Los editores no pueden controlar las respuestas de la IA. Tampoco pueden ignorarlas.

Deténme si has oído esto: las Resúmenes de IA de Google a veces están equivocados. Esta ha sido una queja perenne sobre los resúmenes escritos por Gemini que aparecen en la parte superior de los resultados de búsqueda desde su debut a mediados de 2024. También es cierto. Los optimistas podrían desestimar el infame momento del "pegamento en la pizza" y otros como él simplemente como fallos tempranos en una nueva función. Pero en primavera de 2026, The New York Times encargó a la startup de IA Oumi que estudiara con qué frecuencia los Resúmenes de IA brindan respuestas incorrectas. La última versión fue precisa el 91% del tiempo, lo cual suena bastante bien hasta que consideras los miles de millones de búsquedas diarias de Google. A esa escala, incluso una tasa de error de un solo dígito puede producir millones de resúmenes inexactos cada hora. Para dar énfasis a su argumento en su informe sobre el estudio, el Times citó la historia del reportero tecnológico de la BBC, Thomas Germain, sobre cómo escribió una entrada de blog falsa en la que se proclamaba el mejor periodista de tecnología comiendo hot dogs en la Tierra. En menos de un día, los Resúmenes de IA de Google estaban repitiendo esa afirmación, aparentemente sin mucho escrutinio. El truco parece trivial porque la consulta era trivial. Pero el mecanismo subyacente no lo es. Mientras que el experimento de Germain sugiere que los Resúmenes de IA son fáciles de manipular, tuvo éxito principalmente porque era el único artículo sobre un tema que nadie había buscado antes, esencialmente un vacío informativo. Para una historia con mucha cobertura, es probable que una sola entrada de blog aleatoria no tenga mucho efecto.

Sin embargo, la historia del hot dog muestra solo una forma en que los sistemas de información de IA en general, y los Resúmenes de IA en particular, pueden fallar en su trabajo: proporcionar al usuario información precisa. Y esa precisión importa más que nunca: la presencia de Resúmenes de IA en las búsquedas ha crecido considerablemente en el último año. Un informe de abril de la startup de visibilidad de IA QuickSEO los estableció apareciendo en el 60.23% de las búsquedas, y eso fue antes de que Google utilizara su conferencia de desarrolladores de mayo I/O para profundizar la conexión entre los Resúmenes de IA y el Modo IA, permitiendo a los usuarios pasar directamente de un resumen a un seguimiento conversacional. La parte superior de una página de búsqueda no es el único lugar donde las audiencias encuentran resúmenes de IA, pero es el más importante, ya que es Google, el lugar al que todos ya van para buscar. Los usuarios de chatbots de IA buscan deliberadamente ayuda de IA con sus consultas; los usuarios de Google simplemente la obtienen. Puede ser imprecisa incómodamente a menudo, pero los editores deben lidiar con la realidad de que su información será representada a través del lente de los Resúmenes de IA. Y aunque no pueden controlar ese lente, todavía hay una oportunidad, y responsabilidad, cuando su contenido pasa a través de él. La ubicuidad de los Resúmenes no significa que la gente siempre los acepte como una verdad absoluta. La confianza en las respuestas de IA a menudo varía según la intención, o más bien, los riesgos de esa intención. Si estás pidiendo una receta de pollo asado, es probable que seas menos propenso a escrutar la respuesta que si estás preguntando sobre tratamientos para el cáncer. El punto de partida, sin embargo, es el mismo. El comportamiento del usuario puede cambiar con los riesgos, pero el marco inicial ya ha ocurrido. Un usuario puede cuestionar una respuesta significativa mientras aún permite que esta le proporcione el vocabulario, moldee búsquedas de seguimiento y determine qué investigar a continuación. Si un nombre de editor confiable es citado en el resumen, puede aumentar la confianza incluso cuando los usuarios nunca abren la cita. He escrito antes sobre esto en términos de valor, pero ese valor depende de ser representado con precisión, en lo que los editores claramente tienen un interés.

