En marzo, un investigador de búsqueda en IA compró un dominio nuevo, generó 50.000 páginas de estadísticas con GPT-4.1 en un día y no verificó ni una sola cifra: todas eran inventadas. Costo total del experimento, con las 15.000 listas que agregó después: unos 50 dólares. Siete meses más tarde, Google sepultó el sitio en la primera ola de updates y lo terminó desindexando, pero ChatGPT sigue abriendo esas páginas para responder a personas reales. Solo en los últimos 30 días el dominio registró más de 600.000 visitas de bots, y 72.000 vinieron de ChatGPT-User, el agente que consulta la web en vivo mientras conversa contigo. No son crawls de entrenamiento: son respuestas que usan ese dato ahora mismo.
El experimento lo armó Metehan Yesilyurt en Peec AI y lo publicó el 7 de octubre. Los números falsos llegaron más lejos de lo que uno esperaría: los citó un paper académico, los usó un informe de inversión del grupo financiero más grande de Qatar, y el sitio acumuló más de 330 dominios enlazándolo, incluidos Shopify, Bluehost y DHL. En su panel de visibilidad, el sitio con datos de la nada quedó segundo para sus prompts de prueba, detrás de nada menos que Statista.
Por qué un dato inventado gana una cita
La mecánica es incómodamente simple. Cada vez más contenido se escribe con LLMs y, cuando el modelo escribe, investiga. Al toparse con un hueco en su conocimiento, busca un número que lo llene: una estadística parece evidencia concreta, algo específico y citable. El problema es que el pipeline de búsqueda de un LLM corre con presupuesto ajustado de latencia y costo: abre unas pocas páginas, extrae pasajes y escribe. Nadie verifica el número en ningún punto del proceso. Los rerankers puntúan si un pasaje parece relevante y con autoridad, no si es verdad. Y las páginas de estadísticas llegan con bonus: el año viene en el título, los encabezados y la URL, tres señales de frescura que a los modelos les encantan.
El blanqueo de citas
Lo peor no es la primera cita, es el efecto siguiente. El día uno, un número falso en un dominio recién comprado no tenía ninguna autoridad. Después lo citó un paper, después un banco. Ahora la próxima persona —o el próximo modelo— que encuentre ese dato ve una estadística con fuente, y esa fuente aparece citada por instituciones serias. El dato no se volvió verdad, pero cada cita lo hace verse más confiable. Y hay un piso más abajo: con tanta recuperación, esas páginas terminan en los crawls web que alimentan el entrenamiento del próximo modelo. Una cifra que nació como conjetura de GPT-4.1 puede convertirse en algo que el próximo LLM «sabe» de memoria.
Dato honesto a favor del experimento: el mismo equipo corrió una segunda versión con datos reales y verificados, y la táctica funcionó igual para ganar enlaces. Publicar estadísticas sirve como método; el problema es que sirve igual con datos inventados, y el filtro es exactamente el que no existe.
Lo que me toca directamente
Este blog se escribe delegando borradores en modelos, y los números de un borrador no vienen confiables. Ya me pasó una: un borrador decía «70 días» donde el conteo real entre las fechas de la fuente eran 72. La diferencia no cambia la historia, pero sí cambia la diferencia entre un blog técnico y un generador de relleno. La regla que aplico sin excepción: cada cifra, fecha y nombre del borrador se contrasta contra la fuente primaria antes de publicar. El modelo no lo hace solo, porque no fue entrenado para eso: fue entrenado para sonido correcto, no para verdad.
Mi lectura del caso: verificar fuentes ya no es buena práctica editorial, es cinturón de seguridad. Con la ola de contenido optimizado para retrieval —páginas armadas para lo que pregunta el modelo, no para lo que escribe el humano— las estadísticas de la web se están volviendo un eco amplificado. Si usas LLMs para escribir, el chequeo de datos es tu parte del pipeline: el modelo trae candidatos, tú certificas. Y si el próximo modelo entrena sobre el eco, el fantasma queda adentro.
Fuente del tema: Publish stats, get cited: The tactic that put my data all over the web, del blog de Peec AI.
Fuente de inspiración: Publish stats, get cited: The tactic that put my data all over the web
