Si la IA dice algo falso sobre tu marca, el protocolo de corrección tiene cuatro frentes en orden: documentar el error con capturas y prompts exactos, rastrear y corregir la fuente de donde el modelo lo sacó, reforzar la versión correcta con contenido canónico en tu dominio, y reportar el error por los canales de feedback de cada plataforma. Lo que no funciona es discutir con el chatbot. Aquí está el protocolo completo, con los plazos realistas de propagación de cada arreglo.
Tabla de Contenidos
¿Por qué un asistente dice cosas falsas de tu empresa?
Tres mecanismos producen casi todos los errores. La fuente contaminada: el modelo leyó información vieja o equivocada en tu propia web, un directorio o una nota, y la repite con confianza. La confusión de entidades: tu marca se mezcla con un homónimo o un negocio parecido, y los datos de ambos se cruzan. Y la alucinación pura: ante huecos de información, el modelo completa con plausibilidades, inventando direcciones, precios o servicios que suenan razonables.
Distinguir el mecanismo importa porque el remedio difiere: la fuente contaminada se corrige en la fuente, la confusión de entidades se resuelve con desambiguación, y la alucinación se previene llenando el vacío con información canónica abundante. El diagnóstico es parte del monitoreo de narrativa que enseñamos en la guía de GEO para aparecer en ChatGPT, Gemini, Claude y Perplexity, y la corrección es uno de los encargos más frecuentes del servicio de posicionamiento GEO.
El protocolo de corrección paso a paso
Paso 1: documenta antes de tocar nada
Captura la respuesta falsa con su prompt exacto, fecha, asistente y modelo si la interfaz lo muestra, y reprodúcela en sesión limpia para confirmar que no es un artefacto de tu historial. Repite la consulta dos o tres veces: necesitas saber si el error es consistente o esporádico. Resultado verificable: el expediente del error con capturas fechadas y tasa de aparición.
Paso 2: rastrea la fuente probable
Pregunta al asistente de dónde sale el dato cuando la interfaz cita fuentes, y busca el texto falso en Google entre comillas: muchas veces aparece tal cual en un directorio, una nota vieja o una página tuya olvidada. Revisa también homónimos si sospechas confusión de entidades. Resultado verificable: la lista de URLs candidatas a origen del error.
Paso 3: corrige las fuentes que controlas y gestiona las ajenas
Lo tuyo se corrige hoy: páginas viejas, perfiles, fichas desactualizadas. Lo ajeno se gestiona: solicitud de corrección al directorio o medio con el dato correcto y la evidencia. Los directorios serios corrigen más de lo que la gente cree cuando el pedido llega documentado y amable. Resultado verificable: cada URL candidata corregida, con gestión en curso o descartada con motivo.
Paso 4: publica la versión canónica reforzada
Asegúrate de que la información correcta exista clara, abundante y legible en tu dominio: la página de quiénes somos al día, el schema Organization con los datos exactos, y si el error es recurrente, contenido específico que responda la confusión, una página o sección que aclare el punto con datos verificables. Los modelos corrigen hacia donde apunta la evidencia dominante. Resultado verificable: la versión correcta publicada y validada en las piezas canónicas.
Paso 5: reporta en cada plataforma
Usa los mecanismos de feedback de cada asistente sobre la respuesta errónea: los pulgares y formularios existen y alimentan procesos de mejora, aunque sin plazos garantizados. En casos serios, reputación o seguridad, busca los canales formales de la plataforma. Resultado verificable: el reporte enviado y anotado en el expediente.
Paso 6: monitorea la propagación de la corrección
Suma el prompt del error a tu kit mensual de monitoreo y registra su evolución. Resultado verificable: la serie del error, de consistente a esporádico a corregido, con fechas.
Dos casos típicos para reconocer el patrón
Caso uno, la dirección fantasma: un asistente da a los clientes una dirección donde el negocio ya no opera hace dos años. El rastreo encuentra el origen en tres directorios viejos y en la propia página de contacto, que se actualizó en el texto pero no en el schema. Corrección de las cuatro fuentes, refuerzo del dato en la casa de entidad, y el error cede en los motores con navegación en pocas semanas, persistiendo esporádicamente en los demás hasta sus ciclos.
