GEO en 2026: la Búsqueda por IA Cambiando CRO y SEO

GEO (generative engine optimization), la optimización para IA, es la práctica de estructurar contenido para que los sistemas generativos citen tu página cuando generan una respuesta. En 2026 esto dejó de ser un asunto de nicho por un motivo simple: una porción relevante de las preguntas que antes se convertían en clic ahora se responde antes del clic, dentro de un resumen de IA o de una conversación con un asistente. Esta guía cubre lo que cambió de hecho (con datos atribuidos, no con pánico), cómo un motor generativo elige qué citar, lo que la investigación académica mostró que funciona, lo que eso cambia en la práctica del CRO, y la parte que casi nadie trata con honestidad: cómo testear un cambio de GEO con rigor estadístico cuando el segmento de tráfico venido de IA es demasiado pequeño para cerrar muestra. Tiene calculadoras en vivo y un ejemplo trabajado de principio a fin.

Qué es GEO y en qué se diferencia del SEO

GEO es optimizar para ser extraído, no para ser listado. El SEO clásico disputa una posición en una lista de enlaces azules, y el clic es el producto final. El GEO disputa la cita dentro de una respuesta sintetizada por un modelo, y el producto final puede ser un clic, una mención de marca sin clic, o las dos cosas.

El término viene de un artículo académico, “GEO: Generative Engine Optimization”, de Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan y Deshpande, presentado en la ACM SIGKDD 2024, que definió el problema y midió soluciones en condiciones controladas (arXiv 2311.09735).

Dimensión	SEO clásico	GEO
Objetivo	Posición en una lista de resultados	Ser citado o parafraseado dentro de una respuesta generada
Unidad que compite	La página entera	El fragmento extraíble: una afirmación, un dato, una definición
Señal de éxito	Clic orgánico	Cita, mención de marca, y el clic cuando ocurre
Estructura que ayuda	Título, encabezados, enlaces internos, velocidad	Todo eso, más afirmaciones atómicas, datos con fuente y schema
Cómo se mide	Impresiones, posición media, CTR	Métricas indirectas y comprobaciones manuales; medición todavía imperfecta

El punto que más confusión genera: GEO no sustituye al SEO, depende del SEO. En la arquitectura de los motores generativos actuales, la página necesita ser recuperable (indexada, rastreable, relevante para la consulta) antes de ser candidata a cita. Un sitio invisible para la búsqueda sigue siendo invisible para el asistente.

Qué cambió de verdad en la búsqueda

Tres cambios se superponen, y vale la pena separar lo que tiene dato medido de lo que es especulación de mercado.

El primero es el resumen generado en la propia página de resultados. Un análisis del Pew Research Center, hecho con datos reales de navegación de 900 adultos en Estados Unidos durante marzo de 2025, encontró que los usuarios hicieron clic en un resultado tradicional en el 8% de las búsquedas en las que apareció un resumen de IA, frente al 15% en las búsquedas sin resumen, y que solo el 1% hizo clic en un enlace dentro del propio resumen (Pew Research Center). Ese es el dato más concreto disponible sobre el efecto, y tiene límites: una muestra específica, un país, un mes.

El segundo es el desplazamiento del comienzo de la investigación hacia asistentes conversacionales. Muchas preguntas que empezaban en una búsqueda hoy empiezan en un chat, lo que retira volumen de la caja de búsqueda sin generar ningún registro en tu Search Console.

El tercero es el efecto de composición del tráfico restante. Cuando las preguntas simples se responden antes del clic, quien hace clic tiende a ser quien todavía necesita algo que la respuesta no dio: comparación, precio, detalle técnico, prueba. El tráfico se encoge en volumen y cambia de perfil.

Una advertencia de lectura que vale para toda esta guía: esos números describen una media de mercado, medida en un contexto específico. El efecto real en tu sitio depende de cuánto de tu tráfico viene de consultas informacionales amplias frente a consultas transaccionales y de marca. Antes de reaccionar, mide tu propia composición.

Cómo decide un motor generativo qué citar

Simplificando lo suficiente para ser útil sin ser falso, los sistemas actuales funcionan en tres etapas:

1. Recuperación. El sistema busca documentos relevantes para la pregunta, normalmente usando un índice de búsqueda o una base propia.
2. Síntesis. El modelo lee los fragmentos recuperados y escribe una respuesta en lenguaje natural, combinando información de varias fuentes.
3. Atribución. El sistema añade citas a las partes de la respuesta que vinieron de fuentes específicas.

