Hace unos meses, preparando una sesión de trabajo con un cliente, hice un experimento que repito desde entonces casi cada semana. Abrí ChatGPT, Perplexity y Gemini y les pedí lo mismo que pediría cualquier persona normal: que me recomendaran una empresa para resolver un problema concreto en una ciudad concreta. Fontaneros, clínicas, asesorías, instaladores. Y me dediqué a estudiar no tanto a quién recomendaban, sino por qué.
La respuesta me la dieron las propias máquinas. Cuando les preguntaba de dónde salía su recomendación, aparecía una y otra vez el mismo patrón: opiniones de clientes, reseñas en plataformas, testimonios, menciones en foros. No citaban a las empresas con la web más bonita ni el eslogan más ingenioso. Citaban a las empresas mejor validadas por otras personas.
Ese día entendí algo que llevo tiempo intentando explicar a marcas y agencias: que la prueba social ha dejado de ser un adorno de la página de inicio para convertirse en una de las materias primas con las que los modelos de lenguaje construyen sus respuestas. Y quien no la trabaje de forma estratégica estará dejando fuera una señal cada vez más importante. En este artículo intento ordenar todo lo que hemos aprendido sobre esta cuestión.
Los modelos de lenguaje no pueden verificar por sí mismos si una empresa es buena o mala. Necesitan señales externas, y las opiniones de clientes reales son una de las más potentes: aportan validación independiente, lenguaje natural y contexto semántico que ninguna web corporativa puede fabricar de forma creíble.
Te cuento mis cinco ideas centrales
Primera: la autoridad está cambiando de naturaleza, de la autoridad declarada (lo que una empresa dice de sí misma) a la autoridad demostrada (lo que sus clientes cuentan de su experiencia).
Segunda: citabilidad, visibilidad y recomendación son tres conceptos distintos que se trabajan con palancas diferentes.
Tercera: las IAs no cuentan estrellas, interpretan texto; por eso el volumen de reseñas importa, pero pesan más la relevancia temática, la actualidad, la diversidad de fuentes y la coherencia entre plataformas.
Cuarta: la prueba social debe gestionarse en dos planos, la estructurada (reseñas en plataformas, testimonios con datos marcados) y la distribuida (menciones en medios, foros y comunidades).
Y quinta: todo esto se puede auditar, medir y mejorar con método, igual que durante años auditamos el SEO técnico.
Mi tesis, que conecta con el pilar «Citable» del marco CPCE presentado en un artículo anterior, es sencilla de enunciar y exigente de ejecutar: las empresas más citables por la inteligencia artificial son también las mejor validadas por sus clientes. La reputación ya no solo convence a personas; ahora también alimenta respuestas.
¿Por qué los LLMs necesitan señales externas para confiar en una empresa?
Un modelo de lenguaje no ha visitado nunca tu oficina. No ha probado tu producto ni ha sufrido tus retrasos. Todo lo que «sabe» de tu empresa procede de textos: los que tú publicas y los que publican los demás.
Y aquí aparece un problema de origen: el contenido que una empresa escribe sobre sí misma es, por definición, interesado. Toda web corporativa afirma ser líder y ofrecer calidad. Un sistema que aspira a dar respuestas útiles no puede tomarse esas declaraciones al pie de la letra, igual que un periodista no publica una nota de prensa sin contrastarla. Necesita fuentes independientes que confirmen, maticen o desmientan el relato oficial.
Las reseñas cumplen exactamente esa función: son testimonios de terceros, publicados en plataformas que la empresa no controla, escritos en el lenguaje espontáneo de quien ha vivido la experiencia. Para un sistema de recuperación y generación de respuestas, esa combinación de independencia, volumen y lenguaje natural le permite triangular la información y estimar si lo que la marca dice de sí misma se sostiene.
De la autoridad tradicional a la autoridad basada en experiencias reales
Durante dos décadas, el SEO nos enseñó una definición operativa de autoridad: enlaces desde sitios relevantes, antigüedad del dominio, menciones en medios de prestigio. Una autoridad esencialmente editorial, en la que la opinión del cliente final tenía un papel secundario.
