La búsqueda está cambiando: la IA captura gran parte de la investigación del usuario antes de que llegue a tu web. Con GEO (Generative Engine Optimization) la solución no es adivinar, sino probar. Nadie tiene a día de hoy la certeza de cómo va a cambiar el ecosistema actual de búsqueda, por lo que ser proactivo y diseñar estrsategias de prueba y error será vital para el éxito de nuestras estrategias.
La búsqueda tal y como la conocíamos está en transformación. Lo que antes eran resultados en una lista de enlaces ahora puede ser una respuesta generada por un modelo de IA que ya ha hecho buena parte del trabajo de investigación por el usuario. Para grandes ecommerce esto significa incertidumbre: ¿cómo influyes una ruta de compra que no ves? La respuesta corta: deja de predecir y empieza a experimentar.
¿Qué es exactamente GEO?
GEO (Generative Engine Optimization) es la evolución del SEO pensada para la era de los modelos generativos. No se trata solo de aparecer en un listado de enlaces: se trata de ser encontrado, entendido y usado por las respuestas que generan las IAs.
Mientras que parte del comportamiento de una IA viene de su entrenamiento (conocimiento estático), buena parte de la respuesta se construye en tiempo real mediante lo que llamamos RAG (Retrieval Augmented Generation): la IA busca fuentes actuales —URLs, índices, búsquedas— y las usa para enriquecer la respuesta. Ahí es donde tu web puede influir hoy mismo.
¿Por qué no sirve solo seguir haciendo SEO tradicional?
El SEO clásico sigue siendo necesario, pero el propósito del optimizador cambia. Antes optimizabas para ganar clics desde resultados listados; ahora ese clic puede llegar mucho más abajo en el embudo, porque la IA ya ha mostrado resúmenes, comparativas y recomendaciones. El objetivo pasa de visibilidad inicial a influencia en el último clic: la decisión final del usuario que llega ya convencido.
Además, las IAs no hacen una sola búsqueda: a partir de la consulta original hacen un fan-out de búsquedas relacionadas para construir el contexto. Eso multiplica las oportunidades —y la complejidad— de ser citado en las respuestas.
¿En qué se diferencia el testing de GEO del A/B testing SEO tradicional?
La metodología base es la misma: control vs variante, rigor estadístico y medición. Lo que cambia es el foco:
- Antes: tests orientados a obtener más clics desde un listado (top of funnel).
- Ahora: tests orientados a capturar y convencer al usuario que llega después de una conversación con la IA (bottom of funnel).
En GEO se mide sobre tráfico cualificado, último clic, conversiones y revenue que provienen de páginas tratadas como fuente por las IAs.
¿Qué elementos podemos influir con GEO?
Podemos actuar sobre cuatro palancas principales:
- Cobertura de keywords del fan-out: aparecer para las búsquedas que la IA genera durante su investigación.
- Ranking en las búsquedas que la IA realiza: mejorar la presencia cuando la IA consulta la web.
- Forma de aparecer en los resultados devueltos a la IA: cómo se ve tu página en los snippets o listados que consume la IA.
- Calidad de la página cuando la IA la lee: hacer que la información sea clara y priorizada para que, si la IA accede, la use en su salida.
Ten en cuenta que no todos los modelos se comportan igual: algunos (p. ej. integraciones con Google/Gemini) consumirán contenido de forma diferente a otras IAs que visitan la página directamente y no ejecutan JavaScript (te explico las implicaciones en SEO técnico en la era de la inteligencia artificial).
¿Qué tipos de tests GEO puedes poner en marcha hoy?
Aquí tienes ejemplos prácticos y fáciles de entender:
¿Qué test puedo hacer en una ficha de producto (PDP)?
Objetivo: que la IA cite tu producto en comparativas o resúmenes.
Hipótesis: si añadimos un bloque “Características clave” conciso y visible en la parte superior de la PDP, la IA lo citará más en comparativas, y aumentará el tráfico de último clic cualificado.
