EnGEO y posicionamiento en inteligencia artificial
escrito porCésar Aparicio
El SEO lleva años evolucionando y quienes nos dedicamos al posicionamiento web estamos acostumbrados a que Google cambie sus algoritmos, incorpore nuevas funcionalidades o modifique la manera en la que interpreta y ordena la información. Sin embargo, la aparición de los motores de búsqueda generativos introduce una particularidad que conviene entender bien, y es que ya no hablamos únicamente de conseguir que una página aparezca entre los primeros resultados para una determinada consulta, sino de lograr que su información sea utilizada para construir una respuesta y que nuestra marca forme parte de ella.
Hasta la fecha, buena parte del trabajo SEO se había centrado en mejorar la relevancia de los documentos, su autoridad y la capacidad de los motores de búsqueda para encontrarlos e interpretarlos. Todo ello sigue siendo fundamental, pero ahora tenemos que añadir otro elemento: la capacidad de los sistemas de inteligencia artificial para recuperar información de diferentes fuentes, establecer relaciones entre ellas y generar una respuesta que no tiene por qué reproducir el orden ni la estructura de los resultados tradicionales.
Es aquí donde aparece el denominado «GEO» o Generative Engine Optimization, un concepto que está dando bastante que hablar y que, aunque en ocasiones se presenta como una disciplina completamente nueva, tiene mucho que ver con cuestiones que llevamos años trabajando en SEO (semántica, entidades, autoridad, relevancia temática o recuperación de información).
Y es que el cambio no está únicamente en cómo buscan los usuarios, sino también en cómo se construyen las respuestas que reciben.
El GEO es el conjunto de técnicas y estrategias orientadas a mejorar la visibilidad de una fuente de información, una marca o una entidad dentro de las respuestas generadas por motores basados en inteligencia artificial.
Dicho de otra manera, mientras que el SEO tradicional busca mejorar la presencia de un documento en los resultados de búsqueda, el GEO trata de aumentar las posibilidades de que ese documento sea recuperado, utilizado o citado por un sistema generativo cuando responde a una consulta relacionada con su temática.
Conviene hacer una distinción porque no es exactamente lo mismo aparecer como fuente que formar parte de una respuesta. Un sistema puede utilizar información recuperada de varios documentos y citar únicamente algunos de ellos, del mismo modo que puede mencionar una marca sin enlazar a su página web o mostrar una fuente como referencia sin que el usuario llegue a visitarla.
Por lo tanto, podemos distinguir tres situaciones diferentes: que una información sea recuperada por el sistema, que sea utilizada para elaborar una respuesta y que aparezca citada de manera explícita. Son procesos relacionados pero no necesariamente equivalentes y, como veremos más adelante, medirlos de manera independiente es una de las dificultades que presenta el GEO.
El término adquirió una base académica con el trabajo GEO: Generative Engine Optimization, presentado por investigadores de Princeton y otras instituciones y publicado en la conferencia ACM SIGKDD de 2024. El estudio proponía un marco para analizar y mejorar la visibilidad de los contenidos dentro de motores generativos y obtuvo mejoras de hasta un 40 % en determinadas métricas y condiciones experimentales.
No significa que cualquier web pueda aumentar un 40 % su tráfico aplicando GEO, ni que ese porcentaje sea extrapolable a ChatGPT, Gemini o cualquier otro sistema. Lo que demuestra el estudio es que determinadas modificaciones en la presentación y características del contenido pueden influir en su visibilidad cuando el sistema generativo trabaja con las fuentes evaluadas.
En resumen, el GEO no consiste simplemente en escribir textos para inteligencias artificiales, sino en comprender cómo se recupera, interpreta y utiliza la información que estas necesitan para responder.
Hasta ahora, cuando queríamos posicionar una página para una consulta como «mejor seguro de coche», estudiábamos las palabras clave relacionadas, la intención de búsqueda, los competidores que aparecían en Google y la manera en la que estaban estructurados sus contenidos.
Podíamos trabajar una página específica, mejorar el enlazado interno, conseguir enlaces externos o ampliar su cobertura semántica para que el buscador entendiese que ese documento era relevante para la consulta.
