GEO y AI SEO sin mitos: qué funciona de verdad en la IA

A las respuestas de ChatGPT, Gemini, Perplexity y AI Overview una marca llega sobre todo por dos vías que se solapan, y el GEO es el trabajo sobre las dos:

1. A través de la búsqueda. Mientras responde, el modelo busca en la web y cita parte de las páginas que encuentra. Aquí funciona lo mismo que en el SEO: acceso para los robots, indexación, visibilidad para la palabra clave y sus variantes, y fragmentos que responden a la pregunta sin necesitar el resto de la página. El efecto se ve, como en el SEO, al cabo de semanas o meses.
2. A través de la memoria del modelo. El modelo responde con lo que aprendió antes de que terminara su entrenamiento, y esa memoria influye también en qué marcas nombra cuando busca en la web. Aquí cuenta lo que otros han escrito sobre la marca y una descripción coherente de ella en muchas fuentes. No he medido el ritmo de los cambios en la memoria, así que en un horizonte de un trimestre no prometo nada.

La mayoría de los «trucos de GEO» no tiene prueba, y una parte de ellos la comprobé con mis propios datos. Para el archivo llms.txt y los datos estructurados no hay prueba de que produzcan citas. Más encabezados no subieron las páginas al top 3 en mi test. El test de si la posición en las subconsultas predice la cita mejor que la posición en la palabra clave principal no resolvió nada, y mi primera conclusión la refutó el control cruzado. Las pruebas de cada una de estas frases están más abajo.

¿Qué es el GEO y cómo se llama este trabajo?

El GEO es el trabajo para que una marca aparezca en las respuestas que genera la IA: en AI Overview y en el Modo IA de Google, en ChatGPT, Gemini, Perplexity y Copilot. Este mismo trabajo tiene varios nombres, y las diferencias entre ellos son sobre todo de marketing:

El nombre GEO tiene origen científico, y el fundamento de todo este trabajo es el mismo que el del SEO. GEO procede de un artículo científico de noviembre de 2023, aceptado en la conferencia KDD 2024. Sus autores, Pranjal Aggarwal y colaboradores, mostraron con su propio conjunto de pruebas que los cambios en el contenido pueden aumentar la visibilidad de una fuente en las respuestas generativas hasta un 40% (arXiv). Google escribe en su documentación que optimizar para la búsqueda generativa sigue siendo SEO (Google Search Central). Cyrus Shepard, de Zyppy, responde de forma parecida a la pregunta de si una empresa necesita una estrategia de GEO aparte:

Tampoco la gente tiene un único nombre para este trabajo, y se nota en los resultados de Google. La pregunta sobre cómo se llama este trabajo aparece en la sección «Otras preguntas de los usuarios» en los resultados de Polonia, sus equivalentes en los de Alemania, España y Finlandia, y la inglesa «What is AI SEO called now?» en los de EE. UU., Suecia y Singapur. La pregunta sobre la diferencia entre GEO (o LLMO) y SEO aparece en 9 de los 27 mercados comprobados, de Brasil a Japón.

El nombre que domina depende del mercado. En Japón, el 72% de unas 16 730 búsquedas mensuales sobre este tema es LLMO, y la palabra clave «llmo» sola tiene unas 12 100 búsquedas, más que «ai seo» en EE. UU. (unas 6600). En Alemania y Francia domina GEO (64% y 66%), y en Corea del Sur, el 83%. En Polonia, el 58% de unas 2265 búsquedas mensuales es AI SEO, con la palabra clave «ai seo» y las descripciones polacas («pozycjonowanie ai», «pozycjonowanie w ai»), y GEO es el 32%. En EE. UU., AI SEO y GEO van codo con codo: 42% y 39% de unas 25 400 búsquedas, y en España hay empate (44% y 44%). En Chequia no hay demanda de ninguno de los nombres en los datos.

