Qué hace que el contenido sea "citable" por los modelos de IA

Existe una inversión de prioridades que recorre la mayoría de las auditorías GEO/AEO de 2025–2026, y que conviene nombrar antes de entrar en el detalle operativo. Las agencias dedican habitualmente las primeras semanas de un proyecto a tareas de infraestructura técnica —robots.txt, schema markup, llms.txt, validación de Core Web Vitals— porque son tangibles, fácilmente auditables y producen entregables visibles. El problema es que estas son las tareas de menor impacto causal sobre la citabilidad real. Las optimizaciones que los estudios disponibles —desde el paper de Princeton hasta los benchmarks de BrightEdge— identifican como las de mayor impacto son modificaciones de contenido: añadir estadísticas verificables, atribuir citas a fuentes identificables, incorporar referencias outbound a fuentes primarias, estructurar las primeras 50 palabras como respuesta directa, fragmentar la prosa en pasajes autónomos. Y precisamente estas son las tareas que las agencias abordan en último lugar, cuando el presupuesto del cliente ya está parcialmente consumido por las correcciones técnicas previas.

Este capítulo aborda esa inversión y propone una alternativa: organizar los factores de citabilidad en cuatro niveles según la calidad de la evidencia empírica que los respalda, y empezar la optimización por los niveles de mayor evidencia y mayor impacto. La conclusión que orientará el análisis —y que merece subrayarse como hipótesis operativa— es que la citabilidad no es una propiedad emergente del contenido bien escrito. Es una propiedad estructural del contenido específicamente diseñado para ser extraído por sistemas RAG, y esa estructura es modificable con un conjunto acotado de intervenciones cuyo efecto está cuantificado.

La pirámide de evidencia: cómo distinguir lo que funciona de lo que parece funcionar

El campo GEO/AEO produce una cantidad considerable de afirmaciones sobre qué factores influyen en la citabilidad —desde "incluir emojis aumenta la atención del modelo" hasta "el formato Markdown se cita más que el HTML"—, y la mayoría de esas afirmaciones circulan sin distinción entre el tipo de evidencia que las respalda. Una afirmación derivada de un estudio experimental controlado con 10.000 consultas no debería tratarse como equivalente a una afirmación derivada de un análisis observacional sobre 100 dominios, y ninguna de las dos debería tratarse como equivalente a una intuición compartida en un hilo de LinkedIn por un practitioner influyente. La indiferenciación es, en este campo, una forma de imprecisión que daña la credibilidad de quien la sostiene.

La pirámide de evidencia que propone este capítulo organiza los factores de citabilidad en cuatro niveles. El nivel 1 agrupa los factores con respaldo experimental controlado —diseños con grupo de comparación, escala suficiente para significancia estadística y publicación con revisión externa o documentación metodológica completa. El nivel 2 agrupa los factores con correlación observacional fuerte —estudios sobre dominios reales con coeficientes de correlación documentados y muestras representativas, pero sin grupo de control que permita aislar el efecto causal. El nivel 3 agrupa los factores con respaldo causal teórico pero sin medición empírica directa —factores cuyo mecanismo de funcionamiento puede deducirse de la arquitectura conocida de los sistemas RAG, sin que exista todavía un estudio que cuantifique su efecto. El nivel 4 agrupa los factores con respaldo únicamente anecdótico —casos de cliente sin grupo de control, observaciones de practitioners experimentados, hipótesis razonables aún no medidas.

Una auditoría rigurosa debería distinguir explícitamente en qué nivel se sitúa cada recomendación que entrega. Una agencia que presenta todos los factores como equivalentes pierde la oportunidad de orientar al cliente hacia las palancas de mayor impacto y le hace dispersar recursos en optimizaciones de evidencia más débil. Esa dispersión no es solo ineficiente: es la causa más frecuente de auditorías que producen seis meses de trabajo sin movimiento medible en las métricas que importan.

