Investiga cómo cambian la diversidad y el origen geográfico de las fuentes sobre actualidad latinoamericana en una muestra de 1.901 acontecimientos.
Los datos
El conjunto de datos incluye 1.901 acontecimientos actuales de nueve países latinoamericanos.
Se analizaron 49.207 consultas y 8.834 dominios únicos.
Se compararon tres buscadores y cuatro modelos de lenguaje.
Para usuarios locales, los buscadores devolvieron un 41,3 % de noticias nacionales, mientras que los modelos de lenguaje ofrecieron entre 3,6 y 11,6 puntos porcentuales menos.
La proporción de noticias nacionales en las respuestas de los modelos varió según el tipo de usuario.
Conclusión del estudio
En esta muestra, las búsquedas basadas en modelos de lenguaje devolvieron un conjunto de fuentes menos diverso que los buscadores y, para usuarios locales, redujeron aún más la presencia de noticias nacionales, lo que puede reforzar jerarquías geográficas en la visibilidad informativa.
Qué significa para ti
El estudio indica que la visibilidad de una fuente local sobre temas latinoamericanos puede ser menor en respuestas de modelos de lenguaje que en buscadores tradicionales; no evalúa tácticas para mejorar esa visibilidad.
Investiga la relación entre el posicionamiento orgánico y las citas de sistemas de IA mediante consultas informativas sobre marketing digital.
Los datos
Se analizarán 10 consultas idénticas relacionadas con el marketing digital.
La muestra incluirá los 10 primeros resultados orgánicos por consulta, hasta un máximo de 100 observaciones.
Se estudiarán la posición, la información sobre autoría, las fechas de publicación y las referencias.
La citación se medirá como variable binaria y también por el número de sistemas que cite cada página.
Conclusión del estudio
El estudio aún no ofrece conclusiones empíricas. Su diseño permitirá evaluar si existe solapamiento entre el posicionamiento en Google y las citas en ChatGPT y Perplexity, y si ciertas características del contenido se asocian con la citación.
Qué significa para ti
El resumen no permite extraer tácticas ni saber qué factores aumentan las citas; describe un método para medir si la posición en Google y algunas características de las páginas se relacionan con la visibilidad en ChatGPT y Perplexity.
Investiga cómo una red coordinada de promoción de pago en plataformas chinas influye en las respuestas de nueve motores generativos.
Los datos
La red comprende 1.985 cuentas y 466.357 publicaciones promocionales estimadas en tres plataformas.
La actividad se coordina durante meses y en varias plataformas, y la red modifica sus contenidos de tipo lista con el tiempo.
Entre el 4,5 % y el 20 % de las páginas citadas que se pueden recuperar se atribuyen a la red, según el grado de rigor del criterio de atribución.
En ocho de los nueve motores analizados, los clientes de la red aparecen nombrados en el 52 % de las respuestas, frente al 68 % de los líderes de cada categoría.
El estudio concluye que las defensas basadas solo en el contenido son insuficientes frente a estas campañas coordinadas.
Conclusión del estudio
La operación logra que sus clientes aparezcan en respuestas generadas por IA y aporta una parte relevante de las páginas citadas, aunque se los nombra con menos frecuencia que a los líderes de categoría.
Qué significa para ti
Para la visibilidad de una web en buscadores con IA, el estudio muestra que las publicaciones promocionales coordinadas en plataformas de usuarios pueden influir tanto en las fuentes citadas como en las marcas mencionadas; no ofrece una táctica de posicionamiento, sino evidencia de un riesgo que exige analizar también las cuentas y las plataformas.
Investiga las respuestas a argumentos de personas y modelos de lenguaje, y la relación entre señales léxicas y posición en Google, con datos de dos conjuntos de referencia.
Los datos
Los argumentos de Claude 3 Opus cambiaron el apoyo en 0,48 puntos Likert de media y los argumentos humanos en 0,54; la diferencia no fue significativa (p = 0,37).
221 de 1.120 argumentos de Claude llevaron al menos a un lector a alejarse de la postura defendida, frente a 1 de 174 argumentos humanos.
La diferencia en respuestas contrarias apareció en 54 de las 56 afirmaciones políticas (p = 6 × 10⁻¹⁰) y las tasas fueron similares entre los cinco modelos.
Las señales léxicas estudiadas no predijeron los cambios en afirmaciones no vistas, con un R² fuera de muestra de 0,003 o inferior.
En GEO-bench, con 4.996 páginas entre los cinco primeros resultados para 1.000 consultas, las señales variaron poco según el rango y reflejaron sobre todo la intención de la consulta.
Conclusión del estudio
La media de persuasión oculta que una proporción importante de argumentos de Claude provoca respuestas contrarias a la postura defendida. Los recuentos de palabras analizados no explican esas respuestas y aportan poca capacidad para predecir cambios de opinión o distinguir posiciones en los resultados de Google.
Qué significa para ti
El análisis de Google sugiere que estas señales léxicas no bastan para explicar el rango y reflejan principalmente la intención de búsqueda; el estudio no mide la visibilidad ni las citas en respuestas de buscadores con IA.
Investiga los riesgos y las defensas de los agentes de investigación con búsqueda web a partir de estudios previos y pruebas en entornos aislados.
Los datos
De los 34 estudios revisados, solo el 26,5 % aborda la fase de planificación.
Ninguno de los estudios evaluados realiza pruebas de envenenamiento de principio a fin en productos comerciales.
En 3.520 ejecuciones de prueba, el ataque de agenda sembrada coloca el objetivo del atacante entre las principales opciones en el 16 % al 28 % de los informes.
La inyección de prompts y GEO resultan casi ineficaces en las pruebas descritas.
La detección de inyecciones y el anclaje de consultas no frenan el ataque; las etiquetas de procedencia conservan la utilidad, pero pueden sortearse con señuelos en varios sitios.
Conclusión del estudio
En las pruebas del estudio, introducir una métrica de evaluación ficticia sin dar instrucciones explícitas es más eficaz que GEO o la inyección de prompts para influir en la planificación de estos agentes. Las defensas probadas no resuelven por completo el problema.
Qué significa para ti
El estudio muestra que la visibilidad en respuestas de investigación con IA puede verse afectada por la planificación del agente y por señales repartidas entre sitios, pero no ofrece tácticas SEO para mejorar la presencia legítima de una web.
Investiga cómo se relacionan las estimaciones de herramientas SEO y GEO con otras señales de demanda y analiza las citas de IA en datos de telecomunicaciones, empresas del S&P 500 y respuestas educativas.
Los datos
En una sección de códigos de área de una web de telecomunicaciones, dos plataformas estimaron visitas mensuales con diferencias de 7,5 a 27,1 veces; en doce secciones del dominio, la relación fue de 0,20 a 7,24 veces.
Las dos plataformas coincidieron en cuál de dos secciones era mayor en 60 de 66 comparaciones, pese a las diferencias en las estimaciones.
En 37.193 reseñas de 378 tiendas, la demanda en reseñas y el volumen de búsqueda coincidieron de forma variable por sucursal, con correlaciones de Spearman de 0,47 a 0,75, pero apenas por tema, con 0,18.
Los sitios de vídeo y comunidad representaron una mediana del 21 % de las citas en AI Overviews y AI Mode de Google, frente al 0,6 % al 9,2 % en otras cuatro superficies analizadas.
De cuatro predicciones previas sobre respuestas de IA para empresas del S&P 500, una se cumplió, otra acertó solo en la dirección y dos fallaron.
Conclusión del estudio
Las métricas de demanda y las fuentes citadas varían según la herramienta, la consulta y la superficie. Algunas señales permiten comparar posiciones relativas, pero no necesariamente magnitudes, y los resultados no respaldan tratar las estimaciones como medidas intercambiables.
Qué significa para ti
Para medir la visibilidad de una web en buscadores con IA, este estudio indica que conviene distinguir entre plataformas y superficies y no dar por equivalentes sus cifras; no demuestra que el marco UFI mejore la visibilidad, porque su puntuación no se evaluó.
Investiga cómo reconstruir páginas de producto a partir de imágenes y evalúa el sistema con el conjunto de datos ECTL y pruebas de recuperación de información en tres modelos.
Los datos
La precisión Top-1 alcanza el 99,7 % en reconocimiento de colores y el 99,3 % en reconocimiento de fuentes.
La eliminación de texto obtiene un FID de 0,954 en el subconjunto Easy.
La reconstrucción logra LPIPS de 0,0399 y SSIM de 0,9394.
En Gemma-3-27B, la puntuación BERT-Score aumenta de 0,883 a 0,928.
Los diseños reconstruidos reducen los tokens de entrada entre un 11 % y un 14 % frente a entradas basadas solo en OCR.
Conclusión del estudio
En las pruebas del estudio, reconstruir el diseño permite que los modelos recuperen mejor los datos factuales de páginas de producto con texto incrustado en imágenes y requiere menos tokens que procesar el texto obtenido únicamente con OCR.
Qué significa para ti
Para la visibilidad en buscadores con IA, el estudio indica que el texto de producto incrustado en imágenes puede dificultar la recuperación de información; la técnica evaluada mejora esa recuperación, aunque el trabajo mide un sistema de reconstrucción y no el posicionamiento o las citas de páginas reales.
Investiga cómo predecir la satisfacción con las respuestas de AI Overviews utilizando señales de comportamiento de usuarios en dos conjuntos de datos reales.
Los datos
El método propuesto se llama STaRS y está diseñado específicamente para predecir la satisfacción con las AI Overviews.
STaRS interpreta primero señales de comportamiento individuales y después utiliza sus implicaciones para estimar la satisfacción.
El entrenamiento incorpora aprendizaje por refuerzo y un mecanismo de ajuste de recompensas para reducir la escasez de recompensas.
La evaluación se realiza en dos conjuntos de datos reales.
STaRS supera a los métodos de comparación en la predicción de satisfacción.
Conclusión del estudio
En los dos conjuntos de datos evaluados, el método STaRS predice la satisfacción con AI Overviews mejor que los métodos comparados, al incorporar señales de comportamiento mediante un proceso de razonamiento estructurado.
Qué significa para ti
El estudio mide la satisfacción de los usuarios con las respuestas generadas y no evalúa qué webs ganan visibilidad o son citadas; por tanto, no ofrece tácticas directas de SEO o GEO.
Investiga cómo los buscadores generativos favorecen a marcas conocidas y analiza consultas comerciales y experimentos con atributos de producto constantes.
Los datos
La muestra incluye 1.176 marcas líderes del mercado.
Las marcas del quintil superior de popularidad reciben entre 1,4 y 2,8 veces más citas que la marca media de la muestra.
La recuperación de información externa no elimina el sesgo de popularidad observado.
Sustituir la identidad de una marca por otra desconocida reduce significativamente su posición en las recomendaciones.
Las reescrituras de contenido que conservan los hechos producen mejoras de posición insignificantes.
Conclusión del estudio
Los buscadores generativos favorecen a las marcas líderes y a las ya representadas en la memoria paramétrica de los modelos, lo que crea una barrera de entrada que las reescrituras de contenido evaluadas no consiguen superar.
Qué significa para ti
El estudio indica que optimizar el contenido por sí solo puede no bastar para mejorar la visibilidad de una marca desconocida en buscadores generativos, aunque no evalúa tácticas alternativas para superar ese sesgo.
Los factores que más se repiten en los estudios, ordenados de más a menos evidencia.
1
1Evidencia alta2 estudios
Estar alineado con la intención de la consulta (relevancia por búsqueda)
Aumenta mucho tu probabilidad de cita si tu contenido responde exactamente a lo que el usuario busca (misma pregunta, mismas variables, mismas conclusiones). Si no encaja, aunque aparezcas, te ignoran.
Relevancia
2Evidencia alta1 estudio
Calidad y relevancia semántica del contenido (presentable para la IA)
Sube tu probabilidad de cita porque el motor considera tu página fácil de usar para construir respuestas (menos fricción para sintetizar y citar).
Relevancia
3Evidencia alta1 estudio
Disponibilidad y recuperabilidad de la fuente (que el contenido “se pueda coger” y no se corte)
Aumenta tu probabilidad de cita si el motor puede recuperar contenido “grueso” y rastreable. Si el material es incompleto, sube el riesgo de errores y de que no te citen bien o no te usen.
Otros
4Evidencia alta2 estudios
Structured data (especialmente JSON-LD para tipos como FAQ/Product)
Sube tu citabilidad y visibilidad: ayuda a que la IA identifique la intención y la estructura de tu contenido. En el estudio, FAQPage y Product schema aparecen mucho más en páginas “visibles”.
Citabilidad
5Evidencia alta2 estudios
Evitar manipulación y señales pobres (keyword stuffing / baja calidad)
Reduce tu probabilidad de cita si usas tácticas manipulativas o contenido de baja calidad. Los sistemas con “gating” o filtros pueden ignorar señales sospechosas.
Citabilidad
6Evidencia alta3 estudios
Recuperabilidad orientada a RAG (findability/prominencia en recuperación)
Aumenta la probabilidad de que te citen porque mejoras la probabilidad de que el motor te recupere como fuente relevante (no solo ranking “clásico”).
Estar en el índice
7Evidencia media2 estudios
Formato que genera citas: listados “best-of”, comparativas y reviews
Aumenta tu probabilidad de cita si publicas en formatos típicos de respuesta (listas tipo best-of, research/comparison/review). Estos formatos tienden a atraer más citas que product/pricing pages.
Citabilidad
8Evidencia media1 estudio
Optimización para citación: mobile optimization + reglas robots.txt no bloqueantes
Mejora la probabilidad de que tu página sea “visible” para IA: móvil (mejor comportamiento) y robots.txt que no bloquea facilitan que te usen/te citen.
Citabilidad
9Evidencia media4 estudios
Trazabilidad verificable (claims respaldados y que puedan aterrizar en tu texto)
Aumenta la probabilidad de citación porque facilita que el modelo atribuya correctamente. Si el motor puede “groundear” afirmaciones en tu contenido, es más probable que te cite.
Menciones en otras webs
10Evidencia media3 estudios
Arquitectura de citación: encajar en el pool de fuentes candidato (recuperación+síntesis)
Sube tu probabilidad de cita si tu contenido entra en el set candidato y puede ser usado por la etapa de recuperación/compilación de evidencias. Si no encajas, aunque existas, no llegas a la respuesta.
Estar en el índice
11Evidencia media2 estudios
Prominence + modo de fallo: si tu problema es discoverability, tu citación cae
Si el motor ni te descubre (discoverability), tu probabilidad de citación baja aunque seas bueno. Tu trabajo es eliminar “invisibilidad algorítmica” y brechas de cobertura para entrar al pool.
Estar en el índice
12Evidencia media4 estudios
Structured data y “machine readability” (legibilidad para el motor)
Mejora recuperación y atribución porque reduces ambigüedad. Si la IA entiende mejor tu estructura (datos y entidades), aumentan las citas correctas.
Citabilidad
13Evidencia media5 estudios
Autoridad percibida y señales de confianza (rating/reputación y fuentes prestigiosas)
Mejora selección y cita: señales de confianza (rating top, reputación, credenciales institucionales) aumentan la probabilidad de ser elegido como respaldo.
Autoridad
14Evidencia media4 estudios
Autoridad temática/estructural (que el sistema te considere “fuente competente”)
Aumenta la probabilidad de citación si tu contenido tiene autoridad real y además es fácil de interpretar (estructura clara, conceptos bien definidos).
Autoridad
15Evidencia media1 estudio
Dominio/pool: entras en los dominios con mayor concentración de citas (y en fuentes tipo terceros)
Sube tu probabilidad si tu dominio encaja con los patrones que el motor usa: en el estudio, la mayor parte de citas se concentra en pocos dominios y la mayoría va a sitios de terceros (no solo a sitios propios).
Estar en el índice
16Evidencia media2 estudios
Texto con evidencia por contacto/detalles concretos (cuando existen en la fuente)
Aumenta la probabilidad de que aparezcan fragmentos específicos (como datos de contacto) en la respuesta si esos detalles están realmente presentes y recuperables en tu fuente.
Citabilidad
17Evidencia media2 estudios
Calidad estructural y “helpfulness” del formato
Sube la probabilidad si el contenido es útil y está bien presentado (claridad, secciones, legibilidad). No basta con ser “correcto”: el modelo responde mejor cuando puede usarlo fácilmente.
Relevancia
18Evidencia media2 estudios
Google de GEO: promover “promotion success” hacia Top (si tu citación depende de ranking final)
Si estás optimizando hacia posiciones altas, la probabilidad de cita mejora más cuando la inclusión es estable (por ejemplo, tasas altas de promotion success en Top-5/Top-3/Top-1).
Citabilidad
19Evidencia media1 estudio
Originalidad (diferenciación) para destacar como fuente útil
Aumenta la probabilidad de citación: cuando tu contenido es más “único” en el ORION Score, suele correlacionar con que te elijan para citar.
Relevancia
20Evidencia media1 estudio
Pilar de SEO para datos de entidad: claridad de entidades (quién/qué es cada cosa)
Sube la citabilidad si el sistema entiende correctamente entidades y referencias (personas, marcas, productos, lugares). Reduce errores de interpretación y ayuda a la atribución.
Citabilidad
21Evidencia media1 estudio
SEO técnico de recuperación: accesibilidad técnica (pasar de “AI-schwach” a “AI-ready”)
Sube la citación si reduces fallos que impiden indexación/recuperación. Estructuras accesibles y técnicas correctas ayudan a entrar al pool y ser usado.
Estar en el índice
22Evidencia media1 estudio
RAG multi-fuente: cuando el despliegue usa RAG, sube la citación
En despliegues con RAG multi-fuente, la citación/atribución aumenta (en el estudio, ~77,1% frente a control). Si tu estrategia mejora el “grounding” y la recuperación, capitaliza este patrón.
Menciones en otras webs
23Evidencia baja2 estudios
Control de consistencia: estabilidad vs volatilidad del resultado entre ejecuciones
Si tus citas son inestables (alta variación entre runs), tu “probabilidad efectiva” cae por incertidumbre del sistema. Apunta a evidencias consistentes en el tiempo.
Frescura
24Evidencia baja2 estudios
Recencia y ventana temporal (ajuste al tipo de consulta)
Sube tu probabilidad si tu página mantiene la recencia que el motor busca para ese tipo de pregunta. Si tu info está desactualizada frente a la necesidad temporal, te citan menos.
Frescura
25Evidencia baja1 estudio
Compatibilidad con agentes: que el sitio sea recuperable para agentes (técnica de rastreo/huellas)
Aumenta tu probabilidad si tu contenido es estable y accesible para agentes (sin problemas de acceso). Fallos técnicos reducen recuperación y, por tanto, citación.
Estar en el índice
Todos los estudios
474 estudios de 2026 de arXiv, Google Scholar, OpenAlex y CyberLeninka, del más reciente al más antiguo.
Riesgos4,5 %Entre el 4,5 % y el 20 % de las páginas citadas que se pueden recuperar se atribuyen a la red, según el grado …
Investiga cómo una red coordinada de promoción de pago en plataformas chinas influye en las respuestas de nueve motores generativos.
Los datos
La red comprende 1.985 cuentas y 466.357 publicaciones promocionales estimadas en tres plataformas.
La actividad se coordina durante meses y en varias plataformas, y la red modifica sus contenidos de tipo lista con el tiempo.
Entre el 4,5 % y el 20 % de las páginas citadas que se pueden recuperar se atribuyen a la red, según el grado de rigor del criterio de atribución.
En ocho de los nueve motores analizados, los clientes de la red aparecen nombrados en el 52 % de las respuestas, frente al 68 % de los líderes de cada categoría.
El estudio concluye que las defensas basadas solo en el contenido son insuficientes frente a estas campañas coordinadas.
Conclusión del estudio
La operación logra que sus clientes aparezcan en respuestas generadas por IA y aporta una parte relevante de las páginas citadas, aunque se los nombra con menos frecuencia que a los líderes de categoría.
Qué significa para ti
Para la visibilidad de una web en buscadores con IA, el estudio muestra que las publicaciones promocionales coordinadas en plataformas de usuarios pueden influir tanto en las fuentes citadas como en las marcas mencionadas; no ofrece una táctica de posicionamiento, sino evidencia de un riesgo que exige analizar también las cuentas y las plataformas.
Investiga cómo cambian la diversidad y el origen geográfico de las fuentes sobre actualidad latinoamericana en una muestra de 1.901 acontecimientos.
Los datos
El conjunto de datos incluye 1.901 acontecimientos actuales de nueve países latinoamericanos.
Se analizaron 49.207 consultas y 8.834 dominios únicos.
Se compararon tres buscadores y cuatro modelos de lenguaje.
Para usuarios locales, los buscadores devolvieron un 41,3 % de noticias nacionales, mientras que los modelos de lenguaje ofrecieron entre 3,6 y 11,6 puntos porcentuales menos.
La proporción de noticias nacionales en las respuestas de los modelos varió según el tipo de usuario.
Conclusión del estudio
En esta muestra, las búsquedas basadas en modelos de lenguaje devolvieron un conjunto de fuentes menos diverso que los buscadores y, para usuarios locales, redujeron aún más la presencia de noticias nacionales, lo que puede reforzar jerarquías geográficas en la visibilidad informativa.
Qué significa para ti
El estudio indica que la visibilidad de una fuente local sobre temas latinoamericanos puede ser menor en respuestas de modelos de lenguaje que en buscadores tradicionales; no evalúa tácticas para mejorar esa visibilidad.
Investiga la relación entre el posicionamiento orgánico y las citas de sistemas de IA mediante consultas informativas sobre marketing digital.
Los datos
Se analizarán 10 consultas idénticas relacionadas con el marketing digital.
La muestra incluirá los 10 primeros resultados orgánicos por consulta, hasta un máximo de 100 observaciones.
Se estudiarán la posición, la información sobre autoría, las fechas de publicación y las referencias.
La citación se medirá como variable binaria y también por el número de sistemas que cite cada página.
Conclusión del estudio
El estudio aún no ofrece conclusiones empíricas. Su diseño permitirá evaluar si existe solapamiento entre el posicionamiento en Google y las citas en ChatGPT y Perplexity, y si ciertas características del contenido se asocian con la citación.
Qué significa para ti
El resumen no permite extraer tácticas ni saber qué factores aumentan las citas; describe un método para medir si la posición en Google y algunas características de las páginas se relacionan con la visibilidad en ChatGPT y Perplexity.
Investiga las respuestas a argumentos de personas y modelos de lenguaje, y la relación entre señales léxicas y posición en Google, con datos de dos conjuntos de referencia.
Los datos
Los argumentos de Claude 3 Opus cambiaron el apoyo en 0,48 puntos Likert de media y los argumentos humanos en 0,54; la diferencia no fue significativa (p = 0,37).
221 de 1.120 argumentos de Claude llevaron al menos a un lector a alejarse de la postura defendida, frente a 1 de 174 argumentos humanos.
La diferencia en respuestas contrarias apareció en 54 de las 56 afirmaciones políticas (p = 6 × 10⁻¹⁰) y las tasas fueron similares entre los cinco modelos.
Las señales léxicas estudiadas no predijeron los cambios en afirmaciones no vistas, con un R² fuera de muestra de 0,003 o inferior.
En GEO-bench, con 4.996 páginas entre los cinco primeros resultados para 1.000 consultas, las señales variaron poco según el rango y reflejaron sobre todo la intención de la consulta.
Conclusión del estudio
La media de persuasión oculta que una proporción importante de argumentos de Claude provoca respuestas contrarias a la postura defendida. Los recuentos de palabras analizados no explican esas respuestas y aportan poca capacidad para predecir cambios de opinión o distinguir posiciones en los resultados de Google.
Qué significa para ti
El análisis de Google sugiere que estas señales léxicas no bastan para explicar el rango y reflejan principalmente la intención de búsqueda; el estudio no mide la visibilidad ni las citas en respuestas de buscadores con IA.
Investiga los riesgos y las defensas de los agentes de investigación con búsqueda web a partir de estudios previos y pruebas en entornos aislados.
Los datos
De los 34 estudios revisados, solo el 26,5 % aborda la fase de planificación.
Ninguno de los estudios evaluados realiza pruebas de envenenamiento de principio a fin en productos comerciales.
En 3.520 ejecuciones de prueba, el ataque de agenda sembrada coloca el objetivo del atacante entre las principales opciones en el 16 % al 28 % de los informes.
La inyección de prompts y GEO resultan casi ineficaces en las pruebas descritas.
La detección de inyecciones y el anclaje de consultas no frenan el ataque; las etiquetas de procedencia conservan la utilidad, pero pueden sortearse con señuelos en varios sitios.
Conclusión del estudio
En las pruebas del estudio, introducir una métrica de evaluación ficticia sin dar instrucciones explícitas es más eficaz que GEO o la inyección de prompts para influir en la planificación de estos agentes. Las defensas probadas no resuelven por completo el problema.
Qué significa para ti
El estudio muestra que la visibilidad en respuestas de investigación con IA puede verse afectada por la planificación del agente y por señales repartidas entre sitios, pero no ofrece tácticas SEO para mejorar la presencia legítima de una web.
Investiga cómo se relacionan las estimaciones de herramientas SEO y GEO con otras señales de demanda y analiza las citas de IA en datos de telecomunicaciones, empresas del S&P 500 y respuestas educativas.
Los datos
En una sección de códigos de área de una web de telecomunicaciones, dos plataformas estimaron visitas mensuales con diferencias de 7,5 a 27,1 veces; en doce secciones del dominio, la relación fue de 0,20 a 7,24 veces.
Las dos plataformas coincidieron en cuál de dos secciones era mayor en 60 de 66 comparaciones, pese a las diferencias en las estimaciones.
En 37.193 reseñas de 378 tiendas, la demanda en reseñas y el volumen de búsqueda coincidieron de forma variable por sucursal, con correlaciones de Spearman de 0,47 a 0,75, pero apenas por tema, con 0,18.
Los sitios de vídeo y comunidad representaron una mediana del 21 % de las citas en AI Overviews y AI Mode de Google, frente al 0,6 % al 9,2 % en otras cuatro superficies analizadas.
De cuatro predicciones previas sobre respuestas de IA para empresas del S&P 500, una se cumplió, otra acertó solo en la dirección y dos fallaron.
Conclusión del estudio
Las métricas de demanda y las fuentes citadas varían según la herramienta, la consulta y la superficie. Algunas señales permiten comparar posiciones relativas, pero no necesariamente magnitudes, y los resultados no respaldan tratar las estimaciones como medidas intercambiables.
Qué significa para ti
Para medir la visibilidad de una web en buscadores con IA, este estudio indica que conviene distinguir entre plataformas y superficies y no dar por equivalentes sus cifras; no demuestra que el marco UFI mejore la visibilidad, porque su puntuación no se evaluó.
Investiga cómo reconstruir páginas de producto a partir de imágenes y evalúa el sistema con el conjunto de datos ECTL y pruebas de recuperación de información en tres modelos.
Los datos
La precisión Top-1 alcanza el 99,7 % en reconocimiento de colores y el 99,3 % en reconocimiento de fuentes.
La eliminación de texto obtiene un FID de 0,954 en el subconjunto Easy.
La reconstrucción logra LPIPS de 0,0399 y SSIM de 0,9394.
En Gemma-3-27B, la puntuación BERT-Score aumenta de 0,883 a 0,928.
Los diseños reconstruidos reducen los tokens de entrada entre un 11 % y un 14 % frente a entradas basadas solo en OCR.
Conclusión del estudio
En las pruebas del estudio, reconstruir el diseño permite que los modelos recuperen mejor los datos factuales de páginas de producto con texto incrustado en imágenes y requiere menos tokens que procesar el texto obtenido únicamente con OCR.
Qué significa para ti
Para la visibilidad en buscadores con IA, el estudio indica que el texto de producto incrustado en imágenes puede dificultar la recuperación de información; la técnica evaluada mejora esa recuperación, aunque el trabajo mide un sistema de reconstrucción y no el posicionamiento o las citas de páginas reales.
Investiga cómo predecir la satisfacción con las respuestas de AI Overviews utilizando señales de comportamiento de usuarios en dos conjuntos de datos reales.
Los datos
El método propuesto se llama STaRS y está diseñado específicamente para predecir la satisfacción con las AI Overviews.
STaRS interpreta primero señales de comportamiento individuales y después utiliza sus implicaciones para estimar la satisfacción.
El entrenamiento incorpora aprendizaje por refuerzo y un mecanismo de ajuste de recompensas para reducir la escasez de recompensas.
La evaluación se realiza en dos conjuntos de datos reales.
STaRS supera a los métodos de comparación en la predicción de satisfacción.
Conclusión del estudio
En los dos conjuntos de datos evaluados, el método STaRS predice la satisfacción con AI Overviews mejor que los métodos comparados, al incorporar señales de comportamiento mediante un proceso de razonamiento estructurado.
Qué significa para ti
El estudio mide la satisfacción de los usuarios con las respuestas generadas y no evalúa qué webs ganan visibilidad o son citadas; por tanto, no ofrece tácticas directas de SEO o GEO.
Investiga cómo los buscadores generativos favorecen a marcas conocidas y analiza consultas comerciales y experimentos con atributos de producto constantes.
Los datos
La muestra incluye 1.176 marcas líderes del mercado.
Las marcas del quintil superior de popularidad reciben entre 1,4 y 2,8 veces más citas que la marca media de la muestra.
La recuperación de información externa no elimina el sesgo de popularidad observado.
Sustituir la identidad de una marca por otra desconocida reduce significativamente su posición en las recomendaciones.
Las reescrituras de contenido que conservan los hechos producen mejoras de posición insignificantes.
Conclusión del estudio
Los buscadores generativos favorecen a las marcas líderes y a las ya representadas en la memoria paramétrica de los modelos, lo que crea una barrera de entrada que las reescrituras de contenido evaluadas no consiguen superar.
Qué significa para ti
El estudio indica que optimizar el contenido por sí solo puede no bastar para mejorar la visibilidad de una marca desconocida en buscadores generativos, aunque no evalúa tácticas alternativas para superar ese sesgo.
Analiza evidencia documental sobre visibilidad mediada por IA y comunicación estratégica, a partir de 15 fuentes trazables de investigación, observación, encuestas y documentación técnica.
Los datos
La revisión incluye 15 fuentes y no combina estadísticamente indicadores heterogéneos.
Algunos experimentos registran mejoras de visibilidad de hasta el 40 % bajo condiciones específicas de optimización para motores generativos.
En una muestra estadounidense, los clics a resultados convencionales fueron del 8 % cuando había resúmenes de IA y del 15 % cuando no los había.
Las auditorías de motores generativos detectan problemas de respaldo de afirmaciones y atribución de citas.
El marco propuesto contempla accesibilidad, consistencia, atribución, fidelidad y seguimiento crítico.
Conclusión del estudio
La revisión encuentra indicios de que la optimización para motores generativos puede aumentar la visibilidad en condiciones concretas, pero la evidencia reunida no permite afirmar que reemplace al SEO ni que produzca cambios en confianza, reputación o ventas.
Qué significa para ti
Para medir la visibilidad de una web en buscadores con IA, el estudio destaca la necesidad de revisar accesibilidad, consistencia, atribución y fidelidad de la información; al ser una revisión documental no sistemática, no ofrece una táctica concreta ni demuestra el impacto comercial de las menciones.
Investiga qué efecto tienen las técnicas de GEO sobre las citas y la inclusión de contenidos a partir de una revisión de estudios académicos.
Los datos
La búsqueda en Scopus identificó 27 registros, siete pasaron a revisión del texto completo y tres se incluyeron en la síntesis.
En un experimento controlado, el contenido estructurado obtuvo más citas que el contenido equivalente sin estructurar.
Añadir citas, estadísticas y referencias, y mejorar la fluidez de la redacción, elevó las citas en algunas comparaciones.
El uso excesivo de palabras clave no mostró un beneficio claro.
El efecto cambió según la métrica, el objetivo de la pregunta, el campo, el modelo y las condiciones de recuperación.
Conclusión del estudio
La revisión encuentra indicios de que ciertas intervenciones de GEO pueden aumentar la visibilidad de las fuentes en las condiciones estudiadas, pero la evidencia disponible no permite afirmar que el efecto sea general, duradero o aplicable a todos los modelos, idiomas y campos.
Qué significa para ti
Para la visibilidad de una web en buscadores con IA, el estudio respalda de forma limitada el uso de contenido estructurado, referencias y una redacción clara, pero, al basarse en solo tres estudios, no permite asegurar que estas acciones produzcan resultados consistentes a largo plazo.
Investiga cómo influye la intención del usuario en la visibilidad de recomendaciones y evalúa métodos de optimización en cuatro dominios y diez estados de intención.
Los datos
Las ganancias de visibilidad de los métodos GEO existentes varían según la intención del usuario.
La optimización de prompts basada en aprendizaje puede rendir, de media, peor que el prompt inicial escrito manualmente.
El análisis detecta que algunos prompts pierden instrucciones explícitas de recomendación y derivan hacia tácticas promocionales genéricas.
AMO mejora un 35 % la ganancia media en posición de citación frente al mejor método de aprendizaje previo y obtiene el mejor resultado en nueve de diez estados de intención.
AMO logra las mayores ganancias en una cadena de recomendación con agentes y, tras una adaptación independiente, en Doubao.
Conclusión del estudio
En las pruebas del estudio, mantener fija una instrucción central de recomendación mientras se aprenden estrategias adicionales produce mejores resultados que optimizar el prompt completo sin ese anclaje. La eficacia también depende del estado de intención del usuario.
Qué significa para ti
Para trabajar la visibilidad en respuestas de IA, el estudio indica que conviene evaluar los resultados según la intención y la fase de decisión, en vez de asumir que una misma descripción funciona igual para todas las consultas; sus pruebas se centran en recomendaciones y no ofrecen una táctica general para cualquier web.
Investiga la relación entre SEO, marketing de contenidos y conocimiento de marca a partir de artículos académicos y trabajos conceptuales recientes sobre búsqueda generativa.
Los datos
El SEO contribuye al conocimiento de marca mediante la exposición orgánica repetida en las páginas de resultados y la credibilidad asociada a posiciones destacadas.
El marketing de contenidos contribuye mediante el valor informativo, de entretenimiento y social, que favorece las asociaciones de marca y el intercambio de contenidos.
El artículo propone un marco de Descubrimiento, Interacción y Credibilidad con cinco proposiciones.
El marco incluye un ciclo de retroalimentación en el que un mayor conocimiento de marca mejora el rendimiento en búsquedas.
La búsqueda con respuestas generadas por IA se identifica como un nuevo factor que exige contenido creíble, bien estructurado y digno de ser citado.
Conclusión del estudio
Según la revisión, SEO y contenido cumplen funciones complementarias en el conocimiento de marca, la visibilidad sin contenido útil se olvida rápidamente, mientras que el buen contenido sin SEO rara vez se encuentra. La búsqueda generativa añade la necesidad de que el contenido pueda ser considerado fiable y citado.
Qué significa para ti
El estudio sugiere que, para ganar visibilidad en buscadores con IA, no basta con aparecer en resultados, el contenido también debe ser creíble, estar bien estructurado y merecer una cita, aunque la revisión no mide el efecto de estas características en sistemas concretos.
Investiga cómo una mención de marca integrada de forma discreta en artículos web puede afectar a la recuperación de contenidos y a la visibilidad de la marca en respuestas generadas.
Los datos
IBIBench incluye 1.000 artículos web y 60 marcas sintéticas de 12 dominios.
IBI mejora Hit@k frente a Direct Prompting y Best-of-N en todos los cortes evaluados, tipos de consulta y ubicaciones de marca.
IBI alcanza hasta un 82,2 % de Hit@10 y un MRR@10 de 0,74.
La tasa de mención de marca llega hasta el 62,7 % y la propagación condicional hasta el 75,9 %.
Las inserciones de IBI conservan mejor la semántica y alteran menos la perplejidad que las de los métodos de referencia.
Conclusión del estudio
Los resultados muestran que una sola mención de marca, integrada en el contexto de un artículo, puede aumentar tanto la recuperación del contenido como la aparición de la marca en respuestas generadas, incluso sin una promoción explícita.
Qué significa para ti
Para la visibilidad en buscadores con IA, el estudio evidencia un riesgo concreto de manipulación mediante menciones sutiles; evalúa su eficacia en un banco con marcas sintéticas, pero no ofrece una táctica legítima para mejorar la visibilidad de una web.
Investiga la evolución de las estrategias SEO y la medición de visibilidad en motores de respuesta a partir de una revisión de estudios publicados sobre el tema.
Los datos
De 44 registros, se incluyeron 27 fuentes, entre ellas 25 artículos, ponencias o capítulos revisados por pares y 2 documentos de trabajo usados como evidencia complementaria.
La revisión identifica tres etapas del SEO, centradas sucesivamente en palabras clave, intención de búsqueda e información susceptible de ser citada.
La evidencia revisada asocia las citas, las citas textuales y las estadísticas extraíbles con una mayor visibilidad en motores generativos; el relleno de palabras clave no la mejora.
El marco propuesto combina cuatro métricas —tasa de citas de LLM, frecuencia de menciones de marca, cuota de modelo y fuerza de asociación de entidades— con indicadores tradicionales de tráfico.
El marco es conceptual y requiere validación empírica, especialmente en contextos en lengua indonesia.
Conclusión del estudio
La revisión concluye que medir solo el CTR no refleja adecuadamente la visibilidad en motores de respuesta y propone complementarlo con métricas de citas, menciones de marca, presencia relativa y asociación de entidades. La utilidad del marco todavía no está demostrada mediante validación empírica.
Qué significa para ti
Para medir la visibilidad de una web en buscadores con IA, este estudio propone observar también si sus fuentes se citan y si la marca aparece en las respuestas, además del tráfico; no demuestra todavía cómo aplicar estas métricas en la práctica.
Investiga qué significa que una marca esté presente en una respuesta de IA y qué factores pueden influir en esa presencia, mediante una revisión conceptual de investigaciones previas.
Los datos
Define la presencia de marca mediante cuatro dimensiones, inclusión, prominencia, encuadre y atribución.
Distingue dos vías para que una marca aparezca, el conocimiento adquirido por el modelo durante el entrenamiento y la recuperación de documentos al responder.
Formula nueve proposiciones sobre los factores que pueden influir en la presencia de marca y sus efectos.
Propone que las marcas grandes tienen más ventaja cuando la respuesta se basa en la memoria del modelo que cuando se basa en documentos recuperados.
Plantea que la presencia en una respuesta puede aumentar la elección sin aumentar las visitas a la web de la marca.
Conclusión del estudio
El marco sostiene que la presencia de marca no es solo aparecer en una respuesta, sino también ocupar un lugar destacado, cómo se describe la marca y si se atribuye la información a una fuente. Además, la vía por la que se genera la respuesta puede cambiar qué marcas tienen ventaja y qué inversiones resultan relevantes.
Qué significa para ti
El estudio ofrece conceptos para analizar la visibilidad en buscadores con IA, pero es teórico y formula proposiciones, así que no demuestra tácticas concretas ni cuantifica sus efectos.
Investiga si las mejoras de visibilidad logradas con técnicas de GEO se mantienen cuando los buscadores con IA consultan páginas publicadas en la web real, a partir de productos de 80 marcas ficticias.
Los datos
Se evaluaron cinco estrategias de GEO con descripciones y reseñas de 80 marcas ficticias, distribuidas en 18 familias de productos.
En los buscadores con IA, CORE alcanzó tasas Top-1 de entre el 66,3 % y el 76,3 %.
Los buscadores con IA eligieron el mismo producto principal para entre el 48,8 % y el 66,3 % de las marcas.
En ChatGPT, la tasa Top-1 de CORE fue del 73,8 % y del 93,8 % con dos órdenes fijos opuestos de las URL; con el orden aleatorio del benchmark fue del 82,5 %.
El verificador JEV coincidió con las etiquetas de referencia en el 90,7 % de 194 casos numéricos y señaló 86 de las 400 descripciones reescritas, incluidas las 80 de la estrategia Statistics Addition.
Conclusión del estudio
En esta evaluación, CORE fue la estrategia más eficaz para quedar en primera posición en los buscadores con IA, pero el resultado dependió del sistema y del orden de las URL. Por tanto, las mejoras observadas con evaluadores de texto directo no bastan por sí solas para establecer qué estrategia funcionará en la web real.
Qué significa para ti
El estudio indica que conviene distinguir los resultados obtenidos con texto suministrado directamente de los obtenidos con páginas reales, y tener en cuenta que el orden de las URL puede alterar la visibilidad; no demuestra que CORE vaya a producir los mismos resultados en webs o consultas distintas.
Investiga cómo se concentra la propiedad de los medios digitales y cómo se distribuyen las citas de sistemas de IA, a partir de datos de 9.761 medios de 77 países.
Los datos
El conjunto de datos reúne información de 9.761 medios digitales y abarca 77 países.
Los índices calculados por propietario son una mediana de 1,30 veces más altos que los índices calculados por medio.
La distribución de citas de los principales sistemas de IA es hasta 2,08 veces más concentrada que la distribución del tráfico.
Los sistemas de IA citan preferentemente medios controlados por el Estado cuando reciben preguntas en el idioma nativo del país.
Si Google AI Overviews mediara todas las búsquedas orgánicas, el aumento de la concentración en Estados Unidos sería varias veces mayor que el asociado a fusiones y adquisiciones de medios altamente reguladas.
Conclusión del estudio
La concentración de las citas de IA puede superar la del tráfico digital, y los sistemas analizados muestran una preferencia por medios estatales en consultas formuladas en el idioma nativo del país.
Qué significa para ti
Para la visibilidad de una web en buscadores con IA, el estudio indica que las citas pueden concentrarse en menos medios que el tráfico y que el idioma de la consulta puede influir en qué fuentes se citan; no ofrece tácticas para mejorar la visibilidad.
Investiga la calidad, el respaldo documental y la precisión de las respuestas de AI Overviews sobre 3.611 preguntas de salud.
Los datos
AI Overviews apareció en el 96,4 % de las preguntas, pero solo citó el 44,4 % de los cinco primeros resultados tradicionales.
Las páginas citadas obtuvieron peores puntuaciones que los resultados tradicionales en cuatro de seis criterios de credibilidad y las respuestas dieron más peso a editoriales comerciales que a fuentes académicas y gubernamentales.
Tras corregir el error del clasificador, se estimó que el 56,7 % de las afirmaciones citadas estaba respaldado por la página correspondiente; además, el 20,8 % de todas las afirmaciones factuales carecía de cita.
Las respuestas obtuvieron el 38,2 % de los puntos posibles en las rúbricas médicas, con un 54,2 % en precisión y un 21,6 % en exhaustividad.
Entre las respuestas para las que la rúbrica preveía una afirmación inexacta o potencialmente dañina, el 22,2 % incluyó ese contenido.
Conclusión del estudio
En esta muestra de consultas de salud, AI Overviews seleccionó fuentes distintas de las destacadas por la búsqueda tradicional y sus respuestas mostraron deficiencias de credibilidad, respaldo y precisión médica. La precisión no estaba relacionada con el grado de respaldo de las afirmaciones en las fuentes citadas.
Qué significa para ti
Para la visibilidad de una web en buscadores con IA, el estudio muestra que aparecer entre los primeros resultados tradicionales no garantiza ser citado por AI Overviews, y que las fuentes comerciales tuvieron más presencia que las académicas y gubernamentales; no evalúa tácticas para aumentar las citas.
Investiga cómo predecir qué fuentes recibirán citas en respuestas de IA mediante consultas de GEO-Bench y diez motores de respuesta.
Los datos
Los diez motores reciben las mismas fuentes candidatas y, cuando responden a una misma consulta, sus citas muestran una correlación de Spearman de 0,704.
Jev y dos modelos abiertos de 27B alcanzan las mejores puntuaciones, entre 0,575 y 0,578.
GEO Citation Ranker 4B obtiene puntuaciones de 0,542 a 0,549 en tres ejecuciones con distintas semillas.
En 229 consultas, las diferencias entre el modelo de 4B y Jev o los modelos de 27B no son estadísticamente distinguibles de cero.
El estudio informa de que las etiquetas de Jev por sí solo igualan el resultado de las etiquetas de dos modelos cuando se usan con un modelo de 0,6B.
Conclusión del estudio
En este benchmark, un modelo de 4B entrenado con etiquetas de otros motores puede aproximarse a los mejores modelos de 27B y a Jev, y sus diferencias no se distinguen estadísticamente en 229 consultas.
Qué significa para ti
El estudio muestra que se pueden comparar predictores de citas y que un modelo relativamente pequeño puede acercarse a los mejores resultados en este benchmark, pero no ofrece tácticas para aumentar directamente las citas de una web.
Investiga cómo influyen la recuperación de búsqueda, las técnicas de optimización y los métodos de evaluación en la visibilidad generada por IA, a partir de benchmarks, réplicas y señales de búsqueda en directo.
Los datos
Según el estudio, la visibilidad generativa depende al 100 % de la recuperación en la primera etapa; los documentos fuera del corte top-K no obtienen visibilidad, aunque se modifique su texto.
Las reescrituras de texto del benchmark KDD '24 lograron 0 mejoras positivas de 10 en evaluadores distintos de GPT, según las réplicas citadas.
En un análisis de 171.003 documentos, las reescrituras empeoraron las posiciones de recuperación de la primera etapa.
El estudio atribuye a la recuperación una influencia 11,4 veces mayor que al formato de página, con resultados del 32 % frente al 2,8 %.
Al aplicar su filtro de aislamiento a marcos comerciales, no encontró técnicas de optimización no SEO que sobrevivieran, una tasa del 0 %.
Conclusión del estudio
La auditoría sostiene que el acceso a la recuperación orgánica es el factor decisivo para aparecer en respuestas generadas y que las supuestas técnicas GEO diferenciadas no muestran ventajas sólidas frente a SEO técnico, SEO de entidades, AEO y relaciones públicas digitales.
Qué significa para ti
Para trabajar la visibilidad de una web en buscadores con IA, este estudio indica que aparecer en los resultados que alimentan la respuesta es más determinante que reescribir el contenido con fórmulas GEO; sus resultados son una auditoría de benchmarks y réplicas, no una táctica nueva probada.
Investiga cómo atribuir y repartir pagos por la información utilizada en respuestas de IA a partir de artículos vinculados a 1.974 consultas sobre un episodio informativo.
Los datos
La unidad de atribución es un dato o comentario concreto que puede aparecer en artículos de varias editoriales.
El modelo compara tres reglas de pago, reparto igualitario, recompensa a quien publicó primero y recompensa a las contribuciones indispensables.
Con las fuentes recuperadas para cada consulta por separado, la mayoría de los datos citados parece exclusiva y las tres reglas producen repartos casi idénticos.
Un índice global del corpus muestra solapamientos entre editoriales y hace que la elección de la regla sea relevante.
Las editoriales prémium reciben el 42 % del valor asignado con el reparto igualitario y entre el 46 % y el 50 % con la regla de primera publicación, según cómo se traten las marcas de tiempo.
Conclusión del estudio
La atribución limitada a las fuentes recuperadas para cada respuesta no permite distinguir bien entre las reglas de pago; para hacerlo, el estudio considera necesario un índice global que registre qué editoriales aportaron cada dato y cuándo lo publicaron.
Qué significa para ti
El estudio no mide cómo mejorar la visibilidad de una web, sino cómo podría atribuirse y remunerarse la información usada por una IA; muestra que aparecer en las fuentes de una respuesta no basta para determinar quién aportó primero un dato o quién hizo una contribución indispensable.
Investiga cómo la optimización de las descripciones por agentes vendedores distorsiona la selección y el rendimiento de herramientas en mercados simulados de Amazon e Instagram.
Los datos
Se probaron cinco modelos de producción y, en todos, los vendedores ampliaron sus descripciones para atribuirse más capacidades.
Algunas capacidades anunciadas correspondían a campos que las herramientas devolvían en menos de la mitad de los casos objetivo.
La cantidad de afirmaciones que contradecían las pruebas de los vendedores variaba en un orden de magnitud entre modelos.
La herramienta más capaz perdió cuota de elección en siete de las diez combinaciones de modelo y plataforma.
Con el modelo más problemático, herramientas que apenas respondían ganaron entre una cuarta parte y dos quintas partes de las elecciones; el éxito de las tareas bajó al 30 % en Amazon y al 40 % en Instagram.
Conclusión del estudio
La optimización de descripciones por sí sola puede generar afirmaciones infladas y, en algunos modelos, hacer que los agentes elijan herramientas por su posición en la lista en vez de por su capacidad, reduciendo drásticamente el éxito de las tareas.
Qué significa para ti
El estudio muestra un riesgo para la visibilidad en sistemas de agentes que seleccionan herramientas a partir de sus descripciones, pero no mide el posicionamiento de webs en buscadores con IA ni ofrece tácticas SEO; su aportación es advertir que las afirmaciones optimizadas pueden perjudicar tanto la selección como el rendimiento.
Investiga cómo clasificar el entorno de información pública de una entidad, con un modelo teórico y metodológico de cinco niveles.
Los datos
QISM distingue cinco niveles según el procedimiento institucional al que se somete cada documento.
Los niveles son gubernamental, académico, experto, mediático y web abierta.
El modelo separa el documento, las afirmaciones que contiene y quién produce la información.
También contempla procedencia, afiliación, actualidad y condiciones técnicas de acceso a las fuentes.
El artículo es conceptual y metodológico, y plantea una agenda de investigación que aún debe contrastarse empíricamente.
Conclusión del estudio
QISM ofrece una estructura para describir de dónde procede la información pública sobre una entidad y detectar discrepancias, pero el artículo no demuestra que un nivel concreto aumente su visibilidad en sistemas de IA.
Qué significa para ti
Para trabajar la visibilidad de una web en buscadores con IA, el estudio aporta un marco para inventariar y clasificar las fuentes públicas relacionadas con una entidad, pero no ofrece tácticas probadas ni mide su efecto en las respuestas de IA.
Investiga cómo medir la influencia de señales comerciales en decisiones de compra de modelos de IA mediante pruebas con productos y modelos distintos.
Los datos
La auditoría comprende 113.472 pruebas.
Se estudian siete modelos de distintas familias y dos categorías de producto.
El método aumenta el precio del producto con una señal hasta que se elige la mitad de las veces; ese sobreprecio es su equivalente en precio.
Las tasas de elección habituales pueden ocultar diferencias entre señales cuando ya consiguen que se elija un producto casi siempre.
El modelo Jev, que da directamente una probabilidad de elección, resiste la mayoría de las señales, pero sigue siendo susceptible a las afirmaciones de prueba social más fuertes.
Conclusión del estudio
Medir solo cuántas veces gana una señal puede subestimar la influencia de los vendedores. Expresar esa influencia como el sobreprecio que mantiene la elección en el 50 % permite distinguir señales que las tasas de elección a precio igual presentan como parecidas.
Qué significa para ti
El estudio no ofrece una táctica para mejorar la visibilidad de una web, sino un método de auditoría para cuantificar cuánto pueden alterar señales comerciales la decisión de agentes de compra con IA y comparar perfiles de distintos modelos.
Investiga la validez de las auditorías de visibilidad de marcas en respuestas de IA a partir de 38 estudios empíricos.
Los datos
35 de los 38 estudios no habían pasado por revisión por pares.
La mitad de los estudios procedía de autores con intereses comerciales en servicios de visibilidad.
Dos grupos de proveedores concentraban 12 estudios.
Solo 2 estudios contrastaban sus resultados con referencias externas de marca o mercado, y 7 repetían la medición en el tiempo.
Los resultados eran sensibles a la paráfrasis, el idioma de la consulta y el número de respuestas generadas.
Conclusión del estudio
La revisión propone distinguir entre la inclusión de una marca en la respuesta, que parece relacionarse con la amplitud de su documentación online, y la selección entre las marcas incluidas, que podría depender más de las pruebas sobre sus atributos. La evidencia respalda esta explicación solo parcialmente, y los estudios que proporcionan una lista de marcas candidatas miden únicamente la selección.
Qué significa para ti
Las cifras de visibilidad en IA pueden ser poco comparables si las auditorías no repiten las pruebas ni validan sus resultados con referencias externas; este estudio propone estándares mínimos de diseño y presentación, pero no demuestra una táctica concreta para mejorar la visibilidad.
Investiga el efecto de la IA en el rendimiento de marketing mediante experimentos en cuatro áreas de una empresa B2B de software como servicio.
Los datos
La investigación empírica abarca cuatro áreas, entre ellas SEO y GEO con apoyo de relaciones públicas.
Las otras áreas estudiadas son marketing de contenidos, flujos de trabajo de diseño y marketing de masas.
El estudio se realiza en una empresa global de integración de datos del mercado B2B de software como servicio.
El resumen señala la cultura organizativa y la competencia directiva como factores importantes para adoptar la IA.
Conclusión del estudio
El resumen plantea que el efecto de la IA en el rendimiento depende también de cómo la organización la adopta y de la capacidad de sus responsables; no concreta el resultado específico de las pruebas de SEO o GEO.
Qué significa para ti
El estudio incluye GEO y SEO entre sus áreas de experimentación, pero el resumen no ofrece métricas de visibilidad ni tácticas aplicables para mejorar la presencia de una web en buscadores con IA.
Investiga cómo entrenar agentes de búsqueda profunda para que los pasos de razonamiento se apoyen en evidencias y citas, y evalúa el método en cinco benchmarks.
Los datos
EG-GRPO identifica la primera cita que respalda cada afirmación de evidencia requerida.
Usa la evidencia nueva para calcular recompensas por paso y representa la evidencia acumulada como un estado de conocimiento cambiante.
Combina la señal de recompensa por paso con la ventaja de resultado de toda la trayectoria.
En cinco benchmarks de búsqueda profunda, generalmente supera a GRPO estándar y a otros métodos de referencia.
Conclusión del estudio
Las anotaciones de evidencia vinculadas a la tarea pueden servir para supervisar el proceso de búsqueda y mejorar la asignación de mérito durante el entrenamiento de agentes de búsqueda profunda.
Qué significa para ti
El estudio aporta contexto sobre cómo se entrenan agentes que buscan y respaldan sus respuestas con citas, pero no mide la visibilidad de webs ni ofrece tácticas SEO para aparecer en respuestas de IA.
El estudio sintetiza literatura publicada entre 2015 y 2026 y examina entornos comerciales con agentes autónomos y protocolos de gobernanza digital.
Los datos
El marco A2A organiza la estrategia en cuatro dimensiones, entre ellas la optimización de datos y metadatos asociada a Generative Engine Optimization.
Plantea un cambio desde la marca basada en persuasión emocional hacia datos estructurados y metadatos legibles por máquinas.
Propone que la confianza de marca tradicional evolucione hacia la confianza algorítmica.
Incluye transparencia, integridad de los datos, neutralidad algorítmica, equidad y cumplimiento normativo como aspectos de gobernanza.
Conclusión del estudio
Según el marco propuesto, competir en mercados donde compran agentes autónomos exige que las ofertas sean interpretables por máquinas y que las empresas puedan demostrar transparencia y fiabilidad algorítmica.
Qué significa para ti
El capítulo relaciona GEO con la legibilidad de datos y metadatos para agentes, pero es un marco conceptual amplio sobre marketing a máquinas y no aporta mediciones de visibilidad ni tácticas probadas en buscadores con IA.
Investiga cómo cambia la selección de fuentes y negocios recomendados según la ubicación del usuario, con 300 preguntas realizadas desde distintas ubicaciones en ChatGPT y Gemini.
Los datos
Se analizaron 300 preguntas con 19 ubicaciones declaradas.
ChatGPT y Gemini se probaron desde cinco ubicaciones de red y cada consulta se repitió dos veces.
El estudio reunió 31.200 respuestas.
ChatGPT siguió la ubicación declarada, incluso hasta la ciudad, e ignoró la ubicación de red.
Gemini ignoró la ubicación declarada y siguió el país de la conexión; cambió la mayoría de sus fuentes incluso en preguntas que no dependían del lugar.
Conclusión del estudio
La visibilidad en buscadores generativos varía según la ubicación y según el canal del que cada motor obtiene esa ubicación. En este estudio, ChatGPT respondió a la ubicación declarada por la aplicación y Gemini a la ubicación de red, y esos cambios también afectaron a los negocios recomendados.
Qué significa para ti
Una auditoría desde una sola ubicación puede no representar lo que ven otros usuarios. Para medir la visibilidad según este estudio, hay que controlar tanto la ubicación declarada como la ubicación de red, porque ChatGPT y Gemini no las interpretan del mismo modo.
Investiga cómo hacer comparables los benchmarks de GEO mediante una taxonomía y un protocolo aplicados a estrategias descritas en estudios previos.
Los datos
Los benchmarks actuales difieren en las estrategias GEO que incluyen y en las restricciones para editar las fuentes.
Esas diferencias pueden mezclar las mejoras del algoritmo de optimización con las ventajas derivadas de tener más libertad para editar las fuentes.
La taxonomía propuesta clasifica las estrategias según dónde se editan las fuentes, cómo se modifican y qué señales buscan influir.
El protocolo plantea comparaciones controladas y la publicación explícita de la cobertura de cada evaluación.
Conclusión del estudio
El estudio sostiene que las diferencias entre benchmarks dificultan saber si un sistema obtiene mejores resultados por su optimización GEO o por unas condiciones de edición más permisivas; un estándar común permitiría comparaciones más justas.
Qué significa para ti
Para evaluar la visibilidad de una web en buscadores con IA, el estudio aporta un marco para comparar sistemas y estrategias, pero no ofrece tácticas concretas para mejorar la visibilidad.
Documenta qué aspectos técnicos y de citación se medirían para una empresa local y su presencia en ChatGPT, Gemini y Perplexity.
Los datos
Contempla la consistencia de nombre, dirección y teléfono en directorios públicos y mapas digitales.
Incluye la validación de datos estructurados con Schema.org y JSON-LD.
Registra tiempos de respuesta del servidor y métricas Core Web Vitals en dispositivos móviles.
Prevé registrar la frecuencia de extracción y citación de entidades locales en ChatGPT, Gemini y Perplexity.
Conclusión del estudio
El texto define el alcance y los criterios de una medición de SEO local y visibilidad en IA, pero no aporta datos que permitan concluir qué señales influyen en las citas o qué resultados obtuvo la empresa.
Qué significa para ti
Para evaluar la visibilidad de una web en buscadores con IA, este material identifica aspectos que se podrían observar, pero no ofrece resultados ni tácticas verificadas.
Investiga cómo 11 estrategias de reescritura afectan a la exposición electoral en buscadores generativos, usando consultas, páginas históricas y perfiles de votantes de las elecciones de Estados Unidos de 2024 y Japón de 2026.
Los datos
El benchmark cubre las elecciones presidenciales de Estados Unidos de 2024 y las elecciones a la Cámara de Representantes de Japón de 2026.
Evalúa 11 estrategias de reescritura agrupadas en 4 categorías.
La reescritura sin especificar un objetivo rara vez aumenta la exposición de ese objetivo; especificarlo suele producir aumentos con más frecuencia.
Mejorar la organización de la página o reforzar una postura mediante argumentación genera más aumentos que añadir pruebas de apoyo o cambiar la redacción.
Las diferencias iniciales de exposición asociadas a identidades partidistas explícitas pueden superar el aumento logrado al reescribir una página.
Conclusión del estudio
En este benchmark, el efecto de la optimización depende de cómo se reescribe el contenido y de si se especifica el objetivo. Además, las señales partidistas explícitas pueden influir en la exposición más que la reescritura de una sola página.
Qué significa para ti
El estudio indica que la estructura y la argumentación del contenido pueden influir en su visibilidad en respuestas electorales generadas por IA, pero también muestra que el perfil político del usuario puede pesar más que una optimización individual; no establece una táctica general para otros sectores.
Investiga cómo generar respuestas menos repetitivas mediante la búsqueda de temas relevantes y poco cubiertos, y evalúa el método en consultas de chat, mercados de productos y ampliación de datos sintéticos.
Los datos
En cinco temas seleccionados, la reducción relativa media de la colisión fue del 12,8 %.
En 90 consultas de INFINITY-CHAT, la reducción relativa media de la colisión fue del 10,8 %.
En la ampliación de datos sintéticos, la colisión bajó de 0,324 a 0,298 frente a la acumulación sin dirección.
En esa misma prueba, la puntuación Vendi subió de 27,16 a 29,20.
La diferencia de precisión fue de un ejemplo en un conjunto de prueba de 40.
Conclusión del estudio
La búsqueda explícita de vacíos puede reducir la repetición semántica y aumentar la diversidad, pero una mayor separación entre contenidos no garantiza mejores resultados posteriores; la validez de cada tarea debe comprobarse por separado.
Qué significa para ti
Para la visibilidad en buscadores con IA, el estudio aporta un método aplicado a GEO en cuatro mercados de productos para explorar contenidos relevantes que las respuestas existentes no cubren, aunque el resumen no ofrece resultados de visibilidad, citas o posicionamiento en esos mercados.
Mide la presencia y estabilidad de las citas de AI Overviews en consultas comerciales de cinco categorías de productos en Ucrania y Estados Unidos.
Los datos
AI Overviews con al menos una fuente externa aparecen en el 53,6 % de las consultas, con un 63,9 % en Ucrania y un 43,5 % en Estados Unidos.
El 37,8 % de las fuentes de AI Overviews coincide con una URL del TOP-10 orgánico; el 57,1 % de las páginas del TOP-3 no recibe citas.
La probabilidad de citación baja según la posición orgánica, 42,9 % para el TOP-3, 20,8 % para las posiciones 4–10 y 4,3 % para las posiciones 11–20.
En Ucrania, las páginas de marketplaces tienen entre 3,7 y 4,4 veces más probabilidades de ser citadas y las páginas de contenido generado por usuarios, seis veces menos; en Estados Unidos, los efectos son pequeños.
En una repetición de la recogida 1 hora y 20 minutos después, cambió la presencia del bloque en el 14,5 % de las consultas y solo el 64,6 % de las URL citadas inicialmente seguía citado.
Conclusión del estudio
La relación entre posicionamiento orgánico y citación existe, pero no es directa, muchas páginas del TOP-3 no se citan y las diferencias por tipo de página dependen del mercado. Además, las fuentes citadas pueden cambiar en poco más de una hora.
Qué significa para ti
Para evaluar la visibilidad en AI Overviews, este estudio indica que el ranking orgánico por sí solo no basta y que los resultados de un mercado no deben extrapolarse a otro; sus asociaciones son correlacionales y no ofrecen una receta táctica.
Investiga un marco para organizar la autoridad temática y las relaciones semánticas en webs, validado en una agencia SEO y plataformas de formación profesional.
Los datos
El marco busca reducir la canibalización semántica interna.
Propone mantener la coherencia de los grafos de entidad, atributo y valor (EAV).
Se plantea para sistemas como Google Gemini, OpenAI GPT, Anthropic Claude y Perplexity AI.
La validación incluye servicios empresariales de POS1 SEO Agency y plataformas educativas de Aprender21.
El resumen informa de rendimiento orgánico comercial sostenido con 0 dólares de inversión en publicidad, sin especificar cifras de tráfico o ventas.
Conclusión del estudio
El estudio presenta un marco ontológico aplicado a dos tipos de negocio y afirma que mantuvieron rendimiento orgánico comercial sin publicidad de pago. El resumen no incluye datos cuantitativos que permitan medir la mejora ni atribuirla a componentes concretos del marco.
