Israel financia una campaña para moldear las fuentes detrás de las respuestas de IA

Israel ha financiado una campaña multimillonaria dirigida a la visibilidad en Google News y a las fuentes web detrás de las respuestas generadas por IA. La operación no requiere acceso directo a ChatGPT, Claude, Gemini ni a sus modelos subyacentes. En cambio, busca publicar, posicionar y distribuir suficiente material favorable para que los sistemas de IA encuentren esas narrativas al buscar en la web.

Esa distinción es el núcleo de la historia. Israel no está pagando a una empresa de IA para reescribir en secreto un chatbot. Está financiando una red externa de comunicaciones que intenta influir en el entorno informativo que alimenta a los motores de búsqueda, los motores de respuestas y los sistemas de recuperación de información.

La campaña está asociada con Clock Tower X, una empresa controlada por el exdirector de campaña de Trump, Brad Parscale. Registros públicos describen trabajos relacionados con sitios web, contenido social, optimización para búsquedas y material destinado a influir en el encuadre de conversaciones en GPT. La estrategia cuestiona una suposición tranquilizadora sobre la IA generativa: que una respuesta se vuelve fiable cuando incluye fuentes web actuales.

El contrato apunta tanto a personas como a máquinas

La campaña trata la publicación web como infraestructura para influir al mismo tiempo en audiencias humanas y sistemas automatizados de respuesta.

Clock Tower X se registró conforme a la Ley de Registro de Agentes Extranjeros en septiembre de 2025. El registro identifica a Havas Media Germany como intermediario que trabaja en nombre del Estado de Israel.

Una presentación contractual federal indica que Clock Tower proporcionaría comunicaciones estratégicas, planificación y servicios de medios para una campaña nacional en Estados Unidos. El propósito público declarado era combatir el antisemitismo.

El acuerdo original describía una campaña valorada en seis millones de dólares. Registros e informes posteriores situaron el contrato ampliado de Clock Tower en nueve millones de dólares, con pagos estructurados en aproximadamente un millón y medio de dólares al mes.

El trabajo no se limitaba a la publicidad convencional. El lenguaje contractual describía una “Operación de Búsqueda y Lenguaje”, junto con el despliegue de sitios web y contenido destinados a generar resultados de encuadre en conversaciones en GPT.

Esa redacción importa porque identifica las respuestas de IA como un objetivo explícito de la campaña. No se limita a describir el uso de IA para producir anuncios más rápido.

La campaña prevista también fijó grandes metas de distribución. Según informes basados en el registro, al menos el 80 por ciento del material estaba destinado a audiencias de la Generación Z. Las plataformas objetivo incluían TikTok, Instagram, YouTube, podcasts y otros medios digitales.

La campaña buscaba alcanzar al menos 50 millones de impresiones cada mes. Esas impresiones ayudarían a que los mensajes llegaran directamente a las personas, pero la distribución también genera enlaces, citas, republicaciones y señales de interacción que los sistemas de búsqueda pueden detectar.

Según los informes, Clock Tower planeaba utilizar Market Brew, una plataforma de optimización que modela cómo los motores de búsqueda podrían clasificar el contenido. La optimización para motores de búsqueda, o SEO, es la práctica de facilitar que los sistemas de búsqueda descubran y clasifiquen las páginas.

No hay nada inusual en que una organización utilice SEO. Empresas, campañas políticas, redacciones, gobiernos y grupos de defensa compiten por visibilidad.

Lo inusual es el objetivo declarado de moldear cómo los sistemas de IA encuadran las conversaciones. La campaña parece diseñada para conectar técnicas tradicionales de influencia con los procesos de selección de fuentes utilizados por los modernos motores de respuestas.

Eso crea una superficie más amplia que un solo chatbot. Una página que se posiciona en la búsqueda convencional puede entrar en el descubrimiento de Google News, aparecer en un resumen generado por IA o convertirse en una cita dentro de la respuesta de un chatbot. También puede ser copiada por otros editores, multiplicando su aparente presencia.

Una temprana investigación contractual informó que la operación crearía y desplegaría contenido en múltiples plataformas mientras desarrollaba sitios web destinados a influir en el encuadre de GPT. Coberturas posteriores concluyeron que el esfuerzo continuó más allá del acuerdo inicial.

Clock Tower y Parscale han cuestionado las caracterizaciones del proyecto como una operación encubierta de influencia extranjera. Sin embargo, el registro FARA de la empresa revela formalmente trabajos vinculados con un principal extranjero.

