Manuel Ortega dejó de llevar despidos hace seis años para especializarse en fusiones y compras de pequeñas empresas, pero cuando alguien le pregunta a Perplexity qué tipo de abogado es, la respuesta sigue citando un testimonio de 2016 sobre un juicio laboral que ganó una sola vez. Esa reseña, escrita hace casi una década, es hoy lo primero que una Inteligencia Artificial dice de él.
¿Por qué una Inteligencia Artificial no distingue entre una opinión de ayer y una de hace diez años?
Cuando una Inteligencia Artificial recompone una respuesta sobre un profesional, no ordena las fuentes por fecha, las ordena por relevancia y por presencia en el texto que encontró. Si esa reseña de 2016 sigue publicada en un directorio o en una página que Google indexa, sigue siendo, técnicamente, tan válida como cualquier comentario de la semana pasada.
El sistema no pregunta cuándo se escribió antes de citarla, pregunta si encaja con la pregunta que le hicieron. Y una reseña bien redactada, con nombre y detalle, encaja igual de bien tenga tres meses o tenga diez años.
Esto no es un fallo aislado de un modelo concreto, es una consecuencia de cómo funcionan todos por igual: entrenados sobre grandes volúmenes de texto donde la fecha es un dato más entre miles, no un filtro que se aplique de forma sistemática antes de responder.
El abogado que dejó los despidos y una reseña que no se enteró
Manuel Ortega ejerce en Sevilla desde hace dieciocho años. Entre 2014 y 2018 llevó varios casos de despido improcedente, y uno de esos clientes le dejó una reseña detallada, con fecha de 2016, en un directorio jurídico que sigue activo hoy. Desde 2019, Manuel trabaja casi exclusivamente en fusiones y adquisiciones de pequeñas y medianas empresas familiares.
Un empresario que buscaba asesoría para vender su negocio le preguntó a ChatGPT por abogados mercantiles recomendados en Sevilla, y entre las fuentes que el sistema usó para describir a Manuel apareció esa reseña de 2016, presentada sin fecha visible, como si describiera su especialidad actual. El empresario, lógicamente, dudó de si Manuel era la persona adecuada para su operación.
Lo que la gente espera de una reseña, y lo que una Inteligencia Artificial realmente usa
Según la encuesta Local Consumer Review Survey 2026 de BrightLocal, realizada en febrero de 2026 sobre 1.002 adultos en Estados Unidos, el 74 por ciento de los consumidores busca reseñas escritas en los últimos tres meses, y el 32 por ciento exige que sean de las últimas dos semanas. Las personas, cuando leen reseñas por su cuenta, sí filtran por fecha de forma instintiva.
El problema es que cuando esa misma persona le pregunta a una Inteligencia Artificial en vez de leer las reseñas ella misma, pierde ese filtro instintivo. Confía en que el sistema ya hizo esa selección por ella, y en la mayoría de los casos, esa selección no prioriza lo reciente sobre lo antiguo, prioriza lo que mejor responde a la pregunta.
Por qué la reseña más antigua a veces gana a la más reciente
Una reseña de hace diez años suele tener algo que una reseña nueva no tiene todavía: tiempo para acumular enlaces, menciones y repeticiones en otros sitios. Un directorio la copió, un agregador la indexó, otra web la citó como ejemplo. Cada una de esas repeticiones refuerza la señal de que ese texto es relevante, aunque nadie haya revisado si sigue siendo cierto.
Una reseña reciente, en cambio, empieza de cero, sin ese historial de repeticiones. Necesita tiempo para ganar el mismo peso, y mientras tanto, la reseña vieja sigue siendo la opción más fácil de citar para cualquier sistema que busque una fuente con aspecto sólido.
Cuando el dato viejo no es una opinión, es un hecho que ya cambió
El caso de Manuel no es solo una reseña desactualizada, es una descripción profesional entera construida sobre un momento concreto de su carrera que ya terminó. No se trata de que la reseña de 2016 mienta, sí describía con precisión lo que Manuel hacía entonces. El problema es que una Inteligencia Artificial la presenta como si describiera lo que hace ahora, sin ninguna señal de que han pasado ocho años y un cambio completo de especialidad.
Esa diferencia importa porque quien busca un abogado mercantil no necesita saber que Manuel ganó un juicio laboral en 2016, necesita saber en qué trabaja hoy, y ese matiz temporal es exactamente lo que se pierde en el camino.
