único camino es conseguir que la versión correcta aparezca en suficientes fuentes externas para que el próximo ciclo de entrenamiento aprenda algo distinto. Publicar en tu blog ahora no sirve de nada.
• Si el error aparece en ambos casos: el modelo está recuperando en tiempo real fuentes que contienen información incorrecta. Esas fuentes existen, son accesibles, y en muchos casos se pueden corregir. Este es el escenario en el que tiene sentido actuar ahora.

En el caso que mencionábamos al principio, era el segundo tipo. El modelo estaba citando dos artículos de comparación en sitios externos, ambos del año anterior, ambos con los precios ya obsoletos. Con uno de ellos bastó un email al autor explicando la situación — respondió razonablemente y actualizó la información. Para el segundo se optó por publicar una pieza más reciente en un sitio que el modelo ya consultaba habitualmente para ese tipo de preguntas. Aproximadamente cinco semanas después, las respuestas del asistente empezaron a cambiar.

Cómo identificar qué está leyendo realmente el modelo

Una vez sabes que el problema está en fuentes en vivo, el siguiente paso es identificar cuáles son. Aquí hay varios matices importantes.

Varía la forma de preguntar, no solo el contenido

El conjunto de fuentes que recupera el modelo cambia dependiendo de cómo formules la pregunta. ¿Cuánto cuesta [tu servicio]? activa comparativas y directorios. ¿Es buena [tu empresa]? trae reseñas y foros. ¿Cuál es la mejor opción para [caso de uso concreto]? puede traer Reddit o publicaciones especializadas.

Una práctica útil es probar al menos diez variaciones de la misma pregunta y observar qué dominios aparecen de forma consistente. Un sitio que aparece en ocho de diez consultas es tu objetivo real. Uno que aparece una sola vez probablemente sea ruido y no merece tiempo.

Cuidado con pedir al modelo que liste sus fuentes

Cuando preguntas directamente al modelo de dónde ha sacado la información — especialmente si la búsqueda web estaba desactivada —, puede darte una lista perfectamente redactada y completamente inventada. No lo hace con mala intención; simplemente genera lo que parece plausible. Trata esa lista como pistas iniciales, no como un hallazgo verificado. Si te cita un artículo concreto, ve y comprueba que ese artículo existe antes de invertir tiempo en intentar modificarlo.

Los distintos tipos de información tienen distintas fuentes preferidas

Los modelos no tratan todos los datos de la misma forma. Para información estable como precios o características de producto, tienden a priorizar directorios, plataformas de comparación y marketplaces por encima de noticias o comunicados de prensa. Para hechos sensibles al tiempo como un lanzamiento reciente o un cambio de liderazgo, las publicaciones de noticias tienen más peso.

Esto explica por qué publicar un comunicado de prensa raramente corrige un problema de precios desactualizados: el modelo directamente no lo considera una fuente relevante para ese tipo de dato. Lo que funciona es corregir la comparativa que ya está leyendo, o conseguir que información correcta aparezca en un sitio del mismo tipo que el modelo ya consulta para esa pregunta.

Las tres pilas de fuentes: por cuál empezar

No todas las fuentes externas son igual de fáciles de trabajar. Antes de elaborar cualquier plan, vale la pena clasificarlas:

• Las tuyas olvidadas. Páginas antiguas de tu propio sitio sin redirección, perfiles en G2 o Capterra que no actualizas desde hace años, fichas en directorios que creaste una vez y olvidaste, documentación de productos anteriores. Estas son tuyas, las controlas, y arreglarlas no cuesta dinero — solo una tarde de trabajo. Muchos equipos subestiman cuánto de su problema está aquí.
• Las contactables. Blogs de nicho, sitios de comparación pequeños, publicaciones especializadas con un equipo real detrás. Un email explicando la situación funciona aproximadamente en la mitad de los casos. Estas son las más rentables en términos de esfuerzo.
• Las intratables. Sitios agregadores sin mantenimiento, listicles de agencias que cerraron, páginas sin contacto visible. Aquí no hay solución directa a corto plazo. La única estrategia es conseguir que información correcta gane suficiente peso en otros sitios para compensar.

El error habitual es querer empezar por la tercera pila porque parece la más urgente. Pero la primera suele explicar una parte considerable del problema y se resuelve con coste casi nulo.

Sobre LinkedIn y otras plataformas con acceso limitado

LinkedIn tiene un papel curioso en todo esto. El modelo no siempre cita directamente desde linkedin.com — el muro de acceso limita la recuperación directa —, pero la información que publicas allí acaba llegando de forma indirecta: newsletters que la republican, sitios que la referencian, piezas que la mencionan como fuente. El impacto existe, pero es mayormente de segunda mano y más difícil de trazar.

¿Hay diferencias entre ChatGPT, Gemini, Copilot y Claude?

La lógica de fondo es similar en todos los modelos principales: una capa de conocimiento base del entrenamiento más, en los que lo tienen activado, recuperación en tiempo real de fuentes web. Sin embargo, los conjuntos de fuentes que cada uno prioriza, la frecuencia con la que actualizan su índice y el umbral para incluir o excluir un dominio varían entre sistemas.

Lo que esto significa en la práctica: si corriges una fuente y cinco semanas después ChatGPT ha actualizado su respuesta, no des por hecho que Gemini o Copilot también lo han hecho. Vale la pena hacer el mismo diagnóstico ON/OFF en cada plataforma que sea relevante para tu negocio. El patrón metodológico es universal; los resultados concretos pueden diferir.

Esto no es SEO: las reglas son distintas

En búsqueda orgánica siempre hay posiciones a las que puedes aspirar. Puedes trabajar sistemáticamente para subir. Con los asistentes no hay página de resultados, no hay posición número uno. Mucho de lo que determina qué se dice sobre ti vive en propiedades que no controlas ni puedes superar con volumen de contenido propio.

Solo hay tres movimientos reales: corregir la fuente directamente, publicar información correcta en un sitio que el modelo ya consulta para esa pregunta, o esperar al próximo ciclo de reentrenamiento del modelo. Y el tiempo de efecto, una vez corriges una fuente en vivo, ronda las cuatro a seis semanas. No hay forma de acelerarlo.

Tampoco hay herramientas automatizadas que resuelvan esto de forma fiable hoy por hoy. Las pruebas manuales — variar prompts, comparar ON/OFF, verificar físicamente que los artículos citados existen — siguen siendo el método más sólido para diagnosticar el problema antes de invertir en solucionarlo.

El punto de partida real

Si ChatGPT está describiendo tu empresa con información incorrecta, el primer paso no es abrir un documento en blanco y ponerse a escribir. Es averiguar qué está leyendo realmente. Diez minutos de diagnóstico con el test ON/OFF. Diez variaciones de la pregunta para identificar qué dominios aparecen de forma consistente. Una tarde revisando tus perfiles en directorios y plataformas de reseñas que quizás no tocas desde hace dos años.

El contenido nuevo tiene sentido solo cuando sabes exactamente en qué superficie va a aterrizar y por qué esa superficie importa para la pregunta concreta que quieres corregir. Sin ese diagnóstico previo, estás apostando un trimestre de trabajo a que el modelo te va a leer esta vez.

Antes de planificar tu próximo bloque de contenido, merece la pena hacerse una pregunta sencilla: ¿sabes realmente qué está leyendo el asistente cuando alguien pregunta por tu empresa?