Que te mencionen en ChatGPT, Gemini y Perplexity: lo que un proveedor de servicios puede hacer de forma realista

Imaginemos a una asesora fiscal con un equipo pequeño en una ciudad mediana. Su sitio web lleva años en línea, aparece en la primera página para el nombre de su localidad y su servicio principal, y las consultas llegan con regularidad. Entonces se da cuenta de que un cliente nuevo dice en la llamada inicial: «Primero se lo pregunté a ChatGPT, y salieron tres nombres». El suyo no estaba.

Es una imagen de partida típica, no un caso individual documentado. En la conversación con un asistente, las personas formulan las preguntas de forma más larga y concreta que en un buscador. En lugar de «asesor fiscal localidad», la pregunta es más bien: «¿En qué debo fijarme si, como autónomo, busco una asesora fiscal, y quién es una opción en mi región?». La respuesta aparece entonces ya elaborada en la ventana del chat o como resumen sobre la lista de resultados.

Para la empresaria surge así una pregunta nueva: ¿qué puede hacer para que su negocio aparezca en esas respuestas? Este estudio la responde sin promesas milagrosas. Separa lo que se sabe, lo que se supone con plausibilidad y lo que nadie puede saber desde fuera.

El tema tiene ya varios nombres, como Generative Engine Optimization, o GEO para abreviar. Aquí usamos sobre todo el sobrio «visibilidad en IA», porque describe de qué se trata: si un negocio aparece en las respuestas de los sistemas generativos, y cómo.

La primera dificultad es de fondo. ChatGPT, Gemini, Perplexity y los AI Overviews de Google funcionan de forma distinta. Algunos sistemas responden a partir de lo que aprendieron en el entrenamiento; otros además consultan páginas web actuales y las citan. Qué camino se sigue ante una pregunta concreta lo decide el sistema, no el titular del sitio web.

La segunda dificultad es la respuesta misma. La misma pregunta puede dar fuentes distintas en momentos distintos. Una observación aislada («hoy aparezco») apenas es significativa, y no existe una clasificación en el sentido clásico. Quien le prometa una posición fija en una respuesta de IA afirma algo que no se puede comprobar.

En tercer lugar, el incentivo a exagerar es grande. Un mercado que acaba de surgir produce enseguida recetas que suenan demasiado bien: archivos especiales que «convencen a la IA» o cantidades de texto destinadas a simular autoridad como fuente. Para la mayoría de estas recetas no hay pruebas sólidas.

En cuarto lugar, la medición sigue siendo imprecisa. Los proveedores no publican informes como Google Search Console en los que se vean las menciones. Se mide mediante muestras y rastros indirectos, y hay que indicar también la incertidumbre.

Se conoce el mecanismo general de los sistemas que consultan la web. Ante una pregunta, el sistema busca páginas web adecuadas, las divide en secciones, valora esas secciones según su relevancia para la pregunta y elabora la respuesta a partir de ellas. Normalmente se cita la página de la que procede una sección utilizada. De ello se deduce que no compiten páginas enteras, sino pasajes individuales.

También está documentado que los sistemas recurren a índices de búsqueda existentes. En las ofertas de Google es el índice de Google; en otros proveedores, en parte rastreadores propios y en parte socios de búsqueda. Una página que no está indexada o no es accesible apenas tiene posibilidades de ser mencionada. Esta es la parte que puede comprobarse con limpieza.

Se desconoce la ponderación. ¿Cuánto cuentan la autoridad del dominio, la actualidad, las menciones en sitios de terceros o la formulación del pasaje? Los proveedores no lo revelan, y cambia con las versiones del modelo. Todo lo que circula públicamente al respecto es observación o suposición. Eso vale también para nuestra propia valoración, y la señalamos como tal.

Un detalle que a menudo se confunde: para los AI Overviews y el modo IA, Google declara que no hace falta ninguna marca adicional. Quien es indexable y apto para fragmentos en la búsqueda normal entra en principio también en consideración para ellos. Google no prescribe una «optimización para IA» propia en sentido técnico.

De lo conocido deducimos una estrategia deliberadamente modesta. Tratamos la visibilidad en IA como una prolongación del buen trabajo de contenidos, no como un terreno de juego propio con trucos. El objetivo es este: cada pregunta importante que haría un interesado tiene en el sitio web una respuesta inequívoca y comprobable en un pasaje que se entiende también sin el resto de la página.

Frente a ello está la alternativa de construir una capa especial para máquinas: archivos adicionales, páginas de destino solo para bots, páginas de preguntas y respuestas generadas en masa. Eso cuesta esfuerzo, es difícil de mantener y entraña un riesgo. Los contenidos que existen únicamente para las máquinas contradicen las directrices de calidad de los proveedores de búsqueda y pierden valor si no encajan con la oferta visible.

