Cuando cinco fuentes viejas dicen una cosa y tú dices otra, en la mayoría de los sistemas de Inteligencia Artificial gana la mayoría, no la razón. No es que la máquina prefiera mentir: pondera la coincidencia entre varias fuentes como señal de fiabilidad, y esa coincidencia puede pesar más que la fecha en que se publicó cada una. Si cambiaste de especialidad, te mudaste de consulta o corregiste un dato sobre ti, y esa corrección solo existe en un sitio, es probable que la Inteligencia Artificial siga repitiendo la versión antigua durante un tiempo.
¿Por qué gana la mayoría de fuentes y no la fuente más reciente?
La Inteligencia Artificial no tiene forma directa de verificar cuál de dos versiones contradictorias sobre un mismo hecho es la correcta, así que recurre a una señal indirecta: cuántas fuentes independientes dicen lo mismo.
Esa señal funciona bien la mayoría de las veces, porque en general un dato correcto tiende a repetirse en más sitios que un error aislado. El problema aparece cuando el dato viejo, no el nuevo, es el que se copió más veces antes de que nadie lo corrigiera.
En ese caso, la cantidad de fuentes que coinciden no refleja qué es verdad hoy, refleja qué se publicó primero y se copió después, antes de que existiera la corrección.
¿Qué es exactamente la «coincidencia entre fuentes» que usa la Inteligencia Artificial como señal?
La coincidencia entre fuentes es, en la práctica, el número de páginas, directorios o perfiles independientes que repiten el mismo dato sobre una persona o un negocio: el mismo horario, la misma dirección, la misma descripción profesional.
Los sistemas de Inteligencia Artificial usan esta coincidencia como un indicio de fiabilidad porque, sin poder comprobar la realidad directamente, necesitan algún criterio para decidir qué versión mostrar cuando hay más de una circulando.
Cuantas más fuentes independientes coincidan en un dato, más peso gana ese dato dentro del sistema, casi al margen de si esas fuentes se actualizaron ayer o hace cinco años.
¿Significa esto que la Inteligencia Artificial prefiere mentir antes que decir la verdad?
No, no es que la Inteligencia Artificial prefiera mentir, ni que tenga ninguna intención sobre el asunto. Es un mecanismo estadístico sin intención: pondera coincidencia como fiabilidad porque, la mayoría del tiempo, esa correlación es cierta.
El fallo no está en la lógica del mecanismo, está en un caso concreto donde la mayoría de fuentes quedó desactualizada antes de que la fuente correcta y reciente tuviera tiempo de replicarse también.
Entender esto quita la sensación de injusticia personal: no es que el sistema esté en tu contra, es que el sistema todavía no tiene suficiente evidencia reciente para cambiar de postura.
¿Qué pasa cuando cinco fuentes antiguas coinciden y solo una reciente dice lo contrario?
Cuando cinco fuentes antiguas coinciden en un dato y solo una fuente reciente y correcta dice lo contrario, lo más probable es que la Inteligencia Artificial siga mostrando la versión de las cinco fuentes, al menos durante un tiempo.
Esto ocurre incluso si esa única fuente reciente es la más fiable de todas, por ejemplo la propia web oficial de la persona o el negocio, porque el mecanismo pondera cantidad de coincidencias, no solo la autoridad de la fuente.
La autoridad de la fuente sí importa y puede acelerar el cambio, pero raramente basta por sí sola frente a una mayoría numérica ya establecida.
¿Qué tipo de dato profesional se ve más afectado por este mecanismo?
Los datos más afectados por este mecanismo son los que se repiten en muchos directorios y perfiles automáticos: horarios de atención, direcciones, especialidades profesionales, cargos o afiliaciones.
Un profesional que cambió de especialidad, por ejemplo de terapia de pareja a terapia individual, puede encontrar que varias fuentes antiguas, directorios, perfiles de asociaciones, menciones de prensa pasadas, siguen describiéndolo con la especialidad anterior, aunque su web actual ya diga otra cosa.
