AEO y GEO: guía de posicionamiento en IA

Entre el 41% y el 66% de las búsquedas termina sin clic. AEO y GEO explican cómo ganar visibilidad cuando la IA responde por la persona.

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.

AEO y GEO: dos nombres para lo mismo

Voy a ahorrar la discusión que más humo genera en el rubro: para mí, el AEO y el GEO son lo mismo. Answer engine optimization y generative engine optimization apuntan al mismo trabajo desde dos ángulos. Uno mira qué es (una respuesta) y el otro cómo se genera (de forma generativa), pero en los dos casos se optimiza para lo mismo: entender los modelos probabilísticos que hacen que un LLM recupere tu contenido, lo cite y, en el mejor de los casos, te recomiende dentro del pool de opciones que considera.

Separarlos en dos disciplinas no aporta mucho, porque no se puede trabajar uno sin mover el otro. Lo que hace que un motor te use para responder es lo mismo que hace que te cite en su síntesis. Por eso en esta guía los trato como una sola cosa, y cuando digo AEO estoy diciendo también GEO.

Si me preguntaran a mí, lo llamaría agentic engine optimization, me parece una definición mucho más completa de hacia dónde va esto. Pero de un tiempo a esta parte se han propuesto tantos nombres y siglas distintas que no tengo intención de meterme en esa pelea. Mi objetivo es otro: separar el ruido de lo accionable y ejecutarlo, se llame como se llame.

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

En búsqueda con IA, la visibilidad no se gana una vez y se conserva: se vuelve a jugar en cada inferencia.

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. Las búsquedas que terminan sin clic a un resultado externo van del 41% al 66% según el país y el dispositivo (iPullRank sobre el panel de Datos, 13.100 millones de eventos, julio 2026), y es una tendencia que la IA acelera al responder dentro de su propia interfaz. Ojo con tratar ese dato como una cifra única: el mismo estudio muestra que el promedio agregado es la parte menos informativa, porque el rango entre cohortes es más ancho que cualquier titular. 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.

Dentro del layer 2 hay una división que decide la estrategia y que el usuario no ve: si el motor de verdad busca en la web en vivo mientras responde, o si contesta de memoria. En una prueba con dieciséis asistentes sobre las mismas preguntas, algunos como DeepSeek recuperaron más de cien páginas, mientras que otros como ChatGPT y Gemini, en su modo por defecto, no trajeron ninguna y respondieron desde su entrenamiento. Para los motores que buscan en vivo, una página citable puede entrar en la respuesta el mismo día, y ahí el layer 2 y el layer 3 mandan. Para los que responden de memoria, el contenido fresco no llega hasta el próximo reentrenamiento y pesa el layer 1, la reputación acumulada. Por eso conviene verificar, motor por motor, si la consulta de la audiencia realmente dispara una búsqueda.

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.

En julio de 2026 apareció la medición que explica el mecanismo detrás de ese 44,2%, y es más contundente de lo que sugiere el porcentaje. El fragmento que ChatGPT almacena de una página no se toma de la meta description: se toma del inicio del cuerpo renderizado y se corta pasados los 202 caracteres. En las páginas que tienen H1, ese H1 aparece dentro del fragmento el 83,6% de las veces. Descontando lo que el template imprime antes, quedan unos 146 caracteres de contenido propio.

Esto le da al Island Test una base física, no solo editorial. Si el modelo decide con un fragmento congelado que arranca en tu H1, entonces el primer bloque de cada sección no es una cortesía para el lector apurado: es, literalmente, tu representación ante la máquina. Y hay una consecuencia incómoda para muchas plantillas: el alt text de la primera imagen, cuando va justo bajo el título, puede comerse unos 50 de esos 146 caracteres.

El mismo trabajo midió el embudo completo, y conviene tenerlo a mano antes de celebrar una aparición. De más de 61.000 pares de respuesta y página, un 12,4% quedó ligado a una cita, un 8,2% fue la fuente principal visible y solo un 1,2% llegó a abrirse y leerse. Nueve de cada diez páginas recuperadas se quedan al fondo del panel de fuentes. Ser recuperado y ser citado son cosas distintas.

Qué abre el modelo cuando abre es un patrón bastante nítido: material regulatorio, documentación oficial, fuentes primarias, páginas de precios. Páginas profundas del árbol, casi nunca home pages. Encaja con lo que ya sabíamos por otra vía sobre el rastreo de estos sistemas, que visitan cerca del 88,5% de las URLs una sola vez: si solo pasan una vez y casi nunca abren, lo que dejaste en las primeras líneas es lo que queda grabado.

Cómo funcionan los dos almacenes de OpenAI, qué se come el inicio de tu fragmento y por qué tus mejores citas no llevan parámetro utm lo desarrollo en cómo funciona ChatGPT Search, con el detalle de quién midió cada cosa.

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.

Cómo construir contenido que la IA pueda recuperar, entender y citar

La era de mapear un grupo de keywords a una sola página se acabó. Con el query fan-out, un modelo extrae fragmentos de cualquier página del sitio, así que el trabajo deja de ser rankear una landing y pasa a cubrir el recorrido de decisión completo. Cada etapa necesita contenido que responda lo que la persona y el modelo tienen que resolver.

