ChatGPT se equivoca sobre tu empresa: cómo corregirlo en 6 semanas

¿Por qué ChatGPT da datos erróneos sobre mi empresa?

Tres mecanismos producen respuestas falsas sobre las empresas, y cada uno tiene su propia solución.

Por qué importa comercialmente: una investigación de G2 señala que aproximadamente la mitad de los compradores de software B2B empieza su investigación en chatbots de IA y que el 71 % recurre a ellos en algún momento (G2 vía PRNewswire). Para profundizar en qué fuentes usan estos sistemas, consulta cómo decide la IA qué marcas citar.

¿Qué respuestas erróneas justifican un proyecto de seis semanas?

Solo los errores que cambian una decisión de compra o implican riesgo legal justifican un proyecto; la mayoría de los errores son desviaciones inofensivas.

El nivel intermedio es el peligroso: el daño comercial, lo bastante falso como para cambiar una compra, pero no lo bastante falso para un juzgado.

¿Cómo documento el error y rastreo su origen?

Documenta primero, porque las respuestas de la IA no son reproducibles por defecto: la misma pregunta da respuestas distintas en sesiones distintas.

Semana 1: el registro de pruebas de diez prompts.

• 4 básicos de marca: «¿Qué es [empresa]?», «¿Sigue activa [empresa]?», «¿De quién es [empresa]?», «¿Dónde tiene su sede [empresa]?»
• 3 de compra: «[empresa] precios», «[empresa] vs [competidor]», «mejores proveedores de [categoría]»
• 3 adversos: «[empresa] problemas», «[empresa] demanda», «¿es legítima [empresa]?»

Ejecuta los diez en cada plataforma que usan tus compradores (ChatGPT, Gemini, Perplexity, Copilot, Grok), en sesiones limpias o sin iniciar sesión, con la búsqueda web activada y desactivada cuando sea posible. Por cada respuesta, registra la fecha, la plataforma y la versión del modelo, si la navegación estaba activada, el texto completo, una captura de pantalla y la afirmación falsa literal. Cualquier escalada posterior (una página de discusión de Wikipedia, un formulario de un proveedor, un abogado) preguntará qué se dijo, dónde y cuándo.

Semanas 1-2: rastrear la fuente.

• Si la respuesta cita fuentes, abre cada enlace citado. Normalmente uno contiene tu afirmación falsa o algo parecido. Esa página, no el chatbot, es el objetivo de la corrección.
• Una pregunta de seguimiento útil: «¿Qué fuentes dicen [afirmación falsa] sobre [empresa]?» Trata la respuesta como pistas, no como verdad, y verifica cada una.
• Si no hay cita y la respuesta es errónea con la navegación desactivada, te enfrentas a memoria de los datos de entrenamiento. Puede que no haya nada que corregir en la web en vivo. Publica material denso, correcto y recuperable para que las respuestas basadas en búsqueda se impongan ya a la memoria y para que una instantánea posterior del modelo pueda aprender los datos correctos.

Termina con una línea por afirmación falsa: la afirmación, el mecanismo (memoria, recuperación o confusión de entidades) y la URL de la fuente si existe.

¿Qué es el Correction Stack y en qué orden lo trabajo?

El Correction Stack son cinco capas ordenadas según cuánto control tienes, empezando por donde tienes control total y rapidez el mismo día. La mayoría de los equipos lo invierten: pulsan «reportar» y se detienen. Las herramientas de reporte de las plataformas no son fiables como canal principal (Mention Network); no hay un SLA publicado ni obligación de actuar.

• Capa 0: tus propias páginas. Una página «Quiénes somos» que indique en frases claras el año de fundación, la propiedad, el estado y las ubicaciones; una página de precios con precios reales; unas preguntas frecuentes que respondan exactamente a lo que preguntan los compradores; un archivo llms.txt para los rastreadores. Coste: horas.
• Capa 1: datos de entidad estructurados. Declaraciones de Wikidata con referencias, marcado schema.org Organization (foundingDate, address, sameAs) y datos coherentes en LinkedIn, registros mercantiles y sitios de perfiles. Esta capa desenreda la confusión de entidades; consulta nuestra guía de Wikidata y knowledge graph.
• Capa 2: correcciones de exactitud en Wikipedia. La fuente de mayor peso en la que se apoyan muchos asistentes, y la más fácil de dañar si la editas tú mismo. Solo solicitudes de edición (siguiente sección).
• Capa 3: fuentes de terceros. Pide al editor del artículo obsoleto una actualización o una nota de corrección, y renueva los perfiles principales. Si la afirmación procede de la cobertura de un homónimo, una pieza nueva y exacta da a la recuperación algo mejor que citar.
• Capa 4: comentarios a las plataformas. Pulgar hacia abajo, formularios de reporte, canales de privacidad y legales. Envíalo una sola vez con tu registro de pruebas y no esperes nada con plazo fijo.

La versión permanente de esta arquitectura (páginas propias, capa de entidades, Wikipedia y monitoreo como infraestructura estable) es el AI Reputation Stack.

¿Puedo pedir a Wikipedia que corrija un error sobre mi empresa?

Sí, mediante solicitudes de edición declaradas en la página de discusión del artículo, nunca editando tu propio artículo. Un conflicto de intereses (COI) significa editar sobre una organización con la que tienes relación o por la que te pagan; la guía sobre conflicto de intereses de Wikipedia pide a esos editores que propongan cambios en lugar de hacerlos, y las ediciones con conflicto de intereses se revierten, se etiquetan y se archivan.

