Un concesionario de coches en Florida se hizo conocido en 2026 después de que un cliente intentara comprar un vehículo muy por debajo de su precio de mercado, se le negara la rebaja y respondiera con una reseña de una estrella que el propio negocio decidió exhibir públicamente como ejemplo, según recogieron varios medios que cubrieron el caso. Ese patrón, castigar con una mala reseña a quien no cede a una exigencia desproporcionada, no es exclusivo de la venta de coches: le pasa a cualquier profesional que defiende su precio, su método o su criterio, y esa reseña queda fija en internet mucho después de que el cliente insatisfecho se haya olvidado del asunto. Y a diferencia de una queja sobre un error real, esta es la que más cuesta corregir, porque no hay ningún fallo que subsanar, solo un límite que se sostuvo.
Qué tienen en común estos casos, más allá del sector
En el caso del concesionario, el cliente no discutía la calidad del coche ni el trato recibido: discutía que no le rebajaran el precio tanto como quería. Cuando la respuesta fue no, la reseña llegó igual, redactada como si el problema hubiera sido el servicio, no la negociación fallida.
Este patrón se repite en consultas médicas, despachos de abogados, talleres, asesorías y estudios de todo tipo: un cliente pide algo fuera de lo razonable, ya sea un descuento, un atajo o una excepción a un criterio profesional, y cuando el profesional dice que no, la reseña que aparece después rara vez menciona esa negociación. Habla de mal servicio, de trato deficiente o de falta de profesionalidad.
Por qué una Inteligencia Artificial no distingue el motivo real
Cuando un asistente de Inteligencia Artificial resume qué dicen las reseñas sobre un profesional, no tiene forma de saber que detrás de un comentario negativo hay una negociación que el profesional rechazó por criterio propio, no un error real en su trabajo. El sistema procesa el texto de la reseña tal cual está escrito, y ese texto casi nunca cuenta la parte donde el profesional dijo que no.
El resultado es que la máquina repite la versión más simple y más dañina: una queja de un cliente sobre mal servicio, sin ningún matiz sobre qué la provocó ni sobre si el profesional actuó con razón al negarse.
El coste de decir que no a algo desproporcionado
Cualquier profesional con criterio propio se va a encontrar, tarde o temprano, con una petición que no puede o no debe aceptar: un descuento que no cubre ni el coste real, una excepción que compromete su ética profesional, un plazo imposible de cumplir sin bajar la calidad. Decir que no en esos casos no es un error, es precisamente lo que sostiene la calidad del trabajo a largo plazo.
El problema es que ese no tiene un coste inmediato y visible, la reseña de castigo, mientras que el sí hubiera tenido un coste invisible y diferido: un trabajo mal pagado, una excepción que sienta un precedente incómodo o un plazo cumplido a costa de la calidad.
Cómo se fija esa reseña en lo que se dice de ti
Una reseña de una estrella no desaparece cuando el cliente se calma ni cuando otros clientes satisfechos dejan comentarios positivos después. Convive con ellos, y cuando un sistema resume qué dicen las reseñas sobre un negocio, esa reseña negativa pesa de forma desproporcionada si usa palabras contundentes como mal servicio, poco profesional o decepcionante.
Con el tiempo, esa única reseña puede convertirse en la frase que un asistente de Inteligencia Artificial elige para resumir la experiencia general con ese profesional, aunque represente una fracción mínima del total de valoraciones reales.
Qué diferencia a una crítica legítima de una reseña de castigo
Una crítica legítima describe un fallo real: un plazo incumplido sin explicación, un error de trabajo, una mala comunicación. Una reseña de castigo aparece justo después de que el profesional se negara a algo razonable, usa un lenguaje desproporcionado respecto a lo ocurrido, y a menudo no menciona en ningún momento cuál fue la petición original que se rechazó.
Reconocer esta diferencia con calma, sin ponerse a la defensiva ni tampoco fingir que todo comentario negativo es injusto, importa porque no se gestiona igual: una crítica legítima merece una respuesta que reconozca el fallo y explique la solución, mientras que una reseña de castigo merece una respuesta serena que aclare, sin exponer datos del cliente, qué se pidió y por qué no se podía aceptar.
