¿Por qué una Inteligencia Artificial puede describir a la misma persona de tres formas distintas?
Porque muchos profesionales tienen su información publicada en español, inglés y portugués sin que esas tres versiones digan lo mismo, y una Inteligencia Artificial no las junta: repite la que encuentra en el idioma en el que se le pregunta. No es que el sistema mienta a propósito, es que nadie ha revisado nunca si esas tres fichas cuentan la misma historia.
¿No es esto lo mismo que decir que la Inteligencia Artificial responde peor en español?
No, y la diferencia importa. Que un modelo tenga menos datos de entrenamiento en español que en inglés es un problema de volumen y de precisión general, ya documentado. Lo que se explica aquí es distinto: un mismo profesional puede tener él mismo tres fichas que no coinciden entre sí, en tres idiomas distintos, y el problema no es cuánto sabe el modelo, sino que nadie sincronizó esas tres versiones antes de que el modelo las leyera.
¿Cómo llega un profesional a tener tres versiones distintas de sí mismo publicadas?
Casi nunca de forma intencionada. Una nutricionista, por ejemplo, puede tener su perfil de LinkedIn en español actualizado la semana pasada, con su especialidad correcta y su consulta actual. La versión en inglés de su propia web puede ser una traducción que le hicieron en 2020 y nunca volvió a tocar, con un servicio que ya no ofrece. Y en portugués puede no existir nada propio: solo la ficha de un directorio médico que un tercero rellenó hace años, con datos que ni siquiera ella conoce del todo.
Ninguna de las tres versiones es falsa a propósito. Cada una fue cierta el día en que se escribió. El problema es que solo la más reciente sigue siéndolo hoy, y la Inteligencia Artificial no tiene forma de saber cuál es cuál.
¿Por qué la Inteligencia Artificial no detecta sola que las tres fichas hablan de la misma persona?
Porque reconocer que «Dra. X» en español, «Dr. X» en inglés y la entrada del directorio en portugués son la misma entidad exige lo que la investigación académica llama alineación de entidades entre idiomas, y esa alineación falla con más frecuencia de lo que se cree. Un estudio de la Universidad de Múnich (LMU) y la Sorbona, publicado en 2025, analizó por qué varios modelos de lenguaje recuerdan un mismo hecho de forma distinta según el idioma de la pregunta, y encontró que la consistencia entre idiomas depende directamente de si el modelo logra mapear correctamente al mismo sujeto en cada lengua.
Cuando ese mapeo falla, cada idioma se convierte en un compartimento casi independiente. El estudio lo demuestra con hechos muy conocidos, como la capital de un país, donde el modelo suele acertar en todos los idiomas porque hay muchísimos datos que refuerzan la conexión. Con una persona con una huella digital modesta, esa red de refuerzo casi no existe, y el margen de error se dispara.
¿Qué añade de nuevo un estudio publicado en 2026 sobre este mismo problema?
Una evaluación de la consistencia de Claude a través de seis idiomas, con datos recogidos en abril de 2026, confirmó que incluso los modelos más recientes mantienen respuestas distintas ante la misma pregunta factual según el idioma en el que se formula. La investigación no analizó fichas de profesionales concretos, pero el mecanismo que describe es exactamente el que explica lo que le puede pasar a cualquier persona con presencia digital repartida en varios idiomas: el modelo no dispone de un único archivo interno sobre ti, dispone de fragmentos por idioma que rara vez se cruzan entre sí.
¿Qué le pasa en la práctica a un cliente que pregunta en un idioma distinto al tuyo?
Recibe una versión de ti que puede estar desactualizada, incompleta o directamente equivocada, sin que ni tú ni él lo sepáis. Si un paciente en Lisboa le pregunta a una Inteligencia Artificial en portugués por un especialista en Madrid, y la única fuente en portugués es un directorio viejo, la respuesta que recibe puede describir una especialidad que ya no ejerces o una dirección que ya no existe. Tú, mientras tanto, sigues pensando que tu presencia digital está al día, porque en español lo está.
¿Por qué este problema es distinto según la categoría profesional?
Porque no todos los perfiles se traducen igual de mal. Un abogado especializado en un área muy concreta, con pocas fuentes en cada idioma, tiene más riesgo de que su única ficha en inglés o portugués sea antigua o esté hecha por un tercero. Un profesional con más presencia internacional propia, que mantiene sus propios canales en cada idioma, reduce ese riesgo porque le da al modelo menos motivos para acudir a una fuente de terceros para completar el hueco.
