Durante años, la comunicación ha trabajado sobre una lógica muy reconocible: entender qué está pasando, interpretar por qué importa y anticipar qué puede pasar después.
Ese marco sigue siendo imprescindible. Los medios, las redes sociales, los buscadores, los foros, los contenidos audiovisuales y las conversaciones públicas continúan siendo espacios fundamentales para analizar la percepción sobre una marca, una institución, un sector o un territorio.
Pero la inteligencia artificial generativa añade una capa distinta.
Cuando preguntamos a un modelo de lenguaje por una organización, una ciudad, una comunidad autónoma o un país, no solo estamos accediendo a información. Estamos entrando en contacto con una síntesis de memoria pública: aquello que ha quedado documentado, repetido, estructurado y disponible para ser activado como respuesta.
- En medios y redes analizamos conversación viva.
- En modelos generativos analizamos también memoria acumulada.
- Esa diferencia cambia la forma de entender la reputación.
La reputación ya no es solo presencia actual
Una organización puede estar trabajando bien su posicionamiento actual y, aun así, aparecer representada por marcos antiguos. Un territorio puede estar impulsando nuevos activos estratégicos y, sin embargo, seguir siendo explicado desde relatos que tuvieron más intensidad documental en el pasado. Una institución puede querer proyectar transformación, innovación o capacidad de gestión, mientras la IA sigue activando dimensiones más conocidas, más repetidas o más fáciles de asociar.
Esto no ocurre porque el modelo “opine” en sentido humano. Ocurre porque los modelos se apoyan en grandes volúmenes de textos, fuentes, contenidos, descripciones, medios, documentos institucionales, materiales divulgativos, conversaciones públicas y patrones lingüísticos acumulados.
Por eso, cuando responden, no solo informan.
También jerarquizan.
Deciden qué aparece primero, qué atributos resultan más disponibles, qué temas se conectan entre sí, qué territorios explican el conjunto y cuáles aparecen solo si se les nombra de manera expresa.
Ahí surge una pregunta nueva para la comunicación:
¿Qué ha aprendido la IA sobre nosotros?
Alta disponibilidad narrativa: cuando un relato pesa más que otros
Uno de los conceptos más útiles para analizar modelos generativos desde una perspectiva reputacional es la alta disponibilidad narrativa.
Hay temas que han sido tan documentados, debatidos y repetidos que se vuelven especialmente fáciles de activar. No necesariamente porque sean los únicos relevantes, sino porque han acumulado más presencia, más contexto, más cobertura y más enlaces semánticos.
En un entorno mediático o social, una conversación puede perder intensidad con el tiempo. En los modelos generativos, en cambio, aquello que quedó ampliamente documentado puede seguir funcionando como puerta de entrada.
Esto es especialmente visible en el análisis territorial.
Al preguntar por España y sus comunidades autónomas, los modelos no devuelven simplemente un mapa descriptivo y equilibrado. Activan una estructura narrativa donde algunos territorios aparecen como grandes explicadores del país, otros quedan asociados a funciones muy concretas y otros apenas emergen si no se les menciona de forma directa.
La cuestión no es solo qué aparece; la cuestión es con qué peso aparece.
La IA puede no mentir y, aun así, reducir
En el análisis de modelos generativos existe una tentación comprensible: centrar toda la atención en los errores. Las alucinaciones, las afirmaciones inexactas o las respuestas abiertamente problemáticas son relevantes y deben detectarse. Pero en reputación hay un riesgo más sutil.
Una respuesta puede ser correcta en lo básico y, aun así, incompleta.
Puede ser prudente y, aun así, simplificadora.
Puede evitar afirmaciones ofensivas y, aun así, reproducir clichés.
Puede reconocer la diversidad interna de un territorio y, al mismo tiempo, organizarlo desde tres o cuatro etiquetas dominantes.
- El sesgo no siempre está en la falsedad. A veces está en la prioridad.
- En qué se menciona primero.
