No, una Inteligencia Artificial no llama a tu colegio profesional ni consulta el registro oficial de licencias antes de responder sobre tu especialidad o tu situación de colegiación. Cuando ChatGPT, Gemini o Perplexity contestan con seguridad sobre si un médico está habilitado, si un abogado sigue colegiado o qué especialidad exacta tiene un profesional, están repitiendo el patrón de texto más probable según lo que encontraron indexado, no un dato comprobado en la fuente oficial. Esa diferencia, entre sonar seguro y haber verificado, es el problema real detrás de los directorios profesionales y la Inteligencia Artificial.
¿Verifica de verdad una Inteligencia Artificial tu colegiación o tu licencia antes de responder?
Los modelos de lenguaje generan la respuesta más probable a partir de patrones aprendidos en el entrenamiento y, en el mejor de los casos, de una búsqueda rápida en la web en el momento de responder. Ninguna de esas dos vías equivale a consultar el registro oficial de un colegio profesional, un ministerio de sanidad o un tribunal de colegiación en tiempo real, salvo que exista una integración específica que casi ningún asistente general tiene todavía.
El resultado es una respuesta con apariencia de verificación oficial que, en realidad, es una estimación basada en texto público: una web antigua, un directorio de terceros, una noticia de hace años. Suena igual de seguro esté bien o mal.
¿Qué diferencia hay entre sonar seguro y haber comprobado un dato oficial?
Un modelo de lenguaje no distingue entre grados de certeza cuando redacta su respuesta final: la frase «está colegiado en Madrid desde 2015» se construye con la misma confianza gramatical tanto si el dato viene de una fuente verificada como si viene de una suposición razonable a partir de fragmentos incompletos.
Esa uniformidad en el tono es justo lo que hace pelígrosa la confianza del usuario: nada en la respuesta avisa de que ese dato concreto no pasó por ninguna comprobación oficial antes de aparecer en pantalla.
¿Qué encontraron los estudios de 2025 y 2026 sobre precisión en información profesional verificable?
Un estudio de Stanford de 2024, ampliado en 2025 por investigadores de Stanford y Yale bajo el título «Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools», encontró que incluso las herramientas legales diseñadas específicamente para citar con precisión casos judiciales reales fallan entre el 17% y el 33% de las veces en preguntas exigentes. Los modelos generales de propósito amplio, sin esa especialización, alucinaron entre el 58% y el 88% de las veces al responder preguntas verificables sobre casos judiciales federales, según el mismo trabajo de Stanford.
En el terreno sanitario, un estudio de Penn State publicado en mayo de 2026 midió que los chatbots de Inteligencia Artificial responden preguntas de salud cotidianas con un 76% de precisión, cifra que suena alta hasta que se traduce en que una de cada cuatro respuestas contiene un error relevante. Un metaanálisis de 83 estudios publicado en Nature Digital Medicine en 2025 situó la precisión diagnóstica de estos sistemas en el 52,1%, quince coma ocho puntos por debajo de los médicos especialistas humanos.
¿Por qué fallan incluso las herramientas construidas para citar bien?
Lo llamativo del estudio de Stanford y Yale no es que los modelos generales fallen, sino que las herramientas legales específicas, diseñadas con búsqueda aumentada por recuperación de documentos reales, sigan equivocándose en uno de cada seis o uno de cada tres casos difíciles. Si un sistema construido para citar sentencias reales falla así, un asistente general que responde sobre la colegiación de un fisioterapeuta o la especialidad de un cardiólogo, sin ninguna integración oficial detrás, tiene muchísimo más margen de error.
Esto no es un fallo puntual de un modelo concreto: es una limitación estructural de cómo funcionan hoy estos sistemas cuando la pregunta exige un dato oficial exacto y no una explicación general.
¿Qué pasa cuando le preguntas por la especialidad exacta de un profesional?
Pregunta a ChatGPT, a Gemini o a Perplexity si un profesional concreto tiene una especialidad determinada, y es probable que obtengas una respuesta afirmativa construida a partir de menciones sueltas: una entrevista antigua, una biografía de una web de hace años, un perfil de directorio sin actualizar. Nada de eso equivale a la especialidad oficial reconocida por el colegio o el organismo regulador correspondiente.
Ya contamos en ia-actual.com el caso de un arquitecto colegiado desde hacía quince años al que la Inteligencia Artificial daba por retirado. Aquel era un dato desactualizado sobre una sola persona. Lo que se explica aquí es distinto: el problema no es solo que el dato esté viejo, es que el sistema nunca tuvo, de entrada, una vía real de comprobarlo contra el registro oficial.
¿Qué tiene que ver esto con la medicina, el derecho y los colegios profesionales?