Esa definición no ha desaparecido, pero se está ensanchando. Los sistemas de búsqueda con IA, y los criterios de calidad que Google lleva años puliendo alrededor de la experiencia demostrable, apuntan en la misma dirección: cada vez importa más quién ha vivido lo que cuenta. La experiencia de primera mano —la de la empresa que demuestra su trabajo y la del cliente que lo relata— se ha convertido en señal de calidad de primer orden.
Para las pymes esto es una noticia excelente: conseguir enlaces de medios de prestigio es caro y lento; conseguir que clientes satisfechos cuenten su experiencia con detalle está al alcance de cualquier negocio bien gestionado. La nueva autoridad se construye, en buena parte, en la conversación entre clientes.
¿Qué papel desempeñan las reseñas en las respuestas generadas por inteligencia artificial?
Una reseña puede influir en la respuesta de un asistente de IA en tres momentos distintos.
El primero es el entrenamiento: los modelos se han alimentado de enormes volúmenes de texto público, y las plataformas de opiniones, los foros y las comunidades forman parte de ese corpus.
El segundo es la recuperación en tiempo real: cuando un asistente con capacidad de búsqueda recibe una pregunta del tipo «¿qué empresa me recomiendas para…?», consulta fuentes actuales —fichas de Google, directorios, artículos comparativos, hilos de foros—, y muchas de esas fuentes son, directamente, agregadores de opiniones.
El tercero es la justificación: los asistentes tienden a explicar sus recomendaciones («los usuarios destacan la rapidez del servicio»), y ese razonamiento visible se apoya de forma explícita en la prueba social disponible. Si sobre tu empresa no hay opiniones sustanciosas que resumir, el sistema tiene poco que decir de ti; y en un entorno de respuestas breves, no tener nada que decir equivale a no existir.
Citabilidad, visibilidad y recomendación: tres conceptos diferentes
En las conversaciones sobre GEO se mezclan tres ideas que conviene separar, porque cada una se trabaja y se mide de forma distinta.
La visibilidad es aparecer: tu marca figura en la respuesta de un asistente, aunque sea dentro de una lista.
La citabilidad es ser fuente: el sistema no solo te menciona, sino que se apoya en información tuya o sobre ti para construir su respuesta, y con frecuencia referencia el origen. Exige contenido verificable, bien estructurado y atribuible. Las reseñas juegan aquí un doble papel: son material citable en sí mismas («los clientes valoran…») y refuerzan la credibilidad del resto de tu contenido.
La recomendación es ser elegido: ante una consulta con intención de decisión, el asistente te propone como opción preferente. Es el escalón más valioso y el más exigente, porque el sistema asume un riesgo reputacional al recomendarte. Por eso los modelos son conservadores y se refugian en lo que está socialmente validado.
La relación entre los tres niveles no es automática: puedes tener visibilidad sin citabilidad y citabilidad sin recomendación. La prueba social influye en los tres, pero donde resulta decisiva es en el salto a la recomendación: es muy difícil que un sistema conservador recomiende a una empresa sin rastro de clientes satisfechos, y muy natural que recomiende a la que acumula años de validación pública coherente. Cuando audito una marca con el marco CPCE, este es el territorio del tercer pilar: una empresa puede estar perfectamente catalogada y posicionada y, aun así, no ser citable porque nadie independiente habla de ella.
¿Cómo interpretan las IAs las opiniones de los usuarios?
Aquí llega lo que más sorprende a quienes vienen de la gestión clásica de reputación: los LLMs no cuentan estrellas, leen texto. Una puntuación media es un dato pobre; una reseña bien escrita es un documento riquísimo.
Cuando un modelo procesa opiniones sobre una empresa, identifica los servicios mencionados, los problemas resueltos, los lugares, los plazos, el trato recibido, las comparaciones con alternativas. De esa lectura se derivan los factores que condicionan el peso de las opiniones en la percepción algorítmica de una marca.
