Hay una pregunta que cada vez más profesionales del marketing digital se hacen en voz baja, casi con cierto pudor, como si admitirla fuera reconocer que se han quedado atrás: ¿mi web aparece en ChatGPT cuando alguien busca lo que yo ofrezco? La respuesta, en la mayoría de los casos, es que no lo saben. Y ese desconocimiento, precisamente, es el problema.
Durante años hemos construido estrategias de visibilidad pensando en un único árbitro: Google. Hemos optimizado títulos, metadescripciones y velocidades de carga para satisfacer a un algoritmo que, aunque complejo, siempre devolvía una lista ordenada de resultados. El juego tenía reglas claras, aunque cambiantes. Pero ahora ese juego ha cambiado de forma mucho más profunda de lo que parece a primera vista. Los usuarios ya no siempre hacen clic en diez resultados para comparar; cada vez más, le preguntan directamente a una inteligencia artificial, que les devuelve dos o tres opciones con una justificación clara. Y si tu marca no está entre esas opciones, simplemente no existe para ese usuario.
Esta guía no es una colección de trucos técnicos para engañar a un algoritmo, sino un mapa estratégico para entender cómo funcionan los modelos de lenguaje por dentro, qué señales utilizan para decidir a quién citar y cómo puedes construir una presencia de marca que los LLMs reconozcan, confíen y recomienden. Todo lo que encontrarás aquí tiene fundamento técnico y aplicación práctica inmediata.
De motores de búsqueda a motores de respuesta: el cambio que ya está aquí
Para entender qué significa hacer SEO para inteligencias artificiales, primero hay que entender qué ha cambiado en la forma en que los usuarios buscan información. No es un cambio incremental; es un cambio de paradigma.
Durante décadas, el proceso de búsqueda seguía un patrón bastante predecible: el usuario escribía una consulta corta, Google devolvía diez resultados, el usuario abría dos o tres en pestañas distintas, comparaba y tomaba una decisión. Era un proceso activo, requería esfuerzo, y en ese proceso las webs tenían múltiples oportunidades de ser vistas. El SEO tradicional vivía, en gran medida, de esa fricción.
Ahora ese proceso se está comprimiendo de manera radical. Cuando alguien le pregunta a ChatGPT «¿cuál es la mejor herramienta de email marketing para una tienda online pequeña?«, no recibe diez resultados ordenados. Recibe una respuesta redactada, argumentada, con dos o tres recomendaciones específicas y una justificación para cada una. El usuario no necesita comparar porque la IA ya lo ha hecho por él. El recorrido de la decisión, que antes pasaba por cinco o seis webs, ahora pasa por una sola respuesta generada.
Este cambio tiene consecuencias enormes para cualquier negocio que dependa del tráfico orgánico. Si antes perder el top 3 de Google significaba recibir mucho menos tráfico, ahora no aparecer en las recomendaciones de una IA significa directamente no existir en ese proceso de decisión. Y a diferencia de Google, donde podías ver con relativa claridad dónde estabas posicionado y para qué palabras clave, el mundo de los LLMs es mucho más opaco: la misma pregunta puede generar respuestas distintas en momentos distintos, y no hay un ranking visible que consultar.
Lo que hace aún más interesante este momento es que la competencia en este nuevo canal todavía es mínima. La mayoría de los negocios siguen optimizando exclusivamente para Google mientras sus competidores más avispados ya están construyendo la autoridad semántica que los modelos de lenguaje necesitan para recomendarlos. La ventana de oportunidad existe, pero no será eterna.
El modelo de doble oportunidad que se está abriendo en este momento es, probablemente, el más claro que ha existido en SEO desde los primeros años de Google: quien construya ahora su presencia en LLMs desde cero, cuando la competencia es baja y los modelos están «aprendiendo» qué fuentes son fiables en cada sector, tendrá una ventaja difícil de revertir más adelante.
Cómo funciona una IA cuando te responde: entrenamiento, inferencia y RAG
Antes de hablar de estrategia, hay que entender la mecánica. Porque muchos de los errores que cometen los profesionales del SEO al intentar aparecer en IAs vienen de aplicar intuiciones del SEO tradicional a un sistema que funciona de forma radicalmente diferente.
