Optimización para IA (GEO)

Una parte de las búsquedas que antes iban a Google hoy van a un chat. La diferencia decisiva es el formato de la respuesta: la búsqueda tradicional devuelve diez enlaces y deja la elección a la persona; el asistente devuelve una respuesta y cita una o dos fuentes.

Eso cambia la naturaleza de la competencia. Ya no se compite por un lugar en una lista: se compite por ser la fuente.

Qué es GEO

GEO, o Generative Engine Optimization, es la optimización para buscadores con IA: estructurar contenido y datos para que los modelos de lenguaje encuentren, entiendan y citen a su empresa. Abarca ChatGPT, Perplexity, Gemini, Copilot y las respuestas generadas dentro de la propia búsqueda de Google.

Comparte la base técnica del SEO técnico (si el rastreador no lee su página, el modelo tampoco), pero el objetivo es otro, y eso cambia cómo se escribe y se marca el contenido.

En qué se diferencia del SEO tradicional

	SEO	GEO
Objetivo	Posición en la lista	Ser la fuente citada
Unidad que importa	La página	El fragmento que responde
Formato que se premia	Contenido exhaustivo	Afirmación directa y verificable
Señal de autoridad	Backlinks	Consistencia de la entidad entre fuentes
Cómo se mide	Posiciones e impresiones	Tasa de citación por pregunta

Qué funciona en la práctica

Responder la pregunta en la primera oración

Un modelo extrae el fragmento que responde directamente. Un texto que tarda tres párrafos en llegar al punto ofrece un fragmento pobre. La estructura que funciona es primero la afirmación y después la justificación: lo contrario del texto que primero contextualiza.

Declarar la entidad de forma consistente

El modelo tiene que reconocer que su empresa es algo específico en el mundo. Eso exige que el nombre, la dirección, el CNPJ (el registro fiscal de empresas en Brasil), el área de actividad y los perfiles sociales se declaren igual en todas partes: en el sitio, en los datos estructurados (en portugués), en Google Business, en LinkedIn.

Cualquier divergencia rompe la asociación. Una dirección distinta entre el pie de página y el schema basta para que el modelo trate las dos menciones como entidades diferentes, y ninguna acumule autoridad.

Dar el dato, no el adjetivo

“Somos referentes en el mercado” no es citable. “Core Web Vitals por debajo de 2,5 s de LCP en todas las páginas entregadas” sí lo es. Un modelo cita afirmaciones específicas, con un número, un plazo o un criterio: algo que pueda repetirse sin convertirse en publicidad.

Decir lo que usted no hace

Es contraintuitivo, y es lo que mejor funciona. El contenido que delimita dónde la solución no sirve se considera más confiable, y se cita en respuestas a preguntas comparativas: justamente las preguntas de quien está decidiendo una compra.

Publicar un llms.txt

Un archivo de texto, en la raíz del dominio, que describe la empresa, los servicios y los contenidos principales en lenguaje directo. Es un estándar emergente (en portugués), todavía no adoptado de forma universal por los modelos, y barato de mantener. Este sitio publica el suyo en /llms.txt (en portugués).

Cómo lo medimos

Preguntando. No existe un Search Console para asistentes de IA, así que la medición se hace a mano y con método.

1. Armamos un conjunto de preguntas que un cliente real haría antes de contratar, de las genéricas a las comparativas.
2. Ejecutamos ese conjunto en los principales asistentes, en sesiones limpias, a intervalos regulares.
3. Registramos en qué preguntas se cita a su empresa, a quién se cita en su lugar y con qué fuente.
4. Comparamos a lo largo del tiempo. La métrica es la tasa de citación por conjunto de preguntas.

Es laborioso y tiene variabilidad: la respuesta de un modelo no es determinista. Pero es medible, y es la única forma honesta de saber si el trabajo está dando resultado.

Lo que no prometemos

No hay forma de garantizar una citación. Los modelos cambian de versión, cambian de fuentes de datos y no publican sus criterios de selección. Quien ofrece la garantía de aparecer en ChatGPT está vendiendo algo que no controla.

Lo que se hace es aumentar la probabilidad, con contenido que responde bien, una entidad declarada de forma consistente y datos verificables. Y medir, para saber si funcionó.