Cómo deciden los motores de IA qué marcas citar: datos y mecanismos

Resumen. Los motores generativos —ChatGPT, Perplexity, Google AI Overviews, Gemini, Claude y Copilot— se han situado entre el comprador y las webs de los proveedores, y los datos de comportamiento son concluyentes: en un estudio del Pew Research Center sobre 68 879 búsquedas en Google, los usuarios hicieron clic en un resultado clásico en el 8 % de las visitas cuando aparecía un resumen de IA, frente al 15 % sin resumen [1]. La visibilidad se desplaza de las posiciones a las respuestas. Este whitepaper explica cómo funciona la selección de fuentes en los motores generativos, resume los datos revisados por pares y los datos de la industria sobre qué la mueve, y esboza un programa basado en medición para las marcas. Su tesis central: la cita es una propiedad del contenido, no una casualidad; se puede construir y monitorizar.

1. Contexto: de listas ordenadas a respuestas redactadas

Dos conjuntos de datos de 2025 cuantifican este desplazamiento. El Pew Research Center analizó el comportamiento de navegación de 900 adultos estadounidenses en 68 879 búsquedas de Google en marzo de 2025: el 18 % de las búsquedas generó un resumen de IA, y esas páginas se activaron con mucha más frecuencia por formulaciones en forma de pregunta y por consultas largas; el 53 % de las consultas de diez palabras o más generaron uno [1]. Ahrefs, al analizar 300 000 keywords con datos agregados de Google Buscar Console, encontró una tasa de clic del primer resultado un 34,5 % inferior cuando había AI Overview (abril de 2025) y de alrededor del 58 % en diciembre de 2025 [2].

La justificación de tráfico del SEO clásico se erosiona justo en el momento en que una nueva superficie —la respuesta misma— se convierte en el punto de decisión. En ese entorno, la unidad de competencia ya no es la posición, sino la mención: si se nombra la marca, en qué punto de la respuesta y con qué precisión se describe.

2. Alcance y método

Este whitepaper reúne tres tipos de datos:

1. Investigación revisada por pares: sobre todo el estudio GEO-bench de la Universidad de Princeton, el IIT Delhi y el Todosen Institute for AI, publicado en KDD 2024 [3], así como los trabajos de seguimiento de la Carnegie Mellon University [4].
2. Mediciones industriales a gran escala: el conjunto de datos de comportamiento del Pew Research Center [1] y los estudios de keywords y marcas de Ahrefs [2][5].
3. Nuestra práctica de seguimiento: conjuntos de prompts neutros que se ejecutan a diario en seis motores y con los que comprobamos si los resultados publicados se generalizan a los motores en producción.

Cada cifra está atribuida a su fuente y los estudios de proveedores se identifican como tales. No pretendemos conocer los mecanismos internos de los motores; la lógica de selección del apartado 3 se deduce de magnitudes de entrada y de salida observables.

3. La cadena de selección

Bajo interfaces distintas, los motores generativos siguen una cadena en gran medida similar:

1. Comprensión de la pregunta. El motor reescribe el prompt del usuario en una o varias consultas tipo búsqueda y añade contexto que el usuario nunca introdujo: ubicación, categoría de producto, señales de presupuesto.
2. Recuperación. Esas consultas se ejecutan contra un índice de búsqueda o el corpus rastreado del motor. Solo los documentos que posicionan suficientemente bien para las consultas reescritas pasan a la siguiente fase; un fallo de recuperación es invisible e irreversible.
3. Selección y compresión. El modelo lee los documentos recuperados y decide qué fuentes respaldan cada afirmación. Todo lo demás se descarta, con independencia de la posición. Los huecos de cita por respuesta son escasos: unas pocas fuentes sobreviven de entre decenas recuperadas.
4. Composición. Se redacta la respuesta y las fuentes supervivientes se convierten en las citas visibles, siempre que las haya.

Consecuencia práctica: una buena posición en la búsqueda clásica es necesaria, pero no suficiente. Una página puede estar en primera posición y no ser citada nunca si el modelo no puede extraer de ella afirmaciones atribuibles.

4. Hallazgos

H1 — Los cambios de contenido mueven la visibilidad, de forma medible

El benchmark GEO-bench (unas 10 000 consultas, nueve estrategias de modificación de contenido, varios motores generativos) mostró que añadir citas textuales, estadísticas y fuentes aumentó la visibilidad de las páginas en las respuestas generadas hasta alrededor de un 40 % en términos relativos; las citas textuales y las estadísticas nombradas de forma explícita figuraron entre las palancas más potentes, mientras que la única táctica heredada probada, el keyword stuffing, dio un resultado negativo [3]. Los trabajos complementarios de la CMU muestran que el contenido cooperativo y semánticamente explícito logra tasas de cita entre un 35 % y un 60 % superiores a sus equivalentes lacónicos o adversariales [4]. La dirección es constante: los motores premian las fuentes que hacen las afirmaciones fácilmente verificables y extraíbles.

