Cómo funciona ChatGPT Search: qué ve, qué muestra y qué cita

Qué es un LLM, qué es el query fan-out y por qué ChatGPT abre 1 de cada 80 páginas que recupera. La guía completa, para técnicos y no técnicos.

Cuando ChatGPT nombra o recomienda una marca, ¿qué leyó exactamente para decidirlo? Me hacen esa pregunta en todos los proyectos y casi nadie la responde con datos. La respuesta corta es que, en la enorme mayoría de los casos, no leyó la página: vio un título, una dirección y un fragmento de unas tres líneas.

Ese fragmento es la parte que sorprende. No lo escribe ChatGPT mientras te responde: lo tomó del inicio de tu página en una visita anterior, lo guardó y lo reutiliza tal cual. Puede tener semanas de antigüedad y tú no elegiste su contenido. De dónde sale, qué cabe dentro y por qué casi nunca se actualiza es buena parte de lo que explica este artículo.

Para entender por qué funciona así hay que empezar bastante antes. Casi todo lo que se publica sobre visibilidad en IA da por sabido qué es un modelo de lenguaje, qué es el grounding y qué es un fan-out. En mi experiencia ese supuesto es falso, incluso entre gente que lleva años trabajando en marketing digital.

Así que este artículo va en cuatro tramos. Primero los fundamentos: qué es un LLM, qué diferencia hay entre lo que sabe y lo que consulta, y cómo se descompone tu pregunta antes de tocar un solo resultado. Después el sistema en detalle, con las cifras medidas y su atribución. Luego qué hacer, separado según si eres o no la persona que va a tocar el código. Y al final las preguntas frecuentes.

Los fundamentos de la IA que hay que entender primero

Esta primera parte no tiene nada de novedoso para quien construye con modelos de lenguaje, y lo tiene todo para el resto. Es la base sin la cual los porcentajes de la segunda parte son números sueltos. Si ya sabes qué es el conocimiento paramétrico y qué es un fan-out, puedes saltar directo al sistema en detalle.

Qué es un modelo de lenguaje y por qué eso decide si te nombra

Un modelo de lenguaje grande, o LLM por sus siglas en inglés, es un sistema que predice qué texto viene a continuación. Durante el entrenamiento procesó una cantidad enorme de texto y ajustó miles de millones de parámetros, que son números internos. Cuando le escribes, no busca tu pregunta en ningún archivo: calcula, palabra a palabra, cuál es la continuación más probable.

La analogía que mejor me funciona con clientes es la de un profesional que leyó una biblioteca entera y después le quitaron la biblioteca. Se acuerda de cómo se argumenta, de cómo se estructura un informe y de la forma general de casi cualquier tema. No se acuerda de la página exacta de la que sacó cada cifra, y si le insistes, va a producir una cifra plausible con la misma seguridad con la que produce una correcta.

De ahí salen las dos propiedades que ordenan todo lo demás. Un LLM es excelente redactando, resumiendo, traduciendo y estructurando, porque eso es exactamente lo que aprendió. Y es poco fiable recordando hechos precisos, recientes o poco frecuentes, porque nunca guardó los hechos: guardó regularidades del lenguaje.

Esa segunda debilidad es la razón de existir de la búsqueda dentro de ChatGPT. No se le añadió para competir con Google, se le añadió porque un modelo que solo tira de memoria no puede darte el precio de hoy, la normativa vigente ni el nombre de una agencia en Santiago con su enlace. Si el modelo fuera fiable recordando, tu marca no tendría por dónde entrar.

Lo que el modelo sabe de memoria y lo que consulta en vivo

Esta es la distinción que más falta hace y la que casi nadie tiene clara. En cualquier respuesta de ChatGPT conviven dos orígenes de información distintos, con propiedades opuestas, y saber cuál está operando cambia por completo lo que puedes hacer al respecto.

El primero es el conocimiento paramétrico: lo que quedó grabado en los parámetros durante el entrenamiento. Está congelado en el tiempo, no tiene fuente identificable y no se puede editar desde fuera. Si el modelo dice que tu empresa se dedica a algo que dejaste de hacer en 2023, probablemente está tirando de ahí.

El segundo es la recuperación en vivo: el modelo lanza una búsqueda, recibe resultados y redacta apoyándose en ellos. Ese material sí tiene procedencia, sí se puede citar con un enlace y sí refleja lo que hay publicado hoy. Es la única capa donde una marca puede intervenir con trabajo de SEO y AEO.

Buscar en la web es solo una de las cosas que ChatGPT puede hacer

Otro supuesto que hay que romper temprano: ChatGPT no es un buscador con otra interfaz. La búsqueda es una herramienta entre varias, y el modelo decide en cada turno si la usa. Cuando alguien dice que su marca no aparece en ChatGPT, lo primero que hay que averiguar es si en esa conversación hubo búsqueda.

• Responder de memoria, sin salir a ningún lado. Es el modo por defecto y el más frecuente en preguntas conceptuales.
• Buscar en la web, que es lo que cubre este artículo y lo único donde tu página compite.
• Ejecutar código, para cálculos, análisis de datos y gráficos, en un entorno aislado.
• Leer un archivo que subes, un PDF, una hoja de cálculo o una imagen, que no pasa por ninguna búsqueda.
• Generar imágenes a partir de una descripción.
• Usar herramientas y conectores externos, desde el correo del usuario hasta sistemas de una empresa conectados por protocolo.
• Recordar cosas de conversaciones anteriores, si el usuario tiene la memoria activada.

La consecuencia para el trabajo de visibilidad es directa: tu contenido solo entra en juego en una de esas siete rutas. Auditar la presencia de una marca en IA sin distinguir qué ruta se activó en cada prueba es la causa más común de conclusiones equivocadas que veo en informes de agencia.

Anunciada en julio de 2026, la pestaña Work de las cuentas de pago agrega una ruta que no está en esa lista: un Chrome completo sin interfaz que el modelo conduce, con el que carga páginas, rellena formularios, ejecuta JavaScript sobre el DOM y toma capturas. Ahí sí se renderiza un sitio como lo haría una persona. La búsqueda funciona al revés y casi nunca renderiza nada: el renderizado completo vive en otro producto, de pago, y para tareas en vez de preguntas.

