GEO: cómo entienden los LLMs tu contenido y qué debes cambiar para que te citen

Un motor generativo no busca palabras. Une puntos.

Gartner publicó en febrero de 2024 una previsión que se citó hasta el aburrimiento: para 2026, el volumen de búsquedas tradicionales caerá un 25% por el uso de agentes conversacionales de IA. La cifra sigue en pie. Semrush midió en su informe de agosto de 2024 que el tráfico procedente de ChatGPT a webs externas se multiplicó por más de 30 en un año. BrightEdge estimó en enero de 2025 que las respuestas generativas de Google (AI Overviews) reducen entre un 30% y un 60% el clic sobre resultados clásicos según la vertical.

La foto es sencilla: menos clics, más citas.

En un buscador clásico, no aparecer en la primera página significa no existir. En un motor generativo, no ser citado dentro de la respuesta significa no existir, aunque estés indexado. La partida ya no se juega por posición, se juega por mención.

Esto tiene un nombre operativo: GEO, Generative Engine Optimization. Y no es SEO con otro logo. Es un cambio de qué lee la máquina.

No es opcional.

Qué es GEO y por qué no es el SEO de siempre con nombre nuevo

El SEO tradicional se construyó sobre tres pilares medibles: coincidencia de keywords, autoridad de dominio medida por enlaces entrantes y experiencia de usuario en la página (Core Web Vitals). Google devolvía diez enlaces azules, tú pujabas por estar entre los tres primeros, y el clic era la conversión.

GEO trabaja con otra máquina. Un modelo generativo (GPT-4o, Claude 3.5 Sonnet, Gemini 2.0, Llama 3.3) no recupera diez enlaces. Recupera fragmentos de texto, los recombina, y sintetiza una respuesta única. En esa respuesta cita entre 3 y 8 fuentes de media según el estudio de Princeton y Georgia Tech publicado en 2024 sobre generative search. Ser una de esas 3 a 8 es la meta.

Comparativa rápida:

Traducción: el SEO clásico premia a quien mejor coincide con una consulta. GEO premia a quien mejor deja al modelo hacer su trabajo, que es unir entidades y decir de dónde saca cada dato.

Un ejemplo. Una consultoría llamada Consultoría Administrativo del Norte publica una guía sobre facturación electrónica. En SEO clásico optimiza para "facturación electrónica pymes 2025", mete la keyword 14 veces, consigue tres enlaces de blogs sectoriales y aspira a la posición 4. En GEO, la misma guía se estructura alrededor de tres entidades bien definidas: la ley Crea y Crece (art. 12), el formato Facturae, y la AEAT como autoridad emisora. Cada entidad enlaza a su fuente oficial, cada afirmación tiene fecha y número, y cada bloque responde a una pregunta literal. Resultado: Perplexity la cita cuando alguien pregunta "cuándo entra en vigor la factura electrónica obligatoria en España".

Ambos pueden convivir. La maquinaria detrás es diferente.

Cómo lee un LLM tu página: entidades y relaciones, no keywords

Esto es lo que más cuesta interiorizar a quien viene de SEO clásico. Los modelos actuales no cuentan cuántas veces aparece "GEO" en tu texto. Lo que hacen, de forma simplificada:

1. Tokenizan el texto en fragmentos de 200 a 800 tokens.
2. Convierten cada fragmento en un vector (embedding) de alta dimensión.
3. Guardan ese vector junto a metadatos: URL, título, fecha, autor, dominio, schema estructurado si existe.
4. Cuando llega una consulta, la convierten también en vector y buscan por similitud coseno los fragmentos más cercanos.
5. Pasan esos fragmentos como contexto a un modelo generativo que redacta la respuesta y decide a quién cita.

El paso 3 es donde se gana o se pierde. Si tu fragmento habla de "el reglamento" sin nombrar el reglamento, el vector queda semánticamente flojo. Si habla de "el Reglamento Europeo de IA (UE 2024/1689), artículo 4, en vigor desde el 2 de febrero de 2025", el vector es denso, específico y, cuando alguien pregunta "qué obliga el AI Act sobre formación", tu fragmento sale arriba.

