GEO — Generative Engine Optimization
Disciplina de optimización orientada a incrementar la probabilidad de que el contenido de un dominio sea recuperado, citado y referenciado en las respuestas generadas por motores de IA —ChatGPT, Perplexity, Google AI Overviews, Gemini, Copilot y Claude. El término fue formalizado académicamente por Aggarwal et al. en el paper presentado en KDD 2024, que introdujo los primeros constructos de medición con diseño experimental controlado: puntuación de impresión, recall de citación y precisión de citación.
La unidad de recuperación del GEO es el pasaje, no la página. Los sistemas RAG (Retrieval-Augmented Generation) que alimentan los motores generativos indexan y recuperan fragmentos de texto en función de su relevancia semántica para la consulta, con independencia de la autoridad del dominio del que proceden. Esto invierte parcialmente la lógica del SEO: un pasaje con alta densidad de datos verificables, formato BLUF y citas atribuidas puede ser recuperado por encima de contenido procedente de dominios con mayor autoridad, pero menor extractabilidad.
Diferencia clave respecto al SEO: GEO optimiza para ser citado como fuente dentro de una respuesta sintetizada, no para aparecer como resultado en una lista ordenada. El objetivo no es el clic sino la citación, y el impacto de negocio se mide en términos de share of voice generativo, mention rate y citation rate, no en posiciones de ranking ni en tasa de impresiones.
AEO — Answer Engine Optimization
Término utilizado de forma prácticamente intercambiable con GEO en la comunidad de práctica —aproximadamente el 59% de los profesionales del sector usan "GEO" según un análisis de LinkedIn de Search Engine Land, mientras que plataformas como Profound y algunos marcos de agencia prefieren "AEO". La distinción más extendida, cuando se hace, es de énfasis: GEO pone el acento en los motores generativos como plataforma, AEO pone el acento en la intención del sistema —producir respuestas directas en lugar de listas de resultados. En términos operativos, los criterios de optimización son idénticos.
El término AEO tiene precedentes anteriores al auge de los LLMs —se usaba para describir la optimización para featured snippets, respuestas de voz y posición cero en Google— lo que puede generar ambigüedad en conversaciones con clientes que tienen experiencia previa en SEO. Cuando se usa en el contexto de las auditorías de GEO/AEO, AEO designa exclusivamente la optimización para motores generativos de IA, no para las formas anteriores de respuesta directa en buscadores.
AI Search
Término paraguas que engloba todas las interfaces de búsqueda alimentadas por modelos de lenguaje de gran escala, independientemente de su arquitectura específica. Incluye los motores conversacionales puros como ChatGPT con browsing y Perplexity, las capas generativas integradas en buscadores tradicionales como Google AI Overviews y AI Mode y Microsoft Copilot, y los asistentes con capacidad de búsqueda web como Claude y Gemini. No es un término técnico preciso sino una categoría funcional útil para comunicar con audiencias no técnicas.
AIO — AI Overview
Designa específicamente la capa de respuesta generativa que Google integra en sus SERPs desde mayo de 2023 —conocida durante su fase de prueba como SGE (Search Generative Experience)— y que en 2025 aparece en aproximadamente el 25–30% de las búsquedas según el análisis de Conductor sobre 21,9 millones de consultas. El AIO se despliega en la parte superior de los resultados orgánicos, antes de la posición 1, y sintetiza una respuesta directa citando entre 3 y 7 dominios. Su impacto en el CTR orgánico es el más documentado del sector: el estudio de Ahrefs de diciembre de 2025 encontró una caída del 58% en el CTR de la posición 1 cuando un AIO aparecía en la misma consulta.
A diferencia de los demás motores generativos, los AI Overviews mantienen la correlación más alta con las señales de SEO tradicional, especialmente con el top-10 orgánico —Conductor documentó un solapamiento creciente del 32% al 54% en 16 meses— lo que significa que los dominios con SEO sólido tienen ventaja en este motor específico respecto a otros como ChatGPT o Perplexity.
Agentic Engine Optimization (término emergente, uso cauteloso recomendado)
Optimización orientada a la visibilidad en sistemas de agentes de IA —arquitecturas que encadenan múltiples llamadas a herramientas, búsquedas y acciones autónomas para completar tareas complejas sin intervención humana en cada paso. A diferencia de un motor generativo conversacional que responde a una consulta puntual, un agente puede descomponer una tarea en subtareas, ejecutar búsquedas múltiples, leer documentos, comparar opciones y tomar decisiones intermedias de forma autónoma.