Nivel 1 — Factores con evidencia experimental controlada

El único trabajo experimental controlado a gran escala publicado hasta la fecha es el paper GEO-bench de Aggarwal et al. (KDD 2024), desarrollado conjuntamente por Princeton, Georgia Tech, el Allen Institute for AI y el IIT Delhi. Su diseño —probar nueve métodos de optimización sobre 10.000 consultas distribuidas en diez motores generativos— es el que otorga a sus hallazgos un estatus que ningún estudio observacional posterior puede reclamar. Las tres palancas del nivel 1 surgen directamente de ese trabajo, y cualquier auditoría que aspire a rigor metodológico debería empezar por ellas antes de abordar cualquier otra dimensión.

La primera palanca son las referencias outbound a fuentes primarias. El paper de Princeton documentó un aumento del 115% en la visibilidad de páginas con posicionamiento inicial bajo cuando se añadían citas a fuentes externas autoritativas —papers académicos, documentos regulatorios, informes oficiales de organizaciones reconocidas. El hallazgo es contraintuitivo y merece ser explicitado: citar otras autoridades aumenta significativamente la probabilidad de que el motor te cite a ti. El mecanismo subyacente probable es que el modelo interpreta la presencia de citas outbound como una señal de rigor editorial —un contenido que se basa en fuentes verificables transmite que ha sido construido con criterio académico—, y los sistemas RAG ponderan esa señal en su evaluación de la confiabilidad del pasaje. La consecuencia operativa es que el reflejo defensivo de no enlazar a fuentes externas para "no enviar tráfico fuera del sitio" es estratégicamente equivocado en GEO: cada cita outbound bien colocada es una inversión en la propia citabilidad, no una fuga de autoridad.

La segunda palanca son las estadísticas y evidencia cuantitativa. El paper de Princeton documentó un aumento del 41% en la visibilidad cuando se añadían cifras específicas a afirmaciones que de otro modo serían declarativas. La diferencia entre "el mercado de IA está creciendo rápidamente" y "el mercado de IA crecerá de 184.000 millones a 826.700 millones de dólares entre 2024 y 2030 según Grand View Research" no es solo de precisión: es una diferencia en la probabilidad de que un sistema RAG seleccione ese pasaje como respuesta a una consulta sobre tamaño de mercado. Las cifras desambiguan, anclan el contenido a un momento temporal verificable, y proporcionan al modelo material extractable que puede insertar en su respuesta sin necesidad de reformulación. Una página técnica sin estadísticas, por bien argumentada que esté, está dejando sin activar la palanca de citabilidad de mayor relación coste-impacto disponible.

La tercera palanca son las citas atribuidas a expertos identificables. El paper de Princeton documentó un aumento del 28% en la visibilidad cuando se incorporaban citas con atribución explícita —"Según Marie Haynes, especialista en E-E-A-T..."— frente al mismo contenido sin atribución. La atribución cumple dos funciones simultáneas en el procesamiento RAG: convierte una afirmación en evidencia con responsable identificable, y conecta la página con una entidad que puede tener su propia presencia documentada en grafos de conocimiento. Una cita atribuida a una persona con perfil verificable en LinkedIn, ORCID o Wikipedia añade al pasaje una dimensión de validación que una afirmación impersonal no aporta.

El hallazgo agregado del paper de Princeton —el más relevante para la práctica de auditoría— es que la combinación de estos tres factores produce ganancias del 30 al 40% en la visibilidad, y que las páginas con peor posicionamiento inicial son las que más se benefician. Esto es operativamente decisivo: una marca que parte de baja visibilidad en motores generativos puede generar mejoras desproporcionadamente grandes con intervenciones de contenido focalizadas, sin necesidad de reescribir su sitio entero ni de invertir años en construcción de autoridad de dominio.

Nivel 2 — Factores con correlación observacional fuerte

El segundo nivel agrupa factores cuya correlación con la citabilidad ha sido documentada en estudios observacionales sobre dominios reales con muestreos representativos. Su estatus epistemológico es inferior al del nivel 1 —no hay grupo de control que permita aislar el efecto— pero su consistencia entre estudios y la magnitud de los efectos reportados los convierten en intervenciones operativas defendibles, especialmente cuando se priorizan después de los del nivel 1.