La palabra clave «ai seo» es ambigua, así que trato la cuota de AI SEO como un límite superior. Con «ai seo» Google muestra, junto a textos sobre posicionamiento en IA, también herramientas de IA y guías de cómo hacer SEO con ayuda de la IA: en EE. UU. son más de la mitad de los resultados del top 10, y en Dinamarca al menos 6 de 8. Aun así, AI Overview describe AI SEO para esa palabra clave en EE. UU. y Dinamarca como optimización para las respuestas de la IA, es decir, Google la trata como el nombre de este trabajo. Sin esa palabra clave, GEO lidera en 25 de los 26 mercados de mi blog, y en Japón queda LLMO. En Polonia, las descripciones polacas inequívocas («pozycjonowanie ai», «pozycjonowanie w ai») suman unas 580 búsquedas mensuales, y GEO unas 725. Escribiré un texto aparte sobre las herramientas de IA para el SEO.

La palabra clave «aeo» sola no la cuento, porque en Polonia significa sobre todo un certificado aduanero, y en EE. UU. parte de los resultados son cotizaciones bursátiles de la cadena de ropa American Eagle. Para «aeo» en el Google polaco, tres de los cuatro primeros resultados son páginas del ministerio de finanzas. Las palabras clave con el nombre completo, por ejemplo «answer engine optimization», las cuento en la serie «Otros».

Cada versión de este texto usa el nombre que busca la gente en su mercado. La versión japonesa habla de LLMO, la alemana y la francesa de GEO, y la polaca de «pozycjonowanie w AI» y AI SEO. Esta versión usa GEO y AI SEO juntos, empezando por GEO, porque en España los dos nombres se reparten por igual unas 2610 búsquedas mensuales sobre este tema (44% cada uno), y la palabra clave más buscada es «geo seo» (590 al mes).

¿Cómo elige la IA las fuentes de sus respuestas?

El modelo responde desde la búsqueda o desde la memoria, y de ello depende qué puedes cambiar. Cuando busca en la web, descompone la pregunta en varias consultas, descarga los resultados, elige fragmentos y cita parte de ellos. Google lo llama en su documentación «query fan-out»: el sistema envía muchas búsquedas relacionadas sobre subtemas y desde diferentes fuentes (Google Search Central). Cuando el modelo no busca, responde con lo que aprendió durante el entrenamiento, y entonces la posición de la página en Google no cambia nada.

Las vías se solapan, porque la memoria del modelo influye también en la respuesta en la que el modelo buscó en la web. Dan Petrovic, de Dejan, escribe que la mención de una marca en el texto de la respuesta se apoya sobre todo en el conocimiento previo del modelo, y una sola página apenas la mueve (Dejan, 7/07/2026). Por eso mido las dos vías por separado, pero trabajo en ellas en paralelo.

Cuánto busca el modelo en la web depende del modelo: en mi test, de 10 a 94 palabras clave de 94. Lo comprobé mediante la API con 94 palabras clave de los proyectos que llevo, en inglés y en polaco, en la noche del 3 al 4 de octubre de 2026 y por segunda vez por la mañana. En el texto sobre la estrategia SEO describí el mismo efecto con cinco preguntas prácticas, aquí está en un conjunto mayor.

• 93 de 94Las veces que Gemini 2.5 Flash recurrió al buscador en la primera pasada (en la segunda, 94 de 94).Mi test mediante la API, 3-4/10/2026
• 71 de 94Las veces que buscó Gemini 3.5 Flash (en la segunda pasada, 69 de 94).Mi test mediante la API, 3-4/10/2026
• 25 de 84Las veces que buscó Gemini 3.1 Pro (10 llamadas terminaron en un error de límite; en la segunda pasada, 32 de 94).Mi test mediante la API, 3-4/10/2026
• 10 de 94Las veces que buscó Gemini 3.8 Flash (en la segunda pasada, 15 de 94). En el resto de las palabras clave respondió de memoria.Mi test mediante la API, 3-4/10/2026

En esta configuración las versiones más nuevas de Gemini Flash buscaron menos, pero Gemini 3.1 Pro no encaja en ese patrón. Pro tiene un número de versión más antiguo que 3.5 Flash y buscó menos que él. Es una familia de modelos y una configuración de la API, no la aplicación de Gemini que ve el usuario, así que trato las cifras como una señal, no como una regla. Bastan, sin embargo, para comprobar en cada medición en cuántas preguntas busca el modelo.