Cuándo decide buscar y cuándo responde de memoria

Aquí hay una creencia muy extendida y que las mediciones no respaldan: la idea de que escribiendo hoy, ahora o actualizado en el prompt obligas al modelo a salir a buscar. En los corpus capturados en 2026 esos disparadores léxicos no producen un cambio medible en el comportamiento de búsqueda.

Lo que sí determina la búsqueda es la naturaleza de la pregunta: la vertical a la que pertenece y la volatilidad real del dato que pides. Preguntas sobre precios, disponibilidad, noticias, normativa o negocios concretos disparan búsqueda con mucha más frecuencia que preguntas conceptuales, que el modelo resuelve de memoria porque la respuesta no cambia de un mes a otro.

Esto tiene una lectura estratégica que suelo plantear temprano en los proyectos. Si tu categoría es de las que el modelo resuelve de memoria, el trabajo no es optimizar un fragmento: es hacer que la marca esté suficientemente presente en el corpus público como para que el modelo la nombre sin buscar. Son dos batallas distintas y se ganan con tácticas distintas.

Qué es el grounding en un modelo de lenguaje

Grounding es anclar la respuesta del modelo en material externo verificable, en vez de dejar que la produzca solo con su memoria. En castellano llano: el sistema busca, mete los resultados en la conversación como contexto y le pide al modelo que redacte apoyándose en eso.

El detalle que casi nadie tiene interiorizado es que el modelo no visita tu web. Recibe un paquete de texto ya preparado por otro componente, y ese paquete es todo lo que sabe de ti en ese turno. No hay navegador, no hay renderizado, no hay diseño, no hay experiencia de usuario. Hay texto plano en una lista.

Por eso el grounding es la pieza que convierte el SEO en algo que sigue existiendo dentro de un chat. Si el modelo redacta a partir de un paquete de resultados, entonces todo se reduce a dos preguntas: si entras en ese paquete, y con qué texto entras. El resto del artículo es, básicamente, el desarrollo de esas dos preguntas con datos.

Query fan-out: tu pregunta se rompe en búsquedas que nunca escribiste

Este es el mecanismo central y el más desconocido de todos. Cuando ChatGPT decide buscar, no manda tu pregunta tal cual al motor. La descompone en varias sub-consultas más cortas y específicas, las lanza en paralelo, y cada una vuelve con su propia lista de resultados. Eso es el query fan-out.

Un ejemplo concreto. Si alguien pregunta cuál es la mejor agencia de SEO en Santiago para un ecommerce mediano, esa frase no se busca nunca. Se convierte en algo parecido a agencias SEO Santiago Chile, SEO para ecommerce Chile, precios consultoría SEO Chile y casos de éxito SEO ecommerce. Cuatro búsquedas distintas, cuatro conjuntos de resultados, y una sola respuesta redactada encima de todos ellos.

El fan-out existe porque una pregunta compleja no se resuelve con una búsqueda. Una consulta larga y conversacional devuelve resultados mediocres en cualquier motor, ya que ninguna página está escrita exactamente con esas palabras. Descomponerla en consultas cortas y concretas recupera mucho mejor material, y además permite cubrir varias facetas del problema a la vez.

La implicación para tu visibilidad es la que más cuesta digerir y la más importante de este artículo: compites en búsquedas que nunca escribiste y que no aparecen en ninguna herramienta de keywords. Tu página no tiene que rankear para la pregunta del usuario, tiene que rankear para las sub-consultas que el sistema generó a partir de ella. Y esas sub-consultas cambian de una ejecución a otra.

De ahí sale también la muerte de una práctica que funcionó quince años: mapear un grupo de palabras clave a una landing y darlo por cerrado. Con fan-out, el sistema puede traer una página distinta de tu sitio para cada faceta, así que lo que importa es la cobertura del tema completo, no la optimización de una sola URL.

La cantidad de fan-outs depende del modo. En modo instantáneo, que es el que corre en las cuentas gratuitas, el sistema se conforma con una sola ronda de búsqueda en más de ocho de cada diez casos. En modo thinking, el de las cuentas de pago, el proceso es iterativo: lanza una tanda, lee lo que volvió, decide qué le falta y lanza otra.

Y no es una rareza de OpenAI: es hacia donde se movió la industria entera. El AI Mode de Google funciona con el mismo principio de descomponer la consulta en subconsultas y recuperar fuentes para cada una, lo que multiplica el costo de cómputo por respuesta y explica buena parte de la inversión en infraestructura de los últimos dos años.

Cómo se trabaja el contenido cuando la unidad de competencia deja de ser la keyword y pasa a ser el recorrido de decisión completo lo desarrollo en la guía de SEO para IA, AEO y GEO, que es el pilar donde está el marco estratégico y el detalle del fan-out en AI Mode de Google.

ChatGPT ya tiene una lista de candidatos antes de buscar

El fan-out explica cómo se descompone tu pregunta, pero deja fuera una etapa, y es la que más pesa. Antes de recuperar una sola página, el modelo escribe dentro de su propia consulta los nombres de las marcas que ya tiene en la cabeza para esa categoría. Después lanza un sondeo dirigido al sitio de cada una. Buena parte de lo que parecía descubrimiento es, en realidad, verificación de una lista que ya estaba hecha.

Suganthan Mohanadasan lo documentó en agosto de 2026 leyendo el tráfico de red de sesenta conversaciones, y midió la brecha entre unas y otras.

Puesto junto al embudo de citación, el mapa cambia de forma. Ese 12,4% de páginas recuperadas que acaban ligadas a una cita describe la puerta chica, la de quien compite dentro de los resultados. La puerta grande es estar en la lista antes de que empiece la búsqueda, y esa no se gana con una landing.