El formato BLUF —responder directamente a la pregunta principal en las primeras 30 a 50 palabras de cada página y de cada sección— es el factor de nivel 2 con mayor respaldo correlacional. La investigación de BrightEdge de febrero de 2026 documentó que el 44% de las citaciones de ChatGPT proceden del primer tercio del contenido recuperado, lo que sugiere que los sistemas de recuperación asignan mayor peso al contexto inicial como señal de relevancia. La consecuencia operativa es que un contenido que llega a su respuesta principal tras tres párrafos de contextualización está dejando esa respuesta fuera del fragmento que el sistema RAG tiene mayor probabilidad de extraer. La auditoría de BLUF no se limita a la primera frase del artículo: cada subsección debería tener su propia apertura BLUF, porque cada subsección es potencialmente un pasaje independiente para el sistema de recuperación.

La completitud semántica —la propiedad de un pasaje de responder íntegramente a una pregunta sin requerir referencias a otras secciones del mismo documento— es el segundo factor de nivel 2 más documentado. El estudio de Wellows de 2025 reportó una correlación de Pearson de r=0,87 entre completitud semántica y posicionamiento en AI Overviews, una de las correlaciones más altas registradas en la literatura GEO disponible. El mecanismo es directo: un sistema RAG extrae fragmentos individuales y los inserta en una respuesta sintetizada; un fragmento que depende del contexto del párrafo anterior pierde sentido al ser extraído y, en consecuencia, es seleccionado con menor frecuencia. La regla operativa que se deriva de este hallazgo es que cada pasaje de aproximadamente 100 a 400 palabras debería poder leerse como una unidad autónoma —el lector que llega a ese fragmento desde una respuesta de IA tiene que poder entenderlo sin haber leído el resto del artículo.

El chunking semántico —la organización del contenido en fragmentos autónomos de longitud uniforme con límites temáticos claros— es la implementación práctica de la completitud semántica, y la investigación de NVIDIA citada por Search Engine Land confirmó que el chunking a nivel de página y pasaje proporciona la mayor precisión en la recuperación RAG. Una página de 3.000 palabras estructurada en seis a diez subsecciones de 300–500 palabras, cada una abierta con BLUF y cada una semánticamente autónoma, es operativamente superior a una página de 3.000 palabras de prosa continua con argumentación entrelazada, aunque la segunda pueda ser más satisfactoria como ejercicio de redacción.

La frescura del contenido es el cuarto factor de nivel 2 con respaldo cuantitativo. Los datos de BrightEdge muestran que el contenido actualizado en los últimos 30 días recibe aproximadamente 3,2 veces más citaciones en plataformas como ChatGPT, cuyo índice de Bing se actualiza con frecuencia. La investigación de Kevin Indig publicada en State of AI Search Optimization 2026 encontró que el contenido con menos de tres meses de antigüedad tiene tres veces más probabilidades de ser citado que el contenido más antiguo. Una fecha de "Última actualización" visible no es solo un elemento de diseño sino una señal funcional que los modelos utilizan para decidir si el contenido es suficientemente reciente para ser fiable en consultas con componente temporal. La regla operativa derivada es que una cadencia de actualización de 30 días en las páginas estratégicas —no reescritura completa, sino actualización con datos nuevos, ejemplos recientes y revisión de afirmaciones temporales— es una palanca de citabilidad cuyo coste es bajo y cuyo efecto está cuantificado.

Por último, los complementos multimodales —imágenes con texto alternativo descriptivo, diagramas, tablas comparativas, vídeos embebidos— han sido identificados por el estudio de Wellows de 2025 como correlacionados con un aumento del 156% en la tasa de citación en AI Overviews. El mecanismo es probable que sea doble: por un lado, los AI Overviews favorecen explícitamente contenido que pueda mostrarse de forma multimodal en la respuesta; por otro, la presencia de elementos no textuales actúa como señal de rigor editorial, equivalente al efecto de las citas outbound en el nivel 1. La advertencia operativa, sin embargo, es que esta cifra del 156% es específica de AI Overviews y no se transfiere automáticamente a ChatGPT o Perplexity, donde el peso de los elementos multimodales es significativamente menor.