Medicina, derecho y las profesiones colegiadas comparten un rasgo: la licencia, la colegiación o la especialidad no son opiniones, son hechos administrativos que existen en un registro concreto, gestionado por una entidad concreta, actualizado con una frecuencia concreta. Ese tipo de dato es precisamente el que peor maneja un modelo de lenguaje, diseñado para generar texto plausible, no para consultar bases de datos administrativas en tiempo real.
La condena a una clínica alemana que ya contó ia-actual.com, por lo que su propio chatbot decía sobre las credenciales de sus médicos, muestra la consecuencia legal de este mismo problema cuando el chatbot pertenece al propio negocio. Lo que aquí importa es la versión más común y menos visible: la que ocurre cuando el chatbot no es tuyo, sino el que usa cualquier persona que pregunta por ti desde fuera.
¿Por qué un colegio profesional real no es la misma fuente que usa la Inteligencia Artificial?
Un colegio profesional mantiene un registro cerrado, verificado y actualizado con procedimientos administrativos formales: alta, baja, sanciones, especialidades reconocidas. Una Inteligencia Artificial generalista no tiene acceso directo y constante a ese registro, y en la mayoría de los casos ni siquiera sabe que existe como fuente prioritaria frente a una web de terceros mejor indexada.
Esa distancia entre la fuente oficial y la fuente que realmente usa el modelo es el hueco donde se cuela el error. Cuanto menos conocido es el colegio o el organismo regulador de tu profesión, mayor es la probabilidad de que la Inteligencia Artificial rellene ese hueco con una suposición razonable, pero no verificada.
¿Qué puedes comprobar tú mismo hoy sobre tu propia ficha?
Pregunta directamente a ChatGPT, a Gemini y a Perplexity cuál es tu colegiación, tu licencia o tu especialidad exacta, y compara la respuesta con el dato real que figura en el registro oficial de tu colegio o de tu organismo regulador. Si hay una sola discrepancia, ya sabes que estás expuesto al mismo problema estructural que muestran estos estudios.
El ejercicio conviene repetirlo cada pocos meses, porque estos sistemas cambian de fuente y de respuesta sin avisar, y un dato correcto hoy puede dejar de estarlo dentro de unas semanas sin que nadie te lo comunique.
¿Qué puede hacer un profesional para que su dato oficial pese más que un patrón de texto?
Publicar tu número de colegiado, tu especialidad reconocida y la fecha de tus titulaciones en tu propia web, de forma clara y consistente, no garantiza que la Inteligencia Artificial lo cite siempre bien, pero sí aumenta las probabilidades de que ese dato concreto termine pesando más que una mención antigua de un directorio de terceros. Los modelos priorizan la información consistente entre varias fuentes, no la más reciente por defecto.
Un análisis anterior de ia-actual.com, sobre lo que una Inteligencia Artificial puede decir de una empresa sin que nadie lo revise, ya advertía en 2025 que la ausencia de vigilancia sobre estas respuestas automáticas termina afectando directamente a la confianza de quien pregunta antes de contratar.
Comprobar periódicamente qué dicen los principales sistemas de Inteligencia Artificial sobre tu colegiación, tu licencia o tu especialidad, y corregir el hueco entre lo que dicen y lo que certifica tu colegio profesional, es exactamente lo que RADAR mide de forma continuada para profesionales colegiados y negocios regulados, antes de que un cliente potencial reciba un dato equivocado con apariencia de verificado.
Sobre el autor
Javier G. Amblar acumula 27 años de experiencia en consultoría, comunicación y estrategia empresarial, y ha formado a más de 33.000 profesionales en 55 países. Fue profesor asociado del IE Business School, distinción reconocida con el Premio a la Excelencia Docente, y ha participado como analista en 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 junto a una comunidad online que supera las 500.000 personas.
En consultoria.uno desarrolla su criterio sobre posicionamiento profesional, autoridad digital y cómo un profesional colegiado o regulado puede asegurarse de que la Inteligencia Artificial hable de él con datos exactos y verificables, no con suposiciones plausibles.
Trabaja con abogados, médicos, psicólogos, arquitectos, asesores y otros profesionales cuya actividad depende de una colegiación o una licencia oficial, y que necesitan que esa realidad administrativa quede reflejada correctamente cuando alguien pregunta por ellos a un sistema de Inteligencia Artificial en lugar de consultar directamente el registro oficial.
Entre sus proyectos principales están RADAR, su servicio de medición de visibilidad y reputación ante ChatGPT, Gemini y Perplexity, y Evolution, su programa de mentoría para traducir la experiencia profesional en autoridad reconocida e ingresos más estables. Puedes conocer Evolution en la página de Evolution.