Hay una medición agregada que apunta en la misma dirección y que no depende de una sola cuenta. Promptwatch registró que el uso del operador site: dentro de los fan-outs pasó de cerca del 0,4% a casi el 17% de las consultas el 8 de agosto de 2026, en un solo día, y desde entonces se mantiene estable entre el 16% y el 17%. En la misma ventana, el número de búsquedas por respuesta casi se duplicó, de 1,08 a 1,83. Es el retrato de un sistema que dejó de salir a descubrir y se puso a comprobar lo que ya creía saber.

El salto no llegó solo. Entre el 3 y el 5 de agosto la serie bajó al 0,15%, la forma que suele tener un despliegue por etapas, y el cambio coincide con la llegada de GPT-5.6 y con una nota de OpenAI del 6 de agosto que decía, sin más detalle, que el modelo de Chat pasaba a ser más fiable con los hechos y a dar respuestas más enfocadas.

La lectura estratégica es la misma que planteo cuando una categoría se resuelve de memoria, solo que ahora vale también para las categorías que sí disparan búsqueda. Si el modelo no te tiene entre los candidatos, la búsqueda que hace después casi no te da chance de entrar. Trabajar el fragmento sigue valiendo, y ya no alcanza.

Cómo se construye esa presencia en el corpus público, que es lo que decide si el modelo te nombra sin haberte buscado, lo desarrollo en autoridad de marca en IA, donde explico por qué pesan más los terceros que tu propio sitio.

El trabajo original sobre esta lista de candidatos, con el protocolo de captura y las sesenta conversaciones, es de Suganthan Mohanadasan. Revisó su propio titular una semana después de publicarlo, tras seguir probando.

Qué es un índice de búsqueda y qué es una cache

Dos palabras más y terminamos con los fundamentos, porque sin ellas la parte central del artículo no se entiende. Un índice y una cache son cosas distintas, y ChatGPT usa las dos para cosas distintas.

Un índice es un catálogo pensado para encontrar. Guarda de cada página una versión reducida, básicamente su título, su dirección y un fragmento corto de texto, y está organizado para que puedas llegar a ella con palabras clave. Es el equivalente digital del fichero de una biblioteca: no contiene los libros, contiene la ficha que te lleva al libro.

Una cache es una copia guardada para no tener que volver a pedir el original. Guarda la página completa, pero no se llega a ella con palabras clave: se llega con la dirección exacta, porque ya sabes qué quieres. Es la fotocopia del libro que alguien dejó archivada tras pedirlo la primera vez.

La diferencia práctica es que el índice decide si te encuentran y la cache decide qué se lee de ti cuando ya te encontraron. Son dos almacenes con dos edades distintas, escritos por robots distintos, y confundirlos produce diagnósticos equivocados.

Qué está medido y qué es ingeniería inversa

Hasta acá, fundamentos que cualquiera puede verificar en la literatura pública sobre modelos de lenguaje. De aquí en adelante entramos en el terreno medido, y ahí toca la advertencia, porque es especialmente importante. Nada de lo que sigue es documentación oficial de OpenAI.

Son mediciones de ingeniería inversa: captura del stream del servidor, análisis de logs, laboratorios de páginas marcadas e instrumentación de la API. Los nombres internos que aparecen se leyeron de campos que OpenAI expuso sin querer y que, en algunos casos, ya eliminó.

El caso más claro es un campo llamado result_source, que acompañaba cada resultado e identificaba el motor que lo había traído. Suganthan Mohanadasan fue el primero en publicarlo, leyendo el tráfico de red en lugar de las respuestas, y documentó sus cuatro valores. Ese campo desapareció del stream entre el 20 y el 22 de julio de 2026. Buena parte de lo que sabemos viene de una ventana que ya se cerró.

Hay una vía que podría abrir parte de ese sistema cerrado, y no pasa por el ingenio de nadie. Desde agosto de 2026 la Comisión Europea trata a ChatGPT search como motor de búsqueda muy grande bajo la Ley de Servicios Digitales, la primera vez que un chatbot recibe esa designación, después de que OpenAI declarara unos 159,1 millones de destinatarios mensuales medios en la Unión Europea en los seis meses cerrados al 31 de marzo de 2026, más del triple del umbral. La designación obliga a una auditoría externa anual y a abrir datos a investigadores acreditados. Si eso se cumple, parte de lo que hoy se reconstruye leyendo tráfico de red se va a poder consultar.

El trabajo original sobre cómo ChatGPT elige sus fuentes, leyendo el tráfico de red y no las respuestas, es de Suganthan Mohanadasan, y es la base sobre la que se construyó casi todo lo que vino después.

La anatomía de una llamada de búsqueda, y sus tres parámetros nuevos

El campo result_source no fue lo único que se movió esas semanas. Entre el 16 y el 20 de agosto de 2026, con cuatro días de diferencia entre dos capturas de la misma cuenta y la misma pregunta, la llamada de búsqueda de ChatGPT dejó de ser un objeto JSON y pasó a ser un bloque de líneas de texto: una búsqueda por línea, con los campos separados por barras verticales.

El formato viejo no tenía dónde poner tres cosas que el nuevo sí lleva: cuántos días hacia atrás mirar, a qué dominio ir, y cuánto texto traer de cada resultado. Son parámetros que antes no se veían y que hoy se leen a simple vista.

La ventana de recencia decide cuántos días hacia atrás mira cada consulta

El tercer campo es un número, y cambia con lo que preguntas. En las capturas publicadas, una cotización bursátil llevó 2, unos resultados deportivos 7, la investigación comercial de un producto 30, la guía de resultados de una empresa 90, y las consultas apuntadas a Reddit 365 y hasta 3.650.

Si la lectura de días es correcta, de aquí sale una táctica concreta. En las preguntas comerciales, todos los sondeos de marca llevaron ventana de 30. Una página de precios o una comparativa que no cambia en un mes está compitiendo desde fuera de la ventana por defecto, justo en las consultas donde se comparan marcas y se toma la decisión.

Eso no significa publicar por publicar. Es identificar qué páginas responden preguntas de compra, revisarlas dentro de ese ciclo con cambios reales, y dejar la fecha visible. Mover el timestamp sin tocar el contenido es el tipo de truco que envejece mal y que además no engaña a nadie.