¿Cómo se rompe la precisión? Para entender mejor cómo los Resúmenes de IA se equivocan, hablé con Isis Blachez, la líder de IA en Newsguard, encargada del Monitor de Claims Falsos de IA de la organización. Ella lo desglosó en tres dimensiones, que se reflejan en el estudio encargado por el Times. La IA recupera material débil o irrelevante. Así es como un resumen podría terminar recomendando untar una capa de pegamento Elmer’s en tu pizza para asegurar que tus ingredientes se peguen. Eso provenía originalmente de una publicación de Reddit que lo sugería irónicamente (¡esperamos!)—lo que lo hizo irrelevante para la consulta. La cuestión es que la publicación original sí respondía directamente a la pregunta, lo que es un gran factor en la descubribilidad de la IA. Mientras que estudios muestran que los motores de IA tienden a favorecer contenido periodístico, si ese contenido no está optimizado para máquinas (o peor, bloqueado), entonces puede ser fácilmente pasado por alto, y algo más débilmente respaldado puede terminar teniendo una parte desproporcionada de la respuesta. “Hacemos [calificaciones de fiabilidad] de sitios de noticias,” explica Blachez. “Y vimos que para la mayoría de los sitios altamente clasificados, estaban bloqueando muchos de los bots de IA, y luego la mayoría de las fuentes de baja calidad estaban dando acceso completo a los rastreadores web de IA.” La IA encuentra la fuente correcta pero la interpreta mal. Esta podría ser la forma más importante y menos obvia en que la IA termina cometiendo errores. Blachez señala un caso en el que múltiples chatbots citaron a Snopes mientras confirmaban un reclamo falso de que Irán había atacado a un petrolero con bandera pakistaní. El artículo de Snopes en realidad estaba desacreditando el reclamo en lugar de apoyarlo, pero la IA lo confundió. “A veces, incluso si está citando una fuente creíble, puede ser incapaz de citarla bien o recuperar la información correctamente,” dice Blachez. En estos casos, no había nada malo con la información subyacente. Es la máquina la que se equivocó. Este puede ser el fallo de IA más frustrante y a menudo influye en litigios sobre respuestas de IA. La información disponible fue manipulada deliberadamente. Esta es la situación del hot dog. En grande, se parece a la red Pravda pro-Kremlin, que inundó la web con millones de artículos en sitios diseñados para parecerse a medios de comunicación, empujando propaganda rusa a escala de máquina. Aunque ese es un ejemplo extremo, muestra cómo actores coordinados que publican afirmaciones similares en muchos sitios pueden crear la apariencia de consenso y dominar el material disponible para los sistemas de recuperación. “Así que lo que hemos observado que funcionó con Pravda es inundar los resultados de búsqueda,” dice Blachez. “Es como poner la misma información con prácticamente el mismo lenguaje, muchos dominios, muchas veces y simplemente dominar la narrativa sobre ese tema específico.”

Haciendo la verdad legible para las máquinas. Así que hay varias formas en que una IA “bienintencionada” podría desviarse a través de problemas de acceso, manipulación o del contenido mismo. Estableciendo que el operador del motor de IA tiene la responsabilidad de obtener buena información para sus usuarios, ¿cuál es la responsabilidad del editor aquí? Creo que muchos periodistas y editores caen en una mentalidad de impotencia, pensando que no hay nada que puedan hacer porque no pueden controlar lo que una IA hace con su contenido. Pero pueden influir en eso en cada una de las tres dimensiones de fallo. Para asegurar que su contenido esté en la mezcla, debe estar presente (es decir, no bloqueado). Para desalentar malas interpretaciones, debe estar optimizado para máquinas. Y evitar publicaciones manipuladoras significa crear las propias que respondan directamente a las consultas que desean competir. Los editores tienen razones legítimas para bloquear a los rastreadores: preocupaciones de derechos de autor y la falta de compensación son las principales. Y si el contenido periodístico está bloqueado, eso no exonera a Google y otros servicios de IA de escrutar y verificar los materiales en bruto para sus respuestas. Pero si el periodismo está disponible para la IA, los editores sí tienen palancas que pueden accionar para ayudar a que tenga la mejor oportunidad de ser representado con precisión. La mayoría de las operaciones editoriales ya incluyen una capa que optimiza para SEO. La mejor manera de influir en lo que la gente ve en los Resúmenes de IA y chatbots cuando se presenta el trabajo es agregar también una capa de legibilidad para máquinas. Esto no es solo un estándar de GEO como tener títulos que coincidan con ciertas consultas. Significa esforzarse por asegurar que las partes difíciles de un tema sean más claras para una IA, aunque ya puedan ser claras para un humano. En la práctica, eso significa declarar hechos o conclusiones que de otro modo quedarían implícitas en la prosa. Un lector humano puede entender que "alegado" califica toda una secuencia de eventos, por ejemplo, incluso si la palabra aparece solo una vez. Una máquina puede no llevar esa calificación adelante. Algunas preguntas que los editores podrían hacer en esta revisión legible por máquinas son: ¿Están las fechas explícitamente ligadas a los eventos correctos? ¿Está claro si se está informando, verificando o desacreditando una alegación? ¿Se expresa la conclusión principal de manera clara en lugar de dejarse completamente a la implicación? ¿Son obvias las correcciones y actualizaciones? ¿Distingue el artículo la fuente original de la repetición posterior? ¿Crea el titular ambigüedad que el cuerpo resuelve posteriormente? Al igual que con el SEO, adaptar una pieza para una mayor claridad para máquinas a menudo también mejora la claridad para humanos. Pero solo mejora las probabilidades; no puede garantizar una interpretación correcta. El objetivo no es hacer que el periodismo sea "a prueba de IA". Es eliminar la ambigüedad evitable y dar a la información precisa una mejor oportunidad de sobrevivir a la capa de respuestas. Los editores no pueden dictar lo que Google dice sobre su trabajo, y no deberían ser responsables de corregir las deficiencias del producto de otra persona. Pero a medida que la IA se convierte en una capa predeterminada entre el periodismo y su audiencia, la impotencia no es mucha estrategia. Aún pueden hacer que la verdad sea más fácil de encontrar, más difícil de malinterpretar y mucho más difícil de reemplazar.