AEO y GEO: guía de posicionamiento en IA

El AEO (answer engine optimization) y el GEO (generative engine optimization) son las disciplinas que trabajan la visibilidad de una marca dentro de las respuestas que generan ChatGPT, Perplexity y Google AI Overviews. A diferencia del SEO clásico, que busca posicionar una página en una lista de diez resultados, el AEO y el GEO buscan que la IA cite o recomiende a una marca cuando redacta una respuesta única, sin que la persona llegue a ver un listado.

Esta guía define el AEO y el GEO, explica por qué ninguno reemplaza al SEO sino que lo requiere como base, y desarrolla lo que de verdad los separa del SEO clásico: la búsqueda en IA es probabilística, los modelos nombran apenas tres a cinco marcas por respuesta y la visibilidad se gana o se pierde en cada inferencia. Recorre los tres layers del conocimiento de la IA, la citabilidad por fragmento con datos actualizados, el nuevo entorno de AI Overviews, el comercio agéntico (Agentic Commerce Protocol, WebMCP y catálogos estructurados) y un método concreto para medir la visibilidad en cada motor.

Qué es el AEO y qué es el GEO

El AEO optimiza el contenido para que los motores de respuesta lo usen al contestar una pregunta directa. Su unidad de trabajo es la respuesta breve y verificable: una definición, un dato, una lista de pasos. El GEO va un paso más allá y optimiza para los motores generativos, que sintetizan varias fuentes en un texto nuevo y citan a las que consideran más confiables. En la práctica se solapan, porque ambos compiten por el mismo espacio: la respuesta que la IA entrega sin enviar tráfico a un listado.

El término posicionamiento en chatgpt resume bien el objetivo de las dos disciplinas: lograr que el modelo nombre o enlace una fuente cuando alguien pregunta por un tema donde esa marca tiene autoridad. El llamado seo para ia es el paraguas informal que agrupa AEO y GEO, aunque el trabajo concreto siempre cae en una de las dos capas.

La búsqueda en IA es probabilística, no determinista

Esta es la diferencia de fondo con el SEO clásico. La búsqueda tradicional tampoco es idéntica para todos: la SERP varía según la geolocalización, el historial de navegación o las cookies. Pero dentro de esa personalización es estable y predecible. Los resultados se mueven poco de una consulta a la siguiente, y una página que rankea primera, segunda o tercera difícilmente se cae de la primera página de un usuario a otro, por personalizados que estén sus resultados. Un modelo de lenguaje no funciona así: ante el mismo prompt, el mismo usuario y las mismas condiciones, puede devolver respuestas radicalmente distintas. Cada respuesta es una distribución de probabilidad sobre muchas señales (menciones, autoridad, frescura, presencia en terceros) de la que el modelo elige las marcas que nombra. Por eso lo que se optimiza ya no es una posición fija, sino la probabilidad de que el modelo recomiende a una marca.

El mismo patrón aparece en Google: sus AI Overviews cambian el contenido de la respuesta cerca del 70% de las veces para una misma consulta, y cuando regeneran una respuesta el 45,5% de las fuentes citadas son distintas. La consecuencia práctica es clara: en búsqueda con IA la visibilidad no se gana una vez y se conserva, se vuelve a jugar en cada inferencia.

¿Por qué la IA recomienda solo tres a cinco marcas?

Cuando un modelo responde una consulta comercial, no entrega un directorio: sintetiza y nombra un puñado de marcas, normalmente entre tres y cinco. Ese límite convierte la presencia en una condición de existencia. No basta con tener un buen sitio: si la marca no forma parte del conjunto que el modelo considera relevante, no aparece, y la persona decide sobre las opciones que la IA sí mencionó.

Y las señales que deciden ese conjunto no vienen solo del sitio propio. El modelo pondera lo que se dice de la marca en toda la web abierta: medios, reseñas, foros, perfiles y menciones de terceros.

Por qué no existe AEO sin SEO: la base que la IA hereda de Google

Los motores de IA no rastrean la web desde cero ni evalúan la confianza de una fuente de forma aislada. Se apoyan en los mismos fundamentos que el buscador: un sitio que se rastrea bien, que se indexa correctamente y que acumula señales de autoridad. Si una página no se puede rastrear o no está indexada, no entra en el conjunto de fuentes candidatas que la IA puede citar. Por eso el AEO sin SEO técnico es una estrategia sin cimientos.

Esto importa porque buena parte del valor del SEO ya no se mide en clics. Cerca del 58,5% de las búsquedas en Google termina sin clic a un resultado externo (SparkToro), una tendencia que la IA acelera al responder dentro de su propia interfaz. En ese escenario la cita dentro de la respuesta pasa a ser un activo en sí mismo: el SEO técnico garantiza que la fuente sea elegible, y el AEO y el GEO trabajan para que, entre las elegibles, sea la elegida.