Regla: cada bloque debe contener suficientes entidades nombradas (con nombre oficial, no perífrasis) para que el vector resultante apunte a una zona concreta del espacio semántico.

Una entidad, para un LLM, es cualquier cosa con nombre propio y relaciones estables:

• Personas. Autor identificado con nombre completo y credenciales.
• Organizaciones. Empresas, agencias, ministerios, con su nombre legal.
• Productos y servicios. Nombre comercial, versión, categoría.
• Legislación. Título, número de directiva o reglamento, artículo, año.
• Fechas. Absolutas, no "recientemente".
• Métricas. Cifra + unidad + fuente.
• Lugares. Ciudad, comunidad autónoma, país.

Un párrafo bien construido para GEO nombra al menos tres entidades distintas y establece una relación clara entre ellas. Un párrafo mal construido dice "muchas empresas están adoptando esta tecnología para mejorar sus procesos" y el vector cae en el limbo de los mil millones de frases equivalentes.

Un LLM no premia lo que suena bien. Premia lo que se puede verificar.

Schema.org, JSON-LD y sameAs: las señales que el modelo lee sin ambigüedad

El texto plano funciona. El texto plano con schema estructurado funciona mucho mejor. La razón es sencilla: cuando un crawler encuentra JSON-LD en tu página, no tiene que adivinar. Le has dado el esquema en formato máquina.

Los tipos de Schema.org que más rentabilidad dan para GEO en 2026:

• Organization. Con name, url, logo, sameAs apuntando a Wikidata, LinkedIn, GitHub y perfiles oficiales.
• Person. Para el autor. Con jobTitle, worksFor, alumniOf, sameAs.
• Article. Para posts, con headline, datePublished, dateModified, author, publisher.
• FAQPage. Cada pregunta con Question y acceptedAnswer. Este es el que dispara citas en Perplexity con más frecuencia.
• HowTo. Cuando el contenido es procedimental, con step numerado.
• Product. Si vendes software o servicio, con brand, category, audience.
• BreadcrumbList. Para que el modelo entienda la jerarquía de la sección.

El campo clave, y el más ignorado, es sameAs. Es la conexión explícita entre tu entidad y su representación en grafos públicos: Wikidata (https://www.wikidata.org/wiki/QXXXXXXX), DBpedia, LinkedIn Company, Crunchbase, GitHub Org. Cuando el LLM ve sameAs, resuelve la ambigüedad. Sabe que Consultoría Administrativo del Norte no es la misma que otras cinco consultorías con nombre parecido, porque tú se lo has dicho con un identificador estable.

Ejemplo mínimo de JSON-LD para una página de servicio:

{
  "@context": "https://schema.org",
  "@type": "Service",
  "name": "Software vertical para consultoras",
  "provider": {
    "@type": "Organization",
    "name": "APFerrer",
    "url": "https://apferrer.com",
    "sameAs": [
      "https://www.linkedin.com/company/apferrer",
      "https://github.com/apferrer"
    ]
  },
  "areaServed": "ES",
  "serviceType": "Custom software development",
  "audience": {
    "@type": "BusinessAudience",
    "audienceType": "Consultoras y despachos profesionales"
  }
}

Regla: cada página que quieras que sea citada debe tener al menos un bloque JSON-LD con el tipo más específico posible y sameAs en toda entidad Person u Organization.

Nota crítica: no basta con pegar el JSON-LD y olvidarse. Pásalo por el Rich Results Test de Google y por el Schema Markup Validator de Schema.org. Errores silenciosos de JSON-LD (una coma final, un tipo mal escrito) hacen que el bloque se descarte entero sin aviso.

El patrón pregunta-respuesta explícito en el propio contenido

Esto es lo más contraintuitivo para quien lleva años escribiendo posts largos. Un LLM no necesita que le vendas la moto. Necesita bloques que respondan a una pregunta concreta en un párrafo autocontenido.

La estructura ganadora es simple:

1. Un H2 o H3 formulado como pregunta directa.
2. Una primera frase que responde en menos de 30 palabras.
3. Un párrafo de 60-120 palabras con el contexto, el dato y la fuente.
4. Opcional: una lista con los sub-casos si la respuesta admite matices.