Métricas a medir: aumento de sesiones orgánicas de alta intención, tasa de conversión de esas sesiones, y revenue por sesión.
¿Qué test puedo hacer en una categoría (PLP)?
Objetivo: que la IA use tu categoría como referencia para consultas tipo “mejor X por menos de Y”.
Hipótesis: añadiendo un párrafo introductorio autoritativo y claro sobre la categoría por encima del grid de productos, aumentarán las citaciones por parte de la IA y el tráfico cualificado a la categoría.
Métricas a medir: citaciones (cuando sea posible), uplift en tráfico con intención de compra y ventas atribuibles a la categoría.
¿Cómo medir el impacto real?
El foco de GEO es tráfico cualificado y efecto en ventas. No pierdas tiempo midiendo solo impresiones o CTRs genéricos. Prioriza:
- sesiones de último clic procedentes de búsquedas orgánicas relevantes
- conversiones y revenue por sesión
- tasa de rebote y engagement en páginas testadas
La analítica tradicional sirve —solo que ahora la interpretas desde la óptica de que el usuario ya ha sido “influido” antes de llegar. Si quieres además una referencia de cuánta exposición tiene cada sección de tu web a la IA de Google, te cuento cómo sacar partido al informe de IA generativa de Search Console.
¿Por qué desconfío de la industria del “AI tracking”?
Antes de que te vendan una herramienta de “visibilidad de marca en IA”, quiero dejar claro por qué yo desconfío de casi todo lo que promete medir en este terreno. Son cinco razones muy concretas:
-
Las IAs no dan la misma respuesta dos veces. Marca distinta, orden distinto, sentimiento distinto, nivel de recomendación distinto. Necesitarías preguntar lo mismo a ChatGPT más de 1.000 veces para obtener dos respuestas con la misma lista de marcas en el mismo orden (y decenas de miles para que coincida también el sentimiento sobre cada una).
-
No existe una fuente de verdad sobre el volumen de prompts. Los paneles de clickstream son lo más parecido que tenemos, pero solo ven el primer prompt, no ven qué pasa dentro de una app, no ven las peticiones que llegan por API, y no ven nada de lo que ocurre dentro de muchas cuentas de pago o con sesión iniciada (por ejemplo, detrás de un firewall corporativo). Y las empresas de AI tracking ni siquiera dicen de qué proveedores compran esos datos; no me sorprendería que alguna esté mintiendo directamente sobre si usa paneles de clickstream o no.
-
Cada interacción previa cambia la respuesta que da la IA. Incluso los experimentos que demuestran que se puede sacar un “% de visibilidad de marca” no pueden tener en cuenta el grado de personalización que hay detrás de cada respuesta.
-
Cualquiera que diga que mide influencia a partir de citaciones de URLs tiene que demostrar que el modelo usa esas citas para construir la respuesta, y no como justificación a posteriori. Que yo sepa, ningún estudio lo ha confirmado, y varios apuntan a que va de “confuso” a “directamente falso”.
-
No hay rastro de auditoría. No hay forma de probar que un prompt concreto recomendó una marca. No hay forma de probar que, si lo hizo, generó una venta incremental. No hay forma de saber qué impacto tuvo una conversación concreta en una venta concreta. Incluso la correlación entre encuestas de “¿cómo nos conociste?” o la subida de un % de visibilidad en un informe y las ventas por tráfico “directo” es, en el mejor de los casos, muy débil. Si estas son las métricas en las que confías, ¿por qué no aceptas esa misma lógica difusa para otros canales? ¿Por qué RRPP, eventos, comunicación, contenido o el SEO orgánico tienen que demostrarlo todo a prueba de balas y la IA se libra?
Cómo lo juego yo: invierto y mido menciones, vigilo el lift incremental, e ignoro el resto.
