Sentiment en LLMs:
cómo describe ChatGPT a tu marca.

El sentiment es el tono cualitativo con el que el LLM describe tu marca cuando aparece en una respuesta. Se suele clasificar en una escala de -1 a +1: negativo (-1 a -0.3), neutro (-0.3 a +0.3) o positivo (+0.3 a +1). Una marca puede tener buen citation rate (aparece mucho) pero mal sentiment (cuando aparece, lo hace con calificativos negativos). El sentiment es la métrica complementaria que diferencia 'aparecer' de 'aparecer bien'.

De cuatro fuentes principales. 1) Cómo te describen los medios editoriales que el modelo procesó durante entrenamiento (prensa, blogs, foros). 2) Reseñas estructuradas en Google Maps, Trustpilot, Yelp, TripAdvisor cuando el LLM accede a búsqueda en tiempo real. 3) Comentarios y threads en comunidades textuales (Reddit, foros especializados). 4) Wikipedia y fuentes canónicas (peso desproporcionado). El sentiment no es opinión propia del modelo — es agregación ponderada de las fuentes consultadas.

Sí, y es relativamente común en marcas premium pequeñas. Aparecen poco (no son top of mind en el sector) pero cuando los modelos las citan lo hacen con descriptores positivos ('estudio cuidado', 'producto de alta calidad', 'recomendado por críticos'). Es preferible a la inversa: marcas grandes con citation rate alto pero sentiment negativo arrastran su mala reputación cada vez que el LLM las menciona — y son las que tendrán problemas a medio plazo.

Hay tres aproximaciones. 1) Manual con etiquetado humano: lee las respuestas, clasifica cada mención en positiva/neutra/negativa según diccionario interno. Costoso pero más preciso. 2) Modelo juez (un LLM evalúa el output de otro): rápido y barato pero introduce sesgo del juez. 3) Análisis léxico (NLP con diccionarios como AFINN o VADER, traducidos al español): rápido pero pierde matices. La práctica recomendada es combinar 1 + 2: etiqueta humana inicial sobre muestra de 50-100 menciones, luego usar el modelo juez calibrado contra esa muestra.

Sí pero con plazos largos. Una mala reputación sedimentada en Wikipedia, prensa Tier-1 y Reddit no se borra; se contrarresta con narrativa nueva acumulada durante 12-24 meses. Marcas que han revertido sentiment negativo lo han hecho con: 1) reconocimiento público del problema y cambios verificables (no solo PR), 2) nuevas piezas editoriales positivas en medios de autoridad equivalente a las negativas, 3) tiempo — los LLMs ponderan recencia, pero no anulan datos antiguos.

Marginalmente. Tu propio site es una fuente, pero los LLMs descuentan el sentiment de fuentes 'first-party' (auto-promocional) y dan más peso a fuentes 'third-party' (editoriales independientes). Llenarte de testimonios falsos en tu landing no mueve el sentiment del LLM porque el modelo identifica el patrón. Lo que sí funciona: testimonios verificables (G2, Capterra, Trustpilot con perfil verificado) y reseñas reales en Google Maps con respuesta del negocio.

Sí. Hay marcas que en Perplexity tienen sentiment +0.5 y en ChatGPT -0.1. Suele pasar cuando el sentiment positivo viene de menciones editoriales recientes (Perplexity las indexa rápido vía RAG) y el sentiment negativo viene de fuentes históricas en el dataset de entrenamiento (ChatGPT las arrastra). Conocer la diferencia te dice qué LLM atacar prioritariamente con narrativa nueva.

Los específicos por sector y verificables. 'Innovador' es genérico y casi no pesa. 'Primer estudio español en publicar un dataset abierto sobre visibilidad de marcas en ChatGPT' es específico, verificable y pesa muchísimo más. Los LLMs detectan el patrón 'puffery genérica' versus 'descripción concreta de hechos'. Trabaja contenido editorial que te describa con concreción técnica, no con superlativos vacíos.