Si existe otra persona con tu mismo nombre, pero trabaja en un campo completamente distinto al tuyo (ella es cirujana y tú eres consultor, él es abogado penalista y tú eres arquitecto), la Inteligencia Artificial puede mezclar los dos perfiles en una sola respuesta, atribuyéndote logros, críticas o una especialidad que no te corresponde. No es un fallo raro: los sistemas de Inteligencia Artificial no identifican personas, identifican patrones de texto asociados a un nombre, y cuando dos patrones distintos comparten la misma etiqueta, el sistema elige uno para responder, no reparte la respuesta entre los dos.
¿Qué pasa cuando otra persona con tu nombre trabaja en un campo totalmente distinto?
A diferencia de la confusión entre dos personas de la misma ciudad y la misma profesión, que compiten por el mismo cliente, aquí no hay competencia directa. Eso hace que la confusión parezca menos grave, y en la práctica es igual de dañina: si te preguntan por tu trayectoria y la respuesta mezcla logros de otro campo, o peor, una controversia de otro campo, el daño reputacional no tiene relación alguna con tu trabajo real.
La Inteligencia Artificial no separa personas, separa patrones de texto
Los sistemas de desambiguación de entidades, la disciplina técnica que se encarga de decidir a quién corresponde un nombre mencionado en un texto, llevan años intentando resolver este problema sin conseguirlo del todo. Cuando dos personas comparten nombre y ambas tienen presencia digital moderada, ninguna claramente dominante, el sistema tiende a fusionar señales de las dos en una sola respuesta en lugar de reconocer que existen dos entidades distintas.
Ya documentamos un caso extremo de esta confusión, el de un periodista alemán al que un asistente de Inteligencia Artificial describió con antecedentes penales de otra persona, un caso que analizamos en detalle en otro artículo. La diferencia con lo que tratamos aquí es que en aquel caso las dos personas no compartían campo profesional en absoluto, y es justo esa distancia entre especialidades la que hace más fácil que el sistema no note el error.
El concepto de «entidad dominante»: por qué uno de los dos se queda con la respuesta
En el campo de la optimización de motores de búsqueda existe el concepto de entidad dominante: cuando un nombre es ambiguo, el sistema decide cuál de las personas que lo comparten es la referencia principal, normalmente la que tiene más volumen de menciones, más antigüedad digital o más cobertura en fuentes que el sistema considera fiables. La persona que pierde esa disputa no desaparece, se queda absorbida dentro del perfil de la otra.
Si tu homónimo de otra especialidad lleva más años publicando, tiene más entrevistas o más presencia en medios que tú, es más probable que sea su perfil el que domine, y que fragmentos de tu actividad terminen atribuidos a la persona equivocada, o al revés.
Cómo decide un sistema de Inteligencia Artificial quién es la persona real detrás de un nombre
El mecanismo técnico detrás de este problema tiene nombre: desambiguación de entidades. El Knowledge Graph de Google, la base de datos de entidades que alimenta buena parte de lo que los sistemas de Inteligencia Artificial saben sobre personas, lugares y organizaciones, no guarda un nombre como un texto suelto, lo guarda como un nodo conectado a otros nodos mediante relaciones: «es una persona», «tiene una profesión», «trabaja en tal ciudad». Cada una de esas conexiones lleva asociado un grado de confianza: cuando el sistema tiene certeza casi total de que un nombre corresponde a una única persona con una única profesión, esa conexión recibe una puntuación cercana a 1.
El problema aparece cuando dos personas comparten nombre y ninguna de las dos ha generado suficiente señal digital propia y coherente como para que el sistema le asigne, con la misma confianza, una profesión distinta a cada una. En ese caso, el sistema no reparte la respuesta entre las dos entidades, elige la interpretación que le resulta más probable según el volumen y la coherencia de las fuentes que encontró, y construye la respuesta como si esa fuera la única persona que existe con ese nombre.
Esto no es un fallo puntual que se vaya a corregir con una actualización. Es la forma en que está diseñado el sistema: prioriza dar una respuesta segura sobre reconocer que existe ambigüedad, salvo que esa ambigüedad sea tan evidente, como dos personas célebres con el mismo nombre, que el propio sistema no pueda ignorarla.
Cuanto más distintas son las dos profesiones, paradójicamente, menos probable es que el propio buscador marque la ambigüedad como evidente. Un motor entrenado para reconocer patrones espera encontrar, bajo un mismo nombre, coherencia temática: varias menciones sobre negocio, o varias sobre medicina, no una mezcla de ambas. Cuando esa mezcla aparece, el sistema no siempre la interpreta como «dos personas distintas», a veces la interpreta como «una persona con una trayectoria inusual», y construye una respuesta que junta lo que nunca debió juntarse.
Un estudio de Columbia midió cuántas veces la Inteligencia Artificial cita mal, y el número incomoda
El Tow Center for Digital Journalism de la Universidad de Columbia publicó en marzo de 2025 un estudio que sometió a ocho motores de búsqueda con Inteligencia Artificial a 200 pruebas de citación: dar una cita textual y pedir que identificaran el artículo, la fecha y la fuente exactos. Más del 60% de las respuestas fueron incorrectas. Perplexity fue el motor más preciso, con un 37% de errores. Grok-3 fue el menos preciso, con un 94% de errores.
Ese estudio no habla de nombres de personas, habla de artículos periodísticos, pero el mecanismo de fondo es el mismo que provoca la confusión entre homónimos: los modelos generan respuestas seguras aunque la fuente real que están citando no sea la que dicen, y ese mismo patrón de seguridad sin verificación es lo que mezcla a dos profesionales distintos bajo un solo nombre.