El artículo de GEO reprodujo ese pipeline en laboratorio, con la etapa de recuperación alimentada por una búsqueda real y la síntesis hecha por un modelo de lenguaje, para poder medir el efecto de cambios en el contenido sobre la visibilidad final en la respuesta.

Una consecuencia práctica de ese pipeline suele pasar desapercibida: el sistema raramente lee tu página entera a la hora de componer la respuesta. Trabaja con pedazos, y la unidad que compite por la cita es el fragmento, no el artículo. Un texto excelente cuya idea central solo se sostiene después de tres párrafos de contexto tiene desventaja estructural frente a un texto que afirma la conclusión de salida y explica después. Eso no es una preferencia estética, es una consecuencia de cómo funciona la extracción: si el fragmento necesita el párrafo anterior para tener sentido, tiende a ser descartado como candidato.

De ahí sale la regla de oro del GEO, y es corta: cada sección debe contener al menos una frase que siga siendo verdadera y comprensible si se arranca de la página y se pega sola en otro lugar. Si ninguna frase de tu sección pasa esa prueba, probablemente no va a ser citada, por bueno que sea el contenido alrededor.

GEO por tipo de consulta: dónde el efecto es grande y dónde es pequeño

Tratar “la búsqueda por IA” como un bloque único lleva a decisiones equivocadas, porque el efecto varía mucho según el tipo de pregunta. La separación clásica de intención sigue valiendo, con un comportamiento distinto en cada franja:

Tipo de consulta	Ejemplo	Efecto de la respuesta generada	Qué hacer
Informacional amplia	“qué es un test a/b”	Alto: la respuesta suele bastar y el clic cae	Escribir para ser citado, aceptar la mención sin clic como parte del retorno
Informacional específica	“cómo calcular tamaño de muestra para 2,5% de conversión”	Medio: la respuesta genera contexto, pero el usuario busca herramienta o detalle	Ofrecer el activo que la respuesta no entrega: calculadora, plantilla, ejemplo trabajado
Comparativa	“herramienta x frente a herramienta y”	Medio a bajo: el usuario quiere comprobar la fuente antes de decidir	Mantener comparaciones neutrales, actualizadas y con criterio explícito
Transaccional	“suscribir plan”, “precio”	Bajo: la decisión exige el sitio	Priorizar claridad de precio, fricción y prueba, que es trabajo de CRO clásico
De marca	“donnu precio”	Bajo, pero sensible: la respuesta puede describir tu marca de forma equivocada	Mantener páginas oficiales claras y actualizadas sobre producto, precio y política

La lectura estratégica de esa tabla: el contenido más afectado es justamente el de la parte alta del embudo informacional, que históricamente es el que genera más volumen y menos conversión directa. Eso significa que la pérdida de sesiones puede ser grande mientras la pérdida de ingresos es pequeña, y mirar solo el gráfico de sesiones lleva a conclusiones demasiado dramáticas. Antes de reaccionar a una caída, separa el tráfico por tipo de consulta y mira dónde ocurrió realmente.

Qué muestra la investigación que funciona

El hallazgo central del artículo de GEO es que los métodos de optimización orientados a motores generativos pueden aumentar la visibilidad en las respuestas hasta un 40%, medido en el benchmark de gran escala que los autores construyeron para el estudio (Aggarwal et al., GEO, KDD 2024). El detalle más útil para quien escribe contenido es qué tipo de cambio cargó esa ganancia: las tácticas que agregan evidencia verificable al texto, es decir, traer citas textuales de fuentes creíbles, incluir estadísticas y citar fuentes, fueron las que más elevaron la visibilidad, mientras que meter palabras clave repetidas quedó por debajo de la línea base sin ninguna optimización. Vale registrar un resultado que es fácil de leer al revés: el artículo también testeó un método bautizado “Authoritative”, que reescribe el texto en un tono más persuasivo y de autoridad sin agregar evidencia, y no encontró mejora significativa en él. Agregar una fuente movió la aguja; sonar como autoridad no.

