Le pediste a la Inteligencia Artificial que resumiera tu trayectoria profesional para enviársela a un cliente potencial. Algo rápido, pensaste, es tu propia historia, no puede salir mal. Y en medio de un párrafo correcto y bien escrito apareció un dato que nunca fue cierto: un título que no tienes, un año de fundación equivocado, un cliente que jamás existió.
Lo leíste dos veces antes de creerlo. El texto sonaba tan seguro, tan bien construido, que la mentira se camuflaba entre los datos verdaderos sin ninguna señal de alarma, sin una sola palabra que delatara que parte de lo que decía se lo había inventado el propio sistema. Y lo peor no es el dato en sí, es no saber cuántas veces ha pasado ya sin que te enteraras.
No fue un fallo tuyo. El sistema completó un hueco con la respuesta estadísticamente más probable, no con la verdad sobre ti. Y esa diferencia es la que decide si el cliente te contrata o cierra la pestaña sin decírtelo siquiera, sin darte nunca la oportunidad de aclarar nada.
¿Qué ocurre exactamente cuando la Inteligencia Artificial resume tu trayectoria?
Un modelo de lenguaje no consulta tu currículum como lo haría una persona. Reconstruye tu perfil a partir de fragmentos dispersos: tu web, alguna mención antigua, un perfil profesional desactualizado, y patrones generales sobre personas con una trayectoria parecida a la tuya. Cuando falta un dato concreto, el sistema no deja un hueco en blanco, lo rellena con lo más plausible.
Eso significa que puede inventarte un máster que nunca cursaste solo porque encaja con el resto del perfil que ha construido. El resultado suena natural, fluido y convincente, precisamente por eso es tan difícil detectarlo a la primera lectura.
Y cuanto más tiempo llevas trabajando por tu cuenta, más fragmentos distintos existen sobre ti repartidos por internet, cada uno de una época diferente. El modelo los mezcla todos como si fueran del mismo momento, y de esa mezcla, no de una mentira deliberada, sale la versión que termina leyendo tu cliente.
¿Por qué el dato falso resulta tan creíble?
La redacción de una Inteligencia Artificial no tiene las señales que normalmente asocias con la improvisación o la mentira: no duda, no se contradice, no suena forzada. Escribe con la misma seguridad para lo que sabe con certeza que para lo que está adivinando.
Un cliente potencial que lee ese resumen no tiene forma de distinguir la parte inventada de la parte real, salvo que conozca tu trayectoria de antemano. Y si ese resumen es su primer contacto contigo, la mentira llega antes que tú, con la ventaja añadida de parecer más fiable por venir de una fuente que él percibe como neutral y sin intereses propios.
Esa percepción de neutralidad es precisamente lo que hace tan difícil defenderte después. Si tú mismo dices «eso no es cierto», el cliente puede pensar que minimizas un problema real, no que corriges un error ajeno.
¿Cuántos profesionales están pasando por esto ahora mismo?
Según un análisis de Searchable publicado en SME Magazine el 3 de julio de 2026, sobre 13.000 consultas a distintos modelos de Inteligencia Artificial pidiendo resúmenes de profesionales y pequeños negocios, el 93 por ciento de las respuestas incluía al menos un dato inventado que no aparecía en ninguna fuente verificable sobre esa persona o negocio.
No es un fallo puntual de un modelo concreto, es un patrón que se repite de forma sistemática en casi todas las consultas analizadas por ese estudio, con independencia de la plataforma usada. Si trabajas solo, sin un departamento que revise cada mención pública sobre ti, ese dato falso puede llevar meses circulando antes de que lo veas por casualidad.
¿Afecta igual a un negocio pequeño que a uno grande?
No. El mismo estudio de Searchable encontró que el 50 por ciento de los negocios pequeños analizados recibía datos inventados especialmente dañinos, como direcciones incorrectas o servicios que no ofrecen, frente al 32 por ciento de las empresas grandes.
La razón es sencilla: cuanto menos rastro digital consistente dejas, más huecos tiene que rellenar el modelo por su cuenta. Una gran empresa tiene decenas de fuentes que se corrigen entre sí, tú probablemente tienes tres o cuatro, y ni siquiera actualizadas desde hace un año, lo que deja al modelo prácticamente libre para improvisar el resto.
¿Cambia el problema según el idioma en el que te buscan?
Sí, y de forma notable. Los modelos de Inteligencia Artificial se entrenan con volúmenes de texto muy distintos según el idioma: el contenido en inglés suele ser mucho más abundante y mejor estructurado que el contenido en español sobre un mismo profesional.
Eso quiere decir que si un cliente potencial en Estados Unidos o en el norte de Europa pregunta por ti en inglés, el modelo tiene menos material propio en ese idioma y tiende a apoyarse más en traducciones automáticas de tu web o en inferencias generales sobre profesionales de tu sector. El margen de error crece precisamente cuando el cliente está más lejos y menos capacitado para contrastarlo por su cuenta.
Si trabajas con clientes internacionales, esto no es un matiz menor. Puede significar que tu versión en inglés lleva meses circulando con un error que en español nunca ha aparecido, simplemente porque nadie lo ha comprobado nunca en ese idioma ni ha corregido la fuente que lo originó.
¿Qué papel juegan las reseñas y las menciones de terceros?