Las implicaciones para la visibilidad son distintas a las del GEO convencional: un agente que está investigando proveedores para un cliente, por ejemplo, no solo recupera pasajes —puede navegar sitios completos, leer PDFs, comparar precios y generar informes de síntesis. Esto sugiere que la extractabilidad a nivel de pasaje, aunque sigue siendo relevante, no es suficiente; la estructura de información a nivel de sitio, la disponibilidad de datos en formatos legibles por máquinas y la coherencia de la entidad de marca a través de todas las fuentes cobran mayor importancia relativa.
Por qué el término requiere cautela: en mayo de 2025 no existe investigación empírica consolidada sobre qué factores determinan la visibilidad en sistemas agénticos reales desplegados a escala. El término circula en publicaciones especializadas pero sin el respaldo metodológico que tienen GEO y AEO. La recomendación es tratarlo como señal de dirección estratégica, no como pilar operativo todavía justificable.
SEO — Search Engine Optimization
Disciplina de optimización orientada a mejorar la posición de un dominio o una URL en los resultados orgánicos de los motores de búsqueda tradicionales, fundamentalmente Google. Opera sobre tres ejes interdependientes: el técnico —rastreabilidad, indexabilidad, velocidad, estructura de URLs, Core Web Vitals—, el de contenido —relevancia semántica, intención de búsqueda, densidad de entidades, estructura de encabezados— y el de autoridad —perfil de backlinks, menciones de marca, señales de confianza del dominio.
La unidad de recuperación del SEO clásico es la página: el algoritmo evalúa si una URL es relevante para una consulta y la posiciona en función de su autoridad relativa respecto a otras URLs competidoras. El resultado que produce es una lista ordenada de diez resultados orgánicos por página de resultados —los SERPs— donde la posición 1 concentra históricamente entre el 25% y el 35% de los clics.
Lo que el SEO no captura en 2025: la visibilidad en respuestas generativas de IA, que no opera sobre rankings de URLs sino sobre selección de pasajes; el tráfico absorbido por los AI Overviews de Google, que no se refleja en Search Console como categoría independiente; y la percepción de marca en sistemas que construyen su conocimiento sobre entidades de forma distribuida a través de múltiples fuentes, no exclusivamente desde el dominio propio.
SERPs — Search Engine Results Pages
Páginas de resultados que un motor de búsqueda devuelve en respuesta a una consulta. En el contexto del SEO tradicional, los SERPs de Google incluyen resultados orgánicos, resultados de pago, featured snippets, People Also Ask, Local Pack, Knowledge Panel y, desde 2023, los AI Overviews. La anatomía de los SERPs es relevante en GEO/AEO porque los AI Overviews desplazan físicamente los resultados orgánicos hacia abajo, reduciendo la visibilidad de posiciones que antes eran privilegiadas sin que ese desplazamiento sea detectable en las métricas de Search Console.
IndexNow
Protocolo abierto desarrollado por Microsoft Bing —y adoptado posteriormente por Yandex, Seznam y otros motores— que permite a los propietarios de sitios web notificar en tiempo real a los motores de búsqueda participantes cuando una URL ha sido creada, actualizada o eliminada, sin necesidad de esperar a que el crawler descubra el cambio por sí mismo. Su relevancia en GEO/AEO deriva de que la búsqueda de ChatGPT está construida sobre el índice de Bing, y Microsoft Copilot también opera sobre ese índice. Un sitio que implementa IndexNow comunica sus cambios de contenido a Bing con mayor velocidad, lo que se traduce en que las actualizaciones —relevantes para la señal de frescura que los motores generativos priorizan— se reflejan antes en las respuestas de ChatGPT y Copilot. La implementación es técnicamente sencilla: requiere añadir una clave de API y enviar notificaciones HTTP al endpoint de IndexNow cuando hay cambios en el sitemap.
Schema Markup / Datos estructurados
Vocabulario estandarizado —mantenido por Schema.org, una iniciativa colaborativa de Google, Bing, Yahoo y Yandex— que permite a los propietarios de sitios web añadir metadatos semánticos legibles por máquinas al HTML de sus páginas mediante sintaxis JSON-LD, Microdata o RDFa. El objetivo es proporcionar a los motores de búsqueda y a los modelos de lenguaje información estructurada sobre el tipo de entidad que describe la página, sus atributos y sus relaciones con otras entidades, reduciendo la ambigüedad en la interpretación del contenido.
