GEO / AI-SEO

Qué incluye el servicio GEO

Preparamos el sitio y el contenido del cliente para que los asistentes de IA (ChatGPT, Perplexity, Alisa, Gemini) lo citen precisamente a él en sus respuestas. El trabajo incluye una auditoría de la citabilidad actual, la reestructuración de las páginas para la extracción de hechos por parte de los modelos de lenguaje, la implementación de marcado de esquema y la creación de bloques citables con hechos, cifras y fuentes. No escribimos por el cliente eslóganes de marketing por volumen, sino que reorganizamos la presentación de la información según la lógica de la búsqueda generativa. Por separado configuramos las señales técnicas de accesibilidad del contenido para los rastreadores de IA y comprobamos cómo responden realmente los asistentes a las consultas objetivo antes y después de los cambios. El resultado se mide no por la posición en los resultados, sino por la proporción de respuestas de las redes neuronales donde la marca del cliente aparece como fuente, y aquí la promoción en redes neuronales funciona como un canal aparte, no como un añadido sobre el SEO habitual.

Cómo funciona técnicamente el proceso

La búsqueda generativa funciona de forma distinta a la clásica: el modelo no devuelve una lista de enlaces, sino que arma una respuesta a partir de fragmentos que consideró autorizados y unívocos. Por eso dividimos el contenido en bloques de sentido autosuficientes, donde cada párrafo responde a una pregunta concreta sin remitir al resto de la página. Sobre el texto se superpone un marcado de esquema que describe las entidades (la organización, el producto, el servicio, el autor) en un lenguaje legible por máquina, y esto reduce las ambigüedades cuando el modelo extrae los datos. Después enriquecemos el material con hechos verificables, estadísticas y enlaces a fuentes primarias, porque precisamente esos elementos aumentan la probabilidad de ser citados. El circuito final es la comprobación empírica: lanzamos las consultas objetivo a través de los propios asistentes y observamos qué formulaciones recuperan, tras lo cual ajustamos la estructura.

Cuándo y cómo surgió el término

El término Generative Engine Optimization (GEO) lo introdujo un artículo científico publicado en arXiv el 16 de noviembre de 2023 con el número 2311.09735. Lo preparó un equipo dirigido por Pranjal Aggarwal con la participación de la Universidad de Princeton, el Instituto Tecnológico de Georgia, el Instituto Allen de IA y el Instituto Indio de Tecnología de Delhi. El trabajo se presentó en la conferencia ACM SIGKDD (KDD 24) en Barcelona en agosto de 2024, lo que asentó la línea en el ámbito académico. Los autores construyeron el benchmark GEO-bench y probaron métodos de optimización sobre unas 10 000 consultas, demostrando que añadir estadísticas, citas y enlaces eleva la visibilidad del contenido en las respuestas de la IA hasta un 40 por ciento. El propio término AI-SEO se asentó en la industria algo después como sinónimo práctico, cuando el uso masivo de ChatGPT y Perplexity convirtió los resultados generativos en una fuente de tráfico notable.

Por qué es crítica la precisión del software

La citabilidad en las redes neuronales se rompe por detalles: un marcado de esquema incorrecto, una entidad duplicada o una contradicción en los datos, y el modelo o ignora la página o extrae de ella un hecho erróneo. Es una tarea de ingeniería, no creativa: JSON-LD exige una estructura válida, de lo contrario el parser descarta el bloque entero, sin resultado parcial. Tratamos el marcado como código: validamos la sintaxis, comprobamos las relaciones entre entidades y probamos cómo extraen el fragmento los asistentes reales. Aquí es importante subrayar el posicionamiento: ASI Robotics escribe la parte de software y configura los resultados, pero no suplanta el contenido factual del cliente; si los datos del producto los proporciona el cliente, respondemos por su correcto empaquetado para máquina, no por su contenido. Sin esa precisión, la promoción en redes neuronales se vuelve un azar donde el resultado no se puede repetir ni escalar.

Con qué herramientas trabajamos

La capa base es la estructuración del contenido para los LLM: reescribimos las páginas en formato pregunta-respuesta, llevamos las definiciones y los hechos a bloques extraíbles y eliminamos las referencias de sentido que rompen la extracción del fragmento. La segunda capa es el marcado de esquema según el vocabulario Schema.org en formato JSON-LD, que describe la organización, los servicios, las FAQ, la autoría y las reseñas en un lenguaje legible por máquina. La tercera capa es el trabajo sobre la citabilidad: añadir estadísticas verificables, enlaces a fuentes primarias, formulaciones de experto y menciones en plataformas externas autorizadas que los modelos tienen en cuenta al construir la respuesta. Técnicamente usamos validadores de datos estructurados, herramientas de prueba a través de los propios asistentes de IA y registros de qué fuentes recupera la red neuronal en las consultas objetivo. Este stack se ajusta a la infraestructura del cliente, ya sea su CMS, sus plantillas o su base de contenido existente.

Cuándo aparecieron los estándares clave

El vocabulario Schema.org, sobre el que se sostiene el marcado de esquema, lo lanzaron el 2 de junio de 2011 de forma conjunta Bing, Google y Yahoo, y en noviembre de 2011 se sumó a la iniciativa Yandex, lo que convirtió el marcado en un estándar entre buscadores. El formato JSON-LD, en el que hoy se recomienda implementar los datos estructurados, obtuvo el estatus de recomendación del W3C en enero de 2014 y luego pasó a ser el formato preferido de Google por su facilidad de implementación y mantenimiento. Es decir, la base técnica para la descripción por máquina de las entidades se formó una década antes de que aparecieran los asistentes generativos. Cuando en 2023 se acuñó el término GEO, esos estándares ya eran maduros y simplemente recibieron un nuevo uso: alimentar las respuestas de los modelos de lenguaje, y no solo los snippets de los resultados clásicos. Esto explica la baja competencia: las herramientas se conocen desde hace tiempo, pero el mercado empezó a aplicarlas deliberadamente para la búsqueda generativa solo hace poco.

Por qué puede confiárnoslo

La experiencia total del equipo de desarrollo de ASI Robotics supera los 45 años en TI, y el GEO lo llevamos como una disciplina de ingeniería, no como un conjunto de trucos de copywriting. Validamos cada marcado, comprobamos la extracción de fragmentos y probamos las respuestas de los asistentes en las consultas objetivo antes del lanzamiento en producción, y no entregamos cambios a ciegas. Nuestro perfil es escribir programas y configurar la infraestructura del cliente, por eso la promoción en redes neuronales se asienta sobre el mismo enfoque que el desarrollo de software: reproducibilidad, verificabilidad, control de versiones. Separamos con honestidad las zonas de responsabilidad: allí donde el resultado depende del contenido factual o de las plataformas del cliente lo decimos directamente, y no prometemos una citabilidad garantizada como si fuera magia. El canal es nuevo y la competencia es baja, pero gana en él no quien empezó antes, sino quien construye la estructura de datos con cuidado y la comprueba antes de publicarla.