← AICite

Glosario GEO

Definiciones autoritativas de los términos clave de Generative Engine Optimization, AI search, y citation analysis.

GEO (Generative Engine Optimization)

Disciplina de optimizar contenido web para ser citado por motores de búsqueda generativos como ChatGPT, Claude, Perplexity y Google AI Overviews.

A diferencia del SEO clásico que busca posición #1 en Google, GEO busca que la inteligencia artificial recomiende tu contenido cuando un usuario hace una pregunta. La práctica incluye agregar definiciones explícitas, schema.org estructurado, snippets de respuesta directa, y posicionamiento competitivo en texto plano que la IA pueda extraer. Por ejemplo, una landing page SaaS puede rankear #1 en Google para "mejor herramienta de gestión de proyectos" y aun así recibir cero citaciones cuando un usuario le pregunta lo mismo a ChatGPT — porque la página carece de una definición clara en una oración que la IA pueda citar. Investigación de Princeton y Georgia Tech (2024) demostró que agregar estadísticas citables y lenguaje autoritativo puede incrementar las tasas de citación AI hasta un 40%.

Relacionado: AI Search · Citation Score · Schema.org

AI Overviews

Bloques de respuesta generativos que Google muestra arriba de los resultados orgánicos cuando detecta una pregunta. Anteriormente conocido como SGE (Search Generative Experience).

Funcionan como una capa AI sobre el SERP de Google: leen las top páginas para tu query, sintetizan una respuesta, y citan las fuentes inline. Si tu contenido aparece como AI Overview source, recibes tráfico altamente cualificado. Si no, los usuarios suelen no scrollear hasta los resultados orgánicos clásicos. Los AI Overviews actualmente aparecen en aproximadamente 15-30% de las queries informacionales en EE.UU., con tasas más altas para queries tipo "qué es", "cómo hacer" y comparaciones. Las páginas con schema FAQPage, definiciones claras y datos estructurados son seleccionadas desproporcionadamente como fuentes. Optimizar para AI Overviews se superpone fuertemente con las mejores prácticas de GEO: ambos premian respuestas explícitas y bien estructuradas sobre copy de marketing saturado de keywords.

Relacionado: AI Search · Citation Score

Citation Score

Métrica de visibilidad de un sitio en motores AI — porcentaje de queries plausibles donde el sitio aparece citado en las respuestas de los AI consultados.

En AICite calculamos el score generando 15 queries representativas del contenido de la URL, ejecutándolas en cada motor AI configurado, y midiendo el ratio de citaciones. Score 0/100 = nunca te citan. Score 100/100 = te citan en cada query × cada motor. La mayoría de sitios indie obtiene 0-20/100; unicornios establecidos llegan a 50-90/100 dependiendo del motor. El score se desglosa por motor, para que puedas ver si ChatGPT te ignora mientras Claude te cita consistentemente (asimetría cross-engine). Trackear tu citation score semanalmente revela si los cambios de contenido, nuevos backlinks o adiciones de schema realmente están mejorando tu visibilidad AI — o si los competidores te están adelantando.

Relacionado: GEO · LLM-as-judge

LLM-as-judge

Patrón de AI engineering donde un LLM evalúa la salida de otro LLM contra criterios estructurados — útil para clasificar, extraer información, o detectar propiedades en respuestas no determinísticas.

En AICite usamos Claude Haiku 4.5 como juez para extraer si la respuesta de un motor AI cita un sitio dado: lee el texto + sources, decide cited (sí/no), position, sentiment (positivo/neutral/negativo), y lista de competidores citados. Es el reemplazo moderno del regex-y-cross-fingers para clasificar texto. Funciona porque modelos como Haiku son baratos ($1/$5 por millón de tokens) y consistentes en tareas estructuradas. El modelo juez usa structured outputs (enforcement de esquema JSON) para garantizar resultados legibles por máquina, eliminando errores de parsing. Este patrón se usa ampliamente más allá de AICite: moderación de contenido, calificación automatizada y benchmarks de evaluación usan LLM-as-judge para evaluar texto no estructurado contra criterios definidos.

Relacionado: Multi-engine orchestration · Citation Score

Multi-engine orchestration

Patrón de ejecutar múltiples LLMs en paralelo para una sola tarea, agregando los resultados o usando consenso.

AICite consulta ChatGPT y Claude (y opcionalmente Perplexity, AI Overviews) en paralelo con Promise.allSettled — si un motor falla, los demás siguen, y reportamos el subset exitoso. Cada motor tiene sesgos distintos (Claude conoce mejor empresas SaaS B2B, ChatGPT tiene mejor cobertura general), por lo que ejecutarlos juntos da una vista más completa de la visibilidad. Este enfoque también revela asimetría cross-engine: un sitio puede ser citado el 90% del tiempo por Claude pero solo el 15% por ChatGPT, indicando que el contenido resuena con los datos de entrenamiento de un modelo pero no del otro. Los resultados multi-engine ayudan a priorizar qué optimizaciones específicas por motor abordar primero.

