Cómo se recuperan, seleccionan y utilizan las fuentes, y qué implica cada etapa para una estrategia GEO.
Una página puede estar indexada, posicionarse para búsquedas relacionadas y no aparecer citada en una respuesta de inteligencia artificial. También puede recibir una cita que respalde solo una pequeña parte de la respuesta.
Para comprender estos resultados, conviene estudiar el recorrido completo: cómo se interpreta la pregunta, qué información se busca, qué documentos se recuperan y cómo se construye la respuesta.
Ese recorrido permite abordar el GEO —Generative Engine Optimization— como un problema de diagnóstico. Antes de modificar un artículo, necesitamos identificar en qué etapa podría estar perdiendo oportunidades.
1. El punto de partida: conocimiento del modelo y fuentes externas
Un modelo de lenguaje puede producir respuestas utilizando conocimiento incorporado durante su entrenamiento. También puede trabajar con información externa proporcionada durante la consulta: documentos, resultados de búsqueda o contenido obtenido mediante herramientas.
Una arquitectura que combina generación y recuperación de información se denomina RAG, por Retrieval-Augmented Generation. El trabajo de Lewis y colaboradores, presentado en NeurIPS 2020, estudió modelos que combinaban conocimiento almacenado en sus parámetros con una memoria externa recuperable. Su implementación utilizaba un índice de Wikipedia y un recuperador neuronal.
El principio es sencillo: antes de responder, el sistema obtiene información que puede utilizar como fundamento.
Sin embargo, RAG describe una familia de enfoques, no una arquitectura idéntica en todos los productos. Un asistente puede consultar un buscador, recuperar documentos privados, acceder a una página directamente o combinar varias herramientas.
Por eso debemos distinguir tres niveles:
- Lo que una plataforma documenta públicamente.
- Lo que conocemos por investigaciones sobre arquitecturas concretas.
- Lo que observamos desde fuera, sin acceso al funcionamiento interno.
Confundirlos conduce a presentar como reglas universales mecanismos que solo hemos comprobado en un entorno.
2. Interpretación de la pregunta: la búsqueda puede empezar con una reformulación
La pregunta del usuario no siempre coincide con las consultas utilizadas para buscar información.
Google describe un mecanismo denominado query fan-out: la generación de búsquedas relacionadas que ayudan a responder una consulta. En su documentación utiliza el ejemplo de un césped con malas hierbas, que puede dar lugar a búsquedas sobre tratamientos, alternativas sin productos químicos y prevención.
La consecuencia editorial es relevante: un artículo puede ser útil para una parte de la necesidad, aunque su título no reproduzca la pregunta completa.
Consideremos esta consulta:
¿Es suficiente el modo Incógnito para proteger mi privacidad cuando utilizo un ordenador compartido?
Para preparar una respuesta sería razonable investigar:
- Qué información deja de conservar el navegador.
- Qué archivos permanecen en el dispositivo.
- Qué puede observar el administrador de la red.
- Qué significa finalizar una sesión.
Estas son subpreguntas propuestas para el ejemplo, no consultas internas observadas en una plataforma.
Para una estrategia GEO, el trabajo consiste en comprender esas necesidades y cubrir las pertinentes. Crear páginas casi idénticas para cada variación verbal puede fragmentar el contenido sin mejorar su utilidad.
3. Descubrimiento e indexación: entrar en el conjunto de fuentes disponibles
Antes de que un sistema recupere una página, necesita disponer de una vía para encontrarla.
Esa vía puede ser un índice de búsqueda, una base documental, un enlace o una herramienta de navegación. Las condiciones dependen del producto.
En las funciones generativas de búsqueda de Google, la documentación vincula la elegibilidad a la indexación y a la posibilidad de mostrar un fragmento. También advierte que cumplir los requisitos no garantiza la aparición.
Esta etapa exige una revisión técnica:
| Pregunta de diagnóstico | Qué conviene revisar |
|---|---|
| ¿La URL está disponible? | Respuesta del servidor y acceso público |
| ¿El sistema puede obtener el contenido? | Bloqueos, autenticación y funcionamiento de la página |
| ¿Puede encontrarla? | Enlaces internos y mecanismos de descubrimiento pertinentes |
| ¿Existe una versión principal identificable? | Duplicados y coherencia de las URLs |
| ¿La información está actualizada? | Contenido servido y versiones disponibles |
Una visita de un robot al servidor demuestra una solicitud, no que el documento haya sido incorporado a una respuesta.