La memoria de los modelos sobre una marca polaca nueva resultó llena de huecos, y una parte de los modelos inventó su descripción. En el mismo proyecto, unas 500 respuestas a preguntas sobre las marcas para las que trabajo las evaluó a ciegas otro modelo. Una de las marcas polacas nuevas de ese conjunto era desconocida para todos los modelos comprobados, y en 9 de 12 respuestas sobre ella la descripción era inventada. El porcentaje de invenciones dependía del modelo: del 5% al 77% de las respuestas sobre todas las marcas. Las respuestas las evaluó un solo modelo juez, así que las diferencias inferiores a unos 10 puntos porcentuales las trato como ruido.

Un mismo dominio puede ser visible por una vía e invisible por la otra. Uno de los sitios fue citado en el Modo IA de Google en 10 de 13 pares de palabras clave, y en las respuestas de los modelos sin búsqueda no apareció ni una vez (0 de 13). Es un dominio y 13 pares, así que es una ilustración, no una regla.

Un fenómeno emparentado se ve en un estudio a mayor escala. Dan Petrovic recoge un estudio de Google Research con 13 modelos y 2150 datos de Wikipedia: los modelos de primera línea, como Gemini 3 Pro y GPT-5, tienen en sus pesos del 95% al 98% de ese conocimiento, pero no logran recuperar del 26% al 34% (Dejan, 17/08/2026). Son datos enciclopédicos y no conocimiento sobre marcas, pero la conclusión para una marca es parecida: que la información esté en los datos de entrenamiento no garantiza que el modelo la diga.

¿Cómo aparecer en las respuestas de la IA a través de la búsqueda?

En la vía de la búsqueda funciona lo mismo que en el SEO, con una diferencia. Google escribe que, para aparecer en AI Overview y en el Modo IA, la página debe estar en el índice y poder mostrarse en los resultados con un fragmento de texto, y que no hay requisitos técnicos adicionales (Google Search Central). La diferencia es que el modelo lanza varias consultas a la vez, así que una página visible solo para la palabra clave principal tiene menos oportunidades de ser citada que una visible también para sus variantes. ChatGPT tiene además su propio robot de búsqueda (hablo de él más abajo), de modo que la visibilidad en Google no se traslada a él directamente.

Acceso para los robots de IA

Los robots de los buscadores de IA pueden estar bloqueados sin que el propietario de la web lo sepa. Un cortafuegos o un ajuste en la red de distribución de contenidos (CDN) puede bloquearlos, a menudo solo cuando se supera un umbral de peticiones, así que una sola prueba no mostrará nada. Compruebo una serie de peticiones con los nombres de los robots de Google, OpenAI, Perplexity y Anthropic y comparo la respuesta del servidor con la que recibe un navegador normal.

Bloquear el entrenamiento de modelos es una decisión distinta de bloquear la búsqueda. OpenAI separa estos papeles: GPTBot recoge contenidos que pueden acabar en el entrenamiento de modelos, y OAI-SearchBot decide la presencia en los resultados de búsqueda de ChatGPT. OpenAI escribe que las páginas que bloqueen OAI-SearchBot no se mostrarán en las respuestas de búsqueda de ChatGPT, y que bloquear GPTBot no cambia eso (OpenAI). De forma parecida, Google-Extended controla el uso de los contenidos por los modelos de Gemini, pero según Google no influye en la presencia ni en la posición en el buscador (Google Search Central). Quien bloquea todos los robots de IA con un único interruptor puede perder una presencia en la búsqueda de ChatGPT que no quería ceder.

Posición en la palabra clave y subconsultas

No sé si una posición más alta aumenta la probabilidad de ser citado, porque mis datos no lo resuelven. En el texto sobre la estrategia SEO, en el paso de las hipótesis, describí un artículo que, con cinco palabras clave muy cercanas, fue citado en AI Overview solo en una, y precisamente en aquella en la que estaba más abajo. Las subconsultas las genera el modelo y pueden ser distintas en cada respuesta, así que no existe una lista fija de «subconsultas de la palabra clave X». En mi conjunto de 94 palabras clave, el modelo generó en una pasada 493 subconsultas distintas, más de cinco de media por palabra clave.

