Durante años hemos llamado social listening a cosas muy diferentes. En algunos casos se trata de una verdadera capacidad de inteligencia digital; en otros, de un dashboard que contabiliza menciones, estima sentimiento positivo o negativo y presenta una nube de palabras acompañada de algunos gráficos suficientemente vistosos como para justificar una reunión.
El problema es que una campaña electoral, un gobierno o una organización sometida a una crisis reputacional rara vez fracasan por desconocer cuántas veces fueron mencionados durante las últimas veinticuatro horas. Fracasan porque no entendieron a tiempo qué estaba significando realmente la conversación, qué narrativa empezaba a consolidarse, qué comunidades la estaban adoptando y qué acontecimientos podían convertir una señal todavía pequeña en un problema político importante.
La llegada de modelos de inteligencia artificial capaces de trabajar como agentes empieza a permitirnos imaginar una evolución bastante más interesante: pasar de máquinas que clasifican publicaciones a sistemas capaces de investigar contexto antes de interpretar una señal.
Un trabajo publicado el 24 de septiembre de 2026 por Lior Biton y Oren Tsur, Agentic Detection of Online Conspiracies, apunta precisamente en esa dirección. Los investigadores parten de una dificultad que cualquier persona que haya trabajado seriamente con conversación digital conoce bien: el mismo texto puede significar cosas completamente distintas dependiendo de quién lo publica, de qué ocurrió antes, de la comunidad en la que aparece o de si estamos ante adhesión, crítica, ironía o burla. Su propuesta utiliza agentes capaces de consultar diferentes fuentes de contexto social antes de decidir cómo interpretar una publicación, y sus resultados mejoran de forma consistente la clasificación basada exclusivamente en el texto.
No me interesa tanto el problema concreto de detectar conspiraciones como la lógica que hay detrás. Porque esa lógica puede cambiar sustancialmente nuestra manera de hacer inteligencia política.
El problema de mirar cada publicación como una unidad independiente
Cuando elaboré mi propuesta de Diagnóstico narrativo en seis pasos: el método antes de la estrategia, insistía en que investigar no consiste en acumular información, sino en convertir señales dispersas en una hipótesis que permita tomar decisiones. Podemos tener millones de datos y continuar sin entender qué está ocurriendo.
El social listening tradicional funciona con frecuencia en sentido contrario. Recoge enormes cantidades de publicaciones, las clasifica y posteriormente intenta que sea un analista humano quien reconstruya la historia escondida entre miles de fragmentos. La IA agéntica permite invertir parcialmente ese proceso.
Imaginemos que el sistema detecta un aumento relativamente pequeño de publicaciones que vinculan a una institución electoral con una acusación determinada. En lugar de limitarse a elevar una alerta por volumen, un agente podría intentar responder primero algunas preguntas: ¿quiénes están iniciando esa conversación? ¿Esas cuentas ya habían difundido narrativas similares? ¿La frase aparece por primera vez en este país? ¿Existe un antecedente equivalente en otra campaña latinoamericana? ¿Se están compartiendo las mismas fuentes? ¿Estamos ante publicaciones originales o adaptaciones de un contenido previo? ¿La conversación crece orgánicamente o presenta patrones que justifican una revisión humana?
Ese trabajo no sustituye al analista. Lo que hace es llegar al analista con más contexto y mejores preguntas.
La diferencia entre monitorización e inteligencia
Esta distinción puede parecer semántica, pero para mí es fundamental. Monitorizar significa saber qué ocurre. Inteligencia significa intentar comprender por qué ocurre, hacia dónde puede evolucionar y qué decisión debería cambiar como consecuencia de esa información.
Por eso llevo tiempo defendiendo en RRyCía un sistema de Notas de Inteligencia Narrativa que no se limite a registrar volumen o sentimiento, sino que obligue a formular una hipótesis sobre la narrativa, los actores que la impulsan, las emociones que moviliza, las comunidades en las que encuentra mayor receptividad y su posible trayectoria.
La IA puede ayudarnos ahora a enriquecer ese proceso. No porque tenga una capacidad mágica para descubrir la verdad, sino porque puede reducir enormemente el coste de buscar antecedentes, relacionar señales y explorar contextos que un equipo humano no tendría tiempo de comprobar sistemáticamente.
Es exactamente la misma tesis que desarrollaba en La IA acelera lo que ya sabes hacer y multiplica lo que estás haciendo mal: la tecnología no sustituye el método. Lo amplifica.
Si nuestro método consiste en contabilizar menciones, tendremos un contador de menciones extraordinariamente rápido. Si tenemos una metodología de inteligencia, podremos ampliar extraordinariamente nuestra capacidad para investigar.
Del análisis estático al agente que pregunta
Hay un cambio conceptual que merece atención. La mayoría de los sistemas de monitorización actuales parten de una lógica estática: reciben un contenido y lo clasifican como positivo, negativo, neutral, tema A, tema B, desinformación o no desinformación.
Pero la realidad política es mucho más ambigua. Una acusación puede ser irrelevante si procede de tres cuentas marginales y extraordinariamente importante si está empezando a penetrar en una comunidad que hasta ahora no la utilizaba.