La distinción es importante desde el punto de vista legal y editorial. El registro FARA no establece que todas las afirmaciones publicadas por un registrante sean falsas. Indica a los lectores que el trabajo se realizó dentro de una relación remunerada que involucraba a un gobierno extranjero.

Los usuarios de Google News rara vez ven ese contexto antes de abrir una historia. Es aún menos probable que los usuarios de IA lo encuentren cuando un sistema extrae una afirmación de una página y la comprime en una respuesta.

Por qué Google News forma parte de la cadena de suministro de IA

Google News ya no es solo un destino para lectores, porque sus historias indexadas también pueden convertirse en evidencia para las máquinas.

Los productos de IA generativa se apoyan en varias rutas de información. Sus modelos base aprenden patrones estadísticos a partir de grandes colecciones de datos reunidas antes del entrenamiento. Muchos productos utilizan después búsquedas en tiempo real, bases de datos con licencia o sistemas de recuperación para responder preguntas sobre acontecimientos recientes.

La generación aumentada por recuperación, conocida habitualmente como RAG, es un proceso que proporciona a un modelo documentos seleccionados antes de redactar una respuesta. El modelo utiliza esos documentos como evidencia temporal sin reentrenarse permanentemente con ellos.

Este proceso hace que un chatbot esté más actualizado. También transfiere un poder considerable a los sistemas que seleccionan los documentos.

Si una capa de búsqueda recupera informes fiables, registros oficiales y análisis diversos, el modelo dispone de una base más sólida. Si recupera páginas de defensa coordinadas que se asemejan a fuentes independientes, la respuesta final puede adoptar su encuadre.

Google News importa en este entorno porque organiza una gran parte de la web pública de noticias. Sus agrupaciones, decisiones de indexación y visibilidad en búsquedas afectan lo que encuentran los lectores. También influyen en qué páginas encuentran otras herramientas de búsqueda y monitoreo.

Eso no significa que Google News entrene directamente a todos los principales modelos de IA. Tampoco significa que la inclusión garantice que un chatbot cite una página.

La conexión es más indirecta y más difícil de auditar. Una historia gana visibilidad mediante búsquedas, es enlazada por otro editor, aparece en un conjunto de datos y, más tarde, queda disponible para una herramienta de recuperación de IA. Cada etapa puede amplificar la anterior.

Las empresas de IA utilizan distintos acuerdos de recuperación, sistemas de clasificación y controles de seguridad. OpenAI, Anthropic, Google, Microsoft y otros proveedores no publican listas completas de todas las fuentes consideradas para cada respuesta.

Por ello, los usuarios solo ven la selección final. Incluso cuando aparecen citas, rara vez revelan por qué una fuente superó en clasificación a otra o si varias páginas citadas se remontan a la misma campaña.

Aquí es donde las redes de contenido ganan influencia. Diez sitios web pueden presentar el mismo argumento con distintas marcas, titulares y nombres de dominio. Un sistema de búsqueda podría interpretarlos como confirmación independiente a menos que detecte su propiedad compartida o su producción coordinada.

Google News cuenta con políticas destinadas a evaluar la transparencia, originalidad, prácticas engañosas y responsabilidad editorial. La aplicación de esas políticas en toda la web abierta sigue siendo difícil porque las relaciones pueden pasar por contratistas, agencias de publicidad, empresas pantalla o proyectos con marcas poco definidas.

Una investigación sobre sitios web de marzo de 2026 identificó una red de sitios que publicaban material favorable a Israel. Parscale confirmó los esfuerzos para influir en los resultados de búsqueda y de chatbots, aunque rechazó la etiqueta de campaña de influencia extranjera.

Ese reconocimiento elimina una ambigüedad importante. El esfuerzo por influir en fuentes legibles por máquinas no es solo una interpretación impuesta por los críticos. Se corresponde tanto con el lenguaje contractual como con la descripción del operador sobre la estrategia.

Lo que sigue siendo incierto es el efecto real de la campaña. Encontrar una página respaldada por la campaña en una respuesta de IA demuestra que la página entró en una ruta de recuperación. No demuestra que la campaña cambiara la postura general del modelo, alterara permanentemente los datos de entrenamiento o controlara respuestas futuras.

Los resultados pueden variar según la formulación del usuario, su ubicación, la configuración de la cuenta, el proveedor de búsqueda, la versión del modelo y la fecha. Una fuente que aparece en una respuesta puede desaparecer en la siguiente.