El volumen de reseñas importa, pero no es suficiente
El volumen es la señal más intuitiva y tiene su lógica: una empresa con cientos de opiniones ofrece una muestra más fiable que una con tres, y es más difícil de manipular. El volumen genera además redundancia, y el mismo atributo confirmado por muchas voces consolida una asociación.
Pero por sí solo es un indicador engañoso. Doscientas reseñas que digan «todo perfecto, muy recomendable» aportan al modelo poco más que una: confirman un sentimiento, pero no describen nada. Son aplausos sin argumento. Por eso insisto tanto en esta idea: el objetivo no es acumular opiniones, sino acumular información validada por clientes. El volumen es la base de la pirámide, no la pirámide entera.
La relevancia temática de las opiniones
Un modelo asocia tu marca con aquello de lo que hablan tus reseñas. Parece una obviedad, pero tiene consecuencias enormes: si eres un despacho que quiere ser conocido por derecho laboral y el noventa por ciento de tus opiniones hablan de divorcios, para los sistemas de IA eres un despacho de familia. Las reseñas construyen el mapa temático de tu marca.
Esto convierte la relevancia en un criterio de gestión activa: hay que fijarse no solo en cuántas opiniones llegan, sino sobre qué llegan. Detectar que un servicio estratégico apenas genera reseñas es detectar una laguna de citabilidad.
La actualidad y la frecuencia de las reseñas
La confianza caduca. Una empresa cuya última opinión tiene tres años plantea a cualquier sistema una duda razonable: ¿sigue operando igual?, ¿existe siquiera? Los asistentes con búsqueda priorizan información fresca precisamente para no recomendar negocios zombis.
La frecuencia añade un matiz: es preferible un goteo constante —unas pocas reseñas al mes, todos los meses— que ráfagas concentradas separadas por silencios largos. Las ráfagas son, además, el patrón típico de las campañas artificiales, y cualquier sistema sofisticado las mira con recelo.
La diversidad de fuentes como señal de confianza
Si toda tu prueba social vive en una única plataforma, tu credibilidad algorítmica tiene un punto único de fallo. Una empresa con opiniones en Google, valoraciones en un directorio sectorial, menciones en un foro especializado y algún testimonio en medios presenta un patrón mucho más difícil de fabricar y, por tanto, más creíble.
Con un cliente del sector industrial lo vimos con claridad: su reputación en Google era discreta, pero acumulaba años de participación valorada en un foro técnico de su especialidad. Al monitorizar respuestas de asistentes sobre su nicho, descubrimos que esa comunidad era precisamente la fuente que los sistemas citaban. Su prueba social más valiosa no estaba donde el manual decía que debía estar.
La coherencia entre las opiniones publicadas en diferentes plataformas
La diversidad solo suma si las señales son coherentes. Una empresa con 4,8 en una plataforma y 2,9 en otra, o cuyas reseñas elogian la puntualidad en un sitio y denuncian retrasos crónicos en otro, genera una disonancia que los sistemas no saben resolver a tu favor: ante señales contradictorias, la reacción prudente de un modelo es rebajar la confianza u omitirte.
La coherencia afecta también a los datos duros: nombre comercial, dirección, teléfono, categoría. Si apareces con denominaciones distintas en cada plataforma, obligas a los sistemas a adivinar si todas esas fichas son la misma entidad. No se exige perfección, se exige consistencia: que el patrón general de lo que se dice de ti sea reconociblemente el mismo en todas partes.
El lenguaje natural de los clientes como fuente de contexto semántico
Hay un aspecto de las reseñas que me parece fascinante y que casi nadie aprovecha: los clientes escriben como habla la gente, no como redactan los departamentos de marketing. Y los usuarios preguntan a los asistentes de IA exactamente en ese mismo registro.
Tu web dice «soluciones integrales de climatización». Tu cliente escribe «me instalaron el aire acondicionado en dos días y me explicaron cómo usar la app». Cuando alguien pregunta a un asistente «¿quién me puede instalar aire acondicionado rápido y que no te deje tirado?», ¿cuál de los dos textos conecta mejor con la consulta? Las reseñas son el mayor repositorio de lenguaje real sobre tu negocio, un puente semántico entre tu oferta y las preguntas espontáneas de tus futuros clientes.
