Durante dos décadas, hacerse encontrar en línea significaba una sola cosa: posicionar una página lo suficientemente alto en Google para que alguien hiciera clic. Los acrónimos cambiaban, las tácticas rotaban, pero el objetivo nunca se movía: una posición en una página de resultados, medida por un clic. Ese objetivo se está dividiendo ahora en tres.
Cada vez más personas obtienen sus respuestas sin llegar a ver nunca una página de resultados. Preguntan a ChatGPT, leen el AI Overview (resumen generado por inteligencia artificial) de Google o consultan Perplexity, y la respuesta llega ya redactada: uno o dos párrafos que nombran algunas marcas y citan unas pocas fuentes. El clic, si ocurre, es opcional. Por eso ha aparecido un nuevo vocabulario para describir la optimización para ese mundo: AEO y GEO, junto al SEO que todos ya conocen.
El problema es que esas tres siglas se usan de manera intercambiable, normalmente envueltas en un lenguaje que promete que puedes «dominar la búsqueda con IA» del mismo modo en que las agencias prometían posiciones en la primera página. La mayor parte de eso es ruido. Pero el cambio de fondo es real, y los tres términos sí significan cosas genuinamente distintas. Este artículo los separa, explica qué cambió de verdad y presenta un plan de acción práctico, incluidas las partes donde la respuesta honesta es «eso no lo puedes controlar, solo puedes influir en ello». Vendemos parte de este trabajo, así que tenemos interés en el tema. Aun así, hemos intentado escribirlo de modo que sea útil aunque nunca nos contrates.
SEO, AEO, GEO — definiciones sin ruido
Definamos los tres términos con claridad, porque las versiones marketineras no sirven de nada.
SEO — Search Engine Optimisation (optimización para motores de búsqueda). La disciplina de lograr que tus páginas web aparezcan en lo alto de una lista de enlaces. El entregable es una posición; el éxito es un clic que lleva a un humano a tu sitio. Todo lo que hace el SEO clásico —targeting de palabras clave, backlinks, rendimiento técnico, profundidad de contenido— sirve a ese único objetivo: ser el enlace que la persona elige.
AEO — Answer Engine Optimisation (optimización para motores de respuesta). La disciplina de convertirte en la respuesta en sí, no en un enlace que el usuario tiene que clicar. Cuando alguien hace una pregunta y un sistema devuelve una única respuesta sintetizada, AEO es el trabajo de lograr que tu marca o tus datos sean el material del que está hecha esa respuesta. El entregable no es un ranking: es ser nombrado, citado o parafraseado dentro de la respuesta. Esto es más antiguo de lo que parece: los featured snippets de Google y los cuadros de «Otras preguntas de los usuarios» eran motores de respuesta primitivos años antes de que existiera la IA generativa.
GEO — Generative Engine Optimisation (optimización para motores generativos). Un término más reciente y más acotado para el caso más difícil del AEO: aparecer dentro de texto que un modelo de lenguaje grande genera al vuelo. No hay un snippet fijo tomado literalmente de una página; el modelo escribe un párrafo nuevo mezclando varias fuentes y su propio entrenamiento. GEO consiste en elevar las probabilidades de que ese texto generado te mencione con precisión. En la práctica, GEO y AEO se solapan en gran medida —mucha gente los usa como sinónimos—, pero la distinción útil es que AEO cubre cualquier superficie de «ser la respuesta» (incluidos los snippets estructurados), mientras que GEO se refiere específicamente a la salida probabilística y sintetizada de los modelos generativos.
