SEO para LLM: cómo aparecer en las respuestas de IA

TL;DR: El LLM SEO consiste en convertir tu marca en una fuente dentro de las respuestas de ChatGPT, Claude, Gemini y Perplexity, en lugar de pelear por otra posición de “blue link”. Empieza por la recuperación: mantén desbloqueados a los robots de búsqueda de IA correctos, asegúrate de que tu sitio sea indexable, publica pasajes fáciles de extraer y citar, construye evidencia creíble más allá de tu propio dominio y prueba si los asistentes realmente te mencionan. No existe una fórmula pública confirmada para quedar primero en una respuesta de IA.

El error central es tratar un LLM como si fuera Google con una caja de chat conectada.

Un motor de búsqueda normalmente devuelve documentos ordenados por ranking. Un LLM sintetiza una respuesta a partir de lo que aprendió durante el entrenamiento, de lo que recupera del sitio web en tiempo real y de cualquier índice que respalde esa recuperación. Tu página puede influir en la respuesta sin que haya clic. También puede posicionarse bien en Google y aun así no aparecer en la respuesta generada.

No hay una lista pública confirmada de factores de ranking para ChatGPT, Claude, Gemini o Perplexity. Cualquiera que prometa una fórmula repetible de “ranking número uno en ChatGPT” está vendiendo certeza de algo que los proveedores no han entregado (aunque a mí también me gustaría ese panel).

Qué significa realmente LLM SEO

LLM SEO, también llamado LLM optimization, LLMO, GEO, AISO o answer-engine optimization, es la práctica de hacer que una empresa y su contenido tengan más probabilidades de aparecer dentro de una respuesta generada por IA.

El término académico es generative engine optimization. Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan y Deshpande describieron GEO como “el primer paradigma novedoso para ayudar a los creadores de contenido a mejorar la visibilidad de su contenido en las respuestas de generative engines”. Su paper liderado por Princeton fue aceptado en KDD 2024.

La nomenclatura aún no está cerrada. Yo uso “LLM SEO” aquí para el trabajo orientado específicamente a asistentes como ChatGPT, Claude, Gemini y Perplexity. AI search optimization es más amplio e incluye superficies de respuesta como Google AI Overviews y AI Mode.

El resultado económico es distinto al de un resultado de búsqueda normal. Pew Research Center analizó 68.879 búsquedas de Google realizadas por 900 adultos en EE. UU. en marzo de 2025. Aproximadamente el 18% produjo un resumen con IA. Los usuarios hicieron clic en un resultado tradicional en el 8% de las visitas que incluían un resumen, frente al 15% cuando no aparecía ningún resumen. Un enlace dentro del resumen recibió clic en solo el 1% de las visitas.

Estas cifras se refieren a los resúmenes de Google, no a ChatGPT o Claude. Aun así, muestran el cambio estructural: la respuesta generada puede reemplazar el clic. Ser nombrado en esa respuesta puede tener valor incluso cuando el tráfico de referencia es débil o imposible de atribuir.

Los tres lugares de donde un LLM obtiene su respuesta

No puedes tomar decisiones sensatas de optimización de LLM hasta que separes el entrenamiento de la recuperación. Intervienen sistemas, rastreadores y cronogramas distintos.

1. Datos de preentrenamiento: memoria congelada

Los modelos base aprenden patrones e información de grandes colecciones de texto durante el entrenamiento. OpenAI afirma que GPTBot rastrea contenido que podría usarse para entrenar sus modelos base de IA generativa. Anthropic identifica a ClaudeBot como un rastreador usado para recopilar contenido web para el entrenamiento del modelo.

No te posicionas dentro de esta capa. Tu empresa puede haber estado representada en el corpus de entrenamiento, representada de forma deficiente o no aparecer. Publicar una corrección esta tarde no reescribe una corrida de entrenamiento ya completada.

La documentación amplia y consistente en la web puede aumentar la probabilidad de que un modelo futuro encuentre tu marca. Sin embargo, no se conocen públicamente los detalles de inclusión y ponderación. Yo confío en la distinción entre entrenamiento y recuperación; no confío en las afirmaciones de que doce menciones, veinte enlaces o una entrada de Wikipedia producirán un cambio predecible en la memoria del modelo.

2. Recuperación en vivo: la capa que puedes afectar más rápido

Cuando un asistente busca o navega, puede obtener documentos actuales y usarlos para fundamentar una respuesta. Esto suele llamarse retrieval-augmented generation, o RAG. Las citas normalmente provienen de este proceso de recuperación, no de que el modelo revele documentos individuales dentro de su corpus de entrenamiento.