En Metriagent lo hemos convertido en hábito: antes de tocar una sola página de un cliente, leemos sus reseñas —y las de sus competidores— y extraemos el vocabulario real con el que el mercado describe el servicio.
¿Cómo las reseñas ayudan a relacionar una marca con servicios, problemas y ubicaciones?
Cada reseña detallada teje asociaciones entre entidades. «Contratamos a fulanito para reformar la cocina de nuestro piso en Getafe y cumplieron el plazo» conecta la marca con un servicio, un problema, un barrio concreto de Madrid y un atributo. Ese grafo es justo lo que un LLM necesita para responder consultas específicas: a «empresa de reformas en Getafe que cumpla plazos» solo puede responder con marcas que alguien haya conectado antes con esos conceptos.
Las implicaciones locales merecen subrayado: para las consultas geográficas, abrumadoramente frecuentes en servicios, las opiniones que mencionan barrios y municipios son de las pocas señales que anclan una empresa a un territorio con credibilidad. Tu web puede declarar que trabajas en toda la provincia; que lo confirmen clientes de municipios concretos es otra liga.
Opiniones que describen casos de uso frente a valoraciones genéricas
Comparemos dos reseñas. La primera: «Excelente servicio, muy profesionales, cien por cien recomendables». La segunda: «Teníamos una fuga de agua en un local comercial y necesitábamos resolverla sin cerrar al público. Vinieron el mismo día, localizaron la fuga con cámara térmica sin levantar el suelo y en dos días estaba resuelto. El presupuesto se ajustó a lo acordado».
Para una persona que lee en diagonal, ambas suman una estrella más al promedio. Para un modelo de lenguaje, la segunda es infinitamente más útil: cuenta una historia completa —situación, restricción, método, plazo, resultado, precio— que puede recuperarse ante consultas como «fuga de agua en local sin obra» y ofrece detalles con los que justificar una recomendación.
Mi conclusión: el activo que debemos maximizar no es la reseña, sino la reseña narrativa. Diez opiniones narrativas construyen más citabilidad que cien aplausos genéricos.
¿Qué información debería aparecer en una reseña útil para los LLMs?
No podemos dictar a los clientes lo que escriben —ni debemos intentarlo—, pero conviene saber qué hace valiosa una opinión, porque la forma de pedirla influye mucho en su contenido.
Una reseña útil suele identificar el servicio o producto contratado, describir el problema de partida, mencionar el contexto (tipo de cliente, ubicación, urgencia), relatar algo del proceso (trato, comunicación, plazos), concretar el resultado y, cuando procede, señalar algún matiz mejorable. Este último punto no es una concesión: los matices dan verosimilitud, y la verosimilitud es la moneda con la que se compra la confianza de un sistema entrenado para detectar patrones artificiales.
Prueba social estructurada y prueba social distribuida
Con los años he aprendido a dividir la prueba social en dos grandes familias, porque se gestionan con herramientas distintas y alimentan la citabilidad por caminos diferentes.
La prueba social estructurada vive en plataformas con formato definido: reseñas de Google, valoraciones en marketplaces, opiniones en directorios sectoriales, testimonios y casos de éxito en tu propia web. Tiene autor, fecha, puntuación y, con frecuencia, datos estructurados que las máquinas leen sin ambigüedad. Es ordenada, medible y relativamente controlable en su solicitud, aunque no en su contenido.
La prueba social distribuida es la conversación libre: menciones en medios, hilos en foros y comunidades, recomendaciones en redes, referencias en podcasts. No tiene formato ni puntuación y no se puede pedir; solo se puede merecer. A cambio, suele ser la más creíble precisamente porque nadie la ha solicitado.
Reseñas en Google, directorios, marketplaces y plataformas sectoriales
Dentro de la prueba social estructurada, no todas las sedes valen lo mismo para todos los negocios.
El perfil de empresa de Google sigue siendo, para la mayoría de los negocios con dimensión local, la pieza central: alimenta el ecosistema de Google y Gemini, es una de las fichas más consultadas por sistemas de terceros y concentra el mayor volumen de opiniones espontáneas.
