Alguien con tu nombre y apellido tuvo un problema legal serio en otro país, y una Inteligencia Artificial ya no distingue con claridad quién eres tú y quién es esa otra persona. No es que te confundan con un tocayo cualquiera: es que, al preguntar por ti, la respuesta arrastra un antecedente ajeno, y eso pesa de una forma muy distinta a que alguien piense que compartes nombre con un actor o un futbolista.
Esto va más allá de un homónimo incómodo. Cuando lo que se mezcla es un problema legal o profesional grave de un tercero, el daño potencial para quien lee esa respuesta y decide si confiar en ti es de otro nivel.
¿Qué diferencia hay entre un simple homónimo y este problema?
Compartir nombre con otra persona es habitual y, la mayoría de las veces, inofensivo. Un cliente que busca información sobre un consultor y encuentra también a un cantante con el mismo nombre no suele confundirse: el contexto separa a ambos con facilidad. Ese tipo de homonimia benigna ya se ha explicado antes, y ahí el problema principal era que la Inteligencia Artificial contaba la vida de otra persona en lugar de la tuya.
El problema cambia de categoría cuando lo que aparece mezclado no es una profesión distinta y evidente, sino un antecedente legal, una demanda, una sanción o un caso judicial de alguien con nombre y apellido casi idénticos, en un sector parecido o en un país donde el profesional también tiene o busca clientes. Ahí el contexto ya no separa, confunde, y el riesgo reputacional deja de ser una anécdota para convertirse en un problema serio.
¿Cómo descubre alguien que la Inteligencia Artificial mezcla su identidad con la de otra persona?
Piensa en un profesional que ejerce por su cuenta desde hace años, con una trayectoria limpia y conocida en su ciudad. Un día, un cliente potencial le comenta, con cierta cautela, que antes de la reunión preguntó a una Inteligencia Artificial qué sabía de él, y que la respuesta mencionaba un problema legal ocurrido en otro país, años atrás.
El profesional no tiene ni idea de qué le están hablando. Investiga y encuentra que, en efecto, existe otra persona con su mismo nombre y apellido, en otro país, que atravesó un proceso legal serio y quedó documentado en medios locales. La Inteligencia Artificial, al construir una respuesta sobre él, mezcló ambos rastros.
¿Por qué un problema legal ajeno pesa más que cualquier otro dato equivocado?
No es lo mismo que una Inteligencia Artificial diga que alguien tiene una especialidad que no tiene, a que le atribuya un antecedente legal. Un dato profesional erróneo se corrige con una conversación. Un antecedente legal ajeno, aunque sea de otra persona, sembra una duda que muchos clientes potenciales no van a molestarse en verificar.
La mayoría de las personas que investigan a un profesional antes de contratarlo no hacen una comprobación exhaustiva. Leen la respuesta, sienten una alarma, y simplemente buscan otra opción sin decir nada. El profesional afectado nunca se entera de que perdió ese cliente, ni por qué.
¿Cómo construye una Inteligencia Artificial esa mezcla sin darse cuenta de que son dos personas distintas?
Los modelos de lenguaje trabajan con patrones de texto, no con identidades verificadas. Si dos personas comparten nombre y apellido, y ambas tienen presencia en internet, el sistema puede combinar fragmentos de una y de otra al construir una respuesta, especialmente si ninguna de las dos tiene una huella digital lo bastante clara como para distinguirse. Es un mecanismo de asociación de patrones parecido, salvando las distancias, al que se describe en el día que la Inteligencia Artificial empezó a parecerse al cerebro humano: el sistema conecta lo que se parece, no necesariamente lo que es correcto.
Cuanta menos información propia, verificada y consistente tenga un profesional en internet, más fácil es que un sistema rellene los huecos con lo primero que encuentra sobre alguien con ese mismo nombre, sea o no la persona correcta. Y cuando además pierde el control sobre quién administra esa información, como ocurre cuando un acceso antiguo a su propia web sigue en manos de otra persona, el problema se agrava todavía más.
¿Qué papel juega que el problema ocurriera en otro país?
Cuando el caso ajeno ocurrió en otro país, el profesional afectado parte con una desventaja añadida: ni siquiera sabe que existe. No hay forma de vigilar constantemente lo que se publica sobre alguien con tu mismo nombre en un país donde nunca has vivido ni trabajado.