Un dato revelador del propio informe es que los modelos otorgan a veces más peso a lo que terceros han escrito sobre ti que a lo que tú mismo publicas en tu web. Una reseña antigua, una entrevista de hace cinco años o un directorio profesional desactualizado pueden pesar, a ojos del modelo, tanto o más que tu información actualizada.
Si esa reseña contenía ya un error, o si el directorio te sigue asociando a un cargo que dejaste hace tiempo, el modelo no tiene forma de saber cuál de las dos fuentes es la vigente. Simplemente combina ambas y entrega una versión mezclada que no es ni una cosa ni la otra, y que tú no reconoces del todo como tuya.
¿Cómo distingues qué parte del resumen es real y cuál está inventada?
La única forma fiable es contrastar cada afirmación concreta, fecha, cifra, título o nombre propio, contra una fuente que tú controlas directamente. Si no puedes señalar de dónde salió ese dato en tu propia web o en un documento oficial tuyo, trátalo como sospechoso hasta que lo compruebes.
Es un ejercicio incómodo la primera vez porque implica leer sobre ti mismo con la misma desconfianza con la que leerías un resumen de un desconocido. Pero es exactamente la desconfianza que necesitas para detectar lo que un cliente nunca detectaría, porque él no tiene ningún motivo para dudar de lo que está leyendo.
Anota cada duda en un documento simple, con la fecha y el modelo que la generó. Dentro de unos meses ese registro te permitirá ver si el error se repite, si ha desaparecido, o si ha mutado en una versión distinta del mismo dato equivocado.
¿Qué puedes pedirle directamente al modelo para reducir el riesgo?
Puedes pedirle de forma explícita que solo incluya datos que pueda respaldar con una fuente concreta, y que indique claramente cuándo no tiene certeza sobre algo en lugar de rellenar el hueco por su cuenta. No siempre lo respeta, pero reduce la proporción de datos inventados de forma apreciable.
También ayuda pedirle que cite de dónde ha sacado cada afirmación. Cuando el modelo tiene que justificar la fuente, es mucho menos probable que invente un dato que no puede sostener con nada concreto detrás.
¿Qué puedes hacer hoy mismo para corregirlo?
Lo primero es comprobarlo tú mismo. Pregúntale a dos o tres modelos distintos que resuman tu trayectoria y anota, con calma, cada afirmación que no puedas verificar con una fuente propia y actualizada.
Después, corrige esa información en el lugar donde tiene más autoridad: tu propia web, con fecha visible de actualización, y los perfiles profesionales que sigues usando activamente. No sirve de nada corregirlo solo de palabra si la fuente escrita que alimenta al modelo sigue diciendo lo contrario.
¿Sirve de algo pedir la corrección directamente a la plataforma?
En algunos casos sí, sobre todo si el dato falso es grave, como una acusación o una cifra financiera. Pero la mayoría de plataformas no ofrecen un canal directo y rápido para corregir cómo te describe su modelo, y cuando existe, el proceso puede tardar semanas.
Por eso la corrección más eficaz no pasa por pedirle permiso al sistema, pasa por cambiar las fuentes de las que se alimenta. Es más lento de lo que te gustaría, pero es el único camino que de verdad funciona con el tiempo, sin depender de que un tercero decida atenderte a tiempo.
Piensa en ello como en corregir la raíz en lugar de podar una hoja concreta. Si la fuente sigue mal, el modelo volverá a repetir el mismo error en la próxima consulta que reciba, aunque hayas conseguido corregir esta vez el resultado puntual que vio tu cliente.
¿Cómo evitas que vuelva a pasar dentro de tres meses?
Convierte esta revisión en algo que repites, no en algo que haces una vez y olvidas. Los modelos se actualizan, las fuentes cambian, y un dato correcto hoy puede volver a distorsionarse cuando el sistema vuelva a cruzarlo con una fuente nueva que ni siquiera sabías que existía.
Si además trabajas solo, sin nadie que revise esto por ti, necesitas un hábito y no solo una alerta puntual. Una revisión periódica de qué está diciendo la Inteligencia Artificial sobre ti es hoy tan necesaria como revisar tu correo cada mañana.
Cada vez más personas usan una Inteligencia Artificial como primer filtro antes de decidir a quién contactar, del mismo modo en que hace una década usaban un buscador. Si en ese primer filtro apareces con un dato falso, el cliente potencial nunca llega a conocer la versión real de tu trabajo.
Ya has visto antes cómo cambia la forma de generar ingresos cuando entiendes bien cómo funciona la Inteligencia Artificial a tu favor, y esto es la otra cara de la misma moneda: si no controlas lo que dice de ti, tampoco controlas lo que decide un cliente antes de escribirte.
Si quieres saber exactamente qué está diciendo la Inteligencia Artificial de ti ahora mismo, sin adivinar ni esperar a que te lo cuente un cliente, puedes revisarlo con un diagnóstico de RADAR.
Sobre el autor
Javier G. Amblar acumula 27 años de experiencia y ha formado a más de 33.000 profesionales en 55 países. Fue profesor asociado del IE Business School, donde recibió 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), dirige un canal de YouTube con más de 368.000 suscriptores y una comunidad en línea de más de 500.000 personas. Puedes conocer su trabajo en Evolution.