Comprobé si la posición en las subconsultas predice la cita mejor que la posición en la palabra clave principal, y mi primer resultado no superó el control. Con pares palabra clave-página de los proyectos que llevo, anoté la regla antes de calcular el resultado. La medida era el área bajo la curva ROC, es decir, lo bien que una señal separa las páginas citadas de las no citadas (0,5 es el nivel de lanzar una moneda, 1 es una separación sin errores). Las subconsultas ganaban si su área era mayor en al menos 0,10. En 29 pares reservados para el test de AI Overview, la diferencia fue de 0,44, es decir, el test «aprobado».

El control cruzado mostró que había comparado dos mediciones de distinta precisión. El revisor, que recalculó todo desde cero, reprodujo mis cifras al dígito, pero advirtió que la posición en la palabra clave principal la había tomado de una sola descarga de resultados de Google y la cita de cinco. Tras calcular la posición con las mismas cinco descargas, la diferencia bajó a 0,04, con un intervalo de -0,28 a +0,36. No he demostrado, por tanto, que las subconsultas sean mejores que la posición, ni que sean peores. Las dos señales dicen algo, así que trabajo con ambas.

La posición de una sola descarga de DataForSEO resultó ser el sorteo de una de varias variantes de resultados. Cuando descargué las mismas 94 palabras clave tres veces con una hora de diferencia, dos descargas de la misma palabra clave tenían en la mediana pocas direcciones comunes en el top 10: el índice de Jaccard, una medida de coincidencia entre dos conjuntos de 0 a 1, fue de 0,14-0,15. Parte de las variantes son probablemente resultados que una persona no ve en el navegador, porque en 5 palabras clave el navegador coincidía con una de ellas. AI Overview, en cambio, fue estable: su presencia coincidía entre descargas en el 97-99%. Por eso hoy calculo la posición con esta herramienta como una cuota de unas 10 descargas enviadas a la vez. No he comprobado así otras herramientas.

Fragmentos que responden por sí solos

El modelo suele usar no la página entera, sino los fragmentos que responden a su consulta. Por eso escribo de modo que cada fragmento se entienda sin el resto de la página: la respuesta en la primera frase bajo el encabezado, cifras concretas con denominador y fecha, nombres en lugar de «esto» y «ese». Cada párrafo de este texto empieza con una frase con la conclusión precisamente por esta razón. Es una buena práctica de escritura que ayuda también a las personas, no una técnica aparte para la IA.

Eso no significa que haya que trocear el contenido en pedacitos ni multiplicar los encabezados. Google escribe explícitamente que no hay obligación de dividir el contenido en fragmentos pequeños para que la IA lo entienda mejor (Google Search Central). Comprobé también si más encabezados ayudan a entrar en el top 3. En 632 páginas del top 10 para 119 consultas en inglés de un nicho de software para empresas (EE. UU., 26 de septiembre de 2026), la razón de probabilidades fue de 0,95 (intervalo de confianza del 95%: 0,81-1,12), y de 1,00 al tener en cuenta la longitud del texto. La proporción de páginas en el top 3 fue casi igual en tres grupos, del menor al mayor número de encabezados: 32%, 34% y 32%. Es el mismo test del que hablo en el texto sobre la estrategia SEO: un nicho y un día de medición. Basta, sin embargo, para que no añada encabezados con el fin de mejorar la posición: el encabezado debe decir de qué trata el fragmento que tiene debajo.

Preguntas en polaco, subconsultas en inglés

En mi conjunto, parte de las subconsultas de las preguntas en polaco estaban en inglés. 81 de las 277 subconsultas generadas para palabras clave en polaco no tenían rasgos del polaco. Por ejemplo, una pregunta polaca sobre el ranking de productos de una categoría se convirtió en una consulta inglesa con el año en el nombre. Es una heurística aproximada sobre un único conjunto, pero basta para que, ante una marca polaca, compruebe también qué dicen de ella las fuentes en inglés.

¿Cómo llegar a la memoria del modelo?

La memoria del modelo no se cambia solo con la web propia: cuenta lo que otros escriben sobre ti. El modelo aprende de grandes conjuntos de textos reunidos antes del fin del entrenamiento. Si sobre una marca escribe sobre todo ella misma, y las fuentes ajenas son antiguas o contradictorias, el modelo repetirá una imagen antigua o contradictoria. No tengo una medición de lo rápido que se renueva la memoria de los modelos. Supongo que solo en las versiones siguientes, así que en un horizonte de un trimestre no prometo nada.