Pero ¿qué sucede cuando un usuario pregunta a una inteligencia artificial qué compañía de seguros le conviene contratar teniendo en cuenta su edad, el vehículo que conduce, su presupuesto y las coberturas que necesita?
La consulta deja de representar una única necesidad informativa fácilmente asociable a una keyword. El sistema puede necesitar información sobre precios, tipos de cobertura, exclusiones, atención al cliente, opiniones o condiciones particulares y combinar diferentes fuentes para elaborar una respuesta adaptada a lo que se ha preguntado.
Para comprender este funcionamiento debemos introducir un concepto que ya existía antes de la popularización de los asistentes generativos: el «RAG» o Retrieval-Augmented Generation (generación aumentada mediante recuperación).
Los sistemas RAG combinan un modelo generativo con un mecanismo de recuperación de información externa. En lugar de depender exclusivamente de los conocimientos adquiridos durante su entrenamiento, el sistema puede consultar documentos, recuperar fragmentos relacionados con la pregunta y utilizar esa información como contexto para construir una respuesta.
En su forma más simplificada, el proceso comprende una consulta del usuario, la recuperación de información potencialmente relevante, la selección del contexto que se proporciona al modelo y la generación de la respuesta.
Es importante señalar que no todos los motores generativos utilizan exactamente la misma arquitectura ni recuperan información externa en todas las consultas. Algunos pueden responder a partir del conocimiento aprendido durante el entrenamiento, mientras que otros recurren a búsquedas web, índices propios u otras fuentes de información.
Google, por ejemplo, reconoce expresamente el uso de técnicas de recuperación aumentada mediante generación en sus experiencias de búsqueda con IA y explica que estas se apoyan en sus sistemas principales de búsqueda para localizar información relevante.
¿Y dónde entra el GEO? Precisamente en intentar mejorar las condiciones que permiten que una información sea encontrada, considerada relevante y utilizada en ese proceso.
Sin embargo, aquí tenemos una particularidad que no conviene pasar por alto: que una página sea técnicamente accesible y relevante para una consulta no significa que vaya a ser seleccionada como fuente, del mismo modo que una página bien posicionada en Google no tiene garantizada su aparición en una respuesta generativa.
La selección depende de diferentes factores (consulta, sistema utilizado, fuentes disponibles, actualidad de la información o criterios de relevancia) y no todos son conocidos ni controlables por quienes publicamos contenidos.
Uno de los aspectos que considero más interesantes del GEO es que nos obliga a recuperar conceptos que llevamos bastante tiempo estudiando en SEO y que en muchas ocasiones se habían quedado en un segundo plano frente a las palabras clave o los enlaces.
Hablo de las «entidades».
Una entidad puede representar una persona, una empresa, un producto, una organización o cualquier otro elemento identificable sobre el que se pueda almacenar y relacionar información. A diferencia de una palabra, que puede tener varios significados dependiendo del contexto, una entidad representa un elemento concreto y permite establecer relaciones con otros elementos.
Pongamos un ejemplo. Si hablamos de «Apple», la palabra puede referirse a una fruta o a una empresa tecnológica. Son dos significados diferentes que pueden desambiguarse gracias al contexto y a las relaciones con otras entidades (iPhone, tecnología, alimentación, agricultura, etc.).
Esta capacidad para identificar conceptos y relacionarlos temáticamente resulta fundamental en los sistemas modernos de recuperación de información.
Y es que una marca no existe únicamente dentro de su propia página web. También puede aparecer mencionada en medios de comunicación, artículos especializados, comparativas, directorios, publicaciones académicas o contenidos de terceros que contribuyen a contextualizar qué es, qué hace y en qué ámbito desarrolla su actividad.
En mi caso, si publico habitualmente contenidos relacionados con SEO, link building o arquitectura de la información, y otras fuentes especializadas me mencionan de manera consistente en relación con esas materias, se puede construir una asociación temática entre mi nombre y dichos conceptos. Esto no implica automáticamente que un motor generativo me considere una autoridad ni que vaya a recomendarme, pero sí permite comprender por qué las relaciones entre entidades y sus contextos de aparición pueden resultar relevantes para los sistemas de recuperación.