Este es el lugar donde se ubica gran parte del trabajo práctico de LLM SEO. Una página debe estar disponible para el rastreador de búsqueda relevante, ser alcanzable en el momento de la respuesta y ser adecuada para la extracción. Si el sistema no puede recuperar un documento, no puede usarlo como cita en vivo.

OpenAI asigna el descubrimiento de búsqueda a OAI-SearchBot, mientras ChatGPT-User gestiona las visitas iniciadas por el usuario. Perplexity distingue entre PerplexityBot, que muestra y enlaza sitios web en sus resultados, y Perplexity-User, que obtiene páginas en respuesta a preguntas. Anthropic hace algo similar al listar Claude-SearchBot y Claude-User.

3. El índice web subyacente

La recuperación necesita una colección de documentos sobre la cual buscar. Eso puede ser un índice subyacente de Google o Bing, el propio índice del proveedor del asistente o una mezcla cambiante de fuentes. Las relaciones con proveedores y los sistemas de recuperación se mueven rápido, así que no construyas suposiciones de infraestructura permanente alrededor de una sola asociación de búsqueda.

La conclusión duradera es más simple: la indexabilidad normal sigue importando. Si los motores de búsqueda no pueden descubrir, renderizar, canonicalizar o indexar una página, los sistemas que se apoyan en esos índices no tienen nada útil para recuperar.

Google lo expresa de forma explícita para sus propias funciones de IA:

“No hay requisitos adicionales para aparecer en AI Overviews o AI Mode, ni se necesitan otras optimizaciones especiales.”

Google Search Central también indica que los sitios no necesitan archivos nuevos legibles por máquina, archivos de texto para IA ni marcado especial para aparecer en esas funciones. Esa afirmación aplica a Google AI Overviews y AI Mode, no a ChatGPT, Claude o Perplexity. Aun así, desactiva mucho “teatro” de producto innecesario.

El SEO clásico no quedó obsoleto. Se convirtió en infraestructura (o, más precisamente, en parte de la infraestructura).

Permite a los bots que sirven respuestas

Una regla general de “bloquear IA” es demasiado contundente. Los crawlers de entrenamiento, los crawlers de búsqueda y los fetchers disparados por el usuario cumplen funciones distintas. Puedes optar por no participar en el entrenamiento sin necesariamente eliminarte de la recuperación de respuestas en vivo.

La documentación de OpenAI es clara al bloquear OAI-SearchBot: los sitios “opt-out” “no se mostrarán en las respuestas de búsqueda de ChatGPT”, aunque aun así pueden aparecer como enlaces de navegación. Perplexity indica que PerplexityBot está diseñado para mostrar y enlazar sitios web en sus resultados y que no se usa para rastrear contenido para el entrenamiento de modelos base.

Tomad tres decisiones separadas:

• Política de entrenamiento: Decide si GPTBot y ClaudeBot pueden recopilar contenido para un posible entrenamiento de modelos.
• Visibilidad de búsqueda: Permite OAI-SearchBot, PerplexityBot y Claude-SearchBot si quieres visibilidad por recuperación.
• Fetches del usuario: Asegura que el sitio sea técnicamente accesible cuando un usuario pida explícitamente a un asistente que lo consulte.

Bloquear un crawler de entrenamiento puede ser una decisión editorial defendible. Bloquear crawlers de búsqueda mientras esperas citas es contradictorio. Los fetches iniciados por el usuario complican la aplicación porque OpenAI dice que robots.txt podría no aplicar a ChatGPT-User, mientras Perplexity afirma que Perplexity-User en general lo ignora.

Revisa estas reglas periódicamente. Los nombres de user-agent y las políticas de los proveedores pueden cambiar.

Haz que la página sea fácil de citar, no solo fácil de posicionar

Una vez que la recuperación funciona, el siguiente trabajo es darle al modelo un pasaje útil para extraer.

La evidencia experimental más sólida revisada por pares proviene del paper GEO de KDD 2024. Su GEO-bench incluyó 10.000 consultas, y los investigadores probaron intervenciones de contenido contra generative engines simulados. Informaron que GEO podía aumentar la visibilidad hasta en un 40% en su benchmark.

Eso es un resultado “hasta” en benchmark, no una promesa de 40% más citas en un ChatGPT de producción. Según la Tabla 1 del paper, la adición de citas (quotation addition) produjo una mejora del 27,8% y la adición de estadísticas produjo una mejora del 25,9% en su métrica de conteo de palabras ajustado por posición. Las citas, las estadísticas y las fuentes citadas estuvieron entre los métodos más fuertes evaluados.