La diferencia entre entrenamiento e inferencia que todo SEO debe entender
Un modelo de lenguaje como GPT-4 o Claude no «busca» información cuando te responde. Lo que hace es, en realidad, mucho más fascinante y, en algunos aspectos, más limitado de lo que parece. Para entenderlo, hay que distinguir dos procesos completamente distintos: el entrenamiento y la inferencia.
- El entrenamiento es el proceso por el que el modelo aprende. Es un proceso extremadamente costoso, tanto en tiempo como en recursos computacionales, que pueden durar meses y requiere el procesamiento de cientos de millones de textos. Durante ese proceso, el modelo ajusta miles de millones de parámetros internos —los llamados «pesos»— para aprender patrones del lenguaje, relaciones entre conceptos y, de forma implícita, qué fuentes son consideradas fiables y cuáles no. Todo esto sucede hasta una fecha de corte determinada, después de la cual el modelo no aprende nada nuevo por sí solo.
- La inferencia, en cambio, es el proceso que ocurre cada vez que le haces una pregunta al modelo. En ese momento, el modelo utiliza todo lo que aprendió durante el entrenamiento para predecir, token a token, cuál es la respuesta más probable y coherente a tu pregunta. No «busca» en ningún archivo; genera la respuesta a partir de los patrones que internalizó durante el entrenamiento.
¿Por qué importa esta distinción para el SEO? Porque significa que, si tu marca solo existe en internet desde el año pasado, o si tu contenido no era lo suficientemente relevante y referenciado antes de la fecha de corte del modelo, el modelo simplemente no te conoce. No te está ignorando conscientemente; es que tú no eres parte del corpus con el que aprendió. Y eso cambia completamente la estrategia de posicionamiento.
RAG: el corazón técnico del SEO para LLMs
Sin embargo, los modelos modernos no siempre responden solo con lo que aprendieron durante el entrenamiento. Muchos de ellos tienen la capacidad de consultar información externa en tiempo real antes de responder. A este mecanismo se le llama RAG (Retrieval-Augmented Generation), y es, en términos prácticos, el corazón de lo que llamamos SEO para LLMs.
Cuando ChatGPT activa su función de búsqueda web, o cuando Perplexity responde a una consulta con citas de fuentes actuales, lo que está haciendo es, esencialmente, un proceso de tres pasos: primero, lanza una búsqueda en un motor de búsqueda externo (principalmente Bing en el caso de ChatGPT); luego, selecciona algunas de las páginas más relevantes y las «lee» extrayendo fragmentos de texto; y finalmente, genera su respuesta combinando esa información externa con su conocimiento previo.
Esto es crucial porque significa que la visibilidad en los LLMs modernos no depende únicamente del corpus de entrenamiento, sino también —y de manera creciente— de estar bien posicionado en Bing y Google para las consultas relevantes de tu sector. Lo que no se indexa en los buscadores tradicionales, sencillamente no puede aparecer en las respuestas de las IAs que utilizan RAG.
Hay, además, un matiz importante sobre cómo los modelos seleccionan qué páginas rastrear cuando reciben una lista de resultados del buscador. La hipótesis más fundamentada, basada en el comportamiento observado de estas herramientas, es que los modelos priorizan los primeros resultados —probablemente el top 3— por razones de coste computacional, pero también buscan diversidad de perspectivas para evitar que sus respuestas sean monolíticas. Esto significa que un contenido que ofrece un ángulo diferente al de los resultados dominantes tiene posibilidades reales de ser seleccionado, incluso si no es el número uno del ranking.
Chunking y embeddings: cómo tu contenido se convierte en vectores
Cuando un modelo RAG «lee» tu página web, no la procesa como un ser humano que lee de arriba a abajo. Lo que hace es dividir el texto en fragmentos más pequeños —un proceso llamado chunking o «troceo»— para poder manejarlos dentro de su ventana de contexto, que es el límite de información que puede procesar de una vez.