Aquí es donde cobra importancia el denominado «earned media» (la presencia conseguida en medios y publicaciones de terceros), especialmente cuando aporta información verificable, contextualizada y relacionada con la actividad real de una marca.
De hecho, diferentes investigaciones sobre motores de búsqueda con IA han encontrado diferencias entre las fuentes utilizadas por estos sistemas y las de la búsqueda tradicional, así como una presencia destacada de medios de terceros en determinados entornos analizados. No obstante, los resultados varían entre plataformas y no permiten establecer una regla universal aplicable a cualquier consulta.
En definitiva, no se trata de conseguir menciones sin ningún criterio, sino de trabajar para que la información disponible sobre una entidad sea coherente, relevante y esté respaldada por fuentes que aporten valor dentro de su temática.
Imaginemos que un usuario pregunta a ChatGPT lo siguiente:
¿Qué compañías de seguros de coche recomendarías para un conductor joven que busca una póliza a terceros ampliada y quiere evitar franquicias?
El sistema podría necesitar resolver diferentes cuestiones relacionadas con la consulta: qué aseguradoras comercializan este tipo de productos, qué coberturas incluyen, qué condiciones aplican a los conductores jóvenes y cuáles son las diferencias entre las distintas modalidades.
En un sistema que active recuperación web, estas necesidades pueden dar lugar a la consulta de varias fuentes (webs de aseguradoras, comparadores, medios especializados o documentación sobre condiciones de contratación).
Supongamos que tenemos tres fuentes:
El sistema podría recuperar información de los tres documentos y utilizar diferentes partes para construir la respuesta. La página comercial aportaría información sobre el producto, la comparativa permitiría contextualizar las alternativas y el artículo especializado ayudaría a explicar determinados conceptos.
Ahora bien, que la aseguradora aparezca en el documento B no garantiza que sea incluida en la respuesta. Tampoco podemos asumir que todos los sistemas otorguen más valor a una mención externa que a la información publicada directamente por la empresa.
Lo interesante es que el resultado final puede depender de un conjunto de documentos y relaciones que no necesariamente coinciden con las páginas que ocupan las primeras posiciones para la keyword «seguro de coche».
Pensemos ahora en un ecommerce especializado en productos de descanso que vende colchones, almohadas y accesorios.
El negocio puede tener una buena arquitectura web, fichas de producto optimizadas y contenidos informativos que reciben tráfico orgánico desde Google. Sin embargo, cuando alguien pregunta a una IA por las marcas más recomendables de colchones para personas que duermen de lado, su nombre puede no aparecer en la respuesta.
¿Por qué?
Existen diferentes explicaciones posibles. Puede que sus productos no se ajusten a los requisitos concretos de la consulta, que el sistema no haya recuperado sus documentos o que las fuentes seleccionadas contengan información más relevante sobre otros fabricantes.
También puede suceder que la marca aparezca mencionada dentro de un texto generado sin que se incluya ninguna URL de su dominio.
En este último caso tendríamos una «mención de marca» pero no necesariamente una «citación», entendida como referencia visible a una fuente concreta.
La diferencia es importante porque podemos estar incrementando la presencia de una marca en las respuestas de IA sin observar un crecimiento equivalente de las visitas a su página web. Y del mismo modo, podemos conseguir que una URL sea citada sin que eso se traduzca en una venta.
Por ello, la medición no debería limitarse al número de enlaces recibidos desde los asistentes generativos.
Si revisamos el estudio original sobre GEO, encontramos diferentes métodos de modificación del contenido destinados a analizar cómo cambia su visibilidad en las respuestas generadas. Entre ellos se estudiaron estrategias relacionadas con la incorporación de citas, datos estadísticos, fuentes verificables o modificaciones en la redacción.
Los investigadores observaron que algunas técnicas mejoraban determinadas métricas de visibilidad dentro de su entorno experimental y que los resultados dependían también de la temática tratada.
Sin embargo, sería un error interpretar estos resultados como una fórmula que podamos aplicar indistintamente a todos los motores generativos. Tampoco significa que añadir estadísticas a cualquier artículo o dividir un texto en fragmentos produzca automáticamente una mejora.