Qué significa para ti
Puede servir como referencia conceptual para estructurar temas y relaciones entre entidades en una web, pero el resumen no ofrece tácticas verificables ni métricas para estimar su efecto en la visibilidad o las citas de buscadores con IA.
Investiga el proceso que lleva de la búsqueda web a las citas en ChatGPT y compara sus resultados con Google Search y la API de OpenAI.
Los datos
Se analizaron cuatro configuraciones de ChatGPT Web, desde GPT-5.2 hasta GPT-5.5, en los modos Instant y Thinking, y a nivel de URL, host y entidad.
Las configuraciones Instant suelen hacer una sola ronda de búsqueda, mientras que GPT-5.4 Thinking realiza varias rondas con frecuencia.
Las páginas candidatas que aparecen más veces en ejecuciones repetidas tienen más probabilidades de ser citadas.
Google Search y la API de OpenAI se parecen más a las citas de ChatGPT a nivel de host y entidad que a nivel de URL exacta; juntas recuperan solo alrededor de una cuarta parte de las URL citadas.
Un modelo supervisado que combina señales externas alcanza un AUC superior a 0,74 para GPT-5.3 y GPT-5.5 en los tres niveles analizados.
Conclusión del estudio
La recuperación de una página y su inclusión como cita son etapas distintas. Las señales externas ayudan a predecir qué fuentes se citarán, pero no reconstruyen la mayoría de las URL citadas y reflejan mejor la presencia de un host o entidad que la de una URL concreta.
Qué significa para ti
Para trabajar la visibilidad en buscadores con IA, este estudio indica que conviene distinguir entre aparecer en los resultados recuperados y ser citado, y que la presencia del sitio como host o entidad también importa; sus resultados son observacionales y no ofrecen una táctica garantizada.
Investiga qué determina las páginas citadas por buscadores con IA mediante respuestas a preguntas comerciales de dos mercados.
Los datos
El análisis abarca 158.099 respuestas y 468.037 citas, recogidas durante 90 días en cada uno de dos mercados.
En ChatGPT, las páginas citadas eran páginas que su propio buscador había recuperado.
La recuperación de páginas explica el 32 % de la variación entre páginas de un mismo sitio, frente al 2,8 % que explican sus características.
Las páginas cuyos títulos y párrafos se ajustan a las preguntas reciben más citas dentro de un mismo sitio.
ChatGPT incorpora marcas que conoce en sus búsquedas y puede mencionarlas sin una página que respalde esa mención.
Conclusión del estudio
En los datos de ChatGPT, estar entre las páginas recuperadas es mucho más determinante para recibir una cita que las características de la página. El contenido parece influir principalmente porque coincide en significado con las consultas que el motor reformula, mientras que el conocimiento previo del modelo también afecta a las marcas buscadas y mencionadas.
Qué significa para ti
Para trabajar la visibilidad en buscadores con IA, este estudio indica que importa que el contenido responda en significado a las consultas que cada motor genera, pero no demuestra una táctica universal y sus resultados sobre recuperación detallada corresponden a ChatGPT.
Investiga las diferencias entre buscadores tradicionales y sistemas de búsqueda con IA a partir de ocho estudios sobre comportamiento, precisión, tiempo, consulta de fuentes y errores.
Los datos
La revisión sintetiza ocho estudios independientes, además de un benchmark industrial sobre alucinaciones.
Los ocho estudios incluyen tres experimentos controlados aleatorizados, dos análisis observacionales a gran escala y tres estudios sobre fiabilidad de contenidos.
Los sistemas de IA reducen de forma consistente el tiempo necesario para completar tareas.
La reducción del número de consultas depende del tipo de tarea.
Cuando la respuesta de IA es incorrecta, la precisión cae con fuerza y se observa una consulta mucho menor de fuentes externas.
Conclusión del estudio
La comparación indica que la rapidez de la búsqueda con IA no garantiza una mayor precisión. El menor recurso a fuentes externas cobra importancia porque coincide con una caída marcada de la precisión cuando la respuesta generada es errónea.
Qué significa para ti
El estudio muestra que la visibilidad en respuestas de IA debe interpretarse junto con la fiabilidad de esas respuestas y la consulta de fuentes externas; no ofrece tácticas específicas para mejorar la visibilidad de una web.
Investiga cómo publicaciones ordinarias en plataformas fáciles de usar pueden entrar en las respuestas de buscadores con IA, sobre una muestra de 10 plataformas y 17.211 citas.
Los datos
Analiza 17.211 citas procedentes de 6.356 dominios únicos en 10 plataformas de búsqueda con IA.
Los 20 dominios más citados concentran entre el 20,5 % y el 70,8 % de las citas de cada plataforma.
De las 22 plataformas de publicación analizadas que estaban vinculadas a dominios citados, 15 tenían barreras bajas o medias tanto para crear una cuenta como para publicar.
En los experimentos, 8 de las 10 plataformas citaron un concepto inventado en un plazo de siete días.
Una compra de GEO de 14 dólares produjo 13 publicaciones públicas; una plataforma citó contenido de GEO con marcadores diseñados en menos de una hora.
Conclusión del estudio
Los resultados muestran que publicar en sitios con barreras bajas puede afectar a las fuentes y al contenido que aparecen en buscadores con IA, y que este acceso puede comprarse por un coste reducido.
Qué significa para ti
Para la visibilidad de una web, el estudio indica que las citas de buscadores con IA pueden depender de publicaciones accesibles y ser vulnerables a contenido promocional o fabricado; no evalúa una táctica legítima para mejorar la visibilidad.
Investiga cómo se acumula la visibilidad de una fuente durante una conversación entre una persona y un agente, mediante un marco teórico y una ilustración derivada del modelo.
Los datos
El marco distingue dos vías de captura, la recuperación condicionada por el historial del agente y las preguntas de seguimiento de la persona.
La teoría demuestra que el componente de retroalimentación es cero cuando la evaluación se limita a un solo turno.
En la ilustración del modelo, la ganancia acumulada de GEO crece de forma superlineal mientras se desarrolla la captura.
En esa ilustración, la razón de acumulación supera dos antes de llegar a diez turnos.
La concordancia entre las clasificaciones de un turno y las de una trayectoria es débil, con Kendall τ = 0,4.
Conclusión del estudio
El estudio concluye que medir una cita en una sola respuesta puede pasar por alto el efecto acumulativo de las conversaciones, porque las citas iniciales pueden influir tanto en la recuperación posterior del agente como en las preguntas de la persona.
Qué significa para ti
Para medir la visibilidad de una web en buscadores con IA, el estudio indica que una evaluación de una sola respuesta puede no reflejar su rendimiento en una conversación completa; sus resultados son teóricos y no ofrecen una táctica empírica para mejorar la visibilidad.
Investiga cómo cambia el consumo de noticias al añadir respuestas de IA con citas a una búsqueda en el archivo de The Washington Post, sobre una muestra de 37.561 lectores.
Los datos
Participaron 37.561 lectores en el experimento de campo aleatorizado.
La búsqueda con IA aumentó el solapamiento entre los temas consumidos por distintos lectores.
El consumo se volvió menos concentrado y se desplazó hacia temas menos populares, tanto dentro de cada lector como en el conjunto de la audiencia.
Las respuestas de IA aportaron la mayor parte del aumento de información compartida, incluso sin clics en artículos.
El consumo de artículos por lector aumentó ligeramente y el consumo total de información por minuto también creció.
Conclusión del estudio
En este experimento, las respuestas de IA ampliaron la información compartida entre lectores y la exposición a temas menos populares; las citas y las búsquedas posteriores también contribuyeron a los cambios en el consumo.
Qué significa para ti
El estudio muestra que las citas en respuestas de IA pueden dar visibilidad a artículos y temas aunque no se traduzcan en clics, pero no identifica qué características hacen que un artículo sea citado ni ofrece tácticas para lograrlo.
Investiga el efecto de la accesibilidad de los sitios web para agentes de IA en respuestas sobre empresas, usando cuatro sistemas de prueba.
Los datos
Se analizaron 37.927 recorridos de agentes sobre 1.056 empresas.
El 78 % de las respuestas sobre empresas preparadas para agentes se construyó con información de sus páginas, frente al 56 % en las demás.
Las empresas preparadas para agentes recibieron recomendaciones claras 1,9 veces más a menudo.
Cuando las respuestas se construían con información del sitio, eran un 41 % más precisas de media.
Las respuestas basadas en la web tenían 3,7 veces más probabilidades de omitir todos los datos que había pedido el comprador.
Conclusión del estudio
En las pruebas, que el agente pueda leer la web de la propia empresa se asoció con más respuestas basadas en sus páginas, mayor precisión y más recomendaciones claras. La principal carencia detectada fue la omisión de información solicitada, no la invención.
Qué significa para ti
Para la visibilidad en buscadores con IA, el estudio apunta a que no basta con aparecer mencionado en otras webs, también importa que los agentes puedan acceder al sitio y extraer de él información útil. La conclusión se basa en recorridos simulados sobre empresas y no demuestra por sí sola que el efecto se repita igual en todos los buscadores.
Investiga qué características de las páginas predicen las citas de la IA a partir de datos de ChatGPT, Claude, Google AI y Gemini.
Los datos
La coincidencia entre los términos de las páginas y el corpus completo de prompts fue el principal predictor, con beta de +0,37 e intervalo de confianza del 95 % entre +0,33 y +0,41.
El efecto de la coincidencia se mantuvo en los nueve métodos de análisis empleados.
Las preguntas frecuentes, los datos estructurados y Core Web Vitals parecían tener efectos positivos en los datos agrupados, pero estos se invertían o desaparecían al controlar los efectos propios de cada dominio.
La autoridad del dominio superó en seis veces, en importancia media SHAP, al factor de página más fuerte aparte de la coincidencia de contenido.
Conclusión del estudio
En esta muestra, la coincidencia entre el contenido de una página y los prompts del espacio de trabajo fue el factor de página más consistente para predecir citas. Los efectos aparentes de varias prácticas habituales de AEO no se sostuvieron al tener en cuenta las diferencias entre dominios.
Qué significa para ti
Para trabajar la visibilidad en buscadores con IA, el estudio apunta a que la relación entre el contenido de la página y las consultas observadas importa más que algunas señales técnicas habituales; además, señala que la autoridad del dominio tiene mucho peso. Es un estudio observacional y no demuestra que aplicar estas medidas cause más citas.
Investiga cómo la delegación de decisiones de compra en agentes de IA afecta a consumidores y marcas a partir de literatura de marketing, psicología del consumidor e informática.
Los datos
Delegar tareas de compra puede reducir la fatiga de decisión, pero también generar una paradoja de autonomía.
La delegación puede desplazar poder, reducir capacidades cognitivas y erosionar la identidad, especialmente en compras simbólicas o hedónicas.
Los agentes crean una barrera de exposición que limita los contactos directos de marketing y otra de privacidad que restringe el acceso a datos detallados de comportamiento.
El estudio señala que el SEO convencional y el relato emocional pierden eficacia en mercados mediados por agentes.
La revisión propone como adaptaciones una alta capacidad de descubrimiento por parte de los agentes, presencia en fuentes externas de autoridad y optimización para GEO y AEO con límites de privacidad transparentes.
Conclusión del estudio
Según la revisión, cuando un agente de IA media en la compra, las marcas tienen menos acceso directo al consumidor y a sus datos, por lo que la visibilidad depende de que el agente pueda encontrarlas y de su presencia en fuentes externas consideradas autorizadas.
Qué significa para ti
Para trabajar la visibilidad en buscadores con IA, el estudio apunta a que el SEO convencional puede ser menos eficaz cuando un agente controla la búsqueda y la compra, aunque no aporta una táctica detallada ni cifras de impacto.
Analiza 6.324 respuestas de cinco sistemas de IA sobre recomendaciones de regalos, reputación corporativa y liderazgo de categoría.
Los datos
Un clasificador basado en fragmentos de caracteres identificó el sistema de 5.028 respuestas con un 97,84 % de acierto; la muestra incluía 383 consultas.
Al excluir consultas usadas durante el entrenamiento, el acierto fue del 97,43 % ponderado por tamaño y del 88,0 % sin ponderar.
Doce características de comportamiento identificaron cuatro sistemas en perfiles agregados con un 66,53 % de acierto, frente a un 33,71 % de media en la prueba de permutación.
Un modelo entrenado con perfiles agregados de liderazgo de categoría asignó al sistema equivocado las 22 unidades de regalos; en cambio, las respuestas individuales se trasladaron entre esos dominios con un 89,92 % de exactitud equilibrada.
El 83,1 % de las respuestas de Gemini 3 Flash sobre liderazgo de categoría terminaba a mitad de frase por el límite de salida de 1.024 tokens.
Conclusión del estudio
En los dominios probados, la forma de redactar una respuesta permite reconocer el sistema con mucha más fiabilidad entre consultas que el comportamiento agregado de sus recomendaciones de marca. La atribución también depende del dominio y de cómo se recopilan las respuestas, aspectos que el diseño del estudio no permite separar por completo.
Qué significa para ti
Para medir la visibilidad de una web en buscadores con IA, el estudio advierte que los perfiles agregados de marcas no necesariamente representan de forma fiable a un sistema en otro tipo de consultas; además, sus resultados son técnicos y no prueban una táctica para mejorar la visibilidad.
Audita cuándo aparecen las vistas generales, qué dominios muestran y cuánto se parecen las respuestas en Baidu y Google, a partir de consultas en inglés y sus traducciones al chino.
Los datos
Compara Baidu y Google en distintos contextos de plataforma e idioma.
La disponibilidad de las vistas generales y la exposición de fuentes visibles varían sustancialmente según la plataforma y el idioma.
La coincidencia entre los inventarios agregados de dominios visibles es baja.
La similitud coseno mediana entre respuestas para consultas equivalentes oscila entre 0,701 y 0,813.
Conclusión del estudio
La similitud entre las respuestas no refleja por sí sola qué fuentes obtienen visibilidad, el estudio observa poca coincidencia entre los dominios expuestos, pese a que las respuestas a consultas equivalentes pueden ser semánticamente parecidas.
Qué significa para ti
Para evaluar la visibilidad de una web en buscadores con IA, el estudio indica que conviene distinguir entre el contenido de la respuesta y los dominios que aparecen como fuentes; no ofrece tácticas para aumentar esa exposición.
Investiga cómo afectan las pruebas disponibles a la posición de productos y servicios en buscadores generativos, sobre una muestra de consultas de comercio electrónico.
Los datos
El benchmark incluye 50 consultas de comercio electrónico y 1.950 casos.
En Qwen2.5-7B, las variantes ricas en contenido sin respaldo obtienen una ganancia normalizada de posición de entre +0,065 y +0,092 frente a candidatas limpias.
Con etiquetas de evidencia de referencia, la tasa de variantes sin respaldo entre los tres primeros puestos baja de 0,65 a 0,43; en contenido que simula estar respaldado, baja de 0,61 a 0,39.
Los evaluadores automáticos probados no superan el umbral de fiabilidad preestablecido frente a 370 afirmaciones revisadas por personas.
Al retirar cobertura de las pruebas, la supresión errónea aumenta en 0,307.
Conclusión del estudio
El efecto del contenido sin respaldo depende del modelo y aparece de forma significativa en Qwen2.5-7B, pero no en GLM-5.3-Flash y solo de forma marginal en MiMo-v2.5. Las etiquetas de evidencia de referencia reducen la presencia de afirmaciones no respaldadas, pero la fiabilidad de las etiquetas automáticas y la cobertura de las pruebas limitan la defensa; el estudio no valida una defensa automática.
Qué significa para ti
El estudio indica que un texto detallado puede ganar posiciones aunque sus afirmaciones carezcan de respaldo, pero no demuestra una táctica SEO aplicable ni una solución automática fiable; sus resultados dependen del modelo y de la calidad y cobertura de las evidencias.
Investiga las diferencias entre las fuentes citadas por cuatro buscadores con IA a partir de 15 consultas comerciales observadas el 6 de junio de 2026.
Los datos
Se registraron 589 observaciones de citas, correspondientes a 528 URL únicas y 356 dominios.
La similitud media de Jaccard entre URL citadas para una misma consulta fue de 0,0079; la mediana fue cero y el 84,9 % de los pares de motores no compartió ninguna URL.
En las diez consultas observadas en los cuatro motores, la coincidencia media de URL exactas fue de 0,0072, frente al 0,1272 previsto por el modelo de referencia.
El 96,4 % de las URL observadas apareció en un solo motor, y uno solo cubrió entre el 11,4 % y el 42,6 % de la unión de URL de los cuatro.
En una comparación entre el 5 y el 6 de junio, el conjunto de URL del mismo motor cambió una media del 67,0 %.
Conclusión del estudio
En esta muestra, la visibilidad depende en gran medida del motor y de la fecha, las URL citadas apenas coinciden entre plataformas y cambian con el tiempo. Por ello, una puntuación calculada sin consultar un motor en directo puede estimar la calidad o el ajuste de una página a una consulta, pero no representa por sí sola su visibilidad final.
Qué significa para ti
Para medir la visibilidad de una web en buscadores con IA, este estudio indica que una puntuación general no sustituye a observar las citas de cada motor y fecha; conviene separar el ajuste de la página, su exposición y su selección como fuente.
Investiga qué señales se asocian con que una marca aparezca en respuestas de GPT y Gemini, a partir de ejecuciones repetidas de prompts monitorizados entre junio y septiembre de 2026.
Los datos
Sin presencia de la marca ni de su dominio en la ruta de recuperación observable, las menciones son del 2,8 % en GPT y del 3,8 % en Gemini.
Con una cita del dominio propio y sin expansión de consultas con la marca, las menciones suben al 49,0 % en GPT y al 58,4 % en Gemini.
Cuando coinciden la exposición del dominio propio y una expansión de consultas con la marca, las menciones alcanzan el 91,4 % en GPT y el 100 % en Gemini.
En el conjunto de prueba, el modelo completo obtiene un AUC de 0,963 en GPT y 0,942 en Gemini, frente a 0,937 y 0,917 del modelo basado solo en el historial.
La correspondencia entre prompt y página predice la exposición en Gemini con un AUC de 0,641, frente a 0,545 en GPT.
Conclusión del estudio
La exposición del dominio propio en la ruta de recuperación está fuertemente asociada con la mención de la marca, y el historial de visibilidad también aporta capacidad predictiva. El estudio presenta estas relaciones como observacionales y predictivas, no como una explicación causal del funcionamiento interno de los buscadores.
Qué significa para ti
Para medir la visibilidad de una web en buscadores con IA, el estudio respalda seguir tanto las menciones como la presencia del dominio en las fuentes recuperadas y el historial de cada prompt; no demuestra que aumentar esa exposición cause más menciones.
Investiga la imparcialidad y la variabilidad de las recomendaciones de compra generadas por chatbots y buscadores con IA, y analiza las fuentes que muestran.
Los datos
ChatGPT expresa preferencia por un producto en primera persona en el 79 % de las respuestas que recomiendan productos, frente al 7 % de Gemini y el 2 % de AI Overviews.
ChatGPT y Gemini comparten una media del 5,4 % de los dominios mostrados para una misma consulta; en el 76,7 % de las comparaciones no comparten ninguno.
La coincidencia media entre las API y sus interfaces es del 12,0 % para ChatGPT y del 14,8 % para Gemini.
Los productos recomendados suelen cambiar al repetir las consultas.
Conclusión del estudio
Una respuesta aislada o el resultado de una API no representan necesariamente el consejo comercial que recibe una persona en la interfaz. Las recomendaciones y las fuentes visibles varían según la plataforma, la repetición de la consulta y la capa de fuentes observada.
Qué significa para ti
Para evaluar la visibilidad de una web en respuestas comerciales de IA, este estudio indica que una comprobación puntual o hecha solo mediante API puede dar una imagen incompleta, porque las fuentes visibles cambian mucho entre plataformas e interfaces.
El estudio parece analizar cómo se presenta la información en resultados de buscadores generativos, pero no se especifica qué muestra examina.
Los datos
El método indicado en el título es el análisis integrador del encuadre.
El objeto de estudio indicado son los resultados de buscadores generativos.
No se proporciona información sobre la muestra, las cifras ni los hallazgos.
Conclusión del estudio
Con la información disponible solo puede afirmarse que el trabajo propone auditar el encuadre de los resultados de búsqueda generativa; no se puede establecer qué sesgos o patrones encontró.
Qué significa para ti
El título apunta a una auditoría de cómo los buscadores con IA enmarcan la información, pero, sin el resumen ni los resultados, no permite extraer tácticas concretas para mejorar la visibilidad de una web.
Investiga cómo medir el impacto empresarial de GEO y GEM mediante datos de respuestas generadas y de anuncios patrocinados.
Los datos
GMMM distingue entre GEO y GEM para estimar sus efectos causales.
Para GEO, combina respuestas generadas repetidamente con recuentos de preguntas, cuota de uso de distintos sistemas y probabilidades de que los usuarios adviertan la marca.
Para GEM, combina registros de ubicaciones patrocinadas con probabilidades de que los usuarios las adviertan.
El método compara las respuestas de negocio esperadas bajo distintas secuencias de tratamiento y establece condiciones suficientes para identificar sus efectos.
La evaluación empírica usa respuestas simuladas a recomendaciones de productos en inglés y japonés.
Conclusión del estudio
El trabajo presenta un método que incorpora la exposición y la atención a las marcas en respuestas generadas para estimar efectos empresariales causales, pero el resumen no especifica qué rendimiento obtuvo en la simulación.
Qué significa para ti
Para medir la visibilidad de una web en buscadores con IA, el estudio plantea que no basta con contar apariciones, sino que también habría que considerar el uso de cada sistema y si la audiencia advierte la marca; no ofrece resultados ni una táctica concreta.
Investiga si una puntuación de contenido barata y determinista sirve como filtro resistente a la manipulación, con pruebas sobre motores generativos y un benchmark de 500 fuentes.
Los datos
Los factores causales de referencia de 2023 no cambiaron las citas en ninguna de las diez familias de motores actuales analizadas.
Al recalibrar la puntuación con los resultados actuales, desaparecieron sus componentes sensibles a esos factores.
En un benchmark de 500 fuentes con modificaciones adversariales, amplificar los factores puntuados dio al atacante como máximo 6 puntos y la ganancia disminuyó al aumentar la intensidad.
La relación entre la puntuación general y las citas dentro de una misma consulta fue baja, con una correlación de Spearman de 0,11.
Los detectores de spam web superaron al sistema y los ataques fuera de distribución lograron evadirlo.
Conclusión del estudio
La puntuación no predice bien qué fuentes se citarán y no sustituye a los detectores de spam existentes; su utilidad respaldada por el estudio es la de un filtro de calidad con límites explícitos frente a ciertos tipos de manipulación.
Qué significa para ti
Para la visibilidad en buscadores con IA, el estudio muestra que una puntuación de contenido no debe tomarse como predictor de citas, y que las señales causales publicadas pueden quedar obsoletas; el trabajo la plantea como filtro complementario, no como táctica directa para ganar visibilidad.
Investiga cómo se construyen las puntuaciones de visibilidad GEO y qué decisiones influyen en ellas, mediante una revisión crítica y cálculos reproducibles.
Los datos
El corpus de prompts determina las situaciones evaluadas y, junto con sus ponderaciones, define el mercado de respuestas representado por la puntuación.
La formulación del prompt puede cambiar la recuperación de fuentes, las fuentes competidoras y las respuestas generadas.
Si un modelo de lenguaje identifica apariciones, citas o menciones, sus instrucciones pueden cambiar la puntuación asignada a una misma respuesta.
El marco contempla la anotación de situaciones, las formulaciones de prompts, las condiciones de ejecución, las ponderaciones y las reglas de puntuación.
El artículo no presenta nuevos experimentos y señala que la validez empírica general del marco aún debe evaluarse.
Conclusión del estudio
Una puntuación GEO no representa necesariamente la demanda real de los usuarios, porque depende de cómo se eligen y ponderan las situaciones evaluadas y de cómo se puntúan las respuestas. Además, una cita por sí sola no demuestra qué aportación tuvo una fuente.
Qué significa para ti
Al interpretar o comparar métricas de visibilidad en buscadores con IA, este estudio indica que hay que conocer el corpus de prompts, las ponderaciones y las reglas de puntuación; el artículo ofrece un marco de medición, no una táctica para aumentar la visibilidad.
Analiza qué fuentes respaldan las respuestas de Google y Baidu sobre salud en una muestra de 1.920 consultas de 12 países y 4 idiomas.
Los datos
Se auditaron 1.920 consultas de salud en 12 países y 4 idiomas.
Google y Baidu muestran integración vertical y dirigen a los usuarios hacia plataformas de sus propias empresas, en lugar de ofrecer un conjunto diverso de fuentes primarias.
Los países más pequeños y con menor localización reciben menos referencias de fuentes nacionales en las consultas de salud.
Preguntar en el idioma oficial del país, en vez de en inglés, aumenta aproximadamente entre 3,5 y 13,5 veces la proporción de citas de fuentes locales.
Los avisos sobre salud varían según el idioma y la cultura, así como según la gravedad y la controversia del tema.
Conclusión del estudio
La procedencia de las citas en las respuestas de salud depende del buscador, el país y el idioma de la consulta; además, ambos sistemas tienden a favorecer plataformas propias y los países con menor localización obtienen menos referencias nacionales.
Qué significa para ti
El estudio indica que el idioma de la consulta puede cambiar notablemente la presencia de fuentes locales en las respuestas de IA, pero no ofrece tácticas para mejorar la visibilidad de una web.
Investiga cómo reaccionan agentes de búsqueda con IA ante pruebas web manipuladas, mediante un corpus de páginas limpias y envenenadas sobre productos.
Los datos
El corpus contiene 72.039 páginas limpias y 770 páginas envenenadas por cada nivel de ataque.
Las pruebas abarcan 8 categorías de producto y 154 marcas.
Se evalúan 10 agentes con tres niveles de ataque, desde afirmaciones directas hasta una corroboración aparente.
La búsqueda agéntica mejora la resistencia final, pero no la detección de pruebas sospechosas ni la utilidad.
Las instrucciones de defensa aumentan la verificación, pero rara vez llevan a corregir las afirmaciones adoptadas.
Conclusión del estudio
En este benchmark, la corroboración aparente reduce la capacidad de los agentes para reconocer pruebas manipuladas; además, mejorar la búsqueda o promover la verificación no garantiza que recuperen una recomendación correcta.
Qué significa para ti
El estudio señala un riesgo para la visibilidad en buscadores con IA, porque el contenido manipulado puede influir en las recomendaciones incluso cuando el agente busca más o verifica pruebas; no ofrece tácticas para mejorar la visibilidad de una web.
Investiga la relación entre la estructura de los hipervínculos y la atribución de fuentes en sistemas de búsqueda generativa.
Los datos
El trabajo estudia la estructura de los hipervínculos creados por autores.
Formaliza el concepto de optimización para motores de respuesta, denominado AEO.
Propone Generative Share of Voice (gSoV), una métrica probabilística de visibilidad.
Conclusión del estudio
El resumen presenta gSoV como una forma de medir la visibilidad en sistemas de recuperación estocásticos, pero no aporta datos sobre su eficacia ni sobre el efecto concreto de la estructura de los hipervínculos.
Qué significa para ti
La propuesta puede ser relevante para medir visibilidad en buscadores con IA, aunque el resumen no ofrece resultados ni tácticas concretas para mejorar la atribución de una web.
El título indica que investiga la visibilidad en sistemas de IA aplicados a cadenas de suministro minoristas, pero no especifica la muestra.
Los datos
El título sitúa el estudio en cadenas de suministro minoristas mediadas por IA.
El título menciona la visibilidad algorítmica, las limitaciones de cumplimiento y la gobernanza de plataformas.
No se proporcionan datos sobre métodos, muestra ni resultados.
Conclusión del estudio
Con la información disponible no puede determinarse qué efecto tienen las limitaciones de cumplimiento o la gobernanza de plataformas sobre la visibilidad; el título solo señala que son temas del estudio.
Qué significa para ti
El estudio parece relevante para la visibilidad en buscadores con IA, pero sin el resumen o el texto no ofrece hallazgos concretos ni tácticas aplicables a una web.
Evalúa defensas frente a la desinformación introducida mediante técnicas GEO en respuestas generadas por tres modelos de lenguaje, usando 247 consultas verificadas.
Los datos
El benchmark empareja 247 consultas verificadas y filtradas por calidad con versiones GEO que preservan o distorsionan la información.
La evaluación mide la tasa de éxito de los ataques, la tasa de falsos positivos y la calidad de las respuestas en tres modelos de lenguaje.
Granite Guardian, Llama Guard 3 y NeMo Self-Check Fact-Checking reducen la tasa de éxito de los ataques como máximo un 5,7 % en términos relativos.
La reducción de ataques de Granite Guardian no es estadísticamente significativa.
C-GEO Guard reduce la tasa de éxito de los ataques un 47,6 % en términos relativos, con una pérdida de utilidad casi nula.
Conclusión del estudio
Las defensas generales evaluadas apenas frenan la desinformación GEO, que puede presentarse como contenido informativo fluido y superar controles centrados en infracciones de políticas. El benchmark muestra que una defensa específica como C-GEO Guard puede reducir mucho más los ataques sin apenas pérdida de utilidad.
Qué significa para ti
El estudio señala un riesgo para la visibilidad en buscadores con IA, porque documentos optimizados pueden lograr que los modelos generen respuestas distorsionadas y las defensas generales no las frenan bien; no ofrece una táctica de optimización, sino que evalúa defensas técnicas.
Investiga cómo detectar y frenar la manipulación de buscadores generativos mediante documentos optimizados para influir en sus respuestas, con pruebas en cinco LLM y siete ataques GEO.
Los datos
GEO Defender combina un reranker defensivo y una guía de uso de fuentes para el LLM en tiempo de inferencia.
La tasa media de éxito de los ataques bajó del 50,32 % al 6,20 %.
El sistema conservó el 94,12 % del uso de pruebas benignas.
Las pruebas abarcaron dos LLM comerciales de última generación, tres modelos de código abierto y siete ataques GEO.
Según el estudio, la defensa preservó la calidad de las respuestas y se generalizó a ataques no vistos.
Conclusión del estudio
En las pruebas del estudio, una defensa en dos etapas redujo considerablemente la eficacia de los ataques GEO sin descartar la mayoría de las pruebas benignas ni perjudicar la calidad de las respuestas.
Qué significa para ti
El estudio muestra que la visibilidad lograda mediante contenido reescrito para influir en las citas puede ser vulnerable a defensas específicas; es una investigación técnica sobre protección de los buscadores, no una guía táctica para aumentar la visibilidad de una web.
Investiga la adecuación del sitio de Kazyon al AEO y la preparación de sus equipos mediante el análisis del sitio, nueve consultas en tres buscadores y entrevistas a 12 participantes.
Los datos
La revisión del sitio aplicó una lista de 11 criterios de AEO.
Se probaron nueve consultas naturales en Google AI Overviews, Bing Copilot y Perplexity AI.
El sitio carece de datos estructurados y de un esquema FAQ.
Los buscadores generativos recurren poco al sitio oficial como fuente y favorecen a intermediarios digitales.
Las entrevistas a 12 participantes mostraron un conocimiento parcial del AEO y disposición a adoptarlo condicionada al apoyo institucional y la formación.
Conclusión del estudio
En el caso de Kazyon, la falta de elementos estructurados coincide con una escasa presencia del sitio oficial entre las fuentes utilizadas por los buscadores generativos, mientras que la adopción interna del AEO sigue condicionada por el apoyo y la formación.
Qué significa para ti
Para la visibilidad de una web en buscadores con IA, el caso muestra que Kazyon aparece poco como fuente frente a intermediarios y que su sitio no cuenta con datos estructurados ni esquema FAQ; el estudio no cuantifica el efecto de corregir estas carencias.
Investiga qué fuentes citan tres buscadores con IA en consultas sobre salud mental y compara sus respuestas en varios idiomas.
Los datos
Analizó 15.942 citas de 1.140 respuestas y 1.713 dominios únicos.
Los diez dominios más citados reunieron el 43,6 % de las citas en inglés.
Las fuentes gubernamentales, comerciales de salud y académicas representaron aproximadamente un 22 % de las citas cada una.
Las plataformas mostraron poca diferencia en el volumen típico de citas, pero variaron mucho en consistencia y en los tipos de fuentes preferidos.
Las consultas en idiomas distintos del inglés recibieron menos citas y recurrieron significativamente menos a recursos adecuados para cada idioma.
Conclusión del estudio
Las citas de las respuestas sobre salud mental se concentran en un grupo reducido de dominios, mientras que las plataformas difieren en consistencia y preferencias de fuentes; además, la cobertura es menos adecuada en idiomas distintos del inglés.
Qué significa para ti
El estudio muestra que la visibilidad en respuestas de IA depende de qué tipos de fuentes prioriza cada plataforma y que la cobertura puede ser menor fuera del inglés; no ofrece tácticas para mejorar la presencia de una web.
Investiga cómo la optimización repetida para un ranking de LLM altera los contenidos y su relación con la calidad, mediante una simulación en seis ámbitos.
Los datos
La relación entre posición y citas en respuestas fundamentadas alcanza un AUC de 0,853 ± 0,093 en seis ámbitos.
La simulación abarca 20 rondas de ranking, discriminación de características, reescritura y evaluación.
El cambio en la correlación de Spearman entre ranking y calidad va de -0,107 a -0,018 entre la ronda inicial y la final.
La disminución media de esa correlación es de -0,068 y se observa en los seis ámbitos.
El control con objetivos aleatorios apunta a que los cambios se asocian a incentivos derivados del ranking, no solo a la reescritura repetida.
Conclusión del estudio
En la simulación, adaptarse repetidamente a una señal fija de ranking reduce la correspondencia entre la posición obtenida y la calidad independiente de los documentos. La magnitud del cambio depende del ámbito.
Qué significa para ti
El estudio señala un posible riesgo para la visibilidad en buscadores con IA, ya que optimizar de forma reiterada para un ranking podría alejar los contenidos de la calidad juzgada de manera independiente; al ser una simulación, no ofrece una táctica validada para mejorar la visibilidad real.
Investiga cómo construir y validar un corpus de personas compradoras útil para estudiar las recomendaciones de buscadores con IA, a partir de datos sintéticos de 511 sectores y 4 contextos de mercado.
Los datos
El corpus contiene 1.031.732 personas y 19.416.821 atributos de comportamiento estructurados.
Incluye 5.160.046 consultas de búsqueda.
La intención principal es informativa en el 78,3 % de los casos, comercial en el 17,4 % y transaccional en el 4,3 %.
Se construyó a partir de unos 40 millones de descripciones brutas procedentes de cuatro conjuntos de datos públicos.
Cada persona cuenta con una lista de tipos de fuentes preferidas y una etiqueta de intención principal.
Conclusión del estudio
PersonaGen-1M reúne en un mismo corpus consultas, intención comercial y preferencias de fuentes, variables que los autores consideran necesarias para relacionar las necesidades de los compradores con recomendaciones y citas de la IA. El estudio no presenta todavía una estimación empírica de esa relación.
Qué significa para ti
Aporta una posible base para medir si las fuentes que los compradores dicen preferir coinciden con las que cita la IA, pero todavía no ofrece resultados sobre visibilidad de marcas ni tácticas para mejorarla.
Investiga la optimización automática de contenidos para buscadores con IA y evalúa el sistema Agent2UCB en GEO-Bench.
Los datos
El sistema evalúa nueve estrategias GEO para cada contenido.
Usa una política basada en bandidos que combina las estimaciones de un modelo de lenguaje con señales de recompensa obtenidas durante el uso.
Las pruebas en GEO-Bench mostraron mejoras de visibilidad de forma consistente.
La evaluación de preparación SEO examina legibilidad, cobertura temática y credibilidad al estilo EEAT.
Conclusión del estudio
En las pruebas descritas, Agent2UCB mejoró la visibilidad en buscadores generativos sin deteriorar la calidad SEO evaluada. El resumen no aporta magnitudes de mejora ni detalles sobre la muestra.
Qué significa para ti
El estudio apunta a que probar estrategias GEO con señales de rendimiento puede mejorar la probabilidad de que un contenido gane visibilidad, pero no ofrece cifras ni tácticas concretas para aplicar directamente a una web.
Investiga cómo elegir combinaciones de estrategias de reescritura para mejorar la visibilidad en respuestas de modelos de lenguaje, mediante pruebas en geo-bench y en un conjunto competitivo ampliado sintéticamente.
Los datos
El método consta de dos fases, primero busca combinaciones con optimización bayesiana de estructuras combinatorias (BOCS) y después ajusta un modelo de lenguaje.
El ajuste utiliza pares de preferencias y trazas de razonamiento fundamentadas en las observaciones de BOCS.
Supera a métodos basados en agentes y a métodos de una sola heurística en varias métricas de impresiones.
Se evalúa en geo-bench y geo-bench_comp, un conjunto ampliado sintéticamente con escenarios competitivos.
El método se transfiere a conjuntos de datos fuera de distribución, en varios dominios, consultas y tipos de documentos.
Conclusión del estudio
Los resultados indican que considerar cómo las estrategias de optimización de otros sitios afectan la elección propia puede mejorar las métricas de impresiones frente a los métodos comparados, y que el enfoque mantiene eficacia en datos distintos de los usados en su desarrollo.
Qué significa para ti
El estudio sugiere que la visibilidad en buscadores con IA puede depender de elegir una combinación de cambios teniendo en cuenta la competencia, pero no ofrece en el resumen tácticas concretas de contenido ni cifras para estimar el impacto.
Investiga si inferir intenciones de búsqueda desde los documentos puede mejorar su visibilidad en buscadores generativos, y lo evalúa en GEO-Bench y Extended GEO-Bench.
Los datos
El método estima el espacio de intenciones que puede cubrir un documento e identifica contenido ausente que podría ser relevante para responder consultas potenciales.
La mejora máxima en las puntuaciones objetivas fue del 15,9 %.
La mejora máxima en las puntuaciones subjetivas fue del 17,6 %.
QI-GEO produjo casi el doble de ganancias en citas que de pérdidas.
Conclusión del estudio
En las evaluaciones realizadas, deducir intenciones de búsqueda a partir del documento mejoró las métricas y el balance de citas sin utilizar consultas explícitas como entrada.
Qué significa para ti
El estudio apunta a que revisar qué necesidades de información puede cubrir una página, incluidas las que no aborda todavía, podría favorecer su visibilidad en respuestas generadas por IA; no especifica una táctica concreta para aplicar el método.
Investiga el efecto de las respuestas generadas por IA en Google Search sobre una muestra de 1.100 participantes.
Los datos
El experimento de campo preregistrado contó con 1.100 participantes.
Retirar AI Overviews y AI Mode aumentó la tasa de clics hacia los editores.
La experiencia con AI Mode como única opción redujo la tasa de clics hacia los editores.
El uso exclusivo de AI Mode empeoró la experiencia de usuario y la confianza en la información encontrada en Google.
Conclusión del estudio
En este experimento, las funciones de búsqueda generativa redujeron los clics que reciben los editores; además, AI Mode se asoció con una peor experiencia de usuario y menos confianza.
Qué significa para ti
El estudio aporta evidencia experimental de que las respuestas con IA pueden reducir el tráfico derivado desde Google a los editores, pero no identifica qué cambios de contenido o SEO permitirían recuperar esos clics.
Investiga cómo detectar y medir contenido optimizado para GEO mediante un benchmark de páginas y una muestra de resultados reales de búsqueda.
Los datos
GEOFlagBench reúne 3.200 ejemplos de contenido, 400 consultas, cuatro dominios y ocho familias de optimizadores GEO.
El mejor método de referencia alcanza una puntuación F1 global de 0,880, pero las evaluaciones por método y autoría revelan debilidades y posible dependencia de atajos relacionados con la autoría.
El entrenamiento con intervenciones, que distingue cambios GEO de retoques de estilo con IA, eleva la puntuación F1 de ModernBERT de 0,862 a 0,944 y la precisión en el peor grupo de 0,725 a 0,883.
En 10.095 páginas disponibles asociadas a 1.000 consultas reales, la prevalencia estimada de GEO es del 8,90 % en conjunto y del 16,36 % entre páginas modificadas en 2026.
Conclusión del estudio
Los métodos de detección pueden rendir bien en promedio y, aun así, fallar al cambiar el método de optimización o la autoría; el entrenamiento con intervenciones reduce parte de esa brecha. La muestra analizada indica además que la presencia de contenido GEO es mayor entre las páginas modificadas en 2026.
Qué significa para ti
El estudio aporta una forma de auditar si páginas que aparecen en resultados de Google o Gemini han sido optimizadas para GEO, pero se centra en detección y medición, no en tácticas para mejorar la visibilidad de una web.
Investiga cómo la extracción de contenido por buscadores generativos afecta a la sostenibilidad del corpus web mediante un modelo teórico.
Los datos
El corpus se describe mediante tres variables, volumen, calidad media y vida útil.
La extracción puede llevar a que los editores bloqueen el acceso de los rastreadores, se reduzca la financiación para renovar contenidos y estos se vuelvan más perecederos.
Un buscador centrado en el corto plazo puede superar el umbral de erosión, mientras que uno orientado al largo plazo se mantiene por debajo.
Con varios buscadores, la tasa de extracción del equilibrio simétrico no disminuye al aumentar su número y converge al umbral de erosión, bajo una condición de concavidad.
El estudio analiza siete mecanismos de supervivencia, aunque el resumen no especifica cuáles son.
Conclusión del estudio
En el modelo, extraer contenido puede resultar insostenible para el propio buscador a largo plazo, porque deteriora las condiciones que mantienen disponible el corpus del que depende.
Qué significa para ti
El estudio plantea un riesgo estructural para la visibilidad en buscadores con IA, ya que si la extracción reduce el tráfico y la financiación de los editores, podría disminuir el corpus disponible; al ser un modelo teórico, no mide efectos reales en webs concretas ni ofrece tácticas de posicionamiento.
Investiga la selección de fuentes y el efecto de la personalización en la vulnerabilidad a la manipulación, a partir de experimentos sobre política en Estados Unidos y Japón.
Los datos
Se evaluaron tres buscadores generativos principales.
La superficie de ataque varía entre los modelos.
La función de búsqueda web de cada buscador influye en su superficie de ataque.
Los partidos gobernantes presentan una superficie de ataque más amplia que los partidos de la oposición.
Los perfiles de usuario tienen poca influencia en la superficie de ataque.
Conclusión del estudio
La vulnerabilidad a la manipulación no es igual en todos los buscadores y depende de cómo integran la búsqueda web; en el ámbito político estudiado, los partidos gobernantes tienen una superficie de ataque más amplia, mientras que la personalización apenas la modifica.
Qué significa para ti
El estudio trata de riesgos en la selección y manipulación de citas, no de tácticas para mejorar la visibilidad de una web; indica que los resultados pueden variar según el buscador y la función de búsqueda web, pero no ofrece recomendaciones de optimización.
Investiga cómo alinear los incentivos de los creadores con la calidad y la fiabilidad de las respuestas, mediante simulaciones y pruebas en tres benchmarks.
Los datos
Las simulaciones repetidas muestran que los ataques de GEO se adaptan a las defensas convencionales.
Las reescrituras diseñadas para conseguir citas pueden degradar la calidad de los documentos e introducir afirmaciones sin respaldo.
El mecanismo propuesto, VCR, recompensa las reescrituras que aportan contenido factual verificable, además de penalizar las sospechosas.
En tres benchmarks, VCR obtiene la mayor puntuación de utilidad neta de defensa y supera a la mejor alternativa en una media de 12,1 puntos porcentuales.
Según el criterio de equivalencia empírica del estudio, VCR produce un resultado beneficioso tanto para las plataformas como para los creadores.
Conclusión del estudio
En los experimentos, recompensar el contenido factual que se puede verificar permite obtener mejores resultados que depender solo de penalizaciones, y reduce el conflicto entre lograr citas y mantener respuestas fiables.
Qué significa para ti
El estudio señala que las tácticas para aumentar las citas pueden perjudicar la calidad del contenido y evalúa un mecanismo para contrarrestarlo, pero no ofrece una táctica directa para mejorar la visibilidad de una web.
Investiga qué búsquedas generan AI Overviews y cómo afectan al comportamiento de navegación de 900 adultos estadounidenses.
Los datos
El análisis utiliza un mes de datos de navegación de un panel representativo de 900 adultos de Estados Unidos.
Las consultas más largas, las que empiezan con una palabra interrogativa y las que contienen un nombre y un verbo tienen más probabilidades de generar una AI Overview.
Los clics en fuentes citadas en AI Overviews se producen en alrededor del 1 % de las visitas a esas páginas.
Las AI Overviews se asocian con menos clics y con una mayor frecuencia de finalización de la sesión de navegación.
Estas asociaciones se mantienen en un modelo que controla los efectos propios de cada participante y las características de las consultas.
Conclusión del estudio
En la muestra analizada, las AI Overviews se relacionan con menos interacción mediante clics y más sesiones que terminan, mientras que los enlaces citados reciben clics en apenas alrededor del 1 % de las visitas.
Qué significa para ti
Para la visibilidad de una web en buscadores con IA, aparecer como fuente citada no garantiza recibir visitas, ya que el estudio observa clics en las fuentes en solo alrededor del 1 % de las visitas a páginas con AI Overview.
Investiga ataques de inyección y desvío de objetivos en agentes de búsqueda con IA, evaluados en el conjunto SafeSearch y en una evaluación con datos reservados.
Los datos
El modelo de amenaza permite añadir un único resultado controlado por consulta.
ACH alcanza un 55,9 % de ASR y un 83,3 % de MaxN ASR en el conjunto completo de prueba SafeSearch.
TGSE mejora estrategias de ataque a partir de trazas de ejecución, sin rediseño manual.
La configuración más eficaz de TGSE alcanza un 71,4 % de ASR y un 95,0 % de MaxN ASR en la evaluación con datos reservados.
Conclusión del estudio
Coordinar manipulaciones de resultados y páginas a través de la trayectoria del agente puede ser más eficaz que inyectar contenido malicioso en una sola página, incluso cuando el agente consulta y contrasta varias fuentes.
Qué significa para ti
El estudio no ofrece tácticas para ganar visibilidad; muestra un riesgo de seguridad para los agentes que consultan la web, ya que pueden ser desviados mediante señales coordinadas entre resultados y fuentes aparentemente corroboradoras.
Investiga la relación entre la identidad visual de los despachos y la búsqueda generativa, sin especificar una muestra en el resumen disponible.
Los datos
El estudio se centra en despachos de abogados y en el contexto de la búsqueda generativa y las búsquedas sin clic.
Examina la relación entre AEO, GEO, los sistemas de identidad de marca y el cumplimiento visual.
Aborda la preservación de la autoría, el reconocimiento de marca y la coherencia entre canales digitales.
Incluye el diseño ético y los principios de Privacy by Design; el resumen no aporta cifras ni resultados concretos.
Conclusión del estudio
El resumen presenta la coherencia visual y la integridad de marca como cuestiones ligadas a AEO y GEO en los despachos de abogados, pero no ofrece datos para determinar qué enfoques funcionan mejor.
Qué significa para ti
Para la visibilidad de una web en buscadores con IA, el estudio sitúa la identidad visual y la coherencia de marca como aspectos relevantes, aunque el resumen no aporta tácticas ni pruebas de impacto sobre la aparición o citación en respuestas generadas.
Investiga cómo resisten distintos métodos de verificación de hechos a documentos manipulados en entornos de búsqueda controlados.
Los datos
GPE combina un benchmark de verificación de hechos de varios dominios con un marco de evaluación.
El marco permite controlar las fuentes de evidencia y las proporciones de envenenamiento.
Se probaron varios métodos de verificación y ataques de envenenamiento.
Las pruebas detectaron una degradación de la robustez y compromisos de eficiencia que no se observan con evaluaciones limpias.
Conclusión del estudio
Evaluar la verificación de hechos únicamente con evidencia limpia puede ocultar fallos ante contenido manipulado para influir en lo que los modelos recuperan y adoptan.
Qué significa para ti
El estudio señala que la manipulación GEO puede afectar a la evidencia que recuperan y usan los modelos, pero se centra en evaluar esa vulnerabilidad y no ofrece tácticas para mejorar la visibilidad de una web.
El estudio analiza qué tipos de fuentes y qué señales hacen que motores de búsqueda generativos en chino (Búsqueda Web y App) citen una página y muestren marcas/contac-to en la respuesta, midiendo 614 consultas en 8 interfaces y 160.860 registros de citas.
Los datos
Solo el 8,3% de las marcas del “pool” de fuentes recuperadas llegan a aparecer seleccionadas dentro de las respuestas (tasa global de selección del 8,3%)
El 12,4% de las fuentes recuperadas que incluyen información de contacto consiguen que esa información de contacto aparezca efectivamente en la respuesta (tasa global de contribución de datos de contacto: 12,4%)
La recencia de las páginas citadas cambia según el tipo de consulta: las “media de vida” (half-life) estimadas para consultas muy sensibles al tiempo es ~39 días y para las de baja sensibilidad al tiempo es ~68 días
Aproximadamente el 13% de las exposiciones de marcas no se pueden emparejar con el “pool” de citas contemporáneas, y aproximadamente el 71% de las exposiciones de información de contacto no se pueden emparejar con el texto del cuerpo de las fuentes rastreadas en ese momento
Conclusión del estudio
Con datos de citas a nivel de fuente, el estudio muestra que la aparición de marcas y datos de contacto en respuestas generadas no depende solo de que una fuente “figure” en el conjunto de citas visibles, y que parte del contenido expuesto parece no estar cubierto por el texto citado tal como se observó en el momento. Además, la recencia de las páginas citadas se ajusta claramente a la sensibilidad temporal de la consulta.
Qué significa para ti
Para un consultor SEO/GEO, el hallazgo clave es que “ser citado” no garantiza “ser absorbido” y, especialmente con contacto, una gran parte de lo que el usuario ve no se corresponde con el texto citado que se llega a rastrear (~71% no empareja). También indica que para consultas sensibles al tiempo, el motor concentra citas en contenido relativamente reciente (half-life ~39 días), así que el calendario informativo se vuelve un componente del patrón de citas observado por el estudio.
El estudio revisa 45 investigaciones (y trabajos relacionados) sobre GEO y analiza qué condiciones hacen que una IA cite o use una fuente, separando descubrimiento, recuperación dentro del contexto, mención/cita y efecto final en la respuesta.
Los datos
El trabajo fundamental (Aggarwal et al., 2024) probó 10.000 consultas y, por cada consulta, usó el top 5 de Google como contexto para GPT-3.5-turbo; luego aplicó 9 estrategias modificando una única fuente, midiendo Word Count, Position-Adjusted Word Count (PAWC) y una puntuación tipo evaluación por LLM
En el experimento base, el PAWC sube de 19.3 a 27.2 con la estrategia “Quotation Addition”, lo que equivale a ~41% de ganancia relativa (y el artículo atribuye el “hasta 40%” principalmente a ese salto)
También en el experimento base, “Cite Sources” mejora el quinto documento con un +115.1% mientras el primero cae un -30.3%, mostrando que el cambio es redistributivo dentro del conjunto ya presente en el contexto
El estudio concluye que la evidencia revisada muestra efectos causales principalmente cuando la fuente ya está recuperada/puesta en el contexto: no encuentra una técnica con efecto causal estable y duradero en “descubrimiento orgánico” o en comportamiento posterior a través de plataformas
Conclusión del estudio
Este survey demuestra, con base en los estudios revisados, que lo medible y “movible” de forma consistente es la parte de cita/uso dentro del contexto ya asignado a la IA, no el aumento estable de descubrimiento orgánico. En concreto, las mejoras tipo PAWC se dan en un entorno controlado donde la fuente ya está disponible para el generador.
Qué significa para ti
Para GEO (y para que una IA te cite), este estudio indica que el impacto más demostrable es sobre tu cuota dentro del contexto ya recuperado, porque la evidencia causal fuerte está condicionada a “ya estar en contexto”. Si tu objetivo es “más descubrimiento orgánico” y efecto a largo plazo (tráfico/compras) según el survey, el corpus revisado no muestra técnicas con efecto estable: aporta contexto, pero no una táctica fiable para ese resultado.
El estudio prueba cómo cinco motores con IA responden sobre 28 conflictos (5.460 respuestas evaluadas) y mide cuánto se inventan o se equivocan cuando el “archivo” informativo disponible sobre ese conflicto es más o menos grueso.
Los datos
Analizaron 28 conflictos con 5 motores de IA y 13 preguntas repetidas 3 veces: 5.460 respuestas en mayo-junio de 2026, guardando la versión del modelo, la hora, la respuesta completa y las fuentes citadas
Encontraron una relación directa: cuanto más “delgado” el material recuperable de un conflicto, más inventan, atribuyen mal y cuentan mal (errores más frecuentes precisamente en conflictos con menos cobertura)
Al complementar el estudio, citan un resultado previo: las IAs citan la fuente equivocada en más del 60% de los casos al resumir noticias (Jaźwińska y Chandrasekar 2025)
Hicieron un análisis de 1.048 sitios web de donde los sistemas “sacaron” hechos sobre conflictos, para estudiar si ya existe optimización tipo GEO alrededor de esos resultados
Dan un ejemplo de consenso en conflictos muy cubiertos: al preguntar por el número de civiles muertos en Ucrania en 2025, los motores convergen en el conteo de la misión de monitoreo de la ONU (mínimo 2.514) dentro del rango 2.514–3.000
Conclusión del estudio
El estudio muestra que la baja disponibilidad de información sobre ciertos conflictos no solo aumenta la probabilidad de alucinaciones: también deja más “superficie” para que se cuele desinformación mediante GEO, porque ese material es más fácil de manipular y sesgar cuando las fuentes son pocas y débiles. Además, observan que ya hay GEO operando en la web y que el objetivo partidista/estado empieza a crecer.
Qué significa para ti
Para SEO/GEO, el mensaje clave del estudio es que los peores errores no están “en la tecnología”, sino donde hay menos registro: ahí el ranking de fuentes (y la optimización para ser recuperado) gana mucho peso sobre la exactitud. Si trabajas para marcas o contenidos en temas “olvidados”, el riesgo es que tus fuentes (o las que te desplacen) terminen siendo las que la IA encuentra y cita en ausencia de material abundante y diverso.
El estudio prueba, en un experimento controlado con una tienda online clonada, si una web “agent-ready” (pensada para agentes de navegador) mejora las tasas de éxito de agentes como GPT-4.1, Gemini-2.5 Flash y Grok-4 Fast frente a una web “human-only”.
Los datos
Hicieron 300 ejecuciones en total (3 modelos de agente × 5 tareas × 2 versiones de web, según el experimento descrito), con resultados medidos como PASS/PARTIAL/FAIL y también éxito estricto vs funcional
La versión agent-ready logró 134 PASS de 150, frente a 74 PASS de 150 del baseline (mejora de 60 ejecuciones en PASS)
Éxito estricto: 89,3% con agent-ready vs 49,3% con baseline
Bajaron los PARTIAL de 43 a 3 al usar la versión agent-ready
Redujeron el número medio de pasos de 9,31 a 6,49 (menos pasos para completar)
Conclusión del estudio
Con una tienda online idéntica excepto por los “ajustes agent-ready”, el estudio muestra que esos cambios mejoran mucho la fiabilidad y la eficiencia con agentes de navegador: suben drásticamente los éxitos estrictos, casi eliminan los resultados parciales y recortan los pasos necesarios. Los autores atribuyen estas mejoras a señales extra de claridad estructural, “action cues” y validez/fiabilidad de la información para decisiones (dentro de sus tres dimensiones: interpretabilidad, ejecutabilidad y fiabilidad de decisión).
Qué significa para ti
Para un consultor SEO/GEO, este paper no mide “posicionamiento en Google”, sino algo más cercano a “si un agente puede entender y ejecutar en una web”: la señal práctica es que añadir estructura y pistas accionables (además de evidencias/actualización para decisiones) puede reducir errores y reintentos de agentes, traduciéndose en menos fallos y menos pasos. Como el estudio está hecho con una tienda prototipo y tareas concretas, la aplicación a tu caso depende de si tu web facilita exactamente esas lecturas/acciones y esas señales de evidencia temporal.
Investiga el rendimiento de un agente de búsqueda con IA sobre 86 consultas de una colección de pasajes usada en el TREC 2024 RAG track.
Los datos
La prueba incluyó 86 consultas de un subconjunto estándar del TREC 2024 RAG track.
El agente tenía un presupuesto de 100 llamadas al modelo por consulta.
Obtuvo un NDCG@10 de 0,6863.
La clasificación se basó en la densidad y la longitud de las coincidencias de texto, sin aprendizaje supervisado, estadísticas globales ni pesos de términos.
Los autores advierten que el resultado procede de una sola colección pública durante el entrenamiento de los modelos.
Conclusión del estudio
En esta colección y con el presupuesto probado, un agente con recuperación booleana sencilla logró un rendimiento competitivo frente a muchos recuperadores de primera fase, aunque el resultado es exploratorio y no demuestra que funcione igual en otras colecciones.
Qué significa para ti
El estudio muestra que un agente de búsqueda puede recuperar documentos de forma competitiva con coincidencias de patrones, pero no mide la visibilidad de webs ni las citas que ofrecen ChatGPT, Perplexity, Gemini o Google AI Overviews.
Investiga cómo seleccionar respuestas finales más fiables en agentes de búsqueda con modelos de lenguaje y lo prueba en cuatro benchmarks de preguntas abiertas de varios pasos.
Los datos
Se evaluó en cuatro benchmarks de preguntas abiertas de varios pasos.
STEC obtuvo el mejor resultado global entre los métodos comparados.
Las pruebas de ablación respaldaron la contribución de la compresión de evidencias por respuesta.
El método compara representaciones de pruebas asociadas a cada respuesta candidata, en vez de comparar recorridos de búsqueda completos o solo las respuestas.
Conclusión del estudio
En las pruebas realizadas, organizar las evidencias por respuesta candidata y usarlas para verificar las opciones mejoró la selección final frente a los métodos comparados.
Qué significa para ti
El estudio aborda la fiabilidad de las respuestas de agentes de búsqueda con IA, no la visibilidad ni la citación de webs; por tanto, no ofrece tácticas directas para posicionar una web en buscadores con IA.
El estudio analiza, con datos de 30 combinaciones de plataforma y tema (Gemini, SearchGPT y Perplexity), cuántas consultas/respuestas hacen falta para que un ranking de “visibilidad” (qué dominios cita más la IA) sea a la vez estable y suficientemente preciso como para comparar marcas.
Los datos
La tasa de diversidad entre ejecuciones (Jaccard entre carreras repetidas para el mismo query) es aprox. 0,30 en Gemini, 0,40 en SearchGPT y 0,50 en Perplexity: incluso la “misma” plataforma cita conjuntos distintos con frecuencia
El estudio estima que el ancho de los intervalos de confianza de la cuota de cita mejora con rendimientos decrecientes: cada duplicación de datos reduce el ancho del IC en ~29% (escala como 1/√M)
Para dominios más citados en SearchGPT, un rango típico del IC 95% de cuota es de 3 a 6 puntos porcentuales; el paper afirma que para muchos dominios adyacentes las diferencias son indistinguibles del ruido (solapan IC)
Con un criterio fijo de estabilidad de correlación (ρ ≥ 0,95), el número de respuestas necesario para converger varía muchísimo: va desde 40 respuestas hasta “nunca” en algunas de las 30 combinaciones
En las combinaciones analizadas, reportan que el sistema no tiene un presupuesto fijo justificable: la convergencia y cuánta precisión hace falta dependen de la estructura de la distribución observada de citas (densidad y cómo se separan/aglomeran las cuotas de dominios establecidos)
Conclusión del estudio
Este estudio demuestra que no basta con esperar a que un ranking “parezca” estable: la IA puede producir rankings con 1) orden aún inestable (en las primeras 20 a 60 respuestas, según tema/plataforma) y/o 2) un orden ya estable pero sin suficiente precisión estadística para distinguir ganadores de segundos. Además, con sus datos la decisión de “cuánto muestrear” no se puede fijar con un presupuesto o umbral único: hay que evaluar la incertidumbre y la estructura directamente en lo observado.
Qué significa para ti
Para medir y reportar visibilidad de IA con rigor (y poder comparar competidores), el paper aporta que usar un umbral fijo (por ejemplo un ρ fijo) puede fallar drásticamente: en su muestra, el mismo tipo de criterio requiere desde 40 respuestas hasta no alcanzarse. La práctica que deja el estudio es que tus mediciones deberían declararse “comparables” solo cuando la propia incertidumbre/estructura observada permite separar cuotas entre dominios establecidos, no cuando llegas a un número fijo de consultas.
Investiga cómo se relacionan temporalmente las búsquedas, la navegación web y los asistentes de IA en la actividad observada de los mismos participantes.
Los datos
La diferencia entre las direcciones observadas de búsqueda y uso del asistente es de 20,6 puntos porcentuales, con un intervalo de 19,9 a 21,3.
El 34,1 % de las sesiones que incluyen un asistente no muestra ningún paso web externo; en las sesiones centradas en búsquedas, la proporción es del 19,5 %.
La diferencia dentro de los mismos usuarios entre sesiones contenidas con asistentes y sesiones centradas en búsquedas es de 13,0 puntos porcentuales, con un intervalo de 12,5 a 13,6.
El estudio excluye las funciones de IA integradas en buscadores, como AI Overviews y AI Mode, y replica sus resultados principales en un mes adyacente.
Conclusión del estudio
En los recorridos observados, la búsqueda suele aparecer al principio, mientras que los asistentes se incorporan más adelante y sus sesiones carecen con más frecuencia de pasos web externos. El estudio describe esta recomposición de la actividad, pero no demuestra que el uso del asistente la cause ni que una sesión sin navegación haya resuelto la necesidad del usuario.
Qué significa para ti
Aporta una medida del lugar que ocupan los asistentes en el recorrido de búsqueda, pero no evalúa la visibilidad ni las citas de webs concretas y no incluye la IA integrada en buscadores, así que no permite extraer tácticas de posicionamiento.
El paper presenta ToE (Tree of Evidence), un sistema de verificación que investiga cómo se hace la búsqueda y la evaluación de evidencias desde múltiples fuentes para frenar desinformación, y mide si mejora frente a métodos competidores (especialmente con inputs “envenenados” tipo GEO).
Los datos
Reporta mejoras de entre 4 y 24 puntos porcentuales frente a baselines competitivos (y dice que los mayores beneficios aparecen en inputs envenenados)
Crea un conjunto de datos adversarial llamado AdvFact específicamente para evaluar robustez ante “GEO poisoning” (mencionado como la prueba de ataque contra el sistema)
Define una acción discreta de recuperación de 8 opciones para el agente de búsqueda, incluyendo tipos de fuente (Wikipedia, arXiv, plataformas de fact-checking, redes sociales) y una acción de “stop”
El proceso termina cuando el juicio del nodo raíz llega a una condición de convergencia o a un umbral de decisividad, o cuando alcanza un máximo de iteraciones (mecanismo de parada medido en su método)
Conclusión del estudio
Con sus datos, el estudio no prueba “citas de IA” directamente, sino que demuestra que un sistema que aprende a seleccionar evidencias de varias fuentes y evalúa su fiabilidad puede mejorar la verificación del contenido y ser más resistente cuando la evidencia es manipulada (GEO poisoning).
