El Día del Trabajo ha terminado.
Hoy es el día 86 de mi estudio de caso sobre Nextdoor, y después de preguntarme ayer si Nextdoor se tomaría un fin de semana largo, volví a comprobarlo hoy.
No he recibido ninguna comunicación en relación con los dos estudios detallados de Insights que solicité.
¿Y NXDR?
Al momento de escribir esto, ronda los 2,20 dólares. Fuentes del mercado indicaban aproximadamente 2,24 dólares a última hora de la tarde, tras el cierre del viernes a 2,24 dólares, por lo que la cifra exacta está cambiando mientras escribo esto.
Bueno, al menos ahora estamos hablando de centavos.
¿Nextdoor está teniendo problemas?
Todavía estoy tratando de averiguarlo.
Pero algo que Nirav Tolia publicó en X el 3 de septiembre me llamó la atención.
“Un estudio de 2025 reveló...”
En la publicación, Nirav escribió:
“Un estudio de 2025 reveló que las reseñas falsas generadas por IA son ahora indistinguibles de las reales...”
E inmediatamente pensé:
Aquí vamos de nuevo.
Un estudio.
¿Qué estudio?
¿Quién lo escribió?
¿Dónde se publicó?
¿Cuál fue la metodología?
¿Cuál fue el tamaño de la muestra?
¿Qué significaba exactamente “indistinguible”?
Esto probablemente les suene familiar a todos los que han seguido mi aventura de 86 días en la investigación sobre la transparencia en Nextdoor.
Y aquí viene lo interesante: investigué y encontré una investigación que respalda la declaración de Nirav.
En un artículo de Fortune publicado el mismo día, Nirav lo identificó más específicamente como un estudio de 2025 de la Escuela de Negocios de la Universidad de Nottingham.
Estudios revisados por pares publicados en 2025 examinan las reseñas falsas generadas por IA, incluido un estudio del Journal of Retailing and Consumer Services que analiza 714.016 reseñas y encuentra diferencias lingüísticas significativas entre las reseñas falsas generadas por IA, las reseñas falsas generadas por humanos y las reseñas auténticas.
Por lo tanto, mi crítica no es:
“El estudio no existe.”
Mi pregunta es:
¿Por qué no citarlo en la publicación original?
Si vas a utilizar la investigación para establecer credibilidad, proporciona a los lectores suficiente información para que puedan evaluarla por sí mismos.
Nombre del estudio. Autores. Publicación. Enlace.
Cuatro cosas.
Hecho.
Especialmente cuando eres el director ejecutivo de una empresa que actualmente promueve la idea de que la procedencia importa.
Es casi demasiado perfecto.
Las reseñas falsas no llegaron con ChatGPT
Otra parte de esta discusión me incomoda.
La IA no inventó las reseñas falsas.
La IA hizo que su producción a gran escala fuera más rápida, más barata y más sencilla.
Los seres humanos llevan manipulando reputaciones desde hace muchísimo tiempo.
De hecho, la historia es bastante entretenida.
Siglo XIX: Walt Whitman publicó anónimamente reseñas entusiastas de su propia obra Hojas de hierba. Eso es, en esencia, la versión decimonónica de crear una cuenta falsa y autoevaluarse con cinco estrellas.
A principios del siglo XX, los periódicos ya lidiaban con información falsa, afirmaciones exageradas y personas que inventaban historias. Para 1913, el New York World había creado una Oficina de Precisión y Juego Limpio, en parte para atender las quejas y erradicar las noticias falsas y a quienes inventaban historias.
Publicidad anterior a Internet: Las empresas utilizaban testimonios y recomendaciones como herramientas de marketing, creando el mismo problema fundamental al que nos enfrentamos hoy: ¿Esta persona recomienda el producto porque realmente le encanta o porque alguien se beneficia de su recomendación?
Los inicios de Internet: Los foros de mensajes, los sitios de reseñas y, finalmente, el comercio electrónico permitieron a empresas e individuos crear cuentas y generar elogios, o atacar a la competencia.