La ranura de dominio hace que ChatGPT visite sitios que ya asocia a tu marca

Hasta agosto, cuando el modelo quería buscar dentro de un sitio concreto escribía el operador site: delante de la consulta, igual que lo escribiríamos nosotros. Ahora el dominio tiene un campo propio al final de la línea. Los dos estilos conviven, pero lo que cuenta es el cambio de estatus: visitar el sitio de una empresa que el modelo acaba de nombrar pasó a ser una opción estándar en cada búsqueda.

Ese campo lo rellena el modelo de memoria, con el dominio que él asocia a ese nombre. Si esa memoria trae un dominio viejo o equivocado, el sondeo va al lugar equivocado y vuelve vacío. En una captura publicada, el modelo apuntó a profound.ai cuando la empresa opera en tryprofound.com, y esa búsqueda no devolvió nada. La marca se salvó porque otra consulta más amplia encontró el dominio bueno, pero perdió uno de los pocos sondeos que el modelo iba a hacer.

Los casos que producen una ranura equivocada son los de siempre: un rebrand, una migración de dominio, o un .cl y un .com de la misma marca conviviendo con el histórico repartido entre los dos. Es un chequeo que ninguna herramienta de visibilidad hace hoy, y se resuelve mirando una sola línea.

La directiva length decide cuánto texto trae de cada resultado

El bloque cierra con una línea que no es una búsqueda sino una instrucción: length, con valor long, medium o short. Es el antiguo campo response_length renombrado, y en las capturas el valor sube con la profundidad del trabajo, long en una comparación de productos y short en una verificación de dos nombres.

Y encaja con todo lo anterior. Si el sistema pide un extracto acotado por resultado, entonces la mayoría de las búsquedas no trae tu página: trae un trozo de tu página, y ese trozo empieza donde empieza. El presupuesto de grounding, con sus 146 caracteres, describe exactamente ese trozo.

El cambio se llevó por delante otra cosa. El campo search_queries, que espejaba el fan-out dentro del payload y del que se alimentaban varias herramientas de captura, desapareció. Las consultas siguen ahí, pero dentro de los mensajes de la llamada. Cualquier extensión o script que leyera aquel campo quedó ciego de un día para otro.

El mapa completo del formato nuevo, con las capturas de los dos lados del cambio y las ocho preguntas que lo probaron, está en el análisis de Suganthan Mohanadasan. Es una cuenta, una ubicación y ocho consultas: un mapa muy detallado de un territorio pequeño.

ChatGPT no lee tu página, lee una ficha de tres líneas

Ya sabemos que el modelo recibe un paquete de resultados y redacta encima. Ahora la pregunta concreta: qué hay exactamente en ese paquete. La respuesta es lo mismo que ves tú al buscar, para cada página un título, un fragmento y una URL. Nada más. Sobre esa red de resultados, y solo sobre ella, el modelo escribe la respuesta y decide a quién cita.

Esos tres campos son tu única representación ante el modelo en la mayoría de los casos. No tu diseño, no tu autoridad de dominio, no la profundidad de tu contenido. Un título, una dirección y unos doscientos caracteres.

Esto explica una frustración habitual. Marcas con contenido excelente y muy completo que no aparecen en las respuestas, mientras compite y gana una página más pobre pero mejor presentada en sus primeras líneas. No es injusticia del algoritmo: es que el modelo nunca vio el contenido excelente. Vio la ficha.

El embudo de citación: recuperada, listada, promovida, citada

Acá está el hallazgo que más cambia la forma de medir. Entre aparecer en la recuperación de ChatGPT y ser citado en el texto de la respuesta hay varios escalones, y casi nada los sube. Confundirlos es la razón por la que las cifras de visibilidad en IA varían tanto de un estudio a otro: cada uno cuenta en una capa distinta sin decirlo.

Nueve de cada diez páginas recuperadas se quedan al fondo del panel lateral, detrás de un clic, sin promoverse nunca ni recogerse en el texto. Técnicamente visibles, prácticamente invisibles. Una respuesta mediana lista unas veinte páginas, promueve cinco, cita tres en su texto y no abre ninguna.

Hay un matiz que se pierde en casi todos los reportes: ser citado no es binario. Un ancla de cita puede llevar varias fuentes, pero la píldora muestra el nombre de la primera y marca las demás con un más uno. Cerca de un tercio de las URLs citadas existe sin ser la fuente que el lector ve primero.

Abrir una página multiplica por diez la probabilidad de que la cite

Es raro, pero cambia todo. Cuando ChatGPT abre de verdad una página y la lee, la cita en tres de cada cuatro casos. Cuando solo la tiene como resultado recuperado, la cita en menos de uno de cada trece.

El problema es que abrir es excepcional y no depende de ti. De las aperturas registradas en el corpus, prácticamente todas ocurrieron en modo thinking de cuentas de pago. En cuenta gratuita, el modelo casi nunca abre nada.

Lo que sí depende de ti es el tipo de página que el modelo decide abrir cuando abre. El patrón es nítido: material regulatorio, documentación oficial, fuentes primarias, páginas de precios, salas de prensa. Páginas profundas del árbol, casi nunca home pages. Si quieres ser de los que se abren, publica el documento fuente, no el resumen del documento fuente.

El presupuesto de grounding: tu título, tu H1 y 146 caracteres

Una cita no es una dirección, es una coordenada dentro de una caché ordenada. Lo que entró en el almacén durante la recuperación determina lo que puede citarse al escribir. Tu calidad y tu frescura solo entran en la ecuación si sobreviviste al paso anterior.Resoneo, julio 2026

Si el modelo decide con un fragmento, la pregunta operativa es de dónde sale ese fragmento. El snippet del índice interno de OpenAI no se toma de tu meta description, se toma del inicio del cuerpo renderizado de tu página, y se corta pasados los 202 caracteres.