Qué significa para ti
Para consultoría SEO/GEO, este paper aporta un marco práctico de qué le importa a un verificador/LLM: la fiabilidad y el valor informativo de las evidencias recuperadas y cómo se decide cuándo parar. Pero no da métricas ni resultados sobre qué tipo de páginas la IA cita o enlaza, así que no sirve para afirmar “qué SEO hace que te citen”; sirve más como contexto de por qué la evidencia manipulada puede dominar la recuperación.
Expone enfoques de estrategia de marketing y presenta el AEO como parte del marketing basado en IA, sin describir una muestra de investigación.
Los datos
Propone desarrollar la capacidad de detectar tendencias del mercado y fortalecer los vínculos con los clientes.
Aborda la combinación de instrumentos de promoción y la asignación de presupuestos según objetivos definidos.
Incluye la alineación de la organización mediante el marco McKinsey 7S.
Presenta la evaluación del marketing mediante auditorías y la integración de OKR y KPI.
Introduce el AEO con el objetivo de que una marca sea una respuesta principal recomendada por la IA generativa.
Conclusión del estudio
El libro incorpora el AEO dentro de una estrategia de marketing más amplia, pero la información disponible no demuestra qué acciones mejoran la recomendación de una marca por parte de la IA.
Qué significa para ti
Sitúa la visibilidad en respuestas de IA como un objetivo estratégico de marca, aunque el resumen no ofrece tácticas ni datos para evaluar cómo conseguirla.
El estudio mide, con datos de producción, qué hace que las IA citen y den visibilidad a marcas en ChatGPT, Claude, Perplexity, Gemini y Grok, analizando 100.000+ respuestas sobre 100+ marcas entre marzo y mayo de 2026.
Los datos
Ladder de visibilidad (primer tracking): marcas “household names” aparecen en el 73% de las respuestas de IA relevantes; marcas mid-market/regionales en el 44%; marcas nicho/pequeñas en el 11% (cada nivel ~30 puntos por debajo del anterior)
Cuando las IA citan fuentes, el 78% de esas citas van a webs corporativas (incluida la web de la propia marca y páginas de terceros del mismo sector)
Dentro de las fuentes no corporativas, YouTube es citado más a menudo que Reddit, medios editoriales y Wikipedia
A nivel de página, el formato con más “leverage” para citas es el “best-of” listicle ordenado: aporta ~21% de todas las citas
El sentimiento (si la IA encuadra positivamente o negativamente) cambia unas 6,7 veces más que la simple presencia/ausencia de mención
Conclusión del estudio
Con sus datos, el paper muestra que la probabilidad de que una IA cite una marca depende fuertemente de la “madurez/estatura” de la marca y que las citas se concentran en pocos tipos de fuentes (sobre todo corporativas) y formatos (especialmente listicles best-of). También demuestra que el “sentimiento” es mucho más inestable que el hecho de ser mencionado.
Qué significa para ti
Para un consultor SEO/GEO, este paper apunta a que el salto entre aparecer (mención) y cómo te citan está muy condicionado por la escala previa de la marca (11%→44%→73% en el primer tracking). Y cuando el objetivo es maximizar citas reales, el estudio identifica que los listicles “best-of” y las webs corporativas dominan la superficie donde las IA concentran sus citas.
El estudio analiza por qué y en qué condiciones las IA tipo ChatGPT, Claude y Gemini citan o recomiendan marcas (usando productos de skincare), midiendo cuánto sesgo a marcas “conocidas” aparece y cómo cambia con ventajas mínimas, lenguaje de autoridad y competencia entre varias marcas.
Los datos
En el experimento base, cuando los productos son idénticos salvo el nombre, la marca real fue recomendada el 100% de las veces en 670 pruebas válidas (IAI = 10.0, máximo teórico; p < .001) y ninguna marca ficticia fue recomendada (3 modelos, 2 idiomas, 4 subcategorías)
Cuando la marca ficticia tiene mejores especificaciones (pero la real es “la conocida”), la tasa de “override” (que aun así gane la real) fue solo 1.7%–4.6% por subcategoría; además, en esos casos 0 de 21 respuestas de “override” mencionaron características que no estaban en el prompt
Para romper el dominio, basta una ventaja muy pequeña: el umbral del 50% de “quién gana” cayó con una ventaja de +0.075 estrellas de rating; también con 1.6× de número de reseñas o 7.3% de descuento en precio (con transición brusca: desde el nivel mínimo a L1 el salto fue grande, y luego se estabiliza)
El análisis de qué pesa realmente mostró que los parámetros del producto (rating, precio, reseñas) explican el 82.4% de la variación en el ranking; la identidad de marca por sí sola explica solo el 1.2%, y el resto son interacciones (el efecto de marca se concentra cuando la calidad es ambigua)
En la parte de “lenguaje de autoridad”, afirma que ese tipo de mensajes (incluyendo reclamos clínicos fabricados) rompe el monopolio con un valor equivalente de +0.17 puntos de rating (Bias Surplus Value = +0.17), y en la competencia entre varias marcas la recompensa individual en su proxy cae de +0.802 a +0.007 cuando todas optimizan a la vez, dejando además a las marcas que no participan con 0 recomendaciones en las pruebas
Conclusión del estudio
Con estos datos, el estudio muestra que las recomendaciones (y el “peso” que reciben las marcas en las respuestas) no dependen de una superioridad real: cuando no hay señales comparables, la IA cae en reconocimiento de marca; pero señales mínimas de calidad y especialmente lenguaje de autoridad pueden desplazar ese sesgo, y cuando todas las marcas hacen lo mismo aparece una dinámica tipo “dilema del prisionero”.
Qué significa para ti
Para consultoría SEO/GEO, este estudio sugiere que el “sitio” de una marca en la IA no es solo por popularidad: si el modelo no tiene señales claras, el nombre conocido se impone casi por completo (sesgo fuerte en igualdad). En cambio, cuando aportas una señal de calidad “pequeña pero real” (como un salto de ~+0.075 estrellas en su métrica/escenarios), el monopolio se rompe; y el lenguaje de autoridad puede mover la aguja sin tocar el producto, aunque en escenarios de competencia simultánea el efecto puede diluirse y castigar a quien se sale.
El estudio audita con un experimento controlado qué señales de reputación (y también la posición del listado) hacen que una IA recomiende un hotel concreto, midiendo el efecto promedio en la probabilidad de elección en 12 modelos y con miles de consultas simuladas.
Los datos
El rating domina: cuando el hotel tiene el “top rating”, la probabilidad de recomendación sube en +31.6 puntos porcentuales (pp)
El precio domina pero al revés: un precio “alto” reduce la probabilidad de recomendación en -30.0 pp
Otras señales tienen efectos menores: certificación eco sube +11.6 pp y el volumen de reseñas sube +8.3 pp; affiliation/cadena apenas penaliza -1.8 pp y la respuesta de la gerencia es +0.1 pp (prácticamente cero)
La “list position” importa aunque no tenga contenido: estar en el primer puesto da una ventaja de ~+12 USD por noche (aprox. una décima parte de un “paso” de rating), con heterogeneidad fuerte entre modelos (alguno llega a una ventaja 10 veces mayor)
Las razones que da el modelo no coinciden perfecto con lo que realmente pesa: la concordancia “stated vs revealed” es positiva (Spearman de +0.59 a +0.85 según el modelo), pero con un problema claro: citan la marca más de lo que realmente influye (porque su efecto revelado es casi nulo)
Conclusión del estudio
Con datos experimentales causales, el estudio muestra que las IAs no “reproducen” fielmente el patrón humano de señales (donde rating y volumen/valencia suelen mandar) sino que sobreponderan la certificación eco y prácticamente ignoran la respuesta de la gerencia, y además son sensibles a un factor puramente de posición (listado) aunque no aporte información del hotel.
Qué significa para ti
Para un consultor SEO/GEO, el mensaje del estudio es que en hotelería la IA responde sobre todo a rating y precio, y que la certificación eco puede pesar más en IA de lo que cabría esperar por evidencia humana; además, el orden/posición del contenido donde “aparece” tu propiedad puede mover la recomendación por encima de señales sin cambiar la calidad real. Como las IAs usan razones que sobre-atribuyen a marca, lo que afirman importar no siempre coincide con lo que realmente impulsa la elección.
Investiga cómo afecta la contaminación de páginas web a las recomendaciones de productos de 12 modelos comerciales y de pesos abiertos.
Los datos
La evaluación abarcó 225 productos reales, 15 categorías y 5 escenarios de consumo.
Contaminar una sola página produjo tasas de engaño de hasta el 27 %.
Sustituir los tres primeros resultados elevó la tasa de engaño hasta el 73,8 %.
La vulnerabilidad aumentó en categorías donde los modelos tenían menos conocimiento previo estable sobre los productos.
La clasificación por credibilidad ayudó a todos los modelos, pero solo eliminó una sexta parte de los productos falsos.
Conclusión del estudio
Los resultados muestran que una sola página manipulada puede inducir recomendaciones falsas y que aumentar la contaminación de los resultados agrava notablemente el problema. Las defensas probadas no lo resuelven, el razonamiento puede generar pruebas sociales inventadas y la clasificación por credibilidad solo elimina una parte limitada de los productos falsos.
Qué significa para ti
El estudio señala que los recomendadores con búsqueda pueden dejarse influir por contenido manipulado en páginas recuperadas, pero no demuestra qué tácticas de visibilidad funcionan para una web legítima ni ofrece una estrategia SEO.
Evalúa la precisión y la exhaustividad de las conclusiones sobre salud generadas por agentes de IA a partir de preguntas y conclusiones de revisiones sistemáticas.
Los datos
SciConBench incluye 9,21 mil preguntas y conclusiones redactadas por expertos a partir de revisiones sistemáticas.
Se evaluaron 8 modelos de frontera y agentes de investigación profunda.
En el entorno controlado, el mejor agente obtuvo un F1 factual de 0,337.
La evaluación en un entorno limpio redujo de forma consistente el rendimiento frente a la evaluación sin restricciones.
Google AI Overview y OpenEvidence generaron con frecuencia conclusiones incompletas y, en algunos casos, contradictorias, incluso cuando la respuesta correcta estaba disponible.
Conclusión del estudio
La calidad de la síntesis científica sobre salud sigue siendo baja en las pruebas controladas, y las evaluaciones sin restricciones pueden sobreestimar la capacidad real de los agentes.
Qué significa para ti
El estudio aporta una evaluación de la calidad de las respuestas de buscadores con IA, pero no prueba tácticas para mejorar la visibilidad de una web; advierte que esas respuestas pueden ser incompletas o contradictorias.
El paper mide cómo reescrituras tipo GEO hechas por vendedores cambian las decisiones de agentes que recomiendan productos con evidencias, evaluándolo en 600 casos y probando 22 variantes de ataque.
Los datos
En promedio, las amenazas GEO aumentan en hasta un 83,2% la tasa con la que productos “objetivo” defectuosos entran en el conjunto de recomendaciones (top-3)
Las amenazas GEO aumentan hasta un 59,3% las recomendaciones que violan restricciones duras del usuario
Defensas simples en el lado del agente reducen la promoción del objetivo dañino hasta un 15,1% con “defensive prompting”
La verificación estructurada de evidencia reduce la promoción dañina del objetivo hasta un 39,2%
Aunque esas defensas mejoran los resultados, no devuelven el rendimiento a los niveles “sin GEO” (el paper lo indica explícitamente como que no lo restauran del todo)
Conclusión del estudio
El estudio demuestra con datos de SafeGEO que cuando se reescribe contenido controlado por el vendedor con técnicas GEO, el agente recomienda más productos defectuosos (y más veces incumpliendo restricciones duras), y que mitigaciones simples solo reducen el daño pero no lo eliminan ni lo igualan a “no GEO”.
Qué significa para ti
Para un consultor SEO/GEO, este paper cuantifica que el “control de la fuente” (contenido del vendedor) puede empujar recomendaciones hacia productos peores dentro de top-3, así que el riesgo no es solo “citar más”, sino “posicionar mejor para el ranking”. Además, como las defensas del agente reducen el daño hasta 39,2% (pero no lo eliminan), el impacto potencial de manipulación tipo GEO sigue siendo relevante incluso si el motor tiene checks básicos.
El estudio analiza, con datos propios y logs del sitio glasp.co, cuánto de la subida de referencias desde ChatGPT en 2026 se debe a cambios tipo AEO aplicados solo a un grupo de páginas (YouTube Q&A) y cuánto a que ChatGPT creció en el mismo periodo.
Los datos
El “múltiplo” crudo por pico muestra 38.2× de crecimiento entre el punto más bajo de principios de enero y el pico del 5 de mayo, pero el nivel sostenido en mayo es menos de la mitad de ese pico
En agregados mensuales, las referencias de ChatGPT suben 5.7× en total (tratadas) mientras las páginas no tratadas del mismo dominio suben 3.5× en el mismo periodo
En la comparación tratadas/control mediante un modelo de series temporales (semanal), el efecto discreto alineado con la intervención es 1.82× (IC 95%: 1.31× a 2.54×), con HAC p=0.001; no hay evidencia de cambio de pendiente (p=0.53)
La prueba placebo-in-time más conservadora (reubicando la fecha “supuestamente” del corte dentro del periodo previo) da p=0.16, así que el efecto es “sugerente” y no concluyente con pre-periodo corto y ruidoso
En SEO, los clics orgánicos de Google a las páginas tratadas /youtube/ caen ~25% desde H2 2025 a 2026, mientras que las impresiones vuelven a rango normal y no hay señales de desindexación; además, el sitio tiene ~20% de caída en clics orgánicos en general, parecido a la tendencia ambiente
Conclusión del estudio
Con su experimento natural en un mismo dominio, el estudio muestra que los titulares de “múltiplos” crudos suelen exagerar el efecto causal: al netear el crecimiento general de la plataforma con un grupo control en el mismo sitio, el salto atribuido a la intervención queda en torno a 1.8×, aunque con evidencia conservadora no plenamente concluyente (p=0.16). También observa que el rediseño del contenido no rompe el rendimiento orgánico existente, al menos en esa ventana.
Qué significa para ti
Para que una IA cite y sobre todo derive tráfico, este estudio sugiere que el impacto real tras separar “efecto plataforma vs. efecto contenido” puede ser moderado (≈1.8×) y no el múltiplo enorme típico de casos públicos. Y si te preocupa que AEO “toque” SEO, aquí no ven un colapso específico: la caída orgánica de las páginas tratadas sigue la tendencia del sitio.
Investiga la preparación técnica para la búsqueda con IA en una muestra de 471 tiendas online, mediante métricas de rendimiento en escritorio y móvil.
Los datos
La muestra incluye 471 sitios de comercio electrónico establecidos.
La evaluación usa métricas Core Web Vitals LCP, INP y CLS, con umbrales de cumplimiento.
El análisis de conglomerados identifica tres perfiles de preparación técnica.
Las tipologías de escritorio y móvil son estructuralmente diferentes.
En móvil, los grupos están menos diferenciados y presentan mayor variabilidad.
Conclusión del estudio
La preparación técnica para la búsqueda con IA varía según el dispositivo y no puede resumirse en una única clasificación común para escritorio y móvil.
Qué significa para ti
Ofrece un marco para analizar el rendimiento técnico de tiendas online en relación con la preparación para la búsqueda con IA, aunque no demuestra que esos perfiles generen más visibilidad ni aporta tácticas para mejorarla.
Investiga cómo modelar la elección de marcas por agentes autónomos de IA y cómo medir esa interacción, mediante un planteamiento teórico sin una muestra empírica descrita.
Los datos
El modelo de elección minimiza la distancia coseno entre el vector de características de la marca y el vector de necesidades del consumidor.
Propone el API-Call Rate (ACR) como métrica para evaluar el marketing B2M y plantea que sustituya al CTR.
El artículo conceptualiza el paso de SEO a AEO ante la delegación de decisiones de compra a agentes autónomos de IA.
El resumen no aporta cifras de pruebas, muestras ni resultados cuantitativos.
Conclusión del estudio
El trabajo define un marco conceptual en el que la relevancia de una marca depende de su similitud con las necesidades representadas por el agente, y propone medir la interacción mediante llamadas a la API en lugar de clics. No demuestra con datos empíricos que este modelo o esta métrica mejoren la visibilidad o el rendimiento.
Qué significa para ti
Para la visibilidad en buscadores con IA, el estudio sugiere un cambio de foco desde los clics hacia la interacción entre agentes y marcas, pero es una propuesta conceptual y no ofrece tácticas verificadas para posicionar una web.
El estudio compara, en un mismo entorno y con los mismos criterios, cómo varias técnicas de “generative engine optimization” (incluyendo ataques y reescrituras tipo C-SEO) logran que un modelo de ranking suba resultados, y qué tan detectables son sus cambios en 5 datasets.
Los datos
Usan 5 datasets con tamaños (items): Ragroll (399), STSData (30), RewriteToRank (10,000, evaluado en un subsample de 20 categorías con 10 items por categoría), LLM Rank Optimizer (40) y C-SEO Bench (16,360; 6 dominios)
Promete@α con α=0.1: TAP llega hasta 0.92, mientras RAF y Zero-Shot no superan 0.28 y 0.02 respectivamente (y además RAF/Zero-Shot fallan más en mover al top decil)
Regla de “fluidez vs detección” en ataques: STS puede mantener baja detección por keywords (KVR entre 0.03 y 0.20), pero empeora fuerte la fluidez con PPL-R hasta 12.72; en contraste, TAP mantiene buena promoción pero con KVR ≥ 0.83 en todas las partes
Caso “mejor de ambos mundos” (no adversarial): en C-SEO Bench, Authoritative (reescritura white-hat) empata el mejor NRG con 0.83, con KVR=0.00 y PPL-R=0.74 (o sea, evade los dos detectores a la vez según sus métricas)
El modelo de “acceso” no predice fuerza: los 3 métodos con mayor NRG promedio (TAP, Authoritative y Content Improvement) son black-box (no usan gradientes), y los gradient-based quedan en medio o en la parte baja
Conclusión del estudio
El estudio muestra que, en su comparación unificada, los ataques adversariales no logran a la vez promoción fuerte, evitación de keywords y buena fluidez; en cambio, la optimización de contenido “benigna” (white-hat C-SEO) puede igualar o superar la promoción y, en su mejor caso en C-SEO Bench, evadir a la vez los detectores por keywords y por fluidez.
Qué significa para ti
Para GEO/SEO, este resultado desplaza el foco: el estudio no encuentra que “los ataques” sean los que más rompen las señales, sino que ya con reescrituras de tipo C-SEO (black-box) se puede llegar a NRG alto con KVR=0.00 y PPL-R cercano a lo aceptable en su benchmark. Además, como la fuerza no depende de acceso black-box vs gradientes, comparar “técnicas” sin medir con las mismas métricas (NRG/KVR/PPL-R) puede llevar a conclusiones engañosas por dataset.
Investiga la dependencia de los agentes de búsqueda de su conocimiento previo y los evalúa con preguntas recientes de seis fuentes actualizadas.
Los datos
Los agentes responden hasta el 44,5 % de las preguntas de BrowseComp sin herramientas.
Más de la mitad de sus consultas de búsqueda se generan a partir de hipótesis internas y no de pistas recuperadas.
Al retirar las pruebas que respaldan la respuesta, los agentes rinden peor que los modelos evaluados sin búsqueda.
LiveBrowseComp incluye 335 preguntas humanas sobre hechos publicados durante los 90 días anteriores a la creación del benchmark, procedentes de seis fuentes actualizadas.
En LiveBrowseComp, todos los agentes evaluados quedan por debajo del 2 % de acierto sin búsqueda y las puntuaciones con búsqueda bajan entre 25 y 40 puntos frente a BrowseComp.
Conclusión del estudio
BrowseComp puede premiar la memoria del modelo y la verificación de respuestas conocidas, en lugar de medir de forma fiable la capacidad de descubrir pruebas. En LiveBrowseComp, las clasificaciones de modelos anteriores tampoco predicen de forma fiable el rendimiento.
Qué significa para ti
El estudio no prueba tácticas para mejorar la visibilidad de una web, pero muestra que los resultados de los agentes dependen mucho del benchmark y de si las respuestas pueden recuperarse de la memoria; por eso, sus puntuaciones no bastan para saber si encuentran y usan fuentes web recientes.
El estudio analiza, en pruebas controladas con 252.000 ejecuciones en 6 IA, qué características de dos fuentes competidoras hacen que una sea citada primero por motores de respuesta con IA.
Los datos
“On-topic vs off-topic” (relevancia temática) domina: el odds ratio (A vs B) es >10.000 en la mayoría de modelos y llega a 221 en uno de ellos, o sea que la fuente más relevante casi siempre gana la primera cita
El “missing query terms” (tener las palabras/consultas clave vs no tenerlas) también pesa mucho: odds ratio 9,41 a 40,0 según el modelo
Incluir “price” (precio explícito) frente a no incluirlo mejora la cita con odds ratio que van desde 6,26 hasta 36,1, dependiendo del modelo
“Deep vs shallow coverage” (cobertura más profunda vs más superficial) es un factor fuerte: odds ratio 1.480 en un modelo, y también valores altos como 132 (otro modelo) y 19,5 (otro)
Los cambios solo de formato “Organized vs Scattered”/“Structured vs Dense” tienen efecto pequeño o inconsistente: en varios modelos el odds ratio cae alrededor de 0,79–1,68 y no se comporta como un driver principal
Conclusión del estudio
Según sus 18 factores probados en un escenario competitivo de dos fuentes, la IA cita primero sobre todo la fuente con mayor relevancia al tema y la que aparece en una mejor posición de la lista (además, ayuda tener precio y un contenido más completo/profundo). En cambio, los ajustes que solo mejoran el formato sin cambiar contenido relevante aportan poco para ganar la primera cita en este test.
Qué significa para ti
Para aumentar la probabilidad de ser la “primera cita” en respuestas con IA, este estudio muestra que lo que más mueve la aguja es que tu página sea claramente la opción más relevante para la intención (y cubra mejor los puntos clave), y que incluya datos concretos como precio cuando aplique, además de profundidad real. Si tu optimización se limita a “hacerlo más legible” o reordenar texto sin aportar más relevancia/valor, el estudio sugiere que el impacto esperado sobre la primera cita es pequeño.
El estudio audita 4 motores de “búsqueda generativa” (ChatGPT, Copilot, Gemini y Perplexity) con 712 preguntas reales para medir si citan fuentes con texto generado por IA y desde qué dominios web las obtienen.
Los datos
Analizaron 712 consultas en inglés (temas: política, salud y medioambiente) y, en las respuestas citadas, estimaron que ~16% de las fuentes únicas citadas contenían contenido generado por IA
Detectaron que la proporción de contenido de fuentes citadas generado por IA era mayor en las consultas relacionadas con el medioambiente (es el caso con la mayor presencia relativa de IA en las fuentes citadas)
Encontraron evidencia de fuentes generadas por IA siendo citadas en los 4 motores: ChatGPT, Copilot, Gemini y Perplexity (no fue un caso aislado en uno solo)
Observaron un patrón de citación: un conjunto relativamente reducido de dominios aparece repetidamente, mientras que la mayoría de dominios solo aparecen con pocas citaciones (muchos dominios “mínimamente citados” en las respuestas)
Conclusión del estudio
Con su auditoría basada en 712 preguntas reales, el estudio demuestra que los motores de búsqueda generativa sí citan fuentes con contenido generado por IA, en torno a ~16% de las fuentes únicas citadas, y que el fenómeno varía por tema (con más presencia en medioambiente).
Qué significa para ti
Para SEO/GEO, este dato ancla una implicación práctica: si tu dominio es de los que tienden a aparecer en el “núcleo” de citaciones repetidas, el riesgo/beneficio de aparecer en citas con contenido potencialmente de IA es mayor que si te citan solo de forma marginal. Además, como el medioambiente muestra más incidencia, tu exposición en temas sensibles puede depender más del “tipo de fuente” que de si tu página está diseñada para rankear en búsquedas clásicas.
El estudio evalúa qué señales permiten a una defensa detectar Manipulación “GEO” (ataques en descripciones para influir el ranking por IA) en 600 descripciones de Amazon y 600 pasajes web, y mide con qué precisión evita falsas alarmas para distintos tipos de ataque.
Los datos
Con 600 descripciones de Amazon (6 categorías), SCI-Defense logra Precision = 1.000 y FPR = 0.000, con Recall = 1.000 en ataques tipo String y Recall = 0.952 en ataques tipo Reasoning; y Recall = 0.830 en ataques tipo Review
En 600 pasajes de MS MARCO, los ataques tipo String se bloquean con Recall “perfecto” (según el texto) y los ataques tipo Review tienen “near-zero recall” porque esos pasajes no traen señales de persuasión que el método busca
Contra defensas previas, el paper reporta que PPL-only, clasificadores de contenido tipo “SafetyClf” y paraphrasing tienen “zero recall” contra los ataques semánticos de GEO (String/Reasoning/Review), es decir, no detectan la manipulación que intenta parecer natural
El artículo cuantifica señales: en ataques String, la perplexidad supera 500; en texto legítimo se mantiene por debajo de 100 (y en ataques “fluentes” la perplexidad queda cerca/bajo 50). Para “persuasión”, en Reasoning/Review el paper reporta que Narrative Purposiveness (NP) ≥ 0.5 aparece en más del 90% de los casos de ataque y Comparative Claims (CA) aparece en más del 75%, mientras que menos del 12% del texto legítimo llega a esos umbrales
La similitud entre candidatos (ICD) por sí sola no basta: el paper indica FPR = 0.74 (standalone) porque los productos legítimos del mismo sector suelen ser naturalmente parecidos; por eso combinan ICD con PPL y SIS
Conclusión del estudio
Este estudio muestra que las IA de ranking pueden ser manipuladas con texto semánticamente fluido (GEO) que evade filtros clásicos, y que la detección efectiva depende de encontrar una “estructura de persuasión” medible (SIS) más que solo rareza estadística (PPL) o intención dañina. Con esa combinación, el método reporta precisión perfecta y FPR cero en las 1.200 evaluaciones (Amazon + MS MARCO) según sus métricas.
Qué significa para ti
Para tu trabajo SEO/GEO, la parte accionable de este paper es que la manipulación “difícil” no es la que suena rara estadísticamente, sino la que presenta señales de persuasión típicas (autoridad, comparaciones y urgencia temporal) y se apoya en el contexto competitivo. Eso sugiere que, cuando una plataforma/IA intenta filtrar GEO, las señales que más importan para detectarlo no son “fluidez” o “perplejidad”, sino patrones semánticos de persuasión; en cambio, si tu defensa o auditoría se limita a rareza de lenguaje o a “seguridad”, puede fallar completamente contra el tipo de GEO que el paper mide.
El estudio compara cómo se pasa de SEO a GEO en motores que generan respuestas con IA y identifica riesgos de concentración de influencia, influencia comercial no declarada y “puntos ciegos” entre lo que se evalúa en laboratorio y lo que pasa en despliegue.
Los datos
Encuesta AP-NORC (Associated Press, 2024) con 1.437 adultos en EE. UU.: 60% dijo que usa IA para encontrar información al menos “a veces”
Salesforce Shoppers Report (Salesforce, 2025): 39% de 8.350 compradores en 21 países usa IA para descubrir productos y tareas relacionadas
Sensor Tower (Bain & Company, 2025): aumento interanual del tiempo dedicado en apps de asistentes de IA entre 2024 y 2025 (el paper cita el cambio como señal de crecimiento, pero no da el % en el fragmento que compartiste)
A nivel técnico, el paper propone que GEO puede actuar con dos mecanismos: (a) “retrieval booster” para mejorar la recuperabilidad (aumentar similitud/encaje con consultas) y (b) “ranking shifter” para cambiar cómo el modelo ordena/da visibilidad al tema cuando ya está en el contexto (medido como cambio de “rank/exposure” en respuestas IA)
El resumen de trabajos académicos que revisan (tabla 1) indica que, en los estudios GEO académicos, la suposición común es que los pares de mensajes para GEO ya están en el conjunto recuperado, por lo que a menudo se ignora la parte de “retrievability/booster” y se centra la optimización sobre el “ranking shifter”
Conclusión del estudio
Con sus observaciones y la comparación de prácticas, el estudio sostiene que la citación y la visibilidad en respuestas de IA no dependen solo de “calidad” o ranking clásico, sino de cómo el contenido entra al conjunto de evidencia y cómo el modelo lo sintetiza, con riesgo de sesgos por influencia concentrada y comercial no transparente. Además, muestra que gran parte de la investigación académica modela GEO bajo supuestos que no reflejan todo el proceso en producción (especialmente la recuperabilidad), creando puntos ciegos para medir efectos reales en sistemas desplegados.
Qué significa para ti
Para SEO/GEO, el mensaje aplicable del estudio es que la citación por IA no es equivalente a “ganar posiciones en buscador”: lo que importa es si tu contenido termina dentro del “evidence pool” del motor de recuperación y luego cómo afecta el “ranking/exposure” dentro de la respuesta sintetizada. Si en tu medición solo miras ranking o visibilidad tipo SEO clásico, el paper advierte que te faltará la pieza de recuperabilidad y el comportamiento a lo largo del despliegue (eso es exactamente lo que ellos señalan como punto ciego).
Investiga el efecto de las respuestas generadas por IA de Google sobre la actividad de comunidades SFW y NSFW de Reddit.
Los datos
AI Overviews aumenta un 12,0 % los comentarios diarios en las comunidades SFW respecto a las NSFW.
El número de usuarios que comentan aumenta un 12,4 % en las comunidades SFW.
El aumento se concentra en conversaciones basadas en opiniones, consejos y experiencias personales, no en información factual.
La introducción de Google AI Mode elimina en gran medida los aumentos en el contenido basado en experiencias.
Conclusión del estudio
El efecto de AI Overviews sobre la actividad de Reddit depende del tipo de contenido y de la interfaz. Las comunidades SFW obtienen más participación, especialmente en debates basados en experiencias, pero esa ventaja se reduce con AI Mode.
Qué significa para ti
El estudio muestra que aparecer en AI Overviews no implica necesariamente perder visitas o participación, en Reddit se asocia con más actividad, aunque el efecto cambia según el contenido y la interfaz. No ofrece una táctica directa para mejorar la visibilidad de una web.
El paper investiga si, en bsquedas con agentes LLM que navegan por mltiples pginas, importa el “ecosistema” de evidencias (entrada + pginas de apoyo conectadas) para que el agente acabe recomendando el producto objetivo, y lo mide en OPR-Bench con 3.124 pares consulta-producto.
Los datos
Crean OPR-Bench con 3.124 pares consulta–producto (consultas filtradas para necesidades abiertas de recomendacin/seleccin) y 3 fuentes de queries: SafeSearch (64 pares), E-Commerce (121 pares) y E-GEO (2.939 pares)
El mtodo propuesto (TRACE) construye un “entorno” de evidencias con una pgina de entrada para el agente y varias pginas de apoyo (incluyen oficiales, reviews, expertos, noticias, foros y redes sociales), coordinadas con terminologa compartida, enlaces internos y atributos consistentes del producto
Reportan que TRACE “supera de forma consistente” a baselines de GEO a nivel de pgina en el resultado final de recomendacin del producto objetivo (ganancia en el desenlace final, no solo en visibilidad de una pginas)
En mtricas a nivel de trayectoria, observan ms: “crawls” iniciales al resultado objetivo, bsquedas de seguimiento especficas del producto objetivo, y “crawls” de enlaces internos; el paper atribuye la mejora a moldear el proceso de adquisicin de evidencia durante la navegacin, no a “aadir ms contenido” del objetivo
Conclusión del estudio
Con sus datos en OPR-Bench, el paper muestra que para que una IA acabe citando/integrando evidencia que termina en una recomendacin del objetivo, no basta optimizar una pgina suelta: lo que cuenta es cmo el agente encuentra y recorre un conjunto coordinado de evidencias a lo largo de su trayectoria.
Qué significa para ti
Para SEO/GEO, este estudio no te da un “factor de ranking” de una sola pgina: te indica que la exposicin que termina convirtiendose en uso por el agente depende de que haya una ruta coherente (entrada + pginas de apoyo) que aumente los “crawls” iniciales y las bsquedas de seguimiento hacia el objetivo. Si tu marca no est tan bien “conectada” en un ecosistema de pginas de un tema, el estudio sugiere que el agente puede perderse antes de acumular evidencia suficiente para llegar al producto.
Investiga la activación, las fuentes y la fidelidad de las respuestas de AI Overviews a partir de 55.393 consultas en 19 categorías temáticas.
Los datos
AI Overviews aparecen en el 13,7 % de las consultas y en el 64,7 % de las consultas formuladas como preguntas.
Casi el 30 % de los dominios citados no aparece entre los resultados de la primera página mostrados junto al resumen.
De 98.020 afirmaciones analizadas, el 11,0 % no está respaldado por las páginas citadas; la omisión es el principal tipo de fallo.
Más de la mitad de las páginas citadas muestran publicidad, por lo que pueden perder ingresos si los AI Overviews reducen los clics.
Conclusión del estudio
Las fuentes citadas por AI Overviews son más creíbles que los resultados de primera página que aparecen junto a ellas, pero la selección de fuentes sigue un mecanismo distinto y una parte relevante de las afirmaciones no está respaldada por esas fuentes. La calidad de las fuentes y la fidelidad de las afirmaciones apenas guardan relación.
Qué significa para ti
Para la visibilidad de una web, el estudio muestra que aparecer en los primeros resultados no garantiza ser citado por AI Overviews, y que la cita tampoco asegura que las afirmaciones del resumen estén respaldadas por la página; no ofrece una táctica para mejorar la inclusión.
El estudio investiga qué partes internas de varios LLM hacen que cambien de una respuesta correcta a otra incorrecta cuando se añade un texto persuasivo, y mide esa “vulnerabilidad” probando parches causales en cabezas de atención y un pequeño conjunto de rasgos internos.
Los datos
En el benchmark de preguntas con texto persuasivo (NQ2/FARM), el cambio a la respuesta objetivo incorrecta ocurre con tasas reportadas de 29–62% en dominios “high-stakes” (mencionan resultados previos para contexto)
En sus pruebas de intervención (reemplazar la actualización de un componente con la versión “limpia”), el efecto de restaurar la respuesta correcta es muy disperso en casi todo, pero se concentra de forma “muy escasa” en un puñado de cabezas de atención de capas medias (los “decision heads”)
El efecto más fuerte que reportan está concentrado en una cabeza concreta: cabeza 24 de la capa 17 (L17H24), que es donde aparece el mayor score de restauración
Dicen que las capas MLP muestran efectos uniformemente débiles (o sea, restaurar desde MLP casi no devuelve la respuesta correcta), mientras que las cabezas de atención sí lo hacen de forma marcada
Conclusión del estudio
Con sus datos de intervenciones, el estudio demuestra que la persuasión no “corrompe” el razonamiento de manera general, sino que redirige la decisión mediante unas pocas cabezas de atención de capas medias y una ruta interna estrecha. Además, identifican que el control no es un “razonamiento sobre evidencia”, sino la copia del token de opción al que la atención dirige al modelo.
Qué significa para ti
Para un consultor SEO/GEO, la parte práctica (según este paper) es que la susceptibilidad es estrecha y “mecánica”: no depende de cualquier detalle del contenido, sino de si el texto persuasivo activa una ruta interna específica (hecha de pocas cabezas y un rasgo de ruteo). Esto ayuda a entender por qué campañas GEO pueden funcionar con mensajes diseñados para esa ruta, pero el paper no te da métricas directas para traducir “qué keyword exacta” a “probabilidad de cita” en tu sector.
Investiga los cambios en el comportamiento de los consumidores y en las comunicaciones de marketing asociados a AEO, sin especificar una muestra empírica.
Los datos
La búsqueda mediada por IA favorece una forma de elección delegada por parte de los consumidores.
AEO puede reducir el número de puntos de contacto del recorrido del cliente.
La visibilidad informativa de la marca gana importancia.
El estudio identifica cambios en el contenido, los canales de interacción y los indicadores de eficacia.
Señala como reto la pérdida de control de las marcas sobre el recorrido del cliente.
Conclusión del estudio
El estudio plantea que AEO modifica la comunicación de marketing porque concentra más la elección en sistemas de IA, reduce los contactos entre marcas y consumidores y aumenta el peso de la visibilidad de la marca en las respuestas informativas.
Qué significa para ti
Para quien trabaja la visibilidad web en buscadores con IA, el estudio destaca la importancia de que la marca aparezca en las respuestas, pero ofrece un modelo conceptual y no aporta datos empíricos ni tácticas concretas para mejorar esa presencia.
Investiga cómo mejorar y medir las respuestas de modelos de IA sobre guías clínicas brasileñas, con dos pruebas creadas para el estudio.
Los datos
El entrenamiento parte de 178 guías oficiales, con unos 5,4 millones de tokens, y genera unos 70 millones de tokens de datos sintéticos.
HealthBench-BR incluye 1.780 afirmaciones clínicas equilibradas de verdadero o falso.
PCDT-QA contiene 890 preguntas clínicas abiertas, evaluadas mediante un juez basado en un modelo de lenguaje.
El mejor modelo alcanza un 83,9 % en HealthBench-BR y un 85,4 % en PCDT-QA.
Las pruebas de ablación indican que la diversidad de los modelos generadores y el aprendizaje por refuerzo son importantes para las mejoras.
Conclusión del estudio
En estas dos pruebas centradas en protocolos clínicos brasileños, el modelo adaptado de 14.000 millones de parámetros supera a los modelos comparados, incluido Google AI Overview con recuperación de información web.
Qué significa para ti
El estudio aporta una comparación de calidad de respuestas de IA en un ámbito clínico concreto, pero no mide visibilidad, citación ni posicionamiento de webs y no ofrece tácticas SEO.
El estudio compara, para 11.500 consultas de usuarios, qué fuentes listan y citan Google (SERP tradicional), Google AI Overview (AIO) y Gemini Flash 2.5, y mide en qué se diferencian y con qué consistencia lo hacen.
Los datos
En el 51.5% de las consultas reales analizadas, los AI Overviews (AIO) se generan y aparecen por encima de los resultados orgánicos
La lista de fuentes recuperadas entre motores es muy distinta: la similitud promedio Jaccard entre sistemas va de 0.11 a 0.18 (y reportan “<0.2”)
Los motores generativos recuperan mucho más contenido “propiedad de Google” que Google Search tradicional, y además recuperan con menor frecuencia fuentes de webs populares o institucionales de gobierno/educación (el estudio lo expresa como diferencia “significativamente menos probable”)
Los sitios que bloquean el rastreador de IA de Google tienen menos probabilidad de aparecer como fuentes en AIO, incluso si el contenido está accesible (según el estudio, “significantly less likely”)
Los AIO son menos consistentes entre dos ejecuciones del mismo query y menos robustos ante cambios menores del query
Conclusión del estudio
Con estos datos, el estudio muestra que ser “citado” por una IA (AIO/Gemini) no depende solo de aparecer en el ranking tradicional: los motores generativos cambian mucho qué dominios recuperan, y además penalizan señales como el bloqueo del crawler y muestran menor estabilidad ante variaciones pequeñas de la consulta.
Qué significa para ti
Para un consultor SEO/GEO, el hallazgo clave es que la visibilidad en AIO no sigue el mismo patrón que en SERP (y la coincidencia de fuentes entre sistemas es muy baja: Jaccard ~0.11–0.18). Además, si tu web bloquea el crawler de Google para IA, el estudio sugiere que reduces tu probabilidad de aparecer como fuente en AIO, y tu “presencia” puede variar más al cambiar ligeramente la consulta.
Analiza 602 prompts en ChatGPT, Google AI Overview/Gemini y Perplexity para medir qué tan a menudo se elige una fuente (selección) y cuánto influye realmente la página citada en la respuesta generada (absorción), con 21.143 citas “search-layer” válidas y 18.151 páginas recuperadas.
Los datos
Citas medias por prompt (breadth): ChatGPT 6.88 vs Google 12.06 vs Perplexity 16.35
Influencia media de páginas recuperadas (depth/absorción proxy): ChatGPT 0.2713 vs Google 0.0584 vs Perplexity 0.0646
Formato Q&A: la influencia media en páginas Q&A es 0.0947 vs 0.1005 en páginas no-Q&A, una diferencia relativa de -5.74% (o sea, Q&A por sí solo no mejora la absorción)
Tipo de fuente (dominio) en absorción: páginas “news_media” tienen influencia media 0.0726 mientras que páginas tipo “encyclopedia” tienen 0.2144
Efecto del idioma en selección (C-layer): ChatGPT cita más en prompts en chino (7.77) que en inglés (7.03), mientras que Google hace lo contrario (11.57 en inglés vs 7.53 en chino)
Conclusión del estudio
El estudio muestra que en motores generativos no basta con “ser citado”: hay una gran divergencia entre cuántas fuentes se citan (ChatGPT/Google/Perplexity) y cuánto influyen las páginas citadas en el texto generado. Además, el formato Q&A no incrementa la absorción; la absorción se asocia más a páginas con evidencia “usable” (como definiciones, datos numéricos, comparaciones y pasos).
Qué significa para ti
Para tu análisis SEO/GEO, este paper separa dos señales que no van juntas: cantidad de citas vs impacto real de las páginas citadas (usando la métrica de influencia del estudio). Si tu contenido es del tipo que puede aportar evidencia estructurada y alineada con la respuesta, el estudio sugiere que eso pesa más que convertirlo a formato Q&A para lograr absorción.
El estudio propone MAGEO y mide, en tres motores de IA generativa, cómo optimizar contenido para aumentar la visibilidad y la fidelidad de las citas usando un protocolo que aísla el efecto de los cambios del contenido.
Los datos
Usan un protocolo Twin-Branch que mantiene la lista de recuperación fija y crea dos ramas: una sin edición (baseline) y otra con una variante optimizada del documento objetivo reemplazando ese único ítem en la lista
La evaluación se apoya en la métrica DSV-CF, definida como un “doble eje” que combina visibilidad semántica con exactitud de atribución y penaliza citas espurias/mal atribuidas (miscitation)
Reportan mejoras “substanciales” frente a baselines heurísticas en dos frentes a la vez: visibilidad y fidelidad de citas (sin que el texto compartido incluya porcentajes concretos)
El benchmark MSME-GEO-Bench incluye datos con formato (Query, Engine, Source, Response) y cubre 5 dominios principales, 15 tipos de consulta (escenarios) y múltiples motores; en el paper también muestran distribuciones de intención de usuario y fuentes de ejemplo (sin cifras numéricas adicionales en el fragmento)
Conclusión del estudio
Con su medición controlada (Twin-Branch) y la métrica DSV-CF, el estudio demuestra que se puede mejorar la presencia de una fuente en respuestas generadas sin aumentar errores de citación, y que la reutilización de estrategias por motor es clave para esos ganhos.
Qué significa para ti
Para un consultor SEO/GEO, el mensaje accionable de este estudio es que la “cita correcta” no se logra solo empujando visibilidad: el protocolo y DSV-CF muestran que el objetivo real es subir la visibilidad manteniendo la atribución fiel. Además, al concluir que la reutilización de estrategias por motor importa, el trabajo se orienta a aprender patrones que funcionen en cada motor (no a repetir ajustes genéricos por página).
El estudio propone FeatGEO para aumentar la probabilidad de que una web sea citada por motores de respuestas generativas, y lo prueba con experimentos en GEO-Bench contra varios motores y baselines basados en cambios a nivel de texto.
Los datos
El estudio define la “visibilidad” como si la página aparece o no en el conjunto de fuentes citadas por el motor en la respuesta generada (no como un ranking)
Modela la preferencia de citación a “nivel de tema” generando para cada tema un conjunto de consultas semánticamente relacionadas (Qτ = {q1,…,qM}) y calcula una frecuencia de citación por fuente: f(s)=∑q∈Qτ 1[s∈S(q)]
Representa cada página por vectores de características interpretables con 3 capas (estructura, contenido y lenguaje): estructura (has_intro_summary, headings_level, list_density, length_level), contenido (content statistics_level, cite_sources_level, quotation_level, unique_info_level, technical_terms_level) y lenguaje (authoritative_level, easy_to_understand_level, fluency_level, keyword_focus_level)
A nivel de resultados, afirma que en GEO-Bench FeatGEO “mejora consistentemente la visibilidad” y “mantiene o mejora la calidad del contenido”, y que supera “de forma sustancial” los baselines que operan a nivel de tokens
Conclusión del estudio
Con sus pruebas en GEO-Bench, el estudio demuestra que optimizar para citación usando propiedades de documento (estructura, contenido y estilo) funciona mejor que editar directamente texto a nivel de tokens, logrando más citas sin sacrificar calidad. Además, sostiene que el comportamiento de citación depende más de propiedades del documento que de ediciones léxicas aisladas.
Qué significa para ti
Para un consultor SEO/GEO, el mensaje operativo del estudio es que la citación por IA no se gana principalmente con “micro-edits” de palabras, sino moldeando señales de nivel documento (p. ej., presencia de resumen introductorio, densidad de estadísticas/datos, citas de fuentes, riqueza de información única y tono más autoritativo). Si tu objetivo es ser citado, el foco práctico debería alinearse con estas señales de documento que el modelo trata como controles, no con cambios puntuales de tokens.
El estudio analiza qué significa GEO y qué implica para el marketing digital a partir de una revisión integradora de literatura y marcos teóricos.
Los datos
El artículo plantea que GEO no sustituye al SEO, sino que añade una lógica complementaria de visibilidad.
La visibilidad en GEO depende de que una marca, fuente o contenido aparezca mencionado o citado en respuestas generadas por plataformas basadas en modelos lingüísticos de gran escala.
El análisis aborda las implicaciones para la producción de contenidos, la autoridad informativa, la medición del rendimiento y la ética de la optimización.
Entre las limitaciones del campo identifica la opacidad algorítmica, la falta de métodos de evaluación estandarizados y la validación académica todavía incipiente.
Conclusión del estudio
Según la revisión, GEO amplía el enfoque del SEO desde el posicionamiento en páginas de resultados hacia la posibilidad de ser incorporado en respuestas de IA, pero todavía no dispone de una base de evaluación estandarizada ni de una validación académica consolidada.
Qué significa para ti
El estudio presenta un marco conceptual, no una táctica probada; para la visibilidad de una web en buscadores con IA, destaca la importancia de que sus contenidos y fuentes puedan ser mencionados o citados, pero no demuestra qué acciones aumentan esa probabilidad.
Investiga cómo se relacionan dos métricas SEO con los backlinks en una muestra de 50 sitios web, aunque no mide directamente su visibilidad en buscadores de respuestas.
Los datos
La relación entre puntuación de página y backlinks es positiva y muy fuerte, con rₛ = 0,984 y p < 0,001.
La relación entre puntuación de dominio y backlinks es débil y no significativa, con rₛ = 0,178 y p = 0,217.
La muestra incluye 50 sitios web.
Conclusión del estudio
En esta muestra, la puntuación de página se asocia mucho más con los backlinks que la puntuación de dominio. El estudio interpreta este resultado como una posible mayor relevancia de la optimización a nivel de contenido en entornos de búsqueda por voz con IA, pero no comprueba qué páginas muestran o citan realmente esos sistemas.
Qué significa para ti
El resultado apunta a que las métricas de página podrían estar más relacionadas con los backlinks que la autoridad del dominio, pero no demuestra que optimizarlas mejore la visibilidad en buscadores con IA, ya que no mide respuestas, posiciones ni citas.
Investiga prácticas y cifras de marketing digital y visibilidad en buscadores con IA en Hyderabad, pero no explica la metodología ni la muestra analizada.
Los datos
Atribuye un 68 % más de tráfico a la autoridad temática frente a la orientación a una sola palabra clave.
Indica que el 40,7 % de las respuestas de búsqueda por voz procede de fragmentos destacados.
Afirma que las marcas citadas en resúmenes generados por IA registran un aumento del 22 % en las puntuaciones de confianza de marca.
Señala un ROI un 58 % mayor para empresas que usan estrategias de SEO local con IA dirigidas al público de Hyderabad.
Sostiene que más del 80 % de las búsquedas locales en Hyderabad se hacen desde móviles.
Conclusión del estudio
El conjunto de datos sostiene que la visibilidad digital en Hyderabad depende de combinar SEO tradicional con optimización para respuestas y motores generativos, y destaca la autoridad temática y la localización como factores de rendimiento. Sin información sobre fuentes, muestra o método, las cifras deben entenderse como afirmaciones del texto y no como resultados verificables del estudio.
Qué significa para ti
Para trabajar la visibilidad de una web en buscadores con IA, el texto pone el foco en la autoridad temática, las señales de confianza y los datos locales; sin embargo, no aporta evidencia metodológica que permita estimar cuánto mejoran las citas o el tráfico en un caso concreto.
Describe tareas de mantenimiento, accesibilidad y optimización SEO y AEO en la web de IMSA.
Los datos
Incluye actualizaciones de páginas con HTML básico.
Contempla organizar contenido multimedia y realizar controles de calidad.
Propone mejorar la accesibilidad digital para personas con distintas capacidades.
Menciona técnicas de SEO y AEO para facilitar que los usuarios encuentren la información.
Conclusión del estudio
El resumen presenta el SEO y el AEO como parte de las tareas previstas, pero no ofrece datos que permitan valorar su efecto en la visibilidad.
Qué significa para ti
El proyecto confirma que SEO y AEO se incorporan a tareas prácticas de mantenimiento web, aunque no aporta tácticas detalladas ni resultados medidos que permitan extraer conclusiones sobre visibilidad en buscadores con IA.
Investiga la preparación de marketplaces de comercio electrónico para buscadores basados en IA y analiza sus contenidos, datos estructurados y aspectos técnicos.
Los datos
Evalúa la implementación de datos estructurados, la relevancia semántica, la calidad del contenido, el rendimiento técnico, el contenido conversacional y las señales de confianza.
Aplica un diseño descriptivo y analítico con métodos cualitativos y cuantitativos.
Los marketplaces líderes ya incorporan algunos elementos de AEO, pero su preparación general se considera moderada y fragmentada.
La mayoría de las plataformas analizadas sigue apoyándose en prácticas SEO tradicionales y tiene una integración limitada de estrategias específicas para IA.
Conclusión del estudio
En los marketplaces comparados, la adopción de elementos AEO no se traduce todavía en una preparación integral, ya que las estrategias están fragmentadas y predomina el SEO tradicional.
Qué significa para ti
Para quien trabaja la visibilidad de un ecommerce en buscadores con IA, el estudio señala que los marketplaces analizados aún integran de forma limitada estrategias AEO, aunque no ofrece cifras ni tácticas concretas para mejorar esa preparación.
Investiga cómo la optimización para motores de respuesta puede influir en la visibilidad de páginas de smartphones mediante un conjunto de datos secundario sobre cuatro tipos de consultas.
Los datos
Compara cuatro grupos de consultas, desde búsquedas generales de presupuesto hasta consultas sobre características, marcas y usos para estudiantes.
Las consultas de marca y las centradas en necesidades de uso superan a las consultas específicas sobre características en las dimensiones analizadas.
Las dimensiones comparadas incluyen tráfico, amplitud de palabras clave, calidad de página, autoridad del dominio y apoyo de enlaces entrantes.
El análisis se describe como exploratorio.
Conclusión del estudio
En los datos analizados, las páginas de smartphones asociadas a búsquedas de marca o necesidades de uso obtienen mejores resultados que las vinculadas a consultas estrechas sobre características. El estudio plantea que la claridad sobre la intención, las comparativas estructuradas y una orientación clara del producto favorecen su aparición en sistemas de búsqueda basados en respuestas.
Qué significa para ti
Para trabajar la visibilidad de una web de comercio electrónico en buscadores con IA, este estudio apunta a la importancia de responder a necesidades de compra y consultas de marca, aunque sus resultados son exploratorios y no permiten cuantificar el efecto de cada elemento.
El estudio mide durante 45–46 días cuánta estabilidad (y volatilidad) tienen las fuentes y marcas que citan/nombran en sus respuestas ChatGPT, Gemini, Google AI Mode y Perplexity, usando 8 prompts por campaña y analizando la visibilidad como una distribución, no como un único valor.
Los datos
La similitud día a día de las fuentes citadas (Jaccard) promedia entre 0.34 y 0.42: por ejemplo, en Consumer Electronics es 0.336 (≈65% de fuentes cambian de un día a otro) y en Telecommunications sube a 0.423
La similitud ordenada de fuentes (RBO, p=0.9) es consistentemente más baja: rangos medios de 0.206–0.253, señal de que no solo cambian las fuentes, también el orden en el que aparecen
A nivel de marcas (solo campañas con tasa media de detección ≥70%), la similitud día a día de marcas (Jaccard) es más alta que la de fuentes: 0.557 en Consumer Electronics, 0.453 en Sporting Goods y 0.589 en Telecommunications
La concentración de citas es muy desigual: el coeficiente Gini medio es 0.715; Google AI Mode llega a 0.782 (más concentración) y Perplexity a 0.671 (menos concentración)
Conclusión del estudio
Con sus datos, el estudio demuestra que la visibilidad en búsqueda por IA es inestable: tanto las fuentes citadas como las marcas mencionadas cambian de un día a otro, y además se concentran en pocas webs/dominios, por lo que medir “una vez” no refleja el comportamiento real.
Qué significa para ti
Para GEO, el hallazgo clave es que una sola medición te puede “engañar” por volatilidad diaria (hasta ~65% de fuentes cambian entre días en promedio). Además, como la visibilidad está muy concentrada (Gini medio 0.715), la probabilidad de que te citen depende de capturar ese pequeño grupo de dominios que domina las citas en cada motor.
El estudio analiza, con un modelo matemático y pruebas en un producto industrial, cómo la confianza en salidas de GEO/RAG decae con el tiempo y qué cambio de arquitectura (del LLM generador a un router de intención con agentes deterministas) elimina casi por completo ciertas alucinaciones verticales.
Los datos
Modelan “Semantic Entropy Drift” (SED) como un aumento irreversible de la entropía condicional del modelo con el tiempo, y derivan una función de “confidence decay” donde la confianza cae por un término exponencial exp(-λ·t) que, al crecer t, hace que la confianza tienda a 0 (C(t, D_t) → 0)
Demuestran que las estrategias pasivas basadas en inyección estática (p. ej., etiquetas Schema.org) solo elevan la confianza inicial C0, pero no afectan el parámetro de decaimiento temporal λ, por lo que el efecto es transitorio en su ecuación
Para evaluar en motores cerrados, proponen IAR y penalizan la atribución cuando la discrepancia topológica entre el grafo generado y el grafo “verdadero” (Graph Edit Distance) supera un umbral, con supresión hacia 0 de la probabilidad de atribución (evitar “vanity metrics” por fabricaciones)
En su validación empírica usando EasyNote (actas de reuniones de Yishu Technology), al encaminar la intención del usuario a un agente especializado vía DAH, reportan una “reducción de vertical task hallucination rates a near zero” (casi 0) para ese tipo de tareas
Conclusión del estudio
Este estudio sostiene que en GEO basado en RAG la confianza se degrada de forma inevitable con el tiempo (por el decaimiento exponencial que no arreglan las inyecciones estáticas), y que al cambiar el rol del LLM a “router de intención” y delegar ejecución a agentes deterministas se pueden eliminar prácticamente las alucinaciones en tareas verticales, según su prueba con EasyNote.
Qué significa para ti
Para GEO, el aporte práctico de este paper no es una mejora “de SEO”, sino un criterio de diseño: si tu citabilidad depende de salidas generadas con RAG, su propia ecuación predice caída con el tiempo; en cambio, su evidencia muestra que encaminar intención a agentes especializados deterministas puede llevar el error vertical a casi 0, lo que reduce el riesgo de “citas” o atribuciones falsas en entornos tipo EasyNote.
Investiga las preferencias de uso entre buscadores y chatbots de IA mediante datos secundarios y una encuesta en línea.
Los datos
Compara buscadores tradicionales como Google, Bing y Yahoo con ChatGPT, Gemini, Perplexity y Claude.
Evalúa la precisión percibida, la satisfacción, la facilidad de uso y la preferencia general.
Combina informes del sector y estudios revisados por pares con datos de una encuesta en línea.
El resumen destaca la importancia de las herramientas de visibilidad en IA para medir, supervisar y mejorar la presencia de las empresas.
Conclusión del estudio
El estudio concluye que las plataformas de IA ganan relevancia junto a los buscadores tradicionales y que la visibilidad de marca debe abordarse de forma integrada. El resumen no aporta cifras ni detalla los resultados de la encuesta.
Qué significa para ti
El estudio respalda considerar la visibilidad en buscadores con IA junto con el SEO tradicional, pero no ofrece tácticas concretas ni datos cuantitativos para decidir qué acciones funcionan mejor.
El estudio propone y evalúa GEO-SFE, una forma de medir y optimizar el formato/estructura del contenido (sin tocar el significado) para mejorar cuánto citan fuentes distintas IA de búsqueda generativa, comparándolas en 6 motores.
Los datos
En las pruebas con 6 motores generativos, lograr “mejoras de cita” consistentes fue del 17.3% en promedio
Además de la mejora en citas, las valoraciones subjetivas de “calidad perceptual” mejoraron un 18.5% de media
El método separa la estructura en 3 niveles jerárquicos para medir su impacto: macro-estructura (arquitectura del documento), meso-estructura (cómo se trocean en bloques) y micro-estructura (énfasis visual)
Conclusión del estudio
Con sus datos, el estudio demuestra que la estructura del contenido por sí sola (independiente del contenido semántico) puede aumentar de forma medible la probabilidad de que las IA citen esa fuente, con un efecto medio de +17.3% en 6 motores.
Qué significa para ti
Para GEO, este resultado apoya que no basta con ajustar el “texto” para que te citen: el estudio cuantifica que tocar la estructura (organización, troceado y énfasis) puede mover la cita sin cambiar el significado, lo que hace que la optimización estructural sea una palanca medible junto a la semántica. Como el paper centra sus cifras en la mejora agregada (+17.3%), la táctica concreta depende de qué nivel de estructura controles mejor en tus páginas (documento, secciones o micro-énfasis).
Investiga cómo cinco sistemas de búsqueda con IA y Google tradicional seleccionan y presentan fuentes en respuestas a 11.000 consultas reales.
Los datos
Se analizaron 11.000 consultas en cinco sistemas, vanilla GPT, Search GPT, Perplexity Search con Grok, Google AI Overviews y Google Search tradicional.
La búsqueda con IA redujo hasta un 60 % las expresiones de incertidumbre en los resúmenes, pero conservó el lenguaje de confianza.
Wikipedia y las fuentes más largas aparecieron representadas en exceso en las citas.
El contenido citado de redes sociales y las fuentes con un enfoque negativo estuvieron sustancialmente infrarrepresentados.
Las mismas consultas podían producir realidades informativas estructuralmente distintas según el sistema.
Conclusión del estudio
Los sistemas de búsqueda con IA no solo seleccionan fuentes de forma sesgada, sino que también alteran cómo se expresa la incertidumbre y amplifican esos sesgos en sus resúmenes, lo que puede generar respuestas distintas ante una misma consulta.
Qué significa para ti
Para la visibilidad de una web, el estudio muestra que aparecer citado depende de sesgos de selección y de características como la extensión de la fuente; no ofrece una táctica para influir en esa selección.
El paper investiga por qué páginas relevantes no llegan a ser citadas por motores generativos (tipo ChatGPT/Perplexity/Gemini) y prueba un sistema que diagnostica el fallo y aplica reparaciones dirigidas, midiendo si sube la tasa de cita y cuánto cambia el contenido.
Los datos
Con condiciones base, el 43% de las páginas que son topicamente relevantes no reciben ninguna cita
AgentGEO logra más de un 40% de mejora relativa en la tasa de citación frente a métodos base, tocando solo el 5% del contenido, mientras que los baselines alteran el 25% en promedio
El estudio identifica que reglas genéricas pueden empeorar la citación en categorías de temas “long-tail”: en esas páginas, la optimización genérica no solo no ayuda, sino que degrada el resultado, mientras que la optimización diagnosticada sí da ganancias consistentes en el mismo conjunto
Conclusión del estudio
El estudio demuestra que muchos fallos de citación no son un problema global de “calidad” del texto, sino fallos específicos en el proceso (en qué parte se rompe el pipeline y por qué), y que cuando el sistema diagnostica ese tipo de fallo puede mejorar la citación con cambios muy pequeños. También muestra que hay casos donde ni la optimización diagnosticada logra arreglar la citación, porque el desventaja viene de competidores dominantes que el contenido no puede superar.
Qué significa para ti
Si tu objetivo es que te citen, este estudio respalda que no basta con aplicar “mejoras” genéricas: el salto está en que el fallo sea diagnosticado (y reparado) de forma dirigida, con cambios mínimos (5%). Además, si estás en temas long-tail o muy específicos, el paper advierte que optimizar “a lo genérico” puede empeorar tu probabilidad de cita, así que conviene enfocarse en entender qué tipo de fallo está ocurriendo en tu caso.
El estudio analiza qué señales hacen que motores de búsqueda generativos (tipo ChatGPT, Perplexity y Gemini) citen más a marcas del iGaming en Reino Unido, y mide cómo distintas mejoras de contenido y el peso de medios ganados afectan la “visibilidad” citada.
Los datos
Las estrategias de optimización que más aumentan la visibilidad citada en respuestas de motores generativos son: “Cite Sources” (+40,0%, p < 0,01), “Statistics Addition” (+37,0%, p < 0,01) y “Quotation Addition” (+22,0%, p < 0,05)
“Keyword Stuffing” (rellenar con palabras clave) apenas aporta: +3,0% y no es significativo (p no indicado como significativo)
En el análisis de distribución de citas (SparkToro 2024), el contenido controlado por la marca (web corporativa, landings promocionales y blogs) representa típicamente menos del 15–20% de las citaciones en consultas comerciales; el resto se lo llevan fuentes independientes de terceros
El estudio define un criterio de “posición ajustada por conteo de palabras” para medir visibilidad en respuestas generativas: las citaciones de frases más tempranas pesan más por un decaimiento exponencial por posición (e^(-pos(s)))
Conclusión del estudio
Según los datos del estudio, en búsquedas generativas la marca no gana solo por optimización tradicional, sino por señales citables y verificables (fuentes, estadísticas y citas textuales). Además, hay un sesgo estructural medible: para consultas comerciales se cita mucho más a medios ganados y fuentes de terceros que a contenido propio de la marca (solo 15–20% o menos).
Qué significa para ti
Para iGaming en UK, el estudio indica que lo que más empuja que te citen en motores generativos es que tu contenido incluya fuentes citables, datos numéricos y citas (los tres con mejoras de +40%, +37% y +22%). Y como las citaciones se concentran en terceros (marca 15–20% o menos), tu impacto en citación debería enfocarse más en generar menciones y contexto de autoridad externos que en depender de optimización “on-page” tradicional.
El estudio propone y evalúa AgenticGEO, un sistema que busca maximizar si una IA generadora incluye y cita un contenido al reescribirlo, midiendo mejora de rendimiento frente a 14 métodos en 3 datasets y su uso de pocas señales de feedback del motor (GE).
