El Reversal Curse es un problema de recuperación, no de conocimiento. Un estudio de Google Research (agosto 2026) con 2.150 hechos de Wikipedia revela que los LLM de frontera (Gemini-3, GPT-5) codifican 95-98% de los hechos pero fallan al recordar 26-34% cuando la pregunta invierte la relación sujeto/objeto. Tu entidad puede estar “aprendida” por la IA pero no ser recuperable si solo la redactaste en una dirección. La solución GEO: formular cada relación en ambas direcciones (sujeto→objeto y objeto→sujeto) para que el modelo pueda citarte sin importar cómo se formule la consulta.
Este hallazgo cambia las reglas del Entity SEO: no basta con que tu marca esté anclada a Wikidata con sameAs. Debes redactar explícitamente las relaciones inversas en tu contenido, porque el orden en que se formula la pregunta determina si el modelo puede generar la respuesta. Esto es crítico para consultores B2B en Chile: si ChatGPT sabe que “Best Solution es una agencia SEO en Chile” pero no puede responder “qué agencia SEO opera en Chile”, pierdes la cita aunque el conocimiento esté codificado.
- 95-98% codificado, 26-34% no recordado: Gemini-3-Pro y GPT-5 codifican casi todos los hechos de Wikipedia, pero fallan al recordar 1 de cada 4 en generación abierta (Google Research, agosto 2026).
- El Reversal Curse es un fallo de recall: En verificación (opción múltiple), los modelos responden bien preguntas inversas; en generación (texto abierto), fallan. El conocimiento está presente pero no es accesible.
- El orden sujeto/objeto importa: Si un hecho se aprendió como “A es B”, el modelo lo recuerda fácilmente en dirección directa pero lucha con “qué es B” (inversa). La direccionalidad de la consulta condiciona la recuperación.
- Thinking recupera 40-65% del conocimiento: Los modelos con thinking optimizado recuperan la mayoría de los hechos codificados pero no recordados, estrechando la brecha entre conocimiento y recuperación.
¿Qué es el Reversal Curse y por qué importa para GEO?
El Reversal Curse describe el fenómeno donde un LLM sabe “A es B” pero no puede responder “qué es B”. Durante años se interpretó como falta de conocimiento bidireccional: el modelo habría aprendido la relación en un solo sentido. El estudio de Google Research reframa esto: no es un problema de conocimiento, es un problema de recuperación (recall).
Los investigadores construyeron WikiProfile, un benchmark con 2.150 hechos extraídos automáticamente de Wikipedia usando Gemini-2.5-Pro con thinking. Evaluaron 13 LLMs (incluyendo Gemini-3, GPT-5, Gemma 3) en tres tareas: codificación (reproducir el hecho en contexto), conocimiento (responder preguntas directas e inversas) y recall (generar la respuesta sin pistas). El hallazgo: los modelos de frontera codifican 95-98% de los hechos, pero fallan al recordar 26-34% en generación abierta.
Para un arquitecto GEO, esto significa que tu entidad puede estar perfectamente anclada a Wikidata con Q-IDs verificados, pero si las relaciones solo están redactadas en dirección directa, la IA no podrá citarlas cuando un usuario formule la pregunta inversa. El Reversal Curse no se resuelve con más datos, se resuelve con mejor formulación de las relaciones.
Los 5 perfiles de conocimiento: cómo Google diagnostica la factuality
El paper introduce un framework de “knowledge profiling” que clasifica cada hecho en 5 categorías según el comportamiento del modelo:
| Perfil | Definición | Implicación GEO |
|---|---|---|
| Encoded | El modelo puede reproducir el hecho en contexto similar al pre-entrenamiento | Tu entidad está indexada y el modelo la “reconoce” |
| Known | El modelo responde correctamente preguntas directas E inversas sobre el hecho | Tu entidad es recuperable en cualquier dirección relacional |
| Direct Recall | El modelo recuerda el hecho sin thinking cuando la pregunta coincide con la dirección de aprendizaje | Tu contenido está bien formulado pero solo en un sentido |
| Recall Failure | El hecho está codificado pero el modelo no lo recuerda en generación abierta | Perdes citas aunque la IA “sepa” que existes (Reversal Curse) |
| Inference without Encoding | El modelo responde correctamente sin haber codificado el hecho (razonamiento) | Raro en hechos específicos; más común en conocimiento general |
La distribución muestra que en modelos de frontera como Gemini-3-Pro y GPT-5, los fallos de codificación son raros (2-5%), pero los fallos de recall son sustanciales (26-34%). Esto invierte la intuición tradicional: el problema ya no es “estar indexado”, es “ser recuperable”.
“¿Por qué mi empresa no aparece en ChatGPT si tengo Schema Markup perfecto?”
