Un LLM no «encuentra la mejor página web» para después citarla. Primero recupera un conjunto de fragmentos con suficiente proximidad semántica y luego selecciona el que mejor le permite construir la respuesta. Por eso, la posibilidad de obtener una cita no suele depender de la calidad global del artículo, sino de que un párrafo concreto pueda extraerse con claridad y responder a la pregunta por sí solo. Entender estas dos etapas es esencial para saber qué conviene optimizar.
Conseguir una cita implica superar dos etapas, no alcanzar una única puntuación.
Actualmente, motores generativos como la búsqueda de ChatGPT, Perplexity, Gemini y Google AI Overviews siguen en gran medida un proceso de generación aumentada por recuperación (RAG). Cuando una persona formula una pregunta, el motor busca o recupera de su índice decenas de contenidos candidatos. A continuación, el modelo los procesa, redacta una respuesta y señala las fuentes utilizadas. Para que un contenido sea citado, primero debe aparecer en la etapa de «recuperación» y después considerarse lo bastante valioso para incorporarlo durante la «generación».
Cada etapa evalúa aspectos distintos, y confundirlas es uno de los principales obstáculos al trabajar el GEO. La recuperación se fija en la relevancia semántica y la pertinencia del fragmento; la generación valora si ese fragmento responde directamente a la pregunta, si es fiable y si coincide con lo que afirman otras fuentes. Un artículo repleto de palabras clave pero poco concreto puede quedar fuera ya en la recuperación. Otro puede ser recuperado y, aun así, descartarse durante la generación porque oculta la respuesta en el octavo párrafo. Si se tratan ambas etapas como una sola, los esfuerzos de optimización se dirigirán al lugar equivocado.
Etapa de recuperación: ¿puede el modelo encontrarte?
La recuperación se basa en comparaciones vectoriales. El motor convierte la pregunta y cada uno de los párrafos en conjuntos de números llamados embeddings y calcula cuáles se encuentran a menor distancia semántica. Lo importante es la similitud de significado, no la repetición de las mismas palabras. Por tanto, no hace falta saturar la página con palabras clave. Cada párrafo debe explicar un concepto de forma clara y completa para transmitir un significado preciso que resulte fácil de comparar.
- Relevancia semántica: el párrafo debe responder de manera directa a una pregunta concreta, no limitarse a hablar de un tema en términos generales. Los fragmentos imprecisos generan vectores poco definidos y suelen perder terreno frente a otros más específicos.
- Segmentación de párrafos (chunking): el motor extrae fragmentos individuales, no la página completa. Utiliza subtítulos claros, párrafos breves y estructuras de pregunta y respuesta para que cada bloque pueda separarse y conservar su sentido por sí solo.
- Cobertura del índice: el contenido debe poder rastrearse e indexarse. El texto bloqueado por JavaScript, oculto tras un inicio de sesión o integrado dentro de una imagen puede resultar completamente invisible para el modelo.
- Actualidad: cuando una consulta depende del momento, el motor da preferencia a fuentes actualizadas recientemente. En este tipo de búsquedas, las páginas que llevan mucho tiempo sin cambios pueden perder visibilidad.
Etapa de generación: ¿se atreve el modelo a citarte?
Aparecer en la recuperación solo permite entrar en la selección inicial. El modelo recibe numerosos fragmentos candidatos, pero citará apenas unos pocos. ¿Cómo los elige? Tras revisar para nuestros clientes las fuentes citadas en una gran cantidad de respuestas generadas por IA, observamos que los fragmentos seleccionados de forma recurrente suelen reunir varias características a la vez. Cuanto mayores sean el riesgo y la necesidad de precisión de una consulta, más decisivas resultan esas características.
- La respuesta aparece al principio: coloca la conclusión, la definición o las cifras en la primera frase del párrafo. El modelo prefiere formulaciones que pueda reutilizar directamente, sin tener que deducir la respuesta a partir de tres frases introductorias.
- Respaldo de varias fuentes: si distintas fuentes fiables repiten una misma afirmación, el modelo tendrá más motivos para citarla. Una declaración que solo aparece en el sitio web de una empresa tiene mucho menos peso que otra confirmada por terceros.
- Señales de confianza: identificar con claridad la autoría y las fuentes, mostrar las fechas de publicación y actualización e incluir enlaces externos ayuda al modelo a evaluar la fiabilidad. El contenido anónimo y sin fecha parte con desventaja.
- Coherencia: las cifras y afirmaciones de un mismo contenido no deben contradecirse ni entrar en conflicto evidente con hechos ampliamente aceptados. De lo contrario, el modelo puede optar por una fuente que considere más segura.
Por qué «obtener una cita» y «posicionarse» no significan lo mismo
En el SEO tradicional se optimiza la posición de una página completa en los resultados de búsqueda; en GEO se optimiza la probabilidad de que el motor extraiga un fragmento concreto de esa página. Esto produce un resultado poco intuitivo: un artículo situado en la quinta posición de Google puede recibir más citas de la IA porque su segundo párrafo responde con rapidez y claridad, mientras que una página en primera posición puede quedar fuera si esconde la información esencial a mitad del texto. El modelo no se fija en la posición que ocupa la página entre los enlaces azules, sino en cuál de los fragmentos recuperados encaja mejor en la respuesta.
El posicionamiento compite por los clics; las citas, por formar parte de la respuesta que recibe el usuario. Aunque se trabaje con los mismos activos de contenido, el objetivo final de la optimización es distinto.— Tenten GEO
Tres medidas que puedes aplicar primero
Una vez entendido el mecanismo, las prioridades de optimización quedan bastante claras. No es necesario reescribir todo el sitio. Empieza por seleccionar algunas de las preguntas más relacionadas con el tráfico o las oportunidades comerciales y concentra el trabajo en esas páginas.
- Dedica a cada pregunta clave un párrafo que funcione por sí solo: utiliza como subtítulo la pregunta que formularía el usuario, responde en la primera frase y añade el contexto a continuación.
- Incorpora señales de confianza: autoría, fechas de publicación y actualización, fuentes de información y enlaces externos que den al motor generativo motivos para elegir tu contenido.
- Mide las citas, no solo el tráfico: formula periódicamente esas preguntas clave a los motores de IA y registra qué fuentes citan y si mencionan tu marca. Eso es precisamente lo que hacen las herramientas de seguimiento de visibilidad como Brand Radar. Sin estos datos, no sabrás que tu empresa está ausente de las respuestas de la IA.
Conseguir citas no es una cuestión misteriosa, sino el resultado de una serie de señales que pueden analizarse y optimizarse: que el contenido sea recuperable, responda con rapidez, cuente con respaldo y resulte fiable. A la mayoría de los sitios web B2B no les falta contenido; el problema es que su estructura de párrafos y su forma de responder preguntas no están adaptadas ni a las personas ni a las máquinas. Si quieres descubrir en cuál de estas dos etapas se atasca tu contenido, puedes solicitar un diagnóstico GEO de 30 minutos. Utilizaremos algunas de las preguntas que realmente importan a tu negocio para comprobar qué fuentes está citando actualmente la IA.
