Sentimiento de marca en IA: cuando el modelo habla peor

El sentimiento de marca en IA ya no es una rareza de laboratorio ni una manía de consultor con demasiados paneles abiertos. Es una nueva capa de reputación digital: la forma en que Google, ChatGPT, Gemini, Perplexity y otros sistemas describen una empresa, un producto o un servicio cuando el usuario pide consejo, compara opciones o busca una respuesta rápida antes de comprar, contratar o descartar.

El cambio es serio porque la búsqueda generativa no muestra solo enlaces. Resume. Ordena. Interpreta. Y a veces sentencia con una calma muy peligrosa. Una marca puede aparecer bien posicionada en Google Search, tener contenido trabajado, reseñas aceptables y aun así quedar descrita por un modelo como “cara”, “compleja”, “con soporte irregular” o “menos recomendable frente a alternativas”. No hace falta una crisis reputacional con sirenas. Basta una frase torcida en el momento exacto.

La marca ya no controla ni siquiera el primer adjetivo

Durante años, la reputación digital se gestionaba con una mezcla de SEO, relaciones públicas, reseñas, atención al cliente, contenido corporativo y algo de paciencia. Una marca sabía dónde se jugaba buena parte de su imagen: resultados orgánicos, comparadores, medios, redes sociales, mapas, marketplaces, foros y páginas de opinión. Cada canal tenía sus reglas, sus trucos y sus pequeñas miserias. Muy internet todo.

La IA ha metido esos materiales en una misma olla. Una consulta aparentemente inocente, como una comparación entre herramientas, una búsqueda sobre una universidad, una recomendación de tiendas o una pregunta sobre si merece la pena contratar determinado servicio, puede activar una respuesta que no funciona como una SERP tradicional. El usuario no ve diez enlaces y decide. Ve una síntesis. Una voz. Un dictamen con modales.

En ese nuevo contexto, el sentimiento de marca en IA mide la inclinación con la que los modelos generativos describen una empresa. Puede ser positiva, neutral, negativa o ambigua. Y el matiz pesa. No es lo mismo aparecer como “una opción popular para pequeñas empresas” que como “una alternativa conocida, aunque con críticas por soporte irregular”. No golpea igual ser “referente en analítica web” que “herramienta potente, pero compleja para usuarios sin experiencia técnica”. La segunda frase puede ser cierta. También puede romper una conversión.

La novedad no es que existan críticas. Internet siempre ha sido una taberna con hemeroteca. La novedad es que los modelos agrupan señales dispersas y las convierten en una respuesta compacta, con apariencia de neutralidad. Una reseña negativa perdida en un foro ya no vive sola en su esquina. Una noticia antigua tampoco. Una ficha de producto desactualizada, una política de devoluciones mal explicada, una comparativa vieja, una queja viral o una página de ayuda escrita con desgana pueden volver como eco en una respuesta generativa.

Ese eco es la nueva incomodidad. El pasado digital ya no prescribe tan fácilmente. La marca puede llevar meses intentando reposicionarse, pero la máquina quizá sigue oliendo a la conversación anterior. Y no por maldad. Por acumulación.

Google AI Overviews, ChatGPT y el nuevo árbitro de confianza

Los motores generativos no hablan igual. Google AI Overviews y AI Mode se apoyan en el ecosistema de búsqueda, páginas rastreables, actualidad, contenido indexado, señales públicas y documentos que Google puede interpretar con cierta confianza. ChatGPT, cuando responde con capacidad de búsqueda o recomendación, puede apoyarse en otro tipo de mezcla: comparativas, información de producto, reseñas, discusiones, contexto conversacional y señales de autoridad repartidas por la web. Gemini y Perplexity añaden sus propios matices. No hay un mapa limpio. Hay patrones. Y los patrones, en marketing digital, son donde empieza el dinero… o el disgusto.

Una empresa puede salir bien parada en una herramienta y peor en otra. Puede parecer sólida en búsquedas informativas y perder atractivo cuando el usuario pregunta por alternativas, precio, problemas, compatibilidades o experiencia real. Una marca puede aparecer en AI Overviews como opción conocida y, sin embargo, en una conversación con ChatGPT quedar por detrás de competidores más mencionados en comparativas recientes. O al revés. La reputación generativa no es una foto; es una película montada por varios directores.