Aquí está la comparación en una sola vista:
| Dimensión | SEO | AEO | GEO |
|---|---|---|---|
| Objetivo | Posicionar enlaces | Ser la respuesta | Aparecer en el texto generado |
| Entregable | Una posición en una página de resultados | Una cita o mención dentro de la respuesta | Una mención dentro del output sintetizado del modelo |
| Superficie principal | Resultados de búsqueda clásicos (10 enlaces azules) | Snippets, AI Overviews, respuestas de voz, chat | ChatGPT, Gemini, Perplexity, AI Overviews |
| Unidad optimizada | La página (URL) | El dato / la entidad | La entidad y su base de fuentes |
| Métrica de éxito | Rankings, clics, tráfico orgánico | Citation share (cuota de citas), tasa de mención | Share-of-voice (cuota de voz) en respuestas |
| Nivel de control | Directo (tú editas la página) | Indirecto (tú moldeas las fuentes) | Mayoritariamente indirecto / probabilístico |
| Lo que puedes garantizar | Aproximadamente, con esfuerzo | No — elevas la probabilidad | No — elevas la probabilidad |
La fila más importante es la última. El SEO te permitía apuntar a una palabra clave y esperar razonablemente que mejoraras para ella. AEO y GEO no funcionan así: no puedes garantizar que un modelo te nombre para una pregunta concreta. El mismo prompt arroja marcas distintas en distintos días, en distintos motores, a veces de un minuto al siguiente. El objetivo realista pasa de asegurar un slot a elevar la probabilidad de aparecer, y de aparecer con precisión.
Nada de esto significa que el SEO esté muerto. Significa que el SEO se ha convertido en una capa de un problema mayor. La página sigue importando, pero la página ya no es todo el juego.
Qué cambió: respuestas de cero clics, AI Overviews y el chat como página de inicio
Tres cosas se han desplazado bajo los pies del sector, y se potencian entre sí.
El cero clics se convirtió en la norma, no en la excepción. La «búsqueda de cero clics» —una consulta que se resuelve sin que nadie haga clic en un sitio web— no es nueva. Los snippets y los Knowledge Panels llevaban años absorbiendo clics. Pero las respuestas generativas lo aceleran bruscamente, porque en vez de extraer un snippet de una página, el motor ensambla una respuesta completa y autónoma. Sencillamente hay menos razón para hacer clic. Para una marca, eso significa que las métricas basadas en tráfico empiezan a subestimar tu visibilidad real: puedes estar más presente en las respuestas mientras tu click-through cae. Si tu único marcador son las sesiones en tu analítica, leerás mal todo el cambio.
Los AI Overviews colocan las respuestas generadas por encima de los enlaces. Google ahora encabeza con frecuencia sus resultados con un resumen escrito por IA que se sitúa sobre los resultados tradicionales, estrechamente integrado con su ranking de búsqueda existente. Esto importa porque fusiona el mundo antiguo y el nuevo: las fuentes de las que extrae un AI Overview están fuertemente influenciadas por lo que rankea bien y por lo que se lee como una respuesta confiable y citable. El SEO clásico sigue alimentándolo, pero rankear ya no es suficiente; también tienes que ser el tipo de fuente que un resumen quiera citar.
El chat se convirtió en la nueva página de inicio. Para una proporción creciente de usuarios, el primer contacto con una categoría no es una búsqueda en Google ni visitar la web de una marca: es una pregunta tecleada a un asistente de IA. «¿Cuál es la mejor herramienta para X?» «¿Es [empresa] de confianza?» «¿Quiénes son los principales actores en [sector]?» La respuesta del asistente es la primera impresión, y tu página de inicio —la que llevas años optimizando— puede que nunca llegue a verse. La implicación es incómoda pero clarificadora: la «página» más importante sobre tu empresa es cada vez más una que no posees y no puedes editar: es la respuesta que un motor genera sobre ti.
En conjunto, estos tres cambios desplazan el centro de gravedad hacia arriba en la cadena. Ya no estás optimizando un output que controlas (tu página). Estás moldeando los inputs de los que un motor se sirve para producir un output que no controlas (su respuesta). Eso es una palanca más lenta e indirecta, y es toda la premisa de AEO y GEO.