Una segunda alternativa sería confiar en los anuncios o en las fichas de directorios. Ambas cosas pueden tener sentido, pero no sustituyen a la fuente propia. Los sistemas utilizan a veces los directorios como fuentes, lo que aboga por fichas limpias. Aun así, no hace superfluo su propio sitio web, porque solo allí figura la respuesta con sus palabras.

Nuestra decisión: primero los cimientos, luego medir, luego afinar. Es más lento que una promesa, pero resiste cuando los sistemas cambian.

Un ejemplo de la diferencia: el enfoque de trucos generaría veinte páginas sobre «asesor fiscal para el grupo profesional X», cada una con un texto intercambiable. El otro enfoque escribe una buena página sobre los tres grupos profesionales que el negocio atiende realmente y responde allí, de forma concreta, qué es distinto para ese grupo. Menos páginas, más fondo, y de cada una se puede responder ante un cliente.

La base es la entidad, es decir, la identidad inequívoca del negocio. Un sistema debe entender: ¿qué empresa es, qué ofrece, dónde, para quién? Suena banal, pero a menudo falla por los detalles. En la página de inicio figura una forma abreviada del nombre, en el aviso legal la razón social completa, en los directorios sectoriales una dirección antigua. Unificamos nombre, dirección, denominación del servicio y zona de actuación en cada lugar sobre el que podemos influir.

Luego viene el pasaje. Un párrafo que se quiere que se cite debe sostenerse por sí solo. Empieza con la respuesta en lugar de con una introducción, nombra sujeto y lugar de forma explícita («La asesoría atiende a autónomos de la región X en …») y evita referencias como «como se describió arriba». Una regla práctica: si se copia el párrafo y se pega en un mensaje vacío, debería seguir teniendo sentido.

Los bloques de datos son zonas breves y fáciles de encontrar con datos comprobables: alcance del servicio, zona de actuación, disponibilidad, desarrollo de una llamada inicial, forma de facturación, cualificaciones. Donde los precios no pueden indicarse de forma global, se explica en su lugar de qué dependen. Es más honesto que una cifra aparente y igual de útil para los lectores.

El patrón de preguntas frecuentes lo complementa. Se dan respuestas de dos a cuatro frases a preguntas reales de las conversaciones de asesoramiento. Es importante que las respuestas digan algo de verdad. Unas preguntas frecuentes hechas de frases vacías no aportan ningún pasaje citable, sino ruido.

El lado técnico empieza por el acceso. En el robots.txt se indica qué rastreadores pueden consultar qué áreas. Los grandes proveedores usan identificadores distintos, por ejemplo para el entrenamiento de modelos y para la búsqueda o para consultas por encargo de un usuario. Quien bloquea en bloque todos los bots desconocidos puede bloquear también la mención. Revisamos el archivo línea por línea y dejamos constancia de la decisión: permitir el entrenamiento o no, permitir la consulta de búsqueda o no.

Es una verdadera ponderación. Bloquear el entrenamiento no impide necesariamente la mención en respuestas que funcionan mediante búsqueda. Permitirlo todo supone ceder contenidos con fines de entrenamiento. Para muchos proveedores de servicios con una oferta informativa pública, el interés por la visibilidad aboga por permitirlo; con contenidos especializados exclusivos, la ponderación es otra. La decisión debe estar en manos de la dirección de la empresa, no del área técnica.

Los datos estructurados según schema.org complementan la entidad en formato legible por máquinas: Organization o LocalBusiness, Service, FAQPage, Person. Ayudan a la comprensión, pero no garantizan una mención. Lo decisivo es que el marcado se corresponda con el contenido visible. Lo comprobamos con la prueba de resultados enriquecidos y el validador de Schema.

Sobre llms.txt: es un formato propuesto, un archivo Markdown con un resumen seleccionado de las páginas más importantes. Google no lo evalúa, y para otros proveedores no está documentado un uso fiable. Lo tratamos como un complemento opcional de poco esfuerzo, no como una palanca. No sustituye a ninguna de las demás medidas.

El caso más frecuente en la práctica es una contradicción entre las propias fuentes. Un negocio se ha mudado, pero un directorio aún muestra la dirección antigua, y un asistente la ofrece. Aquí no ayuda ninguna medida solo en el sitio web. Llevamos una lista de los lugares de la web donde figura el negocio y los conciliamos. Es laborioso y poco vistoso, pero elimina una fuente real de errores.

Un segundo caso son los contenidos tras scripts. Si el texto principal solo se genera en el navegador mediante JavaScript, algunos rastreadores ven solo una carcasa vacía. Comprobamos con el HTML obtenido, no con la vista renderizada, si el texto principal está presente. En páginas construidas de forma clásica o renderizadas en el servidor esto suele ser inocuo.

Un tercer caso: el sistema menciona el negocio, pero de forma errónea. Lo confunde con una empresa del mismo nombre o cita un servicio que no se ofrece. Esto no se puede «reparar» en la fuente. Ayudan las autodescripciones inequívocas, los vínculos con perfiles consolidados y, en caso de duda, las vías de corrección que ofrecen algunos proveedores.