Ahí nace una grieta nueva para el marketing digital. Durante mucho tiempo, el informe de visibilidad se parecía a una clasificación: posición media, clics, impresiones, CTR, páginas ganadoras, consultas perdidas. Ahora conviene añadir una capa más incómoda: qué dice la IA cuando te menciona. Y también qué ocurre cuando no te menciona. Porque la ausencia también comunica. Si un modelo recomienda cinco competidores y deja fuera a una marca con buen posicionamiento orgánico, quizá no estamos ante un fallo anecdótico, sino ante una falta de autoridad temática percibida.

Google insiste en que las buenas prácticas de SEO siguen siendo relevantes para sus funciones generativas. Dicho de otra manera: no hay un botón secreto para seducir a la IA. El contenido útil, la experiencia, la claridad técnica, la estructura semántica, los datos accesibles, la coherencia de marca y la fiabilidad pública siguen importando. Quizá más, incluso. Después de tanto acrónimo nuevo, la receta vuelve a sonar a oficio: publicar algo que merezca ser entendido, recomendado y recordado. El resto son fuegos artificiales, y algunos huelen a pólvora barata.

Cuando la respuesta generativa sustituye al escaparate

La diferencia entre una búsqueda clásica y una respuesta generativa es brutal. En la búsqueda tradicional, el usuario veía varias opciones y aún tenía que navegar, comparar, desconfiar un poco. En la búsqueda generativa, el sistema puede entregar una respuesta casi cerrada, con nombres, matices, advertencias y prioridades. Para muchos usuarios, eso basta. No todos harán clic. No todos comprobarán. No todos llegarán a la web donde la marca ha preparado su versión más elegante de sí misma.

Ahí el sentimiento se convierte en parte del embudo. Antes de la visita. Antes del lead. Antes del carrito. Si el modelo describe un SaaS como caro, un ecommerce como lento en devoluciones o una agencia como poco transparente, el usuario entra con una sospecha instalada. Y una sospecha instalada vende peor que una página lenta en agosto.

Por qué una IA puede hablar mal de una marca

Una IA no se despierta con manía a una empresa. No odia una aerolínea porque perdió una maleta ni desprecia un CMS porque un plugin le arruinó un viernes. Lo que hace es inferir patrones a partir de señales disponibles, consultas, contexto y lenguaje repetido alrededor de una entidad. Esa inferencia puede ser razonable, incompleta o directamente injusta. A veces todo a la vez, que es muy humano para venir de una máquina.

La negatividad suele aparecer por motivos bastante concretos: controversias públicas, sanciones, brechas de seguridad, retiradas de producto, fallos de servicio, quejas de soporte técnico, comparativas desfavorables, problemas de compatibilidad, precios percibidos como altos, políticas confusas, cambios impopulares, mala documentación, reputación débil en foros o reseñas recientes con tono agrio. Un ecommerce que no explica bien las devoluciones puede quedar retratado como arriesgado. Una herramienta con curva de aprendizaje pronunciada puede ser descrita como poco recomendable para principiantes. Una agencia con casos vagos puede parecer menos fiable que otra con pruebas concretas.

También pesa la distancia entre lo que la marca dice de sí misma y lo que el ecosistema dice de ella. El contenido corporativo suele vivir en modo escaparate: “líder”, “innovador”, “solución integral”, “acompañamiento personalizado”. La IA, cuando cruza eso con reseñas, comparadores y señales externas, puede rebajar el perfume. Donde la empresa dice “experiencia premium”, el modelo puede responder “precio elevado frente a alternativas similares”. Donde la web afirma “fácil de usar”, la respuesta puede añadir “algunos usuarios señalan dificultades de configuración”. Zas. Sin insultar. Peor: con educación.

El riesgo aumenta cuando la marca tiene poca información fresca, pocas menciones externas sólidas o una presencia digital demasiado autocentrada. Una web puede estar perfectamente optimizada y, aun así, no ofrecer suficientes evidencias para que un modelo la entienda con confianza. En el SEO clásico se podía sobrevivir con arquitectura, contenido y enlaces. En la IA generativa, la empresa necesita algo más parecido a una reputación distribuida: presencia coherente, documentación clara, opiniones reales, cobertura temática y señales que no dependan solo de su propio blog.