Los datos
En el análisis de sensibilidad, afirman que las estrategias existentes no logran optimizar “casi la mitad” de los casos (en su figura se describe como instancias en zonas grises y rojas)
AgenticGEO logra “46,4%” de ganancia media frente a los baselines (lo reportan como “46.4% average gains”)
Conserva el 98,1% del rendimiento usando solo el 41,2% de feedback “sparse” del motor (GE) para optimización
Dicen que superan a 14 baselines en experimentos dentro de dominio y además hay transferencia a dominios no vistos
Conclusión del estudio
Los datos del estudio muestran que no basta con usar una estrategia fija: la probabilidad de que una IA incluya/cite mejora cuando el sistema selecciona estrategias según el contenido y además aprende con un “crítico” que aproxima el feedback del motor con pocas consultas. También demuestran que su enfoque mantiene casi todo el rendimiento incluso cuando reduce mucho la cantidad de feedback del motor necesaria durante la optimización.
Qué significa para ti
Para SEO/GEO, el hallazgo clave es que la citación/atribución depende tanto de la estrategia como del contenido (por eso “estrategias fijas” fallan en casi la mitad): un enfoque que elija adaptativamente el “tipo” de ajuste que haces es lo que marca la diferencia en los resultados medidos. Además, el estudio sugiere que no necesitas iterar con el motor generativo a gran escala: su “crítico” permite conservar casi todo el rendimiento con ~41,2% del feedback de GE.
Investiga estrategias de marketing y visibilidad digital para consultas de salud femenina a partir de auditorías, análisis del comportamiento de pacientes y casos de prácticas de Norteamérica.
Los datos
La optimización de sitios web, reputación, SEO y AEO se asoció con aumentos medibles de consultas y conversiones, sin cifras detalladas.
Las reseñas, el contenido escrito por profesionales y la cobertura en medios se relacionaron con una mayor confianza de las pacientes.
El marketing educativo en redes sociales, correo electrónico y eventos se vinculó con más retención y recomendaciones.
El trabajo sintetiza auditorías y casos prácticos, pero no es un estudio clínico ni presenta resultados cuantificados.
Conclusión del estudio
En los casos descritos, combinar visibilidad digital, señales de credibilidad y contenido educativo se asoció con más captación, confianza, retención y recomendaciones; el resumen no permite cuantificar esos efectos ni aislar el impacto específico del AEO.
Qué significa para ti
El estudio respalda la importancia de trabajar SEO, AEO y credibilidad digital en conjunto para aumentar las oportunidades de que una consulta sea encontrada y genere confianza, pero no explica cómo optimizar contenidos para aparecer o ser citado en respuestas de IA.
Investiga cómo cambia la exposición global a la búsqueda con IA y qué fuentes ofrece, a partir de 24.000 consultas en 243 países.
Los datos
La exposición a Google AI Overviews pasó de 7 países en 2024 a 229 en 2025.
Francia, Turquía, China y Cuba no recibieron resultados de búsqueda con IA.
En 2024, la IA respondió al 1 % de las consultas sobre COVID; en 2025 respondió a más del 66 %.
Frente a la búsqueda tradicional, la búsqueda con IA mostró menos fuentes de cola larga y menor variedad de respuestas.
La búsqueda con IA mostró significativamente más fuentes de baja credibilidad y de orientación política de centro o derecha.
Conclusión del estudio
La expansión de la búsqueda con IA fue desigual entre países y temas, y estuvo acompañada de una selección menos diversa de fuentes y con más contenido de baja credibilidad que la búsqueda tradicional.
Qué significa para ti
El estudio indica que la visibilidad en respuestas de IA puede depender de un conjunto de fuentes más reducido y menos diverso que en la búsqueda tradicional, pero no identifica tácticas concretas para mejorar la presencia de una web.
El estudio propone SAGEO Arena y comprueba, en un entorno de búsqueda generativa completa, qué señales (solo texto del cuerpo vs información estructurada) hacen que un documento “pase” por recuperación, reordenado y generación y acabe citado.
Los datos
El corpus usado tiene 170.000 documentos web de 9 dominios, con información estructural (meta descriptions, headings y schema markup) además del texto del cuerpo
En condiciones realistas del pipeline, optimizar solo el texto del cuerpo (la práctica típica en trabajos previos) no solo no mejora la visibilidad en la etapa de generación: también degrada la recuperación, haciendo que los documentos optimizados se caigan de los resultados de recuperación y no lleguen al generador
El estudio muestra que la información estructural es el mecanismo principal para que un documento sobreviva a las primeras etapas (recuperación y/o reordenado) y llegue a generación
Los autores concluyen que cada etapa del pipeline prioriza cualidades distintas del documento, y por eso diseñan un método “stage-aware” (adaptado por etapa) para conseguir la mejor visibilidad global frente a las estrategias evaluadas
Conclusión del estudio
Con datos de SAGEO Arena, el estudio demuestra que en sistemas de búsqueda generativa la citación/visibilidad depende fuertemente de pasar primero recuperación y reordenado; por eso, la optimización solo de texto del cuerpo suele fallar al no resolver el cuello de botella temprano. La información estructural ayuda a mitigar esa degradación y hace posible que el documento llegue a la etapa donde entonces puede ser usado en respuestas.
Qué significa para ti
Si trabajas SEO/GEO para que te citen en respuestas generativas, este estudio indica que el “bloqueo” suele ocurrir antes de la generación: si tu optimización no ayuda a entrar en recuperación/reordenado, el generador ni te verá. A la vez, los resultados respaldan que incluir y cuidar señales estructuradas (p. ej., schema y etiquetas) es lo que más reduce ese problema, y que optimizar con enfoque por etapas (señales para cada fase) es lo que mejor encaja con lo que miden.
El estudio analiza qué impulsa que Pinterest sea citado por motores de búsqueda generativos y mide cómo un sistema que traduce imágenes a “consultas con intención” (más páginas agregadoras y enlaces internos) aumenta el tráfico orgánico en una escala de miles de millones de imágenes.
Los datos
Procesa un corpus con “billones” de imágenes de Pinterest y genera “decenas de millones” de páginas de aterrizaje (colecciones) con el sistema desplegado
Reporta +20% de crecimiento de tráfico orgánico atribuible al sistema GEO en producción
Indica que el despliegue contribuye a crecimiento de “multi-millones” de MAU (usuarios activos mensuales), sin dar el número exacto en el texto incluido
Afirma una mejora del 19% en la alineación entre tópicos generados y consultas de búsqueda frente a “baselines” de producción (medida interna de alineación)
Define que las consultas generadas por la VLM se reparten en tres tipos: descripciones (30%), estilo/detalles (30%) y casos de uso/ocasiones (40%), y sostiene que “los casos de uso” aportan el tráfico incremental desproporcionado (sin cifra adicional en el extracto)
Conclusión del estudio
Este estudio muestra que, para un buscador generativo que sintetiza respuestas y cita fuentes, no basta con describir imágenes: al entrenar VLMs para producir consultas con intención (y luego agregarlas en páginas coherentes con señales de autoridad e interlinking), el sistema logra mejoras medibles en tráfico orgánico y en alineación con la demanda de búsqueda.
Qué significa para ti
Para GEO en plataformas visuales, el hallazgo clave es que “consultas de intención” (no captions descriptivas) son una palanca medible: el paper conecta esa traducción a tráfico orgánico (+20%) y a mejor alineación (+19%). La acción práctica es priorizar que tus assets/landing pages puedan convertirse en superficies indexables y relacionables por temas, porque el estudio lo vincula a autoridad e interlinking además de la representación.
El estudio analiza, con 1.000 consultas de ranking y además pruebas separadas por “popular” vs “nicho”, qué dominios, tipos de fuentes y fechas (frescura) citan GPT-4o, Claude, Perplexity y Gemini frente a Google.
Los datos
En las 1.000 consultas de ranking, el solapamiento de dominios citado por IA vs los top-10 de Google es muy bajo: GPT-4o 4,0% (mediana 0,0%), Gemini 11,1%, Claude 12,6% y Perplexity 15,2%
En consultas “nicho” (216 comparaciones: 108 populares + 108 nicho), el solapamiento sube 3–4 puntos para la mayoría de modelos: por ejemplo, a GPT-4o solo le sube de forma pequeña (entre +1,3% y +1,9%) mientras que Claude/Gemini/Perplexity tienen incrementos estadísticamente significativos
Cuando clasifican el tipo de fuente en 300 consultas (100 informacionales, 100 de consideración, 100 transaccionales), Google queda relativamente equilibrado: 41% earned, 34% social, 26% brand; pero las IAs favorecen “earned”: Claude 65% earned y solo 1% social (GPT-4o: 57% earned y 8% social)
Frescura (consumer electronics): Claude tiene la mejor extracción de fecha (0,925; 745/805) y mediana de 62,3 días; GPT-4o 0,930 (623/670) con mediana 79,8; Perplexity 0,630 (383/608) con mediana 90,4; Google mediana 130,4 con cobertura 0,615 (579/941)
Frescura (automóvil): Google es el más antiguo (mediana 492,9 días; cobertura 0,443; 413/932). Claude 148,0 días (0,609; 515/845) y GPT-4o 162,2 (0,734; 477/650); Perplexity marca más antigüedad (216,6; 0,426; 280/657)
Conclusión del estudio
Con datos de dominios, tipología de fuentes y fechas, el estudio muestra que las IA citan ecosistemas distintos a Google (poco solapamiento) y tienden a sobre-representar contenido “earned”/brand y a citar información más fresca (según las medianas y la cobertura de fechas) que Google. La diferencia es consistente, pero cambia por intención (informacional vs consideración vs transaccional) y por si el entity es popular o nicho.
Qué significa para ti
Para un consultor SEO/GEO, este estudio sugiere que “aparecer en Google” no implica “ser citado por una IA”: el solapamiento de dominios cae a mediana 0% en GPT-4o. Además, si tu web cae más en “earned/brand” y puedes aportar fechas/actualización legibles (la IA logra coberturas altas de fecha en ciertos motores), hay más probabilidad de entrar en respuestas con frescura menor edad que la que suele ver Google.
El paper estudia cómo optimizar documentos para que distintas consultas los citen en respuestas generadas, y mide qué estrategia mantiene la visibilidad citada de forma estable entre queries cuando hay “presiones” contradictorias para editar el mismo contenido.
Los datos
Define la ganancia por consulta como Δv_i = v(D’, q_i) − v(D, q_i), donde la visibilidad v(D,q) se mide solo con el texto de la respuesta y las señales de citación/atribución
Para priorizar qué ediciones tienen más impacto, calcula un “global priority score” por petición: g_{i,j} = w_i · s_{i,j}, usando w_i en escala 0–100 (popularidad de la consulta) y s_{i,j} en escala 0–100 (necesidad crítica del cambio)
En la fase de fusión, filtra peticiones de baja prioridad eliminando las que no superan un umbral τ (el paper controla el nivel de “perturbación” con ese filtro)
Aclara que el objetivo no lo evalúa solo con media: introduce tres métricas de estabilidad/riesgo para capturar degradaciones “de la cola”: Worst-Case Performance (WCP), Downside Risk (DR) y Win-Tie Rate (WTR)
Conclusión del estudio
El estudio muestra que, cuando varias consultas piden ediciones potencialmente incompatibles bajo un presupuesto limitado, optimizar “en promedio” no garantiza que el documento siga siendo citado de forma consistente; por eso proponen y evalúan estabilidad explícita entre consultas con WCP, DR y WTR. Además, su diseño de prioridades (g = w·s) y la resolución/deduplicación de peticiones hace que el proceso sea controlable para reducir efectos competitivos entre queries.
Qué significa para ti
Para un consultor SEO/GEO, el mensaje accionable del paper es que la citación por IA no es “una sola métrica media”: lo importante es evitar casos donde mejoras para unas consultas empeoren otras (exactamente lo que cuantifican WCP/DR/WTR). En la práctica, esto se traduce en que el documento debe cubrir de forma simultánea los “intentos de consulta” que compiten por el mismo trozo de información, porque el propio paper modela esas ediciones como solicitudes con anclas y las coordina priorizando por peso de la consulta y criticidad del cambio.
El estudio investiga cómo se puede manipular la clasificación de productos en un sistema de búsqueda basado en modelos visión-lenguaje (VLM) alterando a la vez la imagen y la descripción, y muestra que ese ataque conjunto logra mejoras de ranking mayores que ataques solo-texto, solo-imagen y un baseline con modelos generativos comerciales.
Los datos
El paper plantea que un adversario puede promover un producto objetivo a rank 1 (σ(t)=1) modificando su imagen, su texto o ambos, manteniendo cambios “imperceptibles” y texto “fluente y on-topic”
En la evaluación comparan MGEO contra: (1) ataques unimodales de texto, (2) ataques unimodales de imagen y (3) un baseline heurístico que imita comportamiento real usando modelos generativos comerciales para retocar descripción e imagen; reportan que MGEO consigue “substantially larger rank improvements” que los tres enfoques (sin cifras numéricas en el texto que compartiste)
La optimización de texto evita palabras/expresiones overt de posicionamiento usando una penalización de n-gramas, desalentando keywords del tipo “top”, “must rank” o “recommend”
El ataque de imagen se hace con Projected Gradient Descent (PGD) incorporando límites de magnitud y suavidad espacial para que la perturbación sea imperceptible
Conclusión del estudio
Con base en sus experimentos comparativos, el estudio concluye que en rankers multimodales de VLM no basta con que el contenido “parezca de calidad” en superficie: para subir posiciones hace falta alinear la perturbación directamente con cómo el modelo usa (acopla) la información visual y textual al puntuar productos.
Qué significa para ti
Para SEO/GEO, este resultado sugiere que en entornos donde un VLM reordena productos multimodalmente, el texto por sí solo (o los cambios solo visuales) es una palanca más débil que los cambios que el modelo interpreta como coherentes entre imagen y descripción. Si trabajas con presencia de producto multimodal, este paper apoya que lo que más determina la “señal” no es solo la calidad aparente, sino la compatibilidad con el mecanismo de fusión vision+texto del propio modelo (aunque el paper que pegaste no da números concretos para priorizar cuánto pesa cada tipo de alineación).
El estudio audita 44 empresas Web3 y mide cuánto y qué tan concentrada es la exposición en las citas que devuelven motores de búsqueda generativos (Grok, GPT, Gemini y Perplexity) a creadores de esas comunidades en X.
Los datos
La comunidad de creadores es persistente: en 20 días la estabilidad media fue Jaccard = 0.67 y Kendall’s τ = 0.75 (misma “capa” de creadores y su influencia relativa bastante estable)
Cobertura de X en paneles de citas cambia mucho por motor/modo: en Perplexity (UI) hubo 33.94% de fuentes desde X (1,255 de 3,698) y 3.62% de handles de creadores citados (134)
Con Grok “Web + X / X-only” la concentración sube: Grok (X-only) alcanza una ventaja media Top-10 vs cola de +7.16 puntos porcentuales (pp), frente a +4.32 pp en Grok “general”
La “amplificación” supera el azar: el uplift medio de NCG para Grok fue +9.39 pp (IC 95%: +2.59 a +16.45) y para Perplexity +9.94 pp (y Grok X-only +8.99 pp)
Conclusión del estudio
Con datos de 44 empresas y 132 consultas por empresa, el estudio demuestra que las IA citan de forma sesgada: concentran más la exposición en los creadores ya más prominentes y esa concentración se mantiene en el tiempo, reforzando jerarquías existentes.
Qué significa para ti
Para una estrategia GEO/SEO alrededor de citaciones en búsquedas generativas, este estudio sugiere que el “quién aparece citado” no es neutral: importa la prominencia ya existente dentro del ecosistema (en el caso del paper, creadores en X medidos por su Mindshare/followers) y el motor/modo (especialmente si incluye X) cambia el grado de concentración. Si tu marca está menos arriba en esas jerarquías, el paper indica que romper ese sesgo puede ser difícil porque la exposición está estadísticamente anclada a la popularidad previa.
El estudio prueba 112 startups de Product Hunt en 2.240 consultas para medir qué porcentaje de veces ChatGPT y Perplexity las recomiendan, y comparar “búsquedas por nombre” vs “búsquedas tipo recomendación”, además de ver si GEO y SEO/community predicen la visibilidad.
Los datos
En consultas por nombre, el reconocimiento fue muy alto: ChatGPT 99,4% (334/336) y Perplexity 94,3% (317/336)
En consultas de descubrimiento (tipo “los mejores… lanzados este año”), la visibilidad cayó fuerte: ChatGPT 3,32% (26/784) y Perplexity 8,29% (65/784), con una brecha de 30:1 en ChatGPT y 11:1 en Perplexity
El “score” GEO del sitio no se relacionó con la visibilidad en discovery: correlación no significativa tanto en ChatGPT (r = -0,108; p = 0,256) como en Perplexity (r = -0,102; p = 0,286)
Para Perplexity en discovery, señales SEO tradicionales sí predijeron visibilidad: referring domains r = +0,319 (p < 0,001) y dofollow ratio r = +0,238 (p = 0,012)
Señales de comunidad en Reddit solo funcionaron tras corregir falsos positivos: al limpiar 52 productos con nombres genéricos (46% de la muestra), Reddit Mentions pasó a correlacionar con visibilidad en Perplexity (r = +0,395; p = 0,002) y subreddits únicos también (r = +0,405; p = 0,001)
Conclusión del estudio
Este estudio demuestra que las IAs sí “reconocen” productos cuando la pregunta los nombra, pero fallan al recomendar productos en búsquedas de descubrimiento; y que, con los datos analizados, el GEO (optimizar contenido para IA) no aumenta esa visibilidad. En Perplexity, la visibilidad en discovery se asocia más con señales SEO tradicionales y comunidad (con medición limpia), mientras que ChatGPT se comporta casi sin patrones medibles.
Qué significa para ti
Si tu objetivo es que una startup aparezca en recomendaciones “best of / lanzados este año”, este estudio indica que el GEO por sí solo no mueve la aguja (no correlaciona con discovery). En Perplexity, en cambio, los predictores que sí aparecen son señales tipo referring domains (y dofollow), y Reddit solo sirve si evitas el ruido de nombres genéricos como hicieron al eliminar 52 casos.
Propone integrar Generative Engine Optimization (GEO) en la formación de marketing como un imperativo pedagógico, para pasar de prácticas centradas solo en SEO a optimización para plataformas impulsadas por modelos generativos. Aporta un marco de transición curricular que ayuda a diseñar contenidos y procesos de aprendizaje alineados con motores de búsqueda tradicionales y con motores de IA.
El paper investiga, con un dataset GEO controlado, qué señales de contenido hacen más probable que una marca/ fuente sea citada por sistemas de respuesta generativa (y con qué orden), y entrena modelos para predecir esa visibilidad.
Los datos
Usa 43.200 observaciones (query–source–engine–prompt) con 360 consultas, 3.600 fuentes candidatas, 4 motores y 3 variantes de prompt
El mejor clasificador logra ROC-AUC 0,8890, PR-AUC 0,8995, accuracy 0,8079 y F1 0,8169 (en un test agrupado por consulta)
Las páginas tipo “research reports”, “comparison articles” y “review pages” tienen las tasas de citación más altas; “product pages” y “pricing pages” tienen tasas de citación más bajas
Las salidas del modelo incluyen: si la fuente se cita (principal), además de “citation rank”, “brand mention” y un “visibility score” (secundarias)
Conclusión del estudio
Con sus datos, el estudio demuestra que la probabilidad de cita en GEO no depende solo de “autoridad” general, sino de señales operables del tipo de contenido (formato) y señales relacionadas con evidencia, que el modelo puede usar para predecir visibilidad con buen rendimiento.
Qué significa para ti
Si tu objetivo es aparecer citado en respuestas generativas, este estudio respalda que no da lo mismo el formato: reportes, comparativas y reviews tienden a tener mayor probabilidad de cita que páginas de producto o precios, según sus mediciones. Además, como el modelo separa “ser citado” y “brand mention”, tu enfoque en qué tipo de página/evidencia está disponible para el sistema puede ser más determinante que solo “calidad” abstracta.
El estudio revisa y ordena lo que se entiende por Generative Engine Optimization (GEO) y lo compara con SEO, usando literatura académica e informes de industria para explicar cómo y por qué una marca puede ser citada o mencionada en respuestas generadas por IA.
Los datos
Indica que ChatGPT superó los 900 millones de usuarios activos semanales en 2025 (dato citado en el texto)
Afirma que los buscadores basados en IA capturaron entre un 12% y 15% de la cuota de búsquedas global a finales de 2025, frente a ~5%–6% al inicio de ese año (rango citado en el texto)
Señala que el artículo adopta una revisión integradora (no incluye tests propios) y que las afirmaciones sobre efectividad de GEO provienen de la literatura analizada, no de experimentos directos
Conclusión del estudio
A partir de la revisión, el estudio concluye que GEO no sustituye a SEO: busca aumentar la probabilidad de que una fuente o contenido aparezca citado, mencionado o utilizado dentro de las respuestas de motores generativos, es decir, la visibilidad “no es solo rankear links”, sino ser seleccionado para la respuesta.
Qué significa para ti
Para un consultor SEO/GEO, la parte accionable del paper es el cambio de objetivo: ya no basta con “aparecer en resultados”, el foco es ser la fuente que el modelo usa al sintetizar. Como el estudio no prueba resultados con datos propios y reconoce falta de métricas estándar, tu mejor uso aquí es orientar el seguimiento hacia señales de citación/mención en respuestas de IA (y no solo hacia posiciones tradicionales).
El trabajo analiza cómo aplicar un enfoque de Generative Engine Optimization (GEO) para mejorar la visibilidad de marca en recomendaciones turísticas generadas por IA. Aporta una base conceptual y exploratoria para entender qué señales pueden influir en la exposición de marcas en motores generativos, aunque no formula métricas ni una estrategia de optimización.
Propone un marco de pre-generación que transforma la intención de búsqueda en demanda de recuperación para optimizar antes de que el contenido exista. Ayuda a los equipos GEO a anticipar qué documentos y formatos serán recuperados por motores generativos, en lugar de depender de análisis retrospectivos de qué apareció.
Propone el GEO Enterprise Framework, un modelo de 10 capas para implementar Generative Engine Optimization con un sprint práctico de 7 días. Ayuda a equipos GEO a convertir lineamientos en un plan de ejecución accionable y estandarizado, acelerando el despliegue y reduciendo la improvisación.
El trabajo alerta sobre cómo la manipulación mediante corpus sintéticos puede alterar la forma en que los motores generativos interpretan la intención y el contenido, afectando la visibilidad orgánica. Ofrece un marco para evaluar riesgos de desalineación entre lo que indexan y lo que recomiendan los motores, ayudando a definir controles de gobernanza y auditorías para detectar este tipo de manipulación.
Define la Generative Engine Optimization (GEO) como un enfoque para posicionar la marca y el contenido en motores generativos, orientado a capturar resultados sin clic (zero-click). Ayuda a los equipos de GEO a replantear métricas y tácticas para ganar visibilidad en respuestas directas de la IA, no solo en tráfico hacia la web.
El estudio construye y prueba la extensión Lighthouse++ para VS Code y analiza si mejora métricas de SEO y GEO tras aplicarse a 80 páginas de 18 sitios distintos.
Los datos
Evalúa y mejora métricas en 80 páginas de 18 webs diferentes
El resultado reportado es que las métricas “suben” en todos los indicadores medidos (sin detallar porcentajes o valores por métrica)
El enfoque del sistema usa Google Lighthouse como base y añade sugerencias con ayuda de IA y métricas personalizadas, más un componente “GEO” de tipo heurístico (no predictivo de ranking)
Conclusión del estudio
El estudio demuestra que, con Lighthouse++ (Lighthouse + IA + métricas y un componente GEO heurístico), se pueden obtener mejoras medibles en métricas de calidad SEO/GEO en un conjunto de páginas. Pero con el texto disponible no prueba qué factores hacen que las IAs citen fuentes específicas (no hay análisis de citas por modelos como ChatGPT/Perplexity).
Qué significa para ti
Para tu trabajo, este paper aporta contexto operativo (cómo medir y mejorar señales que suelen asociarse a calidad de página), pero no da datos directos sobre “qué hace que una IA cite una fuente”. Lo más accionable es el tipo de enfoque de medición (Lighthouse + señales de visibilidad/fuente y similitud semántica), aunque el estudio no cuantifica impacto sobre citas reales de asistentes.
El paper actúa como una guía de referencia para entender y aplicar GEO con motores generativos, ayudando a pasar de prácticas SEO clásicas a optimización orientada a respuestas. Te permite mapear qué factores suelen evaluarse en la literatura (y cómo se prueban) para priorizar acciones con mayor impacto en visibilidad y desempeño en búsquedas generativas.
El estudio analiza, con casos en instituciones públicas de Indonesia, cómo el GEO (Generative Engine Optimization) cambia las estrategias de comunicación pública y qué efecto tiene en cuánta autoridad mantiene la institución al ser “mediatizada” por algoritmos.
Los datos
El trabajo usa una investigación cualitativa de “caso crítico”, con datos recogidos mediante 1) entrevistas semiestructuradas, 2) observación de contenidos digitales y 3) análisis de documentos de política pública
Concluye que en el entorno GEO se priorizan tres cosas para la representación: datos estructurados, interoperabilidad semántica y “machine readability” (lectura por máquina), lo que disminuye el control institucional sobre cómo se enmarca el mensaje (en el texto: “reducing institutional control over message framing”)
Propone que la comunicación pública queda bajo un sistema de doble mediación: una mediación simbólica y otra computacional; el estudio dice que la síntesis algorítmica afecta la visibilidad, la coherencia y la legitimidad percibida de la información
Formula un modelo propio (“Navigating the Architecture of Truth”) con 3 dimensiones: transparencia normativa, estandarización tecnológica y alfabetización algorítmica para el público
Conclusión del estudio
A partir de sus observaciones en instituciones públicas, el estudio demuestra que en GEO la cita/legitimidad de la información no depende solo de la autoridad institucional, sino de qué tan “procesable” y estandarizada es la información para los sistemas que sintetizan contenido (datos estructurados, legibilidad para máquinas e interoperabilidad).
Qué significa para ti
Para SEO/GEO, este estudio sugiere que el factor decisivo para que la IA “tome” una fuente no es tanto la marca o el canal, sino que la información sea tratable por sistemas (estructurada y legible para máquina) y que encaje en estándares que facilitan la síntesis; el papel de la institución para controlar el encuadre se reduce según el estudio.
Propone Generative Engine Optimization (GEO) como una estrategia de equidad digital para destinos turísticos desatendidos, estructurada en un marco de tres capas para diagnosticar el “GEO gap”. Ayuda a profesionales GEO a identificar brechas por capa y priorizar acciones para mejorar la visibilidad orgánica en motores generativos y reducir desigualdades de descubrimiento.
El paper propone que la mejora de GEO no debe limitarse a citar en el contenido, sino extenderse a una infraestructura de citación (nivel del sistema) para que los motores generativos recuperen y atribuyan fuentes de forma más fiable. Para trabajo de GEO, esto implica revisar el “stack” de citación y trazabilidad de fuentes, con el objetivo de aumentar la consistencia de atribuciones y la capacidad de verificación en resultados generativos.
Propone un marco de control distributivo para moldear cómo las salidas de modelos se distribuyen entre candidatos, en lugar de centrarse solo en la forma del contenido para aumentar la probabilidad de aparición. Ayuda a diseñar estrategias de GEO orientadas a competencia entre generadores y a medir el efecto del “shaping” sobre la distribución de resultados, reduciendo la dependencia de heurísticas de redacción.
Aporta un caso de implementación de GEO por la Parkinson’s Foundation que sirve como referencia práctica de cómo conceptualizar y ejecutar la optimización para motores generativos. Ayuda a equipos GEO a traducir el paso de SEO tradicional a GEO con una hoja de ruta basada en objetivos, diseño de contenido y operación, enfocándose en resultados para la búsqueda asistida por IA.
El estudio prueba una técnica de GEO (Mind Reader) que optimiza contenidos para motores de búsqueda generativos usando demandas latentes del usuario, y mide cuánto mejora la “visibilidad” de esos contenidos en las respuestas.
Los datos
Reporta mejoras de hasta 2.44x en métricas objetivas de visibilidad frente a baselines
Reporta mejoras de 1.23x en métricas subjetivas “en promedio” (además de las objetivas)
Evalúa la técnica con experimentos extensos en GEO-Bench y también con su propio conjunto PC-GEO
Conclusión del estudio
Con sus experimentos, el estudio muestra que alinear el contenido con las “demandas latentes” de búsqueda (no solo con preferencias o heurísticas de consulta) incrementa de forma medible la visibilidad del contenido en las respuestas generadas por motores de búsqueda generativos.
Qué significa para ti
Si lo que estás optimizando es para que una IA/buscador generativo cite o use tu material dentro de respuestas, este paper sugiere que el salto no viene de “encajar palabras”, sino de cubrir el tipo de razonamiento/información que el sistema activa como demanda latente; cuando lo consiguen, sus mejoras llegan a 2.44x (objetivo) y 1.23x (subjetivo). Como el estudio no desglosa distribución de citaciones por tipo de web o fuente, no aporta una regla directa tipo “qué dominio citar más”, pero sí un objetivo operativo: mejorar la cobertura de lo que el sistema considera razonamiento crítico conectado a la intención.
El estudio analiza, para una misma consulta turística genérica, cómo distintos sistemas de IA muestran hoteles y qué fuentes citan al responder, comparando esas respuestas en tres momentos distintos.
Los datos
Reporta “elevada volatilidad” en la presencia de marcas hoteleras (cambian de una respuesta a otra en el tiempo) al comparar tres momentos temporales
Detecta “notable variabilidad” en las fuentes informativas citadas por las IA (no hay un conjunto estable de fuentes) en esas mismas respuestas repetidas en el tiempo
Conclusión del estudio
A partir de sus observaciones con respuestas repetidas en tres momentos, el estudio concluye que la visibilidad de marca y el listado de fuentes citadas por la IA no son estables: dependen del contexto de generación y cambian con el tiempo.
Qué significa para ti
Para SEO/GEO en turismo, este paper indica que no basta con “aparecer” una vez: la IA puede alternar hoteles y fuentes citadas entre generaciones. En la práctica, tu medición de marca en recomendaciones debería ser longitudinal (repetida en el tiempo) porque el sesgo/visibilidad puede moverse.
Propone un marco de diagnóstico para identificar por qué las entidades de turismo local quedan algorítmicamente invisibles ante LLMs, conectando señales territoriales con cómo se construyen y recuperan las respuestas. Ayuda a implementar una auditoría GEO centrada en generación para detectar brechas de cobertura de contenido y mejorar la visibilidad en motores basados en IA para destinos locales.
El trabajo introduce la Generative Engine Optimization para mejorar cómo los sistemas de IA identifican, priorizan y citan contenido, con el objetivo de aumentar la visibilidad en entornos generativos. Sirve como base práctica para definir qué optimizar (p. ej., claridad semántica y autoridad temática) para que el contenido aparezca con más frecuencia tras consultas, en un contexto disparado por el lanzamiento de ChatGPT en noviembre de 2022.
El paper introduce la disciplina Generative Engine Optimization (GEO) como evolución del SEO para ganar visibilidad dentro de sistemas de IA generativa. Aporta un marco de referencia práctico para que las empresas adapten su estrategia de marca y contenido cuando los resultados ya no dependen solo de buscadores tradicionales.
Ofrece un marco práctico de Generative Engine Optimization (GEO) para adaptar la estructura de contenidos a motores generativos, con el objetivo de aumentar la visibilidad en el “KI-Entorno”. Proporciona una guía accionable para integrar la evolución de SEO en la estrategia de contenido, alineando intención y formato para mejorar la probabilidad de ser citado o recuperado por sistemas basados en IA.
El estudio hace un mapeo bibliométrico (con metodología PRISMA 2020) del cruce entre SEO y GEO, y propone un modelo de cómo se pasa de visibilidad basada en ranking a visibilidad basada en citaciones en plataformas de IA.
Los datos
Identifica 3 clusters temáticos sobre la intersección SEO–GEO
Encuentra una red de coautoría fragmentada (no concentrada) en los trabajos analizados
Plantea un cambio de enfoque: de visibilidad por ranking en buscadores tradicionales a visibilidad por citación en motores generativos
Conclusión del estudio
A partir de su análisis bibliométrico, el estudio concluye que en GEO la “visibilidad” se gana más por citaciones (no por rankings), y que la optimización debe adaptarse para ser legible/usable por sistemas de IA generativa.
Qué significa para ti
Para tu trabajo SEO/GEO, este paper te sirve sobre todo como guía de “qué cambia”: el objetivo deja de ser solo posicionar y pasa a alinearse con que la IA te cite. Como el estudio no aporta métricas numéricas de impacto (porcentaje de cita, aumento de citaciones, etc.), la acción táctica es más de orientación conceptual que de cuantificación.
Define GEO como una disciplina para alinear los activos de información con la recuperación y la síntesis de evidencias en motores de descubrimiento basados en IA. Proporciona un marco operativo de arquitectura de visibilidad que ayuda a planificar acciones de SEO/contents orientadas a mejorar cómo se recupera y se compila tu información en resultados mediados por IA.
Evalúa si el markup de esquema realmente predice citaciones desde motores generativos y lo contrasta empíricamente entre plataformas, ayudando a separar recomendación de práctica basada en datos. Útil para auditar afirmaciones de GEO sobre structured data y definir prioridades de implementación con mayor rigor.
El paper investiga cómo mejorar el posicionamiento/ranking en motores de búsqueda con IA generativa (GEO) a la vez que se mantiene la calidad del texto y se reduce la percepción de intención manipuladora, usando una técnica de generación de perturbaciones del texto.
Los datos
Plantea GEO como un problema de optimización con restricciones (no solo buscar subir ranking, también respetar otras condiciones del texto)
Usa “Langevin dynamics” para generar perturbaciones del texto orientadas a mejorar el ranking
Combina tres componentes para proteger calidad y coherencia: “evidence-based initialization”, “multi-objective energy optimization” y “gradient masking”
El objetivo explícito del estudio es subir ranking sin debilitar la confianza del usuario al reducir la percepción de “manipulative intent” (intención manipuladora)
Conclusión del estudio
El estudio demuestra un enfoque de GEO que busca mejorar el ranking en búsquedas con IA generativa sin caer en cambios adversarios que suelen bajar la calidad y aumentar el escepticismo, porque integra restricciones y técnicas para conservar consistencia factual y reducir la señal de manipulación percibida.
Qué significa para ti
Para un consultor SEO/GEO, el aporte práctico de este paper es que el “cómo” de la optimización importa: el texto debe moverse para ganar ranking pero manteniendo evidencia y consistencia, y además reducir indicadores de manipulación (según lo que el propio estudio define como su objetivo). Como el texto compartido no incluye métricas numéricas ni resultados medidos, este estudio sirve más como guía de enfoque responsable que como palanca con cuantificación directa.
El paper analiza cómo evoluciona el SEO con la llegada del buscador generativo y cómo eso afecta la visibilidad/citas de marcas, poniendo foco en riesgos como el “zero-click”, la falta de transparencia de algoritmos y la homogeneización del contenido.
Conclusión del estudio
Con la evidencia presentada, el estudio sostiene que al pasar de resultados con enlaces a respuestas generativas, la visibilidad depende de integrar enfoques tradicionales con estrategias diseñadas para ecosistemas de búsqueda generativa, pero no aporta métricas concretas sobre “cuándo” o “cuánto” cita una IA a cada tipo de fuente.
Qué significa para ti
Este trabajo sirve más para entender el entorno (especialmente el “zero-click” y la opacidad) que para traducirlo a tácticas medibles de citación: no hay cifras en el texto que permitan decidir qué tipo de fuente/activos generan más citas. Si necesitas decisiones de citación basadas en datos, haría falta el contenido del estudio (resultados y mediciones), no solo el resumen.
El paper sostiene que con SGE/AI Search el rendimiento se desplaza de los clics a la capacidad de que tu marca sea citada como fuente confiable en respuestas generadas. Para GEO, esto implica priorizar señales de autoridad y rastreabilidad (p. ej., contenido verificable y entornos donde el modelo pueda atribuirte) para aumentar probabilidad de mención en el resumen.
El paper estudia, con un modelo económico, cuándo las IA tipo ChatGPT/Google deciden mostrar anuncios dentro de sus respuestas vs mantenerlas sin anuncios para maximizar ingresos y conversiones a suscripción, analizando cómo eso cambia con el tiempo según los parámetros del sistema.
Los datos
Propone que la política óptima de “con anuncios o sin anuncios” sigue una regla de corte: se muestran anuncios solo cuando el beneficio inmediato del anuncio supera el valor a largo plazo de dar respuestas sin anuncios
El resultado se mueve hacia respuestas con anuncios cuando la monetización por anuncios es alta
El resultado se mueve hacia respuestas con anuncios cuando los usuarios son menos sensibles a los anuncios
El resultado se mueve hacia respuestas sin anuncios cuando la conversión a suscripción gana relativamente más valor
Cuando hay IA rivales, la política óptima se desplaza adicionalmente hacia respuestas sin anuncios (porque la monetización con muchos anuncios se vuelve menos sostenible si el usuario puede cambiarse a alternativas)
Conclusión del estudio
A partir de sus datos/modelo, el paper concluye que una IA que sintetiza respuestas maximiza su sostenibilidad cuando decide mostrar anuncios solo bajo una condición clara (beneficio inmediato mayor que el valor futuro de calidad sin anuncios) y que la presencia de competidores empuja aún más a evitar anuncios.
Qué significa para ti
Para tu trabajo SEO/GEO, este paper no mide “citas” en el sentido clásico, pero sí aterriza el incentivo: si la IA prioriza retención y conversión a suscripción, su diseño tenderá a limitar la carga publicitaria y a optimizar experiencia; en un entorno con rivales, esa tendencia hacia respuestas sin anuncios se refuerza, lo que puede afectar el tipo de fuentes y el contexto donde apareces.
Cuantifica la divergencia entre los factores de ranking de la búsqueda tradicional y los de la búsqueda generativa, ayudando a medir el “gap” SEO-to-GEO. Te permite estimar en qué casos tu enfoque SEO puede no trasladarse a la visibilidad en superficies de respuesta de IA y priorizar correcciones en tu estrategia de optimización para motores generativos.
El estudio revisa qué es el generative engine optimization (GEO) en marketing de inmobiliaria comercial y propone cómo medir si una IA cita correctamente (o se equivoca) al representar marcas y propiedades en búsquedas generativas.
Los datos
El artículo propone separar 3 cosas en la medición: (1) menciones de la entidad, (2) atribución de fuentes (si se puede conectar lo dicho con un origen) y (3) riesgo de error (desviaciones frente a datos canónicos)
Define un protocolo de observación donde, para cada intención de búsqueda, se evalúa: presencia de la mención, si hay atribución a fuentes y las discrepancias con datos canónicos de la propiedad (usando un conjunto de fuentes “S_e” consideradas autoritativas en el dominio)
No reporta experimentos ni datos propios: explícitamente indica que “no se usa evidencia empírica primaria” y que no hay resultados de encuestas u experimentos
Conclusión del estudio
El estudio demuestra, con su revisión y su propuesta de métricas, que para que una IA sea fiable no basta con “aparecer”: la cita/atribución debe medirse por separado de la mención y del riesgo de errores frente a datos canónicos, porque en sistemas RAG la parte de recuperación y la generación pueden fallar de forma distinta.
Qué significa para ti
Como consultor, este paper te da un mapa medible de “si te citan bien” en IA: no preguntes solo si te mencionan, sino si la respuesta enlaza con fuentes consideradas autoritativas y si respeta datos canónicos (precio/condiciones/limitaciones). Además, como no hay experimentos en el paper, su valor es como guía operativa de medición/monitoreo más que como prueba de que una táctica concreta aumente citas.
El estudio prueba un método (CORE) para controlar cómo los motores de búsqueda generativos ordenan recomendaciones de productos y mide cuánto logra “promocionar” un producto dentro de los Top-5/Top-3/Top-1 en 15 categorías usando 4 modelos con búsqueda.
Los datos
Consiguen una Promotion Success Rate media de 91.4% en Top-5, 86.6% en Top-3 y 80.3% en Top-1, en 15 categorías
Evalúan CORE en un conjunto llamado ProductBench con 15 categorías de producto y 200 productos por categoría (cada producto enlazado a sus Top-10 recomendaciones desde la interfaz de búsqueda de Amazon)
Probaron CORE con 4 LLM con capacidades de búsqueda: GPT-4o, Gemini-2.5, Claude-4 y Grok-3
CORE usa 3 tipos de contenido de optimización añadido al material recuperado: string-based, reasoning-based y review-based; el estudio reporta que esos tipos son efectivos para reordenar las salidas (sin dar aquí cifras por tipo)
Conclusión del estudio
El estudio demuestra que en motores de búsqueda generativos, el orden de salida puede manipularse fuertemente (hasta 91.4% de éxito medio en Top-5) controlando el contenido que el sistema recupera y devuelve al modelo, no solo el “ranking” interno del LLM.
Qué significa para ti
Para tu estrategia de visibilidad en IA tipo buscador, este estudio sugiere que la “cita” o mención puede depender de qué contenido concreto llega a alimentar la respuesta, porque un ajuste en ese contenido logra reordenar resultados masivamente (según sus métricas de Promotion Success Rate). Si tu objetivo es aparecer mejor, lo que más impacta (según el experimento) es que el motor recupere texto/indicadores que el sistema pueda reutilizar para empujar tu producto hacia posiciones altas.
El estudio entrevista a estrategas digitales para analizar cómo perciben que los buscadores generativos influyen en la imagen de marca desde un punto de vista de gestión.
Los datos
El trabajo usa un enfoque cualitativo basado en entrevistas semiestructuradas a profesionales que trabajan en la intersección entre gestión de marca y estrategia de negocio impulsada por IA (número de participantes no aparece en el texto compartido)
Los hallazgos atribuyen a los buscadores generativos una reducción de la visibilidad de los canales controlados por la empresa (lo describen como causa de debilidad del control de gestión sobre la imagen)
El estudio indica que estos buscadores aumentan la dependencia de contenido de terceros para formar la representación de marca
También sostienen que los buscadores generativos sintetizan información fragmentada en representaciones de marca, elevando riesgos de inexactitud, sesgo y fragmentación
Conclusión del estudio
Con base en las percepciones recogidas en entrevistas, el estudio concluye que los buscadores generativos cambian la formación de la imagen de marca: la vuelven más “co-creada” por sistemas de IA a partir de fuentes de terceros, reduciendo el control gerencial y amplificando riesgos, aunque a la vez abre oportunidades nuevas (p. ej., visibilidad por recomendaciones y enfoques como GEO).
Qué significa para ti
Para estrategia SEO/GEO, el mensaje operativo que sale de este estudio es que no basta con priorizar el “canal propio”: si la IA resume desde terceros y entrega una respuesta que reemplaza la visita a tu web, tu imagen dependerá más de qué fuentes te citan/te mezclan y de la calidad/consistencia de esas señales. Como el estudio no da métricas cuantitativas, la acción se enfoca en entender el cambio de control (menos control directo, más dependencia de terceros) más que en estimar impacto numérico.
Analiza cómo la optimización para motores generativos (GEO) y los puja/segmentación de búsqueda patrocinada cambian los resultados de marketing dentro del ecosistema de búsqueda. Ayuda a definir implicaciones estratégicas para ajustar ofertas y contenidos cuando aparecen “AI overviews”, reduciendo el riesgo de perder visibilidad frente a formatos generados.
El trabajo propone un modelo en dos partes para entender cómo la exposición en listas citadas, el tipo de autor y la visibilidad de marca influyen en qué contenido aparece como respuesta en motores generativos. Aporta un marco aplicable para GEO orientado a medir y ajustar prominencia en LLM, priorizando estrategias de selección y citación por tipo de fuente.
Propone un marco para entender cómo la IA generativa puede amplificar poder, percepción e influencia en la optimización tipo GEO, ayudando a definir tácticas más efectivas. Ayuda a traduce el enfoque “Machiavélico” a decisiones accionables sobre posicionamiento y contenido para mejorar visibilidad en motores generativos.
El paper aborda el Entity Drift en modelos generativos y cómo puede provocar desalineaciones en la identidad de marcas, afectando la precisión de respuestas y el rendimiento GEO. Ofrece un marco para entender y corregir la representación errónea, útil para definir controles de calidad y reducir el riesgo de desinformación asociada a entidades en LLM.
Propone una teoría de gobernanza para la búsqueda generativa, donde el “incumbent” de alta autoridad y los especialistas de baja autoridad invierten en GEO para volver “legible” la relevancia existente. Ayuda a identificar riesgos de ventaja estructural y define cómo evaluar autoridad, relevancia y bienestar para diseñar una estrategia GEO más justa.
El trabajo aporta evidencia de cómo la Generación Z está pasando de Google a motores de IA generativa, acelerando el comportamiento de "cero clic" y reduciendo el impacto del tráfico orgánico clásico. Te ayuda a ajustar tu estrategia GEO para mantener presencia en respuestas generadas, con foco en optimizar el contexto y la intención que alimentan los sistemas generativos.
Propone un marco de cumplimiento denominado Structural Authority Standard orientado a la optimización de zero-click con controles de verificación para reducir riesgos de desalineación con las reglas de las plataformas. Define qué evidencias y criterios estructurales deben mantenerse para sostener la “autoridad” y mejorar la consistencia del rendimiento en motores de respuesta.
Propone aplicar machine marketing en etapas tempranas del journey, con enfoque en generative engine optimization (GEO) para atraer a usuarios antes del “descubrimiento” tradicional. Ayuda a redefinir el rol del contenido y la señalización para que el modelo generativo priorice la marca, alineando tácticas de GEO con el momento en el que el cliente decide.
El trabajo utiliza una auditoría multiplataforma de 2,729 negocios para evidenciar que las señales off-page impactan la visibilidad en búsqueda de IA de forma distinta según el modelo. Para equipos GEO, esto se traduce en priorizar la medición por modelo y plataforma y en ajustar la estrategia de señales externas (por ejemplo, menciones y autoridad) antes de escalar campañas.
El paper conecta el autoservicio digital con la confianza y explica cómo la discoverability puede influir en la disposición a comprar sin contacto humano en ventas B2B de consultoría TI. Aporta un marco para aplicar generative engine optimization (GEO) orientado a motores de IA, mejorando el hallazgo del servicio cuando los prospectos buscan respuestas y proveedores con ayuda generativa.
Propone ENDEX (Endorsement Index) para medir y auditar cómo los modelos de lenguaje “cualifican” las fuentes cuando citan evidencia empírica en salidas generativas. Te ayuda a evaluar de forma sistemática la calidad y el respaldo de las citas frente a criterios operativos, reduciendo la incertidumbre en la trazabilidad de la información.
Presenta un estudio de caso sobre Generative Engine Optimisation (GEO) para que perfiles y contenidos sean reconocidos y citados por motores de búsqueda generativa. Sirve como guía práctica para equipos GEO al mostrar cómo aumentar la visibilidad en plataformas líderes como ChatGPT, Google Gemini, Meta AI y Perplexity AI.
El estudio propone “Knowledge Formation Optimization (KFO)” y lo contrasta con “GEO”, analizando cómo una mejora de citación por consultas directas puede no traducirse en atribución espontánea estable en consultas cercanas y de decisión comercial, tras aplicar un caso documentado.
Los datos
En un estudio previo citado de GEO, al optimizar contenido se logra “hasta un 40%” de mejora en visibilidad/citación en respuestas de motores generativos (sobre un total de 10.000 consultas)
El paper distingue dos resultados medidos/observados en el caso: (1) mejora de citación en consultas directas (“retrieval visibility” alta) y (2) aparición posterior de “atribución espontánea estable” y generación de respuesta orientada a decisión comercial en clases de consulta adyacentes
El paper afirma una predicción discriminante: con optimización tipo GEO, puedes ver mejoras de citación en consultas objetivo, pero “no por sí sola” lograr atribución espontánea estable en clases adyacentes cuando el “baseline” está ausente o dominado por señales intermediarias; con KFO se espera que ocurran ambos
Define 3 condiciones concretas del problema de “formation layer”: ausencia, dominancia de señales intermediarias y “conceptual dilution” (dilución conceptual)
Presenta 5 principios operativos de KFO (5 “operating principles”) como base del método para tratar el problema de formación antes de cualquier recuperación/citación
Conclusión del estudio
El paper muestra que mejorar la citación en consultas directas (lo que GEO optimiza) no garantiza atribución espontánea estable y uso consistente de la marca como marco evaluativo en consultas adyacentes y comerciales; esos resultados aparecen solo cuando el “baseline” de representación se construye con el enfoque KFO. Con sus datos observacionales, el estudio sostiene que el fallo de la “formation layer” es un problema distinto al fallo de visibilidad por recuperación, y por eso KFO define resultados de éxito diferentes a GEO.
Qué significa para ti
Para un consultor SEO/GEO, este paper te ayuda a no confundir “me apareces citado cuando te nombran” con “la IA te usa de forma consistente sin que te mencione” en preguntas cercanas y de decisión comercial. Si el paper tiene razón, el gap típico (citas que sí, atribución espontánea que no) puede explicarse por ausencia/dominancia/dilución en la capa de formación, no por falta de señales de recuperación.
Propone un marco comparativo para pasar de palabras clave a inteligencia, conectando SEO, AEO y GEO en ecosistemas digitales impulsados por IA. Aporta una base teórica ligada a la arquitectura transformer (Vaswani et al., 2017) para justificar decisiones de optimización y priorizar qué enfoque aplicar según el tipo de señal que usa el motor generativo.
Analiza cómo la evolución de los motores de búsqueda y la aparición de la Generative Engine Optimization (GEO) obligan a replantear las estrategias de visibilidad más allá del SEO tradicional. Ofrece una guía de adaptación para profesionales GEO, enfocada en cómo ajustar el contenido y los enfoques de marketing digital conforme cambian las reglas de indexación y entrega.
Analiza cómo los modelos de lenguaje grandes están alterando el panorama de búsqueda y qué implicaciones tiene para la eficacia de las estrategias de Generative Engine Optimization (GEO). Propone evidencia sobre la visibilidad de consultas relevantes, mostrando diferencias marcadas como “ChatGPT search” con un valor de 9 frente a “generative engine optimization” con un valor de 3, útil para priorizar esfuerzos y medir impacto en canales emergentes.
El estudio analiza cómo los sistemas publicitarios basados en IA generativa pueden influir al usuario y qué tipo de intervenciones (desde menciones de producto hasta cambios de preferencia a largo plazo) son más difíciles de detectar y medir.
Los datos
El paper propone una taxonomía de influencia en 4 niveles: (1) menciones de producto, (2) encuadre de la información, (3) redirección del comportamiento, y (4) moldeado de preferencias a largo plazo
Afirma que los sistemas publicitarios desplegados mantienen una “frontera visible” entre contenido comercial y respuestas generadas por IA (según lo que se describe en el estudio)
El estudio señala evidencia empírica de que cuando los anuncios quedan integrados dentro de las salidas del modelo de lenguaje, a menudo los usuarios no los detectan (sin dar porcentaje en el texto proporcionado)
Concluye que tanto sistemas desplegados como mecanismos diseñados concentran la intervención en el nivel más “observable” y “fácil de gobernar”, mientras que las formas de influencia más relevantes para la autonomía del usuario quedan “poco entendidas” y sin herramientas de detección, medición ni divulgación (sin cifras en el texto proporcionado)
Conclusión del estudio
Con los datos que aporta, el estudio demuestra que en IA generativa la influencia comercial no depende solo de “poner anuncios en un sitio” visible, sino de intervenir en el proceso de generación; y que, en la práctica, la parte más importante para la autonomía del usuario es la menos medida y menos detectable.
Qué significa para ti
Para SEO/GEO, este paper aterriza que las menciones “claras” (lo más observable) no son necesariamente donde ocurre la influencia más decisiva en lo que el usuario decide. El estudio sugiere que, si una IA puede integrar o dirigir el contenido sin que el usuario lo detecte, ahí es donde se decide el sesgo (aunque el texto no da métricas para cuantificarlo).
Propone un blueprint para optimizar recomendaciones basadas en agentes (post-search), ayudando a diseñar flujos de decisión que mejoran la relevancia frente a un usuario humano y no solo frente a un motor de búsqueda. Reencuadra prácticas de Answer Engine Optimization y Generative Engine Optimization en un enfoque unificado para iterar en cada ciclo de recomendación.
Propone un marco de “AI Visibility Stack” para orientar la optimización hacia el descubrimiento de agentes y herramientas más allá de AEO, útil para equipos GEO que hoy dependen de señales dispersas. Ayuda a convertir el enfoque de ranking a compatibilidad y descubribilidad en motores generativos, anticipando cambios en cómo se encuentran y seleccionan recursos por agentes.
El estudio revisa qué señales hacen que los motores con IA (tipo ChatGPT/Gemini/Perplexity) citen una marca y analiza, con datos de millones de sesiones, cómo cambia esto respecto al SEO tradicional, además de proponer un “auditoría de preparación GEO”.
Los datos
Analizó 1,96 millones de sesiones mediadas por LLM (entre noviembre de 2024 y noviembre de 2025) provenientes de varios sectores (e-commerce, SaaS, legal, salud y publishing)
Según el informe de industria “AI Visibility Report”, el estudio usa datos de más de 680 millones de citas de LLM para estudiar patrones de citación
Los visitantes que llegan vía citas de LLM convierten hasta 9 veces más que los que llegan desde búsqueda orgánica tradicional (cita atribuida a Bell, 2025)
Aunque la conversión de LLM es mucho mayor, solo el 16% de las marcas monitorea de forma sistemática su presencia en búsquedas con IA (dato del propio resumen del estudio)
En el experimento citado (GEObench, 10.000 consultas), las señales clásicas de SEO como la densidad de palabras clave tuvieron influencia mínima en la probabilidad de cita; en cambio, señales ligadas a “autoridad epistémica” (estadísticas y citas/fragmentos de autoridades) mejoraron la visibilidad hasta en un 40%
Conclusión del estudio
El estudio demuestra que en motores generativos la citación no depende tanto de señales típicas de SEO (como keyword density), sino de señales de “evidencia y autoridad”, y además que el tráfico citado por LLM puede convertir mucho mejor. Aun así, la mayoría de marcas no está monitoreando su visibilidad en IA (solo 16%), lo que sugiere un desajuste entre impacto real y control/medición.
Qué significa para ti
Para un consultor SEO/GEO, el mensaje operacional del estudio es que “diseñar para rankear” no es suficiente: la citación mejora cuando el contenido aporta evidencia (estadísticas) y referencias a autoridades (citas/fragmentos), porque esas señales empujan la probabilidad de ser citado. Y el dato del 16% indica que, en la práctica, el mayor hueco de mercado no es solo el contenido, sino no medir/monitorizar la presencia en respuestas con IA.
Evalúa la precisión con la que distintas plataformas de IA generativa entregan información promocional durante lanzamientos de smartphones, lo que permite medir su fiabilidad para búsquedas de intención comercial. Aporta un enfoque de evaluación orientado a GEO para reducir el riesgo de desinformación en rich snippets y resultados asistidos, comparando rendimiento entre plataformas.
Propone un marco para conectar la recuperación de información con la acción de agentes, con el objetivo de aumentar la probabilidad de que la marca sea citada en respuestas sintetizadas. Ayuda a convertir el concepto de Generative Engine Optimization (GEO) en un proceso aplicable para medir y mejorar la visibilidad en mercados mediados por IA.
El estudio analiza, con 43 entrevistas a líderes de marketing e IA en firmas industriales multinacionales, cómo se usa la IA generativa en procesos de marketing B2B y qué cambios produce en tareas y habilidades.
Los datos
Se basó en 43 entrevistas semiestructuradas a líderes de IA y marketing (tanto de firmas industriales multinacionales como de proveedores de tecnología)
El impacto de la IA generativa es “desigual”: afecta sobre todo la fase de implementación, aumentando la automatización y la personalización
El uso de IA generativa para “gestión de la información” y para “planificación” se describe como poco sistemático (no aparece como un cambio organizado en esos pasos)
Conclusión del estudio
Con sus datos, el estudio muestra que en marketing B2B industrial la IA generativa se está aplicando de forma más transformadora en la ejecución (automatiza y personaliza más) que en la información y la planificación (donde el patrón es menos organizado).
Qué significa para ti
Para SEO/GEO, el mensaje práctico es que la automatización con personalización es donde antes se notan cambios operativos, mientras que la citación y el “qué fuentes se usan” no aparecen como un proceso ordenado en fases tempranas (gestión/planificación) según el estudio; por tanto, este paper aporta más contexto sobre adopción y roles que una palanca directa para conseguir citas con IA.
El paper usa preguntas autoevaluadas para medir el nivel de habilidades en Generative Engine Optimization (GEO), lo que permite diagnosticar brechas por generaciones y ajustar la formación. Te ayuda a diseñar y evaluar una instrucción híbrida de SEO y GEO con base en datos de capacidad percibida, mejorando la planificación de contenidos y prácticas formativas.
Propone el modelo KSM™ como marco socio-técnico para pasar de SEO a AEO/GEO manteniendo autoridad de citación y visibilidad en motores de respuesta generativa. Ayuda a equipos GEO a estructurar decisiones y evidencias que influyen en la “citation authority” de forma operativa, reduciendo riesgo de pérdida de autoridad al cambiar de paradigma de búsqueda.
El texto no contiene el contenido del estudio, solo metadatos/página de IEEE Xplore, así que no se puede saber qué investigó ni qué mide.
Conclusión del estudio
Con el material proporcionado no hay datos verificables del estudio, por lo que no puedo extraer hallazgos concretos sobre por qué esas IA citan una fuente.
Qué significa para ti
Puedo resumirlo y convertirlo en acciones solo si pegas el cuerpo del paper (método y resultados) o al menos las tablas/figuras y conclusiones. Con este extracto no hay cifras ni resultados, así que no hay nada accionable.
El paper analiza la transición de SEO tradicional a Generative Engine Optimization, explicando cómo cambian las tácticas cuando la visibilidad depende de motores generativos. Aporta un marco para pasar de optimizar para rankings a optimizar para la generación de respuestas, útil para planificar y priorizar acciones GEO en servicios universitarios.
El paper usa una revisión sistemática de la literatura (SLR) para mapear cómo se ha desarrollado el concepto de Generative Engine Optimization (GEO), lo que permite comparar enfoques y madurez entre trabajos. Esta síntesis ayuda a detectar vacíos y riesgos metodológicos en GEO, mejorando la toma de decisiones para definir una estrategia de visibilidad en búsqueda impulsada por IA.
Propone un marco en cuatro capas para implementar Generative Engine Optimization (GEO), combinando documentación de plataformas con hallazgos de SEO conversacional y resultados observados en Google AI Overviews. Ayuda a estructurar decisiones de contenido, recuperación y alineación con sistemas generativos para mejorar la visibilidad en entornos de motores conversacionales y de respuesta.
El paper estudia cómo una estrategia llamada Generative Engine Optimization (GEO) mejora que las IAs citen un contenido en respuestas generadas, probándolo con dos casos reales (incluida una página de reseñas de un curso, SOYA) y midiendo tasas de citación en ChatGPT y Perplexity.
Los datos
En el caso SOYA, la tasa de citación pasa de 0% a 77,1% en ChatGPT y Perplexity, a pesar de que el posicionamiento tradicional en buscadores era débil o pobre
El paper reporta que “solo” las señales de SEO (posicionamiento/autoridad tradicionales) no fueron suficientes para generar citas en motores generativos (es decir, las clasificaciones por sí solas no produjeron citaciones)
El modelo GEO se descompone en 3 capas semánticas (Semantic Anchoring, Context Triggering y Pragmatic Recomposition) y el estudio mide el papel de cada capa en la visibilidad de la cita dentro de respuestas generadas
Presentan 5 métricas cuantitativas para medir “la preparación” del contenido para GEO (GEO readiness) y así orientar cómo ajustarlo para IA-buscadores generativos
Conclusión del estudio
Según los datos del estudio, las IAs empiezan a citar mucho más cuando el contenido está semánticamente preparado para ser “extraíble” y entendible (las capas de GEO), incluso si el SEO tradicional no está funcionando. El propio caso muestra que el aumento de citaciones (hasta 77,1%) ocurre pese a que las clasificaciones orgánicas por sí solas no impulsaron citas.
Qué significa para ti
Para un consultor SEO/GEO, este paper sugiere que la citación depende menos del “rank” tradicional y más de que el contenido sea semánticamente anclable, dispare contexto y se pueda recomponer en fragmentos (FAQ/listas/hechos) que la IA pueda reutilizar. En la práctica, tu prioridad medible debería ser lograr que el contenido pase de 0 a niveles altos de citación en IAs como ChatGPT/Perplexity, porque el estudio muestra que el posicionamiento solo no garantiza ese salto.
El estudio revisa la literatura sobre Generative Engine Optimization (GEO) y muestra qué criterios y estrategias se repiten para que contenidos influyan en las respuestas de buscadores basados en LLM (visibilidad, influencia y verificabilidad).
Los datos
La revisión concluye que hay una “convergencia” alrededor de 3 tipos de métricas: visibilidad, influencia y verificabilidad (las analiza como foco recurrente en los trabajos revisados)
Entre las estrategias que más se repiten, el estudio identifica mejora de calidad y estructura del contenido como un eje recurrente (aparece como estrategia central en la literatura GEO revisada)
También se repite el uso de datos estructurados como estrategia recurrente para mejorar la atribución/uso por los sistemas generativos (medida como parte del set de estrategias GEO)
Otra estrategia recurrente identificada es el refuerzo de la autoridad y la optimización basada en entidades (vinculada a mejorar la influencia/atribución del contenido en respuestas)
Conclusión del estudio
Con los datos de su revisión, el paper sostiene que en GEO ya no basta con “posicionarse”: lo que se busca es que el contenido sea usado y atribuible por los sistemas generativos, medido sobre todo con visibilidad, influencia y verificabilidad, y logrado mediante calidad/estructura, datos estructurados, autoridad y trabajo por entidades.
Qué significa para ti
Si tu objetivo es ser citado o usado por IA, este estudio te ancla a medir/validar en el mismo eje que la literatura: no solo alcance, sino influencia y verificabilidad. Y como conjunto de prácticas, te indica que lo más repetido como palanca para esa atribución es combinar calidad/estructura con datos estructurados, señal de autoridad y optimización por entidades.
El texto no es un estudio sobre citaciones de IA: explica un sistema anti-scraping (Anubis) basado en “proof-of-work” para frenar el acceso automatizado de empresas de IA a sitios web.
Los datos
El sistema se basa en un esquema de “Proof-of-Work” tipo Hashcash para encarecer el scraping a gran escala
Indica que el coste extra es “ignorable a escala individual”, pero “se acumula” cuando el scraping es masivo, causando que sea mucho más caro
Aclara que es una solución provisional que busca dar tiempo para “fingerprinting” (identificar navegadores sin cabeza), por ejemplo mediante cómo se renderizan las fuentes
Se menciona que Anubis requiere JavaScript moderno y que no funciona si plugins como JShelter lo bloquean, porque “sadly, you must enable JavaScript to get past this challenge”
Conclusión del estudio
Este texto no mide qué hace que una IA cite fuentes, sino que describe cómo un sitio intenta evitar que rastreadores automatizados (incluidos los de empresas de IA) accedan y provoquen caídas o indisponibilidad.
Qué significa para ti
Para un consultor SEO/GEO, el mensaje operativo es que la disponibilidad del contenido para rastreo/copia puede depender de si el sitio exige JavaScript y de si aplica barreras anti-scraping; si la IA no puede acceder, es lógico que no “tome” esa fuente, aunque el texto no aporte números sobre citaciones.