H2 — La corroboración supera al tamaño

El estudio de Ahrefs sobre 75 000 marcas muestra que las menciones web de una marca correlacionaban 0,664 con su presencia en AI Overviews, una asociación más fuerte que los backlinks o el dominio, y que las marcas de la mitad inferior por volumen de menciones resultaban prácticamente invisibles en las respuestas de IA [5]. Que fuentes independientes le describan de forma coherente importa más que la autoridad de su propia web.

H3 — Visibilidad y tráfico se desacoplan

Pew encontró que los usuarios hicieron clic en una fuente dentro del resumen de IA en solo el 1 % de las visitas y que cerraron la sesión tras el 26 % de las páginas con resumen [1]. Ahrefs muestra que incluso los resultados en décima posición perdieron alrededor de un quinto de sus clics [2]. Ser citado en la respuesta se convierte cada vez más en toda la exposición: el clic ya no puede darse por hecho.

H4 — Los motores divergen, así que los promedios engañan

En nuestro seguimiento diario, el mismo prompt neutro produce con regularidad marcas citadas distintas en ChatGPT, Perplexity y AI Overviews, y esas diferencias se desplazan con el tiempo. Coincide con la observación de los autores de GEO-bench: la eficacia de las estrategias varía según la consulta y el motor [3]. Por tanto, una auditoría de un solo motor es estructuralmente engañosa: mide una muestra de exactamente una distribución.

H5 — La actualidad cuenta, de forma selectiva

Los motores ponderan más la actualidad en preguntas sensibles al tiempo y toleran datos antiguos en definiciones estables. El consejo general de «actualizarlo todo» desperdicia esfuerzo; la inversión en frescura debe seguir a las preguntas en las que la desactualización cambia la respuesta.

5. Implicaciones para las marcas

• Trate la respuesta como una landing page. La descripción de marca dentro de una respuesta de IA hace hoy lo que antes hacía una etiqueta title.
• Invierta en afirmaciones extraíbles y fuentes nombradas. Son las palancas con tamaños de efecto publicados [3][4].
• Construya descripciones de terceros coherentes. La corroboración por fuentes independientes es la asociación más fuerte a nivel de marca con la visibilidad en IA [5].
• Mida por motor, por prompt y en el tiempo. Las auditorías puntuales confunden las diferencias entre motores con una evolución real.
• No espere a que los clics sigan a las citas. Informe de la visibilidad como un resultado en sí mismo [1][3].

6. Límites

Los benchmarks miden visibilidad relativa en condiciones controladas, no ingresos; la relación entre visibilidad y resultados de negocio no está documentada. Los estudios de proveedores presentan asimetrías de divulgación: las metodologías y las muestras difieren, y los motores evolucionan más rápido de lo que se pueden replicar los estudios. Las cifras aquí citadas son orientativas y están fechadas; ninguna debería leerse como una constante permanente. Nuestros propios datos de seguimiento son datos observacionales de seis motores y de las categorías de nuestros clientes.

7. Recomendaciones

1. Construya un conjunto estable de prompts a partir de las preguntas que sus compradores plantean realmente a los motores; fíjelo antes de cambiar nada en la web.
2. Revise las páginas clave en busca de afirmaciones extraíbles y de claridad de entidad: redacte de modo que los párrafos puedan sostenerse por sí solos.
3. Identifique las fuentes de terceros que se citan en su categoría y tome sus estándares editoriales como referencia para sus propios contenidos.
4. Ejecute el conjunto de prompts a diario en todos los motores; siga la tasa de mención, la posición y las fuentes citadas como tendencias separadas.
5. Contraste la tendencia de visibilidad en IA con las métricas de la búsqueda clásica, y cuente con que diverjan.

Referencias

1. Pew Research Center, «Google users are less likely to click on links when an AI summary appears in the results», julio de 2025. pewresearch.org
2. Ahrefs, «AI Overviews Reduce Clicks by 34.5%» (abril de 2025) y actualización de diciembre de 2025 (300 000 keywords, datos de Google Buscar Console). ahrefs.com/blog/ai-overviews-reduce-clicks
3. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A., «GEO: Generative Engine Optimization», KDD 2024. arXiv:2311.09735
4. Chen, et al., «What Generative Buscar Engines Like», Carnegie Mellon University, 2025. arXiv:2510.11438
5. Ahrefs, «An Analysis of AI Overview Brand Visibility Factors (75K Brands Studied)», 2025. ahrefs.com/blog