Del mismo modo, estar indexado no demuestra haber sido recuperado para una pregunta concreta.
4. Recuperación: encontrar documentos candidatos
La recuperación busca información pertinente dentro de las fuentes disponibles.
En sistemas de recuperación de información pueden utilizarse coincidencias léxicas, representaciones semánticas o combinaciones de ambas. La coincidencia léxica resulta útil para nombres, identificadores y términos exactos. La búsqueda semántica permite relacionar formulaciones diferentes de una misma necesidad.
El artículo original de RAG constituye un ejemplo de recuperación mediante representaciones vectoriales. Eso no demuestra que todas las búsquedas generativas comerciales utilicen su misma implementación.
Desde la perspectiva del contenido, interesa facilitar una identificación precisa del asunto:
«Privacidad y seguridad digital» describe un ámbito amplio.
«Qué archivos permanecen después de cerrar el modo Incógnito de Chrome» identifica un producto, una acción y una duda concreta.
La precisión ayuda a comprender la pertinencia de una página. No permite conocer la puntuación que le asignará un sistema.
Tampoco basta con añadir palabras relacionadas. Un documento debe contener la información necesaria para responder, con el alcance y los matices adecuados.
5. Selección y contexto: recuperar un documento no implica utilizarlo entero
Después de obtener candidatos, un sistema puede seleccionar, ordenar, filtrar o resumir información antes de generar la respuesta. Las operaciones concretas y su secuencia varían entre implementaciones.
El modelo recibe una entrada limitada: instrucciones, conversación, resultados de herramientas y otros materiales. Este conjunto forma parte de su contexto.
Hay dos problemas distintos:
- Que la información relevante llegue al contexto.
- Que el modelo la utilice correctamente.
El estudio Lost in the Middle analizó cómo la posición de la información afectaba al rendimiento en tareas con contextos largos. Encontró diferencias importantes en los modelos y condiciones evaluados, con dificultades frecuentes cuando la información relevante aparecía en posiciones intermedias.
Ese resultado no justifica una regla como «coloca siempre el dato al principio para conseguir citas». Un editor no controla dónde situará un sistema externo el material recuperado.
Sí invita a evitar una suposición: ofrecer mucho texto no asegura que todos sus detalles sean utilizados con la misma eficacia.
Como criterio editorial, conviene mantener próximas las afirmaciones y las condiciones que determinan su significado.
6. Generación: transformar las fuentes en una respuesta
Durante la generación, el modelo puede sintetizar información de varios documentos, reorganizarla y combinarla con conocimiento previo.
Aquí pueden aparecer errores aunque las fuentes sean correctas:
- Generalizar una afirmación limitada a un producto.
- Omitir una excepción.
- Confundir versiones o fechas.
- Combinar datos que pertenecen a situaciones diferentes.
- Expresar con excesiva seguridad una conclusión incierta.
Por ejemplo, una fuente puede explicar que el navegador elimina determinados datos al finalizar una sesión. Una síntesis defectuosa podría convertirlo en «el modo privado no deja ningún archivo».
El problema ya no sería encontrar una fuente: sería conservar su significado.
Para auditar esta etapa, resulta útil dividir la respuesta en afirmaciones comprobables y contrastar cada una con los documentos correspondientes.
7. Citas: un enlace visible requiere comprobar su relación con la afirmación
Una cita permite acudir a una fuente, pero su presencia no garantiza que respalde correctamente el texto.
Conviene separar dos preguntas:
¿La fuente citada sostiene la afirmación?
Es una comprobación de corrección de la atribución.
¿Las afirmaciones que necesitan respaldo lo tienen?
Es una comprobación de cobertura.
El trabajo Enabling Large Language Models to Generate Text with Citations, aceptado en EMNLP 2023, presentó ALCE, un marco de evaluación que distingue fluidez, corrección y calidad de las citas. Sus resultados muestran por qué evaluar una respuesta exige más que contar referencias. No deben interpretarse como una medición de los productos actuales.
Para una empresa, esto cambia la definición de éxito: recibir una cita tiene menos valor si la respuesta atribuye a su página una recomendación que nunca hizo.
8. Ejemplo completo: una pregunta sobre el modo Incógnito
Utilicemos una fuente real: la ayuda oficial de Google Chrome sobre el modo Incógnito.