El caso que demuestra lo que pasa cuando la Inteligencia Artificial afirma algo falso sobre una persona real, con total seguridad
En mayo de 2026, un tribunal del condado de Gwinnett, en Georgia, resolvió el caso Walters contra OpenAI. Un periodista, Fred Riehl, le pidió a ChatGPT que resumiera una demanda judicial real, y el sistema respondió con una historia completamente inventada: aseguró que Mark Walters, presentador de radio, era el demandado, que había ejercido como tesorero de una organización sin ánimo de lucro y que se le acusaba de malversar fondos. Ninguna de esas tres afirmaciones era cierta. Walters no era parte de esa demanda, nunca ocupó ese cargo, y no existía ninguna acusación de malversación contra él.
El tribunal falló a favor de OpenAI, no porque el sistema no se hubiera equivocado, sino porque consideró que cualquier lector razonable que ya supiera que estas herramientas pueden inventar respuestas debería haber verificado el dato antes de darlo por bueno. La sentencia no absuelve el mecanismo, confirma que existe: un sistema de Inteligencia Artificial puede construir, con la misma seguridad con la que da un dato correcto, una acusación completa contra una persona real que no tiene nada que ver con los hechos.
Este caso no trata de dos homónimos, trata de un nombre real al que el sistema atribuyó hechos que pertenecían a otra historia. Es el mismo mecanismo, sin la variable del nombre compartido: la Inteligencia Artificial construye una respuesta con la información que encuentra disponible bajo una etiqueta, y esa etiqueta puede arrastrar cualquier cosa que el sistema asocie con ella, sea o no la persona correcta.
Si esto le puede pasar a un nombre sin ningún homónimo real de por medio, el riesgo se multiplica cuando sí existe otra persona con el mismo nombre trabajando en otro campo: ahí el sistema no solo puede inventar, puede además tener dos conjuntos reales de datos entre los que elegir mal.
Por qué la confusión de especialidad es peor que la confusión de ciudad
Cuando la Inteligencia Artificial confunde a dos profesionales de la misma ciudad y la misma actividad, el error suele quedarse dentro del mismo terreno: te atribuyen una reseña que no es tuya, o una tarifa que no cobras. Cuando confunde a dos personas de especialidades distintas, el error puede saltar de terreno por completo: te atribuyen un título que no tienes, una sanción profesional de otro gremio, o un logro que no corresponde a tu formación. Un cliente que reciba esa mezcla no solo tiene un dato equivocado, tiene un dato que, si lo verifica un poco, hace que dude de todo lo demás que le has contado sobre ti.
Ejemplo: lo que le pasa a un consultor cuando comparte nombre con alguien de otro gremio
Imagina un consultor de negocio y un cirujano estético con el mismo nombre y apellido, ambos con presencia digital moderada. Un cliente que pregunta por la trayectoria del consultor puede recibir una respuesta que mezcla su experiencia real con menciones a «procedimientos» o «pacientes» que pertenecen al otro profesional, simplemente porque el sistema encontró ambos conjuntos de datos bajo el mismo nombre y los combinó al construir la respuesta. Nadie tuvo mala intención, y el resultado es igual de confuso para quien lo lee.
Quién gana la batalla del nombre cuando dos personas la libran sin saberlo
Ninguno de los dos profesionales sabe, normalmente, que están compitiendo por la misma etiqueta ante un sistema de Inteligencia Artificial. No es una competencia consciente, es una consecuencia de cómo cada uno gestiona (o no gestiona) su propia huella digital. Quien tiene más contenido propio, más coherencia entre sus fuentes y más señales recientes tiende a quedarse con la versión que la máquina considera correcta.
Cómo se ve por fuera: logros, críticas o proyectos que no son tuyos
Las formas más comunes en las que se manifiesta este problema son tres: te atribuyen un logro de la otra persona, algo halagador pero falso, que puede generar expectativas que no puedes cumplir; te atribuyen una crítica o una controversia de la otra persona, algo que puede espantar a un cliente potencial sin que exista motivo real; o mezclan datos de contacto, tarifas o ubicación, generando confusión práctica además de reputacional.
Qué puedes hacer para separarte de tu homónimo de otra especialidad
Lo primero es saber si el problema existe, porque nadie te va a avisar cuando ocurra. Preguntarle a varios motores de Inteligencia Artificial, sin sesión iniciada, con preguntas que un cliente real haría (no tu propio nombre completo con tu profesión al lado, que es justo la búsqueda que evita el problema en lugar de detectarlo) es el único método fiable para comprobarlo. Si el problema existe, reforzar tu propia coherencia digital (nombre completo, especialidad exacta, ubicación, en todas tus fuentes propias) ayuda al sistema a distinguirte del otro perfil con el tiempo.
Comprobar si tu nombre está mezclado con el de otro profesional de un campo distinto, y con qué frecuencia, es exactamente lo que hace RADAR. Averigua si la Inteligencia Artificial te está confundiendo con alguien de otro gremio.
Sobre el autor
Javier G. Amblar suma 27 años de trayectoria como consultor estratégico y ha formado a más de 33.000 profesionales en 55 países. Fue profesor asociado del IE Business School, ha participado como colaborador en RTVE, Telemadrid, Onda Cero y EsRadio, y es autor del libro Liderazgo (Editatum, 2018). Su canal de YouTube, TheEvolutionMind, reúne a más de 368.000 suscriptores dentro de una comunidad en línea que ya supera las 500.000 personas. Si quieres comprobar si tu nombre está mezclado con el de otro profesional, puedes medir tu visibilidad con RADAR o descubrir Evolution.
