GEO / LLMO (answer-engine optimization)
Mi veredicto
Estructurar contenido y entidades para que las marcas sean citadas por ChatGPT, Google AI Overviews y Perplexity: schema.org, speakable, arquitectura de entidades y análisis de registros del servidor de los rastreadores de IA. Medido frente a citas reales, no supuesto.
Brief de profesional
Qué hacemos en realidad
Arquitectura de entidades (schema.org con llmCard, FAQ y bloques speakable; entidades respaldadas por Wikidata), superficies de descubrimiento para agentes (llms.txt, agent cards en .well-known) y análisis de registros del servidor de los rastreadores de IA (GPTBot, PerplexityBot, ClaudeBot, Google-Extended) para ver a qué pueden llegar los modelos y a qué no. El objetivo es que te citen dentro de las respuestas de ChatGPT, Google AI Overviews y Perplexity, no posicionar un enlace azul.
Por qué Trial y no Adopt
Porque lo medimos sobre nosotros mismos y los resultados son honestos: nuestra propia línea base de monitorización mostró presencia de citación en cabeza en la mayoría de modelos para una frase de nicho muy concreta, y cero presencia en consultas transaccionales amplias donde la competencia tiene citaciones de terceros. La estructura on-page es necesaria pero no suficiente; la mitad que falta es la corroboración off-page (menciones independientes que los modelos puedan verificar). Cualquier propuesta de GEO que se salte la medición está vendiendo suposiciones.
Cuándo lo usamos
Marcas cuyos compradores preguntan a asistentes de IA antes incluso de buscar: empezamos con una auditoría de visibilidad en IA de alcance cerrado (análisis de logs de rastreadores, revisión de huecos de entidades y schema, tests de citación en vivo sobre consultas prioritarias) y después decidimos si merece la pena una optimización continua. El criterio de salida es volver a medir contra citaciones reales, no un informe que cierra el encargo.
Añadido: 2026-07-07 · Última revisión: 2026-07-07