Un fisioterapeuta con clínica propia en Murcia notó que, de un mes a otro, un competidor cercano pasó de 40 a más de 200 reseñas en Google, casi todas de cinco estrellas y con un lenguaje curiosamente parecido entre sí. No hizo falta que fuera un experto en reputación digital para sospechar del patrón, pero sí necesitó varias semanas para entender la consecuencia real: cuando le preguntó a ChatGPT qué clínica de fisioterapia recomendaría en su zona, la respuesta citó a ese competidor como opción destacada, apoyándose precisamente en ese volumen de reseñas que nunca se molestó en verificar.
¿Cómo puede un competidor fabricar consenso digital sobre su propio negocio?
Existen servicios, algunos abiertamente publicitados y otros más discretos, que venden reseñas en bloque, gestionan grupos de intercambio («te reseño el tuyo si me reseñas el mío») o incentivan a empleados y familiares a dejar valoraciones positivas coordinadas en un periodo corto de tiempo. Ninguna de estas prácticas es nueva, pero su efecto ha cambiado de naturaleza en el momento en que los modelos de Inteligencia Artificial empezaron a usar ese volumen de reseñas como una señal de confianza al generar recomendaciones.
Antes, un patrón de reseñas sospechoso afectaba sobre todo al posicionamiento en buscadores tradicionales, algo que un profesional de SEO sabía identificar y reportar. Ahora, ese mismo patrón alimenta directamente la respuesta que da una Inteligencia Artificial generativa cuando alguien pregunta, en lenguaje natural, a quién debería contratar.
¿Por qué la Inteligencia Artificial no distingue una reseña real de una fabricada?
ChatGPT, Gemini y Perplexity no auditan la autenticidad de cada reseña individual cuando construyen una respuesta. Trabajan con patrones agregados: volumen, tono, frecuencia y coincidencia entre distintas fuentes que mencionan un negocio. Un aumento artificial y sostenido de reseñas positivas produce, a ojos del modelo, la misma señal estadística que produciría un aumento genuino de clientes satisfechos.
Esto significa que la honestidad ya no compite en igualdad de condiciones con la manipulación coordinada, salvo que alguien audite específicamente ese patrón y lo señale como sospechoso, algo que rara vez hace un negocio pequeño por su cuenta.
¿Qué señales delatan un consenso fabricado, aunque no se pueda demostrar del todo?
Varias señales suelen aparecer juntas cuando el patrón es artificial: un salto brusco en el número de reseñas en un plazo de días o pocas semanas, un lenguaje repetitivo entre reseñas distintas («atención excelente», «muy recomendable», casi como plantilla), perfiles de quienes reseñan con poca actividad previa en la plataforma, y una ausencia casi total de valoraciones intermedias o negativas, algo estadísticamente raro en cualquier negocio real con volumen suficiente de clientes.
Ninguna señal aislada prueba manipulación. La combinación de varias, sostenida en el tiempo, es lo que empieza a distinguir un patrón fabricado de un crecimiento orgánico de reputación.
¿Qué coste real tiene esto para el negocio que no manipula nada?
El fisioterapeuta de Murcia no perdió clientes de forma dramática de un día para otro. Perdió, según sus propias estimaciones tras revisar las consultas entrantes de los tres meses siguientes, una porción de las primeras llamadas de pacientes nuevos que antes le llegaban por recomendación directa de la Inteligencia Artificial, sin que él supiera exactamente cuántas ni por qué.
Ese tipo de pérdida silenciosa es precisamente lo que caracteriza este problema: nadie avisa cuando decide llamar al competidor en lugar de a ti porque una máquina se lo recomendó primero.
¿Es legal fabricar reseñas de esta manera?
No, y tanto Google como las principales plataformas de reseñas prohíben expresamente la manipulación coordinada en sus políticas, con sanciones que van desde la eliminación de reseñas hasta la suspensión de la ficha de negocio. Pero la aplicación de esas políticas es reactiva y depende de que alguien reporte el patrón con evidencia suficiente, algo que exige tiempo y conocimiento técnico que la mayoría de profesionales no tiene disponible.
Mientras la denuncia se tramita, si es que llega a tramitarse, el consenso fabricado sigue alimentando las respuestas de la Inteligencia Artificial sin ningún tipo de aviso ni corrección automática.
¿Qué papel juega RADAR en detectar este tipo de manipulación?
RADAR, el servicio de medición de visibilidad y reputación ante la Inteligencia Artificial dirigido por Javier G. Amblar, audita de forma periódica qué contestan los principales modelos cuando se pregunta por un negocio y su competencia directa, y documenta si aparecen patrones de recomendación que no se corresponden con la trayectoria real verificable de quien aparece mejor posicionado.
