La optimización para motores generativos (GEO, por sus siglas en inglés) es la práctica de dar forma al contenido de un sitio web, y a la manera en que se describe la marca en otros sitios, para que las herramientas de búsqueda con IA lo recuperen, lo citen textualmente y nombren la marca en sus respuestas. El objetivo es aparecer dentro de la respuesta que escribe un modelo de lenguaje, ya sea como cita (un enlace a la fuente) o como mención (la marca nombrada en el texto).
El nombre viene de "motores generativos", una etiqueta para los sistemas de búsqueda que escriben una respuesta a la pregunta en lugar de devolver una lista de enlaces. ChatGPT search, Perplexity, Google AI Overviews y Gemini pertenecen a este grupo. El GEO toma muchos hábitos de la optimización para motores de búsqueda (SEO), el trabajo de ayudar a que las páginas se posicionen en los resultados de búsqueda clásicos, y añade preocupaciones que solo existen cuando un modelo escribe la respuesta.
¿Cómo decide un motor generativo qué incluir?
La mayoría de los productos de búsqueda con IA construyen una respuesta por etapas, y una página puede quedar fuera en cualquiera de ellas.
- Recuperación. El sistema convierte la pregunta del usuario en una o varias consultas de búsqueda y las envía a un índice de búsqueda. Solo avanzan las páginas que el índice contiene y devuelve.
- Selección de pasajes. Las páginas devueltas se dividen en pasajes, que son bloques cortos de texto, y un paso de clasificación puntúa cada pasaje frente a la pregunta. Se conservan unos pocos.
- Generación. Un modelo de lenguaje escribe la respuesta a partir de los pasajes conservados y añade citas a las frases que se basan en ellos.
Este patrón se llama generación aumentada por recuperación. El artículo sobre cómo elige la búsqueda con IA qué fuentes citar trata la etapa de selección con más detalle. El GEO es el conjunto de cambios que hacen que una página tenga más probabilidades de superar las tres etapas.
Algunos asistentes responden a partir de sus datos de entrenamiento sin buscar. Sus respuestas reflejan el texto que el modelo vio antes de ser entrenado, así que la única forma de influir en ellas es estar descrito de forma amplia y coherente en la web durante un periodo largo.
¿En qué se diferencia el GEO del SEO?
Los dos se solapan mucho, porque la etapa de recuperación suele funcionar sobre un índice de búsqueda convencional, y una página que se posiciona mal en ese índice rara vez se recupera. Las diferencias aparecen después de la recuperación.
| SEO | GEO | |
|---|---|---|
| Resultado | Una posición en una lista ordenada | Una cita o mención dentro de una respuesta |
| Unidad que compite | La página | El pasaje, y la marca nombrada en él |
| Consultas por pregunta | Una, escrita por el usuario | A menudo varias, escritas por el modelo |
| Estabilidad | Las posiciones cambian despacio | La respuesta puede cambiar entre dos ejecuciones |
| Qué se mide | Posiciones y clics | Proporción de prompts en los que aparece la marca, citas, visitas de referencia |
Como una sola pregunta puede producir varias consultas escritas por el modelo, una página puede recuperarse para una búsqueda que nadie escribió. Por eso, cubrir un tema a fondo suele ayudar más que coincidir con una frase exacta.
¿Qué implica el GEO en la práctica?
La mayor parte del trabajo de GEO se reparte en unas pocas áreas. Algunas son técnicas; otras tienen que ver con cómo se escribe el contenido o dónde se habla de la marca.
- Acceso de rastreadores. Los rastreadores de IA son bots que las empresas de IA usan para obtener páginas. Si robots.txt bloquea el bot que un producto usa para buscar, ese producto no puede leer la página al construir sus respuestas.
- HTML legible. Los bots que no ejecutan scripts pueden pasar por alto contenido que solo aparece después de ejecutar JavaScript. El texto presente en el HTML inicial se lee de forma más fiable.
- Pasajes autónomos. Un pasaje es más fácil de seleccionar cuando responde a una pregunta por sí solo, por ejemplo con una definición en la primera frase, una lista numerada de pasos o una tabla con valores reales. El texto que depende de párrafos anteriores para tener sentido es más difícil de citar.
- Datos concretos. Los precios, especificaciones, integraciones compatibles y ubicaciones expresados con claridad le dan al modelo algo concreto que repetir, mientras que las afirmaciones vagas no le dejan nada que citar.
- Nombres coherentes. Usar siempre los mismos nombres de marca y de producto ayuda al modelo a relacionar un pasaje con la empresa que describe.
- Presencia en otros sitios. Para preguntas como "qué herramienta es la mejor para esta tarea", los modelos suelen basarse en sitios de reseñas, artículos comparativos, foros y documentación. Una marca ausente de esas páginas tiende a estar ausente de la respuesta.
- Información actual. Las páginas que muestran cuándo se actualizaron y mantienen sus datos correctos son mejores candidatas para preguntas en las que importa la actualidad.
Cada uno de estos pasos elimina un motivo para que el sistema descarte la página, aunque ninguno garantiza una cita.
¿Por qué es difícil medir los resultados del GEO?
Los modelos de lenguaje generan su salida por muestreo, así que el mismo prompt puede producir una respuesta distinta cada vez que se ejecuta. La etapa de recuperación también puede devolver un conjunto de páginas ligeramente distinto de una ejecución a otra. Una sola comprobación de un prompt muestra solo una respuesta posible entre muchas.
Por eso los resultados del GEO se miden como visibilidad en IA. Un conjunto fijo de prompts que reflejan preguntas reales de clientes se ejecuta en varias plataformas de IA de forma periódica, y se registra cada respuesta. Las cifras útiles son con qué frecuencia se menciona la marca, con qué frecuencia se citan sus páginas, qué competidores aparecen a su lado y en qué dominios se apoyan las respuestas. La página sobre por qué una sola comprobación de visibilidad en IA no basta explica los motivos para medir de forma repetida.
¿Qué significa el GEO para un sitio web?
Una respuesta de IA a menudo resuelve la pregunta sin un clic, así que una marca puede ganar o perder atención sin ningún cambio en su tráfico de búsqueda. Cuando alguien hace clic en un enlace de una respuesta, la visita cuenta como tráfico de referencia de IA, y las herramientas de analítica normalmente pueden identificarla por el dominio de referencia. Una mención sin clic sigue poniendo el nombre de la marca delante del lector.
Un orden de trabajo práctico es confirmar primero el acceso de los rastreadores, después revisar las páginas que responden a las preguntas que hacen los clientes y luego comprobar cómo describen la marca los sitios de reseñas y comparativas. Los cambios en una página pueden llegar a las respuestas de los productos basados en búsqueda una vez que la página se vuelve a rastrear e indexar. Las respuestas escritas a partir de los datos de entrenamiento solo cambian cuando se vuelve a entrenar el modelo que las genera.