El mismo paper encontró que el keyword stuffing tuvo “poca o ninguna mejora de rendimiento” en respuestas de generative engines. Repetir “best invoicing software” diecisiete veces no es una estrategia para LLM. Apenas era una estrategia de búsqueda creíble antes.

Una página pensada para la extracción normalmente incluye:

• Una respuesta directa justo debajo del encabezado relevante.
• Afirmaciones específicas atribuidas a fuentes nombradas y creíbles.
• Tablas que comparan atributos concretos sin ocultar la conclusión.
• Definiciones que siguen teniendo sentido fuera del artículo que las rodea.
• Estadísticas con fechas, poblaciones y contexto suficiente para evitar reutilización engañosa.
• URLs estables y texto rastreable en lugar de hechos esenciales atrapados dentro de interfaces.

Priorizaría la densidad factual antes que la longitud bruta. Un artículo largo aún puede ser difícil de citar si cada respuesta queda enterrada bajo frases vacías. Nosotros cometimos ese error: añadimos palabras porque el content brief las esperaba y dejamos la frase útil seis párrafos debajo del encabezado (no fue nuestra mejor intuición editorial).

El schema puede ayudar a las máquinas a interpretar entidades y tipos de contenido, pero no lo confundas con un interruptor secreto de citas de IA. Google dice explícitamente que no se requiere marcado especial para sus funciones de IA. La estructura debería mejorar primero la claridad para lectores y crawlers.

Construye evidencia fuera de tu propio dominio

Tu propio sitio web es necesario, pero no es todo el set de evidencia que un asistente puede recuperar.

En el análisis de Aleyda Solis sobre citas de IA-search en SaaS, las fuentes de terceros generaron entre el 84% y el 93% del peso de las citas en las subverticales y plataformas que estudió. Su conclusión es contundente:

“La mayor parte del peso de las citas de IA proviene de fuera de tu propio sitio web.”

Esto es un patrón medido en categorías de SaaS, no un factor de ranking confirmado por proveedores. Nos dice dónde aparecieron las citas en su análisis; no demuestra que publicar una sola mención en una comunidad haga que un asistente recomiende una marca.

Aun así, la implicación práctica sigue siendo importante. La documentación, publicaciones establecidas, reseñas, comparaciones, discusiones de la comunidad, videos y sitios de software de pares crean evidencia independiente. Un asistente tiene más material para trabajar cuando varias fuentes creíbles coinciden en lo que hace una empresa, que cuando cada afirmación nace en la home de esa empresa.

Nuestra guía sobre dónde encuentran los LLM tu marca analiza esas superficies externas con más detalle.

No lo conviertas en spam de menciones sintéticas. Un trabajo externo bien hecho se ve así:

1. Publica datos originales, documentación, ejemplos o definiciones que valga la pena citar.
2. Logra aparecer en comparativas relevantes en lugar de fabricar docenas de listados delgados.
3. Mantén los hechos del producto consistentes entre tu sitio web y los perfiles de terceros.
4. Entrega a los autores una URL fuente estable para las afirmaciones importantes.
5. Corrige inexactitudes en el material cuando tengas una vía legítima para hacerlo.

SEOJuice es un equipo de dos personas, Lida y yo. No podemos supergastar a grandes empresas SaaS en PR, así que nuestra palanca más realista es que nos puedan citar: documentación de producto clara, ejemplos reproducibles y URLs que sobreviven a cambios operativos.

Ese último punto se volvió concreto cuando migramos seojuice.io a seojuice.com en enero de 2026. Un cambio de dominio no es solo un proyecto de rankings en Google. Las redirecciones, los canonicals, los enlaces internos y las referencias de terceros actualizadas también preservan el rastro de la fuente que los asistentes pueden recuperar (y sí, el cleanup de la migración tomó más que la lista de verificación “limpia” que implicaba).

Un orden práctico de optimización para LLM: operaciones y prioridades

Trabaja en orden de dependencias. Pulir contenido no rescata una página excluida de la recuperación.

Elige prompts que representen una decisión real: “¿Qué herramientas agregan automáticamente enlaces internos a un blog SaaS?” es más diagnóstica que escribir tu nombre de marca y pedirle al modelo que la revise. Los prompts con marca suelen probar si el asistente puede encontrarte; los prompts de categoría y de comparación prueban si te selecciona.

Registra el asistente, el modelo o el modo, el prompt exacto, la fecha, el estado de navegación, las marcas mencionadas, las URLs citadas y el orden de recomendaciones. Un modelo que responde desde memoria de entrenamiento no es la misma prueba que un asistente que recupera fuentes en vivo.