Las métricas que reemplazan los rankings
Si los clics y los rankings ya no capturan la visibilidad, ¿qué lo hace? Tres métricas han emergido como los sustitutos prácticos. Ninguna es tan nítida como «rankeamos terceros para esta palabra clave», y quien te diga que se pueden medir con una cifra decimal te está vendiendo más de lo que los sistemas ofrecen. Pero son direccionalmente reales y las puedes rastrear.
Citation share (cuota de citas). De las fuentes que un motor cita al responder preguntas en tu categoría, ¿qué fracción son tuyas, o te describen? Si le haces a ChatGPT o Perplexity diez preguntas de categoría y cuentas los dominios citados, el citation share es tu porción de ese pastel. Es el análogo más cercano al «ranking», porque mide si el motor te trata como una fuente que merece ser señalada. Perplexity lo hace más fácil, ya que muestra sus fuentes de forma prominente; ChatGPT y Gemini las muestran de manera menos consistente.
Mention rate (tasa de mención). A lo largo de un conjunto de prompts relevantes, ¿con qué frecuencia aparece nombrada tu marca en la respuesta, con cita o sin ella? Un modelo afirma frecuentemente «las principales opciones son A, B y C» sin enlazar a ningún sitio; que te nombren en esa frase tiene valor aunque no haya cita. El mention rate es simplemente: de N prompts donde podrías aparecer de manera plausible, ¿en cuántos fuiste realmente nombrado? Esta suele ser la primera métrica en moverse, y la más motivadora de rastrear, porque es binaria por prompt y fácil de puntuar manualmente.
Share-of-voice (cuota de voz) en respuestas. La versión más rica y comparativa: a lo largo de las preguntas clave de tu categoría, ¿cuánto del espacio de respuesta ocupas frente a los competidores? Combina mention rate y citation share y pondera por prominencia —ser la primera marca nombrada en una recomendación vale más que ser la cuarta en una lista—. Esta es la métrica que mapea de manera más limpia el antiguo concepto de marketing de share-of-voice, solo que trasladado de impresiones publicitarias a respuestas de IA.
Un aviso sincero sobre las tres: son ruidosas. Los outputs varían de ejecución a ejecución, de motor a motor, de país a país. La disciplina consiste en muestrear suficientes prompts, repetirlos en un calendario y observar la tendencia en lugar de obsesionarse con cada respuesta individual. Trátalas como una media de encuestas, no como un cronómetro.
El modelo de visibilidad en IA de 4 capas, aplicado
Por debajo de AEO y GEO hay un modelo estructural que hace que el trabajo sea concreto. Piensa en tu visibilidad en IA como cuatro capas apiladas, construidas de abajo hacia arriba. Cada capa hace más efectiva a la que está sobre ella, y el error más común es construir de arriba abajo: verter esfuerzo en la capa superior mientras falta la base.
Capa 1 — Entidad. La identidad legible por máquina de tu organización: un elemento de Wikidata (base de datos de conocimiento estructurado vinculada a Wikipedia) con un identificador estable, presencia en el knowledge graph (grafo de conocimiento), un Google Business Profile limpio, listados consistentes en bases de datos del sector. Esto es la roca base. Antes de que un motor pueda decir algo correcto sobre ti, tiene que estar seguro de que existes como una cosa distinta y de que no te confunde con una empresa de nombre similar. Esta capa es inusualmente binaria —o los sistemas de anclaje saben que existes, o no— lo que la convierte en el punto de mayor apalancamiento para empezar.
Capa 2 — Enciclopédica. La capa de referencia neutral y autoritativa, principalmente Wikipedia allí donde la notabilidad genuinamente respalda un artículo. Esta es la fuente de mayor peso y mayor confianza en la que los motores (ChatGPT especialmente) se apoyan, y cumple una doble función: alimenta los corpus de entrenamiento de los que aprenden los modelos y refuerza la capa de entidad por debajo, ya que un artículo de Wikipedia casi siempre fortalece el elemento de Wikidata enlazado.
