167 respuestas contadas como menciones dijeron algo falso sobre la marca
Una tasa de menciones le hace una sola pregunta a cada respuesta: ¿se mencionó la marca? No pregunta qué dijo la respuesta una vez llegó ahí. Queríamos saber con qué frecuencia se separan esas dos cosas.
La muestra: respuestas de espacios de trabajo de Proofsource entre el 4 y el 16 de octubre de 2026, en ChatGPT, Perplexity, Claude y Google AI Overviews. Para cada respuesta que mencionaba una marca seguida, un verificador comparó cada afirmación sobre la marca con datos que la marca había confirmado o que habíamos leído en su propia web. 2.137 respuestas, de 80 marcas en 63 espacios de trabajo, contenían al menos una afirmación que se podía contrastar con un dato registrado.
167 de ellas, el 7,8 %, contenían al menos una afirmación que contradecía los datos de la propia marca (intervalo del 95 %: del 6,8 % al 9,0 %). Afirmación a afirmación, 200 de 4.761 afirmaciones contrastables eran falsas, el 4,2 %. Repartido por marcas, 36 de las 80 tuvieron al menos una respuesta errónea en menos de dos semanas.
Cada una de esas 167 respuestas contó para una tasa de menciones. En el panel se veían exactamente igual que las respuestas que lo acertaban todo.
La mayoría de las afirmaciones falsas eran cifras: recuentos, precios y qué es el producto
Clasificamos las 200 afirmaciones falsas según su tema con una regla de texto sencilla, así que toma el reparto como aproximado.
- Recuentos y otras cifras, 92: integraciones, ubicaciones, clientes atendidos, una tasa de colocación con un punto de error.
- Qué es o qué hace el producto, 50: una herramienta de presupuestos descrita como software de gestión de proyectos, una empresa de seguridad descrita como un proyecto de blockchain.
- Precios y planes, 48: un precio de partida por debajo del real, los créditos por plan mal indicados.
- Fechas, 10 según la regla, aunque solo 6 eran de verdad años de fundación, la mayoría con un año de error.
Claude se equivocó en un dato en el 12 % de las respuestas, Perplexity en el 5 %
Por motor, la proporción de respuestas comprobadas con al menos una afirmación falsa fue del 12,3 % en Claude (58 de 470), el 8,7 % en Google AI Overviews (45 de 516), el 6,0 % en ChatGPT (37 de 612) y el 5,0 % en Perplexity (27 de 539).
No lo leas como una clasificación. Cada motor respondió a una mezcla distinta de preguntas en nuestra muestra, y un estudio externo con otro método los ordenó de otra forma (más sobre eso abajo). Lo que se cumple en los cuatro es que ninguno salió limpio.
Las respuestas que citaron la web de la propia marca se equivocaron la mitad de veces
En preguntas que mencionaban la marca, como «qué hace esta empresa» o «cuánto cuesta», la respuesta citó la web de la propia marca 1.353 veces. El 7,1 % de esas se equivocó en un dato (96). Cuando la web de la marca no estaba entre las citas, se equivocó el 15,3 % (47 de 307, intervalo del 11,7 % al 19,8 %).
En las preguntas de compra que no mencionaban la marca no hubo una diferencia clara: 4,8 % frente a 5,7 %, con recuentos mucho menores. Es una correlación, no una prueba. Pero apunta a la corrección más barata que hay: cuando un motor te describe, acierta más a menudo si te está leyendo a ti.
176 datos falsos, 162 de ellos vistos una sola vez
Agrupa las afirmaciones falsas por marca, dato y valor, y las 200 se reducen a 176 datos falsos distintos. 162 de ellos aparecieron en una sola respuesta. Solo 14 se repitieron, y solo 8 aparecieron en más de un motor.
Eso cambia cómo actuar. Un precio falso que un motor dijo una vez es una tirada que puede que no vuelvas a ver. Uno que vuelve una y otra vez, o que aparece en dos motores, viene de algún sitio, y ese sitio suele ser una página. También encontramos 65 datos falsos sobre 17 marcas en páginas que citaron los motores: páginas de terceros que ya traían el error.
Qué abrir detrás de tu propia tasa de menciones
Una herramienta que solo muestra la tasa no puede decirte nada de esto. Pide las respuestas.
- Lee el texto completo de la respuesta en cada pregunta en la que te mencionaron, empezando por las que más te mencionan.
- Contrasta cada afirmación sobre ti con tus páginas de precios, producto y «sobre nosotros». Los precios, los recuentos y las fechas de fundación son lo primero que se queda desfasado.
- Comprueba que la respuesta habla de ti. Una empresa con un nombre parecido puede contarse como mención tuya.
- Abre las páginas citadas. Si tu propia web no está entre ellas, el motor te está describiendo a partir de la página de otro.
- Cuenta las repeticiones antes de actuar. Corrige primero la afirmación que se repite entre días o motores, y encuentra la página de la que sale.
Cómo lo resuelve Proofsource
Proofsource guarda el texto completo y las páginas citadas de cada respuesta. En cada respuesta que menciona tu marca, contrasta lo que dice de ti con los datos que confirmaste y los que leyó en tu propia web, y solo mantiene un veredicto de error cuando la afirmación citada y el valor correcto aparecen palabra por palabra. Si vuelve a aparecer el mismo valor falso, suma al recuento de una sola alerta en lugar de crear otra, y las respuestas sobre otra empresa con un nombre parecido se marcan en lugar de contarse como tuyas.
Dónde podría fallar esto
El verificador es un modelo de lenguaje que lee contra los datos registrados. Leímos a mano 25 de las 200 afirmaciones falsas: 21 eran contradicciones claras y 4 eran débiles (un detalle que faltaba leído como error, un rango, una lista de datos que se contradecía a sí misma y una afirmación sobre otro producto). Además, solo juzga las afirmaciones que encajan con un dato guardado. Otras 5.330 afirmaciones no tenían un dato con el que encajar y no se juzgaron, así que esto se pierde los errores sobre cualquier cosa que una marca nunca dejó por escrito.
Los datos de la propia marca también pueden estar desfasados, lo que convertiría una respuesta correcta en un falso «error». Las 80 marcas son sobre todo empresas pequeñas que se registraron en Proofsource, no una muestra aleatoria, y doce días es una ventana corta, lo que también limita cuántas veces pudo repetirse un dato falso.
Una comparación externa: Searchable pidió a empleados de 1.704 marcas que calificaran 32.556 datos que los motores de IA decían sobre ellas, y marcaron el 9,2 % como falsos, con los precios como peor categoría, con un 13,5 %. Sus evaluadores podían marcar cualquier cosa que supieran que era falsa, incluidos detalles desfasados, lo que es más amplio que nuestra comprobación contra datos registrados y probablemente explica por qué su tasa es mayor. También vieron que Perplexity era el menos preciso de los tres motores que compararon, al revés que en nuestro orden.