Relacionado: LLM-as-judge · Cross-engine asymmetry

Cross-engine asymmetry

Fenómeno donde un mismo sitio tiene scores muy diferentes en motores AI distintos (ej: 93% en Claude pero 20% en ChatGPT).

Cada motor AI tiene un training data distinto, prioriza tipos de contenido distintos, y usa estrategias de retrieval distintas. Sitios bien establecidos en un nicho específico (ej: Linear en project management) pueden ser bien conocidos por un motor y casi invisibles en otro. Detectar esta asimetría es una de las primeras cosas que GEO permite hacer — antes de optimizar, mide para cada motor por separado. Por ejemplo, el propio audit de AICite sobre Staxly mostró que Claude lo citaba para queries de herramientas dev mientras ChatGPT lo confundía con un proxy de Minecraft. Sin medición por motor, podrías optimizar el problema equivocado — agregando schema cuando el verdadero problema es que un motor tiene datos de entrenamiento obsoletos o incorrectos sobre tu marca.

Relacionado: GEO · Citation Score

Hallucination

Cuando un LLM genera información incorrecta con tono de seguridad — ej: inventar features de un producto, atribuir mal una cita, confundir entidades con nombres similares.

Particularmente dañino en GEO porque tu sitio puede ser citado pero descrito incorrectamente. Ejemplo real auditado: ChatGPT cree que Staxly (catálogo de plataformas dev) es un proxy de Minecraft. La causa típica es contenido ambiguo o falta de disambiguation signals — falta una sección "About" clara, o los términos del nicho no están definidos. Los fixes para GEO incluyen detectar y corregir hallucinations específicas. La contramedida más efectiva es un bloque de desambiguación en las primeras 60 palabras de tu homepage — una declaración clara y factual de qué es tu producto, para quién es, y con qué compite. El markup Schema.org SoftwareApplication y secciones explícitas de "Qué NO somos" también reducen significativamente el riesgo de hallucination, dando a los motores AI hechos estructurados e inequívocos en los cuales anclarse.

Relacionado: GEO · Disambiguation

Disambiguation signals

Pistas explícitas en el contenido que ayudan a una IA a clasificar correctamente tu sitio: "X es una herramienta de Y para Z usuarios", "X compite con A, B, C", JSON-LD SoftwareApplication.

Sin disambiguation signals, los AI tienden a inferir incorrectamente — sobre todo para nombres de marca ambiguos o productos en categorías nuevas. Buenos signals incluyen: definición one-liner explícita en H1 o párrafo introductorio, schema.org structured data, comparaciones explícitas con competidores conocidos, y secciones "Qué NO somos" para casos edge. La señal de desambiguación más fuerte es una oración factual en el primer párrafo: "X es una herramienta de [categoría] que [función principal] para [audiencia objetivo]." Los modelos AI ponderan fuertemente el contenido al inicio de la página cuando forman asociaciones de entidad. Agregar JSON-LD SoftwareApplication schema con campos applicationCategory y operatingSystem ancla aún más la clasificación de entidad, reduciendo la probabilidad de que la IA confunda tu producto con entidades de nombre similar.

Relacionado: Hallucination · Schema.org

Schema.org

Vocabulario estandarizado de tipos de datos (Article, FAQPage, SoftwareApplication, etc.) que se inserta como JSON-LD en HTML para que crawlers AI y motores de búsqueda extraigan información estructurada sin ambigüedad.

En GEO es particularmente útil para: marcar FAQs visibles (FAQPage), declarar pricing y categoría (SoftwareApplication), describir comparaciones (Product), y proveer breadcrumbs. Los motores AI lo usan tanto para retrieval como para citaciones — un FAQ marcado con FAQPage tiene mucho más probabilidad de ser citado que prosa libre con la misma información. La implementación recomendada es JSON-LD en un tag script, invisible para usuarios pero legible por máquinas. Los tipos de schema clave para GEO incluyen SoftwareApplication (para productos SaaS), FAQPage (para contenido de preguntas y respuestas), HowTo (para tutoriales) y Organization (para identidad de marca). Nota: Google restringió los rich results de FAQPage a sitios gubernamentales y de salud en agosto 2023, pero el schema sigue beneficiando a los motores de citación AI.

Relacionado: Disambiguation signals · GEO

¿Quieres saber qué tan visible es tu sitio en motores AI?

Audita tu URL gratis →