Los directorios y plataformas sectoriales aportan contexto especializado: una valoración en un portal jurídico, médico o inmobiliario llega envuelta en la semántica del sector. Para consultas específicas de un gremio pueden ser más citables que las plataformas generalistas, porque el asistente busca fuentes expertas en la materia. Los marketplaces, por su parte, concentran la prueba social de producto, con un matiz: sus reseñas hablan del producto, no necesariamente de tu marca.
Mi recomendación práctica: construir un mapa propio, identificar las tres o cuatro plataformas donde tu sector se juega la credibilidad y concentrar ahí el esfuerzo, en lugar de dispersarse en veinte perfiles que nadie mantendrá.
Testimonios publicados en la propia web
Los testimonios en la web propia son la forma más antigua de prueba social digital y la más devaluada, porque todo el mundo sabe que los selecciona la empresa. No aportan validación independiente, pero sí contexto semántico controlado: puedes elegir testimonios que describan servicios concretos, publicarlos junto a la página correspondiente, atribuirlos a personas identificables y marcarlos con datos estructurados. Ayudan a los sistemas a entender qué haces y para quién, aunque pesen poco como prueba de que lo haces bien.
La regla que aplico es de coherencia y verificabilidad: los testimonios deben ser consistentes con tu reputación externa y, siempre que sea posible, atribuibles a personas y empresas reales. Un testimonio anónimo de «J.M., empresario» es un adorno; uno firmado por un cliente localizable es una señal.
Casos de éxito como evolución de la reseña tradicional
El caso de éxito es la forma más evolucionada de prueba social: una reseña narrativa expandida hasta convertirse en documento, con situación de partida, objetivos, solución, obstáculos, resultados y, en el mejor de los casos, la voz del propio cliente confirmándolo.
Para la citabilidad tiene tres virtudes difíciles de replicar: profundidad semántica (conecta tu marca con problemas, sectores y resultados de forma mucho más rica que cualquier reseña), condición de fuente (un asistente puede apoyarse en un caso documentado para justificar una recomendación con detalle) y verificabilidad, especialmente cuando el cliente participa con nombre en el relato.
En B2B, donde las reseñas espontáneas escasean porque hay pocos clientes y relaciones largas, los casos de éxito no son un complemento: son la columna vertebral de la prueba social.
Menciones en medios, foros y comunidades especializadas
En el terreno distribuido, tres sedes merecen atención especial. Las menciones en medios aportan autoridad editorial clásica: un tercero con procesos de verificación ha decidido hablar de ti. Los foros y comunidades especializadas aportan recomendación entre pares: cuando alguien pregunta «¿qué proveedor usáis para X?» y varios participantes independientes citan a la misma empresa, se produce la forma más pura de prueba social que existe. Y las comunidades generalistas tipo Reddit combinan ambas cosas a escala global; su relevancia como fuente de los principales asistentes es un fenómeno observado de forma consistente, aunque su peso varía por sistema y conviene verificarlo periódicamente.
La consecuencia estratégica incomoda a más de uno: no puedes comprar presencia en estas conversaciones, y fingirla con cuentas falsas o autopromoción disfrazada es la vía rápida hacia la pérdida de credibilidad, humana y algorítmica.
¿Cómo influye la autoridad de la plataforma donde aparece la reseña?
No pesa lo mismo una opinión en una plataforma consolidada, con sistemas antifraude y millones de usuarios, que en un directorio recién creado sin verificación alguna. Los sistemas de IA heredan esta jerarquía: tienden a apoyarse en fuentes que consideran fiables en conjunto, y esa fiabilidad envuelve a todas las opiniones que alojan. El criterio de priorización es sencillo: plataformas con autoridad reconocida en tu mercado, con verificación de usuarios, con contenido accesible públicamente (una reseña tras un muro de registro es invisible para casi todos los sistemas) y con vitalidad real en tu sector y tu idioma.
