Cuando siete personas comparten tu nombre

Ser invisible es un problema. Que te tomen por otro es un problema mayor — porque quien lo lee no sabe que está equivocado.

Los buscadores llevan años teniendo dificultades para distinguir a personas que comparten un nombre. La página de resultados lo muestra con honestidad: diez enlaces azules pertenecientes a personas distintas, y eres tú quien elige quién es quién.

Las respuestas de IA perdieron esa honestidad. No ofrecen diez opciones; dan una respuesta. Y si al producirla se mezclaron los datos de varias personas, sale una persona que no existe.

Un ejemplo concreto

A un buscador se le preguntó «quién es Murat Tunalı» — y el nombre de dominio se añadió a la consulta explícitamente. Esto fue lo que volvió:

Murat Tunalı, nacido en İzmir en 1982, es un peluquero de caballeros y un educador-escritor. Uniendo el arte clásico de la barbería con un enfoque moderno del cuidado, Tunalı opera en Bursa como peluquero de gama alta. Además está especializado en asesoramiento familiar y presta servicios de consultoría en Estambul.

En ese párrafo hay al menos tres personas distintas: un peluquero en Bursa, un autor nacido en İzmir, un consejero familiar en Estambul. Las tres existen. Las tres son personas diferentes. La respuesta no coincide con ninguna.

Esto no es una «alucinación» — no se inventó nada. Cada frase viene de algún sitio. El problema es la fusión: el modelo toma fragmentos colgados del mismo nombre por una sola identidad.

Por qué ocurre

Tres mecanismos se superponen.

Un nombre no es una identidad. Para un modelo de lenguaje, «Murat Tunalı» es una cadena; lo que la ata a una entidad es el contexto circundante. Si el contexto es débil, todo lo colgado de la misma cadena se junta en un solo cubo.

La recuperación trae lo más cercano, no lo más cierto. Una capa de búsqueda recoge documentos que se parecen a la consulta. Las páginas de siete personas se parecen todas a la consulta «Murat Tunalı». Luego un modelo lee esas siete fuentes y escribe un único resumen — y resumir es, por naturaleza, fundir.

Se siente obligado a responder. Una página de resultados clásica puede decir «aquí hay diez resultados». Una interfaz de chat tuvo que aprender a decir «no lo sé», y no siempre lo hace.

En el mismo experimento otro motor hizo lo contrario: dijo que «no había podido alcanzar un perfil que coincidiera claramente con esta descripción» y enumeró sugerencias de nombre parecido. Los mismos datos, comportamiento distinto. La diferencia es la postura del producto ante la incertidumbre.

Gana quien pesa más

Lo que decide cuál de los siete homónimos cuenta como «el» no es la exactitud, sino el peso medible.

Una medición: cuántos registros tienen dos dominios homónimos en el archivo abierto de rastreo — una de las fuentes que alimentan los datos de entrenamiento de los grandes modelos de lenguaje.

El archivo conserva además una serie ininterrumpida desde 2007: 158 instantáneas. Libros publicados, páginas de autor en librerías, una entrada de diccionario.

Frente a eso hay un sitio de un día. Su calidad de página puede ser mejor — datos estructurados impecables, capa multilingüe completa, terreno técnico limpio. Nada de eso cuenta. Si no estás en el corpus, el modelo no te conoce.

La misma medición produjo una comparación aún más afilada: un sitio con solo 238 palabras y sin dato estructurado alguno tenía dieciséis registros en ese archivo. La perfección en la página no produce presencia en el corpus. La producen la edad y las menciones.

Por qué esto no es un problema SEO corriente

En la búsqueda clásica el problema de los homónimos es molesto pero manejable: el usuario mira la lista y elige al correcto. Si pincha en el resultado equivocado, vuelve atrás.

En una respuesta de IA no hay vuelta atrás. El usuario lee la única respuesta y sigue. Si la respuesta es errónea, tampoco tiene ocasión de enterarse.

Cuando un empleador, un cliente o un periodista pregunta por tu nombre y sale otra persona, el coste está en una categoría distinta de «mal posicionamiento». Ser invisible te quita de la lista; ser mal representado te mete en la lista equivocada.

Cómo probarte a ti mismo

Averiguar si este problema es tuyo lleva media hora y no requiere herramientas.

Uno — pregunta tu nombre. Pregunta a tres interfaces de IA distintas «quién es X». Lee la respuesta y marca cada frase: cuál te pertenece, cuál no. Si hay fusión, intenta rastrear de quién viene cada parte; normalmente se consigue.

Dos — añade tu dominio a la consulta. Di «quién es X, [tu dominio]». Si el motor sigue describiendo a otra persona, el problema va más allá del reconocimiento: no consigue vincularte ni cuando le entregas tu propia fuente.

Tres — pregunta sin la marca. Sin mencionar tu nombre, plantea una pregunta que describa qué haces y dónde. Esta es tu verdadera medición de visibilidad, independiente del problema de los homónimos. Si tus homónimos también faltan ahí, ese es terreno libre.

Cuatro — mira el archivo. ¿Cuántos registros tiene tu dominio en el archivo abierto de rastreo, y cuántos el de tu homónimo? La proporción entre esos dos números predice bien a qué persona «conocerá» un modelo.

Cinco — prueba la grafía errónea. Si tu nombre lleva caracteres propios de un idioma (ı, ş, ğ, é, ñ, ö), pregunta también por la forma simple. La mayoría de los sistemas trata esas dos cadenas como entidades separadas.