Aun así, una colocación exitosa importa. Muchos usuarios hacen una pregunta, leen un resumen y siguen adelante. Una campaña no necesita control permanente si puede influir en el pequeño conjunto de fuentes que se ve en el momento de la decisión.

Para los trabajadores del conocimiento, esto hace que el linaje de las fuentes sea esencial. Una base de conocimiento de IA personal u organizacional solo es tan fiable como sus documentos subyacentes y sus registros de procedencia.

La verdadera disputa es la selección de fuentes, no el entrenamiento del modelo

La apuesta central de la campaña es que controlar la evidencia detectable puede ser más práctico que cambiar un modelo de IA.

El debate público suele describir la operación como un intento de “entrenar ChatGPT”. La frase es comprensible, pero técnicamente imprecisa.

Clock Tower no puede añadir material de forma independiente al conjunto de datos de entrenamiento de OpenAI. No puede obligar a Anthropic a reentrenar Claude con un sitio web de campaña. No puede instruir a Google para que trate un artículo específico como autoritativo.

Lo que sí puede hacer es producir un gran volumen de material buscable. Ese material puede apuntar a las frases que usa la gente, responder preguntas previsibles, conseguir enlaces y competir por posiciones en los resultados de búsqueda.

Esto se parece más a la colocación de información que al entrenamiento directo de modelos. La campaña busca hacer que las afirmaciones preferidas estén disponibles en los momentos en que una máquina recopila evidencia.

El enfoque refleja un cambio en el funcionamiento de la persuasión en línea. Las campañas tradicionales se dirigían a los votantes mediante anuncios de televisión, envíos postales, publicidad en buscadores y redes sociales. Esos canales siguen siendo importantes, pero la IA introduce un intermediario que resume el material antes de que una persona lo vea.

Ese intermediario puede borrar las señales visibles de persuasión. Un lector que abre un sitio web de defensa puede examinar su marca, tono, autores y divulgaciones. Un chatbot podría reducir la misma página a una frase con apariencia neutral.

La fuente puede seguir enlazada, pero el contexto persuasivo es más débil. Muchos usuarios no abren las citas, especialmente cuando la respuesta suena segura e incluye varias referencias.

Por tanto, la estrategia de Clock Tower enfrenta la transparencia de las fuentes con la saturación de fuentes. La transparencia pide a usuarios y plataformas que examinen quién produjo una afirmación. La saturación busca garantizar que las afirmaciones preferidas estén disponibles repetidamente en todo el entorno de búsqueda.

Este modelo no pertenece a un solo país ni a una posición política. Cualquier gobierno, corporación, grupo de presión, red activista u operador comercial puede intentarlo.

Las barreras son relativamente bajas. Un grupo coordinado puede generar artículos, traducirlos, crear sitios web especializados y optimizar páginas mucho más rápido con IA generativa. La automatización también facilita revisar la red cuando cambian las prioridades políticas.

Los informes indican que los sitios de Clock Tower cambiaron su énfasis a medida que evolucionaban los acontecimientos. Los primeros materiales supuestamente presentaban a Israel como un país pacífico y tecnológicamente productivo. Más adelante, el contenido abordó las guerras relacionadas con Gaza e Irán, junto con críticas a periodistas e instituciones internacionales.

Esa capacidad de respuesta revela la ventaja operativa de la campaña. Un archivo estático de propaganda se vuelve obsoleto. Una red de fuentes gestionada de forma continua puede apuntar a las preguntas exactas que ganan tracción en las búsquedas.

Google News y los sistemas de chatbot afrontan problemas relacionados en este caso, pero sus funciones no son idénticas. Un agregador de noticias debe identificar a los editores, agrupar coberturas similares y clasificar historias oportunas. Un chatbot debe seleccionar fuentes, conciliar afirmaciones y redactar una respuesta.

Ambos pueden fallar cuando una diversidad aparente oculta una coordinación común. Cinco dominios no representan cinco perspectivas si un mismo contratista dirige los cinco.

Las respuestas de IA añaden otra complicación. Los modelos suelen combinar fuentes a nivel de oración, lo que dificulta identificar qué página aportó cada frase. Las interfaces de citas pueden sugerir una trazabilidad mayor de la que el sistema realmente ofrece.

Los operadores de campaña no necesitan que se acepte cada afirmación. Pueden centrarse en preguntas ambiguas en las que el encuadre pesa más que un único hecho verificable.