Reseñas de marca, reseñas de producto y reseñas de servicio
Un último desglose que evita confusiones: no toda la prueba social habla de lo mismo. Las reseñas de marca opinan sobre la empresa en su conjunto y alimentan la pregunta «¿puedo confiar en esta compañía?». Las de producto evalúan un artículo concreto y alimentan comparativas de compra. Las de servicio relatan experiencias de ejecución —plazos, calidad, resultado— y alimentan las consultas de contratación, con frecuencia locales.
Cada tipo responde a consultas distintas, y una misma empresa puede estar fuerte en uno y desierta en otro. Diagnosticar dónde está tu déficit es el primer paso de cualquier plan serio.
Reseñas negativas, respuestas y el valor de la imperfección
Llegamos al apartado que más resistencia genera en los comités de dirección y que, sin embargo, contiene una de las palancas más potentes de todo este artículo.
El papel de las reseñas negativas en la credibilidad de una marca
Las reseñas negativas, en proporción razonable, no son un problema: son la prueba de que las positivas son reales. Un perfil con miles de experiencias y ni una sola queja no describe una empresa excelente; describe una estadística imposible.
Además, las críticas aportan información que los elogios no contienen: dónde están los límites del servicio, qué expectativas conviene ajustar, cómo se comporta la empresa cuando algo sale mal. Para un asistente que quiere dar una respuesta completa, ese matiz es valioso. Y para la empresa, cada crítica bien gestionada es una oportunidad de exhibir carácter delante de todos los futuros lectores, humanos y algoritmos.
¿Por qué una reputación excesivamente perfecta puede generar desconfianza?
Insisto porque va contra la intuición de casi todos los directivos: perseguir el 5,0 es perseguir una señal de alarma. Las plataformas llevan años afinando la detección de reseñas fraudulentas, y los patrones que buscan son precisamente los que produce la perfección fabricada: puntuaciones uniformes, lenguaje repetitivo, ráfagas temporales, autores sin historial.
Un modelo que ha procesado millones de perfiles de empresas ha aprendido qué aspecto tiene la reputación auténtica: mayoría de opiniones positivas con detalle variado, algunas críticas, respuestas de la empresa, evolución temporal orgánica. Cuanto más se parezca tu perfil a ese patrón natural, más confianza inspira. La imperfección gestionada es más creíble que la perfección sospechosa, y la credibilidad, no la nota media, es lo que alimenta la citabilidad.
¿Cómo responder a las reseñas para añadir contexto y autoridad?
Las respuestas de la empresa son contenido público que los sistemas leen igual que las propias reseñas.
Una buena respuesta hace tres cosas. Aporta contexto: confirma o matiza los datos del caso («nos alegra que la instalación del sistema aerotérmico en vuestra vivienda de la playa quedara lista antes del verano»), reforzando asociaciones semánticas útiles. Demuestra conocimiento: ante una crítica técnica, una explicación rigurosa y serena exhibe más experiencia que diez autoelogios.
Y muestra el estándar de la casa: cómo tratas a un cliente enfadado dice de ti más que cualquier página de valores corporativos. En las críticas, la pauta es simple: agradecer, reconocer lo cierto, explicar sin excusarse, ofrecer solución concreta y dejar la puerta abierta. Nunca discutir en público, nunca respuestas plantilla, nunca el silencio.
¿Qué pueden aprender los LLMs de las respuestas de la empresa?
Merece explicitarse: de tus respuestas, un modelo puede extraer que la empresa está activa y atiende su reputación; que hay personas concretas detrás, cuando firman; vocabulario técnico y detalles de servicio que enriquecen tu grafo semántico; y un patrón de comportamiento ante problemas, que es exactamente lo que un asistente necesita para decidir si te recomienda a un usuario indeciso. Una empresa que responde bien a todo, especialmente a lo difícil, está escribiendo —reseña a reseña— el argumento por el que un sistema de IA podrá justificar recomendarla.
La gestión de reputación como estrategia de visibilidad en inteligencia artificial
Todo lo anterior conduce a un cambio de estatus organizativo: la gestión de reseñas no puede seguir siendo una tarea menor delegada en quien tenga un rato. Es una estrategia de visibilidad con impacto directo en el canal de descubrimiento que más rápido crece.