El texto pegado no contiene el contenido de un estudio ni resultados medibles: parece solo una captura/ruido de una página de Google Scholar sin datos sobre por qué o cuántas veces citan fuentes las IA.
Conclusión del estudio
Con este material no es posible afirmar hallazgos del estudio sobre qué hace que una IA cite una fuente, porque no hay métricas, análisis ni resultados incluidos en el texto proporcionado.
Qué significa para ti
Para poder resumirlo con cifras y conclusiones accionables basadas en el estudio, necesitas pegar el apartado de resultados (o el resumen/abstract) donde aparezcan porcentajes, tamaños de muestra o reglas de cita; este fragmento no aporta nada específico.
Propone un marco estratégico para aplicar Machiavellian marketing en GEO, orientado a influir cómo los motores generativos seleccionan, estructuran y reproducen información. Ayuda a definir tácticas y criterios de decisión para mejorar la efectividad de la optimización en contextos de generación automática, reduciendo la improvisación táctica.
El estudio mide cómo varía la “visibilidad por citación” (qué dominios citan las respuestas) en tres motores de búsqueda generativa—Perplexity, OpenAI SearchGPT y Google Gemini—repitiendo consultas sobre tres temas de productos y comparando mediciones de un solo muestreo frente a muestreo repetido.
Los datos
Usa dos regímenes de muestreo: recopilaciones diarias durante 9 días y muestreo de alta frecuencia cada 10 minutos
Encuentra que las distribuciones de citaciones siguen una forma tipo ley de potencias (power-law), en lugar de concentrarse alrededor de un valor único estable
Con intervalos de confianza bootstrap, una parte de las diferencias “aparentes” entre dominios cae dentro del “ruido” del proceso de medición (o sea, no son estadísticamente concluyentes)
La estabilidad del ranking por citaciones es baja: los rankings cambian entre muestras, tanto entre los dominios mejor posicionados como dentro del conjunto de dominios que aparecen con más frecuencia
Conclusión del estudio
El paper demuestra que, en búsquedas generativas, medir visibilidad con una sola ejecución produce una imagen con precisión engañosa: las citaciones cambian lo suficiente como para que rankings y diferencias entre dominios no sean consistentes sin estimar incertidumbre. Por eso, la “visibilidad” por citación debe reportarse con medidas de incertidumbre y no como un número fijo.
Qué significa para ti
Si tu equipo usa métricas de citación de una sola corrida para decidir objetivos (quién citar, qué dominios “ganan”), este estudio sugiere que puedes estar sobre-interpretando cambios que en realidad son variación de muestreo. La señal accionable que aporta es exigir muestreo repetido y/o intervalos de confianza para saber si un dominio realmente “mejora” o si solo fluctúa.
Propone una carta de gobernanza para SMB que traduce las prácticas de GEO en reglas operables para mitigar riesgos de sesgo, alucinaciones y variaciones de resultados en motores generativos. Aterriza controles de calidad y auditoría de cambios siguiendo el enfoque citado por Princeton y Georgia Tech, para aumentar la estabilidad de rendimiento cuando los métodos GEO mejoran visibilidad.
El estudio analiza, con una revisión de literatura y tendencias 2024–2026 (y citando normativa indonesia 2024), cómo cambia la forma en que se atribuyen y citan marcas en resúmenes generados por IA y qué mide (o deja de medir) la “visibilidad” de PR y medios.
Los datos
Plantea que métricas tradicionales como “page views” e “impressions” quedan “obsoletas” porque el usuario recibe el resumen directamente (zero-click), en vez de hacer clic a la fuente
Usa un marco propuesto llamado “Symbiotic Data Supply Chain” para redefinir el intercambio entre PR y medios como suministro de datos estructurados para que la IA otorgue autoridad/citas
Introduce una competencia específica para sostener atribución: “Brand Citation Authority (BCA)” (autoridad para ser citado por marca) y lo vincula a “Generative Engine Optimization (GEO)”
Afirma que la investigación sintetiza literatura y tendencias “de 2024 a 2026” e incluye un análisis de la Regulación Presidencial de Indonesia No. 32 de 2024 (mencionada como insumo, sin cuantificar resultados en el texto proporcionado)
Conclusión del estudio
Este trabajo no prueba con un experimento cuantitativo qué porcentaje de veces citen las IAs, pero sí sostiene (con base en su revisión conceptual) que, en modo zero-click, la citación/atribución depende menos de métricas de tráfico y más de que PR y medios ofrezcan datos de calidad y estructurados para que los resúmenes generados por IA asignen autoridad a la marca.
Qué significa para ti
Como consultor SEO/GEO, este estudio te da una pista accionable en el sentido “conceptual”: si tu marca quiere aparecer citada/atribuida en resúmenes, el foco pasa a la disponibilidad de datos estructurados y atribuibles (lo que llama BCA/GEO), no a impresiones o visitas. Pero al no aportar cifras de citas reales, sirve más para definir qué debería influir que para estimar cuánto impacta.
Propone un marco VS-AEO de optimización para motores de respuestas de IA que adapta el enfoque a la vertical del negocio y al patrón de consulta del usuario en conversaciones con LLM. Usa el dataset WildChat-1M para analizar diferencias por industria y convertirlas en recomendaciones accionables para mejorar la visibilidad local dentro de las respuestas de los modelos.
Propone un marco práctico de evaluación para seleccionar expertos/agencias de personal branding que incluyan GenAI engine optimization, con el objetivo de aparecer dentro de respuestas de IA y no solo en resultados de Google. Facilita comparar capacidades y enfoques para que los equipos GEO alineen procesos, entregables y medición de visibilidad en motores generativos con el perfil del cliente.
Identifica tres patrones de autopromoción en recomendaciones generadas por LLM y muestra cómo eso puede inflar la visibilidad sin aumentar la credibilidad. Propone un marco de verificación de cinco puntos para “comprar” recomendaciones con más rigor y reducir el sesgo en Generative Engine Optimization (GEO).
Propone el SEI como una métrica cuantitativa para medir la legibilidad de marca en entornos mediados por IA, conectando diseño y rendimiento. Define un modelo operativo, el Brand Legibility Framework, que integra Answer Engine Optimization y Generative Engine Optimization para aumentar el equity en mercados donde la marca compite en respuestas de motores.
Define el SEI (SEI: medida cuantitativa) como un indicador de legibilidad para marcas, útil para auditar qué tan entendible es tu marca para motores de respuesta. Propone un modelo operativo, el Brand Legibility Framework, que integra Answer Engine Optimization y Generative Engine Optimization para mejorar visibilidad en entornos de IA.
El estudio encuestó a 1.596 personas en Indonesia (marzo 2026) para medir cómo el uso de herramientas de IA (ChatGPT, Google AI Mode, Gemini y Perplexity) cambia su búsqueda de información y decisiones de compra.
Los datos
El 74,6% de los consumidores en Indonesia dijo haber usado herramientas de IA para investigar productos
El 26,4% de los encuestados fueron clasificados como “usuarios intensivos” de IA
El 52,3% afirmó que menciones de marcas generadas o mencionadas en IA influyen en su consideración de marca
El 79,8% percibe que la IA acelera su proceso de decisión
Conclusión del estudio
Según los datos del estudio, la adopción de IA está muy extendida y se asocia a mayor influencia en la consideración de marcas y a una percepción de decisiones más rápidas, lo que indica que la IA ya está cambiando el comportamiento de búsqueda e información que precede a la compra.
Qué significa para ti
Para SEO/GEO, este estudio sugiere que el impacto en “consideración” ocurre cuando la IA introduce o repite menciones de marcas (52,3%) y cuando el usuario vive la IA como acelerador (79,8%); por tanto, no basta con tráfico web: importa aparecer dentro de esas respuestas que catalizan la decisión.
El texto define qué hace que una marca sea citada por asistentes de IA (ChatGPT, Gemini, Perplexity y Google AI Overviews) y lo aterriza con métricas y datos que dicen usar Creo, centrados en entidad/markup, “Answer-First” y señales locales.
Los datos
Menciona 38% como “primera estimación” del porcentaje de consultas que ya pasan primero por asistentes de IA antes de que abra un buscador tradicional
Indica 88 “Ciudades del condado de Los Ángeles” con declaraciones de entidades geográficas enlazadas a Wikidata dentro del @graph (no como texto plano)
Afirma “127+” entidades Schema.org por cliente como mínimo de Creo, frente a un promedio de “3–5” tipos de schema básico en la industria
Para crawl, cita una “75% Crawl Waste Rule” (gestión del presupuesto de rastreo) como criterio SEO de su estrategia
Para contenido AEO, dice que el contenido debe resolver la consulta en los “primeros 150 palabras” (y usar TL;DR + FAQ con “10+ preguntas” + SpeakableSpecification)
Conclusión del estudio
Este estudio (tal como está en el texto) sostiene que las citas de IA dependen sobre todo de que la marca esté estructurada como entidad verificable y “listada” en un grafo (Schema.org @graph + mapeo semántico) y que el contenido esté diseñado como respuesta directa (Answer-First, con foco en primeros 150 palabras) y anclado a geografía consistente. Con esos requisitos, la “Generative Citation Rate (GCR)” sería el equivalente a ser citado como fuente en resúmenes generados por IA.
Qué significa para ti
Para un consultor SEO/GEO, la parte operativa que más se puede “aterrizar” con números del texto es la prioridad: más entidades (127+ vs 3–5), geografía en entidades (88 ciudades con Wikidata) y respuesta en el arranque (primeros 150 palabras). Si tu ventaja está en “ser entendible por máquinas” (grafo/coherencia) y no solo en ranking, el estudio lo conecta directamente con GCR; si no tienes esas capas, el propio texto dice que tu GCR sería “cero”.
Propone un marco práctico para implementar flujos de trabajo con agentes de IA en la automatización de marketing a escala, alineándolo con procesos existentes en agencias. Integra explícitamente la Generative Engine Optimization (GEO) con mejores prácticas para mejorar la visibilidad y la eficiencia operativa de los equipos de marketing digital.
El estudio revisa décadas de investigación para explicar qué factores hacen que una idea se adopte y se difunda (confianza, posición social del mensajero y estructura de la red), conectándolo con el modelo de Rogers y la teoría de redes de Granovetter y Burt.
Los datos
Rogers clasifica adopción en 5 grupos con estos porcentajes: Innovators 2.5%, Early Adopters 13.5%, Early Majority 34%, Late Majority 34% y Laggards 16%
El modelo indica que Early Adopters (13.5%) actúan como líderes de opinión y su adopción dispara el comportamiento en cascada del Early Majority (34%)
Granovetter (1973) encuentra que la información novedosa cruza límites sociales sobre todo por “weak ties” (conocidos), mientras los “strong ties” (amigos cercanos) tienden a circular información redundante dentro de grupos cerrados
En el estudio citado de Granovetter (1973), los empleos se consiguen principalmente mediante conocidos, no mediante amigos cercanos (por la diferencia de mundos sociales a los que acceden)
Burt (1992) sostiene que quienes puentean “structural holes” entre clusters desconectados obtienen ventaja competitiva desproporcionada (acceso más temprano a información no redundante y más control del flujo entre mundos)
Conclusión del estudio
El artículo concluye que la adopción y la “difusión” no dependen solo de que algo sea nuevo, sino de la confianza y, sobre todo, de la estructura: qué tipo de conexiones llevan la información y en qué posición de la red actúa el mensajero.
Qué significa para ti
Para un consultor SEO/GEO, estos hallazgos se traducen en que no basta con “ser relevante”: lo decisivo es si tu marca/entidad aparece como un puente entre grupos (capturando información no redundante) y si tu adopción puede ser observable y creíble vía los “lazos débiles”, porque eso es lo que acelera el salto del grupo temprano al mayoritario según el propio artículo.
El texto pegado no es un estudio con resultados: parece una página/ruido de Google Scholar (mensajes de carga, ajustes e interfaz) y no contiene mediciones sobre qué hace que una IA cite fuentes.
Conclusión del estudio
Con este contenido no se puede extraer qué investiga el estudio ni qué encontró: no hay datos ni resultados específicos sobre citas de IA.
Qué significa para ti
Este texto no aporta evidencia accionable para SEO/GEO; necesitas el PDF completo o al menos la sección de metodología y resultados del estudio para poder resumir cifras y hallazgos reales.
Propone un marco de visibilidad en cuatro capas para GEO/AEO, señalando que los enfoques habituales solo cubren la tercera capa y dejan tres capas fundamentales sin definir. Ayuda a tu equipo GEO a estructurar auditorías y mejoras con una ruta más completa para aumentar la visibilidad en sistemas de respuesta, no solo en rankings tradicionales.
El paper identifica cómo la evolución de la IA está transformando el buscador y por qué surgen enfoques nuevos como Answer Engine Optimization (AEO) y Generative Engine Optimization (GEO) para capturar la visibilidad en entornos generativos. Proporciona una base conceptual útil para ajustar tu estrategia GEO hacia señales orientadas a respuestas y a la calidad del contenido, en lugar de enfocarte solo en rankings tradicionales.
El estudio revisa cómo la IA está cambiando la evolución de e-commerce y compara el paso desde SEO hacia GEO y desde competir por precio hacia competir por valor, apoyándose en proyecciones de mercado de IA en retail.
Los datos
Proyecta que el mercado de IA en e-commerce retail crecerá de 19,98 mil millones de dólares (2025) a 398,65 mil millones de dólares (2034), con un crecimiento anual compuesto del 40,3%
Afirma que el papel de la IA en e-commerce cambia de “herramienta asistiva” a “agente autónomo” y que “Agentic Commerce” pasa de lo conceptual a implementación práctica
Señala un cambio del foco competitivo de “captación de tráfico” a “calidad y estructuración de datos”, vinculándolo a la evolución operativa desde SEO hacia GEO
Describe el cambio de competencia de “precio” a “valor”, afectando producto, experiencia de servicio y eficiencia de la cadena de suministro
Conclusión del estudio
Con los datos que aporta, el paper no mide qué hace que una IA cite una fuente, sino que concluye que la IA está reordenando la lógica competitiva de e-commerce (incluyendo el giro de SEO a GEO y de precio a valor).
Qué significa para ti
Como contexto para GEO, el estudio sugiere que el valor para las IA no se limita a “tráfico”: pesa más la calidad/estructura de datos y la entrega de valor (producto, servicio y suministro). Pero no aporta métricas ni hallazgos directos sobre citación de fuentes, así que no se puede usar para inferir exactamente qué tipo de páginas consiguen más citaciones.
Propone una “capa de selección” con declaraciones de elegibilidad estructuradas que se sitúa antes de técnicas de optimización como AEO y GEO, ayudando a controlar qué contenido puede ser descubierto o activado por sistemas de IA. Reduce el riesgo de descubrimiento no deseado y mejora la gobernanza al hacer trazables los criterios de elegibilidad desde la arquitectura previa a la optimización.
Propone una doctrina (Maria Johnsen) para convertir a la marca en la fuente principal y de confianza mediante Generative Engine Optimization. Aporta un marco práctico para alinear citaciones y autoridad semántica, con el objetivo de lograr dominancia cognitiva frente a motores generativos.
Propone usar la enshittification como marco para anticipar cómo pueden degradarse calidad, acceso y valor en plataformas de IA generativa a medida que escalan. Ayuda a orientar enfoques de política y gobernanza al identificar señales tempranas de declive y definir salvaguardas antes de que afecten a usuarios y ecosistemas.
El trabajo analiza qué señales a nivel de página y de dominio influyen en que un URL sea citada por búsquedas de IA, usando un enfoque de “control de posición” para separar efectos por ranking. Aporta criterios accionables para GEO al identificar predictores distintos entre página y dominio, ayudando a priorizar optimizaciones orientadas a aumentar la probabilidad de citación en la primera página.
El texto que has compartido no contiene un estudio sobre IA y citaciones: es solo una página/fragmento de Google Scholar con mensajes de interfaz, sin datos ni resultados de investigación.
Conclusión del estudio
Con este material no se puede determinar qué hace que las IA citen una fuente, porque no hay metodología, mediciones ni hallazgos del estudio.
Qué significa para ti
Necesitaría el texto real del paper (la parte de resultados o conclusiones) para extraer cifras concretas. Con este fragmento solo puedo confirmar que no hay información útil sobre citaciones por IA.
Plantea cómo la gobernanza algorítmica puede limitar la autonomía humana al dirigir decisiones mediante nuevas arquitecturas de deseo, especialmente con motores generativos. Anticipa una transición acelerada hacia la generative engine optimization que reduce los embudos tradicionales a milisegundos, con impacto directo en estrategia GEO y necesidad de controles de riesgo.
El estudio revisa, con datos de 2019 a 2024, cómo cambia el proceso de marketing digital en un caso B2B de FinTech (FinTech Products) al pasar de un funnel lineal a un modelo de crecimiento, y mide qué impacto tiene en métricas como tráfico web y generación de leads.
Los datos
La eficacia global del proceso pasa de 5,5 a 8,2 sobre 10 entre 2019–2024
El tráfico anual del sitio web aumenta un 167%
La generación de leads crece un 214%
El trabajo enmarca el cambio desde funnels tradicionales hacia un modelo de “growth flywheel” y la aparición de GEO (Generative Engine Optimization)
Conclusión del estudio
El estudio concluye que una operación digital más madura y estructurada, con enfoque data-driven, se asocia a mejoras claras en rendimiento (eficacia, tráfico y leads) en el caso analizado. No aporta mediciones directas de citas por IA (por ejemplo, cuántas veces cita ChatGPT/Perplexity/Gemini/Claude/Google AI una fuente), así que su evidencia es sobre resultados de marketing digital, no sobre “ser citado”.
Qué significa para ti
Como consultor SEO/GEO, este paper sirve sobre todo para justificar el foco en procesos y optimización orientados al crecimiento (incluida GEO) por sus subidas en tráfico y leads, pero no da datos que permitan inferir qué tipo de fuentes hace que una IA cite tu contenido.
Propone medir la distribución de rangos de Google específicamente en páginas citadas por IA, para evaluar si el GEO difiere del SEO tradicional. Ofrece un marco para identificar el “SEO floor” y comparar visibilidad real entre páginas con citación IA, ayudando a definir objetivos y benchmarks GEO basados en datos.
El estudio analiza cómo la búsqueda generativa en Google (SGE y AI Overviews) cambia el consumo de contenido y reduce el tráfico orgánico, comparando métricas globales con el caso del sitio zembaron.ru.
Los datos
En el caso zembaron.ru, el tráfico diario desde Google pasó de ~4000 visitas/día a ~40 visitas/día en 2025-2026: una caída del 99% (según el análisis con Yandex.Metrika)
Para zembaron.ru, los picos del periodo 2016-2021 fueron de 120.000 visitas/mes (aprox. 3800-4000 visitas/día), antes del desplome
El estudio macro citado (University of Washington) analizó 52.262 artículos de Wikipedia en inglés y encontró que AI Overviews reduce el tráfico orgánico diario en promedio un 15-17%
En ese análisis de 52.262 artículos, la pérdida estimada asociada a AI Overviews equivale a 4,2 mil millones de visitas/año
Según el mismo estudio macro, las caídas fueron mayores en temas de tipo cultural-bытовой y legal, y las instrucciones/guías fueron las más afectadas (mencionan que las instrucciones como categoría sufrieron la máxima canibalización; en el caso zembaron.ru el efecto llegó al 99%)
Conclusión del estudio
Con sus datos, el estudio muestra que la búsqueda generativa en Google canibaliza el tráfico orgánico: sustituye el clic al origen por respuestas/resúmenes en la propia SERP (zero-click) y deja especialmente dañadas las páginas de instrucciones y contenido procedimental.
Qué significa para ti
Para SEO/GEO, este paper ancla un riesgo medible: en nichos de “paso a paso” y legales (YMYL), el paso a AI Overviews puede llevar a pérdidas extremas de tráfico desde Google (en el caso del estudio, -99%). También sugiere que el impacto no es solo de un sitio: en el gran análisis con Wikipedia, el efecto promedio fue -15% a -17% y se concentra más en categorías donde la IA puede dar una respuesta corta completa.
Identifica el “gap de capacidad de respuesta” en IA generativa: aunque una persona pueda tener control (p. ej., capacidad de sobrescritura), puede no quedar como autora real de la decisión y el accountability se diluye. Úsalo para evaluar riesgos de cumplimiento en procesos GEO y de contenido con IA, reforzando trazabilidad, validación humana y auditoría de quién aprueba qué.
Propone un marco GEO-First que integra visibilidad en buscadores, gestión de reputación online y autoridad digital para impulsar crecimiento orgánico en la era de la IA. Ayuda a operacionalizar decisiones de contenido y SEO conectándolas con señales de presencia y sentimiento, mejorando la coherencia del plan y la priorización de acciones.
Propone evaluar LLMs en entornos públicos no solo por alucinaciones, sino por interpretaciones erróneas culturales e institucionales que pueden dañar la calidad percibida y la confianza. Enmarca la necesidad de pasar de SEO tradicional a Generative Engine Optimization para instituciones, alineando criterios de evaluación con el contenido y la intención que estos modelos exhiben al usuario.
Propone un marco de medición para Zero Click Marketing que evalúa exposición, comprensión, recuerdo, confianza y demanda futura en múltiples superficies como búsqueda, redes sociales y plataformas de IA generativa. Ofrece un enfoque aplicable a GEO para cuantificar influencia distribuida y conectar señales de atención a resultados futuros, usando evidencia y discusión del entorno de Google Marketing Live 2026.
El paper revisa literatura sobre SEO en e-commerce y explica qué factores (técnicos, de experiencia de usuario y de relevancia semántica) influyen en la visibilidad orgánica, pero no aporta datos específicos sobre citas de IA (ChatGPT/Perplexity/Gemini/Claude) ni mide ese efecto.
Los datos
No hay resultados medidos en el documento: se indica que es una “revisión sistemática de literatura” y el estudio dice que “Downloads / Download data is not yet available”
En el texto no aparece ninguna métrica cuantitativa sobre IA citando fuentes (por ejemplo, % de menciones, tasa de cita, modelos analizados o corpus de páginas)
Las fuentes listadas en referencias son sobre e-commerce/SEO y otros temas, pero el paper no presenta un análisis empírico propio que relacione una fuente concreta con que una IA la cite
La contribución descrita es síntesis y “futuras líneas de investigación”, sin experimentos ni conteo de citas por modelo de IA
Conclusión del estudio
Este estudio no demuestra qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen una fuente; su foco es SEO en e-commerce y la relevancia orgánica, sin datos propios que midan el comportamiento de citación por IA.
Qué significa para ti
Útil para contexto sobre qué señales SEO tienden a mejorar visibilidad en e-commerce, pero con el texto actual no puedes usarlo para justificar tácticas basadas en “ser citado por IA” porque no hay mediciones ni cifras sobre citación.
El estudio compara 5 servicios rusos de GEO (optimización para visibilidad en búsquedas generativas) con una metodología de 13 criterios y muestra cuánto cubre cada uno el ciclo completo desde diagnóstico hasta prueba de aumento de menciones en respuestas de IA.
Los datos
Se evaluaron 5 servicios (GeoWatch, GEO Scout, VisioBrand, Rush Analytics, Metricore) con 13 criterios ponderados (suma de pesos = 100) y una escala de cobertura: + = 1,0; ± = 0,5; - = 0,0
El ciclo completo (incluyendo “engineering technical assignment” y resultado medido en respuestas de redes neuronales) lo cubre solo 1 servicio en la muestra
GeoWatch logra el mejor puntaje integral de “completitud funcional”: 76/100, pero obtiene 0 en 2 criterios clave: no hay análisis multilingüe (K11) y no hay atribución de tráfico desde IA con analítica web (K12)
En la muestra, la mayoría de productos se limita a monitoreo y análisis de tono: el estudio indica que “la mayoría” está limitada a esas funciones (con el ciclo completo siendo la excepción)
Un criterio donde la atribución está confirmada solo parcialmente: el estudio reporta que la atribución de tráfico desde IA (K12) la asegura confirmadamente solo VisioBrand vía integración con Yandex.Metrika; Rush Analytics lo tiene “parcialmente”
Conclusión del estudio
Según los datos del estudio, los servicios GEO rusos están mucho más cerca del monitoreo (mencione y tono) que de un ciclo completo con entrega técnica y prueba medible dentro de respuestas de IA. Incluso el líder por puntaje (GeoWatch) falla en capacidades concretas como multilingüismo y atribución de tráfico desde IA (0 en esos criterios).
Qué significa para ti
Para decidir qué tecnología contratar, este estudio sugiere mirar el “cubrimiento del ciclo” por criterios medibles: que el proveedor pase de monitorear a dar un entregable técnico y poder mostrar crecimiento medido en menciones (y no solo “análisis/tono”). También ayuda separar proveedores por dos huecos frecuentes en la muestra: multilingüismo (GeoWatch queda en 0) y atribución con Metrika (confirmada solo en VisioBrand).
El trabajo identifica leyes empíricas para la búsqueda mediada por IA que culmina en descubrimiento “zero-click”, lo que ayuda a diseñar estrategias orientadas a capturar visibilidad sin depender del clic. Te permite priorizar mejoras en señales de respuesta (p. ej., calidad, cobertura y alineación con consultas) para aumentar la probabilidad de ser citado o referenciado por motores de respuesta.
El paper advierte que no todos los tokens aportan el mismo valor y que modelos con compuertas de calidad pueden reducir la eficacia de contenidos manipulados, algo relevante para mitigar el GEO. Ofrece un marco para evaluar qué señales de calidad dominan la generación y para endurecer estrategias de moderación y auditoría cuando se busca posicionar en respuestas de motores generativos.
El artículo propone medir mejor el comportamiento de citación de la IA y no asumir que el ranking tradicional de Google lo predice. Aporta una perspectiva basada en la intención de búsqueda como variable clave, ayudando a los equipos GEO a evaluar y ajustar contenido y señales para maximizar citaciones reales en entornos de chat.
El paper analiza cómo la answer-engine optimization puede transformar la búsqueda en un veredicto sin fuentes, elevando el riesgo de opacidad y pérdida de agencia del usuario. Proporciona un marco para evaluar la ética y la atribución de autoría en respuestas generadas, lo que ayuda a definir controles de gobernanza y auditorías de calidad para equipos GEO.
El paper argumenta que no basta con la precisión del contenido: el formato del resultado afecta la percepción de ayuda por parte del usuario, por lo que debe incluirse en la estrategia de GEO. Proporciona un marco para aplicar AEO/GEO al ajustar estructura y presentación, con énfasis en que los avances recientes (mencionados en el abstract con numeración como “23” y “76”) están orientados a mejorar la utilidad percibida más allá de la exactitud.
El estudio revisa qué condiciones hacen que sistemas de IA citen una fuente (en ChatGPT/Bing AI/Gemini/Google AI/Claude), y usa datos de investigación y de medición (citas, dashboards y estudios de clics) para mostrar cómo cambia la visibilidad desde “rank” a “cita correcta”.
Los datos
En los experimentos citados sobre “GEO”, ciertos cambios de contenido pueden mejorar la visibilidad en respuestas de motores generativos hasta en un 40%; también reporta que el “keyword stuffing” rinde mal o puede empeorar
Microsoft mostró en su preview (10-feb-2026) reporting específico de IA (páginas citadas, frases de grounding y actividad a nivel de página); y luego añadió métricas en el dashboard (rolling alrededor del 16-jun-2026) como Citation Share, que se expresa como porcentaje de citas para una consulta de grounding (ejemplo del estudio: 3 citas de 10 visibles = 30% de share)
Pew Research encontró que cuando los usuarios vieron un AI summary en Google, el clic a un resultado tradicional ocurrió en el 8% de las visitas vs 15% cuando no hubo AI summary; además, los enlaces dentro del AI summary se clicaron solo en el 1% de las visitas
El estudio de Pew analizado se basó en 68.879 búsquedas de 900 adultos durante un mes, donde 12.593 búsquedas produjeron un AI summary
Conclusión del estudio
Con los datos y ejemplos del propio estudio, se concluye que la “cita” de una IA no depende de trucos técnicos exclusivos, sino de si la organización es una fuente recuperable y representable con material identificable y verificable; y que el éxito real se mide por cita correcta (no solo por menciones o presencia) y por el impacto de esa representación.
Qué significa para ti
Para SEO/GEO, el hallazgo accionable es que el KPI ya no puede ser solo rank o clicks: el estudio muestra que existe medición de “share de citas” (Bing) y que los AI summaries reducen clics (Pew), así que hay que gestionar y validar cómo te citan (precisión/grounding) aunque no haya tráfico directo visible. Si trabajas con contenido evidencial (estadísticas, citas, estructura de evidencia), el estudio vincula esa forma de presentar información con mejoras de visibilidad de hasta 40% en motores generativos.
El trabajo conecta la optimización para buscadores con el enfoque emergente de Generative Engine Optimization (GEO) y la influencia del aprendizaje automático en los rankings. Ayuda a equipos GEO a decidir cómo mantener la eficacia del marketing en la industria tecnológica durante periodos de cambios en algoritmos y modelos de IA.
El paper aborda qué tan visibles son las escuelas alemanas de BWL (negocios) dentro de las respuestas de ChatGPT y modelos similares, aportando una base empírica para evaluar presencia en IA generativa. Ayuda a GEO a traducir la “visibilidad en IA” en un problema medible y comparable para priorizar optimizaciones de marca y contenido.
Evalúa afirmaciones de citación de modelos de lenguaje para marcas brasileñas con un estudio a escala (N=7.052) durante 12 días, aportando evidencia sobre fallos frecuentes al cerrar conclusiones basadas en citas. Ayuda a equipos GEO a validar resultados con auditorías y controles de consistencia para reducir sobreconfianza en claims no verificables.
El texto no incluye el contenido del estudio (solo una vista previa de ProQuest), así que no se puede saber qué analiza ni qué resultados mide sobre cuándo las IA citan fuentes.
Conclusión del estudio
Con el material proporcionado no hay datos del paper para concluir qué hace que las IA citen una fuente, porque el estudio no está incluido en el texto que compartiste.
Qué significa para ti
Necesito el extracto real del trabajo (por ejemplo: resumen/abstract, resultados o conclusiones) para poder extraer cifras concretas. Si pegas esas secciones, te devuelvo los hallazgos con datos duros y su implicación SEO/GEO.
El texto pegado no contiene información del estudio sobre IA (ChatGPT/Perplexity/Gemini/Google AI/Claude) ni datos medidos; es solo contenido de una página de Google Scholar (mensajes de carga/ajustes/idiomas).
Conclusión del estudio
Con este fragmento no se puede determinar qué hace que las IA citen una fuente, porque no aparecen resultados, metodología ni cifras del estudio.
Qué significa para ti
Este material, tal como está, no aporta evidencia accionable para SEO/GEO sobre citas de IA. Si me compartes el PDF correcto (o las secciones de “resultados”/“mediciones” con cifras), lo resumo y te saco hallazgos concretos.
Propone un modelo de desplazamiento dual para entender cómo la publicidad basada en clics pierde eficacia cuando la visibilidad pasa a depender de si un sitio aparece en salidas generadas por motores de IA (GEO). Ayuda a orientar la medición GEO más allá del CTR, enfocándola en inclusión y cobertura en respuestas de agentes, para ajustar presupuesto y creatividad a los nuevos recorridos.
El paper revisa tendencias y estrategias de marketing digital y cómo medir su efectividad, pero no realiza un estudio empírico propio y usa varios gráficos “hipotéticos” para ilustrar relaciones como gasto vs ROI.
Los datos
El trabajo declara 5 objetivos: examinar estrategias (social media, contenido, SEO, programática), evaluar efectividad en notoriedad e interacción, analizar desarrollos como personalización/influencers, revisar tendencias con “datos hipotéticos” y proponer recomendaciones
Incluye el “Figura 1. Global Digital Marketing Channel Usage (Hypothetical)” para mostrar uso y rendimiento de canales, pero el texto solo indica que es hipotético (no da porcentajes o métricas reales)
Incluye el “Figura 2. Global Digital Marketing Spend vs ROI (Hypothetical)” y afirma que “aumenta el gasto global en marketing coincide con un aumento de ROI” por mejor segmentación y medición, pero no aporta cifras ni magnitudes
Presenta “Figura 3. Global Digital Engagement Growth (Hypothetical)” para ilustrar crecimiento de engagement, también descrito como hipotético, sin datos numéricos en el texto aportado
Conclusión del estudio
Con los datos que aporta este paper, la “prueba” de qué hace que una IA cite una fuente no aparece: el artículo no evalúa citación por modelos (ChatGPT/Perplexity/Gemini/Claude/otras) y además sus figuras clave son solo ilustraciones hipotéticas.
Qué significa para ti
Como consultor SEO/GEO, este paper te sirve solo como contexto general sobre marketing digital y cambios hacia AEO/GEO, pero no aporta evidencia accionable sobre el mecanismo de citación por IAs porque no mide citaciones ni ofrece datos reales de ese proceso.
El estudio (en formato de artículo) analiza cómo Google Analytics puede distinguir visitas que vienen de respuestas de IA (ChatGPT, Gemini, Claude) y qué tan grande es ese tráfico medible hoy.
Los datos
La identificación del tráfico IA se hace en Google Analytics usando el canal “Referral” y el referente del navegador (cabecera HTTP “Referer”)
Los “orígenes” que el artículo menciona para clasificar visitas son: chat.openai.com, gemini.google.com y claude.ai
Según un caso citado en el texto, un medio pasó de 0,1% a cerca de 2% de tráfico referent en menos de seis meses (por IA)
El artículo cita a Forrester (junio 2026) estimando que el tráfico referent desde motores de IA podría llegar a 5% a 10% del tráfico total para sitios con alta experiencia hacia 2028
El propio texto reconoce límites: si el usuario no hace clic en ningún enlace, esa “impresión” de marca no queda registrada en Google Analytics (solo se mide la parte que termina en clics y atribución)
Conclusión del estudio
El estudio muestra que, aunque el volumen de tráfico IA medible todavía es pequeño, ya se puede cuantificar en Google Analytics a través de “Referral” cuando hay clics, y que ese tráfico crece rápidamente. También evidencia que la medición es incompleta: la falta de clics deja parte del impacto IA fuera de los números.
Qué significa para ti
Para tu analítica GEO, el hallazgo clave es que el “tráfico IA medible” se traduce en “Referral” desde dominios concretos (chat.openai.com, gemini.google.com, claude.ai) y, si tu contenido no genera clics, no lo vas a ver reflejado en GA. Como el artículo muestra crecimiento rápido (0,1% a ~2% en 6 meses en un caso), merece la pena seguir ese KPI aunque hoy sea un “señal débil”, porque el estudio sugiere que se convertirá en canal relevante (estimación Forrester hasta 5%-10% hacia 2028).
Ofrece una revisión de algoritmos para identificar conjuntos de palabras clave semánticas, útil para comparar enfoques de GEO orientados a aumentar la cobertura temática. Enmarca el desarrollo con un referente bibliográfico (GEO como paradigma publicado en 2025), lo que facilita usar la literatura como benchmark para reducir variabilidad en la selección de keywords semánticas.
El trabajo analiza cómo la IA generativa cambia el SEO y compara qué dominios aparecen en Google, ChatGPT y Perplexity para ver en qué se diferencian los sitios “visibles” en buscadores tradicionales de los que “son citados” por modelos de IA.
Conclusión del estudio
El estudio concluye que la IA generativa no elimina el SEO, pero sí lo transforma: la visibilidad y el valor de la presencia pasan a medirse también por citas y reconocimiento en motores generativos. Al hacerlo, propone que el enfoque combine SEO con GEO y AEO, no solo por volumen de tráfico.
Qué significa para ti
Como no aporta cifras concretas (por ejemplo, porcentajes de coincidencia o cuánto cambia la cita), este paper sirve más como mapa del cambio de criterio (tráfico vs. presencia/citas) que como palanca táctica medible. Si vas a ajustar tu estrategia, pide/contrasta datos del análisis empírico (los resultados de Google vs. ChatGPT vs. Perplexity) para convertir la idea de “dónde se citan” en objetivos operativos.
El estudio analiza cómo 9 agentes de código y 6 asistentes de IA hacen llamadas a un endpoint de documentación técnica, midiendo patrones HTTP (peticiones, User-Agent y cabeceras) y cómo cambian las métricas de uso real.
Los datos
Probaron 9 agentes: Aider, Antigravity, Claude Code, Cline, Cursor, Junie, OpenCode, VS Code y Windsurf; y 6 asistentes: ChatGPT, Claude, Google Gemini, Google NotebookLM, MistralAI y Perplexity
El comportamiento de acceso de estas IA genera firmas identificables en tiempo de ejecución a partir de huellas de HTTP: estrategia de pre-carga (pre-fetch), cadenas User-Agent y patrones de cabeceras
Encontraron que el acceso de agentes de IA “comprime” la navegación típica de varias páginas en 1 o 2 solicitudes, volviendo poco fiables métricas clásicas como profundidad de sesión, tiempo en página, ruta de clics y tasa de rebote
Conclusión del estudio
Según sus mediciones en un endpoint de documentación vivo, los agentes/asistentes de IA no “consumen” la web como un usuario humano: dejan patrones HTTP propios y realizan saltos que hacen que métricas tradicionales no reflejen el consumo real.
Qué significa para ti
Para analítica SEO/GEO, este paper deja claro que si dependes de profundidad de sesión/tiempo/ruta de clics para inferir demanda desde IA, esos indicadores pueden fallar porque la IA reduce la navegación a 1–2 requests; en su lugar, toca vigilar el tráfico “referido” por IA con instrumentación y entender sus firmas HTTP.
El paper prueba una arquitectura RAG para mejorar la probabilidad de que una IA cite fuentes, y la valida en 10 despliegues reales (7 sectores) midiendo tasas de citación, eficacia A/B y reducción de contexto.
Los datos
En 10 despliegues de producción, la tasa media de atribución (que el texto generado cite una fuente) fue 77,1% con rango 74%-81%
La evaluación A/B compara IA sin RAG (control) vs IA con RAG (tratamiento) usando la misma tarea y prompts; reporta que el tratamiento con RAG supera al control en tasa de atribución (con la medición humana como métrica binaria)
La atribución se midió con anotadores humanos (n=3) con métrica binaria (1 si citó una fuente del set, 0 si no) y acuerdo entre anotadores Cohen’s Kappa > 0,85
El sistema comprimió el contenido para el contexto reduciendo el número de caracteres en ~83% frente al contenido chunk “crudo”, para bajar coste de inferencia
En los despliegues donde se listan tasas por sector, construcción obtuvo 74% (dos despliegues) mientras que creatividad/tecnología marcaron 81% y 80% (respectivamente, Filmfolk y Enkronos)
Conclusión del estudio
Este estudio muestra que una arquitectura RAG con (1) múltiples fuentes ponderadas, (2) un ajuste de frescura temporal y (3) reranqueo/revisión de contexto puede sostener tasas altas de citación en producción: 77,1% de media (74–81%) cuando se mide por citación directa de fuentes con anotadores humanos.
Qué significa para ti
Para tu estrategia SEO/GEO, el punto práctico del paper es que no basta con “tener contenido”: el mix de fuentes (por ejemplo, feedback y señales de búsqueda) y cómo se pondera por frescura y relevancia mejora la citación sostenida en entornos reales. Si tu sector se parece a construcción (datos muy densos/técnicos), el paper anticipa que la citación puede bajar (74%), así que el diseño del contexto RAG importa más que la simple presencia de páginas.
El estudio de la ESB Business School (25 entrevistas a directivos de pymes alemanas) analiza cómo perciben el paso de SEO a GEO y qué criterios ven como decisivos para que una IA cite fuentes en sus respuestas.
Los datos
Se basó en 25 entrevistas cualitativas con representantes de pymes de Alemania (sectores: industria, artesanía, servicios, consultoría, software y e-commerce)
El estudio describe que en sistemas generativos la visibilidad ya no se mide por “posición” o “clics”, sino por si el contenido es “citable” e integrado en la respuesta (o sea, la cita reemplaza al ranking como señal de presencia)
Las entrevistas muestran un patrón: las pymes reconocen la relevancia de la IA pero no saben cómo traducirlo a decisiones de marketing (“SEO es importante, pero no sabemos cómo se traslada”; “usamos IA para eficiencia, no para visibilidad”)
El texto del estudio afirma que prácticas clásicas de SEO como “acumular palabras clave” no aportan mejora en visibilidad en respuestas generativas y, en algunos casos, pueden empeorar la inclusión
Conclusión del estudio
Con sus datos cualitativos, el estudio concluye que para que una IA cite, lo que importa es la relevancia y “citación” del contenido dentro de la respuesta, no su posicionamiento en listados. Además, demuestra que muchas pymes se quedan en el uso de IA como apoyo operativo o en SEO como práctica separada, sin conectar ambos para adaptarse a la lógica de la cita.
Qué significa para ti
Si trabajas GEO para pymes, este estudio te dice que el “estar arriba en Google” no garantiza aparecer en respuestas: la IA decide qué fuente usa. También señala que en pymes es común fallar por desconexión (SEO por un lado, IA por otro), y que “keyword stuffing” no es una palanca válida para que te citen en respuestas generativas.
El estudio mide cuánto puede un único resultado web “contaminado” (páginas manipuladas o reseñas falsas) llevar a distintos LLMs a recomendar un producto falso en contextos de recomendación con búsqueda, usando FORGE con 225 productos en 15 categorías y 5 escenarios.
Los datos
Entre 12 LLMs probados, con una sola “página contaminada” la tasa de recomendaciones del producto falso llega hasta el 27%
Si la contaminación se aplica a los 3 resultados (top-3), la tasa sube hasta 73.8%
Los modelos son vulnerables en todos los casos evaluados (“all models are vulnerable”), no solo a algunos
El daño varía mucho por categoría: la vulnerabilidad aumenta cuando el modelo no tiene conocimiento previo estable del producto
Agregar “razonamiento” no reduce el problema: a menudo empeora al inventar/justificar con “prueba social” falsa para recomendar el producto incorrecto
Conclusión del estudio
Con datos de FORGE, el estudio demuestra que en recomenadores con búsqueda basta un solo documento contaminado para que LLMs promuevan un producto falso, y que razonar o justificar no arregla el sesgo, incluso pudiendo aumentarlo.
Qué significa para ti
Para SEO/GEO, el hallazgo clave es que la “una mala fuente” puede ser suficiente: si un LLM toma un snippet o página manipulada dentro del top de resultados, puede citar/recomendar el contenido falso. Además, como el “razonamiento” no protege (y puede amplificar prueba social falsa), la presencia de señales falsas en páginas relevantes pesa aunque el modelo intente argumentar.
El paper aclara el significado y el alcance de GEO (Generative Engine Optimization) como un enfoque de optimización de contenidos para motores generativos, lo que ayuda a alinear objetivos y criterios desde el inicio. Sirve como base para estandarizar cómo se evalúa y se documenta la mejora de contenido en proyectos GEO, reduciendo ambigüedades entre equipos.
Propone un marco de ciclo de vida de entidades (ELC) para alinear branding y entity engineering con cómo los Answer Engines deciden y actualizan información en el tiempo. Ayuda a identificar riesgos de degradación de entidad y pérdida de consistencia al pasar de etapas del ciclo de vida, para definir controles de gobernanza sobre atributos, cambios y propiedad de la entidad.
El paper analiza cómo la Answer Engine Optimization (AEO) puede influir en la precisión de las respuestas de motores basados en IA, conectando prácticas GEO con calidad de resultados. Útil para equipos GEO porque sugiere priorizar optimizaciones orientadas a “answer engines” para mejorar la exactitud percibida por usuarios y modelos, más allá del SEO tradicional.
Propone una medición sistemática de la visibilidad en motores de IA generativa para fintech de América Latina mediante un corpus de 26 consultas B2B y pruebas entre cinco países. Aporta un marco de Share of Voice y de “readiness” técnica para priorizar mejoras en arquitectura de datos y señales de indexación, elevando la exposición orgánica frente a competidores.
El estudio analiza cómo la IA generativa en Google (SGE y AI Overviews) cambia el comportamiento de consumo de contenido y cómo eso se refleja en métricas globales y en el caso real de zembaron.ru.
Los datos
Con SGE/AI Overviews, el tráfico orgánico desde Google hacia un sitio de nicho como zembaron.ru cae de ~4.000 visitas/día a 40 visitas/día (una pérdida del 99%) tras el escalado de AI Overviews para consultas en ruso (2025-2026)
En la fase “buena” del caso (2016-2021), zembaron.ru alcanza picos de 120.000 visitas/mes, equivalente a ~3.800-4.000 visitas/día, manteniéndose en Top-1 a Top-3 para decenas de consultas complejas
El estudio cita un pronóstico de Gartner: para finales de 2026 el tráfico orgánico tradicional en general se reduciría al menos un 25% por el movimiento de la audiencia hacia chatbots y agentes conversacionales
Para medir efectos en resultados generativos, el trabajo analiza impacto de AI Overviews sobre visitas relacionadas con 52.262 artículos en inglés de Wikipedia
Conclusión del estudio
Con sus datos, el estudio muestra que la adopción de SGE y AI Overviews en Google se asocia con canibalización del tráfico orgánico, crecimiento de “zero-click” y un colapso en la demanda desde Google para un portal experto de nicho (zembaron.ru). En concreto, demuestra una caída masiva (99%) de visitas provenientes de Google tras el despliegue completo de las funciones generativas.
Qué significa para ti
Para un consultor SEO/GEO, este paper no trata de teoría: enseña que cuando AI Overviews se “activan a escala” para búsquedas de un idioma y nicho YMYL, un sitio puede perder prácticamente todo el flujo desde Google (de ~4.000 a 40 visitas/día). El dato clave es la correlación temporal del colapso con el despliegue generativo (2025-2026), que convierte la “cita/visibilidad” dentro de la respuesta de IA en una prioridad medible frente al tráfico orgánico clásico.
Analiza la dinámica de la “Internet Storm” asociada a Google Gemini y muestra cómo la diversidad y la desinformación pueden amplificarse cuando los sistemas de IA y la optimización de motores de búsqueda interactúan. Ofrece un marco para anticipar impactos de “generative engine optimization” y diseñar controles de riesgo en GEO para reducir la efectividad del spam automatizado y la propagación de sesgos.
Aporta una revisión del enfoque de optimización “supply-side” en GEO, útil para diseñar y priorizar estrategias de generación de contenido orientadas a recuperación de información. Resume un marco y evaluación propuestos para GEO, ayudándote a comparar prácticas y medir el impacto de tus cambios con un enfoque sistemático.
El texto solo muestra los metadatos (título, autor, revista, fecha) de un artículo sobre cómo ganar en Bol.com sin ser más barato, pero no incluye datos ni resultados del estudio sobre qué hace que las IA citen una fuente.
Conclusión del estudio
Con este fragmento no es posible determinar qué factores hacen que ChatGPT/Perplexity/Gemini/Google AI/Claude citen una fuente, porque no aparecen mediciones, porcentajes ni hallazgos del estudio.
Qué significa para ti
Lo único útil aquí para un consultor SEO/GEO es identificar el artículo (autor, DOI y tema), pero este texto no aporta evidencias accionables sobre citación por IA. Si compartes el resumen o el cuerpo donde estén los resultados, puedo extraer cifras concretas.
El texto no es un estudio sobre citaciones de IA: explica un sistema antirrobots (Anubis) con prueba de trabajo para frenar el scraping masivo y evitar caídas del servidor.
Conclusión del estudio
No aporta datos ni hallazgos sobre qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen fuentes, porque no mide ese comportamiento; solo describe una medida de protección contra bots y scrapers.
Qué significa para ti
Como consultor SEO/GEO, este texto sirve como contexto técnico: si un dominio usa Anubis, los sistemas de IA pueden tener más dificultad para acceder/extraer contenido y eso puede afectar la posibilidad de que usen o citen esa fuente, pero el documento no cuantifica ni relaciona este efecto con citaciones.
El artículo recopila y relaciona datos sobre cómo los Google AI Overviews (“Modo IA”) impactan el tráfico de los medios y qué consecuencias tienen para el modelo informativo y los derechos de propiedad intelectual.
Los datos
Estima una caída de hasta el 50% del tráfico web hacia los medios en España a principios de 2026 como efecto de los AI Overviews/“Google Zero click”
Cita un dato de GFK: “Solo 1 de cada 431 sesiones en herramientas IA culmina en una visita a un medio digital”
Reproduce un resultado atribuido a Ahrefs: los AI Overviews reducen los clics en un 34,5%
Incluye el dato de que el estudio o informes que usan esta evidencia hablan de un entorno de “Google Zero click”, es decir, consultas donde la información se resuelve sin llevar al usuario al sitio del medio
Conclusión del estudio
Con los datos que reúne, el estudio sostiene que la lógica de los AI Overviews tiende a reducir clics y visitas a medios (directamente o por “cero clic”), y por tanto presiona el negocio periodístico. La consecuencia inmediata es que los medios pasan a depender menos del tráfico orgánico tradicional y más de su presencia en el ecosistema de IA y sus acuerdos/licencias, al tiempo que se refuerza la discusión legal por uso de obras.
Qué significa para ti
Para tu estrategia, este trabajo no habla de “citar” a una IA, pero sí cuantifica el riesgo: si el usuario obtiene la respuesta dentro de Google, baja la visita a tu dominio (ej., el ratio 1/431 y la reducción de clics del 34,5%). Así, cualquier plan de visibilidad debería medir su efecto real en clics/visitas y no solo en exposición en buscador.
El estudio revisa qué cambia en el SEO cuando la gente busca y cita información a través de IA (p. ej., ChatGPT y Perplexity) y muestra, con datos, cómo influye el “zero-click” y qué rasgos de contenido se asocian a mayor visibilidad/citación en sistemas generativos.
Los datos
El “zero-click search” ya representa más del 58% de las interacciones de búsqueda (según los datos citados en el texto del estudio: [2, p. 2])
En interacciones con ChatGPT, el 41,5% de los pedidos se relacionan con crear o procesar contenido (y dentro de eso: 10,6% edición/crítica del texto del usuario; 8,0% redacción de textos/comunicación; 4,5% traducción; 4,2% generación de imágenes; 4,2% código; 3,9% ideas creativas; 3,6% argumentos o resúmenes)
Aproximadamente el 18,3% de las interacciones con ChatGPT están ligadas a buscar información específica (hechos, recomendaciones y respuestas) ([3, p. 143])
En una de las líneas del GEO recogidas en el estudio, la inclusión de listas y tablas en un 25–35% del texto se asocia con un aumento del 43% en la precisión del “parseo” del contenido por sistemas de IA ([2, p. 6])
Otro resultado citado sobre GEO indica que reemplazar descripciones generales por datos/cifras puede aumentar en un 30–40% los indicadores de visibilidad y la percepción subjetiva del contenido por “buscadores generativos” ([10, p. 6])
Conclusión del estudio
El estudio no mide directamente “citación” en un sentido de conteo de referencias por IA, pero sí demuestra que el entorno de búsqueda dominado por zero-click y la forma en que las IA entienden/parsean contenido (estructura + datos cuantitativos) están conectados con mayor visibilidad del contenido en el mundo de la búsqueda generativa, donde las fuentes tienden a usarse dentro de respuestas/sumarios.
Qué significa para ti
Si tu objetivo es que te “usen” en respuestas de IA, este estudio apunta a dos palancas medibles: incorporar estructura clara con listas/tablas (para mejorar el parseo; aquí citan el salto con 25–35% del texto) y añadir datos/cifras (para elevar visibilidad; citan el rango 30–40%). El trabajo también contextualiza que el tráfico puede no venir del clic al sitio (zero-click >58%), así que la métrica clave pasa a ser qué tan “legible y utilizable” es tu contenido para la IA que genera la respuesta.
El artículo conecta el retail omnicanal con el enfoque de Generative Engine Optimization (GEO), orientado a que productos, marca y contenidos aparezcan de forma consistente en motores generativos. Aporta una base para alinear señales de visibilidad en múltiples canales y mejorar la precisión con la que el sistema recomienda u organiza la información del retailer.
El estudio revisa (con una revisión de literatura 2021–2025 y observación de prácticas de la industria) en qué áreas usa la IA generativa las estrategias de marketing digital y qué beneficios, retos y riesgos se reportan.
Los datos
Identifica 5 áreas de implementación principales de la IA generativa en marketing digital: (1) creación automática de contenido, (2) personalización de la experiencia del cliente, (3) optimización de SEO basada en IA, (4) análisis de sentimiento del consumidor, y (5) automatización de campañas de email marketing
El material analizado incluye artículos en revistas indexadas en Scopus y IEEE Xplore del periodo 2021–2025, además de documentación oficial de plataformas de IA y reportes de industria de McKinsey, Gartner y Boston Consulting Group
El estudio concluye que el éxito de la IA generativa en marketing depende de tres condiciones concretas: gobernanza adecuada, alfabetización (literasi) en IA suficiente y políticas éticas claras
Conclusión del estudio
A partir de su revisión, el paper no mide directamente “cuándo o por qué una IA cita una fuente” sino que muestra en qué usos de marketing se aplica la IA generativa y qué condiciones determinan que funcione. Su evidencia respalda que la IA generativa puede mejorar eficiencia y efectividad en marketing, pero solo si se gestionan gobernanza, habilidades y ética.
Qué significa para ti
Para un consultor SEO/GEO, este estudio aporta un mapa de usos (especialmente “optimización de SEO basada en IA” y “análisis de sentimiento”), pero no da datos sobre citas de fuentes por ChatGPT/Google/Claude. Lo más accionable es entender que, según el paper, el rendimiento depende de gobernanza y ética, lo que ayuda a interpretar por qué los resultados pueden variar si hay prácticas inconsistentes en la adopción (aunque no cuantifica impacto en citación).
El estudio reevalúa 7 ataques de prompt-injection en sistemas RAG usando una cadena realista (retriever → reranker LLM → generador LLM) y mide si realmente logran que el documento “ataque” llegue y sea usado por el generador.
Los datos
De los 7 ataques re-evaluados, los ataques basados en gradientes y los de “instruction override” “se colapsan” antes de llegar al generador en el pipeline retriever→reranker→generator
Solo los prompt-injections generados por un LLM se mantienen como efectivos “end-to-end” hasta el generador
El paper indica que los resultados previos sobreestimaban la efectividad de estos ataques cuando el documento se entregaba directamente al generador (saltando retriever y reranker)
Detectan que los ataques son fácilmente detectables: un guard ligero (prompt-injection guard) afinado con un conjunto pequeño de ataques detecta “cada ataque” (100%)
Conclusión del estudio
En escenarios RAG realistas, gran parte de los ataques GEO que antes parecían muy efectivos dejan de funcionar antes de llegar al generador; el ataque que sobrevive end-to-end es el impulsado por LLM. Además, el estudio muestra que estos ataques pueden detectarse de forma completa con un guard ligero entrenado con pocos ejemplos.
Qué significa para ti
Para GEO/RAG, este estudio sugiere que el “poder” de la inyección no depende solo del generador: el retriever y el reranker actúan como filtro que hace colapsar muchos ataques. Y, si trabajas en captación de exposición/visibilidad desde fuentes, el estudio también deja claro que existe una detección prácticamente total de inyecciones con un modelo pequeño, así que cualquier estrategia basada en inyectar intención en RAG es especialmente frágil frente a defensas.
El paper contextualiza el desplazamiento desde visibilidad en motores clásicos hacia el papel de la síntesis mediada por IA, clave para ajustar tácticas de GEO orientadas a cómo se construyen respuestas. Ayuda a identificar el “paradigma” que puede reducir el impacto de optimizaciones tradicionales cuando los sistemas generativos priorizan inferencia y fuentes de alta relevancia.
El estudio analiza, en 1.508 agencias inmobiliarias de Alemania, qué atributos de sus webs (incluido JSON-LD/Schema.org) se asocian con que ChatGPT las conozca o las cite al responder.
Los datos
De las agencias que ChatGPT sí pudo mencionar (“visibles”), el 6.2% tenían marcado FAQPage, frente a solo el 0.8% de las no visibles (p = 0.002)
El Product schema se asoció con visibilidad: 17.2% en las visibles vs 1.8% en las no visibles (p < 0.001)
En lo técnico, casi todas las visibles tenían web optimizada para móvil: 99.0% vs 88.8% (p < 0.001); además, tenían robots.txt: 92.3% vs 80.6% (p < 0.001)
También hubo diferencias de rendimiento y estructura: tiempos de carga media 418 ms (visibles) vs 623 ms (no visibles) (p = 0.014), y uso de encabezados más amplio (h2: 94.7% vs 74.4%; h3: 86.6% vs 61.4%; p < 0.001)
Conclusión del estudio
Con datos de estas 1.508 webs, el estudio muestra que la presencia de Schema.org, especialmente el FAQPage (y también Product), se relaciona con una probabilidad mucho mayor de que ChatGPT reconozca o cite a la agencia. En el modelo estadístico, FAQPage es el predictor positivo más fuerte (OR≈13, p<0.001), seguido de Product (OR≈4, p<0.001).
Qué significa para ti
Si tu web es de un sector como inmobiliarias (o con páginas que pueden estructurar preguntas y respuestas), este estudio apunta a que el “FAQPage” en JSON-LD es lo que más diferencia entre aparecer o no en respuestas de ChatGPT (OR≈13). Además, refuerza la idea de que el marcado tipo “Product” también suma, y que para no quedar fuera por lo técnico, cumplir móvil/robots y mejorar tiempos de carga importa en la misma muestra.
El trabajo muestra que existen discrepancias entre herramientas de SEO al recopilar métricas web, lo que puede sesgar conclusiones sobre el rendimiento y el impacto de una estrategia GEO. Ayuda a establecer un benchmark más fiable y a auditar cómo cambian métricas clave según la herramienta, reduciendo riesgo de tomar decisiones basadas en datos inconsistentes.
El estudio analiza cómo agentes de “deep research” que hacen muchas consultas en una sesión llegan a citar repetidamente las mismas páginas de contenido generado por usuarios (por ejemplo Reddit y Wikipedia) y demuestra que eso permite envenenar sus citas y entidades citadas añadiendo un texto manipulado en una sola página.
Los datos
Los autores observan que, para muchos temas comunes, los agentes “deep-research” recuperan repetidamente las mismas páginas UGC dentro de una misma sesión de investigación
El trabajo propone que esa repetición crea una superficie de ataque concentrada: si un atacante modifica una página UGC que el agente recupera con frecuencia, puede provocar que el agente cite contenido elegido por el atacante
Evaluan el ataque en 3 sistemas concretos (STORM, Co-STORM y OmniThink) y lo prueban en varios “clusters” de consultas (es decir, varios grupos de temas)
Estudian defensas en varias fases del proceso, incluyendo filtrado a nivel de fuente y detección basada en el contenido/resultado generado (output)
Conclusión del estudio
El estudio demuestra que la forma en que estos agentes recuperan e integran web UGC (por reusar repetidamente las mismas páginas) hace posible que una manipulación pequeña en una sola página se propague a múltiples consultas y termine reflejada como citas y entidades promovidas por el agente.
Qué significa para ti
Para un consultor SEO/GEO, este resultado sugiere que no basta con “calidad general”: lo que más determina que te citen en salidas de deep-research es si apareces en esas páginas UGC que el agente reitera como fuente. Si tu presencia queda fijada en una página que el agente consulta una y otra vez, eres candidato a amplificación (o a sesgo) cuando esa página se manipula.
Propone un marco de estrategia que conecta conceptos base de IA con Generative AI y Agentic AI, aterrizándolo en la optimización de visibilidad en plataformas de búsqueda conversacional como ChatGPT. Aporta una guía para integrar GEO con ética e implementación estratégica, lo que ayuda a priorizar iniciativas y reducir el riesgo de ejecutar tácticas sin alineación de negocio.
El texto describe planes y requisitos para que la visibilidad/citas de un sitio por IA (ChatGPT, Perplexity, Google AI Overviews, etc.) aumenten, pero no aporta datos medidos sobre “cuántas citas” ni resultados cuantificados; sí da cifras de tareas (contenidos, perfiles, reseñas) y un sistema de monitorización de “reputación narrativa” en IA.
Los datos
Para el plan de 6 meses, propone: 8-10 materiales nuevos en 2-3 meses (y en el Mes 2 publicar 4-6 unidades), con textos de “al menos 15.000 caracteres”
En el Mes 4 propone publicar 1-2 artículos como invitado/externos y preparar una lista de 20-30 “plataformas prioritarias” para esos envíos
Para catálogos IT, propone elegir 5-7 catálogos (ej.: Startpack, G2, Capterra) y llegar a 3-5 perfiles optimizados; además, obtener los “primeros 5-10” reseñas de clientes
En la parte de reputación en AI search, el texto indica un “auditoría de arranque” con 20-30 consultas reales sobre la marca (incluye explícitamente: ‘[marca] reseñas’, ‘vale la pena trabajar con [marca]’, ‘pros y contras [marca]’, ‘mejores [nicho] en [ciudad]’, ‘a quién le conviene [marca]’)
También fija un objetivo para reseñas: llegar a 50+ reseñas en 2-3 plataformas clave y mantener el rating entre 4.4 y 4.8, con nuevas reseñas cada mes
Conclusión del estudio
A partir de los datos del texto, la “cita” por IA no se cuantifica con métricas de impacto real, pero el estudio/guía que resume identifica que la IA arma su respuesta apoyándose en señales concretas: reseñas, casos, FAQ, menciones externas y datos estructurados (Schema). Lo que el documento demuestra con sus números es el tipo y volumen mínimo de presencia que busca crear para que la IA tenga material fiable y no rellene con suposiciones.
Qué significa para ti
Como consultor SEO/GEO, este texto te sirve para convertir la idea de “que la IA cite” en un plan operativo con cantidades medibles (piezas de contenido, plataformas externas, catálogos y umbrales de reseñas) y con una auditoría de 20-30 preguntas para ver qué narrativa está generando la IA sobre tu marca; pero como no hay cifras de citas reales, no permite estimar cuánto subirán las citas, solo qué señales construir para reducir el ‘relleno’ y aumentar el uso de fuentes verificables.
Explica cómo la gestión de operaciones en medios digitales y relaciones públicas puede habilitar la Generative Engine Optimization (GEO) mediante citaciones de IA, relevancia semántica y señales de autoridad. Ofrece un marco para transformar prácticas tradicionales de SEO en acciones medibles orientadas a mejorar la visibilidad en motores generativos, reduciendo la dependencia de métricas clásicas.
Propone una hoja de ruta para aplicar optimización en tres capas distintas, conectando Answer Engine Optimization, Generative Engine Optimization y Agentic Optimization, para evitar el “brand erasure” en mercados de IA. Ayuda a definir prioridades y tácticas GEO por etapa del agente, reforzando la diferenciación de marca donde la visibilidad puede diluirse al automatizar la generación y la toma de decisiones.
El texto que compartiste no contiene resultados ni metodología del estudio, solo el título y metadatos de IEEE Xplore, así que no puedo saber qué investigó ni qué encontró con datos.
Conclusión del estudio
Con el contenido disponible no es posible extraer hallazgos medibles sobre por qué estas IA citan una fuente, porque el estudio no aparece (ni cifras, ni resultados, ni experimentos).
Qué significa para ti
Si me pegas el resumen/abstract o la sección de resultados (aunque sea en texto), te saco 2-5 hallazgos con números y qué significan para posicionar fuentes que puedan citar las IA. Con este recorte solo puedo confirmar el título, no la evidencia.