Pensemos en un usuario que pregunta si una acción militar estaba justificada, si la cobertura mediática es sesgada o si un país sigue siendo un aliado fiable. Estas preguntas exigen seleccionar acontecimientos, interpretaciones jurídicas y premisas morales. La elección de fuentes puede determinar los límites de la respuesta antes de que comience su generación.

Un artículo respaldado por una campaña podría destacar ataques contra civiles israelíes, amenazas a la seguridad regional o prácticas periodísticas controvertidas. Una organización de derechos palestinos podría destacar muertes de civiles, desplazamientos, ocupación o restricciones a la ayuda.

Una respuesta fiable debería identificar esas perspectivas y separar los hechos verificables de las interpretaciones controvertidas. Una campaña de optimización de fuentes se beneficia cuando el sistema trata una perspectiva como contexto neutral.

Por eso el problema no puede resolverse prohibiendo un conjunto de dominios. Esa respuesta invitaría a una censura arbitraria y abriría otra vía para la presión política.

Las plataformas necesitan señales de procedencia más sólidas. Estas pueden incluir declaraciones de propiedad, condición ante la FARA, identificadores analíticos compartidos, patrones de publicación idénticos, infraestructura de alojamiento común y lenguaje repetido entre medios nominalmente separados.

También necesitan medidas de diversidad basadas en la independencia institucional, no en el número de dominios. Tres páginas financiadas mediante el mismo contrato no deberían tener el mismo peso probatorio que tres organizaciones no relacionadas.

La evidencia de influencia es real, pero el control no está demostrado

Que las páginas de la campaña aparezcan en respuestas de IA demuestra acceso a la cadena de procesamiento, no control sobre la respuesta final.

Informes recientes han tratado la aparición de material vinculado a Clock Tower en resultados de chatbots como prueba de que la estrategia está funcionando. Esa conclusión requiere límites cuidadosos.

Si un sistema de IA cita una de las páginas de la red, la campaña ha logrado ser detectable. Ha colocado material dentro del conjunto de evidencia utilizable por el sistema.

Es un resultado significativo. El contrato describía explícitamente esfuerzos para influir en las búsquedas y el encuadre de GPT, por lo que la recuperación de ese material se alinea con el objetivo declarado.

No es lo mismo que demostrar una persuasión amplia. Los investigadores necesitarían pruebas repetidas y controladas en distintos modelos, prompts, ubicaciones, idiomas y fechas para establecer un cambio sistemático.

Esas pruebas también necesitarían una línea de base. Sin respuestas archivadas de antes de la campaña, los analistas no pueden atribuir con confianza un cambio a Clock Tower en lugar de a acontecimientos actuales, actualizaciones de modelos u otra información publicada recientemente.

Las auditorías independientes se enfrentan a otro problema: las respuestas de IA son inestables. La misma pregunta puede producir fuentes diferentes en sesiones separadas. Los índices de búsqueda también cambian a medida que las páginas ganan o pierden visibilidad.

Un estudio adecuado registraría la respuesta completa, las citas, la versión del modelo, la hora de recuperación, la ubicación del usuario y la redacción del prompt. Después clasificaría las fuentes citadas según su propiedad, financiación e independencia editorial.

Ninguna evidencia disponible públicamente revisada para este artículo establece que Israel obtuviera un control duradero sobre el comportamiento general de ChatGPT, Claude o Gemini.

La afirmación verificada más sólida es más limitada. Israel financió a un contratista de comunicaciones registrado, cuyos planes incluían sitios web, optimización para búsquedas, distribución a gran escala e intentos de afectar el encuadre de GPT.

Una investigación de abril informó de que Israel había pagado nueve millones de dólares a Clock Tower y renovado su trabajo. También describió la preocupación entre defensores proisraelíes de que las plataformas de IA estuvieran recurriendo en gran medida a material que consideraban hostil a Israel.

Esa preocupación ayuda a explicar el momento. El apoyo público a Israel se había debilitado durante la guerra de Gaza, especialmente entre los estadounidenses más jóvenes.

Una encuesta internacional de opinión de 2025 encontró opiniones predominantemente desfavorables sobre Israel en muchos de los países encuestados. Las opiniones sobre el primer ministro israelí Benjamin Netanyahu también eran ampliamente negativas.

Una campaña de influencia puede aumentar la visibilidad de un mensaje, pero no puede revertir automáticamente esas actitudes. La opinión pública responde a las políticas, la experiencia personal, las relaciones de confianza, las imágenes de zonas de conflicto y la información de muchas instituciones.

Esto crea la debilidad central de la campaña. Trata un problema de legitimidad, en parte, como un problema de distribución de información.