- En qué se repite más.
- En qué se convierte en atributo principal.
- En qué se presenta como explicación estructural.
- En qué queda fuera de la síntesis.
Por eso, analizar la reputación en IA no consiste únicamente en comprobar si una respuesta es verdadera o falsa. Implica observar qué marco activa, qué simplifica, qué omite, qué sobredimensiona y qué tipo de representación estabiliza.
España como mapa narrativamente jerarquizado
El ejercicio desarrollado desde acceso intelligence con aira parte de una hipótesis concreta: si los modelos generativos se están convirtiendo en una nueva vía de acceso al conocimiento, necesitamos entender cómo representan realidades complejas.
España, leída por comunidades autónomas, es un caso especialmente útil porque combina capas políticas, culturales, económicas, lingüísticas, históricas y territoriales muy diversas.
El análisis muestra una pauta clara: los modelos tienden a construir una España narrativamente jerarquizada.
Algunos territorios aparecen como más disponibles para explicar el conjunto del país. Catalunya, Madrid, Andalucía y País Vasco concentran una parte importante de los marcos interpretativos. No aparecen solo como comunidades autónomas, sino como piezas que ayudan al modelo a ordenar España: identidad, capitalidad, cultura, conflicto, economía, historia, lengua, centralidad o singularidad política.
Otros territorios aparecen de forma más estrecha. Canarias y Baleares pueden quedar muy vinculadas a turismo, insularidad, clima o presión residencial. Castilla y León, Castilla-La Mancha, Aragón o Extremadura pueden asociarse con interior, despoblación, ruralidad, patrimonio o España vaciada. Galicia puede activar lengua, costa, emigración o paisaje. La Rioja puede quedar reducida al vino. Murcia, a huerta y agua. Asturias, a minería, paisaje verde o memoria industrial.
De nuevo, el problema no es que estos rasgos sean falsos.
El problema es que pueden convertirse en accesos demasiado estrechos a realidades mucho más complejas.
Catalunya y Madrid: dos formas distintas de aparecer
La comparación entre Catalunya y Madrid ayuda a entender bien el tipo de lectura que aporta este análisis.
Madrid aparece con frecuencia asociada a capitalidad, poder político, economía, instituciones, infraestructuras y centralidad. Es decir, tiende a ser leída como centro funcional del sistema.
Catalunya, en cambio, aparece con una carga narrativa muy intensa vinculada al procés, la lengua, la identidad, el autogobierno, la independencia y la relación con el Estado. Tiende a ser explicada políticamente.
La diferencia es relevante.
Madrid aparece como un eje desde el que se ordena el país. Catalunya aparece como un territorio que requiere explicación.
No se trata de valorar si una representación es mejor o peor. Se trata de entender qué hace la IA cuando sintetiza: qué marcos activa de manera más inmediata y qué efectos reputacionales puede tener esa activación.
En el caso catalán, el riesgo no es que aparezcan el procés, la lengua o el autogobierno. Forman parte de la historia reciente y de la realidad política, cultural e institucional del territorio. El riesgo es que ocupen demasiado espacio y desplacen otros activos: innovación, industria, investigación, universidades, cultura, talento, servicios públicos, sostenibilidad, cohesión social o proyección internacional.
En IA, el pasado documentado también puede ser reputación presente.
Omisión, visibilidad estrecha y clichés como atajos
El análisis territorial permite distinguir tres fenómenos diferentes.
El primero es la omisión. Hay territorios que aparecen poco cuando se pregunta por España en abstracto. No necesariamente porque no sean relevantes, sino porque el modelo no los activa con la misma fuerza si el prompt no los exige.
El segundo es la visibilidad estrecha. Algunos territorios sí aparecen, pero lo hacen a través de una puerta muy limitada: turismo, vino, paisaje, huerta, despoblación, minería, patrimonio, clima o periferia.