Identifica cómo la compresión o distorsión semántica en modelos de IA puede alterar argumentos que dependen de alta precisión, afectando directamente la calidad de resultados para tareas GEO. Proporciona un marco para detectar y gestionar este fallo al conectar literaturas de optimización de resumen adversarial, integridad académica y compresión con pérdida.
El paper estudia cómo optimizar el SEO (y aspectos de GEO) del sitio de un vinero en Bruselas (“Place aux Vins”) y cómo usar la creación de un glosario de términos del vino para mejorar el contenido del sitio, revisando también resultados de esa implementación.
Conclusión del estudio
Con el texto proporcionado no hay datos medidos (porcentajes, número de citas, métricas de rendimiento o resultados cuantificados) sobre qué hace que las IA citen fuentes; el documento descrito se centra más en SEO/GEO del sitio y en la creación de un glosario, pero sin cifras visibles aquí.
Qué significa para ti
Este extracto no permite convertirlo en un insumo directo para “qué hace que una IA cite una fuente”, porque no aporta resultados cuantificados ni evidencia sobre patrones de citación. Si compartes las secciones donde reporta mediciones (resultados, metodología y conclusiones con cifras), lo preparo como hallazgos accionables para SEO/GEO basados en su propio dato.
Aporta un marco comparativo entre SEO tradicional y GEO en marketing B2B, útil para priorizar esfuerzos cuando la metodología GEO todavía está en formación. Ayuda a definir qué elementos de optimización trasladar y cómo medir su impacto relativo, evitando tratar GEO como un sustituto directo del SEO.
Propone analizar el GEO y la “AI SEO” como un fenómeno guiado por la física semántica, con un giro hacia ontologías internas y su convergencia. Ayuda a priorizar una estrategia de posicionamiento en outputs de resumidores basada en cómo compiten y se alinean las ontologías en lugar de solo en palabras clave.
Analiza el discurso con el que Google presenta las AI Overviews, ayudando a GEO a comprender cómo se enmarcan los cambios en intención de búsqueda, autoridad y relevancia. Aporta pautas para adaptar la estrategia de contenido y optimización a señales de formato y expectativas de usuario que condicionan la visibilidad en resultados mediados por IA.
El paper plantea una estrategia para mejorar la visibilidad en resultados de sistemas de búsqueda basados en IA y en asistentes de voz como Google Assistant, Siri y Alexa. Ayuda a definir cómo adaptar el contenido y la estructura del sitio para aumentar la probabilidad de aparecer en respuestas y búsquedas conversacionales, donde el enfoque tradicional de SEO puede quedarse corto.
El estudio propone y define el ORION Score, un métrico compuesto (0–100) para estimar la probabilidad de que una página sea citada por respuestas generadas por IA, descomponiéndolo en 5 “pilares” y asignando pesos según cómo impactan en el pipeline de recuperación.
Los datos
Estima la probabilidad esperada de cita como ORION=cite-rate(p)=E_q[c(q,p)] sobre la distribución de consultas para las que la página es relevante (definen el objetivo como la fracción de consultas donde la página acaba citada)
El ORION Score se calcula agregando 5 pilares con pesos: Originality 0.20, Retrievability 0.15 (en el texto visible también se menciona que el peso puede redistribuirse hacia Observed Visibility cuando hay evidencia de citas en vivo)
El modelo reporta una puntuación 0–100 interpretada explícitamente como 100×P(cite) (o sea, un ORION de 70 busca corresponder a 0.70 de probabilidad de cita en las consultas objetivo)
Para justificar el peso de Originality (0.20), el paper cita que las estimaciones de practitioners para esa palanca suelen estar en 0.25–0.35, mientras que en Aggarwal et al. (2024) observan alrededor de ~0.12 en su estudio de intervenciones sobre contenido (explican la discrepancia por cómo diseñaron sus pruebas)
En el apartado de contexto, el paper afirma que en inicios de 2026 un 25% (conservador) de las consultas está mediado por modelos tipo LLM que sintetizan respuestas a partir de fuentes recuperadas (no una lista de links)
Conclusión del estudio
Este estudio demuestra que se puede medir “ser citado” como una probabilidad (no como un proxy de ranking SERP) y que dicha probabilidad se puede descomponer en pilares ligados a etapas concretas de recuperación y extracción del pipeline RAG, con calibración explícita (100×P(cite)).
Qué significa para ti
Para un consultor SEO/GEO, lo clave es que ORION no intenta predecir rankings: modela el riesgo de que una URL “no llegue” a ser citable por fallos de indexación/parseo y por falta de extractabilidad, separándolo en pilares con pesos (por ejemplo Originality 0.20 y Retrievability 0.15). Además, como reporta 0–100 como 100×P(cite), puedes usar el score/pilar para entender en qué etapa del pipeline se está perdiendo la citación, no solo qué tan “autoritativa” parece la marca.
Propone el marco ASIA para evaluar el impacto de la Generative Engine Optimization (GEO) sobre la visibilidad en motores de búsqueda de IA, conectando métricas de rendimiento con acciones de optimización. Ayuda a los equipos GEO a convertir resultados cualitativos en mediciones comparables (p. ej., visibilidad y desempeño) para priorizar mejoras con un enfoque sistemático.
El estudio prueba, con 215 prompts de recomendación comercial, si ChatGPT y Claude citan/recomiendan marcas de forma similar y qué “tipo de fallo” comparten cuando no lo hacen.
Los datos
Con los dos proveedores, las recomendaciones coinciden solo ~2/3 del tiempo de forma negativa: el Jaccard entre lo que recomienda cada uno es 0.35 (comparado con un 0.50–0.61 cuando se repite el mismo prompt en el mismo proveedor)
Cuando ambos proveedores no recomiendan una marca, clasifican el fallo en 3 modos (discoverability, compellingness, positioning) y coinciden en el mismo modo el 95.1% de las veces (IC 95%: 94.3%–95.7%) en 7,763 casos de fallos conjuntos
La coincidencia baja para marcas muy visibles y sube para marcas pequeñas: 81% (IC 78.2%–84.0%) en “category leaders” y 99.6% (IC 99.3%–99.9%) en marcas regionales long-tail
El “camino” para llegar a la recomendación difiere: Anthropic recomienda desde priors el 43–52% de las veces, mientras OpenAI lo hace el 8–29%
Conclusión del estudio
Aunque ChatGPT y Claude divergen bastante en qué marca recomiendan, el estudio muestra que cuando fallan conjuntamente, “diagnostican” el motivo del fallo (en qué etapa se pierde la marca) de forma casi idéntica, especialmente para marcas long-tail.
Qué significa para ti
Para SEO/GEO, este paper sugiere que en el long-tail no necesitas que todas las IAs fallen por el mismo motivo: lo importante es atacar el modo de fallo que ambas comparten (discoverability/compellingness/positioning), porque ahí hay convergencia del 95.1% con miles de casos. En cambio, para marcas muy destacadas la convergencia es menor (81%), así que el comportamiento puede depender más del proveedor.
El texto no es un estudio sobre citas de IA: describe un sistema anti-scraping (Anubis) basado en Proof-of-Work para bloquear a bots de empresas de IA que fuerzan caídas o indisponibilidad del sitio.
Los datos
Afirma que el problema que intenta frenar es que el scraping agresivo de compañías de IA “puede y de hecho causa downtime” y deja recursos inaccesibles para todos
Indica que Anubis usa un esquema de “Proof-of-Work” tipo Hashcash (mencionan como origen un sistema para reducir spam de correo)
Señala que a escala individual la carga extra es “ignorable”, pero a escala masiva “se acumula” y hace que scrapear sea “mucho más caro”
Aclara que Anubis es una “solución placeholder” mientras desarrollan más “fingerprinting” e identificación de navegadores headless (por ejemplo, cómo hacen el renderizado de fuentes)
Dice que requiere JavaScript moderno y que no funciona con plugins que lo deshabilitan (por ejemplo JShelter)
Conclusión del estudio
Con este texto no se puede concluir qué hace que una IA cite una fuente, porque no hay mediciones sobre citas ni datos de comportamiento de ChatGPT/Perplexity/Gemini/Claude/Google AI. El único objetivo medible aquí es bloquear/encarecer el scraping automatizado mediante Proof-of-Work y detección de headless.
Qué significa para ti
Para tu trabajo SEO/GEO, este contenido solo aporta contexto defensivo: si tu sitio usa protecciones tipo Anubis (requieren JavaScript y/o Proof-of-Work), los sistemas automáticos pueden tener más fricción para acceder y recopilar información, lo que podría afectar la probabilidad de que una IA “encuentre” o reutilice tu contenido. No da una táctica de citas basada en calidad/autoridad; solo habla de disponibilidad y accesibilidad para bots.
El estudio (sin datos experimentales propios) explica que hace que la innovacion de marketing sea impulsada por IA y datos, y aporta cifras sobre el impacto de la innovacion en resultados empresariales y sobre el valor concentrado en pocos clientes.
Los datos
Afirma que las companias centradas en innovacion ven “hasta 2.4 veces” mas crecimiento de ingresos y “3.1 veces” mas beneficio (cifra reportada en la introduccion)
Cuando usa analisis CLV, indica una regla de concentracion: el “top 20%” de clientes aporta el “80%” del valor de la empresa (cifra reportada en la seccion de tecnicas)
Menciona mejoras por IA generativa en 2025–2026: pasa de solo crear contenido a actuar como “agentes” que automatizan briefing, pruebas y optimizacion, mejorando “velocidad y eficiencia” (sin porcentaje numerico)
En los metodos de validacion, lista A/B testing como forma de medir impacto de cambios (sin resultado cuantificado)
Conclusión del estudio
Con base en lo que reporta el texto, el estudio concluye que la innovacion en marketing (impulsada por IA y datos) mejora decisiones y performance al permitir personalizacion hiper-enfocada, analisis predictivo y optimizacion agil. Sin embargo, no mide ni evalua directamente “por que una IA (tipo ChatGPT/Perplexity/Gemini/Claude) cita una fuente”, asi que aporta contexto general sobre marketing con IA, no evidencia de citacion por modelos.
Qué significa para ti
Este paper no da hallazgos accionables para “ser citado por IA” porque no estudia citaciones: solo describe impacto de datos/IA en marketing (p.ej., 2.4x/3.1x y el 80/20 de valor). Como contexto, te sirve para alinear tu estrategia de contenido con temas que el propio texto considera claves (hiperpersonalizacion, analitica predictiva, CLV), pero no ofrece datos propios sobre formatos o senales que disparen la citacion.
El paper explica cómo el branding puede “sembrarse” en las respuestas de GenAI, conectando esa práctica con el objetivo central del GEO de maximizar la presencia de fuentes, frases o framing dentro de los outputs del modelo. Te ayuda a convertir el GEO en una estrategia medible de posicionamiento semántico (mejorar la probabilidad de aparición) en lugar de depender solo de señales tradicionales de SEO.
El estudio audita unas 37.000 ejecuciones de asistentes tipo ChatGPT/Claude con prompts de recomendación comercial en 19 sectores para ver cómo se comporta la cita/elección de marcas según su “prominencia” (5 niveles) dentro de un catálogo de 533 marcas.
Los datos
Analizan ~37.000 “production runs”, 215 prompts y un catálogo de referencia de 533 marcas dividido en 5 niveles de prominencia (L1 a L5)
Las marcas L1 (líderes de categoría) aparecen en casi todos los resultados relevantes de la recuperación, pero solo ganan el 25%-41% de los puestos de recomendación a los que llegan
Las marcas L2 logran las mayores tasas de conversión de cualquier nivel, con un 37%-52%, aunque en modelos de Anthropic pierden frente a sustituciones mediadas por persona
Para marcas L3, la cobertura agregada baja a 88% y la conversión queda en 34%-40%; además, los efectos de “persona” alcanzan su punto más alto
En L4 y L5 (especialistas y jugadores regionales) existe “invisibilidad catastrófica”: 48%-52% de esas marcas no aparecen en ninguna de las 37.000 ejecuciones
Conclusión del estudio
El estudio muestra que en recomendaciones comerciales de IA la probabilidad de “ser nominado/citado” depende mucho del nivel de prominencia: más visibilidad no garantiza ganar, y en niveles bajos (L4/L5) una parte importante de marcas no logra aparecer nunca, con patrones distintos por nivel.
Qué significa para ti
Para un consultor SEO/GEO, este paper aterriza que “estar presente” no equivale a “ser elegido” en IA: en L1 hay mucha aparición pero una conversión solo del 25%-41%, mientras que en L4/L5 hay un riesgo real de no aparecer (48%-52%). La inversión o el enfoque tiene que alinearse con el nivel de prominencia porque el patrón de fallo cambia por tramo, no hay una receta única que funcione igual para todas las marcas.
El estudio analiza, con entrevistas a 25 estudiantes y 218 documentos de conversaciones con IA, cómo se “asigna una persona” (persona) a la IA y cómo eso impulsa la alfabetización en IA y el uso ético en la educación superior digital.
Los datos
Participaron 25 estudiantes del programa de Relaciones Públicas (D-III) de AKMRTV Jakarta
Analizaron 218 documentos/conversaciones generadas por IA
Identifican que los estudiantes ven la IA como: “partner de pensamiento” académico, compañero de discusión y “mentor” virtual
Proponen un modelo de alfabetización en IA con 5 dimensiones: Persona Awareness, Relational Awareness, Critical Verification, Academic Agency y Ethical Reflection
Conclusión del estudio
Con sus datos, el estudio muestra que la IA es tratada por los estudiantes como un actor casi social (por la asignación de personas y la comunicación “como si fuera humana”), pero esa “relación” va acompañada de verificación crítica y reflexión ética para usarla bien en un contexto académico.
Qué significa para ti
Para un consultor SEO/GEO, este paper no mide citas de fuentes ni comportamientos de enlace (no aporta datos sobre qué hace que una IA cite un sitio). Sí sirve como contexto: cuando la IA se usa como “mentor/compañero” y el usuario valida con verificación crítica, la probabilidad de que se acepten respuestas está condicionada por señales de confianza percibida y por la revisión, aunque el estudio no cuantifica cómo se traduce eso en citaciones web.
El estudio analiza cómo la “presencia digital” de centros comerciales en Bali se traduce en “visibilidad de marca” cuando las personas hacen búsquedas con IA (tipo ChatGPT), probando el papel mediador de la percepción de la IA generativa en 130 visitantes.
Los datos
La muestra fue de 130 visitantes de malls en Bali que usan herramientas de búsqueda con IA (ChatGPT y similares)
La presencia digital tuvo un efecto positivo y significativo sobre la visibilidad de marca, tanto directo como indirecto mediante “utilidad percibida” y “confianza percibida” hacia la IA
El efecto directo de la presencia digital sobre la visibilidad de marca fue relativamente más débil que los efectos indirectos (los mediadores), es decir, la relación no es “lineal”
La “confianza percibida” en la IA generada mostró un efecto mediador más fuerte que la “utilidad percibida”
Conclusión del estudio
Con los datos del estudio, la visibilidad de marca en búsquedas con IA se explica mejor por cómo la audiencia percibe la IA (especialmente su confianza) que por la presencia digital por sí sola; por eso la “conversión” desde presencia digital hacia visibilidad pasa por un proceso cognitivo mediado por la IA.
Qué significa para ti
Para SEO/GEO en entornos de búsqueda con IA, este estudio sugiere que no basta con “estar” digitalmente: lo que más pesa para que te mencionen/te den visibilidad en respuestas es que el usuario perciba como confiable la información generada con IA (y en menor medida su utilidad). Como el paper no mide citaciones ni porcentajes de mención directos, aporta más contexto sobre el mecanismo mental que una táctica concreta de SEO.
Ayuda a orientar una estrategia GEO para la era de búsqueda cero-click, donde la visibilidad depende de cómo los asistentes interpretan y sintetizan la información en lugar de recibir clics desde resultados. Proporciona un marco para pasar de optimizar para enlaces a optimizar para señales legibles por IA (estructura, contexto y cobertura) para aumentar la probabilidad de ser citado en las respuestas sintetizadas.
El estudio prueba si usar datos enlazados y estructurados (HTML normal, HTML con JSON-LD y una “pagina de entidad” mejorada) mejora la exactitud y calidad de respuestas cuando una IA hace bœsqueda normal o mediante un agente con multi-hop, en cuatro dominios.
Los datos
JSON-LD por si solo da mejoras modestas (sin cifra concreta en el texto aportado)
La “Enhanced” (pagina de entidad mejorada) mejora la exactitud en RAG estandar un +29.6%
La “Enhanced” mejora la exactitud en el pipeline completo de RAG agente un +29.8%
Enhanced+ (con mas “affordances” de navegacion) logra la mejor puntuacion absoluta de exactitud: 4.85/5 y completitud: 4.55/5
El plus Enhanced+ no muestra una ganancia incremental estadisticamente significativa frente a la version Enhanced base (segun el propio resumen)
Conclusión del estudio
El estudio demuestra que, para que las respuestas de una IA sean mas precisas y completas, lo que mas importa no es solo etiquetar con JSON-LD, sino servir una pagina de entidad mejorada con elementos navegables e instrucciones/estructura pensadas para la recuperacion y el razonamiento del agente. Enhanced+ mejora las puntuaciones absolutas, pero no aporta un salto adicional estadisticamente relevante sobre Enhanced.
Qué significa para ti
Si tu objetivo es ser citado en flujos donde la IA navega (RAG con agente y multi-hop), este estudio sugiere priorizar el formato de “pagina de entidad” con enlaces y ayudas de navegacion, porque el salto medido es ~+29.6% a +29.8% frente a RAG estandar/base. En cambio, limitarse a JSON-LD por si solo tiende a aportar mejoras pequeñas (no el salto grande observado con la pagina Enhanced).
El trabajo define qué es la Generative Engine Optimization (GEO) y cómo se relaciona con la visibilidad del sitio de una empresa en resultados generados por IA. Ayuda a convertir la búsqueda en IA en un objetivo medible de SEO al vincular prácticas GEO con el rendimiento de aparición en respuestas automatizadas.
Propone una transición operativa de SEO a Generative Engine Optimization (GEO), aclarando que GEO en este contexto se refiere a optimización para motores generativos. Enfatiza la ingeniería del contenido y la estrategia de investigación para mejorar la “excellence” más allá del enfoque de publicar y esperar resultados.
Propone cómo optimizar contenidos para que sean recuperados y bien interpretados por LLMs en el contexto de marketing y comunicaciones, alineando la producción con nuevas dinámicas de búsqueda. El caso de Wärtsilä puede usarse como referencia operativa para liderar la transformación de IA de forma que mejore la visibilidad de marca y la coherencia del mensaje en la mediación de modelos generativos.
El paper propone el marco SEAKT y lo valida con un caso de estudio para medir y mejorar la “visibilidad” (citación) de una web en motores de búsqueda generativos, pasando de 73/100 a 89/100 tras una optimización.
Los datos
El framework SEAKT calcula una puntuación total de visibilidad de 0 a 100, dividida en 4 bandas interpretativas: AI-Unsichtbar, Schwach, Solide y AI-Ready
En la validación empírica (caso HODL.swiss) el resultado mejora en el pre/post: 73/100 → 89/100 tras la optimización
SEAKT pesa su score con 5 dimensiones: Estructura de datos (25 puntos), Claridad de entidades (20), Autoridad y confianza (20), Calidad de contenido (20) y Accesibilidad técnica (15)
El paper indica que, en un trabajo previo citado (Aggarwal et al., 2024), estrategias específicas de GEO pueden aumentar la visibilidad en respuestas generativas “hasta en un 40%”, mientras que palancas clásicas de SEO pierden efecto
A nivel de mercado, citan que Similarweb (2025) reporta para ChatGPT un crecimiento de 28,5 mil millones de “visits” (abr-2024 a mar-2025) a 47,7 mil millones, y para Perplexity de 388,5 millones a 1,3 mil millones (+243,7% año contra año)
Conclusión del estudio
Este estudio muestra que una medición sistemática de la “AI-visibility” (según SEAKT) es auditable y que una web puede subir de forma medible su puntuación tras optimizaciones alineadas con datos estructurados, entidades, autoridad, calidad de contenido y accesibilidad técnica.
Qué significa para ti
Para GEO/SEO, el dato clave es que SEAKT permite pasar de “opiniones” a una puntuación 0–100 con cinco dimensiones, y que en HODL.swiss ese score sube 16 puntos (73→89) con una intervención; sirve como base para justificar y medir cambios orientados a citación en respuestas generativas, aunque el propio paper valida con un caso.
El estudio analiza 167.551 citas URL con las que modelos de lenguaje (en 12 mercados y 13 idiomas) “fundamentan” respuestas sobre reputación de marca, para ver de dónde sacan esa información y qué dominios dominan.
Los datos
El 85,7% de las citas apuntan a sitios que la marca no es dueña, frente al 14,3% que apuntan a sitios propios
El origen de las citas es muy concentrado: el 80% de las citas proviene de ~el 18% de los dominios, y encaja con una distribución long-tail (Zipf) con alpha = 0,86 y R² = 0,983
Wikipedia es el dominio más citado en 11 de los 12 idiomas; la excepción es lituano, donde el medio empresarial local (business daily) queda por delante con 4,38%
A nivel de mercado, el mix cambia en el margen: para 46 marcas nacionales polacas, YouTube es el dominio más citado; y en portales de RR. HH. y carreras, 4 portales generan 637 citas frente a 297 para la Wikipedia polaca (aprox. el doble)
Conclusión del estudio
El estudio muestra que, cuando una IA responde sobre una marca, su “visibilidad” y reputación dependen sobre todo de terceros (y de pocos dominios muy dominantes) más que del contenido propio de la marca, con diferencias claras según idioma y mercado.
Qué significa para ti
Para intentar que te citen, este estudio sugiere que cuenta más aparecer en fuentes de terceros dominantes (como Wikipedia en la mayoría de idiomas) que en tus propios canales, y que en mercados concretos importan fuentes locales/sectoriales (p. ej., YouTube o portales de empleo en Polonia). Si trabajas en varios países/idiomas, el patrón cambia: no basta con replicar un mismo “tipo de fuente” en todos.
El paper refuerza la diferencia entre AIO y GEO y propone que la moderación de categorías influye en la toma de decisiones del agente dentro del “decision preference stack”. Para equipos GEO, esto implica que la optimización no solo debe mejorar señales de contenido, sino controlar reglas operativas y restricciones de categorías que determinan qué resultados dominan, reduciendo riesgos de desalineación con las preferencias del agente.
Propone el A-Index para evaluar la influencia académica específicamente cuando la audiencia es un motor generativo, no un lector humano. Ofrece un marco accionable para priorizar señales de citación e impacto que aumenten la probabilidad de ser recuperado y citado por sistemas tipo LLM y asistentes como Google AI Overviews.
El texto aportado no contiene los resultados ni métricas del estudio sobre qué hace que las IA citen una fuente; es básicamente una página/ruido de un visor de DBpia, con metadatos y mensajes de la plataforma.
Conclusión del estudio
Con el material pegado aquí no es posible extraer hallazgos del estudio (no aparecen porcentajes, conteos, metodología legible ni resultados).
Qué significa para ti
Parece que el PDF o la captura no incluyó la parte clave (introducción de la investigación, datos y resultados). Si pegas el apartado de resultados/tabla/gráficos o el resumen del estudio original, podré devolverte 2–5 hallazgos con cifras y su implicación SEO/GEO.
El texto explica una medida anti-scraping en una web (tipo “Proof-of-Work/Hashcash”) para frenar bots y encarecer el scraping masivo, aunque puede afectar la accesibilidad al causar pausas (downtime).
Los datos
El sistema es un “Proof-of-Work” en la línea de Hashcash (no da cifras de rendimiento, pero sí el mecanismo)
Afirma que este bloqueo puede “cause downtime” y que recursos del sitio pueden quedar “inaccesibles para todos”
Indica que el mecanismo necesita “modern JavaScript features”, y que plugins como JShelter pueden deshabilitarlo, impidiendo superar el reto
Se plantea que a “individual scales” la carga adicional es “ignorable”, pero a “mass scraper levels” “adds up” y hace el scraping “much more expensive”
Conclusión del estudio
Este texto no estudia qué fuentes cita una IA; describe una barrera técnica para evitar scraping automatizado. Aun así, muestra que el acceso al contenido puede depender del JavaScript, lo que puede limitar la recolección automática por parte de sistemas que no ejecuten JavaScript o que operen como “scrapers”.
Qué significa para ti
Para SEO/GEO, el mensaje sugiere que si una web usa retos anti-bot que requieren JavaScript moderno, los sistemas automatizados (incluidos rastreadores que no pasen el reto) pueden no ver el contenido, afectando la posibilidad de que se indexe o se reutilice como fuente.
El estudio construye y evalúa un modelo de creación de contenido con IA (NLG-ACCO) para medir cómo mejora la calidad del texto frente a una base, usando métricas automáticas de redacción y rendimiento del lenguaje.
Los datos
NLG-ACCO mejora BLEU a 0.79 frente a 0.61 de la base
NLG-ACCO mejora ROUGE-L a 0.76 frente a 0.36 de la base
La perplejidad baja de 45.2 a 27.8 (predicciones más coherentes)
La legibilidad mejora un 24% y el tiempo de post-edición baja un 38.5%
La detección de sesgos mitiga el 87% de los casos marcados
Conclusión del estudio
Con estos datos, el paper demuestra mejoras cuantificables en calidad, coherencia y control (sesgos) del contenido generado por un modelo de lenguaje, pero no mide ni analiza que “las IAs citen una fuente” (no hay experimentos sobre citas a fuentes).
Qué significa para ti
Si tu objetivo es que te citen, este estudio aporta contexto sobre cómo se controla y optimiza el texto generado, pero no da pruebas (con números) de qué hace que un sistema como ChatGPT/Perplexity/Gemini cite una URL o un documento. Úsalo solo como referencia de calidad y fiabilidad del contenido, no como palanca directa de citas.
Advierte que la GEO puede derivar en una “captura cognitiva” cuando la publicidad incrustada en IA conversacional se diseña para ser citada preferentemente, sesgando respuestas y dañando la competencia informativa. Propone acción legislativa inmediata para introducir salvaguardas, reduciendo el riesgo de que los motores de IA actúen como canal de influencia no controlado para contenidos prepublicados.
Propone un marco para posicionarte como el único solucionador en cuentas de alto valor, pasando de cero a partner preferente en seis meses. Integra investigación de Category Entry Point con pensamiento sistémico, neurociencia de la confianza y Generative Engine Optimization para acelerar visibilidad y credibilidad frente a compradores.
El texto que compartiste no es un estudio sobre citaciones de IA, sino la ficha/fragmento de un libro (“The AI Marketing Canvas, Second Edition”) de Rajkumar Venkatesan y Jim Lecinski, sin datos de análisis de cuántas veces o por qué las IA citan fuentes.
Conclusión del estudio
Con este fragmento no se puede determinar qué hace que ChatGPT, Perplexity, Gemini, Google AI o Claude citen una fuente, porque no incluye metodología ni resultados medibles del estudio.
Qué significa para ti
Este material no aporta evidencia cuantitativa ni hallazgos aplicables para tu trabajo de SEO/GEO sobre citaciones por IA. Si pegas el apartado donde el paper describe el experimento y los resultados (con porcentajes, tamaños de muestra, o tablas), te lo resumo en el formato pedido.
El trabajo analiza qué factores determinan la visibilidad/citación de empresas en buscadores tradicionales y en respuestas de sistemas generativos como ChatGPT o Google AI Overviews, y lo contrasta con entrevistas cualitativas a expertos.
Los datos
El estudio se basa en entrevistas cualitativas a profesionales para validar y completar el planteamiento del “leitfaden” (guía práctica) sobre visibilidad en búsqueda clásica y en sistemas generativos
Concluye que la visibilidad “exitosa” en el futuro se apoyará “sobre todo” en cuatro pilares: contenido de alta calidad, relevancia semántica, calidad técnica y autoridad externa
El objetivo del trabajo se centra en que las empresas aparezcan en respuestas de IA generativa como “presente, citado o recomendado” (no solo en rankings de buscadores)
Conclusión del estudio
Este estudio muestra que, para que una empresa sea citada o recomendada por sistemas generativos (además de aparecer en rankings clásicos), la clave está en la combinación de contenido de alta calidad, relevancia semántica, calidad técnica y autoridad externa, tal como se desprende de su validación con expertos.
Qué significa para ti
Para tu estrategia SEO/GEO, el resultado útil de este trabajo es el “mix” que prioriza la guía: no basta con contenido; también importa la relevancia semántica y la calidad técnica, y la autoridad externa es un pilar explícito para conseguir menciones/recomendaciones en respuestas de IA. Como el texto no aporta métricas (porcentajes o rankings medidos), aquí la táctica es principalmente de priorización de factores, no de impacto cuantificado.
El estudio prueba qué elementos de los registros de herramientas de LLM hacen que el sistema elija mejor (y/o se sesgue) al usar 17.700+ ensayos con cinco LLM en diez dominios.
Los datos
El “puffery” legal (frases superlativas subjetivas y framing de beneficios) explica el 100% del efecto de optimización medido
Las afirmaciones fabricadas (claims inventados) no añaden sesgo adicional: el estudio reporta 0% de incremento de sesgo por claims fabricados
Las advertencias por prompt del sistema no funcionan: no generan efecto medible en 4 de los 5 modelos probados
Las “superlatives” (superlativos) son la característica dominante: SBC = +0,35
La normalización de descripciones en la capa del registro (descripciones controladas por el registro) logra un “primer mejor bienestar” que funciona de forma consistente entre modelos (modelo-independiente)
Conclusión del estudio
Con los datos del estudio, la forma en que están redactadas las descripciones en los registros (sobre todo superlativos) es lo que más afecta a la selección por agentes, mientras que el “aviso” en prompt no corrige de forma medible ni los claims engañosos generan sesgo extra adicional.
Qué significa para ti
Para maximizar probabilidades de que una IA/agente te use desde un registro de herramientas, lo que este estudio muestra es que el texto “de selección” con superlativos impacta más que confiar en advertencias (prompt warnings) para corregir sesgos. Además, como la normalización controlada por el registro mejora resultados de forma consistente, tu mejor palanca en ese entorno es cómo se presenta tu descripción en el registro (no si el sistema avisa).
El estudio audita durante 48 días, en 5 modelos de IA y 4 sectores del mercado brasileño, qué tan a menudo citan marcas de forma espontánea y demuestra si esas diferencias por sector se explican por 1 “marca ancla”.
Los datos
La cita espontánea total favorece fintech: 28.15% de respuestas, frente a retail (24.94%), tecnología (14.50%) y salud (13.35%)
En fintech, 1 sola marca domina: Nubank explica el 49.68% de las menciones fintech y el 59.31% de las respuestas que citan alguna marca fintech citan Nubank y ninguna otra
Al eliminar Nubank (leave-one-out del “modal”), fintech cae de 28.15% a 11.46% y su efecto ajustado frente a salud se invierte de un odds ratio 4.13 a 0.77; además el sector pasa de 1º a último
El “gap” fintech vs retail no se sostiene bajo prueba por clúster (Welch t = 0.65, no significativo), pero la reversión por leave-one-out sí se mantiene (t = −3.35) a lo largo de 8 semanas
El peso del ancla aumenta durante la ventana: la cuota interna de Nubank dentro de fintech sube aproximadamente de 41% (semanas 16–18) a 53%–59% (semanas 19–23)
Conclusión del estudio
Aunque en bruto fintech parece el sector más citado, el estudio muestra que esa “ventaja sectorial” está impulsada por la concentración alrededor de la marca ancla (Nubank). La prueba de eliminación (leave-one-out) hace que fintech pierda su ventaja y la reordene, demostrando que la cita por sector no se comporta como una propiedad difusa del sector sino como un efecto de una entidad dominante.
Qué significa para ti
Si en tu sector hay una marca que funciona como “ancla”, su presencia puede determinar casi toda la concentración de citas de IA; el estudio lo prueba con la caída de 28.15% a 11.46% al retirar Nubank. Para SEO/GEO, esto sugiere que en ciertos mercados la diferencia no la hace “el sector” sino el liderazgo de 1 marca concreta dentro de ese sector.
El estudio prueba métodos de “conversational SEO” (C-SEO) frente a estrategias tradicionales en respuestas conversacionales de LLM, comparando dos tareas (preguntas y recomendaciones de producto), tres dominios por tarea y distintos niveles de adopción por varios “actores”.
Los datos
La evaluación abarca 2 tareas: question answering y product recommendation
Incluye 3 dominios por cada tarea (en total, 3 + 3 dominios)
Concluye que la mayoría de los métodos C-SEO actuales no solo son poco eficaces, sino que a menudo empeoran el ranking de los documentos (efecto contrario al esperado)
Al aumentar el número de adoptantes de C-SEO, disminuyen las ganancias agregadas, describiendo el problema como “congestión” y de suma cero
Conclusión del estudio
Según los datos del estudio, la mayoría de técnicas C-SEO analizadas no logran que los LLM posicionen mejor la fuente en respuestas conversacionales y, en muchos casos, la empujan hacia abajo. Además, cuando más competidores adoptan C-SEO a la vez, el beneficio total cae, indicando que no es un “wins siempre” individual sino un juego competitivo donde se compensan mejoras.
Qué significa para ti
Para una estrategia de SEO/GEO, este paper sugiere que concentrarte en técnicas específicamente orientadas a C-SEO puede ser contraproducente si tu objetivo es mejorar tu posición en respuestas tipo LLM. También indica que, si tu sector adopta estas tácticas en masa, es probable que el impacto agregado sea pequeño o nulo (suma cero), así que el diferencial no viene solo de “hacer C-SEO”, sino de qué enfoque realmente mejora el ranking en el contexto del modelo (el estudio compara y favorece estrategias SEO tradicionales).
El paper analiza la resistencia de los motores de búsqueda potenciados por LLM frente a manipulaciones de Black-Hat SEO, ayudando a estimar el impacto de ataques sobre la visibilidad orgánica. Aporta un marco para evaluar la robustez del sistema y detectar patrones de abuso, con foco en mejorar la gobernanza y las defensas de GEO ante prácticas adversariales.
El estudio analiza, con 1.400 pruebas sobre 100 marcas B2B húngaras y 2.062 fuentes, por qué la visibilidad de menciones en respuestas de IA no depende solo de “cuántas veces se cita”, sino de sesgos distintos por entidad.
Los datos
Las marcas Tier 1 generan 52,69% de citaciones fabricadas, frente a 37,87% en Tier 3 (diferencia de +14,82 puntos; p=1,67e-11)
Cuando las preguntas se enmarcan con tono regulatorio, las citaciones fabricadas suben a 56,77% frente a un baseline del 37,59% (+19,2 puntos)
El estudio identifica que en contextos de cumplimiento la “escalada por rechazo” empeora la confabulación: los filtros de calidad usados por agentes actúan como aceleradores de alucinación en esos prompts (hallazgo cualitativo con mecanismo propuesto)
Conclusión del estudio
A partir de sus datos, el paper demuestra que la probabilidad de que una IA “c ite” algo está fuertemente afectada por el tipo de marca (Tier) y por el marco del prompt (p. ej., regulatorio), no solo por la frecuencia general de menciones.
Qué significa para ti
Para tu estrategia de captación de menciones citables, este estudio sugiere que el “tamaño” de marca (Tier) y el tipo de intención/prompt (regulatorio) cambian el riesgo de citas fabricadas, así que no basta con apuntar a más presencia: hay que pensar en cómo tu entidad encaja en el patrón de error que el paper mide para su categoría. Además, el hallazgo de la escalada por rechazo indica que en escenarios de cumplimiento, los sistemas tienden a empeorar la confabulación, así que la citabilidad que buscas debe resistir ese tipo de prompts.
El estudio mide cuánto se pueden corromper las recomendaciones de agentes de búsqueda basados en IA cuando una web manipulada intenta que el sistema “endose” contenido malicioso, probando 13 modelos en 308 casos.
Los datos
El “éxito del ataque” (ASR) varía mucho entre modelos: 0.0% en Claude-Sonnet-4.6 y 31.4% en Gemini-3-Flash
Prueban 13 backends en 308 casos cada uno (mismo tipo de evaluación para comparar vulnerabilidades entre modelos)
La modalidad de ataque más efectiva no es la misma para todos: el estudio afirma que “el modo fuerte” cambia según la familia del modelo
La misma “plantilla” de despliegue puede aumentar o reducir el ASR según el backend (o sea, no hay un comportamiento uniforme entre modelos)
En una prueba auxiliar donde “el endoso” se convierte en un comando de instalación, se ve una división clara: Claude “sobre-rechaza” mientras GPT “sobre-confía”
Conclusión del estudio
El paper demuestra que la probabilidad de que una IA cite/endoce contenido manipulado en búsquedas web no es igual entre modelos: depende del backend y del tipo de ataque, con diferencias extremas (de 0.0% a 31.4%) y con cambios incluso cuando se ajusta el modo de generar la “recomendación”.
Qué significa para ti
Para SEO/GEO, este estudio sugiere que el “peso” de que te citen o te endosen en respuestas de IA no depende solo de tu contenido, sino del modelo que las usa: algunos sistemas rechazan más y otros caen con más facilidad ante ciertos patrones de evidencia. En la práctica, la estrategia de visibilidad debe evaluarse por modelo (no solo por “calidad general”), porque el mismo andamiaje puede disparar o reducir el riesgo de que una cita termine corrompida.
Compara el impacto del semantic chunking frente al formateo estructural en la documentación técnica usada por sistemas RAG, para guiar decisiones de arquitectura de contenido. Aporta criterios operativos para mejorar recuperación y precisión (p. ej., manteniendo coherencia semántica por fragmento o preservando jerarquías mediante formatos), reduciendo iteraciones en ajuste de prompts y “retrieval”.
El estudio analiza cómo funciona “System 0” (la capa de IA que pre-filtra y prepara información antes de que el usuario piense), y usa esa idea para explicar qué cambia en la visibilidad/decisión de marca en entornos con asistentes y respuestas generadas.
Conclusión del estudio
Con el material del artículo, no se mide ni se informa un conjunto de números (por ejemplo, porcentajes de citación o proporciones de fuentes) sobre qué hace que una IA cite una fuente; el texto se centra en el rol de “System 0” y en cómo la IA reconstruye información para el usuario, más que en reglas observables de citación.
Qué significa para ti
Útil para entender el “por qué” conceptual: si la IA actúa como preprocesador (System 0) y reconstruye/sintetiza antes de que el usuario vea fuentes, la citación pasa a depender de cómo la IA reempaqueta evidencia. Pero con este fragmento no hay datos accionables específicos para “qué tipo de fuente obtiene citas” en términos cuantificables.
El trabajo se enfoca en identificar señales de confianza para servicios de búsqueda con IA en el sector de la construcción, alineando la estrategia GEO con cómo los motores generativos evalúan autoridad y credibilidad. Aporta un marco de recomendaciones prácticas para priorizar contenido y datos que activen esos trust signals y así mejorar la visibilidad en resultados generativos para empresas como Vinter Oy.
Advierte cómo los mecanismos tipo GAI pueden incorporar influencia comercial que erosiona la neutralidad percibida, afectando la confianza en políticas de protección de datos. Te ayuda a identificar riesgos de “privatización” normativa y a definir controles para auditar sesgos y cumplimiento en flujos de personalización de preferencias de privacidad.
Propone un marco de Generative Engine Optimization (GEO) para alinear el contenido del sitio con cómo los modelos generativos interpretan y sintetizan información. Sirve como guía práctica para detectar mejoras en contenido y estructura que aumenten visibilidad en buscadores basados en IA, reduciendo el riesgo de respuestas incompletas o inconsistentes.
El paper propone el concepto “System 0” (la capa de IA que prefiltra y resume información antes de que el usuario decida) y traduce esa idea en un modelo de “AI Optimization (AIO)” sobre qué prácticas harían más probable que la IA cite/recomiende información de una marca, pero sin presentar un experimento propio con cifras de citaciones.
Los datos
El texto no incluye un estudio empírico propio con recuentos de citaciones (no se informan porcentajes, número de consultas, ni distribución de fuentes citadas)
Menciona evidencia “temprana” de que, con resúmenes de búsqueda generados por IA, los usuarios hacen menos clic y “rara vez consultan las fuentes citadas” (se cita Chapekis & Lieb, 2025, pero el paper aportado no da el dato numérico)
Define tres mecanismos de “System 0” que influyen en cómo se selecciona y estructura la información: función epistemológica (selecciona/estructura/resume), base computacional (trabaja con tokens/embeddings/metadata, a nivel “pre-semántico”) e “hibridación estructural” (filtra/rankea rápido y a veces hace análisis pesado)
Conclusión del estudio
Con el material mostrado, el estudio sostiene que las IA tienden a “reconstruir” información y a hacerla recuperable/usable para su síntesis antes de que el usuario vea el origen, por lo que la probabilidad de que una marca sea citada o recomendada depende de señales que sobreviven a esa transformación (estructuras, actualidad, contexto y pruebas con prompts/personas). Sin embargo, en el texto facilitado no hay mediciones propias que cuantifiquen directamente cuántas veces citan o qué fuentes ganan frente a otras.
Qué significa para ti
Como consultor SEO/GEO, este paper aporta el “por qué” (la IA opera como preprocesador y sintetizador), pero con el fragmento que has dado no hay métricas accionables sobre impacto real en citaciones. La única pista práctica cuantificable que falta aquí es el “cuánto” cae el uso de fuentes citadas en resúmenes de IA (se menciona, pero sin número en el texto compartido).
El estudio analiza por qué las IAs citan (o no) URLs en recomendaciones de productos, comparando 6.699 citas vía API con comportamiento de cita en interfaces web, y además midiendo si el consenso de marcas en Reddit predice qué marcas recomienda la IA.
Los datos
En una muestra de 6.699 URLs citadas por ChatGPT y Perplexity a través de su API en 120 consultas de recomendación, el estudio encontró 0 citas a Reddit
En las mismas consultas, Reddit ocupaba 38,3% de los Top-3 orgánicos de Google (138 de 360 posiciones), o sea, mucha presencia en resultados tradicionales pero ninguna cita vía API
Al medir la relación entre el “ranking” de marcas en Reddit y las marcas recomendadas por 4 IAs (ChatGPT, Claude, Perplexity y Gemini), el estudio reporta una correlación media Spearman ρ = 0,554 en 12 categorías; las 12 categorías fueron significativas (p < 0,05) y 8 de 12 siguieron siendo significativas tras corrección Bonferroni
Para la parte de interfaces web (con scrapers), las tasas de cita de Reddit fueron 44% en Google AI Mode, 20% en Perplexity y 17% en ChatGPT; en consultas de opinión/comparación (intent “opinions and comparisons”) subió a 71% en Google AI Mode y 46% en Perplexity
En contraste, en el canal API la tasa de cita de Reddit fue 0% en todas las plataformas; además, Claude fue la única que mantuvo 0% en ambos canales (API y UI)
Conclusión del estudio
El estudio demuestra que Reddit no es “invisible” para las IAs: su influencia puede aparecer sin cita en el canal API (porque el modelo absorbe el consenso), pero en interfaces web sí se cita de forma notable (hasta 44%). También confirma que el patrón no es uniforme: Claude no cita Reddit en ningún canal del experimento.
Qué significa para ti
Para una estrategia GEO, este estudio sugiere que “ser citado” por una IA depende del canal: en API tu visibilidad puede traducirse más como “señal absorbida” que como URL citada, mientras que en UI hay una ventana real donde Reddit puede aparecer en la respuesta. En la práctica, si tu objetivo es aparecer como referencia explícita, este estudio apunta a que eso solo es viable en el tipo de respuestas/canales donde la UI recupera y cita fuentes (picos altos en opiniones/comparaciones), y que en API puede no reflejarse como cita aunque influya.
Propone un marco colaborativo RAG tolerante a fallos bizantinos para reducir la corrupción del conocimiento en sistemas de agentes, reforzando la confiabilidad del contenido recuperado. Orienta prácticas de gobernanza GEO centradas en validación, consistencia y tolerancia a actores maliciosos para mejorar la calidad y evitar degradación de la visibilidad atribuible a datos comprometidos.
El texto analiza cómo EconStor usa Anubis (un sistema tipo Proof-of-Work) para frenar el scraping masivo de bots de empresas de IA y qué impacto tiene en el acceso a la web.
Los datos
Anubis está configurado para “proteger el servidor” frente a el “scraping” agresivo de compañías de IA
El texto afirma que este tipo de protección “puede y de hecho causa downtime” y hace que los recursos sean “inaccesibles” para todos
Anubis usa un esquema de Proof-of-Work inspirado en Hashcash, propuesto para reducir el spam por correo
El propio texto indica que Anubis es “un placeholder” y que su objetivo es ganar tiempo para mejorar el “fingerprinting”/identificación de navegadores headless (incluye ejemplo: “cómo renderizan fuentes”)
Para pasar el reto se requiere “enable JavaScript”; además, menciona que depende de funciones modernas de JavaScript y que plugins como JShelter pueden impedirlo
Conclusión del estudio
El estudio (tal como está descrito en este texto) no mide qué hace que una IA cite fuentes; se centra en cómo se bloquea el scraping automático mediante un reto Proof-of-Work y fingerprinting, y en el efecto de causar indisponibilidad o necesidad de JavaScript.
Qué significa para ti
Para una estrategia de visibilidad en IA, este texto aporta contexto defensivo: si tu web aplica mecanismos ant-bot con Proof-of-Work y requiere JavaScript, es probable que el acceso automatizado (y por tanto la posibilidad de ser indexado/citado por sistemas de IA) sea más frágil o menos eficiente. No da cifras sobre citas, así que no permite traducirlo a un impacto cuantificado.
Propone una medición empírica del posicionamiento de marca dentro de LLMs usando el Perception Control Framework v2 (PCF v2), con evidencia basada en seis marcas. Ayuda a equipos GEO a pasar de la intuición a un proceso comparable de visibilidad en IA, usando un marco y resultados que pueden servir de referencia en futuras evaluaciones.
El paper sostiene que la transición de SEO a GEO favorece a las marcas con información estructurada, lo que reduce la pérdida de conocimiento cuando cambian los modelos y el contexto de búsqueda. Aporta el concepto de vida útil de la relevancia del conocimiento, ayudando a definir cadencias y prioridades de actualización de contenidos para mantener visibilidad en motores generativos.
Explica en qué se diferencian y en qué se alinean el SEO tradicional y el GEO, para definir una estrategia conjunta de búsqueda que use señales y contenidos adecuados a motores generativos. Te ayuda a priorizar acciones de optimización pensando en el futuro del marketing de buscadores y en cómo la sinergia SEO+GEO puede mejorar el rendimiento orgánico más allá de los resultados clásicos.
El paper aporta un marco para comparar cómo el algoritmo tradicional y el motor generativo afectan la visibilidad en búsqueda, usando como referencia Google y Perplexity. Ayuda a detectar qué señales optimizadas para motores generativos (por ejemplo, formulación y formato del contenido) incrementan la probabilidad de aparición en resultados impulsados por IA y a priorizar acciones de SEO/GEO con base en resultados medibles.
El paper estudia, en un modelo económico, cómo los sistemas de respuesta con IA pueden desplazar visitas al “open web” de editores y, al debilitar señales de calidad por fuentes, volver ese contenido menos sostenible.
Los datos
El trabajo modela el efecto de que una plataforma de IA “subvalora” (underinternalizes) la futura reproducción del contenido: con ello retiene demasiado poco tráfico de referencia hacia las fuentes
Muestra que puede hacer que información del open web “se vuelva subcrítica” (se vuelve inviable/insostenible) incluso si las respuestas de IA son veraces, precisas y los usuarios son racionales
Propone que el mecanismo es auto-reforzado: si hay menos medición basada en fuentes (less source-level measurement), se debilita la búsqueda convencional y eso aumenta la dependencia de la IA
Para reparar la sostenibilidad, plantea reemplazar ingresos desplazados y “restituir” la medición perdida mediante: regalías por reemplazo de visitantes, procedencia auditada, auditorías humanas de información y compensación por temas clave (keystone-topic)
Conclusión del estudio
El estudio concluye que la IA puede dejar de citar/derivar al open web no porque invente o responda mal, sino porque, al reducir tráfico y medición desde las fuentes, erosiona la base que hace sostenible que ese web siga siendo referencia.
Qué significa para ti
Para un consultor SEO/GEO, el mensaje clave es que la citación/derivación no depende solo de “calidad” percibida en la respuesta, sino de señales de medición ligadas al tráfico hacia fuentes: si la IA captura el valor sin compensar la reproducción/auditoría de origen, se crea un ciclo que reduce la relevancia del web que alimenta a la búsqueda. El paper no da cifras de porcentaje de citas, pero sí identifica los palancas concretas del modelo (regalías por reemplazo, procedencia auditada y compensación por temas clave) que, si no existen, explican el descenso de referencias.
El estudio analiza por qué algunas páginas web terminan citadas en respuestas de sistemas RAG (búsqueda + IA generativa) y cuáles factores del contenido o la página aumentan o reducen esa citación.
Los datos
En el benchmark citado de GEO (10.000 consultas), las estrategias clásicas de SEO no aumentaron la visibilidad en la IA, mientras que aumentar la densidad de información de los fragmentos sí dio un efecto medible
En el trabajo de Karpukhin et al. sobre recuperación, el buscador vectorial denso superó a BM25/TF-IDF en 9–19 puntos porcentuales en precisión de extracción (en benchmarks como NQ, TriviaQA y WebQ)
Cuando se optimizan estrategias relacionadas con densidad informativa, el estudio reporta mejoras de +41% en Position-Adjusted Word Count y +28% en la valoración subjetiva de visibilidad (según resultados de Aggarwal et al.)
El paper remarca que la citación solo es posible si el hecho relevante estuvo dentro del Top-K contexto entregado por el sistema de recuperación (Top-K típicamente es pequeño, 3–5, para priorizar precisión, o grande, 10–20+, para priorizar cobertura)
Se indica que en el proceso de vectorización de un corpus (citado con el ejemplo de Wikipedia), la segmentación se hace en fragmentos de ~100 palabras; si el contenido no tiene estructura textual clara (tablas sin marcar, escaneos ilegibles, PDFs no extraíbles), el “vector” sale degradado y el ranking en búsqueda semántica cae
Conclusión del estudio
Con los datos reunidos, el paper concluye que una página no “aparece” por SEO clásico, sino porque puede ser indexada y recuperada en el paso RAG (en un fragmento relevante y denso) y luego la IA puede atribuir partes del texto generado a esos fragmentos del contexto entregado.
Qué significa para ti
Para SEO/GEO, el impacto real que muestra el estudio está en que tu contenido llegue al “Top-K de fragmentos” recuperados: accesibilidad técnica para indexar + fragmentos con afirmaciones completas y densidad informativa (lo que el paper liga a +41% y +28%). Si tu contenido no se puede extraer bien o no tiene segmentación útil, aunque tenga buenas palabras clave, el paper muestra que la citación en RAG cae porque la IA solo responde con el contexto recuperado.
El texto compartido no contiene el estudio sobre citaciones de IA, solo la ficha/portada de un artículo de Springer Nature; por tanto no es posible extraer qué investiga ni qué mide sobre cuándo ChatGPT/Perplexity/Gemini/Google AI/Claude citan fuentes.
Conclusión del estudio
Con el material proporcionado no hay datos del estudio sobre citaciones de IA, así que no se puede concluir nada específico (con cifras o hallazgos) sobre qué hace que esas IAs citen una fuente.
Qué significa para ti
Este extracto no aporta métricas ni resultados del tipo que necesitas para traducirlo a acciones SEO/GEO. Si pegas el contenido del apartado de resultados o cualquier tabla/porcentaje del paper, puedo devolverte el resumen con cifras.
Propone un enfoque de Generative Engine Optimization (GEO) para mejorar cómo las respuestas de motores impulsados por IA seleccionan y sintetizan contenido desde la web. Ayuda a definir prioridades de optimización orientadas a la visibilidad en búsquedas generativas, combinando prácticas de SEO tradicionales con criterios que refuerzan la relevancia y la capacidad de análisis del modelo.
El estudio analiza 1.357 citaciones usadas como “fuente” por Google Gemini en 156 búsquedas de hoteles en Tokio, y mide cómo el tipo de intención (experiencial vs transaccional) cambia qué sitios aparecen citados.
Los datos
En consultas experienciales, el 55,9% de las citaciones provienen de fuentes no-OTA; en consultas transaccionales es 30,8% (brecha de 25,1 puntos porcentuales; p < 5 × 10^-20)
El patrón se amplifica en japonés: 62,1% de citaciones no-OTA en experienciales vs 50,0% en inglés
Las citaciones analizadas son exactamente 1.357 y el estudio se basa en 156 consultas de hoteles en Tokio
Conclusión del estudio
Los datos muestran que, en búsquedas de hoteles, la IA no cita fuentes de forma fija: cambia de manera sistemática hacia fuentes no-OTA cuando la consulta tiene intención experiencial. Eso sugiere que el “control” de la visibilidad via intermediarios basados en comisiones puede debilitarse para ciertos tipos de búsqueda.
Qué significa para ti
Para SEO/GEO en hoteles, este paper indica que la intención del usuario (experiencial) puede hacer que la IA cite más a medios/fuentes no-OTA que en intención transaccional, cambiando quién “gana” la citación. En el mercado japonés, el salto hacia no-OTA en experiencial es incluso mayor según el propio análisis del estudio.
El trabajo relaciona la primacía lingüística con el poder en sistemas de conocimiento generativo, útil para detectar cómo ciertos patrones de lenguaje pueden sesgar respuestas y decisiones. Proporciona un marco para evaluar riesgos de gobernanza lingüística en SEO/GE O, especialmente cuando el modelo prioriza términos o formulaciones que cambian la interpretación de intenciones del usuario.
Ayuda a entender GEO como un cambio de paradigma de recuperación, donde los sistemas generativos sintetizan respuestas desde múltiples fuentes. Esto permite ajustar tu estrategia de contenidos para mejorar la probabilidad de que tus fuentes sean citadas dentro de respuestas generadas, aumentando la visibilidad en entornos de IA.
Resume el estado actual de la evidencia sobre IA aplicada al cuidado de la hemofilia, con foco en cómo puede analizar datos complejos y apoyar decisiones clínicas. Ayuda a priorizar oportunidades futuras para mejorar medición de resultados y personalización del tratamiento, apoyando la definición de casos de uso y métricas GEO relacionadas con impacto clínico.
El paper plantea que la búsqueda de terapeutas ya no depende solo de SEO clásico, sino de cómo los motores generativos (Generative Engine Optimization) presentan resultados, afectando directamente la visibilidad. Te sirve para adaptar tu enfoque GEO a consultas del usuario sobre terapia y para priorizar señales que mejoren la probabilidad de aparición en respuestas generadas.
Propone un caso en vivo sobre cómo los agentes de IA pueden gestionar perfiles académicos tipo ResearchGate para mejorar la coherencia temática y la visibilidad de investigación en el cruce entre IA y marketing. Ofrece una base práctica para aplicar GEO y gestión automatizada de perfiles, orientada a aumentar el descubrimiento de contenidos sin depender solo del trabajo manual.
El capítulo plantea cómo construir una estrategia de Generative Engine Optimization (GEO) para hacerse visible en respuestas de sistemas de IA, y describe qué tipo de cambios (contenido web, digital PR y ajustes técnicos) se monitorizan usando herramientas de observación basadas en prompts.
Los datos
El texto no incluye resultados medidos (porcentajes, tasas de citas, número de experimentos o rankings); solo describe el enfoque y las áreas a optimizar
No hay cifras sobre cuántas empresas/marcas/proyectos analizaron ni sobre cuántas consultas o respuestas de IA se revisaron
La única información cuantitativa visible en el fragmento es la del acceso del editor (p. ej., “Starting from €37.37 /Month”, “from 10 chapters or articles per month”), que no corresponde a mediciones del estudio
Conclusión del estudio
Con el texto proporcionado no se puede concluir qué hace que las IA citen una fuente, porque no se reportan mediciones ni hallazgos con datos. Lo que sí se ve es que el capítulo propone que la visibilidad en canales de IA se observa y optimiza mediante monitoreo de respuestas a prompts, atacando contenido, digital PR y factores técnicos.
Qué significa para ti
Este fragmento aporta más un mapa de trabajo (qué ejes se deben mirar) que pruebas sobre “qué dispara citas”. Si tu prioridad es identificar factores que realmente elevan citas, necesitarás la parte del paper donde se vean resultados concretos (número de ejemplos, métricas y comparación entre cambios).
El capítulo analiza qué KPIs deberían medirse para evaluar el éxito de GEO (Generative Engine Optimization) en sistemas de IA, y argumenta que ya no tiene sentido seguir rankings tradicionales sino métricas como menciones de marca y citación.
Los datos
El texto afirma que “ya no tiene sentido” monitorizar rankings (SEO clásico) como métrica principal en GEO
Propone medir “Brand Mentions” (menciones de marca), “Quellennennung” (mención/cita de la fuente) y “Clicks aus KI-Systemen” (clics que provienen de sistemas de IA)
Se señala como reto de medición la “Attribution auf den Umsatz” (atribución del impacto a las ventas), indicando que es un problema pendiente para el tracking en GEO
Conclusión del estudio
Este estudio concluye que la visibilidad y el desempeño en sistemas de IA se deben medir sobre todo con menciones de marca, citación de fuentes y clics desde IA, porque el seguimiento de rankings tradicionales no encaja en este contexto y la atribución a ventas es lo más difícil de medir.
Qué significa para ti
Si tu objetivo es ser citado por una IA, el estudio sugiere que el KPI más útil no es el ranking, sino la “Quellennennung” (que te citen) y las menciones de marca, además de los clics que vienen de esos sistemas. Como la atribución a ventas no está resuelta, usa métricas de citación/mentions como señal principal y deja las ventas como un área con alta incertidumbre según el propio texto.
El paper compara plataformas de análisis cualitativo “AI-native” frente a herramientas tradicionales (p. ej., NVivo, MAXQDA y Atlas.ti), para estimar cambios en tiempos de codificación y calidad del análisis. Ayuda a GEO y research ops a definir criterios de evaluación y riesgos (p. ej., trazabilidad de códigos, consistencia entre revisores y dependencia del modelo) al seleccionar herramientas para flujos de trabajo cualitativos.
Propone el concepto de Machine Likeability para medir cómo factores psicológicos, de presentación y de contexto incrementan la probabilidad de selección de modelos de IA en recomendaciones. Ofrece un marco empírico para que equipos GEO comparen y optimicen sus señales (tono, formato y contexto de uso) orientadas a mejorar la visibilidad y el rendimiento en decisiones asistidas por IA.
Propone un enfoque de auditoría de las AI Overviews de Google en búsquedas políticas y de noticias para evaluar cómo la curación algorítmica afecta la visibilidad de fuentes y narrativas. Ofrece una metodología aplicable a GEO para detectar patrones, sesgos de presentación y cambios en la cobertura frente a la búsqueda tradicional.
El capítulo resume el cambio de SEO a GEO y explica, con el propio estado del sector, que en sistemas de IA ya no hay “rankings”, sino menciones en la respuesta, pero indica que faltan datos para medir bien qué hace que una IA cite una fuente.
Los datos
El texto afirma que “faltan datos” (“Hier fehlt es an Daten”) para sostener con evidencia qué determina que una IA cite una fuente en GEO
Se indica que en GEO “ya no existen posiciones de ranking”, y que lo relevante pasa a ser “la mención o la cita dentro de la respuesta de la IA”
Se contrasta SEO vs GEO: en GEO “en lugar de enlaces se muestran fuentes” y “en lugar de keywords entran prompts” introducidos por el usuario
Conclusión del estudio
Este estudio/capítulo no aporta métricas sobre qué factores hacen que una IA cite una fuente; lo que demuestra con sus propios datos es que el problema de investigación está incompleto porque faltan datos y que el “objetivo” medible en GEO es la mención dentro de la respuesta, no el ranking.
Qué significa para ti
Para tu trabajo SEO/GEO, este capítulo sirve sobre todo como aviso de límites: como el propio texto dice que faltan datos, hoy no puedes trasladar reglas tipo “si optimizas X subes Y citas” con evidencia directa. Su utilidad práctica es cambiar el foco de KPIs: medir menciones/fuentes citadas en respuestas, no posiciones de ranking.
El estudio describe, con datos de colegios de formacion profesional en China, en que medida estan usando la IA (especialmente en cursos y apoyo a la ensenanza) y que cambios de enfoque trae eso.
Los datos
Alrededor de la mitad de los colegios de educacion vocacional en China han introducido cursos generales de IA
Mas de dos tercios de los colegios utilizan la IA para apoyar la ensenanza
El 60% de los colegios participa en el desarrollo de planes de estudio en colaboracion escuela-empresa orientados a necesidades del sector
Conclusión del estudio
Con los datos aportados, el estudio concluye que la IA en la formacion profesional ya esta en una fase de adopcion a gran escala y esta empujando cambios reales en el modelo educativo, el modo de ensenar y la colaboracion con empresas.
Qué significa para ti
Este paper aporta contexto sobre adopcion de IA (por ejemplo, que mas de 2/3 ya la usan para apoyar la ensenanza) pero no mide nada sobre que hace que las IA citen una fuente concreta. Para GEO/SEO, sirve solo como indicador de que el sector se mueve hacia 'competencias AI+X' y colaboracion escuela-empresa, pero no como evidencia directa de cita.
El estudio (no es empírico; es un argumento filosófico) analiza por qué, incluso cuando hay humanos “en el bucle” y el resultado es atribuible a una persona, puede no existir nadie que haya “autorado” la evaluación (el criterio de mérito) que guía la decisión de la IA.
Los datos
No aporta mediciones propias (no reporta porcentajes, tamaños de muestra ni experimentos); el texto se apoya en ejemplos y en citas a trabajos externos para sostener puntos sobre control/autoría y sobre conciencia/responsabilidad
Para separar “conciencia” de “responsabilidad”, el autor dice que hay “sin evidencia fuerte” de conciencia en los sistemas actuales según “indicator-based assessment” (Butlin et al., 2023, 2026)
En el mismo punto sobre conciencia, afirma que los reportes en primera persona de modelos actuales son “evidencia débil” y que pueden alterarse con “reprompting” (Chalmers, 2023)
Usa como ejemplo concreto el caso de selección de personal: la IA produce un ranking y el reclutador puede anularlo en cualquier momento y la empresa puede identificar quién firmó cada decisión, pero aun así el criterio de mérito que la IA aplica “no fue examinado” ni fijado por ese reclutador (en el ejemplo del propio texto)
Conclusión del estudio
El estudio concluye que la cita o “atribución” a un humano (porque se puede rastrear quién aprobó) no garantiza que exista una autoría del marco evaluativo; en la práctica, el criterio que la IA usa puede quedar “heredado” de datos y decisiones anteriores, de modo que “la decisión” termina sin un autor claro del marco de evaluación.
Qué significa para ti
Como consultor SEO/GEO, este paper no te da métricas sobre “qué hace que una IA cite” fuentes, sino que aclara un punto útil sobre sesgos de confianza: el autor advierte que la fluidez/presentación de conclusiones puede hacer que la gente “no autorice” (no valide) el criterio detrás del output. Aplicado a contenido, esto sugiere que lo que más reduce el “salto” hacia aceptar un marco heredado es que el contenido haga explícito el marco evaluativo que usa (y de dónde sale), porque el problema que describe no es responsabilidad operativa sino quién “autoró” el criterio.