Esos fragmentos, a su vez, se convierten en vectores numéricos —representaciones matemáticas del significado del texto— a través de un proceso llamado embedding. El resultado es que cada fragmento queda representado como un punto en un espacio matemático multidimensional, donde los textos con significados similares están más «cerca» entre sí. Cuando el modelo recibe una pregunta, convierte esa pregunta en su propio vector y busca qué fragmentos de información están más cerca semánticamente de la consulta.
Esto tiene implicaciones directas y muy prácticas para cómo debes estructurar tu contenido. Un texto que mezcla ideas muy distintas en el mismo bloque será «chuncado» de forma desordenada, y sus fragmentos pueden no ser semánticamente coherentes. Un texto estructurado con preguntas claras y respuestas directas en párrafos diferenciados es mucho más fácil de chuncar correctamente, y cada fragmento será semánticamente más preciso. Esto es lo que los expertos en GEO llaman extractabilidad: la capacidad de tu contenido para ser extraído, comprendido y citado de forma precisa por una máquina.
GEO vs. SEO tradicional: no es lo mismo competir por posiciones que competir por entrar en la respuesta
El término GEO (Generative Engine Optimization) ha empezado a circular con fuerza en los últimos meses, y aunque algunos lo ven como una moda pasajera o un simple rebranding del SEO, hay una diferencia conceptual fundamental que merece ser explicada con claridad.
En el SEO tradicional, compites por una posición en una lista ordenada. El objetivo es estar lo más arriba posible en los resultados de Google para una serie de palabras clave, y la victoria se mide en posición media, tráfico orgánico y tasa de conversión. La lógica es básicamente la de un ranking: cuanto más arriba, más visible.
En el GEO, la lógica es completamente diferente. No hay un ranking visible. El modelo de lenguaje no te dice «estás en el puesto 4 para esta consulta»; simplemente te incluye en su respuesta o no te incluye. Y cuando te incluye, puede hacerlo de formas muy distintas: como la primera recomendación, como una alternativa secundaria, como un ejemplo negativo o como una fuente de datos. El GEO no es una cuestión de posición, sino de presencia, y más concretamente, de la calidad de esa presencia.
Lo que la IA se pregunta cuando decide si incluirte en una respuesta no es «¿tiene muchos backlinks esta web?«, sino preguntas mucho más cualitativas: ¿Sé quién es esta empresa? ¿Tengo pruebas de que otros la avalan y la mencionan con coherencia? ¿Me fío lo suficiente de esta fuente como para citarla delante de un usuario que confía en mí?
Y aquí hay otra diferencia importante: el tráfico que llega desde los LLMs es cualitativamente diferente al tráfico de Google. Cuando alguien te encuentra a través de una IA, lo hace después de haber descrito su problema en detalle, haber recibido una recomendación argumentada y haber tomado la decisión de hacer clic. Ese usuario llega a tu web con muchísimo más contexto y con una intención mucho más clara que alguien que hace clic en el décimo resultado de Google. El volumen puede ser menor, pero la calidad de la visita —y, por tanto, la probabilidad de conversión— es notablemente superior.
Dicho esto, y esto es importante aclararlo: el GEO no sustituye al SEO tradicional. Lo complementa. Las bases siguen siendo las mismas —indexación, rastreo, autoridad temática, contenido de calidad— pero añade una capa nueva de optimización orientada específicamente a cómo los modelos de lenguaje procesan, evalúan y citan la información.
Los tres pilares del SEO para IAs: autoridad, estructura y confianza
Si tuviéramos que reducir toda la estrategia de posicionamiento en LLMs a sus elementos más esenciales, hablaríamos siempre de los mismos tres pilares: autoridad temática, estructura del contenido y señales de confianza. No son independientes; se refuerzan mutuamente, y la debilidad en cualquiera de ellos lastra a los otros dos.
EEAT 2.0: cuando la confianza es más importante que el clic
El concepto de EEAT —Experiencia, Expertise, Autoridad y Confiabilidad— no es nuevo en el mundo del SEO. Google lleva años utilizándolo como marco para evaluar la calidad de los contenidos, especialmente en sectores sensibles como salud, finanzas o derecho. Pero en el contexto del SEO para IAs, el EEAT adquiere una dimensión nueva y, en cierto sentido, más exigente.
