La visibilidad en la IA no funciona como el SEO

De una lógica de ranking a una lógica de representación.

La visibilidad en la IA no funciona como el SEO

Durante años, una parte importante de la visibilidad digital se ha construido alrededor de una pregunta bastante clara: ¿en qué posición aparece una página cuando alguien busca algo en Google? La respuesta nunca fue sencilla, pero el terreno de juego era reconocible. Existía una página de resultados, una lista de enlaces y un conjunto de técnicas destinadas a mejorar la probabilidad de aparecer en las primeras posiciones.

Con los sistemas de inteligencia artificial, ese esquema deja de ser suficiente. Cuando una persona pregunta a ChatGPT, Claude, Gemini o Perplexity qué empresa puede resolver un determinado problema, qué producto debería considerar o qué profesionales trabajan en un ámbito específico, normalmente no recibe una lista de diez enlaces. Recibe una respuesta construida por el sistema, en la que determinadas empresas pueden ser mencionadas, comparadas, utilizadas como ejemplo o directamente ignoradas.

​La diferencia parece pequeña, pero cambia la naturaleza del problema. Ya no basta con preguntarse dónde aparece una página. También importa saber si una empresa entra en el conjunto de opciones que el sistema considera, qué información encuentra sobre ella, qué fuentes utiliza para interpretarla y qué representación termina construyendo en su respuesta.

Antes de buscar, un sistema puede tener ya algunas asociaciones

​Uno de los aspectos más interesantes de esta nueva forma de visibilidad es que una respuesta de IA no siempre comienza con una búsqueda en internet. Los sistemas pueden responder utilizando asociaciones ya presentes en el modelo o recurrir a información externa cuando necesitan datos actuales, específicos o verificables.

En la documentación de su herramienta de búsqueda web para la API, Anthropic describe un funcionamiento en el que Claude puede decidir si una consulta se beneficia de una búsqueda, generar consultas específicas, recuperar resultados y realizar búsquedas sucesivas. Esta documentación se refiere a la integración disponible para desarrolladores y no debe interpretarse como una descripción exhaustiva de todos los comportamientos de la interfaz general de Claude.

ChatGPT también puede activar automáticamente la búsqueda cuando una pregunta requiere información actualizada y reformular la solicitud original en consultas dirigidas a proveedores externos.

Para una empresa, la diferencia entre estos dos escenarios es importante. Publicar hoy una página puede influir potencialmente en una búsqueda que recupere esa página, pero no modifica de forma inmediata las asociaciones que un modelo ya ha construido alrededor de una categoría, un producto o un nombre.

Un estudio publicado por Searchable en 2026 permite observar este fenómeno en Claude. La empresa analizó aproximadamente 95.000 registros de resultados correspondientes a 3.000 prompts durante julio de ese año. En su muestra, las preguntas relacionadas con actualidad, precios o comparaciones de categoría activaban la búsqueda con mucha más frecuencia que algunas consultas generales o evaluativas.

Estos datos son útiles como indicios empíricos para comprender determinados comportamientos, pero no deben convertirse en leyes generales sobre el funcionamiento de todos los sistemas de IA. Se refieren a Claude, a un periodo concreto y a una metodología desarrollada por una empresa que comercializa herramientas de monitorización de visibilidad en inteligencia artificial.

El mismo estudio encontró que, cuando Claude introducía espontáneamente marcas en una pregunta donde el usuario no había mencionado ninguna, el 86% de esos nombres reaparecía posteriormente en la respuesta final. El dato sugiere que las asociaciones iniciales del sistema pueden tener un peso considerable. No demuestra que exista una lista fija de marcas para cada categoría ni que diferentes usuarios vayan a recibir siempre las mismas recomendaciones.

Una investigación posterior de Searchable ayuda a entender mejor el problema de la visibilidad espontánea. En un análisis sobre 3.736 marcas, la marca mediana aparecía únicamente en el 7% de las respuestas cuando el usuario formulaba una consulta sin mencionar previamente ningún nombre. Cuando el prompt ya incluía la marca, la presencia aumentaba hasta el 93%. En ChatGPT, considerado por separado, la diferencia era del 8% frente al 98%.

El dato más significativo no es que una marca aparezca cuando el usuario ya la ha nombrado. Lo relevante es lo difícil que resulta entrar espontáneamente en una respuesta cuando la persona plantea un problema o busca una categoría sin conocer de antemano a las empresas que podrían resolverlo.
Conocer una marca y descubrirla no son el mismo problema.

Cuando la IA busca, tampoco estamos simplemente ante Google con otra interfaz

​Cuando un sistema decide recurrir a información externa, puede ser tentador imaginar un proceso semejante al de una búsqueda tradicional: localizar los primeros resultados y resumirlos. La realidad es más compleja, y los mecanismos pueden variar entre plataformas.

OpenAI explica que ChatGPT utiliza diferentes factores para encontrar información relevante y fiable y que no garantiza una posición determinada dentro de sus resultados. También puede trabajar con proveedores externos y reformular una petición inicial en varias consultas antes de construir la respuesta.

