Consistencia de entidad: cómo alinear tu marca en todos los canales para que las IAs te citen

TL;DR

Los modelos de lenguaje construyen su conocimiento sobre una marca a partir de patrones repetidos en múltiples fuentes. Si tu nombre aparece como "Empresa X" en tu web, "EmpresaX" en LinkedIn, "Empresa-X" en Crunchbase y "X empresa" en una nota de prensa, el modelo tiene cuatro entidades distintas — ninguna lo suficientemente fuerte para ser citada con confianza. La consistencia de entidad es la señal más fácil de implementar y la más ignorada del GEO. Este artículo explica qué es, por qué importa en cada modelo de IA, y cómo auditarla y corregirla con un checklist concreto.

Hay una pregunta que los equipos de marketing hacen con frecuencia cuando empiezan con GEO: "¿Por qué las IAs me citan a veces con información incorrecta o directamente no me citan, si tengo contenido excelente y presencia en muchos canales?"

La respuesta está, casi siempre, en la misma causa: inconsistencia de entidad.

Qué es la consistencia de entidad y por qué los modelos la necesitan

Los modelos de lenguaje no aprenden sobre una marca leyendo una sola fuente. Aprenden por repetición: el mismo nombre, asociado a los mismos descriptores, en múltiples fuentes independientes. Ese patrón repetido es lo que le dice al modelo que existe una entidad real y verificable en el mundo.

Cuando ese patrón es inconsistente — el nombre varía, la descripción cambia, los datos difieren entre canales — el modelo no puede consolidar la información en una entidad única. En lugar de una representación clara y citable, tiene fragmentos contradictorios que no suman.

El resultado: la IA o bien no cita la marca, o bien genera respuestas con información mezclada de distintas fuentes — lo que produce alucinaciones, datos incorrectos o atribuciones equivocadas.

Esto no es teoría. Es lo que observamos en los datos de GEO Metrics cuando analizamos por qué una marca aparece en Perplexity pero no en Claude, o por qué Claude genera información parcialmente incorrecta sobre una marca que tiene presencia en docenas de fuentes.

Las cuatro dimensiones de la consistencia de entidad

1. Consistencia de nombre

El nombre exacto de la marca debe ser idéntico en absolutamente todos los canales donde existe. No solo similar — idéntico.

Los modelos procesan texto con reconocimiento de patrones. Para un LLM, "GEO Metrics", "GEOMetrics", "Geo Metrics" y "geo-metrics" son cuatro strings distintos. Si cada una aparece en fuentes diferentes, el modelo las trata como entidades distintas o relacionadas débilmente — no como una sola entidad consolidada.

Los canales donde el nombre debe ser idéntico:

• Nombre del dominio y sitio web

• Título de la página de inicio y meta tags

• Perfil de LinkedIn (nombre de empresa)

• Crunchbase

• Google Business Profile

• Wikipedia / Wikidata (si aplica)

• Perfiles en G2, Capterra, Product Hunt

• Notas de prensa y comunicados

• Firmas de autor en artículos y guest posts

• Redes sociales (aunque sean menos rastreadas por los LLMs)

El error más frecuente: usar el nombre legal completo en algunos canales ("Empresa X, S.L.") y el nombre comercial en otros ("Empresa X"). El modelo no sabe que son la misma entidad a menos que se lo digas explícitamente mediante datos estructurados.

2. Consistencia de descripción

Si el nombre es el identificador de la entidad, la descripción es su definición. Y los modelos necesitan que esa definición sea coherente para poder usarla con confianza.

Una descripción inconsistente es cualquiera de estas situaciones:

• La web dice "plataforma de monitorización de IA para agencias"

• LinkedIn dice "herramienta de GEO y AEO para el mercado hispanohablante"

• Crunchbase dice "startup de marketing digital con sede en España"

• Una nota de prensa dice "solución de visibilidad en inteligencia artificial"

Cuatro descripciones distintas para la misma marca. El modelo extrae las cuatro y no puede sintetizarlas en una representación coherente.

La frase de entidad estándar. La solución es definir una frase de marca inequívoca — del tipo "[Nombre] es [categoría] que [qué hace] para [para quién]" — y usarla de forma consistente en todos los canales donde la marca tiene presencia.

Esa frase debe aparecer:

• En el primer párrafo de la página About/Nosotros

• En el campo de descripción de LinkedIn

• En el campo de descripción de Crunchbase

• En el primer párrafo de las notas de prensa

• En la bio del fundador/CEO en todos los canales

• En el JSON-LD de la web con el campo description

3. Consistencia de datos factuales

Más allá del nombre y la descripción, los modelos también consolidan datos factuales sobre una entidad: año de fundación, sede, número de empleados, mercados donde opera, productos o servicios principales.