La razón es sencilla: los modelos de lenguaje tienen un incentivo muy fuerte para ser conservadores en sus recomendaciones. Una IA que recomienda un producto o servicio de mala calidad, o que cita como fuente a una web de baja credibilidad, daña su propia reputación. Por eso, cuando un modelo tiene dudas sobre la fiabilidad de una fuente, prefiere no citarla antes que arriesgarse. El umbral de confianza que necesitas superar para aparecer en las respuestas de una IA es, en ese sentido, más alto que el que necesitas para aparecer en las posiciones medias de Google.
¿Qué significa esto en la práctica? Que el EEAT ya no es solo una cuestión de lo que publicas en tu propia web, sino de lo que el universo digital dice sobre ti. Las menciones en medios de referencia, las reseñas en plataformas de terceros, la coherencia entre lo que dices en tu web y lo que dicen de ti en LinkedIn, YouTube o Google Business Profile, los artículos firmados por personas con trayectoria verificable: todo esto forma parte del tejido de señales que los modelos utilizan para evaluar si eres una fuente fiable.
Hay un aspecto del EEAT especialmente relevante en este contexto que a menudo se pasa por alto: la coherencia del discurso. Si una empresa se presenta en su web como la solución premium del mercado pero sus reseñas en Google y Trustpilot hablan de precios bajos y servicio básico, la IA detectará esa incoherencia y, con toda probabilidad, descartará la fuente por su falta de consistencia. La confianza se construye con coherencia sostenida en el tiempo y en múltiples plataformas, no con afirmaciones unilaterales en la propia web.
Autoridad temática y clusters: cómo construir el ecosistema que la IA premia
Uno de los cambios más importantes que ha traído el SEO para LLMs es la confirmación definitiva de que las páginas aisladas ya no se posicionan bien. Lo que posiciona —tanto en Google como en las respuestas de los modelos de lenguaje— son los ecosistemas temáticos, es decir, conjuntos de contenido estructurado alrededor de una temática central con suficiente profundidad y coherencia como para que cualquier algoritmo o modelo pueda concluir: «esta web es una referencia en este tema».
La técnica de los topic clusters o grupos temáticos consiste en construir, para cada tema relevante para tu negocio, una arquitectura de contenido que incluye una página pilar —amplia, completa, que aborda el tema desde todos los ángulos— y una serie de artículos satélite que profundizan en aspectos específicos y enlazan de vuelta a la página pilar. Esta arquitectura no solo ayuda a Google a entender la estructura de tu conocimiento, sino que también optimiza la forma en que los modelos de lenguaje procesan y relacionan los fragmentos de información de tu web.
Los LLMs utilizan mecanismos como el RRF (Reciprocal Rank Fusion) para identificar las fuentes más relevantes en una consulta: básicamente, premian a aquellos contenidos que aparecen en muchas consultas relacionadas entre sí, no solo en la consulta principal. Esto significa que una web que tiene veinte artículos bien enlazados sobre un tema específico —todos coherentes entre sí, todos respondiendo a intenciones de búsqueda distintas dentro del mismo universo semántico— tiene mucha más probabilidad de ser citada que una web que tiene un solo artículo extraordinario, por bueno que sea.
El objetivo de esta estrategia no es solo la visibilidad en Google, sino algo más profundo: que la IA «entienda» la consistencia entre lo que publicas y el servicio que ofreces, de manera que cuando un usuario le pregunte algo relacionado con tu sector, el modelo tenga evidencia suficiente de que eres una referencia y no solo alguien que escribió un buen artículo una vez.
Frescura del contenido: los datos actualizados se citan un 25% más
Hay un dato que circula entre los especialistas en GEO y que resulta especialmente revelador: las fuentes con contenido actualizado recientemente tienen, según algunos estudios, hasta un 25% más de probabilidades de ser citadas por los modelos que utilizan RAG. Aunque el porcentaje exacto puede variar según el modelo y el tipo de consulta, la dirección del efecto es clara: la frescura del contenido importa, y cada vez más.