En el contexto GEO/AEO, el schema cumple una función de desambiguación semántica: ayuda al modelo a entender que "Apple" en una página de tecnología es la empresa Apple Inc. y no la fruta, que el autor de un artículo es una persona con credenciales verificables y no solo un nombre en texto plano, y que el producto descrito tiene un precio, una valoración y una disponibilidad específicos. Microsoft ha confirmado explícitamente que Bing y Copilot utilizan el schema para ayudar a sus LLMs a interpretar el contenido; para Google AI Overviews la evidencia es indirecta pero consistente.
Tipos de schema con mayor relevancia en auditorías GEO: Organization, Person, Article/BlogPosting, FAQPage, HowTo, Product, Offer, Review, Speakable, BreadcrumbList y los atributos sameAs.
SameAs
Propiedad de Schema.org que establece un enlace semántico entre la entidad descrita en una página y sus representaciones en otras fuentes autoritativas de la web —LinkedIn, Wikidata, Crunchbase, Wikipedia, ORCID, directorios académicos o profesionales. Desde la perspectiva de un modelo de lenguaje, los enlaces sameAs son el mecanismo por el que puede verificar de forma independiente que la información del dominio propio es coherente con lo que otras fuentes dicen sobre la misma entidad, lo que aumenta su confianza en esa entidad y su disposición a citarla.
Un sameAs bien implementado convierte una entidad local —definida únicamente en el dominio propio— en una entidad conectada al Knowledge Graph global, lo que tiene consecuencias directas en la probabilidad de citación: el estudio de Wellows de 2025 identificó que una densidad de 15 o más entidades conectadas en el Knowledge Graph de Google correlaciona con un aumento de 4,8 veces en las citaciones en AI Overviews.
Knowledge Graph de Google
Base de datos semántica de Google que almacena entidades —personas, organizaciones, lugares, productos, conceptos— y las relaciones entre ellas, construida a partir de fuentes como Wikipedia, Wikidata, Freebase, datos estructurados del web y señales de búsqueda. El Knowledge Graph alimenta el Knowledge Panel que aparece en los SERPs cuando se busca una entidad reconocida, pero su función más estratégica en GEO es que actúa como grafo de verificación para los modelos de lenguaje de Google: una entidad presente en el Knowledge Graph con atributos consistentes y bien conectados es una entidad que los modelos de Google pueden describir con mayor precisión y citar con mayor confianza.
La presencia en el Knowledge Graph no es declarativa —una empresa no puede simplemente "inscribirse". Se construye a través de la coherencia de los datos estructurados del dominio propio, la existencia de un artículo en Wikipedia, la presencia en Wikidata con referencias verificables, y la co-ocurrencia de la entidad en múltiples fuentes autoritativas de forma consistente.
Wikidata
Base de conocimiento colaborativa y de acceso libre mantenida por la Fundación Wikimedia, estructurada como grafo de conocimiento donde cada entidad —denominada ítem— tiene un identificador único (Q-number) y un conjunto de propiedades con valores vinculados a otras entidades o a fuentes verificables. A diferencia de Wikipedia, que almacena contenido en prosa, Wikidata almacena datos estructurados legibles por máquinas, lo que la convierte en una fuente primaria para los sistemas de IA que necesitan verificar atributos de entidades.
Su relevancia en GEO/AEO es doble. Primero, es una de las fuentes que Google utiliza para construir y enriquecer su Knowledge Graph, por lo que una entidad bien documentada en Wikidata tiene mayor probabilidad de aparecer en el Knowledge Panel y de ser descrita con precisión por los AI Overviews. Segundo, los modelos de lenguaje entrenados con datos de la web han absorbido información de Wikidata directamente, lo que significa que una entidad con registro en Wikidata es más probable que sea reconocida como entidad desambiguada —y no como referencia ambigua— cuando un modelo la encuentra en un texto que está evaluando para citar.
