En un audit reciente de una empresa de software de gestión para peluquerías, encontramos algo que los responsables de la empresa no sabían: cuando alguien le pregunta a la IA “¿qué opiniones hay sobre [nombre de la empresa]?”, el motor responde describiéndola como una plataforma de inversión en criptomonedas.
La empresa no tiene nada que ver con cripto. Pero la IA, al no tener suficiente información estructurada sobre quién es la empresa realmente, “inventó” una descripción basándose en patrones vagos asociados al nombre.
Ese es el problema de la hallucination de entidad. Y es más común de lo que las empresas imaginan.
¿Por qué ocurre?
Los modelos de lenguaje no “buscan” información sobre tu empresa — generan texto que estadísticamente es plausible dado el contexto. Si el modelo tiene poca información sobre tu empresa, rellena los huecos con lo que sabe sobre empresas similares en nombre, sector o geografía.
Hay tres situaciones que aumentan el riesgo:
Nombre ambiguo o genérico: si el nombre de tu empresa es parecido al de otras empresas o puede entenderse de múltiples formas, el modelo puede mezclar entidades. “Nexux Pro” se puede confundir con cualquier servicio que contenga esas palabras en otro contexto.
Poca presencia textual estructurada: cuanta menos información bien estructurada exista sobre tu empresa, menos “anclas” tiene el modelo para generarte correctamente. Empresas con webs pequeñas, poca presencia en directorios y sin schema markup son especialmente vulnerables.
Cambio de sector o pivot: si tu empresa pasó de hacer X a hacer Y y las fuentes antiguas todavía te describen haciendo X, el modelo puede generar descripciones mezcladas o directamente incorrectas.
Las consecuencias que nadie calcula
Cuando la IA describe incorrectamente tu empresa, el daño es silencioso: el prospecto recibe información falsa, no la corrige, y decide basándose en ella.
Algunos escenarios concretos:
Un buyer B2B pregunta a Perplexity “¿Qué es [tu empresa]?” antes de una llamada. Recibe una descripción incorrecta. Llega a la reunión con expectativas equivocadas — o directamente no llega porque la descripción lo descalificó.
Un decisor está evaluando proveedores y pregunta a ChatGPT por cada uno de la lista. Tu descripción es la menos precisa de todas. En comparación, los competidores parecen más especializados aunque no lo sean.
Un periodista o analista prepara un artículo sobre tu sector y usa IA para hacer research rápido. La descripción incorrecta de tu empresa puede acabar en el artículo publicado.
En todos estos casos, el daño es real y no aparece en ningún CRM ni en Analytics.
¿Cómo detectar si tu empresa tiene este problema?
El diagnóstico tarda 5 minutos:
- Abre Perplexity con la búsqueda web activada
- Escribe exactamente: “¿Qué es [nombre de tu empresa] y a qué se dedica?”
- Lee la respuesta completa
Señales de alerta:
- La descripción menciona productos o servicios que no ofreces
- El sector descrito no es el tuyo
- La geografía de operación es incorrecta
- La empresa parece una versión diferente de lo que realmente es
- La respuesta dice “no tengo información suficiente sobre esta empresa” — también es un problema, aunque menos grave
Repite el test en ChatGPT (con y sin búsqueda web) para comparar.
¿Cómo corregirlo?
La corrección se hace en tres capas, de mayor a menor impacto:
Capa 1: Schema markup Organization con descripción precisa
El schema Organization en JSON-LD es la declaración más directa que puede hacer una empresa ante los crawlers de IA. El campo description de ese schema debe contener tu descripción canónica: quién eres, qué haces, para quién, dónde.
Esta descripción debe ser específica. Evita adjetivos sin contenido (“innovador”, “líder en”) y usa sustantivos concretos: nombre del sector, tipo de cliente, geografía, problema que resuelves.
El schema va en el <head> de tu web, invisible para los visitantes pero leído directamente por todos los crawlers de IA.
Capa 2: Coherencia en todas las fuentes externas
El modelo tiene menos incertidumbre cuando múltiples fuentes independientes describen tu empresa de la misma manera. Si LinkedIn, Google Business Profile, tres directorios de tu sector y tu web dicen lo mismo sobre ti, la probabilidad de hallucination baja significativamente.
La incoherencia entre fuentes es una de las causas más frecuentes de entidad ambigua. Si en 2020 tu empresa se describía de una forma y en 2026 lo hace de otra diferente, el modelo puede generar una mezcla de las dos.
Audita tus fuentes externas activas y actualiza la descripción en todas las que encuentres desactualizadas.
Capa 3: llms.txt — descripción directamente para LLMs
El archivo llms.txt en la raíz de tu dominio es un documento escrito específicamente para que los LLMs lo lean. Su formato elimina el ruido del HTML (menús, widgets, banners) y deja solo la información relevante sobre quién eres.
Un llms.txt bien construido incluye:
- Nombre, sector y propuesta de valor en las primeras 3 líneas
- Servicios específicos con descripción de para quién aplica cada uno
- Geografía de operación
- Diferenciadores frente a alternativas
- Instrucción explícita de quién NO es cliente objetivo (esto ayuda al modelo a no sobre-generalizar)
Este archivo no ayuda a posicionarte en buscadores tradicionales — está diseñado exclusivamente para los crawlers de IA.
¿Qué hacer si la corrección no funciona inmediatamente?
Los modelos con búsqueda web en tiempo real (Perplexity, ChatGPT con web) actualizan su información más rápido — en 4-8 semanas tras hacer los cambios en tu web.
Los modelos sin búsqueda web dependen del ciclo de re-entrenamiento, que puede ser de meses. Para estos modelos, el tiempo de corrección es más largo y fuera de tu control.
La verificación post-corrección: relanza las mismas consultas que usaste para el diagnóstico a las 6-8 semanas y compara las respuestas. Si la descripción ha mejorado, los cambios están funcionando. Si no, revisa que las señales que añadiste sean lo suficientemente claras y coherentes.
Si quieres saber exactamente qué dice la IA sobre tu empresa hoy — y si hay hallucinations que corregir — puedes solicitar una auditoría gratuita. El informe incluye las respuestas literales obtenidas en cada motor para las consultas directas sobre tu empresa.
Hemos documentado un caso real de corrección de descripción incorrecta en nuestro caso de estudio.