Una misma palabra puede tener significados distintos en Honduras, México, República Dominicana o España. Una narrativa puede parecer local hasta que descubrimos que la misma estructura argumental apareció dos meses antes en Brasil o Estados Unidos.
Un agente puede trabajar de otra manera: antes de clasificar, puede preguntar. Y considero que ahí está una de las posibilidades más interesantes de la IA aplicada a inteligencia política.
Una posible arquitectura de Inteligencia Narrativa Agéntica
En RRyCía podríamos pensar esta evolución mediante cinco capas.
La primera seguiría siendo la detección. Identificar cambios de volumen, términos emergentes, nuevos actores, anomalías, contenidos de rápido crecimiento o desplazamientos en el sentimiento.
La segunda sería el contexto. El agente buscaría antecedentes de la narrativa, actores relacionados, cronología, fuentes y acontecimientos que expliquen por qué aparece en ese momento.
La tercera sería la conexión narrativa. ¿Estamos ante una pieza aislada o forma parte de un relato mayor? ¿Qué otros contenidos, incluso utilizando palabras diferentes, están construyendo la misma interpretación?
La cuarta sería la dimensión transnacional. ¿Ha aparecido antes ese relato en otros países? ¿Qué elementos han sido adaptados? ¿Qué actores o fuentes conectan ambos ecosistemas?
Y la quinta sería la escalada humana. No todas las señales merecen llegar a un director de campaña o a un responsable institucional. El objetivo debería ser que el sistema proporcione al analista aquellas situaciones en las que exista suficiente contexto como para justificar una investigación o una decisión.
La secuencia sería, por tanto: señal, investigación automática, hipótesis narrativa, validación humana, decisión. Esto me interesa mucho más que prometer una inexistente «IA que detecta la desinformación».
La máquina puede encontrar relaciones. El consultor debe interpretar su significado
Conviene mantener una cautela. Cuanto mayor sea la capacidad de una IA para relacionar información, mayor será también la tentación de interpretar cualquier coincidencia como causalidad.
Tres cuentas que publican lo mismo no demuestran coordinación. Una narrativa que apareció previamente en otro país no demuestra una operación transnacional. Dos actores que utilizan una fuente idéntica no necesariamente trabajan juntos.
Por eso la inteligencia necesita trabajar con niveles de confianza y no con certezas artificiales. La función del consultor político, del analista o del responsable de inteligencia no desaparece; probablemente se vuelve más importante, porque alguien tiene que distinguir entre correlación, coincidencia y evidencia suficientemente sólida como para modificar una estrategia.
El agente puede ampliar nuestro campo de visión. No debería decidir por nosotros qué significa lo que encuentra.
De escuchar la conversación a investigar el ecosistema
Esta evolución conecta además con algo que he defendido recientemente en este blog al analizar los deepfakes: no basta con detectar piezas; hay que detectar ecosistemas. Lo mismo vale para la conversación política.
Durante muchos años nos acostumbramos a mirar publicaciones individuales porque era técnicamente lo más sencillo. Hoy empezamos a tener herramientas capaces de reconstruir una parte mucho mayor del contexto. Eso permite pasar: de la publicación a la narrativa, de la cuenta a la comunidad, del volumen a la trayectoria, del país al ecosistema transnacional, y de la alerta a la hipótesis.
Ese salto es, para mí, mucho más importante que cualquier nuevo gráfico añadido a una plataforma de escucha.
La ventaja ya no estará en disponer de más datos
Todas las campañas relevantes terminarán teniendo acceso a herramientas de inteligencia artificial. La capacidad de resumir cien mil publicaciones, encontrar términos emergentes o clasificar conversaciones dejará progresivamente de ser una ventaja competitiva porque será accesible para casi todos.
La diferencia estará en el método: qué preguntas hacemos, qué relaciones buscamos, qué señales consideramos relevantes, qué hipótesis descartamos y, sobre todo, qué decisiones somos capaces de modificar antes que el adversario.
Por eso creo que estamos entrando en una etapa que podríamos llamar Inteligencia Narrativa Agéntica. No se trata de sustituir a los analistas por agentes. Se trata de conseguir que los agentes realicen buena parte del trabajo mecánico de investigación contextual para que el analista pueda dedicar más tiempo a aquello que sigue siendo profundamente humano: comprender poder, intereses, identidad, cultura y comportamiento político.
El social listening nos enseñó a escuchar Internet. La siguiente etapa debería enseñarnos a investigarlo.
Herramienta gratuita · 5 minutos
¿Qué dirá la inteligencia artificial cuando le pregunten por usted?
Mida en 15 preguntas su nivel de exposición en los cinco pilares de una estrategia AEO/GEO y obtenga prioridades y primeros pasos concretos.
Este artículo forma parte de la serie del blog sobre IA y comunicación política. Relacionados:
- Rumania, Eslovaquia y Corea del Sur: tres casos reales de IA en elecciones
- AEO y GEO: la nueva disciplina de posicionamiento reputacional en la era de la IA generativa
- Los ciudadanos ya no le preguntarán a Google quién dice la verdad. Se lo preguntarán a una IA
- ¿Y si el detector de deepfakes también se equivoca?