Tu meta description no es inútil, pero cambia de rol. Sirve cuando el resultado llega vía Google scrapeado, que la usa aproximadamente una de cada tres veces. Para el índice propio de OpenAI, sencillamente se ignora.

El ancla de ese fragmento es el H1. En las páginas que tienen uno, el H1 aparece dentro del snippet el 83,6% de las veces, y en el 77% de esos casos es el primer carácter del fragmento. El corte casi nunca cae en mitad del H1: sobre cerca de cuatrocientos snippets que lo contenían, solo cuatro lo truncaban.

Dos comprobaciones hacen que este dato sea más fuerte de lo que parece. El fragmento no se elige según la pregunta: siete variantes regionales del mismo comunicado, consultadas con la misma petición, devolvieron siete anclajes distintos. Y no se construye en el momento de la búsqueda: la enorme mayoría de las páginas vistas bajo consultas diferentes devuelve un snippet idéntico. Está congelado desde el rastreo, y envejece.

Esto conecta con algo que ya venía documentado por otra vía. El análisis de Kevin Indig sobre 1,2 millones de respuestas mostró que el 44,2% de las citas en ChatGPT proviene del primer 30% del contenido. La medición del presupuesto de grounding explica el mecanismo detrás de ese porcentaje: no es que el modelo prefiera el principio, es que muchas veces el principio es lo único que tiene.

Qué consume el espacio de tu snippet antes del H1

Si el fragmento arranca en el cuerpo renderizado, todo lo que tu plantilla imprima antes del H1 te está robando espacio. Y lo que más roba no es lo que la gente supone: las migas de pan y la firma del autor son marginales.

La primera palanca, sin embargo, no está en esa tabla. Una de cada siete páginas analizadas simplemente no tiene H1 marcado. Ahí el anclaje se vuelve impredecible: el fragmento arranca en algún subtítulo que elige la plantilla y dejas de controlar por completo lo que el modelo ve de ti.

Este punto se cruza con el rendimiento de forma incómoda, y lo desarrollo en la guía de SEO técnico y Core Web Vitals: en un proyecto propio, un H1 que dependía de JavaScript costó 2,4 segundos de LCP. Ese mismo H1 tardío también rompe el anclaje del snippet. Un solo error, dos costos.

El ChatGPT que usa la mayoría es el gratuito, y no razona

Acá hay un sesgo que arruina muchos análisis. Casi todas las herramientas del mercado observan la interfaz deslogueada o una cuenta de pago, y ese es uno de los regímenes menos representativos de lo que realmente ocurre.

En el corpus medido, ninguna de las respuestas de cuenta gratuita entró en modo thinking. El modo instantáneo se conforma con una sola ronda de búsqueda en más de ocho de cada diez casos, y nunca abre una página para leerla.

La implicación práctica es directa. Si tu público usa ChatGPT gratis, y estadísticamente la mayoría lo hace, entonces tu marca compite en un entorno que recupera once páginas, consulta ocho dominios y no lee ninguno. El margen para destacar por profundidad de contenido es nulo. El margen para destacar por cómo se presentan tus primeras líneas es enorme.

Dos almacenes distintos: el que te encuentra y el que te lee

Con la distinción entre índice y cache ya sobre la mesa, esta parte se lee sola. OpenAI mantiene tu página en dos sitios diferentes, escritos por robots distintos, y confundirlos lleva a diagnósticos equivocados. Uno sirve para encontrarte, el otro para leerte. No contienen las mismas páginas.

El punto contraintuitivo es este: ChatGPT-User nunca toca el índice. Vuelve a leer tus páginas y refresca su copia completa, y nada de eso cambia el fragmento que la búsqueda muestra. Ser rastreado y estar disponible son dos cosas distintas, y ser encontrable no es lo mismo que ser legible.

El robot de entrenamiento, por su parte, no entra en ninguno de los dos. Casi toda entrada del índice es más reciente que la última visita de GPTBot, es decir, se refrescó después de que pasara y no gracias a él. Esto importa mucho para decidir qué bloquear, y lo trato aparte.

Qué bot alimenta qué, y qué se pierde de verdad al bloquear cada uno, lo desarrollo en robots.txt y bots de IA, con la configuración exacta que uso en este sitio y por qué.

La copia que ChatGPT tiene de ti tiene una edad, y no la eliges

El mecanismo es una cache que sirve primero y comprueba después. Por debajo de una ventana de unos treinta minutos, la página no se vuelve a abrir siquiera. Pasada esa ventana, ChatGPT te muestra igual la versión antigua y luego va a refrescar en segundo plano: la versión fresca solo se sirve en la petición siguiente.

De ahí sale una lectura de logs que casi todo el mundo hace al revés. Cuando ves ChatGPT-User en tus registros, no es una lectura para el usuario que está preguntando en ese momento. Es un refresco de la cache de OpenAI, del que se beneficiará el visitante siguiente.

Hay dos hallazgos más de esta cache que conviene conocer antes de tomar decisiones técnicas. Primero: es compartida entre usuarios. La copia creada por una cuenta se sirve a otra cuenta, en otro país y con otro plan, sin que llegue una sola petición a tu servidor. La clave de la cache es la dirección de la página, no el usuario. Segundo: las páginas que enviaban una cabecera Cache-Control con no-store, que prohíbe explícitamente cualquier almacenamiento, se cachearon igual.

El hallazgo que abrió toda esta línea de investigación, un parámetro de la API que consulta el almacén de OpenAI sin salir a la web, es de Jérôme Salomon y está documentado de forma independiente en el análisis del índice cacheado de OpenAI. Es la prueba concreta de que el índice de descubrimiento y la cache de lectura existen.

En qué no están de acuerdo quienes miden ChatGPT

Quien vende certezas sobre un sistema cerrado está vendiendo algo que no tiene. Y ver dónde falla el consenso enseña más sobre cómo se investiga esto que cualquier lista de tácticas.