Nivel 3 — Factores con respaldo causal teórico

El tercer nivel agrupa factores cuyo mecanismo de funcionamiento puede deducirse de la arquitectura conocida de los sistemas RAG, pero cuyo efecto cuantitativo aún no ha sido medido en estudios públicos. Su inclusión en una auditoría es defendible —el mecanismo es plausible y los costes de implementación son habitualmente bajos— pero la magnitud del impacto que pueden producir individualmente está sujeta a mayor incertidumbre que la de los factores de los niveles 1 y 2.

La claridad de entidad —la consistencia con la que la marca, sus productos y sus autores están definidos en toda la web— es el factor de nivel 3 más relevante. Los modelos de lenguaje no construyen su conocimiento sobre las marcas exclusivamente desde el dominio propio sino de forma distribuida a partir de todas las fuentes en las que la entidad aparece. Una marca con descripciones inconsistentes entre Google Business Profile, LinkedIn, Wikipedia y su propio sitio genera incertidumbre en el modelo, lo que reduce su disposición a citarla como fuente autoritativa. El estudio de Wellows de 2025 documentó que dominios con 15 o más entidades conectadas en el Knowledge Graph reciben 4,8 veces más citaciones en AI Overviews —una cifra observacional sólida, pero cuyo aislamiento causal respecto a otros factores correlacionados no se ha establecido todavía con precisión.

El schema markup ocupa una posición particular en este nivel. Microsoft confirmó explícitamente, a través de Fabrice Canel en SMX Munich (marzo de 2025), que Bing y Copilot utilizan los datos estructurados para ayudar a sus modelos de lenguaje a comprender el contenido. Google ha afirmado que el schema aporta ventajas en los resultados de búsqueda, lo que sugiere un impacto indirecto en los AI Overviews. Sin embargo, un estudio de Search/Atlas de diciembre de 2024 sobre la correlación entre cobertura de schema y tasas de citación no encontró correlación directa cuando el schema se analiza como variable aislada. Esto situa el schema en una posición específica dentro de la pirámide: su mecanismo causal está confirmado por las propias plataformas, pero su efecto independiente es menor del que suele atribuírsele en la conversación comercial. El schema es una capa de habilitación —reduce alucinaciones, desambigua entidades, facilita la recuperación correcta— sin ser una palanca independiente de citabilidad. Una auditoría que dedica más recursos al schema que a las palancas del nivel 1 está mal calibrada en términos de impacto esperado por unidad de esfuerzo.

Las credenciales de experto verificables —bylines de autor con nombre completo, schema de tipo Person con credenciales documentadas, enlaces sameAs a perfiles de LinkedIn, ORCID o directorios profesionales— ocupan el tercer hueco del nivel 3. El estudio de Wellows encontró que el 96% de las páginas citadas en AI Overviews incluían credenciales de experto verificables, una cifra observacional muy alta cuya interpretación causal aún es ambigua —puede ser que las páginas con credenciales reciban más citaciones, o puede ser que las páginas que reciben citaciones tengan más probabilidad de tener credenciales por correlación con prácticas editoriales rigurosas. Independientemente del peso causal exacto, la implementación es de coste bajo y el mecanismo es plausible, lo que la convierte en una recomendación defendible incluso bajo incertidumbre.

Nivel 4 — Factores externos al dominio: la palanca de mayor impacto agregado

El cuarto nivel —la huella de citación externa— es estructuralmente diferente a los tres anteriores porque su objeto de optimización no está en el dominio propio sino en el ecosistema de fuentes de terceros donde la marca aparece descrita y evaluada. Su inclusión como nivel separado, en lugar de como una dimensión más, refleja un hallazgo cuya importancia estratégica es difícil de exagerar: el análisis de SearchIntel de 2026 identificó que aproximadamente el 85% de las menciones de marca en motores de IA generativos proceden de páginas externas al dominio corporativo, y los sitios web propios de las marcas representan solo alrededor del 9% de los dominios citados.