La razón técnica es sencilla. Cuando un modelo RAG utiliza la fecha de publicación o actualización de un contenido como señal de calidad —algo que hacen muchos modelos, especialmente cuando el usuario pregunta por «los mejores X de 2025» o «las últimas tendencias en Y»—, un artículo actualizado hace seis meses tiene una ventaja objetiva sobre uno publicado hace tres años y nunca revisado, aunque el contenido original fuera excelente.
Esto tiene implicaciones prácticas importantes para la gestión editorial. No se trata de publicar contenido nuevo sin parar —esa estrategia tiene rendimientos decrecientes y puede diluir la autoridad temática— sino de identificar los artículos más relevantes para tu negocio y mantenerlos actualizados de forma regular: verificando que los datos siguen siendo correctos, añadiendo nuevas fuentes, incorporando cambios recientes en el sector y actualizando la estructura semántica cuando sea necesario. Un artículo antiguo bien mantenido es, en muchos casos, más valioso que uno nuevo sin histórico.
Estrategia de contenidos para LLMs: escribir para humanos y para máquinas al mismo tiempo
Aquí es donde muchos profesionales del SEO se pierden, porque la tentación es tratar el SEO para IAs como una versión técnica del SEO tradicional: cambiar algunos parámetros, añadir datos estructurados y esperar resultados. Pero la verdad es que el cambio más importante no es técnico; es editorial.
El framework Jobs to Be Done aplicado al SEO para IA
Una de las ideas más poderosas que está permeando en la comunidad de SEO para LLMs proviene de un marco conceptual que nació en el mundo del desarrollo de producto: el Jobs to Be Done (JTBD). La premisa es sencilla pero profunda: los usuarios no buscan productos ni servicios; buscan resolver un trabajo específico en un contexto determinado.
Aplicado al SEO para IA, esto significa que el contenido ya no puede estar orientado a posicionar palabras clave, sino a acompañar al usuario en cada etapa de su proceso de decisión. Los prompts que los usuarios escriben en los LLMs son cada vez más largos, más conversacionales y más específicos que las búsquedas en Google; reflejan un contexto real, una situación concreta y una necesidad clara. Un usuario que le pregunta a ChatGPT «¿qué herramienta de gestión de proyectos me recomiendas si trabajo solo y quiero algo visual y gratuito?» no está haciendo una búsqueda genérica: está describiendo exactamente su situación y lo que necesita.
El contenido que responde a este tipo de preguntas con precisión —que no empieza con «en el mundo actual del trabajo remoto…» sino directamente con la respuesta— es el que los modelos identifican como relevante y extraíble. Esto implica repensar cómo se escribe: menos introducción genérica, más respuesta directa desde el primer párrafo; menos afirmaciones vacías, más datos concretos y ejemplos verificables; menos estructura pensada para el lector que tiene tiempo, más estructura pensada para la máquina que busca el fragmento exacto.
Las intenciones de búsqueda que mejor funcionan en este contexto son las que responden a acciones concretas: cómo hacer algo, cómo crear algo, cómo comparar dos opciones o cómo decidir entre alternativas. Estas intenciones, combinadas con la profundidad y precisión del contenido, son el nuevo SEO de intención.
Extractabilidad: la estructura que hace que la IA te encuentre en segundos
Si hay un concepto que resume mejor que ningún otro qué diferencia un contenido optimizado para LLMs de uno que no lo está, ese concepto es la extractabilidad. Una página web extractable es aquella en la que un modelo de lenguaje puede encontrar, en cuestión de segundos y sin ambigüedad, la respuesta precisa a una pregunta específica.
La estructura ideal para maximizar la extractabilidad es, en realidad, bastante sencilla aunque no siempre fácil de implementar: pregunta clara → respuesta directa en dos frases → desarrollo posterior. No es un formato periodístico ni literario; es un formato diseñado para que la máquina pueda hacer chunking de forma coherente y extraer el fragmento más relevante sin tener que procesar párrafos de contexto previo.