Aquí entra una idea incómoda: muchas marcas no tienen un problema de IA, sino de realidad. Si cientos de usuarios repiten que el soporte tarda, que el precio no se entiende o que el producto promete más de lo que entrega, el modelo no está inventando una crisis. La está resumiendo. Malas noticias para quien esperaba resolverlo con tres prompts y una auditoría bonita en PDF.

Del SEO al GEO sin vender humo con siglas nuevas

El sector ya ha empezado a fabricar etiquetas: GEO, AEO, LLMO, optimización para IA, optimización para modelos de lenguaje. Algunas sirven para ordenar conversaciones. Otras parecen creadas en una reunión con café frío y demasiadas ganas de vender auditorías. Conviene separar el grano de la purpurina. Optimizar para IA no significa abandonar el SEO, sino ampliar el campo de visión.

La búsqueda generativa sigue necesitando documentos rastreables, páginas comprensibles, autoridad temática, contenido original, datos consistentes y señales externas legítimas. Lo que cambia es la forma en que esas señales se sintetizan. El SEO tradicional miraba mucho la página. El SEO para IA mira también la frase que queda después de que el modelo haya leído varias páginas. Esa frase puede tener impacto de marca. Puede decir que una empresa es fiable, flexible, cara, lenta, compleja, recomendable, limitada o poco transparente. Los adjetivos son pequeños, pero trabajan como insectos en la madera.

Las funciones basadas en RAG y mecanismos como query fan-out complican aún más el escenario. En lenguaje sencillo: el sistema no responde solo a la consulta literal del usuario, sino que puede expandirla, buscar subtemas relacionados, recuperar documentos conectados y construir una respuesta con piezas que la marca quizá ni había imaginado juntas. Un usuario pregunta por “mejor plataforma para vender online” y el sistema puede traer a la mesa precios, integraciones, reseñas, facilidad de uso, escalabilidad, soporte, métodos de pago y experiencias de otros usuarios. Todo en una sola respuesta.

Eso cambia la forma de trabajar contenidos. No basta con una página bonita sobre “por qué somos líderes”. Hace falta profundidad real: comparativas honestas, páginas de producto claras, documentación de producto, ejemplos con datos, casos reales, limitaciones reconocidas, información de precios comprensible, páginas de ayuda actualizadas, políticas limpias y estructura técnica que permita entender cada entidad. En comercio electrónico, además, pesan elementos como datos estructurados, disponibilidad, fichas enriquecidas, reseñas, políticas de envío, fichas locales y ecosistemas como Merchant Center.

El E-E-A-T también adquiere una lectura más práctica. Experiencia, autoridad y fiabilidad no son adornos para una presentación de SEO. Son señales que ayudan a que una marca no dependa solo de lo que dice sobre sí misma. Un contenido firmado por alguien con experiencia real, actualizado, con ejemplos concretos y sin promesas infladas deja mejor rastro que una pieza genérica escrita para ocupar una keyword. La IA puede no “entender” como entiende una persona, pero detecta patrones de consistencia. Y la inconsistencia canta. Mucho.

La autoridad temática se construye fuera del ombligo

Una marca que quiere mejorar su percepción en IA no puede vivir encerrada en su dominio. Necesita aparecer en conversaciones relevantes, con sentido. Una herramienta de analítica debe existir en temas de medición, privacidad, atribución, consentimiento, calidad de datos y servidores. Una plataforma de comercio electrónico debe aparecer en debates sobre catálogo, conversión, logística, pagos, devoluciones, marketplaces y automatización. Una agencia de SEO debería tener algo más que páginas de servicios con la palabra “estrategia” repetida como mantra de gimnasio.

La autoridad temática no se declara; se acumula. Y se acumula con contenido propio sólido, menciones externas razonables, producto decente, documentación clara y una presencia pública que no parezca fabricada con cartón piedra. La IA no necesita que una marca grite más. Necesita encontrar pruebas mejores.