Los datos de Searchable sobre Claude ofrecen un ejemplo de por qué conviene separar las distintas fases del proceso. En su muestra de julio, el 63% de las páginas leídas por Claude coincidía con los diez primeros resultados de Brave, mientras que el 34% coincidía con los diez primeros de Google. Searchable interpreta esta diferencia como una mayor proximidad al índice de Brave, aunque reconoce que Anthropic no ha revelado qué proveedor utiliza.

Este dato puede ser relevante para comprender cómo una página entra en el conjunto de documentos que el sistema llega a consultar. No permite, sin embargo, concluir que para aparecer en Claude sea necesario posicionarse específicamente en Brave.

Una vez que una página ya había sido leída por Claude, aparecía otro fenómeno. La probabilidad de ser citada en la respuesta final variaba relativamente poco según su posición dentro de aquel conjunto: 39,4% para las posiciones 1–3, 37,2% para las 4–6 y 36,8% para las 7–10.

Las dos observaciones describen momentos diferentes. La posición puede influir en la posibilidad de entrar en el conjunto de páginas recuperadas y leídas. Después de ese primer filtro, su importancia parece reducirse en la fase de selección y citación.

El concepto tradicional de ranking, por tanto, no desaparece: cambia de significado según la fase del proceso que estemos observando.

Una revisión crítica de 45 trabajos sobre Generative Engine Optimization publicada en julio de 2026 ayuda a ordenar este escenario. La revisión describe la visibilidad en sistemas generativos como un proceso compuesto por varias etapas: activación de la búsqueda, rastreo e indexación, recuperación de documentos, selección del contexto, generación, citación, fidelidad de la información y comportamiento posterior del usuario.

La evidencia disponible es más sólida cuando se estudia cómo determinadas modificaciones del contenido afectan a su utilización o citación una vez que ese contenido ya ha sido recuperado e introducido en el contexto del modelo. Mucho menos demostrado está que esas intervenciones produzcan por sí mismas una mejora estable de la recuperación orgánica inicial.

Una página puede funcionar bien en una fase y desaparecer en otra. Medir solamente su posición ya no permite describir todo el recorrido.

Tu sitio sigue siendo importante, pero ya no cuenta toda la historia

Esta transformación tiene otra consecuencia para empresas y profesionales: controlar bien el propio sitio web continúa siendo fundamental, pero el sitio es solamente una parte del entorno informativo que un sistema puede utilizar.

Cuando una organización construye su página web, decide cómo se describe, qué servicios presenta, qué experiencia destaca y qué argumentos utiliza. Esa es su representación declarada. Alrededor de ella, sin embargo, existe una representación digital mucho más amplia, compuesta por medios de comunicación, directorios, sitios especializados, instituciones, reseñas, comparadores, publicaciones de terceros y otras fuentes que la empresa no controla directamente.

Los sistemas de IA pueden relacionar ambas capas.

En el estudio de Searchable sobre Claude, el sitio propio de una marca terminaba siendo utilizado en el 31,6% de los casos en los que había sido leído; para ChatGPT, dentro de la misma muestra, la cifra era del 60,9%.
También aparecían diferencias importantes entre tipos de fuentes. La prensa nacional alcanzaba en Claude un 52% de utilización después de ser leída, mientras Reddit y otros foros quedaban en el 8,3%.

Estas cifras pertenecen a una investigación concreta y no deben convertirse en porcentajes universales. Su utilidad está en mostrar que sistemas diferentes pueden relacionarse de formas distintas con un mismo ecosistema documental.

Los datos agregados publicados posteriormente por Searchable apuntan en una dirección similar. En 19,2 millones de citas recogidas en 4,6 millones de respuestas relativas a 7.768 marcas, alrededor del 5% de las citas en consultas sin mención de marca apuntaba al sitio de la propia organización. Cuando el usuario mencionaba expresamente la marca, esa proporción subía aproximadamente al 44%.

La propia empresa advierte que su clasificación automatizada de las fuentes no es perfecta y que estos porcentajes deben considerarse aproximados.

Todo esto modifica la manera de pensar la autoridad digital. La información publicada en el sitio sigue siendo fundamental, pero también importa qué dicen otras fuentes, dónde aparece una organización, con qué conceptos se la relaciona y hasta qué punto las distintas piezas disponibles ofrecen una imagen coherente.
La visibilidad en IA depende así de un ecosistema de información más amplio que la página que una empresa controla directamente.

Medir esta visibilidad es todavía mucho más difícil de lo que parece

El crecimiento de este nuevo ecosistema ha producido también un mercado de herramientas destinadas a medir la visibilidad de empresas y marcas dentro de las respuestas generadas por IA.

Estas plataformas pueden ejecutar cientos o miles de prompts, registrar cuándo aparece una marca, identificar qué dominios son citados y observar cómo cambian los resultados a lo largo del tiempo. Esa información puede resultar útil, especialmente cuando se mantiene constante el conjunto de preguntas y se compara la evolución con organizaciones relevantes del mismo sector.