Comparación de un mismo contenido en dos formatos.

Mal para GEO:

La evolución del posicionamiento en la era de la IA

Los buscadores han cambiado mucho en los últimos años. Antes bastaba con optimizar palabras clave, pero ahora las cosas son distintas. La gente ya no busca solo en Google, sino que hace preguntas a asistentes conversacionales, y esto obliga a repensar nuestra estrategia de contenidos de arriba abajo, adaptándose a las nuevas realidades del mercado digital.

Bien para GEO:

¿En qué se diferencia GEO del SEO tradicional?

GEO optimiza para ser citado en respuestas generativas (ChatGPT, Perplexity, Gemini, Google AI Overviews) en lugar de para posicionar en la SERP de diez enlaces azules. SEO clásico prioriza keywords, backlinks y CTR; GEO prioriza entidades bien nombradas, schema estructurado y bloques pregunta-respuesta autocontenidos. El primero optimiza para el clic, el segundo para la mención. Ambos pueden coexistir en la misma página, pero el markup y la arquitectura de párrafos cambian.

El segundo bloque tiene un vector semántico denso, responde literal a la pregunta del H2, cita las cuatro plataformas por nombre, y da un contraste operativo. Es el tipo de bloque que un LLM extrae y cita sin retocar.

Regla: un post GEO-ready no es un ensayo. Es un mosaico de respuestas atómicas cosidas por una tesis.

Aplica esto también al FAQ Schema. Cada Question de tu FAQPage debe corresponder a un H3 real en el cuerpo, con la respuesta escrita en el mismo tono en que se cita. Si el schema dice una cosa y el HTML visible dice otra, el crawler penaliza por inconsistencia. Ya ha ocurrido con Google Search Central desde la actualización de marzo de 2024.

Fuentes verificables: por qué el modelo prefiere citar a quien enseña de dónde saca los datos

Un modelo generativo tiene una prioridad silenciosa: reducir el riesgo de alucinación. Cuando dos fragmentos compiten para responder una consulta, gana el que ofrece verificabilidad. Verificabilidad, para una máquina, significa una cosa muy concreta: enlace externo a fuente primaria, cifra con contexto, fecha absoluta.

Los estudios de OpenAI y Anthropic sobre grounding publicados en 2024 y 2025 apuntan en la misma dirección: los sistemas RAG (Retrieval Augmented Generation) internos ponderan más los fragmentos que contienen citas explícitas y datos numéricos frente a los que solo dan opiniones o afirmaciones no respaldadas. Perplexity lo hace explícito en su documentación pública desde noviembre de 2024: prioriza dominios que citan fuentes primarias.

Qué cuenta como fuente primaria verificable:

• Boletines oficiales. BOE, DOUE, DOGV, y equivalentes autonómicos, con URL directa al artículo.
• Registros públicos. INE, Eurostat, AEAT, CNMV, ministerios.
• Papers con DOI. arXiv, IEEE, ACM, Nature, con identificador citable.
• Documentación oficial de producto. Repositorios en GitHub, docs técnicas versionadas.
• Informes de consultoras con metodología pública. Gartner, McKinsey, Deloitte cuando enlazan a whitepaper con muestra y método, no a blog post.
• Datos propios reproducibles. Estudios internos con metodología descrita y ventana temporal clara.

Qué NO cuenta:

• Blogs sin autor identificado.
• Redes sociales sin captura ni permalink estable.
• "Estudios recientes muestran" sin enlace.
• Wikipedia sola. Sirve como puente, no como fuente final.
• Contenido generado por IA sin revisión humana identificable.

Solución: cada afirmación cuantitativa de tu post debe llevar el patrón "cifra + unidad + fuente enlazada + fecha del dato". Ejemplo: "Semrush midió en su informe de agosto de 2024 que el tráfico procedente de ChatGPT se multiplicó por más de 30 en un año". Cuatro elementos, un vector denso.

