Los ensayos personales son un formato clásico del periodismo digital: alguien cuenta su experiencia —un cambio de carrera, una mudanza, una decisión financiera— y el lector se identifica.
En 2025, Business Insider retiró cuarenta de esos ensayos. Una investigación había encontrado que varios de los colaboradores que los firmaban no dejaban rastro verificable: sin presencia profesional comprobable, sin registros públicos que confirmaran las historias, y con textos que compartían patrones sospechosos entre sí.
Un ensayo personal vale por una cosa: que le pasó a alguien. Si no le pasó a nadie, es ficción publicada como testimonio.
Qué pasó
El medio retiró las piezas y revisó su proceso de verificación de colaboradores externos. Otras publicaciones —incluida Wired— enfrentaron señalamientos parecidos en el mismo período.
Lo que hace distinto a este caso de otros de esta serie: el contenido no era necesariamente malo. Los ensayos estaban bien escritos y eran plausibles. Lo que no se podía verificar era que la persona que los firmaba existiera.
Y ahí está el problema real. Un ensayo personal vale exactamente por una cosa: que le pasó a alguien. Si no le pasó a nadie, no es un ensayo — es ficción publicada como testimonio.
Cobertura en The Washington Post.
Por qué pasó
La economía del contenido digital creó la puerta, y la IA generativa la abrió del todo.
Antes, fabricar una identidad de colaborador y sostener una serie de ensayos convincentes requería tiempo y talento — suficiente esfuerzo como para que no valiera la pena. Hoy el costo marginal de producir un texto plausible con una biografía coherente es prácticamente cero.
Del otro lado, los procesos de verificación de las redacciones estaban calibrados para un mundo donde el fraude era caro. Se verificaba el contenido —hechos, cifras, coherencia— pero no se verificaba a la persona, porque nunca había hecho falta a escala.
Ese desajuste entre el costo del fraude y el costo de detectarlo es el que produce estos casos. Y no se cierra con mejores modelos de detección: se cierra cambiando qué se verifica.
Las cifras del caso, en una imagen.
Dónde te puede pasar a ti
Esto no es solo un problema de medios. Cualquier empresa que reciba contenido, testimonios o candidaturas de fuera:
- Testimonios de clientes que llegan por un formulario y se publican en el sitio.
- Reseñas de un producto o servicio.
- Candidatos a un puesto remoto con CV, portafolio y referencias — todo verificable solo por lo que ellos mismos aportan.
- Colaboradores externos que escriben para tu blog.
- Proveedores nuevos que llegan por recomendación de alguien que tampoco verificaste.
El caso de contratación es el más costoso y el que más creció: en 2024-2025 se documentaron esquemas donde candidatos con identidades fabricadas conseguían trabajos remotos.
La pregunta que casi ninguna empresa se hace: ¿qué verificamos de una persona antes de que su nombre o su testimonio aparezca en nuestro sitio?
Cómo se evita
1. Verifica la identidad, no solo el contenido. Que el texto sea correcto no dice nada sobre si quien lo firma existe.
2. Contacto por un canal independiente. Una llamada corta, una videollamada, un correo institucional. El fraude a escala no sobrevive a la fricción individual.
3. Cruza con registros públicos. Que la persona tenga rastro verificable fuera de lo que ella misma te mandó.
4. Autorización escrita para testimonios, con datos de contacto reales que alguien pueda usar.
5. Cuando algo llega demasiado fácil y demasiado pulido, verifica más, no menos. La fricción cero es una señal, no una ventaja.
Cómo lo hacemos en Catalizadora
Nuestros casos de éxito citan al cliente por nombre, con su autorización, y con su empresa identificable. Cualquiera puede buscarla y encontrar que existe. No publicamos testimonios anónimos ni «un cliente del sector retail» — porque eso es exactamente lo que no se puede verificar.
Y en los sistemas que construimos, los formularios que reciben datos de fuera —leads, solicitudes, testimonios— entran a Atlas con su rastro completo: de dónde vino, cuándo, con qué datos. Un lead sin origen verificable es un lead que se revisa antes de tratarlo como real.
La regla es la misma que aplicamos a esta serie: si no se puede verificar, no se publica. Descartamos casos por eso. Es más lento y es lo único que sostiene la credibilidad de lo que sí publicamos.
Este es uno de los casos documentados en nuestra hemeroteca de fallas de IA. Todos con su fuente enlazada, y todos con la misma conclusión: el problema casi nunca es el modelo.