La guerra contra las reseñas falsas ha llegado a un punto de inflexión. No porque la tecnología de detección haya ganado, sino porque la tecnología de generación ha cambiado de naturaleza: producir mil reseñas convincentes ya no cuesta lo que costaba contratar a cien redactores en una granja de clics. Cuesta prácticamente nada. El resultado es una crisis de credibilidad en los sistemas de reputación digital que, según el Foro Económico Mundial, distorsiona 152.000 millones de dólares anuales en decisiones de compra en internet.
Los consumidores identificamos correctamente el origen de una reseña generada por IA solo el 50% de las veces —el mismo rendimiento que una selección aleatoria. Y en pruebas donde la totalidad del contenido evaluado viene de modelos generativos, hasta el 64% de los participantes atribuye esas reseñas a consumidores humanos reales. La falsificación ya ha pasado el test de Turing en UGC.
¿Por qué los LLMs han cambiado las reglas del juego?
Las granjas de clics tradicionales tenían fricciones intrínsecas: coste lineal por redactor, capacidad limitada por horas de trabajo disponibles, y el sello casi inevitable de la traducción automática tosca. Con los modelos de lenguaje masivo, esas fricciones desaparecen. El coste marginal de producir la reseña número mil es prácticamente idéntico al de producir la primera.
Lo que emerge son infraestructuras de generación parametrizadas: el operador introduce el nombre del producto y sus especificaciones, ajusta el tono emocional, la longitud, las palabras clave y la distribución temporal de publicación, y obtiene un catálogo de opiniones hiperrealistas que simulan experiencias de compra reales sin que ninguna de ellas haya ocurrido. Plataformas de software comerciales ofrecen exactamente esto, presentándose como «asistentes de redacción digital».
Lo que los análisis lingüísticos forenses detectan en estas piezas no son errores gramaticales —la cohesión sintáctica es impecable— sino descriptores vacíos: construcciones adjetivales exageradas y genéricas sin anclaje empírico en particularidades sensoriales del producto, combinadas con la reiteración artificial del nombre exacto de la marca. Una reseña humana sobre unas zapatillas menciona que el talón roza al tercer kilómetro. Una reseña de IA dice que son «increíblemente cómodas para cualquier actividad deportiva».
¿Cuáles son los sectores más vulnerables?
El impacto es estructuralmente distinto según el contexto. En comercio electrónico, el fraude resuelve el problema del arranque en frío: los vendedores sin historial de ventas inyectan valoraciones positivas masivas para posicionarse orgánicamente antes de haber vendido una sola unidad. La dinámica de secuestro de reseñas (review hijacking) complica el panorama: se asignan valoraciones generadas por IA a productos genéricos que luego se reasignan a catálogos completamente distintos.
En hostelería y turismo, los análisis que cruzan datos de movilidad urbana con registros de plataformas revelan que las reseñas sintéticas se concentran en locales con bajo tráfico físico real, usadas como salvavidas comercial artificial. Se detectan también perfiles automatizados diseñados para acumular distintivos de alta reputación —como los «Elite» de Yelp— que se monetizan vendiendo valoraciones con autoridad.
El caso más grave es el de la sanidad. El impacto de las reseñas generadas por IA en el sector salud ya está documentado: el 28,9% de las reseñas en clínicas de cirugía plástica estadounidenses probablemente fueron generadas por IA, según análisis de Originality.ai. La asimetría de información es aquí máxima: un paciente que no puede evaluar técnicamente una intervención depende de las experiencias de otros. Y esas experiencias pueden ser completamente ficticias pero convincentemente redactadas.
¿Qué tiene que ver esto con ChatGPT y Perplexity?
Aquí está la capa del problema que menos se discute y que más deberíamos preocuparnos. Los sistemas de búsqueda generativa —Google AI Overviews, Perplexity, ChatGPT Search— no funcionan solo sobre páginas web indexadas. Utilizan arquitecturas de Generación Aumentada por Recuperación (RAG) que extraen activamente contenido de foros comunitarios como Reddit, considerándolos repositorios de opinión humana auténtica.
Los agentes maliciosos explotan exactamente esa vulnerabilidad: inyectan conversaciones ficticias y hilos sintéticos en esos espacios comunitarios. Cuando un motor RAG los procesa, incorpora los testimonios sintéticos como premisas fácticas. El resultado es que la IA sintetiza respuestas que presentan productos fraudulentos como «el consenso recomendado por los usuarios». Un sistema de IA ingiere reseñas fabricadas por otro sistema de IA, y las devuelve envueltas en la apariencia de neutralidad algorítmica.
Este es el vector emergente más peligroso de la Generative Engine Optimization (GEO) fraudulenta: no contaminar una plataforma de reseñas convencional, sino contaminar las fuentes de las que los motores de IA aprenden lo que los usuarios opinan.
¿Cuánto ha respondido ya la industria y cuánto falta?
En octubre de 2024 entró en vigor la norma 16 CFR Part 465 de la FTC, que declaró ilegales las reseñas falsas en EE.UU., incluidas las generadas por IA, con sanciones civiles de hasta 51.744 dólares por violación sin necesidad de litigio previo. La UE tiene la Directiva Ómnibus (Real Decreto-ley 24/2021 en España), con multas de hasta un millón de euros o el 4% de la facturación anual en infracciones transfronterizas. El Reino Unido añadió la Digital Markets, Competition and Consumers Act de 2024.
Los números de detección son impresionantes sobre el papel: Amazon bloqueó más de 275 millones de reseñas sospechosas en 2024, Trustpilot retiró 7,8 millones en 2025, Google desmanteló más de 115 millones en un único ejercicio. Amazon ha publicado este 2026 su informe de experiencia de compra fiable, documentando cómo sus sistemas detectan e incautan falsificaciones a escala. La Coalition for Trusted Reviews —formada por Amazon, Booking.com, Expedia, Glassdoor, Tripadvisor y Trustpilot— coordina protocolos de moderación desde finales de 2023.
La respuesta técnica más prometedora no son los clasificadores de texto, que ya están superados. Son las Redes Neuronales de Grafos (GNNs), que modelan las plataformas como grafos heterogéneos donde los nodos representan usuarios, productos, valoraciones y metadatos —IPs, temporalidad, pasarelas de pago— y las aristas describen sus interacciones. Este enfoque detecta comunidades colusorias de perfiles que emiten reseñas coordinadas, independientemente de que cada texto individual sea sintácticamente impecable. Integrado con señales de compra verificada, supera el 85% de precisión F1.
Lo que ninguna de estas respuestas resuelve todavía es la dimensión RAG del problema. Las plataformas de reseñas pueden moderar sus propios contenidos. Nadie modera Reddit, los foros especializados o los hilos de discusión pública que los sistemas RAG consumen como fuentes de «opinión humana». La contaminación de esas fuentes públicas es el próximo frente de una batalla que la industria todavía no ha armado la respuesta adecuada para librar.
El problema de las reseñas falsas parecía un asunto de marketing deshonesto. Con los motores de búsqueda generativos procesando esas fuentes como datos verificados, se ha convertido en un problema de integridad informacional. La diferencia es estructural: en el primer caso, el engaño afecta a las decisiones de un usuario que busca activamente un producto. En el segundo, afecta a las respuestas que un sistema de IA produce como síntesis objetiva del conocimiento disponible. El alcance es incomparablemente mayor, y la urgencia regulatoria no está todavía a la altura.