Sentimiento y exactitud: el KPI que va más allá de "aparecer"

La primera generación de métricas GEO respondía una sola pregunta: ¿la IA me menciona? (mention rate, share of model). Es necesaria pero insuficiente. En 2026 el problema real ya no es solo la ausencia, sino la mala representación: la IA te nombra, sí, pero te describe como "caro", "para empresas grandes" o "descontinuado" —o directamente inventa hechos falsos sobre ti. Una respuesta que te describe con un error factual posiciona peor que no aparecer, porque genera una primera impresión equivocada a escala, en el momento exacto de decisión de compra.

Este artículo cubre las dos capas que se agregan encima de la presencia: sentiment (cómo te describe) y accuracy (si lo que dice es verdad).

Dos KPIs distintos que no hay que colapsar

• Sentiment de marca en IA — la valoración con que el modelo te enmarca: recomendado / neutral / criticado. No es lo mismo que el sentiment de redes sociales: aquí mides la narrativa que el modelo repite cuando alguien pregunta por tu categoría. Se expresa como una etiqueta discreta (positive / neutral / negative) y/o un score continuo (típicamente normalizado a [-1, +1] o [0, 1]).
• Accuracy / tasa de inexactitud — el porcentaje de respuestas que contienen al menos un hecho falso sobre tu marca: industria equivocada, atributo que no te corresponde, dato inventado, confusión con una empresa de nombre parecido. Es una métrica de veracidad, no de tono: una respuesta puede tener tono neutro y aun así ser factualmente incorrecta.

Colapsarlos en un solo número esconde el caso más peligroso: una respuesta de tono positivo construida sobre un dato falso ("un CRM enterprise líder en banca" cuando eres una PyME de retail) es un elogio que te posiciona en el mercado equivocado.

Por qué la IA se equivoca sobre tu marca

Las respuestas incorrectas rara vez son maliciosas; son mecánicas:

1. Confusión de entidad — el modelo mezcla tu marca con otra de nombre parecido (el clásico "same-name collision"). La cura vive en la capa de entidad: Wikidata/QID, sameAs y NAP consistente.
2. Alucinación pura — el modelo inventa una característica o límite que nunca existió. Datos de 2026 sitúan las alucinaciones cerca del 12% de las respuestas de categoría en la marca promedio, contra un 28% de endorsements, 41% neutrales y 19% con cautela.
3. Señal de entrenamiento obsoleta o pobre — el corpus te describe con información vieja (un precio, un pivote de producto, una fusión) que ya no es cierta. Aquí no hay que "corregir a la IA", hay que corregir lo que la IA confía.

Los umbrales de alerta

Un dashboard de sentiment/accuracy sin umbrales es un termómetro sin fiebre marcada. Las reglas operativas que usa un consultor GEO senior:

• Sentiment < -0.2 (en escala [-1, +1]) → alerta. Un sentiment ligeramente negativo sostenido erosiona conversión antes de que el usuario llegue a tu sitio. Segméntalo por motor: ChatGPT puede describirte bien y Perplexity mal, y la acción correctiva es distinta.
• Tasa de inexactitud > 5% → alerta. Más de 1 de cada 20 respuestas con un hecho falso ya es un problema de reputación a escala. Registra cada claim: motor, prompt, resumen de la respuesta y evaluación (correcto / incorrecto / parcial).
• Deriva — no basta el nivel absoluto; vigila el cambio. Una caída de 10 puntos de sentiment tras un release de modelo o una crisis de PR es la señal accionable.

Cómo detectar la misinformación

La detección honesta combina tres piezas:

1. Clasificación semántica per-respuesta, no keyword-matching. Un heurístico de palabras clave no distingue "no recomendamos X" de "X es lo que no recomienda la competencia". Hace falta un clasificador que evalúe cómo trata la respuesta a tu marca en concreto, con una etiqueta que incluya explícitamente el caso incorrect (error factual), priorizándola sobre "neutral" cuando el tono es plano pero el dato es falso.
2. Verificación contra la realidad (capa anti-alucinación). Antes de creerle a un LLM que "tu competidor es X" o "te mencionan en Y", hay que confirmar el claim contra evidencia externa (grounding/búsqueda) y descartar lo demostrablemente falso. La regla de oro: descartar exige una contradicción concreta, no un simple "no lo encontré".
3. Contexto de la mención en la web abierta. Una mención en una sección de controversia daña aunque el modelo aún no la repita; medir el sentimiento y la autoridad de la fuente (no solo de la respuesta) anticipa el problema.

Cómo corregir: contra-contenido autoritativo

No corriges a la IA; corriges las fuentes en las que la IA confía. El mismo mecanismo que sube tu frecuencia de citación sube tu exactitud de citación: reemplazar señales finas o erróneas por descripciones consistentes, corroboradas y autoritativas.

• Contra-contenido para las mismas queries. Cuando el hecho viejo o falso no se puede borrar de su fuente, crea contenido fresco y autoritativo que domine esa misma consulta, con la descripción correcta, densidad factual (estadísticas, fechas, cifras) y estructura clara.
• Corrección en la fuente cuando el error es de un tercero. Si una publicación o directorio tiene el dato mal, pide la corrección directamente; los knowledge graphs se recalculan a partir de ella.
• Ancla de entidad canónica. Wikidata + sameAs + NAP consistente reducen la confusión de entidad, que es la causa raíz de una parte grande de las inexactitudes.
• Cierra el loop. Detectar → corregir la fuente → re-medir en la siguiente auditoría. La corrección de misinformación es una disciplina continua, no un arreglo de una sola vez.

La actitud correcta es la misma que rige toda medición GEO seria: honestidad de datos. Si no puedes verificar un claim, márcalo como no verificado; no lo cuentes como verdad ni como falso.