Dentro del filtro de reseñas de Google: un vistazo a cómo el aprendizaje automático encuentra reseñas falsas

Google no proporciona un manual para su detección de reseñas falsas. Pero a partir de publicaciones de blogs de la compañía, documentos gubernamentales y análisis de expertos, el diseño del sistema queda claro, y es mucho más avanzado de lo que muchos suponen.

Cada día, 20 millones de contribuciones llegan a Google Maps y Search. Son reseñas, fotos, cambios e ideas. La abrumadora mayoría son reales. Una parte notable no lo es. Clasificar este volumen no es tarea para humanos. Es tarea para el aprendizaje automático, y esa máquina se ha vuelto extremadamente efectiva.

Para comprender cómo funciona el filtro de Google, primero debe apreciar los números. Veinte millones de elementos enviados por usuarios llegan diariamente. Eso es aproximadamente 230 por segundo, 24/7, desde todos los rincones del mundo, en todos los idiomas, en todo tipo de dispositivos. La noción de que las personas podrían revisar incluso una pequeña parte de esto, y mucho menos hacerlo de manera consistente, es un error fundamental. Este nunca fue un problema que las personas pudieran resolver.

En cambio, Google construyó un sistema de aplicación en capas que está siempre activo. En 2023, eliminó 170 millones de reseñas que incumplían sus reglas, un 45% más que el año anterior. En 2024, el total ascendió a 240 millones. Este aumento interanual no solo significa que se escriben más reseñas falsas, aunque eso podría ser un factor. Significa que la tecnología de detección está mejorando más rápido que los métodos para eludirla.

Lo que está en juego para las empresas es inmenso. Un estudio de 2023 en el Journal of Business Research reveló que las reseñas negativas falsas se dirigen desproporcionadamente a restaurantes exitosos, dañando a las mismas empresas que más dependen de su bien ganada reputación. Por el lado de la oferta, los propios abogados de Google han demandado a vendedores de reseñas falsas, incluido un caso de 2023 contra un proveedor en Bangladesh cuyo sitio web, Bigboostup.com, estaba creando reseñas falsas para negocios locales estadounidenses.

¿Por qué aún se cuelan reseñas falsas?

Si Google elimina cientos de millones de reseñas falsas anualmente, ¿por qué algunas llegan a un perfil? Es la misma razón por la que algunos correos electrónicos no deseados aún llegan a su bandeja de entrada incluso con buenos filtros. Los métodos de evasión se vuelven más inteligentes, y hay una delgada línea entre los falsos positivos (reseñas reales eliminadas erróneamente) y los falsos negativos (reseñas falsas que pasan). Google ajusta su sistema para evitar eliminar reseñas auténticas, lo que significa que las falsificaciones inteligentes pueden durar más que las descaradas.

Joy Hawkins, fundadora de Sterling Sky y destacada investigadora en el campo del SEO local, ha estudiado este desequilibrio en detalle. Su trabajo demuestra que el filtro de Google a veces puede eliminar grupos de reseñas legítimas, especialmente para abogados y médicos, donde varios clientes reales podrían usar la misma Wi-Fi de la sala de espera. El filtro no es perfecto en ninguna dirección.

Google no ha publicado un manual técnico para su sistema de moderación de reseñas. Tenemos publicaciones de blogs de la compañía, declaraciones a la FTC y el análisis de investigadores que observan las acciones del sistema. En conjunto, estas fuentes apuntan a un proceso de cinco partes que se ejecuta constantemente junto con las funciones normales de Google Maps.

El principio de diseño central, que Google ha mencionado en su blog 'Manteniendo la autenticidad de las reseñas', es que el proceso no termina cuando se publica una reseña. Una reseña que pasa la verificación inicial puede ser revisada nuevamente días o semanas después a medida que llega nueva información. Si la Cuenta A obtiene una puntuación aprobatoria el lunes, pero el jueves se vincula a un grupo de otras doce cuentas que acaban de ser marcadas, las reseñas publicadas de la Cuenta A vuelven a ser examinadas. Es por eso que las empresas a veces ven desaparecer reseñas mucho después de que aparecieron por primera vez.

El papel de los analistas humanos

Los sistemas automatizados se encargan de los casos de gran volumen en los que el sistema tiene mucha confianza. Los casos límite van a los investigadores humanos. Se trata de falsificaciones difíciles que encuentran lagunas en las estadísticas, o reseñas reales que parecen un patrón sospechoso. Estos empleados de Google examinan la evidencia directa: capturas de pantalla de chats de estafadores, patrones en los informes de propietarios de negocios y análisis de lenguaje. Lo que encuentran se utiliza para reentrenar el modelo. Así fue como ocurrió la eliminación de una red de 5 millones de reseñas en 2023: los humanos definieron el patrón, el modelo lo absorbió y las nuevas detecciones se volvieron automáticas.