Qué es labrador, el índice interno de OpenAI

labrador es el nombre que apareció en uno de los valores del campo interno de OpenAI, y hay dos lecturas enfrentadas. Suganthan Mohanadasan lo interpreta como una lista de publishers con acuerdo o con trato preferente. Las mediciones de Resoneo no respaldan esa lectura, porque encuentran ahí dominios que no encajan con ninguna hipótesis de acuerdo comercial. Yo no tengo datos propios para arbitrar.

Cuánto tiempo retiene OpenAI la copia de tu página

La retención observada pasó de unos 30 días en las mediciones publicadas a fines de 2025 a más de 90 días en las de julio de 2026, esta última documentada con una línea de log de servidor por Jérôme Salomon (Oncrawl). No sé si el sistema cambió o si los protocolos miden cosas distintas. Lo que se sostiene en ambas mediciones es que nadie observó una expiración.

Qué robot alimenta el índice de descubrimiento

La cobertura de 2025 asumía que ChatGPT-User, el robot que abre páginas bajo demanda, añadía esas páginas al índice de búsqueda. El estudio de julio de 2026 lo corrige: ChatGPT-User alimenta la cache de lectura y nunca el snippet del índice. La diferencia es muy práctica, porque significa que provocar visitas de ese robot no mejora tu descubribilidad.

El estudio de julio de 2026 que sostiene la mayor parte de las cifras de este artículo no tiene una URL pública localizable, así que lo cito por autoría: es de Resoneo, y sus publicaciones sobre el tema están en el hub de investigación de Resoneo, donde también está su trabajo previo sobre web.run y los fan-outs.

Cinco verticales, cinco sistemas sin conexión entre sí

Lo que vale para la búsqueda web no vale para ninguna de las otras superficies. Cada una tiene su propia cadena de suministro, y cuatro de las cinco no tienen relación alguna con los motores de búsqueda. Una estrategia de visibilidad en ChatGPT que solo trabaje la búsqueda web deja cuatro puertas cerradas.

El caso de shopping es el más contundente para quien vende. El carrusel de productos no comparte ninguna dirección con los motores de búsqueda, y la ficha de producto es un objeto cacheado durante semanas, idéntico de una cuenta a otra y entre países. Estar en la primera consulta de un producto vale más que rankear bien después.

En local aparece un detalle revelador: cerca de una de cada cinco fichas etiquetadas como Yelp llevaba un enlace copiado del perfil de Google Business del negocio, mientras Yelp mostraba solo la dirección. La etiqueta del proveedor no te dice de dónde salió cada campo, y tu ficha de Google Business puede estar alimentando respuestas donde ni siquiera aparece nombrada.

El motor de lugares trabaja además en dos tiempos, y eso cambia dónde se juega el partido. La primera llamada manda frases de búsqueda con la ciudad dentro. La segunda ya no manda frases: manda los nombres de los locales que volvieron de la primera, y después los verifica uno por uno con búsquedas web entrecomilladas. Es la mecánica de la lista de candidatos corriendo sobre locales en lugar de marcas. Si tu negocio no aparece en esa segunda llamada, el problema está en los datos de las fichas y ninguna optimización de tu web lo arregla. Si aparece, las búsquedas siguientes están comprobando tus datos, y lo que toca es que el sitio y la ficha digan lo mismo.

Cómo se trabaja cada una de esas superficies fuera de la búsqueda web lo cubro en las guías de SEO local y de comercio agéntico, porque son disciplinas distintas y no se resuelven con el mismo trabajo.

Hay respuestas de ChatGPT que ya no tienen ninguna cita que ganar

Hay una sexta superficie que no funciona como las cinco anteriores, y que no está en esa tabla porque no es una cadena de suministro de datos. Es una cadena de suministro de interfaz.

En las capturas de agosto de 2026 aparece un tipo de llamada que no busca nada: pide un componente. Un gráfico de cotización con su ticker y su mercado, un calendario deportivo con sus fechas, un mapa con pines enganchados a los negocios que devolvió la consulta de lugares. Lo que vuelve no es una lista de páginas, es una pieza de interfaz que OpenAI renderiza y sirve desde sus propios servidores.

Dentro de un gráfico de cotización no hay ningún enlace que ganar, y un calendario de partidos no cita ninguna página de resultados. Clases enteras de consulta se están moviendo a superficies donde la competencia por la cita, que es la que miden todas las herramientas del rubro, sencillamente no existe.

El criterio que aplico acá es el mismo que uso en Google desde hace años. Si la respuesta a una consulta es una función del propio buscador, esa consulta no es una oportunidad de contenido por mucho volumen que tenga. Lo útil no es buscar la táctica para entrar en el componente, porque hoy no hay ninguna. Lo útil es saber cuáles de tus consultas cruzaron esa línea, y dejar de contarlas.

Por qué tus mejores citas no llevan utm_source

ChatGPT añade el parámetro utm_source con el valor chatgpt.com al 95% de los enlaces que muestra, y en modo instantáneo a todos. Hay una familia que se escapa siempre: las páginas que el modelo abrió y leyó él mismo nunca llevan ese parámetro.

Las citas que más valen, las que vienen de una página que el modelo se molestó en abrir y que por eso tiene un 74% de probabilidad de ser citada, son exactamente las que tu herramienta de analítica no va a atribuir a ChatGPT. Si mides el impacto de la IA contando sesiones con utm, estás sistemáticamente subestimando el caso bueno.

El comportamiento de cero clic que hay detrás de todo esto, con el panel de datos que lo cuantifica, está documentado por iPullRank en su análisis de comportamiento de cero clic. Es la referencia que uso cuando alguien discute si la caída de clics es real o es una impresión.

Este sesgo es una de las razones por las que insisto en separar lo que se ve, lo que se infiere y lo que se supone. Lo trabajo en detalle en cómo medir la visibilidad en IA, junto con los KPIs que sí resisten un escrutinio serio.

Cuidado con los rankings de visibilidad en IA

Con el embudo sobre la mesa, hay una conclusión que afecta directo a cómo se compran herramientas. Cuando un estudio lista a arXiv o a Reddit entre los sitios más visibles en ChatGPT, lo que está diciendo, sin saberlo, es que la herramienta detrás no distingue una página recuperada de una citada.