De hecho, Google ha publicado recomendaciones específicas en las que insiste en que sus funcionalidades generativas siguen apoyándose en los fundamentos del SEO y desaconseja perseguir supuestos trucos GEO, como fragmentar artificialmente los contenidos, crear archivos especiales innecesarios o conseguir menciones que no sean auténticas.
En mi opinión, tiene más sentido trabajar sobre varios elementos que ya sabemos que contribuyen a mejorar la calidad, accesibilidad y utilidad de la información.
Por un lado, la estructura técnica de la web. Una página que no puede rastrearse, que bloquea el acceso a su contenido principal o que presenta información importante exclusivamente mediante elementos que el sistema no consigue interpretar parte con una limitación evidente.
Por otro lado, la calidad del contenido y su capacidad para responder a necesidades concretas. No es lo mismo publicar un artículo genérico sobre seguros que explicar con precisión las diferencias entre determinadas coberturas, sus limitaciones y los supuestos en los que pueden resultar útiles.
También debemos considerar la información que existe fuera de nuestro dominio, especialmente cuando permite contrastar determinadas afirmaciones, conocer la experiencia de una empresa o encontrar referencias independientes sobre sus productos y servicios.
Y finalmente tenemos la consistencia de la información. Una marca puede aparecer descrita de diferentes maneras en distintas fuentes, pero si los datos fundamentales sobre su actividad, productos o características son contradictorios, resultará más difícil establecer una representación coherente de ella.
Todo esto no garantiza la presencia en las respuestas generativas, pero constituye una base razonable para trabajar la visibilidad sin depender de mecanismos que todavía no conocemos suficientemente. En este sentido, contar con un Consultor GEO especializado puede ayudar a identificar qué aspectos técnicos, semánticos y de autoridad conviene priorizar para mejorar la presencia de una marca en los motores de búsqueda generativos.
Una de las cuestiones que probablemente más va a evolucionar dentro del GEO es la medición.
En SEO estamos acostumbrados a utilizar herramientas que nos ofrecen datos sobre impresiones, clics, posiciones medias, consultas o páginas de destino. Aunque estas métricas tienen limitaciones, contamos con una infraestructura relativamente consolidada para analizar la evolución de un proyecto.
En los motores generativos la situación es más compleja porque no siempre disponemos de información sobre las preguntas que realizan los usuarios, las fuentes recuperadas, los documentos descartados o los criterios que intervienen en la generación de una respuesta.
A ello tenemos que añadir que una misma consulta puede producir respuestas diferentes dependiendo del sistema, del momento o incluso de la formulación de la pregunta.
No obstante, empiezan a existir herramientas que permiten medir parte de esta actividad.
En febrero de 2026, Microsoft presentó «AI Performance» dentro de Bing Webmaster Tools, un informe que permite analizar las citas recibidas por las páginas web en determinadas experiencias de inteligencia artificial (Microsoft Copilot, respuestas generativas de Bing y algunas integraciones compatibles).
Entre sus métricas encontramos el número total de citas, las páginas citadas, la evolución temporal y las denominadas «grounding queries», que representan grupos de consultas utilizadas para recuperar información relacionada con los documentos citados.
Es interesante porque supone un avance hacia la medición de la presencia de las fuentes dentro de las respuestas generativas, aunque las citas no equivalen a posiciones, tráfico ni autoridad.
Para analizar un proyecto GEO podemos plantear diferentes niveles de medición.
El primero sería la «visibilidad», entendida como la frecuencia con la que una marca aparece mencionada en un conjunto de consultas relevantes.
El segundo sería la «citación», es decir, la cantidad de respuestas que incluyen referencias visibles a documentos de nuestro dominio.
El tercero sería el «tráfico», que permite observar las visitas que efectivamente llegan a la web desde estas plataformas cuando existe información de referencia disponible.
Y finalmente tendríamos el «resultado comercial», que es lo que realmente debería importarnos si estamos trabajando con una empresa: solicitudes de presupuesto, registros, oportunidades de venta o ingresos atribuibles a estos canales.