Este ciclo de retroalimentación es el elemento de diseño más crítico del sistema. El objetivo no es crear una lista de reglas. Es crear un modelo tan avanzado que revise su propia definición de fraude, casi en tiempo real.

Análisis de texto y PNL

Un aspecto menos publicitado de la detección de reseñas falsas implica el texto en sí. Los modelos de procesamiento de lenguaje natural (PNL) pueden detectar signos lingüísticos comunes en reseñas fabricadas: demasiados superlativos, falta de detalles concretos, uso excesivo de 'yo' y frases repetitivas en diferentes cuentas. Investigaciones en el Journal of Marketing Analytics mostraron que los marcadores de lenguaje psicológico, como el esfuerzo cognitivo y el tono emocional, pueden separar reseñas falsas de las reales con gran precisión. La PNL propia de Google, mejorada con Gemini en 2024, realiza este trabajo a gran escala.

Google no ha proporcionado un inventario completo de sus señales de detección. Sin embargo, al combinar declaraciones oficiales, testimonios de la FTC, estudios de expertos y una observación cuidadosa de lo que se marca y lo que no, podemos reunir el conjunto principal de señales. Diez de ellas son responsables de la mayor parte de la aplicación.

Estas diez señales no son una simple lista de verificación; son puntos de datos ponderados en un modelo de probabilidad. Una sola señal rara vez es suficiente para desencadenar una acción. El sistema busca combinaciones, patrones donde varias señales se confirman mutuamente. Una cuenta nueva de una IP compartida que usa texto de plantilla sin fotos activa cuatro señales a la vez, y esa combinación produce una puntuación de alta confianza para su eliminación.

La ráfaga de cuentas: el patrón más revelador de Google

De todas las señales, la detección de ráfagas de cuentas es la que desmantela más eficazmente los esquemas de reseñas a gran escala. Cuando un vendedor crea cincuenta cuentas falsas para reseñar el perfil de un cliente, esas cuentas a menudo comparten datos de creación, incluso si usan diferentes IP y dispositivos. Podrían tener proveedores de correo electrónico similares, registrarse una tras otra o tener configuraciones iniciales idénticas. En su informe de transparencia de 2023, Google atribuyó específicamente la agrupación basada en grafos como la tecnología que eliminó 5 millones de reseñas falsas de una red de estafas en solo unas pocas semanas.

Por qué algunas falsificaciones aún se cuelan

Ningún sistema de detección puede atrapar el 100% de las falsificaciones sin también marcar erróneamente un número desastroso de las reales. El sistema de Google está ajustado para causar el menor daño a las reseñas auténticas. Esto significa que una falsificación muy bien hecha, una de una cuenta real y antigua, en una dirección IP doméstica en la ciudad correcta, con un historial de otras reseñas, podría pasar la primera verificación y permanecer activa durante semanas. La adición de Gemini al sistema en 2024 tiene como objetivo resolver este problema exacto al realizar un análisis de comportamiento profundo que puede encontrar pequeñas inconsistencias que incluso los modelos estadísticos pasan por alto.

No todos los intentos de publicar una reseña falsa tienen la misma probabilidad de ser detectados. El riesgo abarca desde tácticas sutiles que el filtro a menudo pasa por alto hasta comportamientos obvios que conducen a una eliminación casi instantánea. Saber dónde se sitúa una táctica en este rango separa a los novatos de los profesionales, y es por eso que la detección de Google sigue mejorando.

Lo que esto significa para las empresas es simple: el riesgo de detección crece mucho más rápido que el número de reseñas. Comprar veinte reseñas de un proveedor barato es exponencialmente más arriesgado que comprar cinco de uno de alta gama. Con veinte reseñas, la velocidad de llegada por sí sola es suficiente para activar la detección, sin importar cuán buenas sean las cuentas. El volumen es lo que más confiablemente empuja al sistema de observar a actuar.

Hablar de forma abstracta sobre las señales de detección es una cosa. Verlas en acción durante eliminaciones específicas lo hace real. Los cuatro casos aquí se toman de información pública, documentos legales e informes. No son historias inventadas, sino situaciones reales en las que el sistema de Google encontró y actuó sobre esquemas de reseñas falsas.

El hilo conductor en los cuatro casos es que no fue la calidad de una sola reseña lo que las delató. Fueron los patrones: velocidad, ubicación, conexiones de cuentas y actividad multiplataforma. El sistema no lee una reseña como una persona. Lee los datos que la rodean.

