Cuando alguien pregunta a ChatGPT, Gemini o Perplexity por un profesional, el sistema no busca la versión más reciente de esa persona: busca la fuente mejor indexada, y muchas veces esa fuente tiene años. Una web antigua con muchos enlaces, una ficha de un directorio que nadie actualizó o un perfil de LinkedIn congelado pueden pesar más que la realidad de hoy, y el resultado es que la Inteligencia Artificial describe a alguien que ya no existe.
Por qué una Inteligencia Artificial prefiere lo viejo y bien indexado
Los modelos de lenguaje no leen internet en tiempo real cada vez que responden. Trabajan sobre rastreos previos y sobre lo que otros sistemas han citado antes, y esos rastreos guardan de todo: páginas de hace diez años junto a páginas de la semana pasada, sin ningún mecanismo que descarte automáticamente lo caduco.
Un estudio del Tow Center for Digital Journalism, de la Universidad de Columbia, publicado el 6 de marzo de 2025 y firmado por Klaudia Jaźwińska y Aisvarya Chandrasekar, probó ocho sistemas de búsqueda con Inteligencia Artificial, entre ellos ChatGPT Search, Perplexity y Gemini, con 200 consultas sobre artículos de noticias reales. El resultado: más del 60 por ciento de las respuestas fueron incorrectas, y ChatGPT falló en 134 de esos 200 casos sin declarar incertidumbre casi nunca.
Ese dato importa aquí porque explica el mecanismo de fondo: el sistema no distingue bien entre una fuente actual y una fuente vieja que sigue viva en el rastreo. Si tu página antigua tiene más enlaces, más antigüedad y más menciones que la que la sustituyó, gana ella, aunque describa a alguien que ya no eres.
El caso típico: cambiaste de todo, y la máquina no se enteró
El patrón se repite con variaciones: un consultor que cambió de especialidad hace tres años, una psicóloga que se mudó de ciudad y dejó de atender presencialmente donde decía su ficha antigua, un arquitecto que dejó de aceptar cierto tipo de proyecto. En los tres casos hay algo en común: existe una versión actualizada en algún sitio, normalmente la web nueva o el perfil renovado, pero esa versión tiene menos años, menos enlaces entrantes y menos historial que la versión vieja.
La Inteligencia Artificial no pregunta cuál es más reciente. Pregunta, en esencia, cuál está mejor respaldada por el resto de la red, y una página de 2019 con cien enlaces suele ganarle a una página de 2025 con cinco.
Qué significa «bien indexada» en la práctica
Bien indexada no quiere decir bonita ni bien escrita. Quiere decir que otras páginas la enlazan, que apareció en directorios, que un medio la citó alguna vez, que lleva años sin cambiar de dirección y que los buscadores la conocen desde hace tiempo. Todas esas señales suman autoridad técnica, y la autoridad técnica es justo lo que un modelo de lenguaje usa como atajo cuando tiene que decidir en qué fuente confiar más.
Por eso una ficha vieja en un directorio profesional, aunque el propio directorio ya no la promocione, puede seguir siendo la referencia principal que cita una Inteligencia Artificial durante años después de que el profesional cambiara de sitio, de especialidad o de nombre comercial.
Por qué corregirlo en tu propia web no basta
Actualizar tu página actual es necesario, pero no es suficiente. El fallo no está solo en lo que dices de ti mismo hoy: está en que la versión vieja sigue circulando en otros sitios que tú no controlas, y esos sitios son los que la Inteligencia Artificial sigue citando. Borrar un dato de tu propia web no borra la copia que quedó en un directorio, en una caché o en un artículo de hace años que te mencionó de pasada.
Esto coincide con lo que ya se ha visto en casos reales de reputación digital: corregir una ficha en un sitio no impide que la Inteligencia Artificial siga repitiendo la versión anterior si esa versión anterior sigue accesible en otro lugar con más peso.
La señal que casi nadie revisa: la fecha de actualización
La mayoría de webs profesionales no muestran cuándo se actualizó un dato concreto. No hay fecha visible de revisión, no hay historial de cambios, no hay ninguna marca que le diga a un sistema automático «esto es lo vigente ahora, lo anterior queda obsoleto». Sin esa señal, el modelo trata todas las versiones como si tuvieran el mismo valor y elige por otros criterios, como la antigüedad del enlace o el número de menciones.
Añadir una fecha de última revisión, mantener un único perfil canónico y evitar duplicar la misma información en varias fichas con datos ligeramente distintos reduce ese margen de confusión, aunque no lo elimina del todo mientras las fuentes viejas sigan en circulación.
Las señales técnicas que le faltan a casi toda web profesional
Existen marcadores pensados justo para esto: la fecha de modificación en el código de la página (el campo dateModified de Schema.org), la cabecera HTTP Last-Modified que el servidor envía sin que el visitante la vea, o un simple aviso visible de «actualizado el» junto al dato clave. Ninguno es difícil de añadir, y casi ninguna web de un profesional independiente los usa.