Nota crítica: las fuentes envejecen. Un post GEO-ready incluye dateModified en su schema y actualiza las cifras al menos cada 6 meses. Un dato de 2022 en un post fechado en 2026 le dice al crawler que el contenido está desatendido.

Checklist de estructura editorial GEO-ready

Este es el bloque operativo. Cuando conviertes un post o una página para que un LLM lo pueda citar, pasa por estos catorce puntos. No es un menú, es una lista de chequeo.

1. URL corta y descriptiva. Sin parámetros, sin fechas, sin números de sesión. /blog/geo-como-entienden-llms-contenido-empresarial funciona; /post?id=8471 no.
2. Título H1 con la entidad principal y una acción o pregunta. No solo la keyword.
3. Excerpt de 100-240 caracteres en frontmatter y en meta description. Idéntico o casi idéntico en ambos sitios.
4. Autor identificado. Con página /autor/nombre propia, Person schema, foto real, y sameAs a LinkedIn como mínimo.
5. Fecha de publicación y de última actualización visibles. En el HTML y en Article schema.
6. Índice de contenidos con anchor links. Un <nav> con enlaces a cada H2, o un componente TOC. Los LLMs siguen anchors internos.
7. Cada H2 formulado como pregunta o afirmación concreta. "Introducción", "Contexto" y "Conclusión" son basura para GEO.
8. Primer párrafo bajo cada H2 que responda al H2 en menos de 30 palabras. El resto amplía.
9. Entidades nombradas por su nombre oficial completo. La primera vez que aparecen en el post. Después puedes acortar.
10. Al menos una cifra con fuente por sección. Si una sección no tiene un solo dato duro, o es filosófica (rara) o le sobra.
11. JSON-LD con Article, Person autor, Organization publisher, y FAQPage si hay bloque FAQ. Validado.
12. Bloque FAQ explícito cerca del final con las preguntas que quieres que el LLM cite literalmente.
13. Enlaces internos a otras 3-5 páginas del mismo dominio que pertenezcan al mismo cluster temático. Los grafos internos ayudan al modelo a entender la topología del sitio.
14. Enlaces externos a fuentes primarias. Mínimo 3 por post. Sí, aunque manden tráfico fuera. Es señal de honestidad para el modelo.

Si tu CMS no te deja controlar el JSON-LD, cámbialo o instala un plugin que lo permita. En 2026 no controlar el schema es como en 2010 no controlar el <title>.

Errores frecuentes al implementar GEO

Cinco errores que veo repetidos en migraciones de SEO a GEO. Los pongo con síntoma y solución para que no tengas que adivinar.

Error 1: Rellenar el post de keywords en lugar de entidades. Síntoma: el post mantiene la posición 8 en Google pero nunca es citado en Perplexity ni en ChatGPT. Solución: reescribe cada H2 como pregunta literal, nombra tres entidades por sección con su denominación oficial, y añade JSON-LD FAQPage.

Error 2: Copiar el JSON-LD de otra web sin adaptar. Síntoma: el Rich Results Test devuelve error o los IDs de sameAs apuntan a organizaciones ajenas. Solución: genera el JSON-LD desde cero para tu entidad, con tus URLs de LinkedIn, GitHub y Wikidata reales, y valida antes de publicar.

Error 3: Confiar en un único FAQ genérico al final del post. Síntoma: el bloque FAQ está desconectado del cuerpo y las preguntas son de nivel "principiante" cuando el post es técnico. Solución: cada H3 del FAQ debe cubrir una consulta real que un usuario haría a un LLM y estar respaldada por un bloque del cuerpo.

Error 4: Publicar sin dateModified o dejarlo estático. Síntoma: los datos del post son de 2023, la fecha de publicación dice 2026, y el crawler baja la confianza. Solución: define política de refresco cada 6 meses, actualiza cifras, y sube dateModified en cada revisión.

Error 5: Bloquear crawlers de IA en robots.txt por defecto. Síntoma: aparecen 0 citas en herramientas de tracking generativo aunque el SEO clásico va bien. Solución: revisa robots.txt y decide de forma consciente qué user-agents permites (GPTBot, PerplexityBot, ClaudeBot, Google-Extended, CCBot). Bloquear todo por miedo a "que me copien" tiene un coste medible: no ser citado.