NAP — Name, Address, Phone
Acrónimo del SEO local que designa el conjunto mínimo de datos de identificación de una entidad de negocio: nombre, dirección y teléfono. En GEO/AEO, el concepto se extiende a lo que podría llamarse NAP+ o consistencia de entidad: la coherencia de estos atributos —más el nombre de dominio, la descripción de la empresa, los cargos directivos y los descriptores de producto— a través de todas las plataformas en las que la marca tiene presencia: Google Business Profile, LinkedIn, Crunchbase, Wikipedia, Wikidata, plataformas de reseñas y el propio dominio. La inconsistencia en cualquiera de estos atributos —diferente denominación social, dirección desactualizada, descripción divergente del servicio principal— genera señales contradictorias que los modelos de lenguaje interpretan como incertidumbre sobre la entidad, reduciendo su disposición a citarla como fuente autoritativa.
Chunking semántico
Técnica de estructuración del contenido que consiste en organizar la información en fragmentos —chunks— autónomos y semánticamente completos, habitualmente de 100 a 400 palabras, cada uno centrado en una única pregunta, idea o subtema, y redactado de forma que pueda comprenderse en su totalidad sin necesidad de leer el resto del documento.
El fundamento técnico del chunking semántico en GEO es la arquitectura de los sistemas RAG: cuando un motor generativo recibe una consulta, no descarga páginas completas sino que indexa y recupera fragmentos de texto en función de su similitud vectorial con la consulta. Un fragmento autónomo puede ser recuperado en múltiples consultas distintas porque su contenido es completo en sí mismo. Un fragmento que depende de contexto anterior —"como hemos explicado arriba" o "esto, a diferencia del enfoque anterior"— pierde coherencia al ser extraído y es descartado o recuperado con menor precisión.
La investigación de NVIDIA citada por Search Engine Land confirmó que el chunking a nivel de página y pasaje produce la mayor precisión en la recuperación RAG. La implicación práctica es que un artículo largo con buena argumentación continua puede ser menos citable que un artículo más breve con secciones modulares aunque su calidad total sea superior, porque los sistemas RAG no evalúan calidad global sino extractabilidad local.
BLUF — Bottom Line Up Front
Principio de estructuración comunicativa procedente de la doctrina militar y de inteligencia estadounidense —donde un informe debe comenzar siempre con la conclusión principal, seguida de los argumentos que la sustentan, invirtiendo la estructura expositiva tradicional. En GEO/AEO, BLUF designa la práctica de comenzar cada página o sección con una respuesta directa y completa a la pregunta principal en las primeras 30 a 50 palabras, antes de desarrollar el contexto, los argumentos o la evidencia.
La justificación técnica del BLUF en contexto generativo es doble. Por un lado, los sistemas RAG asignan mayor peso al contexto inicial de cada fragmento como señal de relevancia para la consulta: una sección que abre con la respuesta directa señala al sistema de recuperación que ese fragmento contiene la información que busca antes de que evalúe el resto. Por otro lado, la investigación de BrightEdge (febrero de 2026) encontró que el 44% de las citaciones de ChatGPT proceden del primer tercio del contenido, lo que sugiere que el sistema de recuperación de Bing —sobre el que opera ChatGPT— sobrepondera el contenido inicial de cada sección respecto al resto.
Un párrafo que cumple BLUF no es un párrafo de titular: es un párrafo que contiene la idea completa, su contexto mínimo necesario y su implicación principal, y que resulta comprensible y útil para el lector —o para el modelo— sin necesidad de leer nada más.
Credenciales de experto verificables
Conjunto de atributos que permiten a un motor de búsqueda o a un modelo de lenguaje verificar de forma independiente que el autor o la fuente de un contenido tiene la experiencia, la formación o la trayectoria relevante para el tema que trata. En el contexto E-E-A-T de Google —Experiencia, Pericia, Autoridad, Confianza— las credenciales de experto verificables son la señal de Pericia (Expertise) operacionalizada de forma que sea comprobable externamente.
En términos prácticos, las credenciales verificables incluyen: bylines de autor con nombre completo visibles en la página; schema de tipo Person con propiedades de jobTitle, affiliation y sameAs enlazando al perfil de LinkedIn, ORCID, perfil académico o directorio profesional relevante; mención de titulaciones, certificaciones o años de experiencia específica en la bio del autor; y co-ocurrencia del nombre del autor en fuentes de terceros —citaciones en artículos de medios especializados, participación documentada en conferencias, publicaciones en repositorios académicos. El estudio de Wellows de 2025 encontró que el 96% de las páginas citadas en AI Overviews incluían credenciales de experto verificables, lo que convierte este factor en uno de los de mayor respaldo empírico en la investigación GEO disponible.