Capa 3 — Comunidad. Reddit, Quora, YouTube, LinkedIn — la capa de debate y opinión. De aquí provienen las respuestas con forma de recomendación («cambiamos de X a Y porque…»), y es desproporcionadamente importante para las superficies de IA de Google y para Perplexity. Tiene que ganarse de manera genuina; no puede fingirse sin acabar generando consecuencias negativas.
Capa 4 — Propia. Tu propio sitio web, blog, documentación y datos estructurados (schema markup, marcado de esquema). Esta es la capa que controlas más directamente y, paradójicamente, la menos confiable de manera independiente, porque un modelo sabe que tu propio sitio es tu propio marketing. El contenido propio importa para la recuperación en tiempo real y para alimentar datos limpios a las capas de abajo, pero no puede cargar con el peso por sí solo.
Aplicado, el modelo reencuadra toda la pregunta de AEO/GEO. El instinto del SEO dice «publica más, optimiza las páginas, construye enlaces» — todo eso es trabajo de Capa 4. Pero un blog brillante sobre una entidad inexistente es un blog que la IA no puede atribuir a nadie. El apalancamiento funciona al revés: arregla la entidad, gana la cobertura enciclopédica y autorizada, construye presencia genuina en la comunidad, y luego deja que el contenido propio amplifique. Nuestro trabajo de visibilidad en IA está organizado exactamente alrededor de esta pila, base primero.
El mapa de canales: autoridad, comunidad y base de fuentes
Traduciendo las cuatro capas en canales, tres grupos de plataformas hacen la mayor parte del trabajo, y cada uno desempeña un papel distinto.
Autoridad — Wikipedia y Wikidata. Estos anclan las Capas 1 y 2 simultáneamente, lo que los convierte en los canales de mayor valor de todo el mapa. Hay razones estructurales por las que los motores dependen excesivamente de ellos: el estilo neutral y atribuido de Wikipedia es exactamente el tono que un modelo quiere reproducir cuando suena factual; su estructura de artículo predecible es fácil de analizar para los sistemas de recuperación; su licencia abierta significa que se incluye en los conjuntos de entrenamiento de manera amplia y repetida. Y los IDs de entidad estables de Wikidata son el tejido conectivo que usan los sistemas de anclaje para saber exactamente quién eres. Un artículo de Wikipedia le da a un modelo prosa limpia; el elemento de Wikidata enlazado le da verdad estructurada y legible por máquina. La mecánica de esa mitad estructurada merece entenderse por sí misma — la hemos explicado en Wikidata y el grafo de conocimiento.
Comunidad — Reddit y Quora. Estos potencian la Capa 3 e impulsan las respuestas con forma de recomendación. Reddit destaca, citado ampliamente en ChatGPT, las superficies de IA de Google y Perplexity, porque sus hilos contienen debate abierto y rico en comparaciones que se corresponde con las preguntas que las personas hacen a un asistente. Quora aparece de manera prominente en las superficies de IA de Google en particular, porque su estructura de pregunta-respuesta refleja cómo los usuarios formulan consultas a un motor. Ambos recompensan la presencia genuina y útil, y penalizan el astroturfing (promoción encubierta) — la detección es buena y las consecuencias son reales. La estrategia legítima es estar presente de verdad donde tu audiencia ya habla, algo que tratamos en Visibilidad en IA con Reddit y Visibilidad en IA con Quora.
Base de fuentes — PR y medios ganados. Este es el sustrato sobre el que se construye todo lo demás. La cobertura editorial independiente y reputada es lo que hace posible un artículo de Wikipedia en primer lugar (sin notabilidad, no hay artículo), lo que los modelos tratan como de alta confianza cuando recuerdan datos sobre ti, y lo que da a la capa comunitaria algo real de lo que hablar. Los medios ganados no son solo para humanos: son el material de alta confianza del que aprenden los motores. Una marca con cobertura independiente sustancial es una marca que una IA puede citar con confianza; una marca con solo sus propias páginas de marketing es una sobre la que el modelo tiene que añadir reservas.