Medir el sentimiento de marca sin engañarse

Medir este fenómeno exige bastante más que preguntar una vez a ChatGPT por una marca y hacer una captura dramática. Las respuestas generativas cambian por herramienta, idioma, país, historial, formulación de la consulta, fecha y tipo de intención. Una sola prueba sirve como anécdota, no como diagnóstico. Y el marketing digital ya tiene demasiadas anécdotas disfrazadas de ciencia. Caben en un auditorio.

Un análisis mínimamente serio empieza por agrupar consultas reales alrededor de la marca: búsquedas informativas, comparaciones, consultas transaccionales, búsquedas locales, dudas posventa, preguntas con competidores, precio, calidad, seguridad, soporte, sostenibilidad, fiabilidad, alternativas y problemas frecuentes. En cada bloque conviene observar si la marca aparece, con qué tono, junto a qué competidores, qué atributos recibe y qué tipo de lenguaje se repite. La métrica no es solo share of voice. También es share of sentiment.

La intención de búsqueda cambia mucho el resultado. En una consulta amplia, la IA puede describir una herramienta como conocida y fiable. En una pregunta de compra, puede señalar límites de precio o implementación. En una comparación directa, quizá destaque a un competidor por facilidad de uso. En una consulta sobre problemas, rescatará quejas. Parece obvio, pero muchos cuadros de mando mezclan todo y luego sale una media tan elegante como inútil. El sentimiento medio de una marca puede ser neutral mientras se está pudriendo justo en las búsquedas que preceden a la conversión.

También hay que distinguir entre sentimiento de marca, sentimiento de producto y sentimiento de categoría. Una empresa puede tener buena reputación general y un producto concreto con percepción floja. O al revés: una marca discutida puede mantener productos muy recomendados por precio, disponibilidad o costumbre. La IA puede separar esos planos o mezclarlos. Y cuando los mezcla, el daño reputacional se vuelve pegajoso. Una mala experiencia con soporte puede acabar afectando a la recomendación de un producto. Una controversia corporativa puede contaminar una búsqueda puramente funcional.

El idioma añade otra capa. Una marca puede tener buena cobertura en inglés y señales pobres en español. Para un negocio que vende en España, eso importa. La IA en castellano no siempre replica la percepción global, porque puede apoyarse en contenido local, reseñas regionales, medios españoles, foros en español, fichas locales o traducciones mal resueltas. La reputación generativa no es universal; tiene acento.

Qué señales alimentan una mejor percepción

La tentación inmediata es buscar trucos. Crear menciones artificiales, sembrar foros, empujar reseñas, publicar comparativas interesadas o inundar internet con páginas tipo “mejores herramientas para…” donde casualmente gana siempre la misma empresa. Mala idea. El contenido inauténtico deja patrones. Y los patrones, cuando son torpes, se ven como las costuras de un traje barato.

Lo que sí funciona, con menos brillo y más oficio, es construir señales consistentes. Una marca que quiere mejorar su sentimiento en IA necesita tener una narrativa verificable y repetida en lugares razonables. No una consigna. Una realidad documentada. Si presume de soporte rápido, debe haber opiniones, procesos y páginas que lo sostengan. Si se presenta como solución para pymes, necesita casos de pymes, precios entendibles y guías para pymes. Si compite por ecommerce, debe cuidar fichas, disponibilidad, envíos, devoluciones, reseñas, datos estructurados y contenido comparativo honesto.

El contenido propio sigue siendo central, pero no basta con autopromoción. Importan las pruebas de experiencia real. Casos concretos, análisis con metodología, benchmarks propios, documentación de producto, páginas de problemas conocidos y soluciones, guías firmadas por perfiles competentes, actualizaciones fechadas y comparativas donde se reconozcan límites. Una marca que admite para quién no es su producto suele generar más confianza que una que asegura servir para todos. La IA, como los buenos compradores, desconfía del traje que dice quedar perfecto a cualquier cuerpo.

Las reseñas pesan, aunque conviene tratarlas con madurez. No se trata de fabricar estrellas, sino de facilitar opiniones reales, responder con claridad y detectar patrones. Si cien usuarios se quejan de lo mismo, el problema no es el sentimiento negativo en IA. El problema está antes, en el producto, el servicio o la expectativa mal vendida. La IA solo hace de espejo. Un espejo con algo de niebla, quizá, pero espejo al fin.