Espera ruido. Las respuestas generadas cambian, la personalización puede interferir y no existe un equivalente de Google Search Console que reporte cada impresión de IA. Antes confundí un puñado de prompts exitosos con una tendencia. Los screenshots se ven convincentes; cinco observaciones siguen siendo cinco observaciones.

Dónde encaja SEOJuice

SEOJuice no puede garantizar que un LLM te cite. Ninguna herramienta externa controla los sistemas de recuperación y síntesis del asistente.

Lo que automatizamos forma parte de la capa prerequisito. SEOJuice funciona en un sitio en vivo y aplica de forma continua enlaces internos, títulos y descripciones meta, markup de schema y texto alternativo de imágenes. Estas mejoras apoyan la descubribilidad y una estructura limpia del sitio, pero no deberían venderse como factores secretos de ranking de ChatGPT.

Para medición, nuestro AI visibility checker prueba si motores de IA mencionan o citan tu marca para prompts seleccionados. Muestra dónde apareces y dónde estás ausente; no fabrica una cita.

Si esa es la brecha que necesitas diagnosticar, mira si ChatGPT y Perplexity mencionan tu marca con el AI Visibility Checker gratuito. SEOJuice tiene un plan gratuito y no requiere tarjeta de crédito.

El cambio más amplio no es que el SEO “murió”. El SEO clásico es necesario pero insuficiente porque la recuperación sigue dependiendo de la web abierta, mientras que el output deseado pasó de posicionar un enlace a convertirse en parte de la respuesta. Ese es el cambio práctico del SEO al GEO.

Preguntas frecuentes

¿Qué es LLM SEO?

LLM SEO es la práctica de optimizar una marca y su contenido para que asistentes como ChatGPT, Claude, Gemini y Perplexity puedan mostrarla y citarla dentro de respuestas generadas. También se conoce como LLMO, GEO, AISO o answer-engine optimization. El resultado principal es una mención o cita, no una posición de blue link.

¿Cómo deciden los LLM qué citar?

Una respuesta puede combinar datos de preentrenamiento, recuperación en vivo de la web y un índice subyacente como Google, Bing o el propio índice del proveedor. Para las citas actuales, concéntrate en la recuperación en vivo: permite a los bots de búsqueda relevantes, mantente indexable y publica pasajes claros con fuente. Más allá de esas puertas de acceso, los proveedores no han publicado sus fórmulas de selección de citas.

¿En qué se diferencia LLM SEO de Google SEO?

El SEO clásico normalmente apunta a un resultado de búsqueda con ranking. LLM SEO apunta a la inclusión dentro de una única respuesta sintetizada. La indexabilidad, la autoridad y los enlaces aún apoyan la recuperación, pero las tácticas de densidad de palabras clave no se transfieren. La medición también cambia: de posiciones y clics hacia pruebas repetidas con prompts, menciones, fuentes citadas y la inclusión en recomendaciones.

¿Cómo dejo que ChatGPT y Perplexity encuentren mi sitio?

No bloquees sus rastreadores de búsqueda: OAI-SearchBot para ChatGPT y PerplexityBot para Perplexity. OpenAI y Perplexity identifican por separado a ChatGPT-User y Perplexity-User como fetchers disparados por el usuario. Los crawlers de entrenamiento como GPTBot son distintos a la recuperación de búsqueda, así que puedes tomar decisiones de acceso diferentes para entrenamiento y búsqueda.

¿Debería bloquear bots de IA en mi sitio?

Separa la decisión de entrenamiento de la decisión de visibilidad. Bloquear GPTBot o ClaudeBot excluye contenido de la colección de entrenamiento de esos proveedores. Bloquear OAI-SearchBot, PerplexityBot o Claude-SearchBot puede eliminar el sitio de sus superficies de recuperación. Un sitio que busca citas de IA debería, en general, mantener accesibles a los bots de búsqueda relevantes mientras define su propia política sobre crawlers de entrenamiento.

¿Puedo garantizar que un LLM cite mi empresa?

No. Puedes controlar la capacidad de rastreo, la indexabilidad, la claridad factual y la calidad de tu evidencia externa. El trabajo experimental sugiere que las citas entrecomilladas, las estadísticas y las fuentes citadas pueden mejorar la visibilidad en respuestas generadas, mientras que el análisis de practitioners muestra un peso sustancial de citas en sitios de terceros. Ninguno ofrece una cita garantizada y ningún proveedor ha publicado una lista completa de factores de ranking.

Devuelve el contenido traducido en