El tercero es la activación de clichés como atajo explicativo. El modelo puede advertir que los estereotipos son problemáticos y, aun así, utilizarlos para organizar una respuesta rápida y comprensible.
Este punto es importante. Los modelos generativos tienden a producir respuestas útiles, ordenadas y fáciles de leer. Para hacerlo, recurren a patrones reconocibles. Pero lo reconocible no siempre es lo más justo, lo más actual ni lo más estratégico.
La comunicación debe prestar atención a esa tensión.
De la monitorización a la auditoría de representación
Hasta ahora, buena parte del análisis reputacional se ha centrado en monitorizar presencia, tono, alcance, impacto, conversación, comunidades, influencia, narrativas y riesgos.
Todo eso sigue siendo necesario.
Pero la IA generativa obliga a incorporar una nueva práctica: la auditoría de representación.
No basta con saber qué se dice hoy sobre una organización, una institución o un territorio. También necesitamos saber qué devuelve la IA cuando alguien pregunta por ello.
- Qué atributos activa.
- Qué temas prioriza.
- Qué dimensiones omite.
- Qué estereotipos reproduce.
- Qué diferencias hay entre modelos.
- Qué cambia según el idioma de la consulta.
- Qué ocurre cuando la pregunta es neutra, estructural, comparativa o correctiva.
- Qué parte del relato actual está presente y qué parte sigue anclada en marcos anteriores.
Esto es lo que permite trabajar aira: analizar de forma sistemática cómo los modelos generativos interpretan y proyectan la imagen pública de una realidad compleja.
No para controlar artificialmente la respuesta de la IA.
No para sustituir el análisis humano.
Sino para entender qué memoria está operando y qué decisiones de comunicación pueden ayudar a construir una representación más completa, actual y coherente.
Método, infraestructura y criterio
Este tipo de análisis no puede depender de una captura aislada ni de una conversación anecdótica con un chatbot.
- Necesita método.
- Necesita volumen.
- Necesita comparación.
- Necesita trazabilidad.
- Necesita lectura cualitativa.
- Necesita capacidad para distinguir entre error, omisión, cliché, marco dominante, prudencia excesiva, falsa precisión o sobrerrepresentación.
- Y necesita, además, una base operativa que permita repetir, contrastar y evolucionar el análisis.
En este punto, el trabajo con Albert Vergés ha sido especialmente importante. Porque la oportunidad no está solo en formular una buena pregunta sobre la IA, sino en convertirla en una lógica de trabajo sólida: ordenada, replicable, auditable y útil para la toma de decisiones.
La IA exige unir dos capacidades que no deberían separarse: infraestructura y criterio.
Sin sistema, el análisis se queda en intuición.
Sin interpretación experta, la tecnología solo devuelve ruido ordenado.
Una nueva responsabilidad para quienes gestionan reputación
La cuestión de fondo no es si la IA tiene sesgos. Los tiene, porque aprende de datos humanos producidos en contextos sociales, culturales, económicos y políticos concretos.
La cuestión útil es otra:
¿Somos capaces de detectarlos, interpretarlos y actuar sobre ellos con rigor?
Para una marca, una administración, una universidad, una ciudad, un sector o un territorio, esto abre una responsabilidad nueva. No basta con aparecer. No basta con generar contenido. No basta con corregir un dato aislado cuando algo falla.
Hay que entender cómo se está configurando la representación.
- Qué parte de nuestra historia pesa demasiado.
- Qué activos no están suficientemente presentes.
- Qué marcos antiguos siguen condicionando la lectura actual.
- Qué relato se activa cuando alguien pide una síntesis rápida.
- Qué decisiones pueden reforzar una imagen más completa y alineada con la realidad que queremos proyectar.
En medios y redes seguiremos analizando qué está pasando y qué podría pasar.
En IA debemos añadir una pregunta más:
- qué quedó aprendido y por qué sigue apareciendo.
- Porque cuando la IA responde sobre un territorio, una institución o una marca, no solo informa.
También revela qué memoria pública hemos construido.