Cuando esos datos difieren entre fuentes — la web dice fundada en 2024, Crunchbase dice 2023, una nota de prensa dice "lanzada a principios de 2025" — el modelo tiene tres fechas distintas y no puede determinar cuál es la correcta. El resultado habitual es omitir el dato o generar la más frecuente, que puede no ser la correcta.

Los datos que deben ser consistentes en todas las fuentes:

• Año de fundación

• Ciudad y país de sede

• Número de empleados (rango aproximado, actualizado)

• Mercados geográficos donde opera

• Categoría principal del producto o servicio

• URL del sitio web oficial

4. Consistencia de enlazado entre perfiles

Esta es la dimensión más técnica y la más potente para consolidar la entidad en el grafo de conocimiento de los modelos.

Los modelos de lenguaje que trabajan con grafos de conocimiento — como los que alimentan a Claude y a ChatGPT en sus datos de entrenamiento — conectan entidades a través de enlaces explícitos entre fuentes. Si tu web enlaza a tu perfil de LinkedIn, y LinkedIn enlaza a tu web, y Crunchbase enlaza a tu web y LinkedIn, el modelo puede trazar una red de referencias que confirma que todas esas presencias son la misma entidad.

El mecanismo técnico para hacer esto de forma determinista es el campo sameAs en el JSON-LD de la web:

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Nombre Exacto de la Marca",
  "description": "Frase de entidad estándar completa",
  "url": "https://www.dominio.com",
  "sameAs": [
    "https://www.linkedin.com/company/nombre-marca",
    "https://www.crunchbase.com/organization/nombre-marca",
    "https://www.wikidata.org/wiki/Q...",
    "https://www.wikipedia.org/wiki/Nombre_Marca"
  ]
}

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Nombre Exacto de la Marca",
  "description": "Frase de entidad estándar completa",
  "url": "https://www.dominio.com",
  "sameAs": [
    "https://www.linkedin.com/company/nombre-marca",
    "https://www.crunchbase.com/organization/nombre-marca",
    "https://www.wikidata.org/wiki/Q...",
    "https://www.wikipedia.org/wiki/Nombre_Marca"
  ]
}

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Nombre Exacto de la Marca",
  "description": "Frase de entidad estándar completa",
  "url": "https://www.dominio.com",
  "sameAs": [
    "https://www.linkedin.com/company/nombre-marca",
    "https://www.crunchbase.com/organization/nombre-marca",
    "https://www.wikidata.org/wiki/Q...",
    "https://www.wikipedia.org/wiki/Nombre_Marca"
  ]
}

Este bloque le dice explícitamente a los crawlers de IA: "todos estos perfiles son la misma entidad". Sin él, el modelo tiene que inferirlo — y puede inferirlo mal.

Cómo afecta la inconsistencia a cada modelo de IA

No todos los modelos son igual de sensibles a la inconsistencia de entidad. El impacto varía según cómo cada modelo construye su conocimiento:

La conclusión práctica: si una marca aparece bien en Perplexity y AI Overviews pero Claude genera información incorrecta o no la cita, la causa más probable es inconsistencia de entidad en las fuentes históricas que forman el corpus de entrenamiento.

El checklist de auditoría de consistencia de entidad

Este checklist permite auditar la consistencia de entidad de cualquier marca en menos de una hora.

Paso 1 — Busca tu marca en Google y anota las variaciones

Busca el nombre de tu marca en Google (con y sin comillas) y anota:

• ¿Cómo aparece el nombre en el Knowledge Panel (si existe)?

• ¿Hay variaciones del nombre en los resultados orgánicos?

• ¿El Knowledge Panel tiene los datos correctos (sede, descripción, web)?

Paso 2 — Audita los 7 canales prioritarios

Para cada canal, verifica que el nombre exacto, la descripción y los datos factuales son idénticos a la versión oficial:

• Web propia — nombre en <title>, <h1>, meta description y JSON-LD

• LinkedIn — nombre de empresa, descripción, sede, web

• Google Business Profile — nombre, categoría, descripción, web

• Crunchbase — nombre, descripción, fundación, sede, web

• Wikipedia / Wikidata — si existe entrada, verificar que los datos son correctos

• G2 / Capterra / directorio principal del sector — nombre, descripción, web

• Notas de prensa publicadas — verificar que el nombre y descripción coinciden con la versión actual

Paso 3 — Implementa el JSON-LD con sameAs

Si no existe, añadir el bloque Organization con todos los campos relevantes y el campo sameAs enlazando a todos los perfiles verificados. Verificar que está en el HTML inicial renderizado en servidor — no cargado vía JavaScript.