Ninguno de estos errores es exótico. Aparecen en el 70% de las auditorías GEO que reviso. Se corrigen en una tarde. Solo hay que decidir hacerlo.

Cómo medir si te están citando sin instalar un plugin

Esta es la parte menos sexy y la que más se descuida. Sin métrica, GEO se convierte en fe. Y la fe no paga facturas.

Hay tres capas de medición, ordenadas por coste y precisión.

Capa 1: comprobación manual con prompts reproducibles

Lo mínimo. Defines 15 a 30 consultas que un cliente ideal haría a un modelo generativo, las lanzas semanalmente a ChatGPT, Perplexity y Gemini con la misma redacción, y anotas si tu dominio aparece en las citas.

Estructura del prompt de auditoría:

"Estoy investigando [tema]. Dame las 3 mejores fuentes con enlaces y explícame qué aporta cada una."

Registra en una hoja: fecha, plataforma, consulta, dominios citados, posición de la cita, presencia o ausencia del tuyo. Con 30 minutos semanales tienes serie temporal en tres meses.

Capa 2: análisis de logs del servidor

Los crawlers de IA se identifican con user-agent. Los principales en 2026:

• GPTBot y OAI-SearchBot (OpenAI).
• PerplexityBot y Perplexity-User (Perplexity).
• ClaudeBot y anthropic-ai (Anthropic).
• Google-Extended (Google para entrenamiento) y GoogleOther (para AI Overviews).
• CCBot (Common Crawl, usado por casi todos los modelos abiertos).
• Bytespider (ByteDance).
• Amazonbot (Amazon).

Con un script sencillo sobre los logs de Nginx o Cloudflare, cuentas cuántas veces por semana cada bot rastrea qué URLs. Un crecimiento sostenido en PerplexityBot sobre tus posts nuevos es señal temprana de citas próximas.

Capa 3: herramientas de tracking generativo

En 2026 ya hay opciones asentadas: Otterly.AI, Peec.ai, Profound, AthenaHQ. Todas monitorizan menciones de tu marca en respuestas generativas para un conjunto definido de consultas y devuelven series temporales. El rango de precio de mercado va desde suscripciones mensuales bajas para pymes hasta contratos anuales para agencias, y varía por número de consultas y plataformas cubiertas. No las compares por precio bruto, compáralas por número de plataformas monitorizadas (mínimo 4 en 2026), granularidad de la consulta y calidad de la citación (extraen el snippet exacto o solo el dominio).

Regla: aunque contrates una herramienta, mantén la capa 1 manual. Es tu control de calidad. Los agregadores fallan, las herramientas cierran, tu hoja de cálculo con 30 consultas revisadas semanalmente no.

Métricas a seguir, con umbrales orientativos para un sitio pyme B2B de un solo idioma:

Si estás por debajo de los umbrales, el problema suele estar en tres sitios: schema mal implementado, entidades vagamente definidas, o fuentes externas ausentes. No suele ser el tema del contenido.

Preguntas frecuentes

¿Cómo aparecer en respuestas de ChatGPT y Perplexity con mi web?

Publica contenido con entidades bien nombradas, JSON-LD válido (Article, Person, Organization, FAQPage, sameAs), bloques H2 formulados como preguntas con respuesta autocontenida en las primeras 30 palabras, y al menos tres fuentes primarias externas por post. Verifica que robots.txt no bloquee GPTBot, OAI-SearchBot, PerplexityBot ni ClaudeBot. Reindexa. La primera cita suele llegar entre 3 y 8 semanas.

¿Qué es GEO y en qué se diferencia del SEO tradicional?

GEO (Generative Engine Optimization) optimiza para ser citado en respuestas generadas por LLMs (ChatGPT, Perplexity, Gemini, Google AI Overviews) en lugar de para posicionar en la SERP clásica. SEO tradicional prioriza keywords, backlinks y CTR sobre diez enlaces azules. GEO prioriza entidades nombradas, schema estructurado y bloques pregunta-respuesta. El primero mide clics, el segundo menciones. Se pueden combinar en la misma página.