El Reversal Curse explica esto: tu entidad puede estar codificada en el modelo (gracias a Schema Markup y sameAs con Wikidata), pero si las relaciones solo están redactadas en dirección directa (ej: “Best Solution es agencia SEO”), el modelo no las recuerda cuando la pregunta es inversa (“qué agencia SEO opera en Chile”). La solución es redactar explícitamente ambas direcciones en tu contenido.
Rareza vs. popularidad: el gap de recall se amplía en hechos de long-tail
El estudio compara hechos de baja popularidad (bottom 20%) con hechos de alta popularidad (top 20%). El gap de codificación es modesto, pero el gap de recall es amplio: los hechos raros son casi tan codificados como los populares, pero mucho más difíciles de recordar. Esto reframa el problema del long-tail: no es falta de capacidad del modelo, es dificultad de acceso al conocimiento ya almacenado.
Para una pyme B2B en Chile, esto es relevante: tu marca es un hecho de long-tail comparada con “agencias SEO globales”. Aunque el modelo la codifique (porque está en tu sitio, en Schema Markup, en menciones), el recall será más débil que para entidades populares. La mitigación: reforzar la recuperabilidad con relaciones bidireccionales explícitas y múltiples formulaciones de la misma relación.
Thinking como mecanismo de recuperación: qué modelos lo usan y cuánto recuperan
Los modelos con thinking optimizado (Gemini-3 con thinking, GPT-5 con razonamiento) recuperan 40-65% de los hechos codificados pero no recordados directamente. El thinking actúa como facilitador de recall: ayuda al modelo a acceder a conocimiento que ya tiene pero no puede generar sin reflexión. Sin embargo, el thinking solo recupera 5-15% de hechos no codificados, confirmando que su rol principal es facilitar el acceso, no inferir conocimiento ausente.
Para GEO, esto implica que los usuarios de modelos con thinking (ChatGPT Plus, Gemini Advanced) tendrán mayor probabilidad de citar entidades de long-tail como tu pyme, pero solo si el conocimiento está codificado. El thinking no crea conocimiento de la nada: facilita el acceso a lo que ya está almacenado. Tu responsabilidad es asegurar que esté codificado Y formulado para recuperación bidireccional.
Preguntas frecuentes
¿Qué es exactamente el Reversal Curse en LLMs?
El Reversal Curse es el fenómeno donde un modelo de lenguaje sabe “A es B” pero no puede responder “qué es B”. Un estudio de Google Research (agosto 2026) demuestra que esto no es falta de conocimiento bidireccional, sino un fallo de recuperación: el hecho está codificado pero no es accesible cuando la pregunta invierte la dirección sujeto/objeto aprendida durante el pre-entrenamiento.
¿Cómo afecta el Reversal Curse a la visibilidad de mi empresa en IA?
Si tu entidad solo está redactada en dirección directa (ej: “Best Solution es agencia SEO en Chile”), los LLMs pueden no recordarla cuando un usuario pregunta “qué agencia SEO opera en Chile” (dirección inversa). Aunque el conocimiento esté codificado (gracias a Schema Markup y menciones), el modelo falla al generarlo. La solución es redactar explícitamente ambas direcciones en tu contenido y grafo de conocimiento.
¿Qué porcentaje de hechos recuerdan los LLMs de frontera?
Según Google Research, Gemini-3-Pro y GPT-5 codifican 95-98% de hechos de Wikipedia, pero fallan al recordar 26-34% en generación abierta. Con thinking optimizado, el fallo baja a 11-12%. Esto significa que 1 de cada 4 hechos codificados no es recuperable sin reflexión, y 1 de cada 8-9 incluso con thinking.
¿Cómo aplica SemanticGEO el principio de bidireccionalidad relacional?
SemanticGEO construye un grafo de conocimiento coherente donde cada entidad (Organization, Person, Service) se declara con propiedades explícitas y se conecta mediante @id. Para mitigar el Reversal Curse, el contenido generado incluye formulaciones bidireccionales: no solo “X es Y”, sino también “Y incluye a X” y “qué Y opera en Z”. Esto maximiza la recuperabilidad en consultas directas e inversas.
¿El Reversal Curse afecta igual a hechos populares y de long-tail?
No. El estudio muestra que el gap de codificación entre hechos populares (top 20%) y raros (bottom 20%) es modesto, pero el gap de recall es amplio: los hechos raros son casi tan codificados como los populares, pero mucho más difíciles de recordar. Para marcas B2B de nicho (long-tail), esto refuerza la necesidad de redactar relaciones bidireccionales explícitas para compensar la menor popularidad.
Convierte tu entidad en conocimiento recuperable
El Reversal Curse demuestra que no basta con que la IA “sepa” que existes: debe poder recordar tu entidad en cualquier dirección relacional. Nuestro equipo de arquitectos GEO implementa grafos de conocimiento bidireccionales con SemanticGEO, asegurando que cada relación sujeto-objeto esté redactada en ambas direcciones para maximizar la recuperabilidad en ChatGPT, Gemini y AI Overviews.