1. Crea una cuenta y declara tu vinculación en tu página de usuario. Si te pagan, los términos de uso de la Fundación Wikimedia exigen divulgarlo. Nuestra explicación sobre la divulgación de la edición remunerada detalla el procedimiento.
2. Publica una solicitud de edición en la página de discusión: cita la frase incorrecta, indica el dato correcto y adjunta una fuente fiable e independiente, no tu propio sitio web.
3. Mantenla factual y mínima. Las correcciones no controvertidas (año de fundación, sede, estado operativo actual, un cambio de dirección) se atienden de forma rutinaria; las solicitudes que mejoran adjetivos, no.
4. Para afirmaciones falsas sobre personas vivas, la política de biografías de personas vivas exige retirar las afirmaciones mal fundamentadas, lo que favorece a las solicitudes bien documentadas.

Las solicitudes en la página de discusión pueden tardar de días a semanas según el tráfico de la página, y el efecto en las respuestas de la IA sigue después la ventana normal de propagación. No edites tu propia página para acelerarlo.

Wikidata es más flexible: los editores vinculados pueden corregir declaraciones directamente si cada una está referenciada y es neutral. Revisa tu elemento en busca de una fecha de disolución asignada por error (una raíz clásica de «la IA dice que la empresa cerró»), registros fusionados o duplicados que te confunden con un homónimo, y directivos o sitios web desactualizados. El Knowledge Graph de Google y muchos sistemas de IA leen Wikidata, lo que lo convierte en una corrección discreta pero de gran palanca.

¿Qué puede hacer realmente el canal de comentarios de cada plataforma?

Ninguna ofrece un formulario para reescribir lo que dice sobre tu empresa; los datos de marca cambian sobre todo cuando cambian las fuentes que hay detrás de las respuestas.

Son observaciones operativas, no compromisos de los proveedores. Planifica las seis semanas en torno a las capas 0-3 y trata los botones como un envío único.

¿Qué no debo hacer?

• No satures los botones de comentarios. Diez pulgares hacia abajo de tu equipo parecen abuso, no una señal más fuerte. Reporta una vez, con pruebas.
• No publiques una refutación que repita la afirmación falsa. Una entrada titulada «No, [Empresa] no ha cerrado» da a los sistemas de recuperación justo la cadena que quieres que olviden. Expón el hecho verdadero en titulares y datos estructurados.
• No empieces por el abogado ante errores corrientes. Un año de fundación erróneo no tiene un editor al que obligar ni un único documento que retractar. La revisión legal encaja con resultados de nivel difamatorio (delitos inventados, fraude, infracciones regulatorias), sobre todo si se repiten en varias plataformas; entonces tu registro de pruebas se convierte en el expediente.
• No cantes victoria tras una sola respuesta limpia. La varianza del muestreo produce respuestas correctas por casualidad.

¿Cómo sé que la corrección funcionó?

Vuelve a ejecutar los mismos diez prompts en las mismas plataformas, en sesiones limpias, en las semanas 2, 4 y 6, y clasifica cada afirmación falsa:

• Corregida: correcta en dos ejecuciones consecutivas, con la navegación activada y desactivada.
• Parcial: correcta cuando el modelo busca, todavía errónea de memoria.
• Inestable: alterna entre acierto y error.

Una semana 2 tranquila es normal. Parcial en la semana 4 suele significar que tus fuentes más fuertes se actualizaron pero la capa de entidades aún discrepa, así que vuelve a auditar la capa 1. Inestable en la semana 6 significa que el rastreo pasó por alto una fuente; vuelve al paso de las citas con respuestas nuevas. Pasada la semana seis, baja a una cadencia mensual con los mismos prompts congelados; cuando el registro manual deje de escalar, consulta nuestra reseña de herramientas de monitoreo de marca en IA.

Algunos casos no se resolverán del todo:

• Las alucinaciones sin fuente no citan nada y no coinciden con ningún documento en la web. La única mitigación es la densidad: suficiente verdad coherente y recuperable para que las respuestas basadas en búsqueda pesen más que la memoria.
• El desfase de versión del modelo. Tu corrección puede surtir efecto en el modo basado en búsqueda mientras los modos más antiguos o sin conexión siguen errados hasta que el proveedor publique una actualización.
• Los homónimos de peso pueden devolver la confusión con cada nuevo modelo. Unos datos de entidad distintivos reducen la frecuencia; nada la elimina.

En esos casos, el monitoreo detecta pronto las regresiones y construye un registro fechado de lo que persiste.

Cómo ayuda WikiBusines

Trabajamos en la parte que sí puedes influir: las fuentes que leen los asistentes. El trabajo remunerado en Wikipedia siempre se declara en Wikipedia a nombre de WikiBusines, y nunca garantizamos la publicación ni ningún resultado de la IA.

• Auditoría de visibilidad en IA, €490: qué dicen hoy de ti ChatGPT, Gemini, Perplexity, Copilot y Grok, en qué fuentes se apoyan y qué capa corregir primero.
• Entidad en Wikidata, desde €680: un registro de entidad referenciado y sin duplicados, que resuelve fechas erróneas y confusión con homónimos.
• Edición en Wikipedia, €700-€1,900, para correcciones de exactitud en un artículo existente, y soporte anual desde €720/año para mantenerlo exacto. Si aún no tienes página, la auditoría de notoriedad desde €490 (que se descuenta de la creación de página desde €2,400 si la encargas en el plazo de un mes) muestra si una es realista.

Para empezar, contáctanos con la afirmación, la plataforma y una captura de pantalla.