El hilo honesto que une todo: ninguno de estos canales es un panel de control que puedas comprar. Es una base de fuentes que construyes, y su credibilidad es la razón por la que los motores confían en ella. En el momento en que un canal se vuelve manipulable, deja de ser confiable — y deja de ser citado.
Una hoja de ruta AEO práctica de 90 días
Aquí hay una secuencia realista. Es deliberadamente de base primero, porque ahí es donde está el apalancamiento, y asume que partes de cero en visibilidad de IA.
Días 1–15: Línea base y auditoría de entidad. Antes de cambiar nada, mide dónde estás. Pregunta a ChatGPT, Gemini y Perplexity las preguntas que haría un cliente — «¿Qué es [empresa]?», «¿Quiénes son los principales actores en [categoría]?», «¿Es [empresa] una buena opción para [caso de uso]?». Registra tres cosas por motor: si te mencionan, si los datos son correctos, qué fuentes se citan. Esa es tu línea base de mention rate y citation share. En paralelo, revisa la capa de entidad: ¿hay un elemento de Wikidata, es preciso, aparece un Knowledge Panel de Google para tu marca? Esta quincena te dice si tu problema es inexistencia, inexactitud o invisibilidad en recomendaciones — tres problemas muy distintos con soluciones muy distintas.
Días 16–30: Corregir la consistencia y la capa de entidad. Extrae tus datos clave —año de fundación, sede, liderazgo, descripción de una línea— tal como aparecen en tu web, LinkedIn, Crunchbase, directorios y prensa antigua. Señala y reconcilia cada discrepancia; cada una es una razón para que un modelo dude o se equivoque. Crea o corrige tu elemento de Wikidata y completa tu Google Business Profile. Esto es poco glamuroso y de alto impacto: la consistencia es una de las razones más comunes por las que las respuestas de IA sobre una empresa resultan sutilmente incorrectas.
Días 31–60: Reforzar autoridad y base de fuentes. Mapea tu cobertura realmente independiente de los últimos años (sé estricto — tu propio blog y la sindicación de comunicados de prensa no cuentan). Si la lista es escasa, la prioridad honesta es ganar cobertura real, porque ninguna táctica de AEO la sustituye. Donde la notabilidad ya está respaldada, esta es la ventana para comenzar la capa enciclopédica — un artículo de Wikipedia que fortalezca tanto la Capa 1 como la Capa 2. Donde aún no lo está, el trabajo es primero construir medios.
Días 61–90: Presencia en comunidad y amplificación con contenido propio. Encuentra las conversaciones de Reddit y Quora que ya ocurren en tu categoría y únete a ellas de manera genuina — responde preguntas reales, corrige inexactitudes, añade detalles específicos. Solo ahora, sobre una base sólida, la inversión fuerte en contenido propio vale la pena: publica páginas claras, bien estructuradas y factualmente precisas, y añade schema markup para que los sistemas de recuperación tengan material limpio del que extraer y las capas de abajo tengan datos consistentes que reforzar.
Luego, repite el ciclo. Vuelve a ejecutar los prompts de la línea base del día uno y compara. AEO es acumulativo, no un lanzamiento — la curva se dobla a lo largo de meses, no de semanas.
Cómo medirlo: prompt testing en distintos motores
Dado que las métricas son ruidosas, la medición necesita un método más que una comprobación puntual. El enfoque práctico es el prompt testing (pruebas de prompts): un panel repetible de preguntas que ejecutas en los principales motores según un calendario.
Crea una lista fija de 15–30 prompts que reflejen la intención real del cliente — definitivos («¿qué es [empresa]?»), comparativos («mejores herramientas de [categoría]») y evaluativos («¿es [empresa] adecuada para [caso de uso]?»). Ejecuta el mismo conjunto en ChatGPT, Gemini y Perplexity, porque citan de manera distinta: ChatGPT se apoya más en fuentes enciclopédicas y autoritativas, los AI Overviews de Google se apoyan en plataformas de comunidad junto a páginas que rankean, y Perplexity es retrieval-first (basado en recuperación) y expone sus fuentes abiertamente. Probar solo un motor te da una lectura distorsionada.
