Generative Engine Optimization (GEO)

El término proviene del artículo de investigación de 2023 "GEO: Generative Engine Optimization" (Aggarwal et al., publicado en KDD 2024), que midió cómo los cambios en el contenido afectan la visibilidad en las respuestas generadas por IA. En los benchmarks del artículo, tácticas como añadir citas, fragmentos citados y estadísticas mejoraron la visibilidad de las fuentes hasta en un 40 %, mientras que el relleno de palabras clave tradicional apenas logró nada.

El GEO importa porque los motores de IA responden de forma distinta a como clasifican los buscadores. Un buscador devuelve diez enlaces y deja que el usuario elija; un motor de respuesta compone una sola respuesta a partir de un puñado de fuentes recuperadas y nombra solo unas pocas marcas o páginas. Si su contenido no se recupera, o se recupera pero no es citable, sencillamente no existe en esa respuesta.

En la práctica, el GEO abarca tres capas: acceso (los rastreadores de IA pueden obtener sus páginas, llms.txt y las reglas de robots lo permiten), recuperación (el contenido está lo bastante estructurado, es específico y rico en entidades como para incorporarse al contexto de la respuesta) y citación (los pasajes se redactan para que un modelo pueda tomarlos directamente: definiciones al inicio, afirmaciones con cifras y fuentes, bloques de preguntas y respuestas claros y tablas).

El GEO es una capa sobre el SEO, no un sustituto. Los motores de respuesta se apoyan en los índices de búsqueda, ChatGPT search y Copilot en Bing, Gemini y AI Overviews en Google, de modo que las señales de clasificación clásicas siguen determinando lo que los motores de IA llegan a ver. Los mejores equipos hacen que un solo cambio sirva para ambos: un arreglo que gana la citación y mantiene la clasificación.

Para el ecommerce el cambio es directo: los compradores ahora preguntan a los motores de IA qué comprar, "mejores gafas de sol de acetato por menos de $200", "son fiables las tallas de esta marca", y la respuesta nombra dos o tres tiendas. Esas citaciones ocurren por pregunta y por producto, lo que significa que la visibilidad debe rastrearse y corregirse a nivel de SKU, no solo a nivel de sitio.

La superficie GEO de una tienda son en su mayoría sus datos de producto: el texto de las PDP que responde a preguntas reales de los compradores, los bloques de FAQ, el JSON-LD (Product, Offer, FAQPage) y datos coherentes entre páginas. Esos son precisamente los activos que un comerciante puede cambiar, lo que convierte el GEO en un bucle operativo (detectar un prompt perdido → corregir la página → verificar → rastrear), no en una auditoría puntual.

Escenario ilustrativo: un comerciante que vende gafas de sol polarizadas pierde el prompt "¿merecen la pena las lentes polarizadas para conducir?" en todos los motores porque ninguna página lo responde. Añadir un bloque de FAQ con fuentes y orientado a la pregunta a la PDP y la página de colección pertinentes da a los motores un pasaje citable, el tipo de arreglo único que las herramientas de GEO detectan, redactan y verifican.