En la práctica: responsable y proceso definidos, solicitud de opiniones integrada en la operación, respuestas con criterio editorial, monitorización de todas las plataformas relevantes y medición del reflejo en las respuestas de los asistentes. La reputación ha pasado de ser un asunto de atención al cliente a ser infraestructura de marketing.
¿Cómo conseguir reseñas que aporten información útil?
Si el activo valioso es la reseña narrativa, la pregunta operativa es evidente: ¿cómo se consiguen? Respuesta corta: se piden mejor. La forma en que solicitas una opinión condiciona enormemente lo que el cliente escribe.
Preguntas que ayudan a obtener testimonios más descriptivos
«Déjanos una reseña» produce «todo genial, recomendable». Es la pregunta la que fabrica la respuesta genérica. Las peticiones que mejor funcionan orientan sin dictar: ¿qué problema tenías antes de contactarnos?, ¿por qué nos elegiste?, ¿qué servicio contrataste?, ¿cómo fue el proceso?, ¿qué resultado has obtenido? Basta con acompañar la solicitud de dos o tres de estas preguntas para que la opinión pase de aplauso a relato.
Con un cliente del sector servicios probamos algo tan simple como reformular el mensaje: en lugar de pedir «una reseña», pedíamos «contar tu caso para ayudar a otras personas con el mismo problema». La longitud y el detalle de las opiniones recibidas cambió de forma visible en pocas semanas. Apelar a la utilidad para terceros funciona mejor que apelar al favor hacia la empresa, y atrae exactamente el contenido que los LLMs saben aprovechar.
¿Cómo evitar reseñas genéricas, incentivadas o poco creíbles?
Tres prácticas que desaconsejo sin matices. Comprar o fabricar reseñas: además de contravenir la normativa de consumo —en España y en la Unión Europea las reseñas falsas son práctica comercial desleal— y las políticas de todas las plataformas, produce exactamente los patrones que los sistemas antifraude y los LLMs detectan mejor.
Incentivar con descuentos o regalos a cambio de opinión: contamina la muestra, suele estar prohibido por las plataformas y genera opiniones apresuradas y huecas. Distinto es facilitar el proceso (un enlace directo, un código QR en la factura, un recordatorio amable): eso no es incentivo, es eliminación de fricción. Y filtrar previamente a los clientes para que solo opinen los satisfechos —el llamado review gating—: las plataformas lo prohíben expresamente y el resultado, esa perfección estadísticamente imposible, acaba jugando en contra.
La estrategia legítima es menos glamurosa y más eficaz: prestar un servicio excelente, pedir la opinión bien y a tiempo, a todos, y aceptar el resultado.
La importancia de mantener un flujo constante de opiniones
Lo convierto en principio operativo: la prueba social es un flujo, no un stock. Un perfil brillante que deja de recibir opiniones se deprecia solo, porque la señal de frescura se apaga y los competidores que mantienen el ritmo van ocupando el espacio semántico. La solución es de proceso, no de campaña: que la solicitud de reseña forme parte del cierre de cada servicio, con responsable, momento y mensaje definidos.
Señales que pueden reducir la confianza de las IAs
Hasta aquí, lo que suma. Conviene inventariar lo que resta, porque en reputación algorítmica los errores pesan más que los aciertos: un sistema que duda, omite.
Las reseñas falsas, duplicadas o publicadas de forma masiva encabezan la lista. Los patrones son detectables —ráfagas temporales, redacción clónica, perfiles recién creados— y la sanción es doble: borrado en las plataformas y degradación de confianza en los sistemas que las consumen. Añado la variante moderna: reseñas redactadas con IA de forma masiva y uniforme, que replican el mismo patrón artificial con mejor gramática.
Las inconsistencias entre la reputación pública y el contenido corporativo ocupan el segundo lugar. Si tu web presume de «entrega en 24 horas» y tus reseñas se quejan sistemáticamente de retrasos, cualquier sistema que contraste ambas fuentes resolverá la contradicción a favor de la fuente independiente. El contenido corporativo debe reconciliarse con la realidad que describen los clientes, no competir contra ella.