Si aun así vas a usar una herramienta de seguimiento, Mateusz Makosiewicz (Ahrefs) explica cómo evitar la parálisis de datos con su flujo de trabajo, y varias de sus ideas encajan con esta cautela. Ten en cuenta que Ahrefs vende la herramienta con la que lo hace, así que léelo como método y no como prueba de que funciona:
- Etiqueta los prompts por pregunta de negocio (comparativas, recomendaciones, casos de uso, datos de producto) y analiza cada grupo por separado. Una marca puede verse fuerte en general y casi invisible en un caso de uso importante, y la media lo esconde.
- Usa prompts cortos, de unas seis palabras o menos, centrados en una necesidad real. Son sondas estables, no conversaciones.
- Haz una línea base antes de tocar nada. Lanza los prompts importantes a diario durante al menos una semana, porque una sola medición puede verse mucho mejor o peor de lo normal.
- Mira patrones, no el dato de un día. Promedia varios días, pero no demasiados, porque una media larga puede esconder un cambio reciente.
Es compatible con lo que decía antes: no es medir un porcentaje de visibilidad para presumir, sino detectar dónde estás débil y decidir qué probar. Y esos cambios, como siempre, se validan con métricas de negocio y no solo con la herramienta.
P.D. Nunca he visto un estudio serio y controlado que muestre la subida de un % de visibilidad de marca en una herramienta de IA —con una marca que apague el resto de canales para evitar contaminación— correlacionado con la subida de ventas. Y eso que recuerdo la cantidad de estudios de ese tipo que tuvieron que publicarse entre 2004 y 2014 para que el SEO se ganase la inversión que tiene hoy. Es para volverse loco.
¿Cómo pasar de reaccionar a controlar (react mode → control mode)?
Sin una metodología de tests, todo es conjetura. Un programa GEO bien diseñado te lleva a:
- Generar hipótesis claras (qué elemento de la página debería influir y por qué).
- Testar de forma controlada (grupos de control vs variantes y duración que permita detectar efectos).
- Medir el impacto en métricas de negocio.
- Documentar, repetir y escalar las tácticas que funcionen.
Esto convierte decisiones basadas en intuición en decisiones basadas en datos.
¿Qué limitaciones existen hoy?
- Opacidad de los modelos: no sabemos exactamente cómo la IA decide priorizar fuentes. En el caso de Claude, una filtración reciente ha dado alguna pista: ya no lee tu web directamente, primero la resume un modelo pequeño que decide qué es relevante antes de que el modelo grande vea nada.
- Modelos con diferente comportamiento: algunos modelos usan índices propios (como Perplexity), otros visitan páginas y muchos no ejecutan JavaScript.
- Feedback lento en modelo entrenado: cambios en el cuerpo “aprendido” de un LLM son raros y no se miden fácilmente; por eso GEO se centra en lo que la IA recupera en tiempo real (RAG).
¿Qué pasos seguir ya mismo?
- Empieza por las páginas de mayor valor (PDPs y PLPs).
- Formula hipótesis claras y diseña tests controlados.
- Mide resultados de negocio, no solo métricas de vanidad.
- Itera rápido: GEO no es un cambio único, es un proceso continuo.
Si ya tienes una buena base de SEO (y de SEO técnico), convertir tu programa de testing para que incluya GEO es la forma más sólida de reducir incertidumbre y ganar ventaja competitiva.
¿Por qué deberías dejar de adivinar?
Porque la IA ha convertido muchas búsquedas en conversaciones y la única forma fiable de saber qué funciona es experimentar. Mientras tu competencia hace cambios basados en corazonadas, tú puedes construir un playbook probado que incremente tráfico de alta intención y ventas.
Como he dicho muchas veces: El GEO no sustituye al SEO; lo amplía. Si quieres influir en cómo te ven las IAs —y cómo te eligen los usuarios al final del funnel—, deja de adivinar y empieza a probar con rigor.