En abril de 2024, Google anunció que incorporaría Gemini, su modelo de lenguaje más potente, al sistema de moderación de Perfiles de Negocio de Google. Este fue un cambio importante. La capacidad de Gemini para razonar con múltiples señales y analizar el comportamiento a largo plazo abordó el mayor punto ciego del sistema: la falsificación bien hecha y única. Los modelos anteriores analizaban las señales una por una. Gemini puede comprender la historia completa de las acciones de una cuenta: el momento de sus reseñas, la lógica de sus reseñas para diferentes negocios y si su ruta de actividad tiene sentido.

El efecto fue claro en los datos: 240 millones de reseñas falsas eliminadas en 2024, un aumento del 40% respecto a 2023. Más importante aún, más fueron detenidas antes de su publicación, antes de que nadie las viera. Este paso de la eliminación reactiva al bloqueo proactivo es la marca de un modelo más inteligente. Significa que menos empresas lidian con aumentos de reseñas, menos personas leen contenido falso y toda la plataforma se acerca a lo que Google quiere.

La etiqueta 'Reseñas sospechosas de ser falsas'

Junto con la actualización del algoritmo, 2024 trajo una nueva característica para los consumidores: una advertencia de 'reseñas sospechosas de ser falsas'. Cuando un perfil de negocio tiene patrones extraños, como una avalancha repentina de reseñas de cuentas de baja calidad, Maps ahora muestra un banner para advertir a los clientes potenciales. La función apareció en EE. UU., Reino Unido e India a finales de 2024 y comenzó su lanzamiento global en mayo de 2025. Esto marca un cambio en la política, de solo aplicación a también proporcionar transparencia. Incluso si Google no elimina una reseña, ahora puede mostrar a los usuarios su propia incertidumbre sobre si es genuina.

La dirección es clara. En 2021, una campaña de reseñas falsas bien planificada —utilizando cuentas antiguas, IP domésticas y una buena mezcla geográfica— tenía una buena probabilidad de permanecer activa durante meses. Para 2026, esa misma campaña se enfrenta a un análisis impulsado por Gemini que puede detectar inconsistencias que los modelos anteriores no podían. La vida útil de una reseña falsa se está acortando cada año. Al mismo tiempo, los resultados negativos —cárcel de reseñas, prohibiciones de cuentas y multas de la FTC— están empeorando.

Saber cómo está construido el sistema de detección de Google cambia las reglas del juego para cualquier negocio que considere su estrategia de reseñas. El filtro no busca reseñas que 'suenen falsas'. Busca patrones que no son naturales. Esta diferencia es enorme. Muchas empresas que nunca compraron una sola reseña falsa han visto cómo se filtraban las reales, mientras que algunas campañas falsas inteligentes permanecen activas durante un tiempo.

La lección es que una estrategia de reseñas debe diseñarse para parecer natural a nivel de patrón, no solo a nivel de contenido. Una reseña perfectamente escrita no tiene valor si la cuenta que la publicó activa una alarma de velocidad o falla una verificación de ubicación. La señal que más le importa a Google no es '¿esta reseña parece real?'. Es '¿todo el rastro digital de este revisor se parece al de un cliente real?'

Por qué un ritmo natural de reseñas supera el alto volumen

La lección más consistente del estudio de la detección de reseñas falsas de Google es que la velocidad es el factor de riesgo más importante para la aplicación. Un negocio que obtiene 50 reseñas reales en seis meses tiene cero riesgo de detección, sin importar cómo las haya solicitado. Un negocio que obtiene 50 reseñas en una semana, incluso si todas son reales, podría activar una alerta de anomalía y que algunas sean filtradas. El algoritmo no puede ver el evento del mundo real que llevó a una reseña. Juzga la legitimidad basándose en cuán estadísticamente creíble es el patrón. Un ritmo constante y natural es el patrón al que debe aspirar la recopilación de reseñas genuinas.

El ciclo de retroalimentación positiva de las reseñas reales

Hay un beneficio acumulativo al construir una base de reseñas auténticas. Las cuentas que tienen mucha actividad en Maps y un historial de reseñas de otros negocios señalan legitimidad al sistema. Cuando estas cuentas reseñan su negocio, su aporte tiene más autoridad y es menos probable que se filtre. Esta es exactamente la razón por la que los servicios que utilizan cuentas de 'revisor' dedicadas, que no tienen historial más allá de publicar reseñas falsas, fallan de manera tan predecible. Su falsedad es transparente para el algoritmo. El verdadero argumento a favor de las reseñas auténticas no es solo evitar problemas. Es que las cuentas reales crean señales de reseñas que se fortalecen con el tiempo, mientras que las cuentas falsas crean señales que se desmoronan bajo inspección.

Respuestas directas a las preguntas que no se encuentran en los documentos oficiales de Google, basadas en datos públicos, análisis de expertos y el comportamiento observado del sistema.