Esto se traduce en decisiones editoriales muy concretas. Los encabezados deben ser descriptivos y responder a preguntas reales (no «Introducción» sino «¿Qué es el SEO para LLMs?»). Los primeros párrafos de cada sección deben contener la respuesta principal, no el contexto que lleva a ella. Los datos concretos —porcentajes, fechas, cifras verificables— deben aparecer destacados y no enterrados en el medio de un párrafo largo. Las comparativas entre opciones deben estar en formatos estructurados como tablas o listas con descripción. Y las FAQs —especialmente en páginas de servicios o transaccionales— deben responder exactamente al tipo de pregunta que un usuario podría hacerle a una IA sobre ese servicio o producto.
Hay una frase que resume bien esta idea: si la IA no puede encontrar tu respuesta en tres segundos, pasa de largo. Y en ese escenario, toda la autoridad temática que hayas construido durante meses no sirve de nada para esa consulta concreta.
Query fanout: cómo una búsqueda simple se expande en diez subconsultas
Uno de los mecanismos más fascinantes —y menos conocidos fuera de los círculos técnicos— que utilizan los modelos con capacidad de búsqueda es el query fanout. Cuando un usuario le hace una pregunta aparentemente simple a una IA, el modelo no lanza una sola búsqueda al motor de búsqueda; lanza varias subconsultas relacionadas simultáneamente para construir una respuesta más completa y diversa.
Por ejemplo, si alguien pregunta «¿cuál es la mejor cámara mirrorless para comenzar en fotografía?», el modelo podría expandir internamente esa pregunta en subconsultas como «mejores cámaras mirrorless para principiantes 2025», «comparativa Sony vs Fujifilm para iniciados», «cámaras mirrorless relación calidad precio», «opiniones usuarios cámara mirrorless entrada» y «errores comunes al comprar primera cámara mirrorless». Esta expansión le permite recopilar información diversa y construir una respuesta más completa.
La implicación estratégica de este mecanismo es directa: una web con autoridad temática sólida —que tiene contenido relevante para muchas de esas subconsultas relacionadas— tiene mucha más probabilidad de aparecer en la respuesta final que una web que solo responde perfectamente a la pregunta principal. Es otra manera de ver por qué los clusters temáticos son tan importantes: no solo ayudan al usuario que navega tu web, sino que te colocan en el camino del modelo cuando expande su búsqueda hacia los bordes del tema.
SEO técnico para LLMs: lo que los bots necesitan de tu web
La parte técnica del SEO para IAs es, paradójicamente, la que menos ha cambiado con respecto al SEO tradicional. Las bases siguen siendo las mismas: una web rastreable, bien estructurada, con tiempos de carga adecuados y señales claras de jerarquía. Lo que ha cambiado es el contexto en que esas bases se evalúan y, en algunos casos, qué herramientas específicas hay que utilizar.
Bing Webmaster Tools: el paso que nadie da y que ChatGPT agradece
Aquí hay una realidad que sorprende a muchos profesionales del SEO cuando la descubren: ChatGPT no se alimenta de Google. Cuando activa su función de búsqueda web, consulta principalmente a Bing, el buscador de Microsoft. Esto significa que todo el trabajo que hayas hecho en Google Search Console es necesario pero no suficiente; si Bing no ha indexado correctamente tu web o la considera de baja calidad, las probabilidades de que ChatGPT te recomiende se reducen drásticamente.
La solución es sencilla pero requiere dar un paso que la mayoría de los profesionales del SEO nunca ha dado: darse de alta en Bing Webmaster Tools, el equivalente de Search Console para el buscador de Microsoft, y enviar el sitemap de la web para facilitar la indexación. Además, existe la posibilidad de verificar tu dominio directamente en ChatGPT —a través de un registro TXT en la zona DNS del hosting—, lo que, aunque no es un factor determinante por sí solo, ayuda a que el modelo tenga tu web más presente en su base de datos y a que la IA pueda reconocerte como una entidad verificada.
Esta es, probablemente, una de las acciones con mayor retorno de inversión inmediato en el mundo del SEO para LLMs: es rápida, gratuita y la hace muy poca gente todavía.