Caso dos, el servicio inventado: el asistente asegura que la empresa ofrece un servicio que jamás existió, mezclando su perfil con el de un homónimo de otra región. Aquí el arreglo no es corregir una fuente sino desambiguar: schema con razón social y ubicación inequívocas, sameAs robusto, y una línea en la página principal que delimita qué hace y dónde opera la empresa. La confusión cede conforme las señales de identidad se vuelven imposibles de mezclar. Dos mecanismos distintos, dos remedios distintos, un mismo protocolo de diagnóstico.
¿Cuánto tarda en corregirse? Plazos reales
La propagación depende del mecanismo y del motor. Los asistentes con búsqueda en vivo reflejan correcciones de fuentes en semanas: corregida la página que citaban, la siguiente lectura ya responde distinto. Los errores que viven en el conocimiento entrenado del modelo son más tercos: persisten hasta el siguiente ciclo de actualización, que se mide en meses, y mientras tanto tu mejor defensa es que la versión correcta domine en las fuentes que el motor consulta en vivo. Las confusiones de entidad están en el medio: ceden cuando las señales de desambiguación, schema, sameAs, datos consistentes, se vuelven inequívocas.
[DATO-KOM: casos documentados de corrección con sus plazos observados por tipo de error y motor]
¿Cuándo escalar más allá del protocolo?
La mayoría de errores son operativos y el protocolo los resuelve. Escala cuando el error cause daño concreto y sostenido: imputaciones falsas graves, confusiones con negocios sancionados, datos que espantan clientes de forma medible. En esos casos, suma asesoría legal para evaluar los canales formales de reclamo ante las plataformas, y documenta todo con el rigor del paso 1, porque ese expediente es la base de cualquier gestión seria. Lo que casi nunca conviene: la guerra pública contra el chatbot en redes, que amplifica el error original a gente que jamás lo habría visto.
Prevención: la mejor corrección es la que no haces
Todo el protocolo se vuelve más fácil, y más raro de necesitar, con tres hábitos previos. El monitoreo mensual de narrativa, que detecta errores cuando son chicos y recientes. La casa de entidad impecable, que les da a los modelos una fuente canónica dominante para cada dato de tu negocio. Y la higiene de presencias: directorios viejos cerrados o actualizados, perfiles muertos eliminados, homónimos desambiguados con señales claras. Las marcas que sufren errores crónicos casi siempre tienen años de presencias abandonadas alimentando a los modelos con versiones viejas de sí mismas.
Preguntas frecuentes
¿Puedo pedirle al chatbot que corrija su información en la conversación?
Dentro de tu conversación puede aceptar la corrección, pero eso no edita el modelo: el siguiente usuario recibe el mismo error. La corrección real ocurre en las fuentes y en los procesos de la plataforma, nunca en el chat. Usa la conversación solo para una cosa: preguntar de dónde sacó el dato, que es información valiosa para tu paso 2.
¿Sirve de algo el botón de feedback de las plataformas?
Sirve como señal agregada: alimenta los procesos de calidad, sobre todo cuando varios usuarios reportan lo mismo, y no cuesta nada. No sirve como mecanismo con plazo: nadie te promete corrección ni fecha. Por eso es el paso cinco del protocolo y no el uno: reporta siempre, pero nunca dependas de eso.
¿Qué hago si el error viene de un homónimo con mala reputación?
Desambiguación agresiva: tu schema con legalName, RUC si decides publicarlo, ubicación exacta y sameAs completo; tu página de quiénes somos distinguiéndote con datos verificables; y consistencia total de nombre en todas tus presencias. Si el homónimo opera en tu mismo rubro y la confusión causa daño real, suma la vía legal de protección de marca a la técnica.
¿Cada cuánto debo revisar si la IA dice cosas falsas de mi marca?
Mensual dentro de tu rutina de monitoreo con los prompts de marca, y revisión extraordinaria tras eventos que cambien tus datos: mudanza, cambio de servicios, rebranding. El error detectado al mes de nacer se corrige en semanas; el que lleva un año repitiéndose ya contaminó fuentes derivadas y cuesta el triple.
Tu siguiente paso: corre hoy tus prompts de marca en sesión limpia y busca tu negocio en los principales asistentes. Si todo está correcto, ya tienes línea base. Si algo está mal, el expediente del paso 1 empieza ahora: cada semana que el error circula sin documentar es una semana de clientes recibiendo la versión falsa.