Lo mismo pasa con una dirección de consulta tras una mudanza, o con un cargo profesional después de un cambio de puesto: son datos que viven repetidos en muchos sitios que nadie revisa con frecuencia.
¿Por qué no basta con corregir el dato una sola vez, en un solo sitio?
Corregir el dato una sola vez, en un solo sitio, no cambia la mayoría numérica que la Inteligencia Artificial está ponderando. Si cinco fuentes decían lo viejo y ahora hay una que dice lo nuevo, la proporción sigue siendo cinco contra uno.
Para que el sistema empiece a inclinarse hacia el dato correcto, hace falta que esa corrección se refleje en varias de esas fuentes, no solo en la más importante para ti.
Esto significa revisar, uno por uno, los directorios, perfiles y menciones donde aparece el dato antiguo, y solicitar la actualización en cada uno, por tedioso que resulte.
¿Cuánto tiempo puede tardar una corrección en ganar peso frente a la mayoría antigua?
El tiempo que tarda una corrección en ganar peso frente a una mayoría antigua depende de cuántas fuentes se actualicen y de la frecuencia con la que los sistemas de Inteligencia Artificial revisan esas fuentes, algo que varía y no es instantáneo.
En mi experiencia acompañando casos similares, hablar de semanas es optimista y hablar de pocos meses es más realista, sobre todo si el dato antiguo está repetido en fuentes que se actualizan poco, como directorios profesionales que nadie revisa desde hace años.
La paciencia, aquí, no es una virtud opcional, es parte del proceso: la corrección funciona, pero no de forma inmediata.
¿Qué puede hacer, en la práctica, un profesional que cambió de consulta, de especialidad o de dato?
Lo primero que puede hacer un profesional en esta situación es hacer una lista completa de dónde aparece el dato desactualizado: directorios del sector, perfiles en redes, menciones de prensa antiguas, fichas de Google Maps si aplica.
Después, corregirlo en cada uno de esos sitios, empezando por los más visitados o los más citados, en lugar de dar por hecho que corregirlo en la web propia es suficiente.
Y, mientras tanto, mantener la versión correcta publicada de forma consistente en todos los canales propios, porque cada nueva fuente coherente suma a favor del dato correcto frente a la mayoría antigua.
¿Qué aprendizaje deja este mecanismo sobre cómo funciona hoy la reputación digital?
Este mecanismo deja un aprendizaje incómodo pero útil: la reputación digital de hoy no se gestiona corrigiendo una vez y olvidándose, se gestiona vigilando de forma periódica qué mayoría de fuentes existe sobre uno mismo.
No es un trabajo que se termine, es un mantenimiento, parecido a revisar que la información de contacto de un negocio siga siendo correcta en todos los sitios donde aparece, solo que ahora ese mantenimiento también decide lo que dice la Inteligencia Artificial cuando alguien pregunta por ti.
Quien entiende esto deja de sorprenderse cuando un dato viejo reaparece, y empieza, en cambio, a construir la cantidad de fuentes correctas necesarias para que la próxima vez gane la versión de hoy.
Sobre el autor
Javier G. Amblar suma 27 años de experiencia en consultoría y ha formado a más de 33.000 profesionales en 55 países. Es autor del libro Liderazgo (Editatum, 2018) y ha colaborado como analista en RTVE, Telemadrid, Onda Cero y EsRadio.
Su canal de YouTube reúne a más de 368.000 suscriptores, y alrededor de su trabajo se ha formado una comunidad en línea de más de 500.000 personas que sigue de cerca cómo la tecnología está cambiando la manera en que se construye una reputación profesional.
Si quieres comprobar qué mayoría de fuentes está describiendo hoy tu perfil ante la Inteligencia Artificial, Javier G. Amblar ha desarrollado RADAR, una herramienta gratuita para comprobarlo.