Un cuarto caso afecta a contenidos con relevancia en materia de responsabilidad, por ejemplo en derecho, impuestos o salud. Allí, una frase citada de forma breve y sin su contexto puede inducir a error. Por eso formulamos las afirmaciones clave de modo que las limitaciones figuren en el mismo párrafo («por regla general», «según el caso individual») en lugar de relegarlas a una nota al pie al final de la página.

Por último queda el caso de que, para una pregunta, simplemente existan mejores fuentes: un portal especializado, un colegio profesional, una autoridad. Entonces el negocio no es mencionado, y eso no es incorrecto. Lo razonable es reconocer esas preguntas y centrarse en aquellas en las que el negocio tiene algo propio que aportar, como experiencia local o procesos concretos.

Aquí no damos cifras a propósito, porque no hay datos de proyecto verificados y un pronóstico sería inventado. Lo que cabe esperar de forma realista es esto: el sitio web se vuelve más inequívoco, los contenidos resultan más útiles para los lectores y desaparecen obstáculos técnicos. Si de ahí surgen menciones, solo lo muestra la medición, y el resultado también puede ser «sin cambios».

La medición consta de tres partes. Primero, un conjunto fijo de prompts de veinte a treinta preguntas realistas que haría un interesado. Se plantean cada pocas semanas a los sistemas relevantes, y las respuestas se guardan y se evalúan: ¿se menciona al negocio, se le enlaza, se le describe correctamente? Como las respuestas fluctúan, cuenta la evolución a lo largo de varias rondas, no el acierto aislado.

Segundo, la analítica web. Las visitas a través de asistentes aparecen en parte con su propio referrer, por ejemplo de chatgpt.com o perplexity.ai, y en parte sin origen reconocible. Configuramos en el análisis un segmento para estas fuentes y tratamos la cifra como límite inferior. Tercero, Search Console para la parte clásica: impresiones, clics y cobertura del índice de las páginas revisadas.

Como periodo fijamos al menos dos o tres meses antes de sacar conclusiones. Lo que no puede garantizarse es cada mención individual, un aumento de las consultas y el tiempo que tarda un proveedor en recoger un cambio.

La conclusión más importante es una relación: la mayor parte del trabajo es SEO clásico con otra ponderación. La indexabilidad, una estructura de páginas clara, contenidos con auténtica sustancia, enlaces limpios y una presencia local inequívoca se necesitan en ambos mundos. Quien descuide estos fundamentos apenas logrará nada, ni siquiera con medidas adicionales de IA.

Lo que se añade es un cambio de perspectiva. En la búsqueda clásica se optimiza una página para un tema y se espera un clic. Con las respuestas de IA se optimiza un pasaje para una pregunta, y el clic a veces no llega porque la respuesta ya está en el chat. El beneficio se desplaza del tráfico a la notoriedad: el nombre suena, y el interesado lo busca después de forma específica.

A ello se suman las menciones fuera del propio sitio. Artículos especializados, páginas de asociaciones, prensa y perfiles cuidados aumentan la probabilidad de que un sistema asocie el negocio con su servicio. Cuán fuerte es este efecto, no lo sabemos; el efecto es plausible y no cuesta nada si las contribuciones son útiles de todos modos para las personas.

Como advertencia: no todo lo que parece bueno para las máquinas ayuda a los lectores. Un texto compuesto solo de respuestas breves es citable, pero se lee con desgana. Escribimos primero para las personas y después comprobamos si los pasajes también se sostienen por separado.

Para la asesora fiscal de nuestro ejemplo, esto significaría en concreto: primero, una auditoría aclara si todas las páginas importantes están indexadas, son accesibles y legibles en el servidor, y qué regula realmente el robots.txt. En paralelo se elabora el conjunto fijo de prompts, para que el estado inicial quede documentado antes de que cambiemos nada. Sin este punto de comparación, después no se podría valorar nada.

A continuación se reelaboran las páginas de servicios, con definición inicial, bloque de datos y unas preguntas frecuentes auténticas. Se añaden datos estructurados, se concilian las fichas en directorios y, si queda tiempo, puede crearse el llms.txt como complemento. El esfuerzo es abarcable; el tiempo se va sobre todo en la aclaración de contenidos: ¿qué ofrece exactamente el negocio y cómo se dice de modo que se sostenga por sí solo?

Tras ocho a doce semanas llega la primera evaluación, honesta incluso si resulta escasa. Si no se mueve nada, revisamos primero el acceso y la indexación, luego los pasajes, y solo después miramos las menciones fuera del sitio web. La conclusión del estudio es poco espectacular: la visibilidad en IA no se puede comprar, pero sí se puede preparar el terreno.

Si quiere saber dónde está hoy su negocio, empezamos con la auditoría y el conjunto de prompts. Ambos se resuelven en poco tiempo y ofrecen una base sobre la que decidir si tiene sentido seguir trabajando.