No se trata de acusar sin pruebas a ningún competidor, sino de tener el dato objetivo de qué está diciendo la máquina, cuándo empezó a decirlo y si ese cambio coincide con algún patrón sospechoso de actividad en reseñas, para que el profesional afectado decida con información real qué hacer al respecto.
¿Qué pueden hacer los negocios honestos frente a esta ventaja injusta?
La respuesta no es entrar en la misma dinámica de fabricar reseñas propias, algo que además de arriesgado a nivel de plataforma, no resuelve el problema de fondo. La respuesta pasa por construir una huella digital sólida y verificable: reseñas genuinas obtenidas de forma natural, presencia consistente en distintas fuentes, y contenido propio que refuerce, con datos reales, la trayectoria del negocio.
Esta reconstrucción no es inmediata, pero tiene una ventaja sobre la manipulación: es sostenible en el tiempo y no depende de mantener un engaño que, tarde o temprano, las propias plataformas terminan detectando y penalizando.
¿Qué relación tiene esto con los otros problemas de visibilidad ante la Inteligencia Artificial?
Este es, de los cuatro problemas centrales que documenta RADAR, el más grave según el propio Javier G. Amblar: no se trata solo de desaparecer o de que la máquina tenga datos viejos sobre ti, sino de que la competencia use activamente estas herramientas para desplazarte del espacio digital que deberías ocupar por mérito propio.
Quien pregunta antes de decidir y tú no apareces es ya un problema serio; que aparezca otro en tu lugar gracias a un patrón fabricado es una versión todavía más costosa del mismo fenómeno.
¿Cómo empezar a comprobarlo por cuenta propia?
Pregunta a ChatGPT, Gemini y Perplexity, con lenguaje natural, cómo lo haría un cliente real, quién sería la mejor opción en tu sector y tu zona. Compara la respuesta con lo que sabes objetivamente de tu competencia: años de actividad, volumen real de clientes, quejas conocidas. Si hay una discrepancia notable entre lo que la máquina recomienda y lo que tú sabes que es cierto, ahí empieza la pregunta que merece una auditoría más profunda.
RADAR audita justamente esa discrepancia, comparando lo que dicen las Inteligencias Artificiales más usadas con la realidad verificable de tu negocio y el de tu competencia.
¿Qué se puede hacer si se confirma el patrón?
Documentar cada señal con capturas y fechas, reportar formalmente a la plataforma correspondiente con esa evidencia, y en paralelo reforzar la propia huella digital para que, incluso mientras se resuelve la denuncia, la Inteligencia Artificial tenga cada vez más material propio y verificable con el que corregir su respuesta.
La paciencia importa aquí más que en casi cualquier otro problema de reputación: corregir un consenso fabricado lleva tiempo, porque exige que el material real supere en volumen y consistencia al material fabricado, y eso no ocurre de un día para otro.
¿Qué pueden hacer las propias plataformas para frenar este tipo de manipulación?
Google, Meta y otras plataformas han reforzado en los últimos años sus sistemas automáticos de detección de patrones de reseñas sospechosos, pero estos sistemas actúan a gran escala y no siempre distinguen bien los casos concretos que afectan a un negocio pequeño frente a campañas masivas más visibles. Esto deja un margen real en el que la manipulación local, bien ejecutada, puede pasar semanas o meses sin ser detectada ni corregida.
Confiar únicamente en que la plataforma lo resuelva por iniciativa propia suele ser una estrategia pasiva que deja al negocio afectado esperando una corrección que puede no llegar a tiempo para evitar el daño reputacional ya causado.
¿Qué diferencia hay entre una reseña negativa genuina y este tipo de manipulación?
Una reseña negativa real, aunque duela, forma parte del funcionamiento normal de cualquier negocio y suele convivir con valoraciones positivas igual de genuinas. Lo que delata la manipulación no es la ausencia de críticas, sino la uniformidad artificial: demasiadas opiniones idénticas en tono y en tiempo, sin la variación natural que produce un flujo real y espontáneo de clientes distintos a lo largo de meses. Cuanto más tiempo pasa sin que nadie lo señale, más se asienta ese patrón fabricado como si fuera una verdad aceptada, y más cuesta después revertirlo con datos reales y verificables frente a un volumen de opiniones que nunca existió de forma genuina.
Sobre el autor
Javier G. Amblar lleva 27 años trabajando con profesionales y negocios pequeños, y ha formado a más de 33.000 personas en 55 países. Fue profesor asociado del IE Business School, donde recibió el Premio a la Excelencia Docente, y hoy dirige RADAR, el servicio que audita qué dicen ChatGPT, Gemini y Perplexity sobre profesionales y negocios reales. Su comunidad en línea supera ya las 500.000 personas, entre canal de YouTube, newsletter y redes. Descubre qué dice la Inteligencia Artificial de tu negocio.