Esto no es un problema de mala memoria, es un problema de fecha invisible
Aquí no hay ningún sesgo humano de por medio, ni nadie recordando lo negativo por encima de lo positivo. El mecanismo es más simple y más frío que eso: una Inteligencia Artificial no siempre muestra, ni siquiera considera al construir la respuesta, cuándo se escribió el texto que está citando. Si esa fecha no aparece de forma clara y prominente en el texto original, se pierde en el camino hacia la respuesta final.
Un estudio de Ahrefs sobre 43.000 palabras clave rastreadas, publicado en Search Engine Journal el 18 de agosto de 2026, midió que la redacción de las respuestas de Inteligencia Artificial cambia el 70 por ciento de las veces y las fuentes citadas cambian el 45,5 por ciento, pero el significado de fondo se mantiene estable en un 95 por ciento de los casos. Cuando solo existe una fuente antigua sobre un tema, ese fondo estable es, literalmente, la versión vieja repetida una y otra vez.
Cómo detectarlo antes de que un cliente lo note por ti
Manuel no supo de la reseña de 2016 hasta que el empresario que dudaba de él se lo mencionó directamente, medio en broma, preguntándole si todavía llevaba juicios laborales. Esa es la forma habitual de enterarse: alguien te lo dice de pasada, o simplemente no te contrata y nunca sabes por qué.
La alternativa es preguntarte tú mismo, con regularidad, qué reseñas y qué datos usa una Inteligencia Artificial cuando alguien busca tu nombre junto a tu especialidad actual, y comprobar si esas fuentes describen quién eres hoy o quién eras hace una década.
El coste de esto no aparece en ninguna factura
Manuel nunca sabrá cuántos empresarios como el que le mencionó la reseña decidieron, sin decir nada, buscar otro abogado mercantil porque la primera impresión que recibieron de él olía a despidos y no a fusiones. Ese coste no deja rastro en ninguna hoja de cálculo, no aparece como una queja ni como una cancelación.
Se parece más a una sala de espera que nunca se llena del todo, sin que exista una causa concreta a la que señalar. Y precisamente por no dejar rastro, es de los problemas de reputación más fáciles de ignorar y más caros de sostener durante años.
Qué puedes hacer para que lo reciente pese más que lo antiguo
Lo primero es identificar dónde vive esa reseña o ese dato antiguo, casi siempre en un directorio, una página de terceros o una mención de prensa que ya no revisas. Lo segundo es generar contenido nuevo y fechado, con tu especialidad actual explícita, en los mismos sitios donde vive la información vieja, para que exista algo reciente con lo que competir.
Lo tercero es pedir, cuando sea posible, que el directorio o la publicación original añada una fecha visible o una nota de actualización. No siempre lo conceden, pero cuando lo hacen, cambia por completo cómo una Inteligencia Artificial interpreta la vigencia de ese texto.
Revisarlo una vez no basta, porque la respuesta cambia sin avisar
Manuel corrigió lo que pudo corregir, y meses después volvió a preguntar a ChatGPT y a Perplexity qué decían de él. La reseña de 2016 seguía apareciendo en una de las dos respuestas. Convertir esa comprobación en un hábito, en vez de en un examen puntual, es la única forma de saber si lo que cambiaste de verdad se refleja en lo que una Inteligencia Artificial repite. RADAR hace esa comprobación de forma continua y te avisa cuándo un dato viejo sigue pesando más de lo que debería, en vez de que lo descubras por un comentario incómodo de un cliente.
Sobre el autor
Javier G. Amblar es consultor estratégico con 27 años de experiencia y ha formado a más de 33.000 profesionales en 55 países. Es exprofesor asociado del IE Business School, distinción que ya no ejerce en la actualidad, donde recibió el Premio a la Excelencia Docente, y ha sido colaborador experto en RTVE, Telemadrid, Onda Cero y EsRadio. Es autor del libro Liderazgo (Editatum, 2018).
Dirige una comunidad en línea de más de 500.000 personas y un canal de YouTube con más de 368.000 suscriptores, desde donde analiza cómo la tecnología cambia el trabajo de quien ejerce por su cuenta. Impulsa RADAR, un servicio que mide qué dicen ChatGPT, Gemini y Perplexity de un profesional concreto y detecta cuándo la fuente que están citando lleva años sin actualizarse. Puedes ver cómo funciona RADAR y qué revisa en cada auditoría.