Por qué responder bien no basta para que la máquina lo entienda
Responder con calma y claridad a una reseña de castigo ayuda a cualquier persona que lea esa página con atención. Pero un asistente de Inteligencia Artificial que resume de forma automática cientos de reseñas no siempre procesa con el mismo peso la respuesta del negocio que el comentario original, sobre todo si la respuesta es larga y el comentario es corto y contundente.
Esto significa que la gestión correcta de una reseña, que sigue siendo necesaria, no garantiza por sí sola que la Inteligencia Artificial deje de repetir la versión negativa cuando alguien pregunta por ese profesional.
Por qué las plataformas de reseñas amplifican justo este tipo de comentario
Los sistemas de ordenación de reseñas de la mayoría de plataformas priorizan lo que genera más interacción: votos de utilidad, respuestas del negocio, comentarios de otros usuarios. Una reseña de una estrella con un relato dramático suele generar más de esa interacción que diez reseñas de cinco estrellas escuetas y sin detalle.
Eso significa que el propio diseño de las plataformas empuja hacia arriba, en visibilidad, justo el tipo de reseña que un modelo de lenguaje va a encontrar primero cuando rastree qué se dice sobre un profesional, incluso cuando esa reseña representa una experiencia minoritaria y motivada por una negociación fallida, no por un fallo real.
El profesional que nunca tuvo un problema real también puede sufrir esto
Es fácil pensar que este riesgo solo afecta a quien de verdad cometió algún error. La realidad es que basta con ejercer el criterio profesional de decir que no a una petición fuera de lugar, algo que cualquier consulta, despacho o taller serio hace de forma habitual, para quedar expuesto a este mismo patrón.
Cuantos más años lleva un profesional trabajando y más clientes ha atendido, más probabilidades estadísticas tiene de haberse cruzado alguna vez con alguien que reaccionara así ante un no razonable. La trayectoria larga, paradójicamente, aumenta el riesgo de acumular al menos una reseña de este tipo, aunque el trabajo diario siga siendo impecable en la inmensa mayoría de los casos atendidos, y precisamente por eso conviene vigilar este riesgo antes de que aparezca, no después.
Qué puede hacer un profesional que ya tiene una reseña así
Lo primero es no borrar ni ocultar la reseña, algo que en la mayoría de plataformas ni siquiera es posible sin motivos de fraude comprobado. Lo segundo es generar, de forma constante, contenido propio y verificable sobre cómo trabajas y qué criterios sigues, para que ese material compita en volumen y en claridad con una reseña puntual y descontextualizada.
Lo tercero, y lo que casi nadie hace, es comprobar de forma directa qué está diciendo hoy una Inteligencia Artificial cuando alguien pregunta por ti, en lugar de asumir que una respuesta educada en la propia reseña ya resolvió el problema.
Cómo comprobarlo de forma sistemática
Las respuestas de los asistentes de Inteligencia Artificial cambian de semana en semana y no dejan un historial público accesible, así que la única forma de saber si una reseña de castigo sigue pesando en lo que se dice de ti es preguntar de forma periódica y comparar la respuesta con la realidad de tu trabajo.
Javier G. Amblar diseñó RADAR para hacer justamente ese seguimiento: medir de forma continua qué dicen ChatGPT, Gemini y Perplexity sobre un profesional o un negocio, y detectar cuándo una reseña puntual se ha convertido en el resumen injusto de toda una trayectoria construida durante años de trabajo serio.
Sobre el autor
Javier G. Amblar lleva 27 años de trayectoria en consultoría y comunicación estratégica, ha formado a más de 33.000 profesionales en 55 países, fue profesor asociado del IE Business School (Premio a la Excelencia Docente) y ha colaborado con RTVE, Telemadrid, Onda Cero y EsRadio. Es autor del libro Liderazgo (Editatum, 2018), dirige un canal de YouTube con más de 368.000 suscriptores y una comunidad en línea de más de 500.000 personas.
En consultoria.uno comparte su criterio sobre cómo proteger la reputación de un profesional cuando defender su propio criterio le cuesta una reseña injusta.
Su servicio RADAR mide de forma continuada qué dicen los principales sistemas de Inteligencia Artificial sobre un profesional o un negocio, y entrega un plan de corrección cuando una reseña puntual distorsiona el conjunto.
Para quien además quiere construir una presencia digital propia que hable con más peso que una sola reseña, existe Evolution, el programa de acompañamiento de Javier G. Amblar.