Un contenido más favorable puede llenar vacíos en las búsquedas o cuestionar afirmaciones falsas. También puede resultar contraproducente si las audiencias descubren que sitios aparentemente independientes pertenecen a una red financiada por un gobierno.

Por tanto, la divulgación no es una cuestión menor de cumplimiento. Cambia la forma en que un lector razonable evalúa el material.

La FARA ofrece un mecanismo de divulgación para actividades en Estados Unidos. Sin embargo, un lector ya debe saber que tiene que buscar en la base de datos federal, conectar un dominio con un contratista e interpretar la declaración.

Las interfaces de IA podrían mostrar ese contexto automáticamente. Una etiqueta de cita podría indicar que una fuente fue producida bajo una relación registrada con un principal extranjero. También podría identificar financiación de defensa de intereses, propiedad gubernamental o control común entre los dominios citados.

Estas etiquetas no determinarían la verdad. Los documentos gubernamentales pueden ser exactos, mientras que los sitios independientes pueden publicar errores. La etiqueta proporcionaría a los usuarios la información necesaria para evaluar incentivos e independencia.

Las plataformas también deben evitar una aplicación partidista. Las campañas de influencia no son exclusivamente israelíes, y el escrutinio no debería depender de si una plataforma está de acuerdo con el mensaje.

Gobiernos como los de Rusia, Irán, China y Estados Unidos han utilizado las comunicaciones digitales para influir en audiencias extranjeras. Organizaciones políticas de todo el espectro ideológico optimizan material para búsquedas y distribución social.

El estándar defendible es conductual y transparente. Las plataformas deberían examinar la producción coordinada, el patrocinio oculto, la independencia tergiversada y la manipulación de los sistemas de clasificación, independientemente del patrocinador.

Google News afronta una presión particular porque los editores quieren razones claras para la inclusión, la degradación o la eliminación. Una aplicación excesivamente secreta puede ocultar errores. Unas normas demasiado detalladas pueden enseñar a los operadores cómo eludir la detección.

Los proveedores de IA afrontan la misma disyuntiva. Necesitan suficiente transparencia para que usuarios e investigadores puedan auditar las respuestas, pero no un plano completo para manipular la recuperación de información.

La campaña también plantea un reto para los periodistas. Volver a publicar una afirmación provocadora sobre IA manipulada puede amplificar la visibilidad de la campaña, incluso cuando la cobertura es crítica.

Las redacciones deberían enlazar a declaraciones primarias, identificar relaciones contractuales y distinguir la evidencia de un intento de influencia de la prueba de una persuasión exitosa. Los titulares que afirman que un gobierno ha “entrenado” a un chatbot corren el riesgo de exagerar lo que muestra la evidencia.

Los lectores pueden aplicar la misma disciplina. Abran la página citada, identifiquen a su editor, comprueben su fecha y busquen un autor y una declaración de financiación. Después compárenla con un documento oficial y con información de una organización no relacionada.

Para proyectos más extensos, preservar el contexto de las fuentes es más fiable que confiar únicamente en un resumen generado. Una base de conocimientos con función de búsqueda puede conservar documentos, fechas y evidencia circundante para una revisión posterior.

Lo que las empresas de IA y los editores deben hacer ahora

La siguiente fase mostrará si las plataformas pueden exponer redes coordinadas de fuentes antes de que esas redes se conviertan en componentes normales de la recuperación de información por IA.

La primera señal que hay que observar es la divulgación en las citas. Google, OpenAI, Anthropic, Microsoft y otros proveedores deberían aclarar cuándo un editor citado trabaja para un gobierno extranjero o una red coordinada de defensa de intereses.

Un sistema de divulgación visible reforzaría la conclusión de que la procedencia se ha convertido en un asunto central de seguridad de la IA. El silencio continuado dejaría a los usuarios la responsabilidad de realizar investigaciones que las plataformas pueden llevar a cabo de forma más eficiente.

La segunda señal es la medición independiente. Los investigadores deberían comprobar si los dominios vinculados a campañas aparecen con más frecuencia ante preguntas sobre Israel, Gaza, Irán, antisemitismo, periodismo y política exterior de Estados Unidos.

Esos estudios deben comparar modelos y registrar resultados a lo largo del tiempo. Unas pocas capturas de pantalla pueden demostrar que se produjo una recuperación, pero no pueden medir la frecuencia ni la influencia.