Los tres layers del conocimiento de la IA y la disciplina que cubre cada uno

El conocimiento que un modelo de IA usa para responder se organiza en tres capas, y cada una se trabaja con una disciplina distinta. Entender esta separación evita el error de optimizar una sola capa creyendo que se cubren todas.

Una marca puede estar perfectamente indexada (layer 2) y aun así no ser citada porque su contenido no ofrece fragmentos extraíbles (layer 3) o porque carece de reputación previa (layer 1). La visibilidad en IA se gana cuando las tres capas se trabajan en conjunto.

Por qué un solo canal no controla la visibilidad en IA

La fragmentación del sistema explica por qué optimizar un canal aislado rinde cada vez menos. Un análisis de Aleyda Solis (mayo 2026) mostró que Amazon controla apenas el 12,5% de lo que la IA dice sobre la propia marca. No es un fallo técnico, es la arquitectura del sistema: el resto lo definen fuentes de terceros que la marca no gobierna.

Lily Ray monitoreó más de 220 sitios que apostaron a un solo canal (más schema, más FAQ, más optimización técnica aislada) y más de la mitad perdió 30% o más de su pico de tráfico orgánico. El problema no es que el SEO murió, sino que un solo canal no controla un ecosistema fragmentado. La visibilidad durable se construye coordinando SEO, PR, performance y contenido como un sistema.

El detalle de cómo distribuir la inversión entre esos canales y por qué cada layer exige una disciplina distinta está desarrollado en la guía sobre visibilidad en IA y estrategia integrada.

¿Cómo cita la IA por fragmentos y qué es el Island Test?

Los modelos generativos no copian una página entera: extraen el pasaje que mejor responde la consulta y lo citan. Por eso la unidad de optimización del GEO es el fragmento autónomo, no el artículo. El Island Test ayuda a comprobarlo: si un párrafo o un encabezado se lee aislado, como una isla sin el resto del texto, debe entenderse por sí solo y responder una pregunta completa. Un bloque que solo tiene sentido junto a los anteriores rara vez se cita.

El mismo estudio de Kevin Indig identificó qué distingue al contenido muy citado: usa el doble de lenguaje definitorio (construcciones del tipo "X es", "X se refiere a") y contiene entre tres y cuatro veces más nombres propios (marcas, herramientas, personas) que el texto promedio, con un tono analítico y equilibrado. La lectura accionable es directa: poner la definición y las entidades al inicio, y abrir cada pieza con un resumen ejecutivo en lugar de enterrar la conclusión en el párrafo doce.

El segundo factor que más mueve la citabilidad es la evidencia con fuente. Un estudio de Princeton sobre GEO presentado en KDD 2024 midió un aumento cercano al 41% en la citabilidad cuando el contenido incluye estadísticas atribuidas a una entidad nombrada de forma explícita, frente a las afirmaciones genéricas.

El detalle de cómo estructurar el contenido para que los motores generativos lo extraigan está desarrollado en la guía sobre cómo posicionar en IA.

El nuevo entorno: AI Overviews y búsqueda fragmentada

El terreno donde se juega el AEO se expande rápido. Según Search Engine Journal (marzo 2026), los AI Overviews de Google crecieron alrededor de 58% en un año y ya aparecen en cerca de la mitad de las búsquedas, con sectores donde el salto fue brutal en pocos meses.

A esa expansión se suma un cambio en cómo Google procesa cada consulta. Un paper de Google Research del 24 de marzo de 2026, llamado TurboQuant, comprime la memoria de trabajo de sus modelos en un factor de seis y abarata el proceso hasta ocho veces. Ese ahorro se reinvierte en búsquedas más profundas: en lugar de buscar una página por consulta, Google divide la pregunta en ocho, diez o doce sub-preguntas y busca la mejor respuesta para cada una. Un sitio con una sola página optimizada para una keyword aparece en una sub-búsqueda; un competidor con contenido profundo aparece en seis.

Comercio agéntico: catálogos estructurados, Agentic Commerce Protocol y WebMCP

La frontera siguiente del AEO y el GEO es el comercio agéntico: agentes de IA que no solo recomiendan, sino que comparan, eligen y compran en nombre de una persona. Estos agentes no navegan un sitio como un humano: consumen feeds, APIs y catálogos estructurados. El ecommerce que viene es machine-readable first, y los datos estructurados dejaron de ser un detalle técnico para volverse infraestructura comercial.

El Agentic Commerce Protocol (ACP) es un estándar abierto, impulsado por OpenAI y Stripe, que permite a un agente de IA completar una compra dentro de la propia interfaz conversacional, como ocurre con el Instant Checkout de ChatGPT. Para participar, una marca necesita exponer su catálogo en un feed estructurado, consistente y en tiempo real: el agente decide a partir de atributos, precio y disponibilidad, no de la maquetación de la ficha.