Los perfiles incompletos y los datos empresariales contradictorios —direcciones que no coinciden, teléfonos antiguos, fichas duplicadas— fragmentan la entidad y diluyen todas las demás señales. Y la falta de respuesta ante críticas o incidencias recurrentes cierra la lista: un historial de quejas sin contestar dibuja una empresa que no escucha. Para un asistente que debe decidir si te recomienda, ese silencio es información, y de la mala.
Terminando: las empresas más citables son también las mejor validadas por sus clientes
Vuelvo al experimento con el que abría este artículo, porque contiene la moraleja completa. Cuando pregunto a los asistentes de IA por qué recomiendan a quien recomiendan, la respuesta remite una y otra vez a lo mismo: a lo que los clientes han contado. No a lo que las empresas dicen de sí mismas; a lo que otros dicen de ellas.
La conclusión es incómoda para quien busque atajos y esperanzadora para quien haga bien su trabajo: la citabilidad no se compra ni se trucan sus señales de forma sostenible. Se construye prestando un servicio que merezca ser contado; facilitando que se cuente bien, en los sitios adecuados, con la entidad bien identificada y los datos bien estructurados; respondiendo con criterio a todo, especialmente a lo difícil; y midiendo el reflejo de todo ello en las respuestas de los sistemas que, cada día un poco más, deciden qué empresas existen para quien pregunta.
Las empresas mejor validadas por sus clientes serán las más citadas por las máquinas. Pocas veces la tecnología ha alineado tan claramente el incentivo algorítmico con el viejo mandato de hacer las cosas bien.
Preguntas frecuentes sobre reseñas, prueba social y citabilidad en LLMs
¿Las reseñas de Google influyen en lo que ChatGPT dice de mi empresa?
De forma directa e indirecta. Los asistentes con capacidad de búsqueda consultan fichas, directorios y contenidos construidos sobre opiniones, y el ecosistema de reseñas de Google es una de las fuentes más visibles sobre negocios locales. Además, las asociaciones entre tu marca y sus atributos que circulan por la web forman parte del material de entrenamiento de los modelos. El peso exacto de cada fuente varía por sistema y cambia con el tiempo; conviene monitorizarlo en lugar de asumirlo.
¿Cuántas reseñas necesita mi empresa para ser citable?
No existe un umbral universal y desconfío de quien dé una cifra. La relevancia temática, el detalle, la actualidad, la diversidad y la coherencia pesan tanto o más que el volumen. Una referencia más útil que cualquier número: compárate con los competidores que hoy aparecen en las respuestas de los asistentes para tus consultas objetivo, y trabaja para igualar y superar su patrón de prueba social, no solo su cantidad.
¿Sirven de algo los testimonios de mi propia web si los elijo yo?
Sí, pero para lo que sirven: aportan contexto semántico controlado —qué haces, para quién, con qué resultados— y refuerzan tus páginas de servicio, sobre todo si son verificables y están bien marcados con datos estructurados. Lo que no aportan es validación independiente; esa solo puede venir de espacios que no controlas. La estrategia correcta combina ambas cosas y las mantiene coherentes.
¿Qué hago si mi sector genera pocas reseñas espontáneas, como el B2B?
Cambiar de herramienta, no de objetivo. En B2B la prueba social se construye sobre casos de éxito documentados con participación del cliente, testimonios verificables, presencia valorada en comunidades profesionales y menciones en medios sectoriales. Diez casos de éxito profundos pueden sostener la citabilidad de una consultora mejor que cien reseñas breves la de un restaurante.
¿Cómo sé si todo este esfuerzo está funcionando?
Midiendo en tres planos: seguimiento periódico de un conjunto fijo de consultas en los principales asistentes (¿apareces?, ¿te recomiendan?, ¿qué argumento usan y qué fuentes citan?); evolución de las menciones de marca y servicio en respuestas generadas; y conexión con negocio mediante el tráfico referido desde asistentes y la pregunta «¿cómo nos has conocido?» en formularios y llamadas. La tendencia trimestral importa más que cualquier medición puntual.