El dato es difícil de discutir: arXiv apareció más de dos mil seiscientas veces en el corpus y se citó diez. Nunca se abrió. Y no es por llegar sin fragmento, porque en las ciento diecisiete ocasiones en que sí llegó con fragmento, se citó exactamente cero veces. Reddit sigue el mismo patrón: masivamente recuperado, prácticamente nunca mostrado al lector.

El modelo lee preprints y discusiones de Reddit para formarse una opinión, y luego expone al lector páginas web ordinarias. Confundir ambas capas es la diferencia entre medir visibilidad y medir tráfico potencial.

En agosto de 2026 ese patrón se volvió visible para todo el mundo, porque Reddit se cayó del panel de citas de un día para otro.

El desplome tiene fecha y tiene forma. La participación de Reddit venía en 3,83% de media entre el 18 de julio y el 7 de agosto de 2026. El 8 de agosto empezó a bajar, el 14 se fue por debajo del 1%, y el promedio entre el 14 y el 17 quedó en 0,52%. En los productos de Google, la misma ventana muestra un declive gradual y mucho menor: los AI Overviews bajaron un 11,3% y AI Mode un 30,5%. La caída está concentrada en ChatGPT y no se ve en la misma medida en los productos de Google.

El cambio de mecánica de esos mismos días explica una parte. Cuando el sistema pasa de descubrir a sondear dominios que ya asocia a cada marca, lo que gana espacio es el sitio oficial, la documentación y las fuentes institucionales. Lo que lo pierde es el foro. Reddit no dejó de consultarse: dejó de acreditarse.

Las fechas, eso sí, no calzan del todo. El uso del operador site: saltó el 8 de agosto y desde entonces se mantiene entre el 16% y el 17% de los fan-outs, mientras que el derrumbe grande de Reddit llegó el 14, seis días después. Hubo dos caídas y no una: la del 8 llevó la participación del 3% alto al 2% medio, y la del 14 la hundió por debajo del 1%. Promptwatch no tiene explicación para la segunda, publica la magnitud como provisional y no descarta un problema en su propia recolección.

OpenAI respondió a Yahoo Tech que no fija un nivel de visibilidad para sitios concretos y que ChatGPT sigue citando Reddit.

No es la primera vez que ocurre. En septiembre de 2025 varias herramientas registraron un derrumbe parecido de Reddit dentro de ChatGPT, y la explicación que quedó no tenía nada que ver con OpenAI ni con Reddit: alrededor del 10 de septiembre Google retiró el parámetro num=100, con el que los proveedores de datos recuperaban cien resultados por consulta, y con él se perdió el acceso barato a la parte profunda de la SERP, que es justo donde viven los hilos. Kevin Indig lo planteó como causa probable y con lenguaje cauto. Si una parte de los resultados de ChatGPT llega por Google raspado, un cambio en ese suministro se ve dentro de ChatGPT sin que ChatGPT haya cambiado nada.

Ahí termina el dato y empieza la interpretación. En una conversación capturada en agosto de 2026, 84 de las 221 entradas del conjunto recuperado eran hilos de Reddit, más que de ninguna otra fuente, y ninguna de las 84 apareció citada en la respuesta. Además la consulta a Reddit iba dirigida a propósito y con una ventana mucho más ancha que la de las marcas. Que ese material igual influya en lo que el modelo termina opinando es una hipótesis razonable, y el propio investigador que la propone advierte que su captura no puede probarla.

La consecuencia práctica para quien invirtió en Reddit no es que el canal se murió. Los hilos siguen alimentando el corpus con el que se entrena la memoria del modelo, que es justamente la que arma la lista de candidatos, y las personas que los leen siguen siendo compradores. Lo que se acabó es la métrica cómoda: el retorno medible en citas se evaporó, y quien vendía su trabajo en Reddit contando menciones en respuestas se quedó sin gráfico que mostrar.

Las series completas y la comparación contra los productos de Google están en el estudio de Promptwatch sobre la caída de Reddit, que además publica su propia advertencia de método: lo sólido es la dirección y la fecha, y el decimal exacto depende de qué marcas midas.

Qué hacer si no eres técnico: qué pedirle a tu equipo

Esta parte es para quien dirige, contrata o decide, y no va a tocar una línea de código. Todo lo anterior se traduce en cinco encargos concretos que puedes pedirle a tu equipo o a tu agencia, con su forma de verificación al lado.

• Pide que cada página tenga un H1 real y único, y que sea el titular de verdad. Verifícalo abriendo la página, pulsando control y U, y buscando la etiqueta h1 en el código. Si no aparece, no está.
• Pide despejar lo que la plantilla imprime entre el inicio del contenido y ese titular. Verifícalo mirando la página: si sobre el titular hay categoría, fecha, firma y una imagen decorativa, ahí se está yendo tu presupuesto.
• Pide que las dos primeras frases después del titular digan lo esencial, con la marca y la propuesta de valor dentro. Verifícalo leyendo solo esas dos frases y preguntándote si alguien que no te conoce entendería a qué te dedicas.
• Pide fuentes primarias publicadas en el sitio: datos propios, documentación, precios, metodología. Verifícalo comprobando que exista una URL propia para cada una, y no un PDF suelto ni una diapositiva.
• Pide que la medición de IA distinga entre aparecer como fuente y ser citado en el texto. Verifícalo pidiendo las dos cifras por separado en el informe. Si te dan una sola, no están midiendo lo que crees.
• Pide que verifiquen a qué dominio va ChatGPT cuando sondea tu marca. Verifícalo pidiendo la captura de la línea de búsqueda con tu dominio dentro, y comprobando que sea el que efectivamente operas.
• Pide un ciclo de revisión mensual para las páginas que responden preguntas de compra, con cambio real y fecha visible. Verifícalo comparando dos versiones de la misma página con un mes de diferencia: si lo único que cambió fue la fecha, no se hizo el trabajo.