WebMCP es una propuesta emergente que lleva esa lógica al sitio mismo. Permite que una web exponga herramientas y acciones a los agentes de IA mediante el Model Context Protocol, de modo que el agente invoque funciones definidas por la marca (buscar en el catálogo, consultar stock, iniciar una compra) en lugar de raspar el HTML. En la práctica convierte al sitio en algo que un agente puede operar, no solo leer.

Configurar WebMCP, a alto nivel, supone estos pasos:

• Exponer un servidor MCP asociado al sitio, servido desde el servidor, que declare las herramientas disponibles para los agentes.
• Definir cada herramienta con un nombre, una descripción y un esquema de entrada y salida claros, por ejemplo buscar_producto, consultar_stock o iniciar_compra.
• Autenticar y limitar las acciones que cambian estado (agregar al carrito, pagar) y dejar abiertas las de solo lectura.
• Mantener los datos que devuelven esas herramientas sincronizados con el feed y el schema, para que el agente reciba la misma información que ve el buscador.
• Anunciar el endpoint para que los agentes compatibles puedan descubrirlo.

Por debajo de ambos protocolos está la misma exigencia: catálogos estructurados bien hechos. Los puntos que más rinden son estos:

• Usar JSON-LD renderizado del lado del servidor: los bots de IA todavía no renderizan JavaScript, así que un dato que solo aparece tras la ejecución del cliente no existe para ellos.
• Implementar los schemas relevantes para ecommerce: Product, Offer, AggregateRating, Review, ShippingDetails y MerchantReturnPolicy.
• Mantener consistencia entre feed, schema y HTML: si el precio difiere entre fuentes, el motor recibe señales contradictorias sobre la misma entidad.
• Sincronizar los atributos mínimos: SKU único, GTIN o MPN correctos, precio y stock en tiempo real, disponibilidad real, imágenes de calidad y políticas de envío y devolución explícitas.

Vale la pena recordar que Google Merchant Center ya no sirve solo para campañas pagadas: las fichas gratuitas aparecen en Shopping, Search, Images, Lens, Gemini y YouTube, todas alimentadas por ese mismo catálogo estructurado.

Cómo se aplica todo esto a una tienda, capa por capa, está desarrollado en la guía completa de SEO para ecommerce.

Autoridad de marca y señales externas: por qué pesan más en la IA

En el SEO clásico la autoridad se construye, sobre todo, con enlaces hacia el sitio. En la IA el rango de señales es más amplio porque el layer 1, la memoria del modelo, se nutre de todo lo que se dice de una marca en la web abierta: menciones en medios, presencia en Wikipedia y Wikidata, conversaciones en foros, perfiles consistentes y reseñas. Una marca de la que se habla en muchos lugares confiables tiene más probabilidad de ser nombrada por el modelo, incluso sin un enlace de por medio.

Esto cambia la prioridad para muchas empresas: ya no basta con conseguir backlinks, hace falta construir una entidad reconocible y coherente en todo el ecosistema. La consistencia del nombre, la categoría y la propuesta de valor en cada plataforma refuerza lo que el modelo aprende sobre la marca.

Cómo medir la visibilidad en IA

La visibilidad en IA no se mide con las métricas clásicas de posición y clics, porque buena parte del valor ocurre dentro de la respuesta. La medición útil combina tres indicadores observados por motor (ChatGPT, Perplexity, AI Overviews y Gemini), ya que una marca puede ser citada en uno y ausente en otro.

• Frecuencia de mención: cuántas veces la marca aparece citada o nombrada al consultar el conjunto de preguntas clave del negocio.
• Share of voice por motor: qué porcentaje de esas respuestas cita a la marca frente a sus competidores directos.
• Cobertura de AI Overviews: en qué proporción de las keywords del negocio Google muestra una respuesta generativa y si la marca figura entre las fuentes.

Qué debe tener una herramienta de medición de IA

Así como Semrush y Ahrefs han sido por años la referencia en SEO, en búsqueda con IA están apareciendo plataformas como Batwise, Trakkr, Profound y SearchBrand.ai. Más allá del nombre, conviene exigir lo mismo a cualquiera de ellas:

• Una capa analítica real, no solo dashboards: capacidad de segmentar, cruzar y analizar los datos.
• Volumen de prompts suficiente: los modelos son probabilísticos, así que hace falta muestra para que la señal sea confiable.
• Cobertura de varios modelos: ChatGPT domina, pero medir solo uno deja la foto incompleta.
• Integraciones y exportación: GA4, GSC, Looker Studio, salida a CSV o carga automática a una base, idealmente programada.
• Enfoque en accionables y visibilidad de fuentes: entender desde dónde obtienen información los modelos y qué sitios influyen en cada recomendación.