No hay contenido útil del estudio en el texto que compartiste; solo aparece información de la plataforma (IEEE Xplore) y detalles de cuenta/soporte, sin resultados medidos.
Conclusión del estudio
Con este texto no se puede determinar qué hace que las IA citen una fuente ni extraer hallazgos cuantitativos, porque no se incluyen resultados, metodología ni métricas del paper.
Qué significa para ti
Puedo resumírtelo en formato SEO/GEO pero necesito que pegues el contenido del paper (al menos: resumen/abstract, metodología y resultados) o capturas donde aparezcan cifras y conclusiones. Con lo que hay ahora no hay datos accionables.
El paper sostiene que la visibilidad y la confianza de marca son un factor determinante para el rendimiento en Generative Engine Optimization, por encima de perfeccionar únicamente soluciones técnicas. Ayuda a priorizar inversión en presencia omnicanal y distribución en los canales correctos para los clientes objetivo, evitando optimizaciones GEO prematuras cuando la marca aún no es reconocible.
El paper muestra que con manipulaciones simples del contenido, como añadir estadísticas o citas, es posible mover la visibilidad en buscadores de LLM entre un 28% y un 41%. Ofrece evidencia práctica para optimizar páginas con criterios observables y así priorizar acciones de Generative Engine Optimization (GEO) orientadas a mejorar el rendimiento en resultados de IA.
Explica cómo la IA generativa y las nuevas etiquetas como GAIO, LLMO o GEO están reconfigurando el acceso a la información y, por tanto, la visibilidad en buscadores. Ayuda a orientar la optimización para aparecer en resultados alimentados por modelos y no solo en listados tradicionales, anticipando cambios de estrategia para equipos GEO.
El paper enmarca el reto del sector universitario como una doble presión demográfica y competitiva, donde la IA generativa pasa a influir en la elección y el aprendizaje. Ofrece una lógica de “pensar más grande” para reorientar la captación y la propuesta de valor con acciones SEO/GEO que anticipen el papel de la IA en la visibilidad de la institución.
El estudio analiza con datos de 1.440 sesiones de compra si la “evidencia legible para la máquina” (campos y atributos que el sistema puede interpretar) aumenta la probabilidad de selección de productos en interfaces de búsqueda e IA, y si eso pasa vía “persistencia de la atención”.
Los datos
Trabajaron con 1.440 sesiones, 11.520 observaciones de productos candidatas y 69.120 registros de atención en ventanas cortas, comparando interfaces de resultados de búsqueda, agente conversacional, respuesta generativa y comparaciones híbridas
El mejor clasificador de selección logró ROC-AUC = 0,884, average precision = 0,548, top-1 accuracy = 60,7% y top-3 accuracy = 92,4% en tareas de compra en prueba
Las variables de “machine-legibility” siguieron siendo predictivas aun controlando por precio, valoraciones, volumen de reseñas, familiaridad con la marca y condiciones de entrega
La “persistencia de la atención” mediaba parcialmente la relación entre legibilidad y selección, y el efecto fue más fuerte en interfaces de agente/híbridas que en interfaces normales de resultados de búsqueda
Conclusión del estudio
Con sus datos, el paper muestra que, cuando una tienda/IA selecciona y presenta productos, las evidencias que son “computacionalmente interpretables” aumentan la selección, y parte de ese efecto se explica por que sostienen la atención del usuario. Además, el impacto de esa legibilidad es mayor en interfaces tipo agente y comparaciones híbridas que en búsquedas tradicionales.
Qué significa para ti
Para un consultor SEO/GEO, este estudio no mide “citas” de IA como tal, pero sí demuestra que en entornos de agente/híbridos la interpretación automatizada de señales de producto pesa más que en búsquedas simples. La implicación práctica (en el mundo de citación/presentación por IA) es que cuanto más “estructurada y completa” sea la evidencia que puede leer el sistema (atributos y datos) mayor es la probabilidad de que el producto pase filtros y capte atención.
Analiza, en 100 preguntas de salud, qué tipo de fuentes (por autor, institución, calidad y autoridad digital) cita ChatGPT 5.2 cuando responde y qué proporción pertenecen a medios sanitarios establecidos.
Los datos
Usaron 100 preguntas seleccionadas de HealthSearchQA (que contiene 3.173 preguntas) y codificaron las fuentes citadas por ChatGPT; en total registraron 615 fuentes citadas (n=615)
Más del 75% de las fuentes citadas por ChatGPT en respuestas de salud provienen de fuentes institucionales ya establecidas (ejemplos citados: Mayo Clinic, Cleveland Clinic, Wikipedia, National Health Service, PubMed)
El resto de las citas (menos del 25%) correspondieron a fuentes alternativas de información de salud sin respaldo institucional “establecido” según el propio estudio
Conclusión del estudio
Con base en sus 100 preguntas y 615 citas analizadas, el estudio muestra que cuando ChatGPT responde salud, la mayoría de las referencias que muestra se concentran en organizaciones y plataformas sanitarias ya reconocidas (más del 75%), no en fuentes alternativas.
Qué significa para ti
Si tu objetivo es que una IA te cite en temas de salud, este estudio indica que contar (o aparecer) como una fuente “institucional” es el factor dominante en el tipo de citas que emite ChatGPT: el simple hecho de tener información no basta si no encajas con ese tipo de respaldo. En términos prácticos, lo que más pesa aquí es el perfil de la entidad que la IA usa como referencia (lo que el estudio llama señales de autoridad), porque concentra más del 75% de las citas.
El estudio analiza qué tipo de descripciones turísticas generan 5 IA (en francés, con 13 prompts) sobre Agadir y la región Souss-Massa, y cómo convergen o sesgan esa representación (65 respuestas, 38.402 palabras).
Los datos
Compiló 65 respuestas textuales de las IA, con un total de 38.402 palabras de discurso turístico automatizado
Encontró una asimetría espacial clara a favor de la zona de la costa (más presencia/atención de la costa que del interior)
Midió convergencia léxica entre modelos y la mayor coincidencia aparece en prompts con marcadores “enciclopédicos” fuertes, especialmente en historia y cultura amazigh
Observó una “eliminación espontánea” de la dimensión amazigh: solo se corrigió cuando el prompt lo pedía de forma explícita
Conclusión del estudio
Con sus mediciones de respuestas entre 5 modelos, el estudio muestra que la “cita/atención” o inclusión de temas no depende solo de la disponibilidad de información, sino de patrones aprendidos por la IA: favorecen la costa y tienden a omitir lo amazigh salvo que se fuerce en el prompt, además de compartir un marco interpretativo sobre la autenticidad de Agadir frente a ciudades imperiales.
Qué significa para ti
Para SEO/GEO en turismo, este estudio sugiere que lo que las IA deciden cubrir (p. ej., costa vs. interior, o incluir cultura amazigh) puede fallar si no está explícitamente “solicitado” en la forma del contenido/entidades que se mencionan; y que, al converger los modelos en temas “enciclopédicos” como historia y Amazigh, esos ejes tienden a ser los que más fácil y consistentemente acaban reflejados en sus narrativas.
El trabajo enmarca la IA como un proceso de transformación que pasa de la crisis a la adopción estratégica, considerando dilemas éticos e inclusión social. Para GEO, sugiere integrar gestión del sesgo y consideraciones de equidad en la planificación de iniciativas de búsqueda e IA, como base para decisiones de producto y gobernanza.
El paper describe cómo la adopción de IA transforma la forma en que las personas buscan información, lo que impacta directamente la visibilidad en sistemas conversacionales y resultados generados. Proporciona una base para adaptar contenido a estos nuevos recorridos de búsqueda y mejorar la probabilidad de aparecer cuando la IA sintetiza o recomienda información.
El paper analiza cómo las herramientas de búsqueda basadas en IA generativa están alterando la estrategia de contenidos de las pymes, afectando decisiones sobre temas, formato y frecuencia de publicación. Ayuda a GEO a definir prioridades de contenido orientadas a visibilidad en buscadores de IA, para alinear el plan editorial con los nuevos patrones de descubrimiento.
Propone un enfoque de Generative Engine Optimization para optimizar contenidos con el objetivo de ser citados por motores de búsqueda basados en IA como Perplexity, ChatGPT Search y Gemini. Enfatiza que los agentes analizan las respuestas de IA y ajustan la estrategia para mejorar la probabilidad de aparición y cita en esos resultados.
El estudio analiza, con 2.000 ejecuciones, cómo el contexto del comprador (10 tipos de persona) cambia las marcas recomendadas por asistentes con búsqueda (OpenAI/Anthropic) ante el prompt “best CRM software”.
Los datos
Al añadir un “persona” en el mensaje, la similitud del set de recomendaciones (Jaccard) baja en Delta = -0.12 a -0.20 frente a usar la misma persona (en todas las celdas medidas los intervalos al 95% excluyen cero)
El efecto es “prominence-stratified”: los líderes de categoría mantienen ~80% de consistencia de marca entre personas, mientras las marcas de mid-market pueden cambiar hasta un 75% de su set recomendado cuando cambia la persona
En Anthropic, el efecto por persona tiene un mayor valor puntual que en las configuraciones de OpenAI, pero la comparación directa tiene solapamiento en intervalos para el contraste más cercano; además, el resultado de sonnet usa solo 4 clusters de prompts (intervalos más amplios)
El modelo Anthropic genera 43%–52% de recomendaciones sin evidencia observable de la capa de recuperación, mientras OpenAI lo hace en 8%–29%
Conclusión del estudio
Este trabajo muestra que una IA cita o recomienda marcas de forma materialmente distinta según la “persona” que cree que hay detrás de la consulta: el contexto del comprador no es un detalle, altera los conjuntos de recomendaciones y sesga más a las marcas mid-market.
Qué significa para ti
Para analítica SEO/GEO orientada a IA, medir “la cita” agregando sin controlar la persona puede ocultar diferencias grandes entre marcas (hasta 75% de cambios en mid-market en el estudio). Además, el estudio sugiere que cuando el modelo tira más de priors que de recuperación (como Anthropic: 43%–52% sin evidencia), las variaciones por contexto pueden pesar más en lo que aparece citado/recomendado.
El estudio analiza cómo cuatro IA (ChatGPT, Perplexity, Gemini y Claude) “encuadran” recomendaciones de países para estudiar en el extranjero y qué patrones de inclusión/exclusión y orden aparecen en sus respuestas según los prompts y los países.
Los datos
El estudio usa respuestas generadas por 4 modelos (se mencionan los nombres de ChatGPT, Perplexity, Gemini y Claude en el texto de enfoque del trabajo)
Las respuestas se analizan con “content analysis” tanto cualitativa como cuantitativa (no se dan en el texto cifras como número de respuestas o porcentaje de cita)
En los prompts se emplearon modos “incognito/temporary” y se evitó activar opciones de búsqueda tipo “deep research” o “extended thinking” (condición explícita del experimento)
Para enmarcar “contexto” del fenómeno de movilidad internacional, el texto indica que investigan el volumen de estudiantes terciarios internacionales usando el indicador UNESCO Institute for Statistics: “Total outbound internationally mobile tertiary students studying abroad, all countries, both sexes” (no se reporta en el extracto un valor concreto)
Conclusión del estudio
Con los datos del extracto disponible, el estudio muestra principalmente que las IA recomiendan y presentan oportunidades educativas usando mecanismos de encuadre (inclusión/exclusión, orden y afirmaciones cualitativas). No aporta métricas en el texto pegado que permitan concluir cuántas veces citan fuentes ni qué factor SEO explica esas citas.
Qué significa para ti
Este paper te sirve como contexto para entender que, cuando una IA responde “dónde estudiar”, no solo informa: selecciona qué incluir/excluir y cómo ordena los destinos, lo que puede afectar indirectamente qué información de tu institución “encaja” en la recomendación. Pero con el fragmento que compartiste no hay datos accionables sobre citas (cuánto citan ni qué tipo de fuente citan).
Propone un marco de auditoría con Human-in-the-Loop para evaluar el comportamiento de recuperación de IA en condiciones neutrales y no autenticadas, reduciendo sesgos entre plataformas. Valida el enfoque en 10 plataformas de IA, aportando una metodología práctica para comparar la descubribilidad de forma consistente y auditable en operaciones GEO multicanal.
El estudio revisa cómo las innovaciones en marketing digital (incluida IA y analítica predictiva) ayudan a las empresas a gestionar la incertidumbre del mercado, pero no mide directamente citas de IA ni hace recuentos de cuántas veces ChatGPT/Perplexity/Gemini/Google AI/Claude citan fuentes.
Los datos
El texto no incluye métricas propias del estudio sobre “citas” de IA (no hay porcentajes, conteos, ni resultados cuantificados sobre citación)
El estudio describe que analiza “datos secundarios” con métodos descriptivos y comparativos, pero tampoco aporta resultados numéricos propios (solo marcos conceptuales)
No aporta datos duros sobre rendimiento (p. ej., “sube X%”) ligados a citar fuentes: se limita a afirmar mejoras de forma general (sin cifras)
Conclusión del estudio
Con el contenido disponible, este paper no demuestra qué hace que una IA cite una fuente, porque no realiza un experimento ni una medición sobre citación. Lo que sí aporta es contexto sobre cómo el marketing digital usa IA/analítica para anticipar y adaptarse, pero eso no se traduce en hallazgos operativos sobre citación por sistemas de IA.
Qué significa para ti
Como consultor SEO/GEO, este texto te sirve solo como referencia temática (uso de IA/analítica en marketing), pero no aporta señales medibles sobre el mecanismo de citación de IA (no hay datos de “qué fuentes” o “qué señales” hacen que se cite). Si necesitas hallazgos accionables sobre citación, hace falta el tramo del paper donde midan o comparen citas reales (o datos de reproducción de resultados) y no solo una revisión conceptual.
Analiza límites de atribución y modelos de incentivos de plataforma que condicionan ingresos y derechos de creadores cuando la música generativa usa grabaciones como datos de entrenamiento. Ofrece claves para evaluar y mitigar riesgos reputacionales y legales en estrategias de contenido, vinculando cómo cambian la visibilidad y la monetización con la reutilización automatizada del catálogo.
El paper investiga sesgos en sistemas de “AI search overview” (como los que escogen fuentes y luego redactan el resumen) y muestra cómo esos sesgos pueden explotarse manipulando solo los fragmentos (snippets) para influir qué fuentes termina citando/seleccionando el sistema.
Conclusión del estudio
El estudio concluye que los sistemas de AI search overview sí tienen sesgos en la fase de selección de fuentes, y que un aprendizaje por refuerzo puede optimizar snippets para manipular esos resultados; además, la selección depende de ventajas comparativas entre fuentes candidatas más que de “ventajas absolutas”.
Qué significa para ti
Si tu objetivo es ser seleccionado/citado por estos sistemas, este paper sugiere que importa cómo se comparan tus snippets frente a los competidores (no solo que “sean buenos” en abstracto). Si trabajas en medición o seguridad, aporta el aviso de que la manipulación de contexto mediante “context poisoning” puede llevar a resultados inexactos o dañinos, aunque el texto compartido aquí no incluya cifras.
El paper sugiere que la adopción de LLM puede desplazar la navegación desde múltiples sitios externos hacia menos fuentes dominantes, aumentando la concentración del tráfico. Para GEO, esto implica revisar la dependencia de motores de búsqueda y priorizar estrategias que mantengan visibilidad en entornos conversacionales y respuestas asistidas por IA.
Analiza cómo los Google AI Overviews y AI Summaries alteran el acceso a información de interés público y pueden afectar los ingresos de los editores al reducir clics hacia sus contenidos. Te ayuda a anticipar riesgos para la visibilidad y la libertad mediática, y a definir criterios para evaluar el impacto del tráfico “cero-clic” y la pérdida de distribución orgánica frente a la síntesis en la plataforma.
El estudio investiga, con 72.000 observaciones, qué señales estructuradas de marketplaces hacen que una marca sea visible en respuestas y elecciones mediadas por IA (búsqueda agente y “shopping” autónomo) y cómo cambia esa visibilidad al mejorar páginas de producto.
Los datos
El dataset se construyó con 72.000 observaciones a nivel de producto, generadas desde 1.200 intenciones de compra, con 10 alternativas competidoras por intención, 3 condiciones de interfaz mediada por IA y 2 marcos de prompt
El mejor clasificador de selección (para qué producto acaba elegido) obtuvo un ROC-AUC de 0.892 y una precisión promedio (average precision) de 0.444 en datos de prueba agrupados por intención
El mejor modelo de ranking logró que el producto seleccionado apareciera en el top 3 en el 82.3% de las tareas retenidas
Las simulaciones contrafactuales muestran que mejorar la “legibilidad”/calidad de páginas de producto desde el percentil 30 al 70 aumenta la visibilidad predicha “top-three” en 12.4 puntos porcentuales, manteniendo condiciones comparables
Entre las variables que predicen la visibilidad mediada por IA destacan: densidad de esquema (schema density), completitud de especificaciones, ajuste semántico, volumen de reseñas, precio relativo y densidad de evidencia (evidence density) como predictores conjuntos
Conclusión del estudio
El estudio demuestra que, en un entorno de búsqueda y compra mediada por IA, la visibilidad de marca no depende solo de que el usuario visite la página original, sino de señales estructuradas y de evidencia (especialmente densidad de esquema, completitud y ajuste semántico). Además, muestra que mejoras medibles en la “legibilidad” de producto pueden traducirse en un salto cuantificable en aparecer entre los 3 primeros productos seleccionados.
Qué significa para ti
Para un consultor SEO/GEO, este trabajo sugiere que lo que más “mueve la aguja” para que la IA cite/seleccione tu producto es la información de marketplace bien estructurada y legible por máquina (schema, especificaciones completas y evidencia como reseñas), porque está directamente conectada a métricas tipo top-3 y precisión de selección. También aporta una palanca cuantificable: elevar la legibilidad/robustez de la página (según su percentil) se asocia con +12.4 puntos en visibilidad top-3 bajo condiciones comparables.
El estudio analiza ~2 millones de citaciones generadas por ChatGPT, Claude, Google AI Overviews y Gemini durante 6 meses para identificar qué características de las páginas web predicen con más frecuencia que una IA las cite, usando 10.042 URLs y 60+ variables controlando sesgos por dominio.
Los datos
El predictor dominante es la “alineación prompt–contenido” medida con solapamiento Jaccard de tokens: β = +0.37 (IC 95% [+0.33, +0.41]) y q ≈ 10^-73; en tamaño de efecto, +1 desviación estándar en alineación implica ~+0.37 en log2(1+nc), equivalente a ~+30% en el conteo de citaciones (nc) en la media geométrica
Los “típicos checklists AEO” (FAQ, TLDR/BLUF, autor bio, Core Web Vitals y datos estructurados) se ven positivos en datos agregados, pero el estudio muestra que al controlar por dominio muchos efectos se anulan: FAQ β = +0.07, TLDR/BLUF β = +0.05, autor bio β = +0.02 (y deja de ser significativo tras controles adicionales de profundidad de contenido), y Core Web Vitals real-user no mantiene efecto significativo con control por dominio
Al comparar importancia entre tipos de señales, la “autoridad AI” a nivel de dominio supera a la mejor característica de página no ligada a alineación por un factor 6 en SHAP (medida de contribución media absoluta)
La IA tiende a citar secciones altas del texto: la “mejor coincidencia” (párrafo con más alineación) ocurre con profundidad mediana 0.36 (en una escala 0 arriba a 1 abajo), y un test Wilcoxon contra null uniforme rechaza con p < 10^-20
El coeficiente de alineación no solo aparece en el corte principal: se mantiene positivo en validación temporal (entrenamiento antes de 1 abril 2026 vs hold de abril 2026) pasando de β̂align = +0.61 (entreno) a β̂align = +0.34 (hold), con ambos intervalos de confianza por encima de cero
Conclusión del estudio
Con datos reales de producción (varias engines) y controles por dominio, el estudio demuestra que la probabilidad de que una IA cite una página depende sobre todo de que el contenido de esa página esté alineado con el “corpus” de prompts del propio workspace; y que señales populares tipo checklist AEO pueden parecer útiles hasta que se corrigen por el sesgo de marca/dominio.
Qué significa para ti
Para un plan de GEO/SEO orientado a citas, el resultado accionable aquí es priorizar páginas cuyo contenido tenga alta alineación con lo que el sistema ya usa como prompts (porque esa alineación es el predictor #1 y se sostiene en hold-out temporal). En paralelo, este estudio advierte que “FAQ/TLDR/autor bio/Core Web Vitals” pueden no traducirse en más citaciones una vez controlas por dominio, así que si vas a invertir, el foco debería estar en señales que aumenten alineación real con el contexto de prompts del workspace, no solo en checklist.
El trabajo aborda cómo los sistemas de IA que dan asistencia normativa pueden generar orientación opaca sobre qué hacer o pensar, elevando el riesgo de sesgos y decisiones indebidas. Para GEO, su enfoque sugiere reforzar controles de gobernanza y trazabilidad en prompts, políticas de respuesta y evaluación de salidas para reducir variabilidad no justificada.
Describe una arquitectura RAG para sistemas de búsqueda generativa y cómo el modelo recupera contenido para aumentar la calidad de las respuestas. Aporta criterios para aprovechar mejor el contenido web y reducir fallos típicos como alucinaciones, mejorando la efectividad del “retrieval” antes de generar.
El texto es la ficha promocional de un libro sobre cómo la IA cambia el marketing (contenido, tráfico y conversión), pero no presenta datos medidos sobre por qué las IA citan fuentes.
Los datos
No incluye resultados cuantitativos ni porcentajes: sólo describe que el libro trata SEO y GEO con IA generativa, además de agentes IA, campañas SEA/GEA y medición de performance
No indica un estudio empírico: no hay número de experimentos, herramientas analizadas, ni recuento de citas o fuentes
No aporta cifras sobre citas de IA (ChatGPT, Perplexity, Gemini, Google AI o Claude): el texto no menciona el objetivo de “citar una fuente” ni cómo lo investigan
Conclusión del estudio
Con este texto no se puede concluir nada sobre qué hace que una IA cite una fuente, porque no contiene datos del estudio ni mediciones sobre citas.
Qué significa para ti
Úsalo sólo para entender el enfoque temático del libro (marketing + IA), pero para trabajo SEO/GEO no aporta evidencia accionable sobre “criterios de citación” por IA. Si necesitas números, habría que conseguir el estudio completo o el capítulo donde midan citas.
Propone detectar reseñas falsas aprovechando inconsistencias entre mercados, lo que reduce el riesgo de que el contenido manipulado mejore su visibilidad en respuestas generadas. Aporta un enfoque evaluable de “CrossCFD” para auditar señales de calidad y sesgos por plataforma, útil para medir y mitigar fraude en ecosistemas de reseñas.
El paper advierte que la adopción de LLM puede concentrar el tráfico web hacia un conjunto menor de fuentes, reduciendo la dispersión histórica generada por los buscadores tradicionales. Para GEO, esto implica medir variaciones en visibilidad y dependencias de canales (buscador vs. respuestas de modelos) para anticipar caídas y ajustar estrategia de contenido y distribución.
El estudio mide cómo la lengua de consulta y el nivel de reconocimiento de marca cambian la reputación “construida” por IA al preguntar por 66 marcas en 12 idiomas, generando 35.640 respuestas con GPT-5.4, Gemini 3.1 Pro y Perplexity Sonar Pro.
Los datos
La reputación construida por IA es “dependiente del idioma”: similitud media entre idiomas (cosine) = 0.825; dentro de la misma familia lingüística es mayor (0.844) que entre familias (0.820), con tamaño de efecto d = 0.31
El sentimiento cambia por idioma: efecto F = 268.5 y eta^2 = 0.077; en general, las lenguas urálicas y bálticas salen más positivas y las germánicas (incluido inglés) más críticas
Cambiar la lengua de consulta altera sobre todo qué marcas recomienda la IA: al pasar de consulta en inglés a la lengua “local” de la marca, la cuota de recomendación sube +0.80 para “local champions”, pero solo +0.15 para multinacionales globales (t = -8.84, p < 0.001)
El sentimiento apenas invierte con ese cambio: el estudio reporta “sin inversión comparable” del sentimiento cuando se cambia el idioma de consulta
La estabilidad de las respuestas depende más del modelo que del idioma: eta^2_model = 0.32 frente a eta^2_language = 0.01 (replicación con 5 iteraciones sobre un subconjunto de 20 marcas)
Conclusión del estudio
Con datos de 35.640 respuestas, el estudio demuestra que medir reputación con IA solo en inglés deja un “punto ciego” lingüístico: afecta de forma medible la visibilidad (recomendaciones) de marcas localmente reconocidas, mientras que el sentimiento varía por idioma y la estabilidad cambia sobre todo por modelo, no por lengua.
Qué significa para ti
Para monitorizar reputación/visibilidad con IA, este estudio muestra que un audit “inglés-only” puede subestimar el alcance de marcas locales: pasar a la lengua local de la marca puede aumentar la probabilidad de recomendación mucho más (+0.80 vs +0.15). Además, si comparas resultados entre campañas o meses, controla el modelo: la estabilidad cambia principalmente por elección de modelo (eta^2_model 0.32), no por idioma (eta^2_language 0.01).
El modelo MAD-M™ propone un umbral de saturación del 60% que indica cuándo la visibilidad de contenidos generados por IA empieza a degradarse de forma acelerada en las capas de descubrimiento digital. Ayuda a equipos GEO a planificar cadencias de publicación y redistribución para reducir la caída de alcance cuando se aproxima ese punto de saturación.
El estudio analiza, con datos tempranos del “underground” de ciberdelito, qué tan y cómo se están adoptando herramientas de IA generativa y asistentes de código en el ecosistema de cibercrimen, para ver si eso está causando una disrupción real.
Los datos
Encuentra que la realidad, hasta el momento, es “prosaica”: hay adopción temprana de IA sobre todo en esquemas de “ingresos pasivos” a gran escala con poca rentabilidad y en fraudes triviales
Afirma que no hay evidencia (todavía) de una disrupción generalizada del cibercrimen: “poca evidencia hasta ahora” de que se estén cambiando de forma amplia las dinámicas del sector
Sostiene que la IA está sustituyendo tareas típicas de desarrollo en el cibercrimen (pegar código, comprobación de errores y consulta de “cheatsheets”), pero no muestra señales de un cambio profundo en la economía del cibercrimen
Indica que los “vibe coding tools” aportan utilidad limitada a actores de baja habilidad, mientras que el beneficio principal aparece en actores ya capacitados
Concluye que el papel de LLMs “jailbreak” como instructores (“Dark AI”) está sobrevalorado: la iniciación se apoya más en subcultura y aprendizaje social, donde las conexiones y la identidad comunitaria pesan tanto como el conocimiento
Conclusión del estudio
Con sus datos tempranos, el paper muestra que la IA generativa en cibercrimen todavía no ha generado una disrupción amplia: su adopción parece acotada a automatizar partes del trabajo y a casos concretos, principalmente para quienes ya tienen habilidad, y con poca evidencia de que esté reconfigurando el ecosistema.
Qué significa para ti
Este estudio no aporta un mapa directo de qué fuentes citan las IA, porque se centra en adopción de herramientas dentro de cibercrimen. Aun así, sirve como contexto: cuando se ve “efecto IA” en un dominio, los cambios reales pueden ser incrementales y sesgados hacia usuarios con más capacidad—justo lo que deberías tener presente al interpretar qué tipo de contenidos/activos terminan siendo realmente “usados” por sistemas que automatizan decisiones.
El estudio analiza, con una auditoría propia de 10 casas de lujo y 4 agentes de IA (ChatGPT, Gemini, Perplexity, Claude), qué porcentaje de veces citan una fuente/una marca y cómo cambian las recomendaciones y el “control” de la narrativa frente a una petición de compra.
En ChatGPT (78% de cuota de mercado), los enlaces aparecen solo en el 6% de sus respuestas y los precios en el 14%
Perplexity (7% de cuota) cita precios en el 53% de los casos
Gemini menciona Vestiaire Collective o The RealReal en el 60% de sus respuestas; Claude en el 51%
El estudio afirma que 90% de las fuentes “escapan” al control de la casa, y que 36% de los consumidores ya confían en la IA para compras
Conclusión del estudio
Con los datos de su auditoría, el estudio muestra que las IAs no citan/usan información de forma controlable por las marcas: citan “lo que encuentran” y, además, distribuyen la conversión de forma desigual (awareness en un agente, acción en otros), con gran parte de las fuentes fuera del control de la casa.
Qué significa para ti
Para consultoría SEO/GEO, este resultado aterriza que el objetivo no es “estar mejor” en resultados tipo buscador, sino medir cómo cada agente concreta (enlaces y precios) y qué fuentes externas activa (p. ej., resale) cuando una consulta de compra aparece. Si tu marca depende de controlar el relato, el estudio sugiere que el control real no llega: hay que auditar por agente qué sí menciona (precios/enlaces) y qué termina sustituyendo o amplificando (resale) en la respuesta.
El estudio analiza, en 11.200 consultas reales, 112.000 respuestas de 10 modelos de 5 proveedores, cuántas citas siguen una cadena correcta y en qué falla la “fidelidad” entre consulta, fuente citada y respuesta.
Los datos
Crean CITETRACE con 761.495 pares de cita evaluables (consulta → fuente recuperada → respuesta) para medir errores estructurales
El 30,6% de las citas distorsionan sus fuentes, y el 27,1% provienen de fuentes “inadecuadas” para el dominio correspondiente
A nivel de respuesta, hasta el 96% de los usuarios se topan con al menos una cita estructuralmente engañosa
Las diferencias por proveedor explican el 88%–96% de la variación en la calidad de las citas, más que el “modelo” en sí
Conclusión del estudio
El estudio demuestra que, aunque muchas IAs citan fuentes reales y accesibles, una parte grande de esas citas falla en dimensiones clave (distorsión o desajuste de dominio), generando casos frecuentes de desinformación. Además, la calidad de la cita depende sobre todo del proveedor (cómo recupera y selecciona fuentes) más que del modelo generador.
Qué significa para ti
Para tu estrategia, este estudio sugiere que el “citado” no lo decide solo el modelo: depende fuertemente del proveedor (recuperación/selección de fuentes), así que deberías evaluar tu visibilidad en el contexto de los proveedores concretos. También indica que no basta con ser citables: si tu fuente es real pero no encaja con el dominio o se cita sin fidelidad a lo que dice, igual aparecerán fallos que provocan desconfianza masiva.
Propone integrar SEO, GEO y contenido consciente de la recuperación para que el “conocimiento de marca” que actualizan los LLM se mantenga alineado con fuentes relevantes. Aporta un marco para diseñar y actualizar contenidos pensados para ser recuperados por sistemas de consulta, mejorando la consistencia de las respuestas sobre marca frente al desajuste por memoria de consumidor.
Ofrece una guía práctica para aplicar IA de forma efectiva y ética en los procesos de PR, especialmente orientada a equipos de gestión de nivel medio y agencias. Ayuda a definir cómo escalar el uso de IA en estrategias y operaciones de relaciones públicas, mejorando la ejecución y la gobernanza del flujo de trabajo.
El paper aborda la optimización de la visibilidad en motores de búsqueda impulsados por IA (GEO), conectándola con el uso de una estrategia multicanal. Aporta un marco práctico para ajustar contenidos y señales para mejorar la indexación y la presencia en resultados de búsqueda generativos, usando el caso Eagletic como referencia.
El estudio evalúa CANote (una herramienta de IA para redactar notas de desmentido con evidencias y citas) y compara su impacto frente a la redacción manual, con 52 fact-checkers y 52 usuarios no expertos en una plataforma simulada tipo X.
Los datos
Participaron 52 fact-checkers y 52 usuarios no expertos (104 personas en total)
CANote mejora significativamente la calidad de las notas frente a la escritura manual (según la evaluación del estudio)
Los usuarios no expertos con CANote logran una calidad comparable a la de los expertos al redactar notas
El tiempo para completar la tarea y la carga cognitiva percibida se mantienen comparables a la redacción manual, pero sube la satisfacción del usuario
Aun mejorando calidad y satisfacción, aparece un coste: menor sensación de “propiedad” y control sobre la nota de desmentido
Conclusión del estudio
Con los datos de este experimento, el estudio demuestra que una IA que ayuda a organizar subafirmaciones y a enlazar explícitamente cada parte con evidencia recuperada puede elevar la calidad de las notas y reducir la brecha entre expertos y no expertos; lo que genera es una mejora en resultados, no un aumento de carga ni de tiempo.
Qué significa para ti
Para un consultor SEO/GEO, este trabajo aporta una señal útil sobre “cómo se cita”: cuando la herramienta fuerza a que cada subafirmación vaya ligada a evidencia enlazada, mejora la calidad del producto final. El estudio no mide directamente citas de páginas concretas en buscadores, pero sí muestra que la estructura de procedencia (provenance) es parte del mecanismo que hace que el trabajo sea más sólido y aceptado.
El paper propone un modelo (Ashta-Ayama 8D) que explica cómo una IA “simula” tareas de las primeras 5 dimensiones de aprendizaje, pero no puede cubrir las 6–8 (Intención, Resonancia y Emergencia), y para sustentar el planteamiento usa una bibliografía de 44 citas.
Los datos
Declara una bibliografía con 44 citas (“supported by a 44citation bibliography”)
Define que el modelo completo usa 8 dimensiones con un total de 19 sub-ejes (“eight dimensions… described by… 19 sub-axes”)
Aporta que la transición desde el modelo educativo 5D cubre el ~25% de la vida en aprendizaje institucional, aprox. edades 6–21 (“roughly ages 6–21”; “~25% of a human life”)
En el modelo, la ecuación 8D C = (S × T)^A(I · R · E) se reduce a la 5D cuando I = R = E = 1: L = (S × T)^A (“When I = R = E = 1… reduces to L = (S × T)^A”)
Conclusión del estudio
Con los datos disponibles en el texto compartido, el estudio no mide “qué hace que las IA citen una fuente” en absoluto; en cambio, usa una bibliografía de 44 entradas para justificar su modelo y afirma cómo las IA no cubren Intención, Resonancia y Emergencia (6–8). Por tanto, este material no permite concluir factores de citación por IA.
Qué significa para ti
Este paper te sirve más como contexto sobre qué tipos de capacidades dice que una IA no reproduce (6–8), pero no aporta cifras o pruebas sobre por qué otras IA citan una fuente. Si tu objetivo es entender citación, necesitarías el estudio específico sobre “citations” (métricas de citas, cobertura, dominios citados, etc.), porque aquí no aparecen.
El estudio analiza qué determina que una IA recomiende y cite hoteles, y lo muestra con dos casos (Hotel du Mont-Blanc y una simulación para una familia sueca) probando cómo los datos en formato estructurado afectan la interpretación por sistemas de IA.
Los datos
Propone que la visibilidad en IA depende de alimentar correctamente a los sistemas con datos y sitúa como estrategia central implementar datos estructurados con el vocabulario de Schema.org en JSON-LD
En la simulación para una familia sueca se realiza una “consulta y respuesta generativa” para evaluar el impacto cuantitativo y cualitativo, pero el texto aportado no incluye los porcentajes o cifras de resultados
En la sección de caso práctico del Hôtel du Mont-Blanc se hace un “audit” de recursos digitales y semánticos y luego se implementa código JSON-LD optimizado; el texto aportado no incluye métricas (por ejemplo, aumento de citas o cambios en el ranking) asociadas a ese antes/después
El documento afirma que los asistentes de IA suelen devolver una selección “de 3 a 5 opciones” (y que eso reduce la frecuencia con la que un hotel aparece en resultados) pero no aporta una cifra medida en el estudio sobre cuánto baja o sube la visibilidad por hotel
Conclusión del estudio
Con los elementos del documento aportados, el estudio sostiene que los sistemas de IA solo pueden recomendar/citar correctamente si los hoteles proporcionan datos comprensibles para el modelo, y que el formato de datos estructurados (Schema.org en JSON-LD) es el mecanismo que permite esa interpretación fiable. Aun así, el texto que has compartido no trae las cifras concretas del impacto (por ejemplo, cuánto aumenta la cita) para validarlo numéricamente aquí.
Qué significa para ti
Para un consultor SEO/GEO, este estudio deja claro el “por qué” técnico ligado a IA: si tu información está en contenido no estructurado, la IA puede perderla, mientras que JSON-LD con Schema.org facilita que el modelo entienda atributos de habitaciones/servicios y te incluya en la selección. Como el extracto no incluye los números del impacto de la simulación/caso Mont-Blanc, la táctica práctica es aplicable, pero la magnitud del beneficio tendría que confirmarse con el informe completo donde estén las métricas.
Propone una forma de auditoría basada en revisión adversarial y autoevaluación iterativa para detectar incoherencias y reducir la dificultad de distinguir salidas generadas por IA de texto humano. Aporta un marco de “mapa inacabable” que permite mejorar la fiabilidad del contenido mediante múltiples rondas de revisión, útil para equipos GEO que necesitan controlar calidad, trazabilidad y consistencia editorial.
El estudio analiza, en 50 marcas y 5 industrias, qué marca recomienda cada IA en consultas sin marcas (250 categorías) y mide cuánta concentración hay entre “dueños” de categorías en tres modelos (GPT-5.2, Gemini 3 Flash y Perplexity).
Los datos
Analizaron 3.750 respuestas en total (250 consultas por categoría, repetidas 5 veces) y usaron 50 marcas en el proceso
La concentración de recomendaciones fue moderada: el Gini medio fue 0.28 (IC 95%: 0.16 a 0.41), por debajo del umbral 0.60 que fijaron para un patrón tipo “winner-takes-all”
Las “vacantes competitivas” fueron poco frecuentes: 8.0% de las consultas no tuvieron un líder claro (ninguna marca destacaba como una sola dominadora en la categoría)
El acuerdo entre modelos sobre la marca mejor recomendada fue 41.6%: una marca top en un modelo no se mantiene como top de forma consistente en los otros
La sustitución entre marcas varió por industria, con ratios que van desde co-recomendación en consultoría (0.4:1) hasta sustitución unidireccional hasta 4.3:1; la media no ponderada entre las 5 industrias fue 2.4:1
Cuando revisaron temas con BERTopic, solo 4.2% de los clústeres quedaron fuera de las categorías originales (para comprobar que “se movían” sobre las categorías previstas)
Conclusión del estudio
Con sus datos, el estudio muestra que en la recomendación por IA no hay un control absoluto y estable por una sola marca: la concentración es media (Gini 0.28), las vacantes son raras (8.0%) pero el desacuerdo entre modelos sobre quién lidera es alto (solo 41.6% coincide la marca top).
Qué significa para ti
Para un consultor SEO/GEO, este estudio sugiere que la “cita” o recomendación por IA no depende solo de ganar en una dimensión: la marca que aparece como líder cambia bastante según el modelo (41.6% de coincidencia), así que conviene medir distribución por modelo/categoría y no asumir que un único “ganador” se mantiene igual. Además, como la concentración es moderada (Gini 0.28) y rara la falta de líder (8.0%), hay más espacio para que varias marcas capturen menciones dentro de una misma categoría que para esperar un monopolio claro.
El estudio revisa cómo las empresas están pasando de usar LLM “gigantes” a usar Small Language Models (SLMs) como ejecutores, y muestra con qué arquitectura y criterios de producción se vuelve rentable y controlable para tareas de agentes.
Los datos
El texto define que los KPIs clave para agentes en producción son p95 latency, coste por transacción, tool-call success rate, validez de salidas estructuradas, precisión contra un “golden test set”, y señales de cumplimiento como filtraciones de PII y violaciones de políticas (y que estos KPIs son los que no encajan con usar un LLM frontal carísimo para todo)
Describe una arquitectura en “planner–executor”: un LLM en la nube genera planes y razonamiento; SLMs cerca de los datos ejecutan (routing por intención y política, reescritura de queries para RAG, extracción de entidades, selección de herramientas y llamadas a funciones con salidas estructuradas); y un SLM o reglas verifican cada salida antes de llegar a usuarios/sistemas
Da ejemplos concretos de despliegues de SLM/SLM-like: un asistente de voz en un dispositivo on-device para mantenimiento de motores de avión (para eliminar dependencia de red y fijar la respuesta dentro de un SLA del hangar), y un proof of concept en salud con MedGemma “fine-tuned” con manejo “privacy-aware” probado en “domain-specific evaluation sets” manteniendo el contexto del paciente dentro del entorno controlado
Enumera “controles no negociables” de gobernanza para que estos sistemas funcionen: (1) política de selección de modelo por sensibilidad de datos, zona de despliegue y tipo de tarea; (2) gates de evaluación que bloquean el release detrás de regresiones en conjuntos golden para precisión/validez de salidas estructuradas/éxito de tool-calls; (3) controles en runtime (límites de contexto, salidas estructuradas, redacción de PII, allow-list de herramientas, y chequeos de política alrededor de cada llamada); y (4) trazabilidad/observabilidad end-to-end con costes/tokens, vigilancia de deriva y logs de auditoría
Lista tecnologías y familias/ejemplos de SLM citados en el texto: Qwen (open-weight), Mistral (eficiencia/calidad y tool-use), Microsoft Phi (razonamiento denso para clasificación/extracción), Google Gemma (RAG y generación estructurada con restricciones de decodificación), y modelos de dominios regulados como Privacy Guardian (2B), Medical Validator (3B), Med-PaLM 2, BioMistral 7B, además de mini-modelos para BFSI, y “Alan” para resúmenes legales
Conclusión del estudio
El estudio concluye que para que una solución de “agentic AI” sea viable en producción, la cita/uso de inteligencia “cara” del LLM frontal se restringe y se reparte: el plan lo hace el LLM y la ejecución cerca de los datos la hacen SLMs con verificación, bajo métricas y controles de producción y gobernanza (latencia/coste/validez/compliance).
Qué significa para ti
Para un consultor SEO/GEO esto no da un dato directo sobre qué tipo de fuente citan las IA, pero sí aporta el patrón de “producción” que el texto exige: si quieres que tu contenido sea usado como “evidencia operacional”, tiene que ser verificable con criterios concretos (medición, outputs estructurados, y cumplimiento), porque el propio paper describe que el sistema se evalúa y se bloquea si no pasa esos checks. En términos prácticos, el valor está en presentar datos y resultados de forma comprobable, no solo en explicar conceptos.
Este estudio revisa 120 artículos (2020-2026) para identificar qué impacto real tiene la IA en la transformación de procesos de negocio y de dónde salen las ideas equivocadas sobre ella.
Los datos
Analiza 120 artículos publicados entre 2020 y 2026 siguiendo guías PRISMA
Genera temas a partir de 16 dominios de negocio y resume los resultados en 4 temas principales
Los 4 temas que identifica sobre el uso de IA en negocio son: (1) automatización operativa, (2) decisiones basadas en datos, (3) experiencia del cliente y personalización, (4) innovación en productos y entrega de servicios
Atribuye las “concepciones erróneas” y rumores a afirmaciones exageradas en medios “new media” (blogs, vlogs, podcasts y noticias) y en literatura “grey” (no académica)
Conclusión del estudio
El estudio concluye que la IA sí mejora procesos empresariales de forma clara en los artículos revisados, y que los rumores aparecen sobre todo por exageraciones difundidas en medios no académicos. En conjunto, sugiere que los beneficios se sostienen frente a los riesgos de desinformación, según lo que recogen las fuentes revisadas.
Qué significa para ti
Como consultor SEO/GEO, este trabajo no mide citas directas de IA ni qué webs concretas citan, pero sí aporta un punto operativo: el “ruido” informativo sobre IA proviene de contenidos exagerados en blogs/vlogs/podcasts y literatura no académica. Si tu sector participa en debates sobre IA, vigilar la calidad/precisión de cómo se afirma la evidencia puede reducir el riesgo de que tus activos sean arrastrados por narrativas de rumor.
El estudio analiza cómo pequeños cambios al reformular una consulta cambian las recomendaciones de marcas en asistentes de IA, comparando ~6.000 ejecuciones con paráfrasis y ~6.000 reruns con el mismo prompt en modelos de OpenAI y Anthropic.
Los datos
La similitud entre el conjunto de recomendaciones de dos paráfrasis del mismo “intento” (Jaccard) fue 0.288 en reescrituras cosméticas (intervalo 95%: [0.215, 0.361])
Para paráfrasis que añaden restricciones, la similitud bajó a 0.135 (intervalo 95%: [0.098, 0.175])
El resultado de comparar “misma consulta, mismo prompt” (rerun baseline) está en 0.50 a 0.61 de similitud, es decir, mucho más alto que 0.288/0.135
La métrica basada en contar menciones/prominencia por prompt es inestable: dos paráfrasis del mismo intento producen solapes de 14% a 29% (Jaccard), mientras que los reruns con el mismo prompt dan 50% a 61%
Aumentar el “esfuerzo de razonamiento” no reduce esa brecha: el efecto queda acotado a ±0.05
Conclusión del estudio
El estudio demuestra que en estos sistemas la variación por reformulación (el texto exacto del prompt) domina sobre el “intento” subyacente: por eso los sistemas no son reproducibles a nivel de conjunto de marcas, y las métricas de “AI visibility” basadas en un conjunto fijo de prompts quedan estructuralmente sesgadas por cómo se haga el muestreo.
Qué significa para ti
Si tu medición de visibilidad en IA se basa en lanzar siempre “los mismos prompts” y contar menciones, este trabajo muestra que otra reformulación natural del usuario puede cambiar mucho el conjunto de marcas (solape 14–29% vs 50–61%). Para un SEO/GEO, eso significa que la estabilidad del indicador depende más del muestreo de prompts que de tu presencia “real” en la intención, así que el valor del tracking prompt-a-prompt para comparar campañas debe interpretarse con mucha cautela con estos datos.
El estudio explora, en un proyecto con Accenture Song y centrado en productos financieros para Generación Z, qué aporta el “malleable software” para que las respuestas y la adaptación sean más guiadas por el usuario (no solo por el sistema) y cómo eso se traduce en principios y prototipos de producto.
Los datos
Afirma que “alrededor del 70%” de los consumidores esperan interacciones personalizadas (cita McKinsey, 2021) y que las empresas que cumplen esas expectativas generan “hasta un 40% más” de ingresos que competidores más lentos (según el mismo referente)
Reporta como resultado clave que pasar de personalización “sistema-dirigida” a “customización dirigida por el usuario” mejora la experiencia del usuario aumentando eficiencia, accesibilidad y “agency” (capacidad del usuario de decidir)
Describe que el uso de “malleable software” permite validación y desarrollo más rápidos para: validación, desarrollo de conceptos, ideación y co-creación dentro de procesos internos de diseño y desarrollo (mejora en velocidad, aunque el texto no da un porcentaje)
Indica que el trabajo termina generando un demostrador y un “intervention framework” para integrar la práctica D&DP, además de una hoja de ruta con partes estratégica y táctica (sin métricas cuantitativas adicionales en el extracto)
Conclusión del estudio
Con sus propios resultados, el estudio muestra que el valor de “malleable software” no es solo personalizar, sino cambiar el control: al mover la personalización hacia decisiones del usuario, mejora eficiencia, accesibilidad y “agency”, y acelera ciclos internos de validación e ideación. A partir de ahí, sostiene que también crea una vía para ofrecer a clientes productos y servicios más hiperpersonalizados.
Qué significa para ti
Como consultor SEO/GEO, este paper no aporta datos medibles sobre citas de IA ni sobre “qué hace que ChatGPT/Perplexity citen una fuente”. Lo que sí aporta es contexto útil sobre cómo se diseñan experiencias adaptativas y dónde suele estar el valor (control del usuario, rapidez de iteración), aunque no se traduce en una táctica concreta de citación.
Advierte que para 2030 más del 30% de los pedidos en e-commerce podrían estar impulsados por IA, afectando la captación orgánica y el rendimiento de los canales de búsqueda. Ayuda a anticipar riesgos de dependencia de interfaces generadas por IA y a priorizar auditorías y planes de mitigación en SEO para mantener visibilidad.
Aporta una hoja de ruta para agencias de marketing basada en la transformación del modelo de negocio hacia un enfoque “AI-first”, incluyendo la creación de modelos operativos de marketing con IA y la redefinición de roles. Ayuda a identificar palancas de optimización como la reducción de costos, la disminución de personal y la adopción de prácticas orientadas a prompting y a la “generative engine optimization” para mejorar la visibilidad en motores de generación.
El paper vincula la visibilidad algorítmica con la selección de productos en entornos de búsqueda mediada por agentes, mostrando que la atención heterogénea altera qué ofertas quedan priorizadas. Aporta criterios para ajustar señales de contenido estructurado en mercados de consumo con demanda sensible a la salud, reduciendo el riesgo de quedar infraexpuesto en consultas relevantes.
El texto no es un estudio sobre qué fuentes citan las IA: explica un sistema anti-scraping (Anubis) basado en Proof-of-Work para frenar rastreos automáticos de empresas de IA.
Conclusión del estudio
Con este material no se puede concluir qué hace que una IA cite una fuente, porque no hay mediciones ni análisis de citaciones; solo se describe una medida técnica anti-bots para acceder al sitio.
Qué significa para ti
Lo que sí aporta este texto para SEO/GEO es contexto directo sobre por qué una IA (o sus herramientas) podría no acceder o indexar bien ciertas páginas: si hay retos tipo Proof-of-Work y/o requiere JavaScript, parte del contenido puede volverse más difícil de rastrear.
Explica cómo modelos como ChatGPT, Claude y Perplexity generan listas de recomendación cuando un usuario solicita “el mejor profesional” en un área, lo que ayuda a diagnosticar por qué apareces o no en esas respuestas. Aporta un enfoque práctico para ajustar tu marca personal para mejorar la probabilidad de recomendación por IA, alineando señales de autoridad, consistencia y disponibilidad en fuentes relevantes.
El estudio analiza, con 18.240 observaciones (1.520 páginas de producto, 6 categorías), cómo el formato “estructurado” de una ficha frente a uno “narrativo” afecta a que sistemas con agentes/IA seleccionen la página, la citen y mantengan la atención humana.
Los datos
Las páginas estructuradas aumentan la probabilidad de que el agente las seleccione en +8,7 puntos porcentuales frente a páginas narrativas
Las páginas estructuradas incrementan la probabilidad de cita en +6,2 puntos porcentuales frente a páginas narrativas
La atención humana se retiene más: la “media” de vida media (attention half-life) sube de 2,81 s a 3,46 s con páginas con estructura basada en evidencia
El efecto de señales de “legibilidad para la máquina” se mantiene incluso controlando precio, rating, volumen de reseñas, reputación de marca, tiempo de entrega y categoría
Conclusión del estudio
Con sus datos, el estudio muestra que las páginas de producto estructuradas tienen más probabilidades de ser seleccionadas y citadas por sistemas tipo agente/IA, y además retienen atención humana por más tiempo. También concluye que la visibilidad para agentes no se logra solo por “valor al usuario” (como precio/ratings), sino por cómo organizan la evidencia en formato legible para máquina.
Qué significa para ti
Para un consultor SEO/GEO, este resultado aterriza que el “formato estructurado con señales de evidencia” pesa de forma medible en la cita: +6,2 puntos de probabilidad frente a formato narrativo, incluso controlando métricas de producto. Además, como también mejora la retención (2,81 s a 3,46 s), no es solo un tema de robot: puedes esperar impacto simultáneo en comportamiento del usuario y en la forma en que la IA justifica/selecciona la fuente.
El trabajo propone un modelo empírico para medir cómo la confianza asignada en la anotación (labels en múltiples dimensiones) impacta directamente en la clasificación del contenido y, por extensión, en los resultados de recomendación. Ayuda a equipos GEO a identificar qué señales de anotación y niveles de confianza determinan visibilidad y performance, mejorando la evaluación de cambios en el pipeline de indexación.
Propone fundamentos epistémicos para medir la representación de entidades en LLM sin depender de verdad de referencia (ground truth), útil cuando no existe un dataset etiquetado o actualizado. Ofrece un marco para evaluar cómo el modelo cita, describe y asocia entidades, mejorando la visibilidad y permitiendo auditorías comparables entre modelos o versiones.
El paper analiza cómo las plataformas de IA descomponen un prompt del usuario en múltiples consultas internas tipo fan-out, variando por intención, vertical y plataforma. Esto te permite auditar diferencias de comportamiento entre motores, evitando asumir que el texto del usuario se reutiliza tal cual y mejorando la trazabilidad de los resultados GEO.
Propone un modelo de madurez de visibilidad de marca con enfoque de gobernanza para organizaciones que dependen de sistemas de descubrimiento mediados por IA. Ayuda a definir controles y métricas para reducir la variabilidad y los riesgos de visibilidad al alinear políticas, datos y experimentos con el ciclo de producción y mantenimiento de la marca.
Propone criterios para decidir cuántas preguntas y cuánto contexto debe usar un sistema recomendador conversacional, optimizando la calidad de la recomendación frente a la fricción del usuario. Ofrece una base para diseñar flujos GEO conversacionales que mejoran la elicitación de información y la satisfacción del usuario, reduciendo conversaciones innecesarias.
La investigación analiza, mediante entrevistas a 7 expertos de agencias web suecas, cómo perciben y gestionan la transición desde buscadores tradicionales basados en enlaces a sistemas de búsqueda y respuesta impulsados por IA, y qué oportunidades y retos ven para la visibilidad digital.
Los datos
El estudio se basa en entrevistas semiestructuradas a 7 expertos (agencias web) especializados en visibilidad digital y estrategias de búsqueda
En la introducción se cita que “más de la mitad” de los usuarios de IA hacen preguntas usando IA en lugar de buscar con motores tradicionales (Internetstiftelsen, 2025)
Se afirma que el cambio implica que una parte creciente de búsquedas ya no genera clics a webs externas, porque el usuario puede cubrir su necesidad informativa sin visitar el sitio donde estaba publicado (referenciado en la literatura citada por el trabajo)
Conclusión del estudio
A partir de sus datos cualitativos, el estudio concluye que las agencias ven que la visibilidad en sistemas de IA abre oportunidades (aparecer en respuestas generadas), pero que la falta de transparencia de esos sistemas introduce incertidumbre sobre cómo se logra y cómo se mide esa visibilidad.
Qué significa para ti
Para un consultor SEO/GEO, este trabajo aporta una idea central: aunque el “valor” pasa de clics a exposición dentro de respuestas de IA, las agencias no pueden verificar fácilmente el “por qué” del posicionamiento por la opacidad del sistema, lo que complica la gestión basada en evidencia. Como el estudio no mide citas de IA ni porcentajes de citación, su utilidad táctica para “qué hace que una IA cite una fuente” es más de contexto estratégico que de regla accionable.
El texto reúne datos y ejemplos de un informe de Schwab sobre adopción de IA en firmas RIA y lo contrasta con casos de uso reportados en el sector de wealth management (p. ej., cuánto tiempo ahorra a un asesor y cómo usa fuentes como Perplexity).
Los datos
Según Schwab IAOS, “más de la mitad” de las firmas RIA ya usan IA y “otro tercio” está explorándola (adopción: >50% + exploración: ~33%)
El ejemplo de Matt Gagnon indica que recopilar información para su flujo de actualización de mercado “toma alrededor de un minuto” antes de verificarla
Gagnon dice que su IA (Perplexity) “lista sus fuentes online” y que “no hace cosas inventadas” (su criterio se basa en esa forma de citar fuentes y en que ofrece modos de búsqueda)
Will Trout (Datos Insights) afirma que un caso de uso de seguimiento/outputs incluye “behavioral profile” para el asesor y menciona que además permite “una visión más amplia” del perfil del cliente (no aporta un número, pero sí el tipo de salida que miden/usan)
Conclusión del estudio
El estudio (tal como lo reporta el texto) no cuantifica “qué hace que una IA cite” de forma directa, pero sí muestra que, en la práctica, cuando una herramienta presenta y enlaza fuentes online y mantiene verificación (p. ej., Perplexity), los asesores las usan porque pueden comprobar que los datos citados son correctos. Además, el texto muestra que la adopción es masiva (>50% usan IA), así que el requisito de “fuente verificable” pesa en cómo se emplean estas salidas.
Qué significa para ti
Para SEO/GEO, este texto sugiere que el valor de “ser citado” por IA en este sector se apoya en dos cosas visibles: que la herramienta muestre fuentes enlazadas y que el usuario (asesor) pueda verificar precisión antes de usar el dato. La consecuencia práctica es que, en wealth management, la citabilidad tiende a favorecer páginas con señales comprobables para revisión por el usuario, porque el flujo real incluye verificación (como en el caso de Gagnon).
El trabajo analiza, con Zara como caso, cómo la integración del marketing digital y la omnicanalidad crea ventaja competitiva en fast fashion y qué evidencias encuentra a partir de una revisión y observación de puntos de contacto.
Los datos
El estudio se basa en un enfoque cualitativo, descriptivo y aplicado, apoyado por revisión de literatura académica, fuentes corporativas y observación estructurada de “principales puntos de contacto” de Zara
La marca se evalúa en 4 dimensiones: integración entre tienda física, e-commerce y app; construcción de experiencia “phygital”; comunicación y posicionamiento de marca; e incorporación de la sostenibilidad en la relación con el cliente
Los resultados indican que la ventaja competitiva de Zara “no reside únicamente” en adoptar herramientas digitales, sino en articular un sistema coherente donde marketing, operaciones y experiencia del cliente trabajan coordinados
La omnicanalidad aparece como elemento estratégico central para “reducir fricciones”, reforzar la coherencia del customer journey y fortalecer el posicionamiento de la marca
Conclusión del estudio
El estudio no mide “citas” de IA ni qué factores hacen que una IA cite fuentes. Lo que sí concluye es que en Zara la omnicanalidad y la coordinación entre áreas generan coherencia en el recorrido del cliente, y que eso es clave para su ventaja competitiva.
Qué significa para ti
Como consultor SEO/GEO, este trabajo aporta contexto sobre omnicanalidad y coordinación de experiencia, pero no ofrece datos transferibles sobre por qué una IA cita una fuente (porque no estudia ese fenómeno). Si tu objetivo es conseguir citaciones desde IA, este texto sirve más para entender estrategia de marca y “customer journey” que para inferir factores de citación.
Identifica 17 factores de éxito para implementar una estrategia de marketing basada en IA en la región DACH, lo que te sirve como checklist accionable para priorizar iniciativas. Te ayuda a traducir la evidencia (revisión de literatura y encuesta empírica) en decisiones de ejecución y mejora continua para aumentar el rendimiento en SEO/GEO.
Propone una “capa de citación” basada en nodos de conocimiento estructurados para mejorar la recuperación por sistemas de búsqueda de IA, reduciendo el desfase entre cómo se publica contenido y cómo lo indexan los modelos. Ayuda a diseñar una infraestructura GEO orientada a trazabilidad y precisión de fuentes, facilitando que los sistemas recuperen fragmentos relevantes de manera consistente.
El estudio compara, con datos propios de 973 e-commerce durante 12 meses, cómo el tráfico “orgánico” que llega desde ChatGPT (referencias) se traduce en conversiones, gasto y engagement frente a canales tradicionales.
Los datos
En el periodo analizado, el tráfico orgánico desde LLM (solo ChatGPT) es <0,2% del tráfico total del conjunto de sitios (unas 200 veces menos que el orgánico de Google)
ChatGPT domina el canal LLM: aporta más del 90% de las sesiones observadas desde plataformas LLM; el resto (Perplexity, Gemini, Copilot, Deepseek, Grok) tiene volúmenes “negligibles”
Con datos agregados (febrero–agosto 2025), el canal oLLM (ChatGPT) muestra 30,232 observaciones/semana-sitio-dispositivo y 4.1M de sesiones, con 6.1M de dólares de revenue (frente a, por ejemplo, paid search: 44,800 observaciones; 1,530.0M de revenue)
En conversion y dinero: a un año del lanzamiento, oLLM tiene tasas de conversión y revenue por sesión por encima de paid social, pero por debajo de “todos” los otros canales tradicionales (según los resultados de su modelo)
En engagement: oLLM tiene mejor tasa de rebote (bounce rate), pero menos duración de sesión y menos páginas vistas (session duration y page views menores que el resto)
Conclusión del estudio
Con sus datos, el estudio muestra que las referencias orgánicas de ChatGPT todavía no actúan como un canal de conversión “amplio”: aunque mejoran el rebote y superan a paid social en conversión y revenue por sesión, se quedan por detrás de los demás canales tradicionales, con efectos más marcados en categorías de producto complejas.
Qué significa para ti
Para un consultor SEO/GEO, el hallazgo útil es que “ser mencionado por ChatGPT” no equivale (aún) a reemplazar canales de performance o búsqueda orgánica: en estos datos, pesa más en productos complejos y en necesidad informacional, y genera tráfico de calidad en rebote pero con menos profundidad de navegación (menos tiempo y menos páginas).
El paper orienta a negocios pequeños de servicios de belleza (p. ej., salones de uñas) hacia una estrategia de Generative Engine Optimization (GEO) para mejorar la visibilidad en búsquedas de IA. Enfoca acciones en crear contenido de alta calidad y claridad para alinearlo con cómo las empresas de IA seleccionan y presentan respuestas.
El estudio mide, con AgentWebBench, qué tan bien varios agentes de IA sintetizan respuestas cuando deben coordinarse para usar contenido accesible a través de agentes “del sitio”, comparándolo con el acceso centralizado en tareas de búsqueda, recomendación y preguntas abiertas.
Los datos
Evalúan 4 tareas (web search, web recommendation, question answering y deep research) y comparan 7 modelos LLM avanzados con 3 estrategias de coordinación
Reportan que la coordinación multiagente “generalmente” queda por detrás del acceso centralizado, pero la brecha se reduce al aumentar el tamaño del modelo
En question answering, el mejor caso puede llegar a “superar” al acceso centralizado (cuando el modelo es más grande)
Miden que el acceso descentralizado concentra el tráfico hacia un conjunto pequeño de sitios web (en vez de distribuirlo ampliamente)
Conclusión del estudio
Con los datos de AgentWebBench, el estudio muestra que las IA citan/usan evidencia de forma distinta cuando la información llega vía coordinación con agentes de contenido: en general rinden peor que con acceso directo, la diferencia se reduce con modelos más grandes y en preguntas puede incluso invertirse. Además, el modo “de acceso descentralizado” tiende a empujar el uso de evidencia hacia pocos sitios.
Qué significa para ti
Para SEO/GEO, este resultado apunta a que el ecosistema “agentic web” puede premiar la visibilidad en un grupo reducido de dominios, porque la coordinación descentralizada concentra el tráfico y la evidencia en pocos sitios. Si trabajas con contenido que facilita recuperación y síntesis confiables por sitio (lo que el estudio asocia a planificación y a interacción suficiente), tienes más probabilidades de que la IA use tu información cuando el acceso sea mediado por agentes.
El estudio propone un plan de marketing orientado a marca sostenible que integra Generative Engine Optimization (GEO) para hacer más atractivos los canales y contenidos a los motores generativos. Ayuda a equipos GEO a traducir objetivos de posicionamiento en acciones prácticas de optimización de contenido para mejorar la visibilidad orgánica ante IA.
El paper repasa qué se ha observado en SEO durante 2025 y resume tendencias previstas para 2026, con foco en cómo las tecnologías generativas cambian la creación de contenido y la asignación de presupuesto.