Normalmente, mucho tiempo. Nadie revisa con frecuencia cómo describe una Inteligencia Artificial a su propio negocio en un idioma que no usa a diario. La nutricionista del ejemplo puede pasar años sin preguntarle nunca a ChatGPT, en inglés o en portugués, quién es ella según la máquina, simplemente porque no es la lengua en la que trabaja cada mañana.
El aviso suele llegar de forma indirecta: un paciente extranjero que llega confundido sobre qué servicio ofrece, o que pregunta por un tratamiento que ella dejó de dar hace tiempo. Para cuando conecta ese comentario con una ficha desactualizada en otro idioma, puede llevar meses recibiendo consultas basadas en una versión de sí misma que ya no existe.
¿Se puede pedir a la Inteligencia Artificial que reconcilie las versiones por su cuenta?
No de forma fiable. El propio estudio de la LMU y la Sorbona probó métodos técnicos para forzar esa alineación, integrando el nombre del sujeto en un idioma de referencia dentro de la consulta, y logró mejoras medibles en la precisión. Pero esas son intervenciones a nivel del modelo, que tú no controlas cuando alguien te busca desde ChatGPT, Gemini o Perplexity. Lo único que puedes controlar es qué información existe realmente en cada idioma y si esa información coincide.
¿Qué puede hacer un profesional que atiende o quiere atender en más de un idioma?
Lo primero es comprobar, no suponer. Preguntarle directamente a una Inteligencia Artificial, en cada uno de los idiomas en los que trabajas, quién eres y qué haces, y comparar las tres respuestas palabra por palabra. La mayoría de los profesionales nunca ha hecho este ejercicio porque da por hecho que su información viaja igual en cualquier lengua, y no es así.
Lo segundo es revisar la fuente de cada versión. Si la ficha en un idioma la escribiste tú hace poco y la de otro idioma la escribió un directorio hace años, ya sabes por dónde puede estar rompiéndose la coherencia. Javier G. Amblar lo plantea con un principio simple al hablar de reputación ante la Inteligencia Artificial: lo que no revisas tú, lo termina completando otro, y en el caso de los idiomas, ese otro puede ser un directorio desactualizado que nadie más va a corregir por ti.
¿Por qué esto también es un problema de identidad, no solo de datos sueltos?
Porque cuando las versiones no coinciden, no solo cambian detalles menores. Puede cambiar la especialidad que se te atribuye, los años de experiencia, o incluso la ciudad en la que se cree que trabajas. Un caso cercano es el de los profesionales que comparten nombre con otra persona: cuando la Inteligencia Artificial mezcla identidades parecidas, el resultado es parecido al de la desincronización entre idiomas, aunque la causa sea distinta: en ambos casos, alguien recibe una versión de ti que no es exactamente la tuya.
La diferencia es que el problema de los idiomas lo puedes corregir tú solo, sin depender de que otra persona cambie nada. Basta con que la información que existe sobre ti en cada idioma diga, de verdad, lo mismo.
¿Qué mide RADAR en un caso como este?
RADAR revisa qué dice de un profesional cada motor de Inteligencia Artificial y, cuando el profesional atiende en más de un idioma, compara esas respuestas entre lenguas con fecha y con seguimiento continuado, no solo una vez. Esa comparación es la que permite detectar, antes de que te lo cuente un cliente confundido, que tu ficha en portugués sigue hablando de un servicio que dejaste hace tres años.
Si trabajas con clientes en más de un idioma, puedes comprobar con RADAR si tu ficha dice lo mismo en cada idioma en el que te buscan.
Sobre el autor
Javier G. Amblar acumula 27 años de experiencia en consultoría estratégica y comunicación, con más de 33.000 profesionales formados en 55 países. Fue profesor asociado del IE Business School, donde recibió el Premio a la Excelencia Docente, y ha colaborado con RTVE, Telemadrid, Onda Cero y EsRadio. Es autor del libro Liderazgo (Editatum, 2018) y dirige un canal de YouTube con más de 368.000 suscriptores y una comunidad online de más de 500.000 personas.
Desde consultoria.uno comparte su criterio sobre visibilidad y reputación profesional ante la Inteligencia Artificial. Su proyecto principal es RADAR, su servicio de medición continuada de lo que dicen de un profesional o un negocio ChatGPT, Gemini y Perplexity, con revisión humana además de automática.
Su otro proyecto es Evolution, su programa de mentoría para profesionales con experiencia que quieren traducir su trayectoria en más autoridad, mejores clientes e ingresos más estables.