Además, la distancia geográfica no protege como podría pensarse. Una Inteligencia Artificial no filtra por país al construir una respuesta sobre un nombre propio, salvo que el usuario lo pida de forma explícita. Para el sistema, un caso legal documentado en otro idioma y otro continente es, simplemente, otro fragmento de texto asociado a ese nombre.
¿Por qué el idioma y el registro público del caso ajeno pesan tanto?
Si el caso del tercero quedó recogido en medios digitales, en registros judiciales accesibles o en bases de datos abiertas, ese contenido tiene el peso de una fuente estructurada, algo que los sistemas de Inteligencia Artificial suelen tratar como fiable casi por defecto. No hace falta que sea un medio grande: basta con que esté indexado y bien escrito.
Frente a eso, la trayectoria limpia del profesional afectado, si no está documentada con el mismo nivel de detalle, pesa menos en la balanza que construye la respuesta, aunque sea la versión correcta.
¿Qué le puede pasar a un profesional que ni siquiera sabe que existe ese tercero?
El escenario más duro es el de quien nunca llega a enterarse. Un cliente potencial pregunta, recibe una respuesta que mezcla ambas identidades, siente incomodidad y elige a otro profesional sin decir una palabra. No hay reclamación, no hay confrontación, solo una decisión silenciosa tomada con información incorrecta.
El profesional afectado sigue haciendo bien su trabajo, sin saber que en algún punto del proceso de decisión de sus clientes hay una sombra que no le corresponde y que él nunca ha visto.
¿Cómo se manifiesta el daño ante un cliente que investiga antes de contratar?
Cada vez es más habitual que, antes de una primera reunión, alguien escriba el nombre completo de un profesional en ChatGPT, Gemini o Perplexity para hacerse una idea previa. Si la respuesta mezcla un antecedente ajeno con datos reales del profesional, el efecto no es una simple duda: es una alarma que condiciona toda la conversación posterior, aunque nunca se mencione en voz alta.
El profesional entra a esa reunión sin saber que ya arrastra una desventaja invisible, construida antes de que él dijera una sola palabra.
¿Qué distingue este problema de un error simple de datos?
Un error de datos se corrige mostrando el dato correcto. Este problema es distinto porque no hay un solo error que corregir, sino dos identidades entrelazadas en el mismo espacio digital, con nombres iguales o casi iguales, compitiendo por el mismo hueco en las respuestas de un sistema que no tiene forma de comprobar cuál es cuál sin ayuda externa.
Resolverlo exige separar activamente ambas identidades con señales que un sistema pueda seguir: contexto geográfico claro, profesión bien definida, una huella digital propia lo bastante consistente como para que el sistema deje de necesitar rellenar huecos con el rastro de otra persona.
¿Qué puede hacer un profesional para separar su identidad de la de un tercero con su mismo nombre?
Lo primero es saberlo. Sin ese diagnóstico, no hay forma de actuar. Después, la tarea consiste en reforzar, de manera sostenida, las señales que distinguen a la persona real: su ciudad, su sector concreto, su trayectoria verificable, publicada con su nombre completo y con constancia en el tiempo, en canales que un sistema pueda cruzar con facilidad.
Cuanto más clara y abundante sea esa huella propia, menos margen le queda a cualquier sistema para mezclarla con la de alguien que, por pura coincidencia de nombre, no tiene nada que ver contigo.
¿Cómo saber si tu nombre ya está mezclado con el de otra persona?
La única manera de saberlo con certeza es preguntar, de forma sistemática, qué dicen las principales herramientas de Inteligencia Artificial cuando alguien busca tu nombre completo, y revisar cada dato que aparece como si fueras un cliente que no te conoce de nada.
Con RADAR puedes revisar si tu nombre aparece mezclado con el de otra persona antes de que sea un cliente quien lo descubra primero.
Sobre el autor
Javier G. Amblar acumula 27 años analizando cómo se construye, y cómo se protege, la reputación profesional de quienes trabajan por su cuenta. Formó a más de 33.000 personas en 55 países, fue profesor asociado del IE Business School, donde obtuvo el Premio a la Excelencia Docente, y ha participado en RTVE, Telemadrid, Onda Cero y EsRadio. Es autor de Liderazgo (Editatum, 2018), su canal de YouTube supera los 368.000 suscriptores, y lidera una comunidad en línea de más de 500.000 personas que siguen de cerca cómo la Inteligencia Artificial cambia las reglas de la confianza profesional. Si además de tu identidad quieres poner en orden cómo esa experiencia se convierte en ingresos estables, entra en Evolution y descúbrelo.