Datos estructurados y Schema Markup en el contexto de la IA
Los datos estructurados —código en formato JSON-LD que ayuda a los bots a entender el contenido de una página más allá del texto visible— son otro de los pilares técnicos que cobran especial relevancia en el SEO para IAs. Aunque modelos como ChatGPT no los leen directamente, los datos estructurados ayudan a Bing y Google a procesar mejor la información de la web, lo que indirectamente mejora la posición en los índices que los LLMs consultan.
Más allá del impacto indirecto, algunos tipos de Schema Markup son especialmente relevantes para el GEO. El marcado de Organization ayuda a que el modelo entienda quién es la empresa, en qué sector opera y cuáles son sus datos de contacto; el de Person permite asociar los contenidos a autores con identidad y trayectoria verificables; el de FAQPage estructura las preguntas frecuentes de forma que los modelos pueden extraerlas directamente; y el de Article o BlogPosting incluye señales de fecha de publicación y actualización que el modelo utiliza para evaluar la frescura del contenido.
Las tablas y listas en HTML también merecen una mención especial en este contexto. Los expertos en GEO las describen, con algo de humor pero con total precisión técnica, como «chuches para las IAs»: los modelos tienen una predilección clara por los formatos estructurados cuando buscan fragmentos concretos de información, porque son más fáciles de chuncar y sus vectores semánticos son más precisos.
Velocidad de carga y crawl budget: el coste de ser lento
Los bots de rastreo —tanto los de los buscadores tradicionales como los de los LLMs que utilizan RAG— tienen recursos computacionales limitados. Cada rastreo tiene un coste, y un sitio web lento es, desde la perspectiva del bot, un sitio costoso de rastrear. En la práctica, esto significa que una web con tiempos de carga elevados puede ser rastreada con menor frecuencia, indexada de forma incompleta o, en el peor de los casos, ignorada cuando el bot tiene que priorizar recursos.
La recomendación de optimizar la velocidad de carga no es nueva, pero en el contexto del SEO para LLMs adquiere una dimensión adicional: no solo afecta al posicionamiento en Google, sino a la probabilidad de que tu contenido sea accesible para los modelos en tiempo real. Herramientas como PageSpeed Insights o GTmetrix permiten identificar los problemas más críticos de rendimiento. Algunas de las soluciones más impactantes son también de las más sencillas de implementar: un hosting de calidad adecuada al tráfico del sitio, un tema ligero si el sitio está en WordPress, y la compresión de imágenes sin sacrificar calidad visible.
El crawl budget —el número de URLs que un bot está dispuesto a rastrear en un sitio web en un período determinado— también se ve afectado por la calidad técnica del sitio. Una web con muchas URLs de baja calidad, contenido duplicado o errores de rastreo «desperdicia» crawl budget en páginas que no aportan valor, reduciendo la frecuencia con que se rastrean las páginas importantes. Limpiar periódicamente el perfil técnico del sitio no es solo una buena práctica de SEO; es también una forma de asegurarse de que los bots dedican sus recursos a las páginas que más importan.
Presencia multiplataforma: construir el ecosistema de marca que la IA cita
Una de las preguntas que más confunden a los profesionales del SEO cuando se adentran en el mundo del GEO es esta: «¿Por qué aparece en ChatGPT una marca que no tiene especialmente buenas métricas SEO en Google?» La respuesta, casi siempre, tiene que ver con la presencia multiplataforma y la consistencia de las señales de marca en el ecosistema digital.
Los modelos de lenguaje, especialmente en su fase de entrenamiento, no solo aprenden de las webs corporativas. Aprenden de foros especializados, de hilos de Reddit, de artículos en Medium y Substack, de debates en LinkedIn, de vídeos de YouTube con muchas visualizaciones y comentarios, de artículos en Wikipedia, de reseñas en plataformas de terceros y de menciones en medios de comunicación. Todas estas fuentes forman parte del tejido de información con el que el modelo construye su «opinión» sobre qué marcas son relevantes en cada sector.