La documentación explica que limita la información conservada en el dispositivo al finalizar la sesión, que los archivos descargados y los marcadores permanecen y que determinados terceros pueden observar actividad.
Podemos utilizarla para construir este ejercicio:
| Etapa | Aplicación al ejemplo | Qué comprobar |
|---|---|---|
| Interpretación | Distinguir privacidad local de actividad visible en la red | Que la respuesta identifique ambas dimensiones |
| Recuperación | Localizar documentación sobre Chrome | Que no se utilicen instrucciones de otro navegador |
| Selección | Conservar información sobre sesión, descargas y visibilidad | Que los matices relevantes estén disponibles |
| Generación | Explicar usos y límites | Que no se prometa anonimato |
| Cita | Enlazar la documentación junto a las afirmaciones pertinentes | Que el enlace respalde lo afirmado |
Una propuesta de respuesta sería:
El modo Incógnito de Chrome ayuda a limitar lo que queda guardado de la sesión en el navegador, pero los archivos descargados y los marcadores pueden permanecer. Además, no impide que quienes gestionan la red puedan observar actividad. En un ordenador compartido, debes tener en cuenta esos límites y cerrar todas las ventanas de Incógnito para finalizar la sesión.
Esta redacción es una síntesis didáctica basada en la documentación. No es una respuesta capturada de un asistente ni demuestra un resultado de posicionamiento.
9. Cómo convertir esta arquitectura en un diagnóstico GEO
Desde fuera no podemos observar todas las etapas de una plataforma comercial. Debemos asignar a cada evidencia su alcance.
| Evidencia disponible | Qué permite afirmar | Qué queda sin demostrar |
|---|---|---|
| Solicitud registrada en el servidor | Un cliente pidió una URL | Que leyera o utilizara su información |
| Estado de indexación | La página está en un índice determinado | Que fuera recuperada para una consulta |
| Fuente visible en una respuesta | La interfaz mostró una referencia | Cómo se seleccionó internamente |
| Cita que respalda una afirmación | Existe una atribución verificable en esa respuesta | Que se repita para todos los usuarios |
| Visita atribuida a un servicio | La analítica identificó una llegada | Toda la exposición previa del contenido |
| Conversión registrada | Se produjo una acción definida | Que una cita concreta fuera su única causa |
La medición mejora cuando dejamos de buscar un único indicador que represente todo el recorrido.
10. Un protocolo mínimo para empezar a investigar
Selecciona un pequeño conjunto de preguntas reales de tus clientes. Para cada observación, guarda:
- Pregunta exacta y contexto de la conversación.
- Plataforma, fecha y modalidad utilizada.
- Disponibilidad de búsqueda web.
- Respuesta obtenida y URLs citadas.
- Afirmaciones respaldadas y posibles errores.
- Cambios realizados en tus contenidos.
Repite las observaciones en distintos momentos y conserva los resultados que contradigan tu hipótesis.
Si comparas plataformas, confirma primero qué mide cada una. Por ejemplo, Bing documenta métricas de cuota de citas asociadas a consultas de recuperación; su denominador y cobertura deben respetarse al interpretarlas.
Este registro permite formular preguntas mejores: ¿el contenido no se encuentra?, ¿no responde a la necesidad?, ¿aparece citado con errores?, ¿recibe visitas que no encuentran una acción útil?
Cada problema requiere una intervención diferente.
Trabajar el GEO con un modelo de diagnóstico
Comprender el recorrido de una respuesta generativa permite decidir dónde investigar antes de cambiar el contenido.
La accesibilidad se revisa técnicamente. La pertinencia exige estudiar preguntas y documentos. La fidelidad requiere contrastar afirmaciones. El valor comercial necesita datos sobre visitas y acciones.
Una estrategia profesional conecta esas comprobaciones y reconoce lo que todavía no puede observar. Así, cada mejora responde a un problema definido y puede evaluarse con evidencia.
Referencias
- Lewis, P. y colaboradores. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS, 2020. Publicación.
- Gao, T. y colaboradores. Enabling Large Language Models to Generate Text with Citations. EMNLP, 2023. Publicación.
- Liu, N. F. y colaboradores. Lost in the Middle: How Language Models Use Long Contexts. Publicación.
- Google Search Central. Optimización para funciones de IA generativa.
- Microsoft Bing. Métricas de visibilidad, consultas y cuota de citas.
- Google Chrome. Navegar en modo Incógnito.
Documentación consultada el 17 de octubre de 2026.