En mi propia marca veo a la vez las dos fuentes de error. Gemini me describía con un empleador de hace unos años en presente, y a rogala.pro como una web «en construcción». Las dos descripciones que los modelos repetían con más frecuencia sobre mí proceden literalmente de mi biografía en un portal del sector, que sale muy arriba en Google con mi nombre y apellido. Ese empleador como actual no lo da, en cambio, ninguna de las 26 páginas que comprobé en los resultados de mi nombre y apellido, así que ese error probablemente está en la memoria del modelo. Lo comprobaré con las mismas preguntas cuando se actualice la biografía.

Lo que el modelo recuerda de una marca puedes comprobarlo tú mismo, sin herramientas de visibilidad en la IA. Haz preguntas sobre la marca sin acceso a la búsqueda, lo más seguro mediante la API sin la herramienta de búsqueda. Pregunta a qué se dedica la marca, para quién y desde cuándo, cada pregunta tres veces. Después compara las respuestas con los hechos y anota por separado qué está actualizado, qué está desfasado y qué es inventado.

Las menciones sin una definición coherente de la marca repiten la descripción antigua, así que empiezo por la identidad. Mi orden:

• una definición de la marca, la misma en la web, en los perfiles y en las biografías en webs ajenas;
• datos estructurados con identificadores que he comprobado a mano;
• entradas en bases de conocimiento como Wikidata, solo donde haya fuentes que las confirmen;
• solo después, menciones y publicaciones en lugares que edita otra persona.

Un identificador hay que abrirlo y leerlo antes de que llegue al código de la web. El 5 de octubre de 2026 me di cuenta de que el identificador de Knowledge Graph que desde el día anterior estaba en los datos estructurados de rogala.pro lleva al panel de un actor con el mismo nombre y apellido. Durante aproximadamente un día mi web declaró a los buscadores que soy actor. La comprobación lleva un minuto: la dirección google.com/search?kgmid= con el identificador añadido muestra a quién pertenece de verdad.

En Wikidata no se consigue un lugar para el que no hay fuentes. Wikidata exige fuentes para la información sobre personas vivas, así que no se puede declarar en ella una especialidad sobre la que nadie, salvo tú, ha escrito. Por eso yo empecé por publicaciones en lugares que editan otros, y no por una entrada en la base.

¿Qué funciona en el GEO y qué es un mito?

Divido las afirmaciones sobre GEO según la fuerza de la prueba. Lo documentado lo confirma la documentación del buscador, y mi medición es el resultado de una configuración que repito. Lo refutado y lo no demostrado es lo que comprobé con mis datos y que no sobrevivió o no resolvió nada. Sin prueba son los consejos populares tras los cuales no hay medición, y a veces hay una prueba en sentido contrario.

No hay prueba de que el archivo llms.txt y las versiones de las páginas en Markdown ayuden a llegar a las respuestas de la IA. Google escribe que, para estar presente en su buscador, no hace falta crear archivos nuevos para máquinas, archivos de texto para la IA, marcas ni Markdown (Google Search Central). Cuando en julio de 2026 comprobé 10 dominios de mi cartera, ninguno servía a los agentes de IA una versión en Markdown. En rogala.pro, cada página tiene desde el 8 de octubre una versión en Markdown y un archivo llms.txt, y hasta el 8 de noviembre mido en los registros del servidor si alguien los descarga. En Polonia, la palabra clave «llms txt» tiene unas 720 búsquedas mensuales, así que escribiré sobre este tema aparte.

Los datos estructurados describen la marca al buscador, pero no hay prueba de que produzcan citas. Google escribe que los datos estructurados no son necesarios en la búsqueda generativa y que no hay marcas especiales de schema.org que haya que añadir (Google Search Central). Matt Buxbaum, de Seer Interactive, analizó 8500 palabras clave con AI Overview y 6354 páginas que consiguieron en él la primera cita: schema y las señales E-E-A-T fueron los que menos se asociaron con ganar, y las páginas con más marcas FAQ y HowTo salieron unas 10 veces peor (Seer Interactive, 28/05/2026). Es una correlación, así que no sé si las marcas perjudican, pero esos datos no los leo como prueba de beneficio. Uso los datos estructurados para describir entidades (quién, qué, dónde, con qué identificadores), porque para eso sirven. Todavía no he terminado un test propio de su influencia en las respuestas de la IA.