Una sobrerrepresentación constante en distintos modelos reforzaría las afirmaciones de que la optimización de fuentes está afectando las respuestas de IA. Apariciones poco frecuentes o de corta duración sugerirían que la campaña logró posicionamiento sin obtener una influencia sostenida.

La tercera señal es la aplicación de normas en toda la red editorial. Google News y otros servicios de descubrimiento pueden examinar si los sitios relacionados revelan su propiedad, producen información original y cumplen las políticas contra prácticas engañosas.

Cualquier aplicación de normas debería incluir explicaciones claras y un proceso de apelación. Eliminar sitios únicamente porque expresan una posición política generaría graves preocupaciones sobre libertad de expresión y equidad.

Una respuesta más defendible se centraría en la coordinación no divulgada, las representaciones falsas de independencia, la duplicación automatizada o la manipulación que infringe las normas existentes de la plataforma.

Los editores deberían prepararse para estándares de procedencia más altos, incluso si las plataformas actúan lentamente. Las organizaciones de noticias pueden publicar información sobre propiedad, historiales de correcciones, credenciales de autores y declaraciones legibles por máquinas.

Las empresas de IA pueden usar entonces esas señales al clasificar la evidencia. También deberían reducir el peso otorgado a grupos de páginas que repiten afirmaciones sustancialmente idénticas bajo marcas diferentes.

Las interfaces de respuesta también necesitan mejorar. Las citas deberían conectar afirmaciones individuales con pasajes específicos, no limitarse a mostrar varios enlaces debajo de una respuesta completa.

Un sistema debería distinguir los hechos respaldados por documentos primarios del análisis aportado por una fuente de defensa de intereses. Cuando las autoridades discrepan, la respuesta debería nombrar ese desacuerdo en lugar de mezclar posiciones para crear un falso consenso.

Los usuarios también necesitan una indicación de la concentración de fuentes. Si la mayor parte de la evidencia procede de organizaciones que comparten financiación o propiedad, la interfaz debería indicarlo.

Estos cambios no eliminarán las operaciones de influencia. Las clasificaciones de búsqueda siempre han atraído manipulación, y los actores políticos seguirán adaptándose a los nuevos sistemas de distribución.

El objetivo es hacer visible la coordinación antes de que la prosa generada elimine su contexto.

Este caso también ofrece una advertencia sobre los productos de navegación con IA. Un chatbot con búsqueda en tiempo real parece más responsable porque puede mostrar citas. Sin embargo, las citas solo mejoran la confianza cuando el sistema de recuperación identifica pruebas creíbles, independientes y relevantes.

De lo contrario, la interfaz puede convertir la repetición en autoridad. Una respuesta segura respaldada por varias páginas coordinadas puede parecer mejor documentada que una respuesta cautelosa basada en un único registro primario.

Esa es la importancia más amplia de la campaña israelí. Hace explícito lo que muchos especialistas en marketing, propagandistas y empresas de gestión de reputación ya han reconocido: la web se está convirtiendo en una base de datos consultable mediante prompts.

Publicar para esa base de datos es distinto de publicar para un lector humano. Las páginas pueden estructurarse en torno a preguntas previstas, afirmaciones concisas, entidades repetidas y un lenguaje que un sistema de IA pueda extraer fácilmente.

Es posible que la audiencia nunca visite la página. La campaña tiene éxito si su enfoque perdura dentro de una respuesta.

Google News sigue siendo un campo de batalla importante porque se sitúa entre los editores, el comportamiento de búsqueda y el descubrimiento automatizado. Sin embargo, la responsabilidad no recae únicamente en Google.

Cada proveedor de IA que recupera información de la web abierta toma decisiones de clasificación. Cada editor que distribuye material contribuye al entorno probatorio. Cada usuario que acepta un resumen sin inspeccionar las fuentes refuerza el incentivo de dirigirse a las máquinas en lugar de a los lectores.

Los hechos verificados no demuestran que Israel controle los principales chatbots. Muestran algo más limitado, pero aun así relevante: un contratista financiado por el gobierno construyó abiertamente operaciones de contenido y búsqueda destinadas a influir en lo que esos sistemas recuperan y dicen.

La pregunta inmediata no es si una campaña puede reescribir un modelo entero. Es si las empresas de IA pueden reconocer la persuasión coordinada antes de que sus productos la presenten como evidencia independiente.

Los lectores deberían vigilar las citas. Después deberían preguntarse quién financió las fuentes, cuántas son realmente independientes y si Google News o un resumen de IA conservaron el contexto necesario para evaluarlas.