Paso 4 — Estandariza la frase de entidad

Define la frase de entidad estándar y actualiza los 7 canales auditados para que todos la usen. La frase debe ser la misma en español e inglés si la marca opera en mercados de ambos idiomas.

Paso 5 — Crea el archivo llms.txt

El archivo /llms.txt en la raíz del dominio es el equivalente del robots.txt para los LLMs. Incluye:

• Nombre oficial de la marca

• Descripción estándar

• URLs prioritarias

• Datos factuales verificados

Es la fuente de verdad que los modelos con acceso web pueden consultar directamente.

Cómo medir si la consistencia de entidad está funcionando

La consistencia de entidad no es una acción puntual — es un estado que hay que mantener y monitorizar. Dos formas de medirlo:

Accuracy Score en GEO Metrics. El módulo de Accuracy de GEO Metrics mide qué porcentaje de las respuestas de los modelos sobre una marca son factualmente correctas. Un Accuracy bajo — por debajo del 70% — es la señal más directa de que los modelos tienen información inconsistente o incorrecta sobre la entidad. La plataforma también identifica qué fuentes están generando la información incorrecta, lo que permite actuar sobre las fuentes específicas.

Auditoría manual en los 9 modelos. Pregunta directamente a ChatGPT, Perplexity, Claude, Gemini y Copilot: "¿Qué es [nombre de marca] y qué hace?" Compara las respuestas. Si hay diferencias significativas entre modelos — fechas distintas, descripciones distintas, servicios distintos — hay inconsistencia de entidad que resolver.

Los errores de consistencia más frecuentes por sector

SaaS y tecnología: El nombre del producto y el nombre de la empresa se confunden. Si el producto se llama igual que la empresa, o si hay múltiples productos con nombres distintos, los modelos pueden mezclarlos.

Agencias y servicios profesionales: La agencia tiene nombre en español y en inglés para distintos mercados. Los modelos crean dos entidades distintas si no están enlazadas con sameAs.

E-commerce: El nombre de la tienda difiere del nombre de la empresa legal. Las notas de prensa usan el nombre legal mientras el site usa el nombre comercial.

Startups en crecimiento: El nombre cambió en algún punto (rebrand, pivote) y las fuentes antiguas con el nombre anterior siguen indexadas. Los modelos mezclan la información de ambas versiones.

Preguntas frecuentes

¿Cuánto tiempo tarda en verse el efecto de mejorar la consistencia de entidad? Para modelos con acceso web en tiempo real como Perplexity o AI Overviews, el efecto puede verse en días. Para Claude y ChatGPT base, que trabajan desde su corpus de entrenamiento, el impacto depende de cuándo se actualice ese corpus — puede ser semanas o meses. Por eso es crítico actuar cuanto antes: cada ciclo de entrenamiento que pasa con inconsistencias consolida esas inconsistencias en el modelo.

¿Es suficiente con actualizar mi web? No. La consistencia de entidad es cross-canal por definición. Actualizar solo la web deja intactas las fuentes externas que los modelos también usan — LinkedIn, Crunchbase, directorios sectoriales, notas de prensa. El modelo sigue viendo la inconsistencia entre la web actualizada y las fuentes externas sin actualizar.

¿El nombre en minúsculas vs. mayúsculas importa? Depende del modelo. Los LLMs modernos son bastante robustos ante variaciones de capitalización, pero la consistencia extrema siempre es mejor. El problema real no son las mayúsculas — son las variaciones estructurales del nombre (con guion, sin guion, abreviado, con sufijo legal).

¿Qué hago si hay fuentes externas con información incorrecta que no controlo? Dos acciones. Primera: contacta al medio o directorio para solicitar la corrección. Segunda: contrarresta la fuente incorrecta publicando información correcta en más fuentes de alta autoridad — el volumen de fuentes correctas supera eventualmente a las incorrectas en el modelo. GEO Metrics identifica qué fuentes están generando la información incorrecta en cada modelo, lo que prioriza a cuáles dirigirse primero.

¿La consistencia de entidad aplica también a personas (fundadores, directivos)? Sí. Las personas son entidades para los LLMs igual que las marcas. El nombre del fundador, su cargo, su empresa actual y su descripción deben ser consistentes en LinkedIn, web de la empresa, perfiles de autor en blogs y notas de prensa. La consistencia de la entidad personal refuerza directamente la autoridad de la entidad corporativa.

¿Quieres saber si tu marca tiene inconsistencias de entidad que están afectando tu citabilidad en IA?

Mide tu Accuracy Score en GEO Metrics → trygeometrics.com