• Conciencia: guías, explicativos, definiciones y preguntas frecuentes.
• Consideración: comparativas, alternativas, reseñas, casos de uso y guías de compra.
• Decisión: precio, disponibilidad, integraciones, casos de éxito y detalle de producto.
• Postventa: documentación, tutoriales, resolución de problemas y respuestas de soporte.

A ese mapa hay que sumarle las restricciones de decisión. La gente ya no busca "mejores zapatillas", busca con condiciones: presupuesto, tipo de pisada, terreno, durabilidad. Para aparecer en esos recorridos, el sitio tiene que hacer esos atributos explícitos y fáciles de extraer, en la página, en los datos estructurados, en módulos de comparación y en un enlazado interno que conecte casos de uso con restricciones, con terminología consistente entre piezas.

Hay un factor que casi nadie nombra: antes de juzgar si el contenido es bueno, el sistema decide cuánto va a gastar en leerlo. Los rastreadores de IA visitan cerca del 88,5% de las URLs una sola vez, y existe un umbral de tokens a partir del cual la página se trunca, así que lo que está enterrado al final puede no puntuarse nunca. Por eso el renderizado del lado del servidor, poner los hechos citables arriba, podar lo que no aporta y responder rápido rinden más de lo que parece: no suben la calidad, bajan el precio de procesamiento.

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.

Por debajo de ambos protocolos hay una sola exigencia: catálogos estructurados bien hechos, con JSON-LD servido desde el servidor, los schemas de ecommerce completos y consistencia entre feed, schema y HTML. El agente decide por atributos, precio y disponibilidad, no por la maqueta de la ficha, así que quien no expone datos limpios y consistentes queda fuera de la decisión.

Los pasos para configurar WebMCP, los schemas que de verdad rinden y los datos mínimos que necesita un catálogo para IA están desarrollados en la guía sobre comercio agéntico y catálogos estructurados.

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.

Hacia dónde apunta Google refuerza esta prioridad. Una patente describe un sistema que usa modelos de lenguaje para construir una caracterización profunda de una entidad (un negocio, un producto, una persona) a partir de su sitio y de fuentes de terceros como mapas, reseñas y prensa. La lectura para el SEO es que el objetivo se corre de ayudar a Google a entender una página a ayudarlo a entender quién es la marca: cada página pasa a ser evidencia que sostiene ese modelo de entidad, y la consistencia entre todas las fuentes deja de ser opcional.

Un punto crítico para el mercado hispano vive en esas señales externas: en los productos de IA de Google, buena parte de las citas a Reddit en mercados no angloparlantes apunta a versiones traducidas por máquina de hilos originalmente en inglés. En España esa proporción llegó al 72% en AI Mode, mientras que ChatGPT casi no usa ese Reddit traducido. La consecuencia es que la reputación de una marca en la IA local puede estar formándose en un idioma que no publicó y en un foro que no controla, y que medir en un solo motor entrega una foto incompleta.

Y no todas las señales externas pesan igual. Un estudio de Ahrefs sobre 75.000 marcas encontró que las menciones off-site, en especial las transcripciones de video de YouTube, muestran algunas de las correlaciones más fuertes con la visibilidad en ChatGPT, AI Mode y AI Overviews, por delante de Reddit, Facebook y LinkedIn. Antes de recomendar una marca, el modelo necesita evidencia de que pertenece a la categoría, y esa evidencia casi siempre vive fuera del sitio.

Por qué los terceros deciden tu visibilidad, cómo segmentar la inversión entre contenido propio y menciones ganadas, y qué revisar en un análisis de brechas está desarrollado en la guía sobre autoridad de marca en IA.

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.

Conviene además separar dos capas que se confunden: ser citado no es lo mismo que recibir tráfico. Un estudio de eye-tracking midió que, dentro de una AI Overview, el bloque principal convierte la atención en clic a una tasa alta, pero los enlaces de las fuentes citadas alrededor apenas logran un 13,6% de clic. Ser citado da visibilidad, no visitas, así que la medición debe registrar la presencia en la respuesta como un valor en sí mismo, distinto del clic.

• 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.

Ese marco tiene más profundidad: separar lo que mueve el negocio (ingresos y conversión desde LLMs) de lo que solo mide visibilidad, exigirle lo correcto a una herramienta, y sobre todo cuidar cómo se plantea cada prompt, que es donde casi todos se equivocan. Es un tema en sí mismo, y lo trabajamos aparte.

El tablero completo, con los KPIs de negocio, las cinco preguntas que revelan cómo apareces, las tres capas de confianza y por qué el prompt lo decide todo, está en la guía sobre cómo medir la visibilidad en IA.

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

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.

Hay una consecuencia de fondo que ata todo lo anterior. Como el contenido propio te presenta pero son los terceros los que te vuelven elegible, optimizar para los LLMs, la búsqueda generativa y la búsqueda agéntica se parece menos a optimizar una página y más a coordinar un ecosistema: generación de contenido, digital PR, SEO técnico y la presencia de personas e influencers, todo apuntando a las mismas superficies. La visibilidad durable es un problema de orquestación, no de una sola táctica.

En Milimetrix lo entendemos como un ecosistema en evolución constante. Como agencia de AEO, tenemos todas esas áreas, contenido, digital PR, SEO técnico y la presencia de expertos e influencers, para llevar el posicionamiento en LLMs a resultados reales y llevar a una empresa a las respuestas de ChatGPT, Perplexity y AI Overviews.