También importan las páginas que muchas empresas tratan como sótanos: páginas de precios, centros de ayuda, condiciones, fichas técnicas, documentación de API, políticas de devolución, páginas de contacto, información legal, mapas de tienda y fichas locales. Si esos documentos están viejos, contradictorios o escritos como una fotocopia de 2014, el modelo puede sacar conclusiones feas. No por maldad. Por hambre de contexto.

Cuando el modelo se equivoca, exagera o llega tarde

Hay otro asunto menos cómodo: la IA puede equivocarse. Puede mezclar versiones antiguas, interpretar mal una política, atribuir una limitación ya corregida, rescatar una polémica cerrada o tomar como representativa una queja minoritaria. Las respuestas con IA no son auditorías jurídicas ni estudios de mercado completos. Son síntesis probabilísticas apoyadas en señales disponibles. A veces brillantes. A veces, una paella hecha con arroz de microondas.

Para una marca, esto abre dos frentes. El primero es defensivo: corregir información pública, actualizar páginas, mejorar documentación, alinear mensajes entre canales y reducir contradicciones. Si la web dice una cosa, la ficha de Google otra, el marketplace una tercera y las reseñas una cuarta, el modelo no tiene por qué elegir la versión más favorable. Elegirá la que parezca más respaldada, más reciente o más repetida.

El segundo frente es analítico: identificar de dónde puede estar saliendo el sesgo. Una respuesta negativa suele dejar pistas. Puede mencionar atributos concretos, usar lenguaje parecido al de reseñas, apoyarse en comparadores o repetir una crítica que aparece mucho en foros. Ese rastro permite actuar con precisión. No “hacer GEO” como quien agita incienso, sino corregir el punto débil: una página de precios confusa, una documentación pobre, una ausencia de casos, una vieja polémica sin actualización, una ficha local abandonada, un problema recurrente en soporte técnico.

También conviene asumir que no todo sentimiento negativo es malo. Un modelo que dice que una herramienta avanzada “puede ser compleja para principiantes” quizá está filtrando usuarios no adecuados. Una IA que advierte de que un producto premium “no es la opción más barata” puede estar reforzando posicionamiento. El problema no es la crítica, sino la crítica imprecisa, desproporcionada o situada donde rompe la decisión. La reputación perfecta no existe. La reputación comprensible sí.

La cuestión de fondo es más áspera: las marcas han perdido parte del control sobre el relato inicial. El usuario ya no siempre llega a la web para escuchar la versión oficial. A veces escucha antes a la máquina. Y la máquina habla con los materiales que encuentra. Si encuentra claridad, experiencia, coherencia y satisfacción real, el retrato mejora. Si encuentra ruido, abandono, contradicciones y quejas sin respuesta, el retrato se ensucia. Normal.

La reputación que leerán las máquinas

El sentimiento de marca en IA obliga a mirar la presencia digital con menos vanidad y más crudeza. No basta con publicar mucho, perseguir rankings o llenar el sitio de textos correctos que suenan a manual de lavadora. Las marcas necesitan coherencia pública, contenido útil, señales externas legítimas, documentación limpia, reseñas atendidas, páginas técnicas comprensibles y una vigilancia constante de cómo las describen las herramientas de IA.

La paradoja es bonita, a su manera. Cuanta más IA entra en la búsqueda, más valor tiene lo que no parece fabricado: experiencia, claridad, pruebas, criterio, atención al cliente, producto decente, reputación ganada. La máquina resume, sí. Pero necesita materia. Y cuando solo encuentra humo, reseñas agrias o promesas infladas, termina hablando peor. Con una calma insoportable.

Ahí empieza la nueva batalla de marca: no convencer al algoritmo de que una empresa es magnífica, sino dejar suficientes evidencias para que, cuando el modelo hable, no tenga que inventarse una confianza que la empresa nunca construyó. En la era de herramientas de IA y modelos de lenguaje, la reputación ya no se mira solo en rankings. También se lee en una frase. Y a veces una frase basta para abrir una venta o cerrarla con llave.