Los datos
No aporta métricas ni resultados medibles: el texto visible solo incluye objetivo, resumen general y referencias bibliográficas sin porcentajes, números o experimentos
Plantea como punto central que el “éxito” de SEO depende de “integración profunda del producto”, “atención a la calidad” y “cumplimiento de expectativas del consumidor actual”, pero sin cuantificar el impacto
Indica que las “tecnologías generativas” exigen cambios en los enfoques de creación de contenido y en cómo se distribuye el presupuesto, sin detallar cuánto cambia ni cómo se mide
Conclusión del estudio
Con el contenido disponible, este estudio no demuestra datos concretos sobre qué hace que una IA cite una fuente; se limita a conclusiones generales de SEO para 2025 y previsiones para 2026.
Qué significa para ti
Úsalo solo como contexto sobre por dónde va el SEO (calidad y contenido con IA), pero no como base para inferir “qué cita una IA”, porque no hay datos del estudio sobre citas, fuentes o comportamiento de modelos.
El estudio analiza, en un gran grupo industrial B2B, cómo el cambio de comunicación del marketing “clásico” al “digital” afecta el éxito de la comunicación y, a su vez, el éxito del mercado, usando literatura y una encuesta online a 198 clientes.
Los datos
Usan una muestra de 198 clientes y miden el efecto de canales de comunicación sobre el “éxito de la comunicación” mediante análisis PLS-SEM
Reportan que los canales digitales (marketing por correo, sitio web corporativo y marketing en redes sociales) ya son de alta relevancia dentro del mix de comunicación
A la vez, indican que los canales clásicos (ferias y trabajo con medios/relaciones con medios) siguen teniendo una influencia grande en el mix
Afirman que todos los canales mencionados influyen de forma significativa en el éxito de la comunicación, y que este éxito está estrechamente vinculado al éxito de mercado
Conclusión del estudio
El estudio demuestra que, incluso con la digitalización acelerada, la citación/visibilidad y el rendimiento comunicacional no dependen solo de lo “digital”: los canales digitales y los clásicos aportan influencia significativa y el impacto se refleja también en el éxito del mercado según sus datos en ese caso B2B.
Qué significa para ti
Para un consultor SEO/GEO, este resultado sugiere que la “señal” de presencia informativa para el éxito comercial no se limita a canales tipo web/redes: según el estudio, las ferias y la cobertura en medios pueden seguir siendo igual de relevantes para los resultados, así que la estrategia de presencia debería contemplar esa coexistencia en el mix que midieron.
El texto no es un estudio sobre citas de IA: explica por qué un sitio usa Anubis (un reto de Proof-of-Work con JavaScript) para bloquear scrapers automatizados de empresas de IA y evitar caídas del servidor.
Los datos
Dice que Anubis usa un esquema de Proof-of-Work tipo Hashcash para que el scraping masivo sea más caro
Indica que el reto puede causar downtime: menciona que la protección está para evitar que el sitio quede inaccesible por el scraping de alto volumen
Aclara que Anubis requiere JavaScript moderno y que plugins como JShelter lo pueden desactivar
Se describe como solución “placeholder” mientras se invierte en identificar navegadores headless (por ejemplo, mediante cómo hacen font rendering) para que el reto no tenga que mostrarse a usuarios legítimos
Conclusión del estudio
Este material no mide ni analiza qué hace que las IA citen fuentes: trata de barreras técnicas para impedir scraping y reducir carga, destacando que JavaScript y la detección de navegación automatizada son piezas clave. Por tanto, no aporta evidencias sobre el mecanismo de citación de ChatGPT/Perplexity/Gemini/Google AI/Claude.
Qué significa para ti
Para un consultor SEO/GEO, este texto apunta a un riesgo operativo: si tu sitio aplica retos como Anubis, las IA (o sus sistemas de rastreo) pueden tener más dificultad para acceder al contenido, lo que puede afectar la posibilidad de que lo usen/citen, aunque el paper en sí no cuantifica ese efecto.
El estudio analiza de forma cualitativa cómo una estrategia de datos basada en smart contracts puede apoyar el crecimiento de startups en negocios digitales, enfocándose en transparencia, automatización, confianza y escalabilidad operativa.
Los datos
El trabajo sintetiza literatura académica y casos/documentos sobre implementación de smart contracts, pero no reporta resultados medidos en startups reales (no hay porcentajes, tamaños muestrales ni métricas cuantificadas en el texto aportado)
Identifica como dimensiones clave lo que aportan los smart contracts: gestión descentralizada de datos, ejecución automatizada de transacciones, mecanismos de transparencia, aseguramiento de seguridad y eficiencia del flujo de trabajo (son los “bloques” que el estudio analiza, no cifras)
Concluye que los smart contracts se plantean como “mecanismos de datos” (no solo como herramienta de blockchain) para: reducir riesgos operativos, mejorar la fiabilidad de procesos y reforzar la credibilidad del negocio digital (resultado descrito, sin cuantificación)
Plantea que su efecto sobre el crecimiento se da por mejora de rendición de cuentas de los datos, aumento de la confianza de los interesados y habilitación de operaciones escalables (conclusión cualitativa, sin datos numéricos)
Conclusión del estudio
Este estudio, basado en síntesis cualitativa de literatura y experiencias, no aporta evidencia numérica sobre citas de la IA; sí afirma que los smart contracts mejoran transparencia, confianza y escalabilidad operativa en startups, como mecanismos de gobernanza de datos.
Qué significa para ti
Como consultor SEO/GEO, este paper no sirve para estimar qué “hace que una IA cite una fuente” porque no mide nada cuantitativo ni trata el tema de citación. En cambio, te puede dar contexto sobre cómo describir (de forma narrativa y basada en “dimensiones”) el valor de los smart contracts en gobernanza de datos, pero no ofrece acciones tácticas ancladas a datos de rendimiento o a patrones de citación.
El paper ofrece una guía práctica para aumentar la visibilidad orgánica en buscadores, destacando que el posicionamiento no depende del azar sino de acciones sistemáticas. Ayuda a equipos GEO a estructurar mejoras en contenido y estrategia de búsqueda para captar más tráfico desde consultas relevantes.
Analiza cómo los incentivos publicitarios y el “paradox” de calidad pueden alterar la visibilidad cuando la búsqueda es reemplazada o complementada por IA secuenciadora. Ofrece criterios operativos para evaluar y ajustar estrategias de contenido y ranking para minimizar caídas de desempeño bajo sustitución de la búsqueda tradicional.
Propone un marco integral de gestión del liderazgo aplicable a economías desarrolladas y emergentes para afrontar crisis globales, lo que puede orientar decisiones GEO bajo entornos inestables. Aunque el abstract no aporta cifras específicas, la estructura del enfoque puede adaptarse para priorizar acciones de búsqueda/IA en función de objetivos y cambios del contexto.
El paper analiza cómo la Digital Markets Act puede restringir prácticas de auto-preferencia en los “answer engines”, reduciendo el riesgo de sesgos competitivos. Ayuda a GEO a evaluar criterios de acceso y de intermediación exigidos por la Comisión para diseñar mediciones y auditorías que detecten degradación de visibilidad atribuible a reglas regulatorias.
Propone un marco para entender por qué una empresa puede existir en el mundo real pero no aparecer o ser reconocida en plataformas de IA como ChatGPT, Claude o Gemini, explicando el “gap” de visibilidad. Ayuda a GEO a identificar causas y traducirlas en auditorías prácticas para mejorar señales de descubrimiento y reducir la probabilidad de que la marca sea ignorada por los motores conversacionales.
El estudio investiga cómo medir en tiempo real las percepciones sobre la inversión extranjera directa (FDI) en los países bálticos usando señales de medios y búsqueda, y construye un índice de reputación para agencias de promoción inversora comparando los tres países.
Los datos
Mide percepciones FDI con señales “activas” (visibilidad impulsada por búsqueda y entornos de información “curados”) frente a solo exposición “pasiva” a medios; concluye que las señales activas están más alineadas con la atención relacionada con la inversión que la exposición pasiva
Construye y compara perfiles de reputación de FDI entre tres países bálticos; identifica a Lituania como el país con mejor desempeño general en el índice construido
Valida el patrón de desempeño de Lituania comparándolo con evaluaciones independientes de modelos de lenguaje grandes (LLMs) populares, donde coincide con el “mejor rendimiento” en el índice
Conclusión del estudio
El estudio muestra que un monitoreo en tiempo real de percepciones (especialmente usando visibilidad ligada a búsqueda y entornos de información curados) funciona mejor para captar atención de inversión que limitarse a exposición pasiva en medios, y que el índice resultante detecta diferencias reales entre países (con Lituania liderando).
Qué significa para ti
Para un consultor SEO/GEO, este resultado apunta a que las señales conectadas con la demanda/atención (lo que la gente busca y lo que termina destacándose en “entornos curados”) explican mejor la reputación de FDI que solo el volumen de menciones en prensa. Además, como el índice coincide con lecturas de LLMs, sugiere que si tu marca/país aparece de forma consistente en señales de búsqueda y contextos informativos relevantes, es más probable que LLMs reflejen esa “mejor reputación” en sus evaluaciones.
El estudio prueba en un experimento online con 1.248 personas cómo la visibilidad de una marca en respuestas de IA, el tipo de endorsement (humano vs virtual) y la fuerza de los bundles de producto afectan la intención de compra y la confianza.
Los datos
El “AI-search visibility” alta sube la intención de compra un 9,4% frente a visibilidad baja
En categorías de alta implicación, el endorsement humano genera más confianza en la marca que el endorsement virtual
Las señales de “product bundling” fuerte aumentan la utilidad percibida y reducen la incertidumbre de decisión, sobre todo cuando la marca ya es visible en los resultados de búsqueda de IA
La condición con mejores resultados combina: visibilidad citada en AI-search + endorsement humano + bundling basado en rutinas
Conclusión del estudio
El trabajo demuestra que, en un recorrido de compra mediado por IA, la cita/mención vía búsqueda de IA no actúa sola: su efecto en intención de compra se potencia cuando también hay credibilidad por endorsement humano y una presentación de productos que reduzca incertidumbre (bundling), especialmente si la marca ya aparece en la búsqueda de IA.
Qué significa para ti
Si tu marca quiere ser citada por IA y convertir, este estudio sugiere que la cita por sí misma no basta: la visibilidad en AI-search funciona mejor cuando llega acompañada de señales de confianza tipo “humano” y de un merchandising que reduzca dudas (bundles), porque es justo la combinación la que reporta el mejor desempeño en el experimento.
El estudio analiza, para 10.831 servidores MCP y mediante experimentos de cambios controlados, qué “olores” en las descripciones de herramientas hacen que las IA elijan unos servidores u otros.
Los datos
Sobre el dataset de 10.831 servidores, los “description smells” aparecen de forma generalizada: el 73% repite nombres de herramientas
En miles de casos, las descripciones tienen semántica de parámetros incorrecta o faltan descripciones de retornos (el paper lo describe como “thousands” de instancias)
Al mutar descripciones, los “olores” afectan de forma significativa la selección de herramientas: el efecto más grande lo tienen funcionalidad (+11,6%) y precisión (+8,8%), con p < 0,001
En escenarios competitivos entre servidores equivalentes en funcionalidad, las descripciones que cumplen el estándar del estudio alcanzan una probabilidad de selección del 72%, es decir, 260% por encima del 20% de línea base
Conclusión del estudio
El trabajo demuestra que, cuando una IA tiene que escoger entre herramientas MCP parecidas, los problemas en la descripción (funcionalidad/precisión y omisiones o errores semánticos) empujan la elección de forma medible y pueden cambiar el resultado de forma grande.
Qué significa para ti
Para un consultor SEO/GEO, el mensaje accionable de este estudio (en el contexto MCP) es que la IA “premia” descripciones que no sólo estén presentes, sino que sean correctas y completas en semántica (funcionalidad/precisión), porque eso aumenta la probabilidad de que te seleccione frente a alternativas equivalentes. Si tus contenidos/páginas de referencia para herramientas o integraciones suelen tener desajustes o faltas, este paper sugiere que el impacto puede ser cuantificable en decisiones de selección (no sólo en “calidad percibida”).
El paper sugiere que los LLMs tienen dificultades para clasificar productos de forma robusta cuando realizan comparaciones usando recuperación web, lo que puede generar rankings inestables ante cambios menores en la consulta o en el contenido recuperado. Para GEO, implica medir la consistencia del ranking (por ejemplo, variación top-k entre ejecuciones) y auditar el impacto de la calidad y actualidad de los documentos recuperados en la respuesta.
El paper enmarca el paso de SEO tradicional a GEO para 2025, conectando el branding asistido por IA con la confianza del consumidor, la adopción y la intención de compra. Aporta una revisión bibliométrica y temática que ayuda a priorizar palancas de estrategia GEO enfocadas en aumentar credibilidad y conversión en startups y pymes.
El estudio revisa la evidencia disponible sobre cómo la IA (tipo ChatGPT y similares) está impactando a personas y responde, entre otras, a preguntas sobre fiabilidad de la información, influencia real en conductas, privacidad, aprendizaje, comunicación, dependencia emocional y salud mental.
Los datos
Indican que las “alucinaciones” de la IA han ido bajando (dicen que los casos de “knowledge collapse” podrían estar siendo prematuros), y que en su comparación la IA puede ayudar a contrarrestar desinformación frente a buscadores/redes al favorecer “consensos de expertos” frente a algunos entornos
Señalan que la preocupación por deepfakes como fenómeno a gran escala ya existe, pero en términos de impacto real de estos contenidos “hasta ahora” indican que su impacto en el mundo real ha sido “limitado” (mencionan esto al tratar el riesgo de no poder distinguir verdad/falsedad)
En el apartado de influencia, citan que la persuasión de la IA es “alta” en estudios de laboratorio, pero que aún no se ha traducido a campañas de influencia importantes “en el mundo real”
Sobre aprendizaje e “ignorancia/estupidez”: pese a la preocupación, afirman que la evidencia es limitada; además, reportan que los usuarios rinden peor cuando se les retira el apoyo de la IA (consistente con “cognitive offloading”)
Salud mental: reportan que “la mayoría de los usuarios” no percibe impactos relevantes; aun así, mencionan que comportamientos “súpertimos”/validadores (sycophancy) pueden reforzar creencias dañinas o delirantes en usuarios vulnerables y que se han reportado varios casos de psicosis asociada a IA
Conclusión del estudio
Con los datos revisados, el estudio no respalda la idea de que la IA ya haya provocado un “colapso” total de la verdad ni un cambio masivo por persuasión fuera de laboratorio. Lo que sí muestra la evidencia es un impacto más matizado: mejoras/contrapesos en el acceso a información (por consenso experto), riesgos concretos pero no generalizados (fraude/escams por detectabilidad, privacidad por extracción de datos, validación de creencias en vulnerables).
Qué significa para ti
Para un consultor SEO/GEO, este paper sugiere que no basta con asumir que “la IA ya rompe la confianza” o que “todo se vuelve engaño”: hay una parte de la evidencia que apunta a que la IA tiende a centralizar y favorecer consensos, lo que hace más probable que te citen cuando encajas con fuentes consideradas expertas. Pero también deja claro que el riesgo (p. ej., validar creencias dañinas o errores en consultas sensibles) depende del tipo de usuario y del contexto, así que el tipo de autoridad/seguridad informativa de tu contenido importa para reducir el uso problemático por IA.
El texto compartido no corresponde a un estudio medible sobre qué hace que las IA citen fuentes; solo contiene información bibliográfica parcial sobre un libro (“AI Marketing: Potenziare il metodo Seth Godin…”).
Conclusión del estudio
Con este extracto no se pueden identificar hallazgos del tipo “cuántas citas” o “qué fuentes ganan” porque no hay metodología, mediciones ni resultados del paper en el contenido proporcionado.
Qué significa para ti
Necesito el texto real del estudio (resultados, metodología o tablas) para poder resumir cifras y traducirlas a implicaciones SEO/GEO específicas. Con lo que has pegado, no hay datos accionables sobre citación por IA.
El trabajo vincula la reposición de una agencia de marketing en redes sociales con la práctica de GEO, es decir, optimizar contenido para que los motores generativos de IA mencionen la empresa. Ofrece un caso aplicable para planificar una estrategia de contenido orientada a aumentar visibilidad en IA, alineando el contenido y el posicionamiento con señales que los sistemas generativos puedan recuperar.
El paper contextualiza el papel de la IA en el marketing de búsqueda y define cómo el GEO busca mejorar la visibilidad en consultas generadas o asistidas por modelos. Ofrece un marco conceptual para alinear contenido, intención y señales para posicionar mejor en búsquedas donde la IA sintetiza y recomienda resultados.
Propone un marco estratégico para que los equipos de GEO evalúen qué credibilidad dar a las afirmaciones de sostenibilidad cuando agentes de IA realizan consultas sobre productos. Alinea la infraestructura de Product Passports con necesidades de verificación y control en cadenas de suministro, reduciendo el riesgo de confiar en datos incompletos o no auditables.
El paper sitúa el enfoque de Generative Engine Optimization (GEO) como una vía para aumentar la visibilidad de la creación en motores de búsqueda generativos basados en IA. Ayuda a orientar decisiones de optimización del contenido hacia señales que mejoran la recuperación y presentación de la información, con el objetivo de ganar tracción en estos nuevos sistemas.
El documento promete estudiar cómo la publicidad en el entorno digital (incluida la privacidad y la efectividad) se conecta con innovaciones con LLM, pero el texto que compartiste no incluye resultados ni mediciones del estudio.
Conclusión del estudio
Con el extracto disponible no es posible saber qué hace que las IA citen fuentes, ni aportar conclusiones específicas basadas en datos del estudio, porque no hay resultados visibles en el material compartido.
Qué significa para ti
Este aporte por sí solo no te sirve para tomar decisiones SEO/GEO sobre citas en IA: necesitas el apartado de metodología y resultados del trabajo para poder convertirlo en hallazgos accionables con cifras.
El texto analiza cómo las búsquedas y recomendaciones generadas por IA (ChatGPT, Google AI Overviews y Google AI Mode) influyen en la visibilidad y en la decisión de compra en cosmética, y qué significa eso para la presencia online de las marcas.
Los datos
El texto afirma que el 89% de las empresas de e-commerce usa herramientas de IA o está en fase de pruebas
Desde marzo de 2025, la función Google AI Overviews opera en Polonia y muestra resúmenes generativos por encima de los resultados clásicos
El texto indica que, en la categoría cosmética, con AI Overviews se llega con frecuencia a señalar un producto/ingrediente/marca concreto, lo que “acorta” el camino de compra
En octubre de 2025, Google lanzó AI Mode (modo conversacional) que puede preguntar por tipo de piel, necesidades, presupuesto y preferencias de fórmulas para recomendar productos
Se menciona que ChatGPT tiene un módulo shopping que genera listas con descripciones, fotos, precios y enlaces a partir de una consulta (por ejemplo, “krem nawilżający do cery wrażliwej z budżetem do 100 zł”)
Conclusión del estudio
Este texto no mide citas de fuentes por IA (ni cuántas marcas o webs citan), pero sí muestra con datos de despliegue y uso cómo las IA reducen el camino de compra y concentran la recomendación en pocos productos gracias a resúmenes y conversaciones. Por tanto, su aporte sobre “ser citado” es indirecto: apunta que la visibilidad que importa es la que alimenta esas respuestas resumidas o dialogadas en un proceso único de consulta.
Qué significa para ti
Para un consultor SEO/GEO, este artículo sirve para entender que el objetivo práctico no es solo rankear en búsquedas clásicas, sino aparecer como insumo en respuestas tipo “overview” y en recomendaciones conversacionales (AI Mode / shopping). Como el texto no da porcentajes de citación ni reglas sobre qué páginas se citan, la táctica queda en contexto: prioriza que tu información de producto y explicación esté lista para ser usada en respuestas resumidas y comparativas dentro de la propia conversación.
Integra identidad de marca con una estrategia de comercialización centrada en SEO y en la optimización para motores generativos, conectando distribución y descubribilidad. Ayuda a entender cómo intervienen SEO, GEO y algoritmos en el e‑commerce para orientar decisiones tácticas de canales y contenido.
El estudio investiga cómo predecir la “visibilidad” de productos en búsquedas de e-commerce mediadas por IA dentro de ventanas de atención muy cortas, modelando y comparando varios tipos de modelos (product, graph, retrieval, attention y su combinación) con un dataset sintético grande.
Los datos
Usa un dataset sintético con 96.000 observaciones sesión-producto, 12.000 sesiones de búsqueda, 1.500 productos, 540.000 cestas históricas, 1,84 millones de registros de ítems comprados, 218.460 aristas en el grafo y 288.000 trazas de atención de ventana corta
Define “visibilidad” como inspección visible en la misma sesión: recuperación (retrieval) + visualización (display) + inspección conductual (comportamiento) dentro de la sesión
El modelo combinado (fused) logra: ROC-AUC = 0,918, PR-AUC = 0,721, recall de visibilidad en top-5 = 0,786 y expected calibration error (ECE) = 0,041
Las pruebas de “ablation” (quitar partes) muestran que la evidencia estructurada, la proximidad en el grafo y la “half-life” (vida media) de la atención aportan información predictiva distinta (o sea, no es un único factor dominante)
Conclusión del estudio
El estudio demuestra que, en búsquedas con IA y atención de ventana corta, predecir la visibilidad requiere combinar relevancia relacional (grafo y cestas), evidencia legible por máquina (evidencia estructurada) y persistencia conductual de muy poco tiempo (decaimiento de la atención).
Qué significa para ti
Para SEO/GEO, este resultado aterriza la idea de “ser citado o recuperado” como algo que depende de señales observables rápidamente (atención de ventana corta) y de evidencia rastreable/estructurada conectada a contexto (grafo y afinidad por cestas), no solo de una posición única. Aunque el paper no mide citas directas de IA como tal, sí cuantifica qué combinación de señales predice que el usuario realmente inspeccione el producto en el mismo momento: por eso conviene que tu presencia en la web/catálogo deje evidencia clara y conectable para sistemas y que encaje con señales de contexto inmediato.
Propone una arquitectura de medición para el desempeño en comercio mediado por agentes, útil para definir métricas más allá de las impresiones y conectar el impacto con resultados transaccionales. Ayuda a estructurar cómo capturar, atribuir y monitorear señales clave de rendimiento de agentes (p. ej., pasos del flujo, conversión y calidad de la recomendación) para mejorar la visibilidad y la optimización en entornos de compra automatizada.
El caso propone una estrategia de contenido centrada en el cliente para sitios del sector construcción, combinando segmentación híbrida con optimización GEO basada en IA generativa. Sugiere incorporar elementos visuales como diagramas de procesos además de contenido experto, para mejorar la relevancia y la respuesta de buscadores orientados a IA.
El estudio analiza el estado del internet marketing de una empresa de comida rápida (Dominos Pizza Ucrania), estudia el comportamiento de consumidores mediante una encuesta y propone recomendaciones, pero el texto aportado no mide ni explica qué “hace” que una IA cite fuentes.
Conclusión del estudio
Con el material compartido no es posible extraer hallazgos sobre por qué ChatGPT/Perplexity/Gemini/Claude/Google AI citan una fuente, porque el documento descrito trata de marketing digital y no de citaciones de IA.
Qué significa para ti
Este texto por sí solo aporta contexto general de marketing y metodología de análisis (encuestas, evaluación estratégica), pero no sirve para deducir criterios de citación de IA. Si pegas la parte del estudio que habla de citaciones (resultados/mediciones concretas), entonces sí podré convertirlo en hallazgos con cifras aplicables a SEO/GEO.
Propone un marco de gobernanza para bibliotecas inteligentes basado en la arquitectura OpenClaw, enfocándose en la reconfiguración de servicios y el control de agentes tipo computer-use para reducir fallos operativos y riesgos de cumplimiento. Aporta lineamientos aplicables a la Optimización para Buscadores de IA (incluyendo Model Context Protocol y Generative Engine Optimization) para estandarizar cómo se gestionan el contexto y las respuestas, mejorando la trazabilidad de resultados y la consistencia de la visibilidad.
El estudio propone y prueba una metodología multiparamétrica para evaluar y ordenar stablecoins para incluirlas en un portafolio conservador que genere ingresos por intereses, a partir de factores como reservas, estabilidad del “peg”, liquidez y calidad del rendimiento.
Los datos
Define una metodología con 5 bloques de evaluación: calidad y transparencia de reservas; historial y robustez de la vinculación (peg); estructura del emisor y estatus regulatorio; profundidad y liquidez del mercado; y calidad del rendimiento obtenido
Incluye un “indicador integral” (una métrica agregada) de “confiabilidad y rendimiento” para poder clasificar/ordenar stablecoins
Conclusión del estudio
El paper es esencialmente una propuesta de cómo medir confiabilidad y rendimiento para rankear stablecoins; no aporta datos de campañas, conteos de citas, ni mide directamente qué factor hace que una IA cite una fuente.
Qué significa para ti
Como aporte al SEO/GEO orientado a citaciones, este texto sirve más como contexto de “qué se evalúa” en un paper técnico (métricas claras y componentes medibles), pero no da pruebas con cifras de por qué una IA te citaría. Su parte accionable para ti es únicamente el énfasis del estudio en construir una evaluación con bloques concretos y una métrica agregada.
Propone un marco teórico de mercados para comercio agentico en el que la “autoridad” se define dentro de las bases de conocimiento de agentes y no en audiencias humanas, alineándose con objetivos típicos de GEO. Ayuda a traducir la optimización de páginas a la optimización de heurísticas usadas por agentes generativos, para mejorar la probabilidad de recomendación y compra cuando el shopper es un sistema.
Este documento es el prólogo de KnowFM 2026 y muestra que el workshop estudia, a lo largo de etapas (preentrenamiento, inyección externa, actualización/edición y uso en inferencia), qué hace que los modelos usen y gestionen conocimiento (incluida la fiabilidad y la citación ligada a fuentes) mediante 38 trabajos aceptados.
Los datos
KnowFM 2026 aceptó 38 papers en total
El volumen incluye 14 de esos papers en modo “archival” en la ACL Anthology; los otros 24 se presentaron en base no archivada
El workshop estructura el ciclo de conocimiento en 4 etapas: cómo emerge en el preentrenamiento, cómo se inyecta desde fuentes externas, cómo se actualiza/edita con el tiempo y cómo se consulta/genera en la inferencia
El texto enumera líneas de investigación relacionadas con “faithfulness” (fidelidad), mitigación de alucinaciones y conflictos entre memoria paramétrica y recuperación/long-context
Conclusión del estudio
Con base en este texto, KnowFM 2026 no aporta resultados cuantitativos sobre “qué IA cita qué fuente”, sino que define y agrupa explícitamente el tipo de evidencia y experimentos que se necesitan para entender cuándo un modelo usa conocimiento de manera fiel (por ejemplo, alucinaciones, fidelidad y conflictos con recuperación).
Qué significa para ti
Útil para enfocar tu lectura: si buscas señales de “citación de fuentes” por IAs, este workshop te indica qué categorías de pruebas mirar (fidelidad/mitigación de alucinaciones y el choque entre memoria interna y contenido recuperado). Si tu objetivo es extraer cifras concretas de citación por marca de IA, este texto por sí solo no las da y tendrías que ir a los 14 papers del volumen o a los 38 aceptados.
El estudio revisa, con datos tomados de un informe de Reuters Institute, ocho cambios del periodismo en 2026 y qué implican esos cambios para la formacion en Uzbekistan.
Los datos
Se apoya en una encuesta a 280 responsables editoriales de 51 paises realizada en enero de 2026
Reporta una caida del 43% en el trafico procedente de buscadores a lo largo de tres anos
Indica que el modelo de economia de creadores llegaria a 500 millones de dolares para 2027
Mide una expectativa: el 75% de las redacciones espera que la “agent AI” tenga un impacto importante
Da una cifra historica sobre desinformacion: los deepfakes aumentan un 1780% entre 2019 y 2024
Conclusión del estudio
Con esos datos, el articulo sostiene que las IA (incluida la “agent AI”) y otros cambios del entorno ya estan alterando las redacciones y la distribucion de noticias, y que por eso la formacion debe incluir alfabetizacion en IA y respuestas frente a deepfakes y desinformacion.
Qué significa para ti
Aunque este paper no mide “citas por IA” de contenido, si te traduce un problema practico para visibility: el trafico desde buscadores cae y la industria espera impacto fuerte de IA, asi que el tipo de “señal” que importa es la consistencia y verificabilidad (y la capacidad de manejar deepfakes) dentro de un entorno donde los buscadores y redes pierden peso. Si tu objetivo es aparecer citado por sistemas de IA, estos datos apuntan a que la confianza/rigor y la forma multiformato cobran mas relevancia que la dependencia de un solo canal.
El estudio crea ConfRAG y mide si modelos como GPT-4.1 y Claude-3-7-Sonnet pueden razonar y responder preguntas cuando los documentos web recuperados dicen cosas incompatibles, analizando 1.814 preguntas con múltiples fragmentos por pregunta.
Los datos
ConfRAG incluye 1.814 preguntas reales
Cada pregunta va con un promedio de 9,58 párrafos recuperados de fuentes online heterogéneas
El 57,2% de las preguntas tienen contradicciones explícitas
Proponen 3 tareas de evaluación: answer clustering, answer coverage y reason coverage
Con GPT-4.1 y Claude-3-7-Sonnet encuentran “gaps” de rendimiento sustanciales (brecha grande entre modelos al manejar contradicciones), aunque el texto aportado no da porcentajes concretos de esas mejoras o caídas
Conclusión del estudio
Con base en su conjunto ConfRAG, el estudio muestra que cuando una IA recibe referencias web largas y conflictivas, su capacidad para organizar la información y explicar las contradicciones no es uniforme y hay diferencias claras de rendimiento entre modelos.
Qué significa para ti
Para medir (o anticipar) cuándo una IA citará fuentes, este trabajo remarca que el problema real no es solo “calidad de respuesta”, sino cómo gestiona contradicciones entre múltiples documentos: si tu contenido suele aparecer junto a otras fuentes que chocan, el sistema puede rendir peor al decidir qué versión usar, y eso puede afectar la probabilidad de que se te cite dentro del razonamiento.
El texto describe un Trabajo Fin de Grado que desarrolla y valida una plataforma web (FundScout) para analizar y comparar fondos y ETFs, mostrando sus funciones implementadas y la “viabilidad técnica y comercial” del proyecto, pero no mide ninguna relación con citas de IA.
Los datos
El proyecto incluye un asistente de inteligencia artificial para interpretar resultados y responder dudas sobre conceptos financieros (función integrada en la plataforma)
La plataforma permite buscar fondos, consultar métricas principales, comparar alternativas y seguir carteras personalizadas, además de analizar diversificación y simular escenarios futuros
Se menciona una simulación de Monte Carlo como parte del proyecto (aparece en las palabras clave)
Indica que no es un prototipo conceptual: la aplicación está “totalmente operativa” con arquitectura frontend-backend, base de datos, sistema de autenticación y procesamiento de datos financieros, y modelo freemium ya implementados
Conclusión del estudio
Este texto no aporta datos ni resultados sobre qué hace que las IA (ChatGPT, Perplexity, Gemini, Google AI, Claude) citen una fuente. Solo documenta el desarrollo de una aplicación de análisis financiero y su validación/viabilidad a nivel de proyecto.
Qué significa para ti
Para tu trabajo SEO/GEO, este documento sirve como contexto sobre un proyecto con IA y finanzas, pero no aporta hallazgos medibles sobre citación por IA. Con este texto no se puede extraer ninguna regla de “qué hace que te citen” porque no se estudia ese fenómeno.
El estudio analiza 141 informes para entender qué hace que las dinámicas con IA “agente” y competencias humanas converjan en 2026 y cómo eso se relaciona con la innovación en organizaciones.
Los datos
Analiza 141 informes (base empírica del estudio)
Encuentra un “sistema adaptativo” donde la IA agente y las competencias humanas “coexisten” de forma “complementaria”
Identifica “organizaciones orientadas por habilidades” como un resultado observado en los informes
La “fragmentación geopolítica” aparece como moderadora de la innovación (o sea, afecta/condiciona el impacto de la innovación)
Conclusión del estudio
Con sus 141 informes, el estudio concluye que en 2026 hay una inflexión estructural: la IA agente y las competencias humanas no se sustituyen, sino que se combinan de forma complementaria, y la geopolítica influye en cómo se materializa la innovación en las organizaciones.
Qué significa para ti
Este paper aporta contexto organizacional (IA agente + habilidades humanas + efecto de la geopolítica), pero con el texto disponible no mide ni prueba factores concretos sobre cuándo/por qué una IA cita fuentes web o marcas. Útil para entender el “entorno” de innovación, no para derivar reglas directas de SEO sobre citaciones.
El paper analiza cómo las interfaces mediadas por algoritmos influyen en la atención del consumidor y la visibilidad de marca en el comercio digital, especialmente en mercados de Oriente Medio. Aporta criterios para medir qué factores (producto, influencer y marca) incrementan o reducen la exposición, ayudando a priorizar optimizaciones de visibilidad en entornos de IA.
El estudio se centra en mejorar la usabilidad de la página de inicio de instituciones educativas de tercer nivel, con enfoque en el layout y la estructura del contenido. Te aporta criterios prácticos para aumentar la visibilidad y la interacción en GEO mediante mejoras del diseño orientadas a la experiencia del usuario.
El estudio plantea una fórmula y estimaciones para medir cómo un “panel” de varias IA mejora la precisión al seleccionar candidatos (comparado con usar una sola IA), usando parámetros como número de IA (n) y similitud entre sus errores (correlación, ρ).
Los datos
Define una aproximación de precisión para el “top q” seleccionado por un panel: P(q) ≈ (ρ·n^b + q·(1−ρ)) / (1 + (n^b − 1)·ρ)
La exponente b se estima como b ≈ q* + 0.8·(1−ρ), conectando mejora con correlación promedio entre IA (ρ) y con q*
q* se ajusta recortándolo al rango [0.07, 0.22], es decir: q* es el valor de q “clipped” entre 0.07 y 0.22
El propio paper formula un criterio cuantitativo para decidir cuántas IA conviene usar en el panel “dependiendo de la importancia de la decisión”, en función de cómo afectan n y ρ a P(q)
Conclusión del estudio
Este estudio demuestra que la precisión de las decisiones asistidas por IA no depende solo de usar “más IA”, sino de cuántas IA conforman el panel (n) y de lo parecidas que sean entre sí (ρ): la fórmula muestra explícitamente cómo la combinación de diversidad (menor correlación) cambia P(q) para el top q.
Qué significa para ti
Para un consultor SEO/GEO, el paper no mide citas de IA, pero sí da una lección trasladable: si un sistema de IA “tiene el mismo sesgo” (alta correlación), sumar más modelos no aporta tanto; si hay diversidad real (baja correlación), el rendimiento mejora según la relación cuantificada en su ecuación. Aquí la táctica concreta es difícil porque el estudio no analiza fuentes web ni “citas” en respuestas.
El paper plantea cómo el auge de la IA generativa y los chatbots tipo ChatGPT desplaza el SEO tradicional hacia la optimización para motores de búsqueda generativos (GEO). Ayuda a orientar decisiones de contenido y estructura para mejorar cómo las respuestas generadas por IA encuentran, interpretan y citan tu información.
El paper propone ajustar la estrategia GEO incorporando Answer Engine Optimization y Generative Engine Optimization para captar tráfico en búsquedas sin clic. Ayuda a definir prioridades de optimización ante un cambio de comportamiento donde la búsqueda sin interacción directa gana protagonismo.
El texto resume ponencias de un congreso sobre el marco jurídico del turismo y la recreación en Ucrania (incluido guerra y eurointegración), mostrando qué normas y temas citan y cómo lo argumentan con referencias específicas.
Los datos
En una ponencia sobre trabajo en turismo durante el estado de guerra se citan explícitamente 4 fuentes legales: Código del Trabajo (artículo/URL “322-08”), Ley “sobre la organización de relaciones laborales en condiciones de estado de guerra” (ley 15.03.2022, “2136-20”), Ley de empleo (05.07.2012, “5067-17”) y Ley de seguridad en el trabajo (14.10.1992, “2694-XII”)
La misma ponencia indica que el marco laboral se apoya en el Código del Trabajo y en leyes especiales aprobadas durante el estado de guerra, y menciona como tendencia “la expansión de formas flexibles de empleo” incluyendo trabajo a distancia, empleo a tiempo parcial y contratos de trabajo por tiempo determinado (sin dar porcentajes, pero con la categoría legal citada)
En la ponencia sobre desarrollo sostenible del turismo y eurointegración se señala que la Ley “Sobre el turismo” define bases generales pero “no contiene disposiciones sobre desarrollo sostenible”, por lo que el tema depende de normas de medio ambiente y patrimonio cultural, y también de normas de evaluación de impacto ambiental (se citan como bloques con referencias [4; 5])
En la ponencia sobre eurointegración se citan artículos concretos del Acuerdo de Asociación UE: mención a desarrollo de la industria turística y protección de derechos de consumidores en los artículos 399 y 401 (con referencia a páginas “200-201”), y se usa como ejemplo la Directiva del Consejo 90/314/CEE sobre viajes combinados para justificar protección financiera a turistas (con referencias a páginas 201 y 164)
Conclusión del estudio
Este material no mide ni evalúa directamente qué hace que una IA cite una fuente: solo muestra qué tipo de fuentes legales y qué puntos concretos (leyes, artículos, directivas, enlaces) usan para sustentar sus argumentos en temas de turismo. Por tanto, aporta evidencia sobre “qué se cita” en trabajos del sector, pero no sobre “por qué lo cita una IA”.
Qué significa para ti
Para SEO/GEO, el valor práctico de este texto es limitado para el objetivo “ser citado por una IA”: sí sirve como guía de qué documentos y secciones suelen considerarse ‘autoridad’ en turismo (leyes, artículos específicos, directivas y URLs oficiales). Pero no hay datos en el estudio sobre patrones de cita por IA, así que no permite inferir con cifras qué formato/tema optimiza la citación.
El texto es un capítulo de un libro de marketing (planificación y marketing research) que explica qué pasos y criterios se usan para planificar investigaciones de marketing y cómo se estructuran los tipos de datos, más que medir qué IA cita fuentes.
Los datos
El capítulo resume “Marketing research” con un 5-D: de la fase de definición a la fase de documentación (plantea esas 5 etapas como concepto organizador)
Distingue explícitamente entre investigación primaria y secundaria, y entre métodos cualitativos y cuantitativos (categorías que el capítulo enseña como base para decidir)
Menciona criterios de calidad de la investigación: validez, fiabilidad, objetividad y representatividad (los lista como “Gütekriterien”)
En el apartado de herramientas/abordajes menciona análisis clásicos (SWOT, portfolio y benchmark) y los vincula con enfoques modernos y apoyados por IA (por ejemplo, panels, feedback “always-on” y datos sintéticos)
Conclusión del estudio
Con este texto no se puede concluir nada cuantitativo sobre qué hace que ChatGPT, Perplexity, Gemini, Google AI o Claude citen una fuente, porque el contenido mostrado describe metodología de investigación y planificación de marketing, no resultados de un experimento de citación por IA.
Qué significa para ti
Aporta contexto útil sobre cómo se estructuran investigaciones y criterios de calidad (validez, fiabilidad, representatividad) y sobre el uso de datos sintéticos/feedback continuo, pero no da hallazgos accionables sobre citación por IA porque no presenta mediciones ni patrones de qué fuentes terminan citadas por esos modelos.
El estudio analiza, en producción y en 10 despliegues de distintos sectores, cuánto mejora la tasa de que los LLM citen una fuente cuando se usa RAG “Adaptive” con varias reglas de actualización, re-ranking y bucle de feedback.
Los datos
En 10 despliegues en producción, la tasa de citación con la KB del sistema (condición “B”) es 77,1% de media, con rango entre 74% y 81%
Por despliegue, las tasas reportadas van de 76% (UEC Energy) y 74% (ABS Void Formwork; ABS Kör Kalıp) hasta 81% (Filmfolk) en el set de 10
En pruebas A/B embebidas, el control es LLM sin contexto externo (RAG apagado) y el tratamiento es LLM con RAG; la métrica de citación vale 1 solo si la respuesta del LLM cita literalmente una fuente entregada por el sistema
La concordancia entre evaluadores humanos para esa métrica es alta: el acuerdo (Cohen’s Kappa) se mantuvo continuamente por encima de 0,85
Conclusión del estudio
El estudio muestra que, en entornos reales, un sistema RAG con mecanismos de calidad de contexto (incluyendo re-ranking, “freshness” y feedback) logra que los LLM citen una fuente en alrededor de 77,1% de las respuestas, frente al escenario sin contexto externo (según el planteamiento A/B).
Qué significa para ti
Para GEO/SEO, el resultado práctico es que la citación por parte del LLM aquí no depende solo de “tener contenido”, sino de que el sistema entregue contexto de alta calidad: el estudio reporta una tasa media ~77,1% en producción usando su KB y lógica de selección. También aporta confianza metodológica: la forma de medir citación (cita literal de una fuente entregada) tiene acuerdo >0,85 entre evaluadores, así que el número no es solo una estimación informal.
Propone calibrar la visibilidad del producto en comercio social mediado por agentes usando trazas de exposición multimodales y señales estructuradas del listado. Aporta una guía accionable para medir y mejorar el rendimiento GEO al alinear señales de contenido (p. ej., estructura del anuncio) con lo que los modelos efectivamente “atenderán” al mostrar productos.
El estudio analiza, con casos y datos de Apple, Coca-Cola y Walmart, qué herramientas de promoción (RMN, social commerce e IA) se aplican de forma distinta según la etapa del ciclo de vida del producto y qué resultados generan.
Los datos
Apple: durante el lanzamiento del iPhone en 2007 (precio de 499 USD), para mediados de enero de 2008 se vendieron 4 millones de dispositivos y la acción subió de 85 a 179 USD
Apple: en la fase de saturación, la campaña de Face ID del iPhone 15 bajó la tasa de engagement de 5.0% en la primera semana a 2.0% en la cuarta
Walmart (fiscal 2T 2024): Walmart Connect creció un 36%, la facturación anual en publicidad llegó a 4.4 mil millones USD ( +27% interanual) y la publicidad explica casi un tercio del beneficio operativo; además, el número de anunciantes subió 60% y las marcas reportaron +30% en ROAS de media
Social commerce: pronostican que las ventas en redes sociales en EE. UU. llegarán a 87.02 mil millones USD en 2025; TikTok Shop mostró +407% de crecimiento de ventas en EE. UU. en 2024, y su facturación esperada sería 15.82 mil millones USD en 2025
Gamificación interna: solo el 29% de los managers de ventas dice que sus empleados usan los sistemas CRM al nivel requerido; el estudio menciona que Microsoft implementó FantasySalesTeam para aumentar la implicación y correlacionarlo con crecimiento de ventas (sin dar un porcentaje de mejora adicional)
Conclusión del estudio
El estudio concluye que la IA/algoritmos y la hiperpersonalización se vuelven más necesarios cuando el producto entra en saturación (p.ej., cae el engagement con mecánicas tradicionales), y que las promociones ligadas a datos verificables (RMN con atribución transaccional) y al comportamiento inducido por plataformas (social commerce) muestran los mayores efectos medibles en sus respectivos contextos.
Qué significa para ti
Si tu producto está en fases tempranas, el estudio sugiere priorizar el “enganche” y la propuesta clara; si estás en saturación, el dato de Face ID (5.0% a 2.0%) respalda que tu modo de promoción debe apoyarse más en personalización algorítmica. Además, para B2B o retail, el caso de Walmart cuantifica que la atribución por transacción en RMN se asocia a mejoras fuertes de ROAS ( +30% de media) y crecimiento de ingresos publicitarios, por lo que las métricas “cerradas” importan más que la promoción tradicional.
El texto no es un estudio sobre por qué las IA citan fuentes: describe un sistema anti-scraping (Anubis) que usa prueba de trabajo y depende de JavaScript para bloquear a bots, indicando que la automatización puede causar inaccesibilidad del sitio.
Conclusión del estudio
Con el texto proporcionado no se pueden extraer hallazgos sobre qué hace que ChatGPT/Perplexity/Gemini/Claude citen fuentes, porque no mide citaciones ni analiza comportamiento de IA; solo explica un mecanismo técnico anti-bot para proteger un servidor.
Qué significa para ti
Lo único accionable como contexto GEO/SEO es que el sitio puede requerir JavaScript y una prueba de trabajo para ser accesible, lo que puede afectar el rastreo/visibilidad de contenido por automatizaciones (incluidas las de indexación), pero el texto no aporta una táctica para “ganar citas” dentro de respuestas de IA.
El paper usa un relato de referencia (Cliff Young, 875 km en un ultramaratón) para traducir el liderazgo en IA en acciones concretas: comprender tecnologías, generar confianza y acompañar el cambio. Para GEO, aporta un marco práctico para alinear stakeholders y reducir fricción al implementar iniciativas de optimización para buscadores de IA, mejorando adopción y consistencia de decisiones.
Ayuda a seleccionar y priorizar habilidades de UX alineadas con objetivos de negocio medibles, conectando resultados de producto, usuarios y empresa. Ofrece un marco para articular impacto y facilitar la validación interna del valor de UX con métricas, mejorando la toma de decisiones en equipos GEO y de producto.
El estudio prueba si el “ego” (nudges que activan el autoconcepto) en newsletters B2B por email aumenta la tasa de clic (CTR) frente a formulaciones estándar, comparando dos sectores (revenue/contabilidad y RR. HH.).
Los datos
El experimento fue un ensayo de campo aleatorizado con 2 newsletters B2B (Rechnungswesen y Personalwesen) y 6 tipos de “ego-nudges” repartidos en 6 olas de envío; la CTR se midió como variable dependiente
En el newsletter de Rechnungswesen, la “Treatment group” mostró una distribución de frecuencias “ligeramente” más alta (no se da un porcentaje exacto)
En el newsletter de Personal (RR. HH.) no se encontraron efectos de los “ego-nudges”
El único indicio de efecto fue “casi estadísticamente significativo” en una sola ola de envío y en un newsletter con el “ego-nudge” específico: «Zukunft gestalten»
Conclusión del estudio
Los resultados muestran que la efectividad de mecanismos psicológicos tipo Choice Architecture para aumentar la CTR en emails B2B depende mucho del público: funciona, como mucho, de forma marginal y no consistente (solo en un sector y bajo condiciones puntuales), y en RR. HH. no se observa efecto.
Qué significa para ti
Para campañas de email B2B, este estudio sugiere que los cambios psicológicos (ego-nudges) no se traducen automáticamente en más clics: si el “ajuste” no encaja con el público, el efecto puede ser nulo. Además, cuando aparece señal, es en olas y variantes concretas (como «Zukunft gestalten»), así que la lectura accionable aquí es que los impactos deben validarse por segmento y por envío específico, no asumir un patrón uniforme.
El estudio analiza qué factores (tipo de apoyo a la investigación, composición de autores, tipo de institución del autor de correspondencia, área temática e impacto del journal) hacen que investigadores coreanos elijan licencias Creative Commons más abiertas o más restrictivas en 3.320 artículos open access publicados en revistas híbridas entre 2020 y 2024.
Los datos
La muestra analizada es de 3.320 artículos (2020-2024) publicados en revistas híbridas open access
Por áreas temáticas, “ciencias naturales” concentra el 46,36% (1.539 artículos) y “ingeniería/tecnología” el 23,34% (775); “sociales” tiene solo 3 artículos (y 0 en humanidades)
El tipo de licencia más usada es la más abierta “CC BY”, y es la opción base en el análisis; el estudio también muestra que en general se prefieren licencias más restrictivas cuando el journal tiene más impacto
En apoyos a la investigación: 53,64% (1.781) son con apoyo en Corea, 16,05% (533) con apoyo solo en el extranjero, 15,18% (504) mixto (Corea+extranjero) y 15,12% (502) sin apoyo o sin mención
Hallazgos clave de relación: incluir autores internacionales aumenta la probabilidad de usar licencias CC más abiertas, mientras que publicar en revistas con mayor “impact factor” se asocia a elegir licencias CC más restrictivas
Conclusión del estudio
Con los datos de 3.320 artículos, el estudio demuestra que la “apertura” de la licencia CC elegida por investigadores coreanos no depende solo de que sea open access: cambia de forma sistemática con la presencia de coautores internacionales y con el nivel de impacto de la revista (a mayor impacto, más restrictivo; con autores internacionales, más abierto).
Qué significa para ti
Si tu objetivo es ser citado o reutilizado vía IA bajo licencias más permisivas, este estudio sugiere que el “contexto editorial” importa: publicar en revistas de mayor impacto tiende a empujar hacia licencias más restrictivas, y en colaboración internacional es más probable que se elijan licencias más abiertas. Como el paper no aporta cifras de “cuánto sube/baja” la probabilidad en términos porcentuales para IA-citas, esto te da sobre todo el mapa de variables que explican la selección de licencia, no un multiplicador directo para “cita por IA”.
El texto es de un capítulo de un libro de Springer Nature sobre “Führen im Zeitalter der Künstlichen Intelligenz” (etapa 1: “Verstehen”), pero no muestra en el fragmento ningún experimento, recuento de citas de IA ni resultados cuantificados sobre qué hace que ChatGPT/Perplexity/Gemini citen fuentes.
Los datos
No aparecen medidas ni números propios del estudio (no hay porcentajes, tasas de citación, ni conteos de fuentes citadas por IA) en el texto proporcionado
El fragmento incluye una lista larga de referencias bibliográficas, pero no incluye el método del estudio ni evidencia de que se haya analizado el comportamiento de citación de IAs
Se indica metadato editorial del capítulo (p. ej., publicado el 11 January 2026 y DOI 10.1007/978-3-658-50104-4_5), pero no se aportan datos de citación por IA
Conclusión del estudio
Con el texto que compartiste, este capítulo no demuestra con datos qué factores hacen que una IA cite una fuente: solo aporta metadatos editoriales y referencias, sin resultados medidos.
Qué significa para ti
Este material, tal como está pegado aquí, sirve solo como contexto de contenido/temática (liderazgo y comprensión de la IA), pero no aporta una palanca medible para predecir o optimizar citas por IAs. Para que yo pueda sacar hallazgos accionables con cifras, necesito la sección donde el estudio describe qué IAs se probaron, cuántas consultas/respuestas evaluaron y qué observaron.
El artículo analiza cómo se transforma la industria de PR con la llegada de algoritmos y IA, y qué retos plantea para los especialistas sobre el futuro de la profesión.
Los datos
El texto proporcionado solo incluye el resumen y metadatos: no aparecen mediciones, análisis de citas de IA ni resultados cuantitativos del estudio (no hay % u otras cifras)
El artículo se identifica como: Vol 6, No 5 (2026), páginas 210–214, DOI 10.62257/2782-5329-2026-5-210-214
La “investigación” descrita en el resumen se centra en tendencias de transformación del PR, direcciones de cambio tecnológico y retos de profesionales en “la era de algoritmos”, pero sin detallar un corpus ni un experimento de citas por IA
Conclusión del estudio
Con el material compartido (resumen y metadatos) este estudio no demuestra nada medible sobre qué hace que una IA cite una fuente: no hay datos, pruebas ni porcentajes sobre patrones de citación. Aporta contexto conceptual sobre retos de PR con algoritmos, pero no evidencia directa para “citación por IA”.
Qué significa para ti
Útil si necesitas marco de contexto sobre cómo el PR se ve afectado por IA y algoritmos, pero con este texto no puedes usarlo para inferir qué tipo de fuentes/formatos atraen citas de ChatGPT/Perplexity/Gemini/Claude. Para convertirlo en insight GEO/SEO accionable haría falta el “Full Text” o una sección con metodología y resultados.
El texto es un сборilto de actas de una conferencia (2026) y no contiene un estudio que mida qué factores hacen que las IA citen una fuente: solo lista contenidos, autores y una nota sobre que los textos completos están disponibles en Elibrary.ru.
Conclusión del estudio
Con este material no se puede concluir nada sobre qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen una fuente, porque no hay datos, mediciones ni resultados del tipo “cuántas citas” o “qué características correlacionan con la citación”.
Qué significa para ti
Este documento aporta contexto editorial (que los artículos están en abierto en Elibrary.ru), pero no aporta evidencia accionable sobre citación por IA. Para analizar citación por IA, necesitarías el apartado o paper concreto donde se describa la medición (corpus, número de fuentes consultadas y métricas de citación) y sus cifras.
El paper propone la operacionalización del “Generative Intent” (GIO) como un marco accionable para GEO, centrado en la necesidad epistémica como motor de la generación. Ayuda a priorizar el desarrollo de contenidos y señales para motores generativos de forma predictiva, en lugar de depender de explicaciones retrospectivas sobre contenido que ya apareció.
El paper propone métricas operativas para GEO como MAI y VLS para evaluar si los LLM recuperan y citan contenido de forma consistente, no solo si aparece. Aporta evidencia entre mercados y guía cómo medir el desempeño de “autoridad manufacturada” en motores generativos, reduciendo la incertidumbre sobre qué ajustes mejoran visibilidad y citación.
Propone una hoja de ruta para pasar de SEO tradicional a Generative Engine Optimization, organizando el trabajo por etapas como estructura de datos, visibilidad en motores de IA (Surface) y atribución. Aporta un marco para definir métricas de atribución en entornos de “zero-…” para mejorar la medición del impacto cuando la búsqueda es mediada por modelos generativos.
El texto que compartiste no contiene resultados del estudio: solo aparece el título del paper y el pie de página de IEEE Xplore, así que no se puede saber qué midieron ni qué encontraron sobre por qué las IA citan fuentes.
Conclusión del estudio
Con el material disponible no es posible extraer hallazgos concretos (porcentajes, conteos o patrones medidos) sobre qué hace que ChatGPT/Perplexity/Gemini/Claude citen una fuente, porque no hay datos en el texto proporcionado.
Qué significa para ti
Si me pegas el contenido del paper (aunque sea solo la sección de resultados/figuras/tablas o el resumen con cifras), te saco 2 a 5 hallazgos con números y la implicación práctica para visibilidad y citas en IA, pero con este extracto no hay nada accionable que reportar.
El estudio analiza, en el caso de una firma legal (Mannheimer Swartling), cómo varias descripciones generadas por IA a partir de prompts reflejan o cambian la imagen y la identidad de marca que la empresa pretende comunicar.
Los datos
El estudio genera y revisa descripciones de la empresa usando 5 “personas” distintas (respuestas dependientes del perfil)
Encuentra que algunas descripciones de IA se alinean con la marca corporativa intencional, pero otras “reconstruyen” la marca basándose en fuentes externas (es decir, no solo en el posicionamiento deseado por la firma)
El trabajo reporta reconstrucciones de marca que dependen de la persona (cambia el encaje con la marca según el perfil usado en el prompt)
Se observan estereotipos y generalizaciones por parte de la IA, además de “relleno de huecos” (gap-filling)
También detecta alucinaciones/errores y exclusión de información: la IA puede inventar o equivocarse y, además, omitir datos en sus respuestas
Conclusión del estudio
Con los datos del caso, el estudio demuestra que las descripciones generadas por IA pueden tanto acercarse como desviarse de la imagen e identidad de marca pretendidas por la empresa, y que contribuyen activamente a construir esa percepción externa (no solo la repiten).
Qué significa para ti
Para SEO/GEO, este resultado implica que una IA no cita “tu versión” de marca de forma estable: puede mezclar tu posicionamiento con fuentes externas, variar según el usuario/persona y además añadir estereotipos o incluso omisiones. En la práctica, tu presencia informativa no solo debe cubrir lo que quieres decir, sino reducir espacio para que la IA rellene, invente o recorte al describirte.
Identifica señales de deterioro de rendimiento (caída de tráfico y descenso de ingresos en publicidad programática) y las conecta con la necesidad creciente de Generative Engine Optimization. Ayuda a priorizar acciones GEO para recuperar visibilidad en motores generativos cuando la extracción de contenido periodístico y otras fricciones presionan el rendimiento.
El estudio revisa 38 trabajos y compara señales de confianza (y su “manipulabilidad”) para ver cuáles terminan siendo recompensadas por motores generativos al recomendar productos, y cuáles casi no se han probado.
Los datos
En un estudio con 55.936 consultas, 37% de los dominios citados por motores tipo LLM aparecen solo en sistemas basados en LLM (no en el flujo tradicional de búsqueda)
En experimentos de edición de descripciones hechas por IA, se observan ganancias de cuota de mercado en 33% de los experimentos (entre +3,66 y +14,89 puntos porcentuales)
En pruebas de “reseñas falsas” generadas por LLM, la detección por humanos queda en 50,8% de precisión (nivel cercano al azar) y los modelos LLM generales no mejoran ese resultado
En un análisis comparativo de 5 plataformas, el contenido social (Reddit, foros, reseñas de usuarios) explica 0% de las citas en la mayoría de categorías de producto en ChatGPT, frente a 10%–23% en Google Search tradicional
Presencia en plataformas de reseñas tipo Trustpilot/G2/Capterra se asocia con ~3× más citas de ChatGPT frente a no estar en esas plataformas
Conclusión del estudio
El estudio concluye que las señales que los motores generativos parecen recompensar en descubrimiento de productos son justo las más fáciles de fabricar (o manipular), mientras que las señales más resistentes a la manipulación están poco o nada validadas en contextos de GEO/IA.
Qué significa para ti
Para una estrategia GEO en comercio, este paper sugiere que basarse en señales “fáciles de reescribir” o en señales de revisión individuales puede no protegerte frente a sesgos de IA; en cambio, el estudio apunta a que la agregación y presencia en plataformas tercero (no la reseña individual) es una señal con correlación clara con más citas en ChatGPT. Si te interesa portar credibilidad entre motores, el paper remarca (sin cifras en el fragmento) que la vía con más potencial es la atestación verificable (p. ej., credenciales verificables), porque está diseñada para ser legible para máquinas y difícil de falsificar.
Propone que, ante la optimización para buscadores impulsada por LLM, se refuercen repositorios publicitarios independientes y herramientas de detección para verificar qué algoritmos y contenidos están siendo interceptados. Ayuda a GEO a diseñar auditorías operativas del entorno ad/SEO mediante capacidades de monitoreo y evidencias reproducibles en escenarios de alto riesgo como campañas vinculadas a sectores regulados.
El estudio analiza si añadir Schema.org (JSON-LD) en páginas de producto cambia la visibilidad con la que una tienda aparece citada por ChatGPT, usando 20 prompts y midiendo antes y después de implementar el marcado en una sola tienda de e-commerce (4 productos).
Los datos
La tienda aparece en 9 de 20 respuestas tanto antes como después (presencia binaria sin cambios: 9/20 en T0 y 9/20 en T1)
La posición media de la tienda en las respuestas mejora de 4.45 a 1.78 tras implementar el JSON-LD
La visibilidad con ranking (nDCG@3) sube de forma significativa bajo dos escenarios de descuento: +133% y +339%
El número de URLs citadas se mantiene estable (no cambia) entre T0 y T1
Conclusión del estudio
El estudio demuestra que Schema.org JSON-LD en páginas de producto no aumenta la probabilidad de que la tienda sea citada por ChatGPT, pero sí mejora claramente lo prominente que aparece dentro de la respuesta (mejor puesto y mayor visibilidad nDCG@3), sin alterar cuántas URLs se citan.
Qué significa para ti
Si tu web ya consigue que te citen, este paper sugiere que el impacto de Schema.org es más de “dónde apareces” que de “si apareces”: alinear y completar el JSON-LD puede empujar tu listado/cita hacia posiciones más altas. Como el estudio es de un solo caso y con muestra pequeña (4 productos y 20 prompts), úsalo como señal de dirección, no como garantía para todo tipo de tiendas o productos.
Investiga cómo evaluar la presencia de marcas y propiedades comerciales en búsquedas generativas a partir de una revisión de trabajos sobre GEO, recuperación generativa de información y RAG.
Los datos
La propuesta se centra en el marketing de inmuebles comerciales.
El marco diferencia entre menciones de marca o propiedades, atribución de fuentes y riesgo de errores.
El artículo se basa en una revisión de trabajos sobre GEO, recuperación generativa de información y RAG.
Conclusión del estudio
El estudio propone evaluar la presencia en buscadores generativos con métricas separadas para las menciones, las fuentes atribuidas y los errores, adaptadas al sector inmobiliario comercial.
Qué significa para ti
Para quien trabaja la visibilidad de una web en buscadores con IA, el estudio aporta un marco de medición sectorial, pero el resumen no presenta resultados empíricos ni tácticas para mejorar la visibilidad.
Aborda cómo optimizar contenidos de clínicas para que los citen sistemas de respuesta basados en inteligencia artificial.
Los datos
El tema es el paso de los motores de búsqueda a los motores de respuesta.
Define la GEO como un conjunto de prácticas aplicadas a contenidos de clínicas para favorecer que la inteligencia artificial los cite.
Conclusión del estudio
El resumen sitúa la GEO como una disciplina orientada a lograr citas de contenidos de clínicas, pero no permite conocer qué prácticas funcionan ni con qué resultados.
Qué significa para ti
El estudio es pertinente para la visibilidad en buscadores con IA, aunque el resumen no ofrece tácticas concretas ni datos para valorar su eficacia.
Investiga métodos de GEO y los evalúa en Perplexity.ai, aunque no se especifica sobre qué consultas o fuentes.
Los datos
La evaluación se realiza en Perplexity.ai, según el resumen.
El título describe el marco GEO-first como «debatido» o cuestionado, pero el material no explica por qué.
No se aportan cifras ni resultados de la evaluación.
Conclusión del estudio
Con la información disponible no se puede establecer si los métodos propuestos mejoran la visibilidad ni qué aspectos del marco GEO-first se cuestionan.
Qué significa para ti
El estudio parece relevante para medir tácticas de GEO en Perplexity, pero el resumen no ofrece resultados concretos que permitan extraer una táctica o valorar su impacto.
Investiga la legibilidad de las páginas de inicio de 251 proveedores de software B2B para asistentes de IA.
Los datos
La muestra incluye 251 páginas de inicio, según el título.
El estudio se centra en proveedores de software B2B.
El resumen menciona la optimización para motores de respuesta y la optimización para motores generativos.
Conclusión del estudio
Con la información recibida solo puede concluirse que el estudio evalúa la legibilidad de páginas de inicio B2B para asistentes de IA; no se aportan datos sobre sus resultados.
Qué significa para ti
El estudio aborda directamente si las webs de proveedores B2B son legibles para asistentes de IA, pero el resumen disponible no permite extraer cambios concretos ni valorar qué prácticas se asociaron con mejores resultados.
Investiga el sesgo de posición en recomendaciones comparativas de marcas generadas por un modelo de IA, pero no se especifica qué muestra analiza.
Los datos
El tema es el sesgo de posición en recomendaciones de marcas enfrentadas.
El estudio se refiere a un modelo de IA avanzado.
El resumen indica que las preguntas de elección de marca se usan para medir la visibilidad en búsquedas con IA.
No se proporcionan cifras, tamaño de muestra ni resultados.
Conclusión del estudio
Con la información disponible no se puede determinar si el modelo favorece la marca que aparece primero ni cuánto influye ese posible sesgo.
Qué significa para ti
El estudio plantea un posible riesgo de medición para la visibilidad de marcas en buscadores con IA, pero el fragmento no ofrece resultados que permitan valorar su efecto.