El problema aparece cuando un indicador parcial se interpreta como una medida total de visibilidad.

La propia Searchable reconoce que no existe un benchmark universal y que los resultados dependen, entre otras cosas, del conjunto exacto de prompts utilizados y del número de marcas que un sistema suele mencionar en sus respuestas.

La revisión académica de 2026 es todavía más prudente. La visibilidad puede variar según el motor utilizado, la fecha, la localización, la formulación de la consulta, la activación o no de la búsqueda y la variabilidad inherente a los sistemas generativos. Entre los estudios revisados tampoco aparece una técnica que haya demostrado de forma estable, longitudinal y transversal a diferentes plataformas un efecto causal sobre la capacidad de un contenido o una organización para ser descubierto orgánicamente y generar resultados posteriores.

Por eso los datos de monitorización deben utilizarse como señales que ayudan a observar un fenómeno, no como una medición definitiva de ese fenómeno.

Esta limitación abre además una cuestión metodológica relevante. Si el número agregado es inestable, adquiere mayor importancia observar cualitativamente qué ocurre detrás de él: qué preguntas generan la aparición de una organización, qué fuentes recupera el sistema, qué información selecciona, qué omite y qué descripción termina produciendo.

Un análisis serio de la visibilidad en IA no debería limitarse a preguntar qué porcentaje de presencia obtiene una marca. También necesita comprender qué representación está generando el sistema y sobre qué información la construye.

De la optimización de páginas a la representación digital

​El SEO sigue teniendo una función importante. Un sitio accesible, bien estructurado, indexable, con información clara y contenidos sólidos continúa siendo una pieza fundamental de la presencia digital. Los sistemas que utilizan búsqueda necesitan poder encontrar documentos, interpretarlos y relacionarlos con las consultas que reciben.

Lo que ha cambiado es el número de capas que intervienen entre una organización y la persona que busca información sobre ella.

Podemos distinguir al menos tres.

La primera es la representación declarada: aquello que la organización decide decir de sí misma mediante su sitio, sus perfiles y sus contenidos. Allí puede definir su identidad, sus servicios, su experiencia, sus capacidades y la posición que desea ocupar.

La segunda es la representación digital: el conjunto de información que existe alrededor de esa organización, incluyendo tanto sus propios contenidos como las fuentes externas que hablan de ella, la clasifican, la citan, la comparan o simplemente la ignoran. Esa representación ya no está completamente bajo su control.

La tercera es la representación construida por la IA. Un sistema recupera solamente una parte de ese ecosistema, la combina con las asociaciones disponibles en su modelo, selecciona determinados elementos y produce una respuesta. Esa respuesta puede ser fiel a la realidad de la organización, incompleta, genérica, desactualizada o incluso contradictoria con la imagen que la propia empresa intenta comunicar.

Es precisamente sobre la distancia entre la realidad de la organización, su representación digital y la representación construida por la IA donde interviene también el Audit IA.

La fidelidad de la información se convierte entonces en una cuestión estratégica. No basta con aparecer. Importa también qué versión de la organización aparece.

Entre estas tres representaciones pueden existir brechas importantes. Una empresa puede poseer capacidades que nunca llegan a hacerse visibles en su ecosistema digital. Puede describirse de una forma mientras las fuentes externas consolidan otra. Puede ser reconocida fácilmente cuando alguien busca su nombre y permanecer prácticamente ausente cuando una persona describe el problema que esa empresa sabe resolver.

También puede ocurrir que diferentes sistemas de IA produzcan representaciones distintas porque recuperan fuentes diferentes o porque interpretan de otro modo la misma información disponible.

La organización puede intervenir directamente sobre una parte de este proceso: mejorar lo que publica, hacer más clara su identidad, estructurar mejor la información, desarrollar contenidos pertinentes y construir una presencia pública más coherente. No controla, en cambio, todas las fuentes externas ni los mecanismos con los que cada sistema selecciona, combina e interpreta esa información.

Aquí aparece la pregunta que probablemente sea más útil que cualquier puntuación aislada de visibilidad:
¿Qué representación de nuestra actividad pueden construir hoy diferentes sistemas de IA a partir de la información que realmente encuentran?

Responderla implica observar qué sabe la organización de sí misma, qué declara públicamente, qué dice de ella su ecosistema digital y qué terminan reconstruyendo los sistemas de inteligencia artificial.

Durante años, el problema central de la visibilidad digital consistió en conseguir una buena posición dentro de una lista de resultados. Esa lógica continúa existiendo, pero ahora convive con otra: entrar en procesos en los que una máquina selecciona información, relaciona fuentes y construye una respuesta.

​La cuestión ya no termina cuando una página ha sido encontrada.
Continúa en la representación que emerge de ella.

Nicola Giuliato
Estrategia, IA y sistemas evolutivos