Irónicamente, el propio Nirav cofundó Epinions en 1999, una de las primeras plataformas de reseñas generadas por los usuarios. Ahora reconoce que la economía de las reseñas acabó por volverse vulnerable a la manipulación.
Década de 2010: El negocio de las reseñas falsas se convirtió en una industria. Las empresas podían comprar reseñas positivas, atacar a la competencia con reseñas negativas y los autores de las reseñas podían operar con múltiples identidades.
Década de 2020: Las granjas de reseñas se volvieron cada vez más sofisticadas. Los investigadores descubrieron reseñadores coordinados que elogiaban negocios no relacionados entre sí en distintos países, y en ocasiones, las mismas reseñas aparecían bajo nombres diferentes.
Hoy en día, la IA generativa ha transformado radicalmente la economía. En lugar de pagar a personas para que redacten manualmente cientos de reseñas, ahora es posible generar rápidamente enormes cantidades de texto persuasivo. Las investigaciones demuestran que los sistemas de aprendizaje automático pueden producir reseñas engañosas con capacidades similares a las humanas, aunque los investigadores aún pueden identificar estadísticamente algunas diferencias lingüísticas.
La misma estafa.
Maquinaria mucho mejor.
Lo cual me lleva de vuelta a Nextdoor
La propuesta actual de Nextdoor es que la verificación de identidad y la responsabilidad del vecindario pueden hacer que las recomendaciones sean más fiables.
Esa es una estrategia interesante.
Pero la verificación por sí sola no convierte una opinión en veraz.
Una persona real puede exagerar.
Una persona verificada puede guardar rencor.
Un buen vecino puede recomendar la empresa de su amigo.
Un cliente legítimo puede recibir un incentivo.
Dos vecinos verificados pueden tener experiencias completamente diferentes con el mismo negocio.
Y, como ya he documentado anteriormente, yo también he tenido mis dudas sobre la solidez del sistema de verificación de Nextdoor.
Por lo tanto, "verificado" es una señal de confianza.
No es un suero de la verdad mágico.
¿Importa la procedencia? Estoy de acuerdo.
Eso es precisamente lo que hace que la publicación de Nirav sea tan interesante.
Su argumento principal es esencialmente:
Importa de dónde proviene la información.
Estoy de acuerdo.
Completamente.
Por eso, cuando el director ejecutivo dice:
“Un estudio de 2025 reveló...”
Quiero conocer la procedencia.
Nombre el estudio.
Nombre a los investigadores.
Enlace al mismo.
Dejemos que los lectores lo examinen.
Y eso es precisamente lo que le he estado pidiendo a Nextdoor que proporcione con respecto a su propia investigación.
Durante 86 días.
Nextdoor publicó los resultados de su informe Insights.
Nextdoor informó públicamente a sus lectores que podían solicitar datos detallados.
Lo solicité.
He enviado un correo electrónico.
He hecho un seguimiento.
He ampliado la distribución.
Envié otra solicitud el sábado.
Y sigo esperando los dos estudios detallados.
Día 86
Ayer fue el Día del Trabajo.
Hoy pregunto:
¿Nextdoor está teniendo problemas?
Porque sigo trabajando.
Estoy esperando a que alguien de Nextdoor responda a las preguntas.
La publicación de Nirav argumenta que la procedencia importa.
En eso estamos de acuerdo.
Aquí está mi sugerencia para el día 86:
Practícalo.
Cuando cites una investigación, muéstranos la investigación.
Cuando Nextdoor publique una investigación, muéstrennos la metodología.
Cuando tu propio blog les dice a los lectores que pueden solicitar datos detallados, proporciónales esos datos o explícales por qué no lo harás.
Porque, ya sea que hablemos de la reseña de un restaurante, de una recomendación generada por IA o de un informe de análisis corporativo, el principio es el mismo:
No me digas simplemente que confíe en ello. Dame suficiente información para decidir si debo confiar o no.
Sigue el estudio de caso de Nextdoor en NielFlamm.com/blog.
