Metodología

Cómo el motor decide si la IA puede citar una página: 172 comprobaciones en 8 grupos, en qué se apoya cada medición y qué decide no medir.

• Qué mide GeoScan y qué reconoce que no puede medir

  El motor hace 172 comprobaciones repartidas en 8 grupos sobre cada página. Diez de sus umbrales vienen de mediciones publicadas. Las otras sesenta y cinco variables son criterios propios, informados por esa investigación, y aquí decimos cuál es cuál: una herramienta que esconde esa diferencia le pide confianza en vez de darle algo que comprobar.

• Historial de versiones: de la v1.0 a la v1.2, con la nota que cayó de 96 a 63

  Tres versiones en cinco semanas. La primera puntuaba páginas y lo llamaba preparación para la IA. La segunda preguntó directamente a los modelos y encontró la brecha. La tercera se reconstruyó alrededor de ella, y la misma web que sacaba 96 ahora saca 63. El número bajo es el honesto, y esta página explica por qué publicamos la caída en vez de reescalar en silencio.

• La regla del primer 30%: dónde lee la IA su página de verdad

  El 44,2% de todas las citas de IA se extraen del primer tercio del texto de una página. No del mejor párrafo, no de la conclusión que usted pulió durante una hora. De arriba. Si dentro de ese primer tercio no hay una respuesta autónoma de 40 a 80 palabras, el modelo no tiene nada que llevarse y pasa a una página que sí la tiene.

• Los números ganan a los adjetivos: el 33% sobre el que se sostiene la investigación

  Añadir datos numéricos concretos a una página eleva su visibilidad en las respuestas de IA entre un 33% y un 41%, según las mediciones de GEO-bench de Princeton. No «mejoramos los resultados de forma notable», sino «la conversión subió un 23%». Es uno de los pocos hallazgos de este campo que viene de una medición controlada y no de la opinión de alguien, y además es el cambio más barato de la lista.

• Las citas de expertos son la palanca de contenido más fuerte y casi nadie las usa

  Añadir citas atribuidas a expertos eleva la tasa de citación por IA entre un 28% y un 41%, lo que la convierte en el cambio de contenido más potente medido en el estudio GEO-bench. También resulta ser el cambio que más negocios se saltan, porque exige encontrar a una persona real dispuesta a decir algo concreto y firmarlo.

• La paradoja de la sobrecarga: hacerlo todo bien hace que la IA confíe menos

  Amontonar señales de confianza en una página baja del 55% al 21,2% la probabilidad de que una marca aspirante se cuele en una recomendación de IA. La cifra viene de una investigación sobre sesgo de marca en modelos de lenguaje, e invierte el instinto habitual de la optimización. Más sellos, más citas, más esquema y más certificaciones no suman. Pasado cierto punto, restan.

• Una sola nota esconde el problema: por qué la preparación para IA necesita dos números

  Una nota única no puede describir su situación, porque hay dos cosas independientes que deciden si un modelo le cita: si su página se puede extraer y si el modelo ha oído hablar de su marca. Una web puede ser perfecta en lo primero e invisible en lo segundo. Mezclarlas en un número esconde justo el caso que importa.

• El marcado FAQ es el único sitio donde la IA le cita palabra por palabra

  Una respuesta dentro de marcado FAQPage ya es una unidad completa, etiquetada y autónoma, que es exactamente la forma que un sistema de recuperación intenta construir a partir de su página de todos modos. En cualquier otro sitio, la máquina tiene que adivinar dónde empieza y termina una respuesta. En el marcado FAQ usted le entrega los límites, y la redacción que vuelve en la respuesta suele ser la suya, intacta.

• Le dimos peso cero a llms.txt y aun así lo recomendamos

  Llms.txt es una convención propuesta para decirle a los modelos de lenguaje qué contiene su web y cómo leerla. Ningún proveedor importante de IA se ha comprometido a respetarla. En nuestro motor de puntuación pesa exactamente cero, y aun así recomendamos publicarlo. Ambas posturas son compatibles, y el motivo de que lo sean vale más que el propio archivo.

• Su mejor contenido es un vídeo, y la IA no puede verlo

  Un vídeo incrustado en su página no aporta nada a lo que un modelo de lenguaje puede citar, porque la recuperación trabaja sobre texto y un incrustado es una dirección envuelta en marcado. Los cuarenta minutos de conocimiento que hay dentro son invisibles. Una transcripción en la misma página convierte esos cuarenta minutos en el contenido más citable que usted posee, y casi nadie la publica.

• Nuestra web sacó 96 sobre 100 y cero citas de IA

  Construimos un auditor de preparación para IA, lo pasamos por nuestra propia web y sacamos 96 sobre 100. Después preguntamos a cuatro modelos de lenguaje si nos nombrarían cuando alguien pide una agencia de nuestro sector. Veinticuatro respuestas. Cero menciones. La nota no se equivocaba sobre lo que medía. Se equivocaba sobre lo que decía predecir, y reconstruirla alrededor de esa brecha nos llevó casi un mes.

• El problema del denominador: nadie puede medir la visibilidad en IA y casi todos fingen que sí

  Para enunciar una cuota de visibilidad en IA hace falta saber cuántas veces le citaron y cuántas podrían haberle citado. El segundo número no existe. Nadie sabe cuántas conversaciones relevantes ocurren dentro de los asistentes de IA, qué se preguntó ni qué se respondió. Todo porcentaje de «cuota de voz en IA» que usted haya visto lleva debajo un denominador inventado.

Términos que se usan en esta sección

Citabilidad

Si un modelo puede encontrar, leer y usar la página como fuente. Contenido multiplicado por acceso, no sumado.

Reconocimiento

Si un modelo conoce la marca siquiera, antes de recuperar ninguna página. Se devuelve vacío por debajo de tres señales externas independientes.

Comprobación

Un veredicto separado dentro del informe: un sí o un no concretos, ni un grupo ni una fuente de señal.

Bloqueante

Condición que anula toda la puntuación al margen del resto, como noindex o una prohibición en robots.txt.