Para cada prompt y cada motor, puntúa tres cosas manualmente: si fuiste mencionado (sí/no — eso es mention rate), si fuiste citado con una fuente (eso es citation share), y con qué prominencia apareciste frente a los competidores (eso alimenta el share-of-voice). Repite todo el panel mensualmente, porque cualquier ejecución individual es ruidosa — el mismo prompt varía de un día al siguiente. Observa la línea de tendencia, no la respuesta individual.
Algunos límites honestos. Los outputs difieren según la cuenta, la ubicación y el «estado de ánimo» del modelo ese día; trata los resultados como una media de encuestas. El citation share es más fácil de leer en Perplexity y más difícil en los motores que ocultan sus fuentes. Y no hay un panel público que te dé datos de referencia — esto es muestreo, no telemetría. Cualquiera que te venda un «AI visibility score» (puntuación de visibilidad en IA) preciso y en tiempo real te está vendiendo más certeza de la que los sistemas subyacentes ofrecen en realidad.
Dónde encaja Wikipedia como base
Da un paso atrás ante los acrónimos y un canal sigue apareciendo en la base de todo. A lo largo de los análisis publicados hasta 2026, Wikipedia es consistentemente el dominio más citado en las respuestas de ChatGPT — en varios estudios, aproximadamente la mitad de sus citas factuales principales se remontan a Wikipedia. La cifra exacta varía según la metodología y cambia mes a mes, así que trátala como un orden de magnitud; lo que es duradero es el patrón. Las fuentes enciclopédicas dominan, y las fuentes comunitarias como Reddit son el segundo nivel más fuerte.
Por eso, en el modelo de cuatro capas, Wikipedia se sitúa en la base y no en la cima. Hace tres trabajos a la vez que ningún otro canal hace conjuntamente: es una fuente de entrenamiento de gran peso de la que los modelos aprendieron genuinamente; refuerza tu entidad legible por máquina a través del elemento de Wikidata enlazado en el que confían los sistemas de anclaje; y su prosa neutral y bien documentada es exactamente el tipo de material al que recurre un motor cuando intenta sonar factual. Arregla la capa enciclopédica y normalmente habrás arreglado también la capa de entidad por debajo — dos de las cuatro capas, en un solo trabajo.
Pero la honestidad que atraviesa todo lo que escribimos se aplica aquí de la manera más nítida. Un artículo de Wikipedia no está disponible bajo demanda. Solo existe allí donde tu organización cumple genuinamente el listón de notabilidad de Wikipedia (Wikipedia:Notability, el criterio que exige cobertura significativa e independiente en fuentes fiables) — es decir, cobertura sustancial e independiente en fuentes fiables. No hay atajo, no hay placement pagado, no hay forma de insertar una página que sobreviva a la revisión sin esa base. Esa restricción no es un fallo en el plan; es la misma razón por la que las citas son confiables y por la que los motores las ponderan tanto. La misma base de fuentes independientes que hace posible un artículo de Wikipedia es la que hace funcionar cada otra capa de la visibilidad en IA.
Así que si te llevas una sola cosa del debate SEO frente a AEO frente a GEO, que sea esta: las etiquetas son nuevas, las superficies son nuevas, las métricas son nuevas — pero el trabajo subyacente es el negocio lento y acumulativo de convertirte en una marca que internet describe con precisión y consistencia. Haz eso, y cuando un motor de respuestas busque una fuente, la tuya será la fiable que encuentre. Eso no es un hack que se compra. Es una base que se construye.
WikiBusines construye la base enciclopédica y de datos estructurados en la que confían AEO, GEO y los motores de respuesta de IA. Si quieres una lectura honesta de dónde se encuentra tu marca en ChatGPT, Gemini y Perplexity, escríbenos a team@wikibusines.com y ejecutaremos un análisis de línea base.