Sin esas señales, un modelo de lenguaje no tiene forma de distinguir una página que se revisa cada mes de una que lleva sin tocarse desde 2018. Las trata igual, y en caso de duda, gana la que tiene más antigüedad acumulada en el resto de la red, que suele ser justamente la vieja.
Cuando hay varias fuentes y no coinciden entre sí
El problema se agrava cuando no hay una sola fuente vieja sino varias, cada una con un dato distinto: un directorio con la dirección antigua, una asociación profesional con el teléfono de hace cinco años, una web personal ya actualizada. En ese escenario, un modelo de lenguaje no elige la más reciente por defecto: tiende a quedarse con lo que más fuentes repiten, sin verificar cuál de ellas dejó de mantenerse. Ya explicamos en detalle qué ocurre cuando varias fuentes viejas coinciden frente a una sola fuente correcta y actualizada, y el resultado casi siempre favorece a la mayoría, no a la verdad.
Qué puede hacer un profesional que descubre esto en su propio caso
Lo primero es comprobar, no suponer. Preguntarle directamente a dos o tres sistemas de Inteligencia Artificial distintos qué dicen de uno mismo, con el nombre completo y la profesión, y anotar la respuesta literal con la fecha. Si aparece un dato que ya no es cierto, ahí está el punto de partida.
Lo segundo es localizar dónde vive ese dato viejo: un directorio, una asociación profesional, un artículo antiguo, una ficha de Google que nadie reclamó. Pedir la corrección o la eliminación en esa fuente concreta pesa mucho más que cambiar solo la web propia, precisamente porque es la fuente que tiene la autoridad que el modelo está usando.
Lo tercero es aceptar que esto no se corrige una vez y se olvida. Lo que dice una Inteligencia Artificial sobre un negocio puede arruinarlo si nadie lo revisa con cierta frecuencia, porque los modelos se actualizan, vuelven a rastrear la red y pueden recuperar una versión vieja incluso después de haber mostrado la correcta durante un tiempo.
Un caso cercano: el arquitecto que seguía colegiado
Hace pocos días contamos el caso de un arquitecto con quince años de colegiación activa al que una Inteligencia Artificial daba por retirado. El mecanismo es el mismo que el de un perfil desactualizado: un dato viejo, bien indexado en algún registro que dejó de revisarse, ganó peso frente a la realidad actual. La diferencia es solo el origen del dato: allí era un registro de colegiación mal leído, aquí es directamente un perfil o una web antigua que sigue siendo la fuente principal.
Lo que no funciona: quejarse dentro del propio chat
Pedirle a ChatGPT que «se corrija a sí mismo» no cambia nada de forma permanente. La corrección dentro de una conversación no se guarda para las conversaciones de otras personas, no toca el índice del sistema y desaparece en cuanto se cierra el chat. El cambio real ocurre en la fuente que el modelo consulta, no en la respuesta puntual que da un día concreto.
Por eso la tarea no es conversar con la máquina, es identificar y corregir el origen del dato viejo en el lugar donde ese dato vive, aunque ese lugar ya no forme parte de la actividad profesional del día a día.
Cuánto tarda en notarse la corrección
Corregir la fuente original no cambia la respuesta de una Inteligencia Artificial al día siguiente. Los sistemas con búsqueda en tiempo real, como ChatGPT Search o Perplexity, pueden tardar entre varias semanas y unos meses en volver a rastrear esa página y sustituir el dato viejo. Los modelos que responden solo con su conocimiento entrenado, sin búsqueda activa, pueden seguir repitiendo la versión antigua hasta la siguiente actualización del propio modelo, que no tiene una fecha pública fija.
Por eso conviene revisar el resultado cada cierto tiempo, no darlo por corregido después de la primera comprobación, y no sorprenderse si el dato viejo reaparece meses después en un sistema distinto al que ya se había corregido.
Medirlo antes de suponer que ya está resuelto
Un profesional puede pensar que el problema quedó atrás porque actualizó su web hace meses. La única forma de saber si es cierto es volver a preguntar a la Inteligencia Artificial, con el mismo tipo de consulta que haría un cliente potencial, y comparar la respuesta con la realidad actual. RADAR, el servicio de medición de visibilidad y reputación ante motores de Inteligencia Artificial de Javier G. Amblar, en consultoria.uno/radar, existe justamente para eso: comprobar con datos qué fuente está usando cada sistema para hablar de un profesional concreto, y si esa fuente sigue viva o quedó enterrada hace años.
Sobre el autor
Javier G. Amblar lleva 27 años como consultor y ha formado a más de 33.000 profesionales en 55 países. Fue profesor asociado del IE Business School, con Premio a la Excelencia Docente, y ha intervenido en RTVE, Telemadrid, Onda Cero y EsRadio. Hoy dirige una comunidad en línea de más de 500.000 personas y ayuda a profesionales independientes a comprobar qué dice de ellos la Inteligencia Artificial a través de RADAR.