La consecuencia operativa es directa y a menudo no asumida: una auditoría que evalúa solo el dominio propio está analizando el 9% de la palanca real disponible. Las acciones de mayor impacto en el nivel 4 son la presencia activa en los subreddits relevantes de la categoría —Reddit aparece en aproximadamente el 40% de las citaciones de LLMs en general y en el 46,7% de las principales citaciones de Perplexity—, la cobertura y precisión en Wikipedia (47,9% de las principales citaciones de ChatGPT según el estudio de ingeniería inversa de Pallas Advisory de 2025), la presencia en plataformas de reseñas como G2 y Trustpilot, la inclusión en artículos comparativos del sector, y la cobertura en publicaciones especializadas. La auditoría de huella externa no es una extensión opcional de una auditoría de contenido: es la dimensión que más probabilidades tiene de mover las métricas de citabilidad real, especialmente en motores como Perplexity donde el peso de las fuentes externas es desproporcionadamente alto.

LinkedIn merece una mención específica por su comportamiento contraintuitivo. La investigación de BrightEdge encontró que solo los cursos de LinkedIn Learning y los artículos educativos de Pulse son citados por motores generativos, mientras que los posts de liderazgo intelectual y las actualizaciones corporativas son ampliamente ignorados. Esto significa que la inversión en LinkedIn como canal de visibilidad GEO debe orientarse a producción educativa estructurada, no a contenido conversacional ni a comunicación corporativa, contra lo que sugiere la práctica habitual de equipos de marketing.

El factor que casi nadie audita: la especificidad

Existe un factor de citabilidad transversal a los cuatro niveles anteriores cuya importancia operativa rara vez se hace explícita en las auditorías comerciales: la especificidad del lenguaje del contenido. Los avales vagos ("la herramienta resultó útil", "el equipo quedó satisfecho", "la estrategia fue efectiva") son sistemáticamente penalizados por los sistemas RAG en su selección de pasajes, mientras que los resultados específicos y cuantificados ("incrementó los leads cualificados un 34% en Q3 de 2024", "redujo el tiempo de respuesta de 4,2 a 1,7 segundos") son extraídos con fiabilidad significativamente mayor.

El mecanismo es deducible de la propia función del sistema. Un motor generativo que recibe la consulta "¿qué herramientas mejoran la conversión en e-commerce?" busca pasajes que ofrezcan respuesta operativa al usuario. Un pasaje que afirma que "la herramienta X mejora la conversión" no añade información útil porque cualquier herramienta promete eso; un pasaje que afirma que "la herramienta X aumentó la conversión un 23% en e-commerces de moda con tickets medios entre 80 y 150 euros" ofrece especificidad accionable que el sistema puede insertar en su respuesta. La especificidad es, en este sentido, un proxy de utilidad: cuantifica una afirmación de modo que el lector pueda evaluar si aplica a su caso, lo cual es exactamente el tipo de información que los motores generativos están entrenados para priorizar.

La consecuencia operativa para la auditoría de contenido es que cada afirmación cualitativa es un punto débil potencial. Reescribir "los resultados fueron significativos" como "la tasa de conversión pasó del 2,1% al 3,4% en seis semanas" no es una mejora estilística —es una inversión en citabilidad cuyo efecto está alineado con los hallazgos del nivel 1 sobre estadísticas. Una auditoría de contenido bien diseñada incluye una pasada específica para detectar lenguaje vago y proponer reformulaciones cuantificadas, idealmente con acceso a los datos internos del cliente para que esas cifras sean verificables y no inventadas.