La mención y la cita son dos cosas distintas, y muchos informes las confunden. Petrovic separa tres eventos: la página que el sistema descargó como material para la respuesta, la cita, es decir, la página mostrada como fuente, y la mención, es decir, el nombre de la marca en el texto de la respuesta, que el usuario lee y recuerda (Dejan, 7/07/2026). Una marca puede ser citada sin mención en el texto y nombrada sin que se cite su página. Por eso mido estas dos cosas por separado y no las sumo en un único «resultado de visibilidad en la IA».

¿Cómo comprobar si el GEO funciona?

Sin un punto de partida no atribuirás el efecto a ningún cambio, así que lo anoto antes de la primera corrección. En el punto de partida entran las preguntas anotadas literalmente, los nombres y versiones de los modelos, la fecha y el mercado. Las preguntas las construyo con datos de demanda y de Search Console, y la mayoría no lleva el nombre de la marca, porque el nombre en la pregunta ya le sugiere la respuesta al modelo. El conjunto de preguntas en dos franjas de posición lo describo en el texto sobre la estrategia SEO.

Mido por separado cinco cosas, porque cada una puede ir en una dirección distinta:

1. La mención de la marca en el texto de la respuesta.
2. La cita de la página como fuente.
3. Si el modelo buscó o no en la web, es decir, la búsqueda y la memoria por separado.
4. El tráfico de los asistentes de IA en la analítica, que siempre es un límite inferior, porque parte de las visitas llegan sin información de la fuente.
5. El tráfico de Google en el mismo periodo, para que un cambio para la IA no se haga a costa de los resultados normales.

Las respuestas de los chats son aleatorias, así que hago la misma pregunta tres veces a la vez. AI Overview es estable y para él basta una descarga. La cifra de una herramienta de visibilidad en la IA la leo siempre junto con el denominador: es una cuota de mi conjunto de preguntas, no una «cuota del mercado de la IA», que nadie conoce.

¿Qué hago en mi propia web y qué todavía no sé?

Hablo en público de la IA en la búsqueda desde 2016, y mi propia marca todavía no está en las respuestas de la IA, y de ahí partió mi experimento. Punto de partida del 26 de julio de 2026: rogala.pro no tenía ni una cita en ninguna de las 7 superficies de IA comprobadas en Ahrefs para Polonia, y en 6 comprobaciones en tres plataformas, con preguntas sin mi nombre, ningún modelo me nombró. Al preguntarle por mí por mi nombre, el modelo repetía una descripción de hace unos años. Es una sola medición y sin ChatGPT, porque la herramienta con la que reuní las respuestas no devolvió resultados para él, así que la trato como punto de arranque, no como prueba.

El orden del trabajo se deriva de los datos: primero la identidad, después el alcance. Ordené una definición en los perfiles (en LinkedIn, en 30 versiones de idioma), comprobé los identificadores en los datos estructurados (de ahí el fallo del actor), puse en marcha una web y un blog en 27 idiomas con versiones en Markdown. El alcance, es decir, las publicaciones y menciones en medios ajenos, llega solo después.

Todavía no sé si funciona. La primera medición repetida de las respuestas de la IA la planifiqué a partir del 1 de noviembre de 2026, y el resultado de la medición de los archivos Markdown estará después del 8 de noviembre. Añadiré los resultados a este texto, también si salen en cero.

Preguntas frecuentes sobre el GEO

¿Por dónde empezar?

Los tres primeros pasos no cuestan nada salvo tiempo. Comprueba si los robots de los buscadores de IA reciben tu web. Haz tres veces a la vez varias preguntas que hacen tus clientes, sin el nombre de tu marca, y anota quién es nombrado y quién citado. Lee lo que dicen de tu marca los resultados de Google para su nombre solo, porque los modelos usan esas mismas fuentes. Si el resultado te sorprende, es un buen tema para una consultoría.