Para entenderlo mejor podemos utilizar un ejemplo hipotético. Si analizamos 100 respuestas generadas ante un conjunto de consultas comerciales y nuestra marca aparece mencionada en 25 de ellas, tendríamos una frecuencia de mención del 25 % dentro de esa muestra. Si además observamos que solo cinco respuestas incluyen una URL de nuestro dominio, la frecuencia de citación sería del 5 %.
Son indicadores diferentes y ninguno permite concluir, por sí solo, que la estrategia esté generando negocio.
También tendremos que tener en cuenta la representatividad de las consultas, la repetición de las pruebas y las diferencias entre plataformas. La investigación académica sobre GEO señala precisamente la heterogeneidad de métricas y la dificultad de demostrar efectos causales sostenidos sobre la visibilidad orgánica y los resultados comerciales.
Esta es probablemente una de las preguntas que más se repiten cuando hablamos de posicionamiento en inteligencias artificiales y creo que conviene responderla teniendo en cuenta cómo funcionan realmente estos sistemas.
El GEO no elimina la necesidad de trabajar el SEO. Al contrario, buena parte de las condiciones que permiten descubrir, recuperar y comprender una página siguen dependiendo de aspectos técnicos y semánticos que conocemos desde hace años.
Google, por ejemplo, establece que para que una página pueda aparecer como enlace de apoyo en AI Overviews o AI Mode debe estar indexada y ser apta para mostrarse en los resultados de búsqueda con un fragmento descriptivo. No exige un marcado especial ni requisitos técnicos adicionales exclusivos para estas funcionalidades.
Ahora bien, eso no significa que las dos disciplinas sean completamente equivalentes.
En el SEO tradicional podemos trabajar para que una determinada URL mejore su posición ante una consulta, mientras que en GEO intentamos comprender qué información necesita un sistema para responder y cómo podemos conseguir que nuestros documentos o nuestra marca participen en ese proceso.
Una web puede estar bien posicionada para determinadas palabras clave y no aparecer en algunas respuestas generativas. Del mismo modo, una marca puede recibir menciones en dichas respuestas sin ocupar necesariamente las primeras posiciones de Google para todas las consultas relacionadas.
Lo que cambia, por tanto, no es la necesidad de construir relevancia y autoridad, sino el conjunto de lugares y mecanismos a través de los cuales esa relevancia puede traducirse en visibilidad.
No cabe duda de que el GEO representa un campo de estudio interesante, especialmente por las relaciones que mantiene con la recuperación de información, el procesamiento del lenguaje natural, la semántica y los sistemas de evaluación de relevancia.
Sin embargo, tenemos que ser prudentes a la hora de interpretar los resultados de las investigaciones o convertir determinadas observaciones en reglas universales. Los motores generativos utilizan arquitecturas diferentes, sus sistemas evolucionan y buena parte de los procesos de selección de información no son públicos.
También hay que tener en cuenta que una respuesta puede variar con el tiempo, que las menciones no equivalen necesariamente a recomendaciones comerciales y que aparecer citado no garantiza recibir tráfico. Incluso cuando una modificación en el contenido coincide con una mejora de visibilidad, necesitaremos suficientes observaciones y controles para establecer una relación causal.
Supongo que, con el tiempo, dispondremos de herramientas más completas para estudiar estos procesos, del mismo modo que el SEO fue desarrollando sistemas de medición y análisis a medida que evolucionaban los motores de búsqueda.
En cualquier caso, aquí seguiremos hablando de GEO porque el cambio en la manera de acceder a la información ya está ocurriendo y las empresas tendrán que entender qué papel desempeñan sus marcas en esas nuevas respuestas.
Y si todavía pensamos que todo se reduce a ocupar una posición en Google, conviene recordar que los buscadores llevan mucho tiempo trabajando en interpretar entidades, relacionar conceptos y ofrecer respuestas que van más allá de la coincidencia entre palabras.
La inteligencia artificial generativa introduce nuevas posibilidades dentro de ese proceso, pero también nuevas incertidumbres.
Al final, la cuestión no será únicamente si conseguimos que una inteligencia artificial nos mencione, sino si esa presencia ayuda a que los usuarios nos conozcan, confíen en nuestra marca y terminen eligiéndonos.