¿Cómo optimizar contenido para motores generativos?

Sigue el checklist: URL descriptiva, H2 como preguntas, primera frase que responde en menos de 30 palabras, entidades con nombre oficial, cifra con fuente por sección, JSON-LD válido, FAQ Schema alineado con el cuerpo, enlaces internos a cluster temático, enlaces externos a fuentes primarias, autor identificado con Person schema, dateModified actualizado. Revisa cada 6 meses.

¿Qué señales usa un LLM para citar una fuente cuando responde?

Similitud vectorial del fragmento con la consulta, densidad de entidades nombradas por su denominación oficial, presencia de datos numéricos con fuente, existencia de schema estructurado (especialmente FAQPage y Article), fecha de última actualización, consistencia entre HTML visible y JSON-LD, autoridad de dominio medida por menciones cruzadas en fuentes primarias, y sameAs que conecte la entidad con grafos públicos como Wikidata y LinkedIn.

¿Puedo hacer GEO sin tocar el SEO clásico?

No de forma óptima. GEO y SEO clásico comparten fundamentos (HTML semántico, velocidad, autor identificado, contenido útil) y divergen en la capa de markup y arquitectura de párrafos. Lo eficiente es mantener el SEO clásico como base y añadir la capa GEO encima. En pymes con recursos limitados, prioriza GEO en las 10-15 páginas de mayor conversión y deja el resto en régimen clásico.

¿Cuánto tarda GEO en dar resultados frente al SEO tradicional?

SEO clásico da resultados estables en 6 a 12 meses. GEO puede dar primeras citas en 3 a 8 semanas tras publicar contenido bien estructurado, porque los LLMs reindexan más rápido y no dependen de backlinks acumulados. Es más volátil: cada actualización de modelo (GPT-4o a GPT-5, Claude 3.5 a 4, Gemini 2.0 a 2.5) puede reordenar citas. La disciplina es continua, no de campaña.

Cierre

GEO no sustituye al SEO clásico. Lo complementa y, en muchas verticales, empieza a superarlo en peso comercial. La diferencia con la ola de 2015 es que ahora la máquina que decide qué contenido tiene valor no es un algoritmo con 200 factores conocidos, sino un modelo generativo cuyo criterio interno es opaco pero cuyas preferencias operativas ya son medibles: entidades bien nombradas, schema válido, fuentes primarias, preguntas literales.

La buena noticia es que casi todo lo que hay que hacer se puede aplicar en una tarde por post. La mala es que si tu arquitectura de contenidos se diseñó pensando en keywords y en la SERP de 2018, la migración a GEO no es cosmética. Toca revisar plantillas, componentes de blog, generación de schema, política de fuentes y estrategia de autores identificados.

No es complicado. Es disciplina.

Si quieres una revisión operativa de tu web con auditoría de entidades, mapeo de schema faltante y priorización de las 10 páginas con mayor potencial de cita generativa, puedes reservar una sesión de 30 minutos. Si lo que buscas es integrar la capa GEO dentro de un sistema propio que gestione contenidos, clientes y automatizaciones desde el mismo sitio, mira cómo se plantea software vertical propio para consultoras y despachos que ya no quieren montar el negocio encima de tres SaaS desconectados.

Listo.

Fuentes y referencias

• Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024 (AI Act). EUR-Lex
• Gartner, "Gartner Predicts Search Engine Volume Will Drop 25% by 2026, Due to AI Chatbots and Other Virtual Agents", febrero 2024. Gartner Newsroom
• Semrush, "AI Traffic Study 2024", agosto 2024. semrush.com
• BrightEdge, "Generative AI Search Impact Report", enero 2025. brightedge.com
• Schema.org, vocabulary reference. schema.org
• Google Search Central, "Structured data general guidelines". developers.google.com/search
• Perplexity, "How Perplexity works", documentación pública, noviembre 2024. perplexity.ai
• Ley 18/2022 (Crea y Crece), art. 12 sobre facturación electrónica obligatoria. BOE