El hallazgo contraintuitivo: por qué la autoridad de dominio importa menos de lo esperado

Una de las observaciones más documentadas y menos asumidas del campo GEO/AEO es que la autoridad de dominio —la métrica SEO por excelencia, agregada por herramientas como Ahrefs, Moz y Semrush— tiene solo una correlación moderada con la probabilidad de citación por motores generativos. ZipTie.dev documentó este hallazgo en 2026 con una formulación que merece reproducirse en términos prácticos: un sitio especializado con datos originales densos y estadísticas actualizadas puede superar a un dominio con autoridad significativamente mayor en ChatGPT y Perplexity, mientras que en Google AI Overviews la correlación con SEO tradicional sigue siendo más fuerte.

La explicación está en la propia arquitectura de los sistemas. Los motores generativos no ponderan backlinks como sistema de votación —recuperan pasajes evaluados por relevancia semántica y calidad informativa. Un pasaje con datos propios, citas atribuidas y referencias outbound es operativamente más útil para el modelo que una página de alta autoridad con prosa fluida pero sin elementos extractables. Esta inversión de la dinámica SEO habitual tiene una consecuencia estratégica que afecta directamente al diseño de la auditoría: marcas con autoridad de dominio modesta tienen una ventana de oportunidad real en GEO/AEO si invierten en densidad de contenido específico, antes de que sus competidores con mayor DA descubran las reglas del nuevo juego.

Esta observación matiza una afirmación habitual en informes comerciales: "tu autoridad de dominio es alta, así que tu visibilidad en motores de IA será buena". La correlación existe pero es moderada, especialmente fuera de los AI Overviews de Google. Una auditoría que sustituye el diagnóstico de citabilidad de contenido por el diagnóstico de autoridad de dominio está usando un proxy débil donde la medición directa es accesible. El ejercicio honesto es ejecutar la auditoría de citabilidad con independencia de la autoridad heredada del dominio.

Un flujo operativo para auditar la citabilidad página a página

La sistematización de los cuatro niveles permite proponer un flujo operativo concreto para auditar la citabilidad del contenido de un dominio. La economía del flujo es importante: una auditoría que evalúa todas las páginas de un sitio con todos los criterios produce un informe inabarcable que el cliente no puede priorizar. La práctica madura es seleccionar entre 20 y 50 páginas estratégicas —las que reciben tráfico cualificado, las que cubren las consultas de mayor valor de negocio, las que ya aparecen en respuestas de IA— y aplicar el flujo completo solo a esa selección.

El flujo recomendado tiene seis pasos. El primero es la verificación del formato BLUF en la apertura de cada página y de cada sección: ¿hay una respuesta directa a la pregunta principal en las primeras 30–50 palabras, o el contenido se demora en contextualizaciones? El segundo es la auditoría del chunking semántico: ¿está el contenido organizado en pasajes de 100–400 palabras con autonomía semántica, o predomina la prosa continua con argumentación entrelazada? El tercero es la medición de la densidad de estadísticas y la densidad de citas atribuidas: cuántas afirmaciones cuantificadas y cuántas atribuciones explícitas hay por cada 1.000 palabras, comparado con un benchmark sectorial razonable de entre 8 y 15 estadísticas y entre 3 y 6 citas atribuidas por cada 1.000 palabras de contenido técnico. El cuarto es el inventario de referencias outbound: a cuántas fuentes primarias autoritativas enlaza la página, frente a cuántas debería enlazar dado su tema. El quinto es la verificación de la frescura: fecha de "Última actualización" visible y revisión de afirmaciones temporales que puedan estar obsoletas. El sexto es la auditoría de especificidad: detección de avales vagos y propuestas de reformulación cuantificada.

Cada uno de los seis pasos produce una puntuación parcial sobre la página, y el agregado produce una puntuación de citabilidad página a página que orienta la priorización de reescritura. La regla operativa que vale la pena adoptar es que una página con puntuación inferior al 40% en este flujo no merece optimización marginal —merece reescritura completa siguiendo los principios del nivel 1. Una página con puntuación entre el 40% y el 70% se beneficia de optimización focalizada en los pasos donde más puntos pierde. Una página con puntuación superior al 70% probablemente esté ya en zona de citabilidad, y los recursos se aprovechan mejor optimizando otras páginas con peor puntuación inicial.