El resultado de estos cinco pasos no es una lista sino un diagnóstico: ¿tu problema es invisibilidad o identificación errónea? Los dos piden medicinas distintas. La invisibilidad se resuelve con tiempo y menciones. La identificación errónea no se resuelve — se gestiona.

Un error frecuente

La mayoría de quienes oyen hablar del problema de los homónimos añade primero palabras clave: escribe su nombre más veces en la página, llena con él los titulares, lo pone tres veces en la meta descripción.

Eso no funciona, porque el problema es el contexto, no la frecuencia. Lo que un motor necesita para distinguir no es cuántas veces aparece el nombre, sino con qué aparece. Ciudad, profesión, tecnología, institución, fecha — eso distingue. Un nombre repetido no.

De hecho, en el sitio medido fue un hallazgo que el nombre no apareciera en absoluto en el texto corrido; pero la corrección no fue «escribe el nombre diez veces». Fue «escribe el nombre una vez, junto con la profesión y la ciudad, en una frase en tercera persona».

Qué funciona

Tres grupos de señales te distinguen entre una multitud de homónimos. Ninguno basta por sí solo; los tres trabajan juntos.

1. Separación explícita en los datos estructurados

Schema.org define para exactamente esta tarea un campo, y la mayoría de los sitios lo deja vacío: disambiguatingDescription. Fue diseñado para separar entidades que comparten un nombre.

{
  "@type": "Person",
  "name": "Murat Tunalı",
  // También la variante sin caracteres especiales
  "alternateName": ["Murat Tunali", "M. Tunalı"],
  "disambiguatingDescription":
    "Ingeniero de sistemas en Estambul que construye aplicaciones web
     impulsadas por IA; sin relación con los homónimos que son autor de
     desarrollo personal o consejero familiar.",
  "jobTitle": "Ingeniero de sistemas",
  "knowsAbout": ["Aplicaciones web impulsadas por IA", "Redes y seguridad"]
}

Este campo no es una señal de posicionamiento. Su función es decirle a un motor, mientras intenta vincularte a una entidad, qué entidad no eres.

2. Enlace bidireccional de perfiles

El campo sameAs enumera tus perfiles. Pero una lista de un solo sentido es una señal débil: tú dices «este es mi GitHub», y GitHub no lo confirma.

El montaje correcto es recíproco — del perfil al sitio y del sitio al perfil. Un vínculo con dos extremos pertenece a una clase de prueba distinta de una afirmación con un extremo.

Escribir un sameAs que no puedes respaldar hace daño. Enumerar un perfil que no existe, o que no es tuyo, no refuerza el grafo de entidades; lo ensucia.

3. Una frase de definición en el cuerpo del texto

Es lo que más a menudo se pasa por alto. Una página puede llevar tu nombre en la etiqueta <title> y en los datos estructurados y no mencionarlo nunca en el texto corrido.

Cuando un modelo de lenguaje trocea tu página y la incrusta, esos trozos son todo lo que tiene. Si en un trozo no hay nombre, ese trozo no responde a «quién es este».

La solución es una sola frase: tercera persona, una línea, nombre + profesión + lugar. Puede añadirse bajo la narración existente sin alterar el tono del texto.

Lo que estos tres comparten: ninguno es un truco de posicionamiento. Los tres facilitan el trabajo que el motor ya está intentando hacer — vincular la entidad correctamente.

Lo que no hice

Este problema tiene una solución tentadora pero equivocada: abrir una ficha en Wikidata.

Wikidata es el ancla de los grafos de entidades, y estar allí distingue de verdad. Cuando miré durante la medición, el campo estaba completamente vacío — ni yo ni ninguno de los siete homónimos tenía ficha.

Aun así no se abrió. Wikidata tiene un umbral de relevancia, y un sitio de un día con cero menciones independientes y cero obras publicadas no lo alcanza. Una ficha forzada se borra y deja un rastro negativo en el dominio.

El orden correcto es este: primero se acumulan menciones reales en fuentes independientes, y entonces la ficha se vuelve defendible por sí sola. Imitar el resultado de una señal en vez de producirla en la fuente corrige la medición, pero no la verdad.

Cuánto tarda

La respuesta honesta: no lo sé, y nadie lo sabe.

Lo que se sabe: los corpus de entrenamiento se renuevan periódicamente, los índices de búsqueda se actualizan mucho más rápido, y que una entidad llegue a ser «reconocida» en un modelo depende de que se acumulen menciones. Adelantar en un trimestre a alguien establecido durante dieciocho años no es realista.

Lo realista es cambiar de batalla. El nombre en sí no es una consulta ganable a corto plazo. Pero los compuestos «nombre + atributo», y las consultas de servicio donde la marca no aparece en absoluto — eso es terreno libre. Ninguno de los homónimos está en esas consultas.

En mi propia medición la métrica más valiosa no fue la tasa de citación. Fue aparecer en consultas sin marca — porque quien conoce tu nombre ya te está buscando; la ganancia real está en que te encuentre alguien que no lo conoce.

Hay algo tranquilizador en eso. La multitud de homónimos quizá te esté enterrando en una consulta, pero esa consulta no era de todas formas la más valiosa. Quien busca tu nombre casi siempre ya te conoce. Quien no te conoce no escribe tu nombre sino su problema — y en ese campo no compites con siete personas, compites con el tema.