Esto tiene una implicación estratégica fundamental: construir visibilidad para los LLMs no puede limitarse a optimizar la propia web. Hay que crear un ecosistema de marca coherente y distribuido, donde la misma empresa —con las mismas características, el mismo posicionamiento y los mismos valores— aparezca mencionada en múltiples fuentes confiables y con consistencia. Cada mención registra una relación que la IA utiliza para responder.
Las plataformas con mayor tracción semántica para este fin son, en general, aquellas que tienen alta autoridad percibida y son fuentes que los modelos tienden a citar: LinkedIn para contenido profesional y artículos de thought leadership; YouTube para contenido en vídeo con transcripciones que el modelo puede procesar; Medium o Substack para artículos de profundidad publicados fuera de la web corporativa; Wikipedia o Wikidata si la marca o sus fundadores tienen la relevancia suficiente para tener entrada; y los medios especializados del sector para menciones y entrevistas que construyan autoridad ganada.
Hay un matiz importante sobre la calidad de estas menciones que vale la pena destacar. No todas las menciones tienen el mismo valor para los modelos. Una mención en un directorio genérico que solo contiene el nombre de la empresa y su URL tiene un valor mucho menor que una mención contextual —en un artículo que explica en qué se especializa la empresa, qué la diferencia de la competencia y por qué merece ser recomendada— que aparezca en una fuente de alta autoridad. Los modelos procesan el contexto de las menciones, no solo su presencia; por eso la calidad del entorno en que apareces es, al menos, tan importante como la cantidad de menciones.
Esta estrategia tiene además el beneficio indirecto de «normalizar» los términos asociados a tu marca en el ecosistema digital, lo que reduce la probabilidad de que los modelos generen «alucinaciones» —respuestas incorrectas o inventadas— cuando se les pregunta por tu empresa o tus servicios.
El futuro del SEO para IAs: lo que ya está pasando mientras lees esto
Hay una frase que resume bien dónde estamos en este momento: el SEO para IAs no es el futuro, es el presente. Y el presente está evolucionando más rápido de lo que la mayoría de los profesionales del sector está procesando.
La presentación de resultados transaccionales por parte de OpenAI —con carruseles de productos, reseñas e información de compra directamente en las respuestas de ChatGPT— es quizás el cambio más disruptivo de los últimos meses, porque convierte a los LLMs en un canal de captación directa comparable a lo que hoy es el tráfico orgánico de Google o la publicidad en redes sociales. Cuando ChatGPT puede recomendar un producto concreto, con precio, reseñas y enlace de compra, estamos hablando de algo cualitativamente diferente a un motor de búsqueda que devuelve resultados: estamos hablando de un nuevo punto de contacto en el viaje de compra.
La llegada de Google AI Overviews a Europa añade otra capa de complejidad. Este módulo, que aparece cada vez más en búsquedas informacionales complejas y ocupa un espacio considerable en la parte superior de la página de resultados, transforma la propia web de Google en un motor de respuesta. El objetivo ya no es solo aparecer en los primeros resultados orgánicos —que quedan cada vez más relegados hacia el fondo de la página—, sino aparecer en el top 2 o 3 de las sugerencias del AI Overview, que es donde está la visibilidad real.
En este contexto, la estrategia que tiene más sentido para un negocio que quiere posicionarse correctamente en los próximos años no es elegir entre SEO tradicional y GEO; es integrar ambos en una visión estratégica coherente. El SEO tradicional sigue siendo imprescindible porque los LLMs se nutren de los índices de los buscadores tradicionales. El GEO añade la capa de optimización específica para los modelos: extractabilidad del contenido, coherencia de marca en el ecosistema digital, datos estructurados centrados en entidades y señales de confianza que trascienden el propio sitio web.
El SEO para IAs es, en el fondo, una cuestión de dirección estratégica, consistencia y psicología de la confianza. Entender la lógica detrás del algoritmo y, sobre todo, entender los problemas reales de los usuarios que esos algoritmos intentan resolver. No es magia oscura ni ciencia ficción; es la evolución lógica de lo que el SEO siempre debería haber sido: construir una presencia digital tan coherente, tan bien argumentada y tan genuinamente útil que cualquier sistema —humano o artificial— que busque una referencia fiable en tu sector, te encuentre a ti.