Y una pregunta que sirve para evaluar a cualquier proveedor en esta materia: pídele que te explique en qué se diferencia una página recuperada de una citada. Si no distingue las dos capas, sus informes de visibilidad en IA están contando páginas que ningún lector vio nunca.

Qué hacer si eres técnico: checklist de optimización

El checklist de implementación. Ninguna de estas acciones es sofisticada, y esa es justamente la ventaja: casi nadie las está haciendo con intención.

• Marca un H1 real en cada página. Es el ancla del fragmento que te representa, y una de cada siete páginas no lo tiene.
• Despeja la pista entre el H1 y el primer párrafo. Todo lo que la plantilla imprima antes te quita espacio del presupuesto.
• Revisa el alt de la primera imagen. Si es decorativa y va justo bajo el título, te puede costar 50 de tus 146 caracteres útiles.
• Escribe los primeros 146 caracteres después del H1 como si fueran lo único que se va a leer, porque en modo instantáneo suele serlo.
• Cuida los primeros 60 caracteres del título: si el resultado llega vía Google scrapeado, se corta ahí y con elipsis en uno de cada cuatro casos.
• Sirve el H1 en el HTML del servidor, no por JavaScript. Un H1 tardío rompe el anclaje del snippet y castiga el LCP a la vez.
• Cubre el tema completo y no una sola keyword, porque el fan-out va a buscar facetas que tú no escribiste.
• Publica fuentes primarias y documentación propia si quieres estar en el grupo que el modelo abre: material oficial, datos originales, páginas profundas, no home pages.
• Deja de asumir que tu meta description te representa ante ChatGPT. Para su índice propio, se ignora.
• Comprueba qué dominio asocia el modelo a tu marca. Desde agosto de 2026 el sondeo va a un dominio que el modelo elige de memoria, y un rebrand o una migración mal digerida le hace gastar la búsqueda en un sitio que no es el tuyo.
• Revisa dentro de un ciclo de 30 días, con cambios reales y fecha visible, las páginas que responden preguntas de compra. En las consultas comerciales capturadas, todos los sondeos de marca llevaron esa ventana.
• Trabaja para entrar en la lista de candidatos y no solo en el índice. Estar escrito en la consulta que el modelo redacta antes de buscar vale un 68,9% de llegada a la respuesta, frente a un 2,1% si solo te recuperan.

Y una advertencia de método que vale más que cualquier táctica: el enrutado no es determinista. La misma pregunta, dos días después, en la misma cuenta, puede cambiar de motor por completo. Un tercio de los prompts repetidos cambia de comportamiento. Ninguna conclusión sobre visibilidad en IA se sostiene sobre una sola captura. Y no solo cambia el enrutado: el formato mismo de la llamada de búsqueda se reescribió tres veces entre junio y agosto de 2026, la última en una ventana de cuatro días. Todo lo que midas acá hay que fecharlo.

Cómo mirar tú mismo las búsquedas que ChatGPT hace por ti

Todo lo anterior sale de leer el tráfico de red, y eso está al alcance de cualquiera con un navegador. No hace falta ninguna herramienta de pago para ver, en dos minutos, qué está buscando ChatGPT cuando alguien pregunta por tu categoría.

• Abre ChatGPT en Chrome con las herramientas de desarrollador puestas en la pestaña Network.
• Haz la pregunta comercial que haría un cliente tuyo, con las palabras que usaría él y no con las tuyas.
• Filtra por conversation y abre la respuesta más pesada de la lista, que es la conversación. Hay filas chicas que comparten ese nombre y no sirven.
• Ve a la pestaña Response de esa fila y busca dentro de ese panel, con control y F, el texto fast seguido de una barra vertical. Si usas el buscador global te vas a ahogar en el código de la propia aplicación.
• Lee las líneas que aparecen. Cada una es una búsqueda que el sistema hizo por ti.

Tres cosas que mirar, en este orden. Si tu marca aparece escrita dentro de alguna consulta, porque eso significa que estás en la lista de candidatos. Si hay una línea apuntada a tu dominio, y si es el dominio que efectivamente operas. Y qué número lleva tu categoría, que es la ventana con la que compiten tus páginas.

Lo que veas ahí vale más que cualquier informe, por una razón simple: es el sistema hablando, no una herramienta interpretándolo. Y vale mucho menos de lo que parece si lo haces una sola vez, porque el enrutado cambia entre ejecuciones. Repite la misma pregunta en días distintos antes de sacar cualquier conclusión.

Preguntas frecuentes sobre ChatGPT Search

En resumen: te juegas la visibilidad en tus primeras líneas

El recorrido completo, en una frase: un modelo que predice texto y no recuerda hechos necesita buscar, llega a esa búsqueda con una lista de candidatos ya escrita, la descompone en sub-consultas que tú nunca escribiste, y de cada resultado recibe una ficha de tres líneas con la que decide a quién nombrar.

Una página puede ser encontrada y no mostrada, mostrada y no citada, citada sin haber sido leída nunca, o leída desde una copia vieja de hace meses. Para la mayoría de las respuestas, la representación real de una marca ante ChatGPT se reduce a un título, un H1 y unos 146 caracteres.

Ese es el cambio de mentalidad que propongo. No se trata de escribir más, se trata de entender que el modelo casi siempre decide con un fragmento congelado y no con una lectura completa. Los primeros elementos semánticos de tu página pesan más, hoy, que gran parte del contenido que viene después.

Y hay una segunda mitad de ese cambio, que agosto de 2026 dejó a la vista. Una parte de la partida se juega antes de que el sistema busque, en si el modelo ya te tiene en la cabeza cuando escribe su consulta. Esa parte no se gana con una plantilla ni con un fragmento bien puesto: se gana estando en el mundo, en el corpus que el modelo leyó. Las dos mitades se trabajan a la vez, o no se trabaja ninguna.

Si quieres trabajar la visibilidad de tu marca en respuestas de IA con este nivel de detalle, y no con recetas genéricas, una agencia de AEO como Milimetrix puede ayudarte a auditarlo y ejecutarlo. Trabajamos con datos medidos, no con supuestos. Hablemos.