Cómo construir los prompts de monitoreo

La mayoría de estas mediciones se hace vía API, y una respuesta por API no tiene historial de conversación, contexto de navegación, señales del usuario ni geolocalización implícita. Eso reduce sesgos y vuelve la medición más comparable, pero obliga a ser muy preciso al redactar los prompts. En la práctica, estos criterios ayudan:

• Especificar la geolocalización (país y, si aplica, ciudad).
• Obligar al modelo a recomendar o comparar, no solo a describir.
• Partir de problemas reales del usuario, no de keywords genéricas.
• No mencionar marcas en el prompt: dejar que el modelo las traiga según el contexto.
• Variar perfiles y necesidades para cubrir distintos tipos de usuario.
• Empujar al modelo a buscar información actualizada para forzar el grounding.

Segmentar por categoría y leer el evolutivo

Mirar prompts sueltos entrega datos, pero no una lectura útil. Ordenarlos por categorías de negocio mediante etiquetas permite ver desempeño, recomendaciones y fuentes segmentados, y así detectar qué categorías tienen más espacio para crecer y dónde priorizar. A esa segmentación conviene sumarle la lógica de siempre en SEO: mirar el evolutivo, no una foto aislada. Registrar cómo cambian menciones, recomendaciones y share of voice en el tiempo, marcar los hitos (cambios de contenido, PR, técnica, campañas) y exportar la data a un histórico propio es lo que permite atribuir efectos y estimar el delay entre una acción y su impacto.

Cómo conectar estas señales con el negocio, más allá del tráfico, está en la guía sobre cómo medir el impacto real del SEO.

Preguntas frecuentes sobre AEO y GEO

¿Cuál es la diferencia entre AEO y GEO?

El AEO (answer engine optimization) optimiza para motores que entregan una respuesta directa a una pregunta, priorizando fragmentos breves y verificables. El GEO (generative engine optimization) optimiza para motores que sintetizan varias fuentes en un texto nuevo y citan a las que consideran confiables. En la práctica se trabajan juntos, porque ambos compiten por el mismo espacio de respuesta.

¿Por qué la IA da respuestas distintas a la misma pregunta?

Porque su funcionamiento es probabilístico. Cada respuesta es una distribución de probabilidad sobre muchas señales, no un ranking fijo. Por eso hay menos de 1% de probabilidad de que dos respuestas a un mismo prompt entreguen exactamente la misma lista de marcas, y por eso el trabajo de AEO y GEO consiste en aumentar la probabilidad de aparecer, no en asegurar una posición.

¿Qué son el Agentic Commerce Protocol y WebMCP?

El Agentic Commerce Protocol es un estándar abierto, impulsado por OpenAI y Stripe, que permite a un agente de IA completar una compra dentro de la interfaz conversacional. WebMCP es una propuesta emergente que permite a un sitio exponer herramientas y acciones a los agentes mediante el Model Context Protocol, para que el agente las invoque en lugar de raspar el HTML. Ambos dependen de catálogos estructurados consistentes y servidos del lado del servidor.

¿Sirve de algo el AEO si el sitio no tiene buen SEO técnico?

No de forma sostenible. La IA recupera fuentes de la web indexada y hereda las señales de rastreo y autoridad del SEO clásico. Si una página no se rastrea o no está indexada, no entra en el conjunto de fuentes que el motor puede citar. El SEO técnico es el requisito previo del AEO y del GEO, no una alternativa.

¿El AEO y el GEO reemplazan al SEO tradicional?

No. Lo amplían. El SEO sigue siendo la base que vuelve elegible a una fuente, y sobre esa base el AEO y el GEO añaden la capa de citabilidad por fragmento y de presencia en respuestas. Tratar la IA como un canal separado del SEO lleva a duplicar esfuerzos y a perder las sinergias entre ambos.

En conclusión: AEO y GEO como extensión del SEO, no como reemplazo

El AEO y el GEO no abren un canal aparte: extienden el SEO hacia el espacio donde la IA responde por la persona. Funcionan cuando las tres capas trabajan alineadas, cuando se acepta que la visibilidad es probabilística y se gana en cada inferencia, y cuando el contenido y el catálogo están pensados para que un modelo, y cada vez más un agente, puedan citarlos y operarlos. Optimizar una sola capa mientras las demás fallan es esfuerzo perdido, igual que en el SEO de siempre.

En Milimetrix trabajamos la visibilidad en motores de IA como parte de una estrategia integrada, desde la base técnica y los catálogos estructurados hasta la autoridad de marca y la medición por motor. Para llevar a una empresa a las respuestas de ChatGPT, Perplexity y AI Overviews, conversemos.