Durante décadas, la reputación de un periodista tecnológico se medía en exclusivas, impacto en redes sociales o el temor reverencial que inspiraban sus reseñas en los departamentos de marketing. Hoy, ha surgido una métrica silenciosa, algorítmica y, paradójicamente, ajena a la intención humana: la frecuencia con la que los Grandes Modelos de Lenguaje (LLM) citan tu nombre o tu trabajo al responder a los usuarios.

Según revelan dinámicas recientes del sector, los equipos de Relaciones Públicas (PR) y comunicaciones corporativas han comenzado a auditar sistemáticamente las salidas de ChatGPT, Gemini, Perplexity o Copilot. No buscan solo si su marca aparece, sino quién es la fuente de autoridad que el modelo elige para validar una respuesta. Y aquí radica el giro disruptivo: a la IA no le importa si tu cobertura fue una loa o una demolición técnica; le importa la autoridad semántica y la recurrencia documental.

El nuevo 'PageRank' es la cita en el contexto El funcionamiento técnico explica el fenómeno. Los sistemas RAG (Retrieval-Augmented Generation) y los modelos con navegación activa no "leen" la prensa como humanos; recuperan fragmentos vectorialmente relevantes. Si un periodista ha cubierto consistentemente un nicho —chips, SaaS empresarial, regulación IA— su corpus de artículos se convierte en un ancla de conocimiento para el modelo. Cuando un directivo pregunta a un chatbot "¿Quién entiende la cadena de suministro de semiconductores?", la respuesta no sale de una base de datos de contactos de PR, sino de la probabilidad estadística ligada a tu byline.

Esto otorga un poder de negociación inédito al periodista. Un analista de una firma de capital riesgo comentaba recientemente: "Antes le pedía a mi equipo de PR que me consiguiera una entrevista en Ese Medio. Ahora les pido que verifiquen si los modelos citan a Ese Periodista cuando se pregunta por mi sector. Si no sales en el LLM, para la IA no existes, y si la IA no te conoce, el 80% de los decisores que usan estas herramientas como motor de investigación tampoco te conocerán".

La indiferencia al sentimiento: una oportunidad extraña El detalle más contraintuitivo es la neutralidad del sentimiento. El artículo original lo resume con precisión quirúrgica: "No importa si tu cobertura es halagadora o brutal". Los modelos optimizan por utilidad predictiva y veracidad factual (o al menos consenso documental), no por amabilidad corporativa. Una investigación dura y bien documentada sobre los fallos de seguridad de una plataforma genera más "peso vectorial" que una nota de prensa replicada sin crítica.

Para los periodistas, esto redefine la propuesta de valor frente a las redacciones y las agencias. La "optimización para motores de respuesta" (AEO, Answer Engine Optimization) personal se vuelve tan crítica como el SEO lo fue para los medios en 2010. Estructurar datos, usar terminología canónica del sector, publicar metodologías transparentes y mantener un archivo histórico accesible para rastreadores son ahora activos de carrera.

Riesgos: opacidad, alucinación y el fin del 'off the record' No todo es ventajas. La opacidad de los pesos de los modelos hace imposible auditar por qué se cita a X y no a Y. Las alucinaciones atribuyen citas falsas, contaminando la reputación real. Y la privacidad se erosiona: si un modelo de entrenamiento futuro ingiere conversaciones "off the record" filtradas en datasets públicos, la frontera entre fuente y cita se difumina peligrosamente.

Conclusión: adaptarse o volverse invisible Estamos ante la cristalización de la "reputación sintética". Las marcas ya no solo monitorizan menciones en medios (clipping), sino embeddings en espacio latente. Para el periodista tech hispanohablante, el mensaje es claro: la autoridad ya no se concede solo desde la redacción ni desde el departamento de comunicación del cliente; se calcula en los servidores de OpenAI, Google, Anthropic o Mistral. Quien entienda esta nueva capa de distribución —y escriba para que la máquina entienda, cite y priorice— dictará la agenda de la próxima década. Los demás serán solo ruido de fondo en el contexto de la respuesta.