Por qué un prompt de ChatGPT no hace que tus textos cumplan la EmpCo

En los datos de búsqueda aparece algo llamativo: hay gente escribiendo prompts enteros en Google — instrucciones del tipo «eres un verificador de cumplimiento para textos de producto, revisa el HTML en busca de riesgos legales: superlativos sin prueba, greenwashing sin fuente, promesas de salud sin norma». No es una pregunta. Es un prompt. Están intentando construirse un verificador de cumplimiento dentro de una ventana de chat antes de que la Directiva EmpCo / ECGT se aplique el 27 de septiembre de 2026.

El instinto es correcto. Tienes unos miles de descripciones de producto, una fecha límite y ningún presupuesto para un despacho. Un LLM lee bien y detecta con soltura un superlativo sin respaldo. ¿Por qué se cae entonces este enfoque en la práctica?

Lo que el prompt hace bien

Hay que reconocerlo: los prompts que escribe la gente nombran las categorías de riesgo correctas — afirmaciones ambientales vagas, superlativos sin prueba, promesas de salud o protección sin norma detrás. Es un modelo de trabajo razonable de lo que persigue la directiva, y un modelo generalista encuentra los casos evidentes. Detectar un «100 % climáticamente neutro» en una ficha de producto no tiene dificultad.

Si lo que buscas es una primera impresión de una sola página, un prompt te la da. El problema empieza en cuanto necesitas que el resultado se sostenga.

Cinco cosas que un prompt no puede hacer

1. Da un resultado distinto cada vez

Pasa la misma descripción por el mismo prompt tres veces y obtendrás tres listas que se solapan pero no coinciden. En un modelo generativo eso es comportamiento normal; en cumplimiento normativo es letal. Si un compañero repite tu revisión y obtiene otro resultado, ninguno de los dos puede decir cuál era el correcto, y un procedimiento que no se repite no se puede presentar ante nadie. Un conjunto de reglas es determinista por construcción: el mismo texto activa la misma regla siempre, porque una regla es una regla y no una predicción.

2. No puede citar de forma fiable la norma que aplica

Pregunta a un modelo por qué una frase es problemática y producirá una cita con apariencia jurídica. A veces es correcta. A veces cita un número de artículo que no existe, o atribuye una prohibición al instrumento equivocado — confundiendo la Directiva EmpCo con la propuesta separada de Directiva sobre Afirmaciones Verdes, retirada en junio de 2025. Una cita que tienes que verificar a mano no te ahorra el trabajo para el que la usaste.

3. Nunca ve tus imágenes

Este es el punto ciego más grande y el más fácil de pasar por alto. Pega tu HTML en un chat y el modelo lee tu texto. No lee la afirmación impresa en tu banner principal, ni el sello de la hoja verde en la foto del envase, ni el logotipo de certificación de tu pie de página. En las webs que hemos analizado, la imaginería visual engañosa y el uso de marcas de certificación están entre los hallazgos más frecuentes — y un prompt de solo texto no ve ninguno de los dos.

4. No distingue una afirmación probada de una sin probar

Bajo la directiva, la mayoría de afirmaciones ambientales no están prohibidas de raíz: son condicionales. «Algodón orgánico» es correcto si tienes el certificado y cubre ese producto. Es una infracción si no lo tienes. Las palabras en la página son idénticas en ambos casos. Un modelo que solo mira tu texto no puede saber en cuál de las dos situaciones estás, así que o marca cada afirmación legítima que sí puedes probar, o deja pasar las que no. Ninguna de las dos sirve. Necesitas la prueba vinculada a la afirmación, no solo una opinión sobre la redacción.

5. No deja registro fechado

Si una autoridad de consumo o un competidor impugna una afirmación, lo útil no es un historial de chat. Es un informe fechado que muestre qué decía tu web un día concreto, con qué regla se midió cada afirmación y qué cambiaste. Una ventana de chat no produce nada de eso, y la conversación desaparece al cerrar la pestaña.

La misma frase, dos caminos

Toma una línea verosímil: «Nuestra botella de bambú climáticamente neutra — la opción más sostenible, hecha con materiales totalmente naturales.» Un prompt típico responde algo como «contiene afirmaciones de sostenibilidad vagas, conviene revisarlas». Cierto, pero inservible.

Una comprobación basada en reglas la separa en tres problemas distintos con tres soluciones distintas. «Climáticamente neutra» basada en compensación es una prohibición per se del Anexo I: ninguna prueba la salva, la expresión debe desaparecer. «Más sostenible» es un superlativo comparativo que exige prueba frente a un grupo de comparación definido. «Totalmente natural» es una afirmación ambiental genérica que requiere un desempeño ambiental excelente reconocido. Tres hallazgos, tres bases legales, tres reescrituras concretas — en vez de un párrafo de consejos.

Qué hacer en su lugar

1. Empieza por la lista de términos, no por un prompt. Hay 82 términos prohibidos o restringidos. Buscarlos en tu catálogo es una tarea finita y comprobable — consulta la lista completa de términos prohibidos.
2. Revisa las imágenes igual que el texto. Todo lo impreso dentro de una imagen cuenta como afirmación. Si tu proceso solo lee HTML, estás auditando media tienda.
3. Reúne los certificados antes de reescribir. La mitad de lo que parece una infracción es una afirmación legítima que puedes probar. Busca la prueba primero y reescribe solo lo que de verdad no tiene respaldo.
4. Guarda un registro fechado de cada pasada. El valor de una auditoría está en poder mostrarla después.
5. Usa un LLM donde es fuerte — redactando la alternativa conforme una vez que sabes qué regla estás corrigiendo. Eso es escribir, y escribiendo los modelos son buenos.

Nada de esto significa que la IA no tenga sitio en el cumplimiento normativo. Significa que el modelo debería aplicar un conjunto de reglas fijo en lugar de improvisar uno, leer tus imágenes además de tu texto, y escribir sus hallazgos en algo que puedas conservar. Eso es una herramienta distinta de una ventana de chat, no un prompt más listo.