Táctica	Qué es en la práctica	Por qué suele funcionar
Estadísticas con número explícito	Cambiar “muchos usuarios abandonan el carrito” por el número medido, con fuente	Un fragmento con número es más fácil de citar como unidad completa de información
Cita de fuentes	Atribuir cada afirmación a quien la produjo, con enlace	Aumenta la probabilidad de que el modelo trate el fragmento como afirmación verificable
Citas textuales de fuente creíble	Traer la frase original de una fuente reconocida	Da al sistema un fragmento autocontenido, listo para reproducir
Lenguaje claro y directo	Escribir la respuesta antes de la explicación	Facilita la extracción de la afirmación sin depender del contexto alrededor
Repetición de palabra clave	Meter el término objetivo varias veces	Desempeño débil en el estudio: el texto sigue siendo difícil de extraer

Vale una precaución importante de interpretación. Esos resultados vinieron de un pipeline reproducido en laboratorio, con modelos e índices de una generación específica, no de un test dentro de los productos comerciales actuales. La dirección es sólida y coherente con la experiencia práctica, el número exacto no debe tratarse como una promesa.

GEO en la práctica: la checklist de optimización de página

Traduciendo la investigación y la documentación disponible en decisiones editoriales concretas:

Elemento	Qué hacer	Por qué
Apertura de cada sección	Empezar con una afirmación atómica que responde al subtítulo	Es el fragmento que un sistema consigue extraer sin necesitar el párrafo entero
Datos	Siempre con número, unidad, período y fuente atribuida	Sin fuente, el fragmento tiende a ser descartado o reescrito sin crédito
FAQ	Bloque de preguntas y respuestas con marcado FAQPage	Estructura pregunta y respuesta explícitamente, en el formato que la respuesta generada necesita
Frescura visible	Fecha de actualización visible y referencias del año en curso	Señala que la página es una cita segura
Estructura de encabezados	Jerarquía sin saltar nivel, un solo H1	Delimita las unidades de sentido que serán extraídas
Tablas y listas	Comparaciones en tabla, pasos en lista numerada	Formatos que sobreviven a la extracción sin perder el significado
Contenido original	Dato propio, cálculo propio, ejemplo trabajado	Lo que no existe en otro lugar no puede sintetizarse desde otra fuente

El marcado de FAQ merece una nota de honestidad. Google documenta el schema FAQPage y las condiciones en que se usa, y el propio rich result de FAQ dejó de aparecer de forma amplia en la búsqueda (Google Search Central, FAQPage structured data). Es decir: el motivo para mantener el schema hoy no es ganar un adorno en el resultado, es dejar explícito para cualquier sistema de lectura automática a qué pregunta responde cada fragmento. La especificación está en schema.org/FAQPage.

Fíjate en que casi todo en esa lista ya era buena práctica de escritura antes de que existiera la IA generativa. Esa es la mejor noticia del GEO: la mayor parte del trabajo es la misma disciplina de siempre, aplicada con más rigor.

Un plan de cuatro pasos para el contenido que ya existe

Casi nadie empieza desde cero. El camino más rápido para cosechar resultados de GEO pasa por reescribir lo que ya tiene tracción, no por publicar más:

1. Elige las 20 páginas que más tráfico informacional reciben. Son las que más tienen que perder con la respuesta generada y más tienen que ganar con la cita. Ignora por ahora las páginas transaccionales y de marca.
2. Reescribe la apertura de cada sección. Una frase de respuesta directa antes de la explicación, en cada H2. Es el cambio de mayor retorno por hora de trabajo, porque crea los fragmentos extraíbles que faltaban.
3. Pon fuente en todo número. Toda estadística sin atribución se convierte en una decisión binaria: encontrar la fuente real y citarla, o eliminar la afirmación. Un número sin fuente es un pasivo, no un activo, y es lo primero que derriba la fiabilidad de una página a los ojos de cualquier lector, humano o no.
4. Añade un bloque de preguntas y respuestas con marcado FAQPage. De cuatro a seis preguntas reales, respondidas de forma completa y corta, cubriendo lo que la gente efectivamente pregunta sobre ese tema.

Hecho eso en las 20 páginas principales, mide durante un trimestre antes de expandir. Ese es el punto en el que la mayoría de los programas de GEO se pierde: empieza a producir volumen nuevo antes de saber si la reescritura funcionó.

La mención sin clic es un resultado, y necesita entrar en la cuenta

Una parte incómoda del GEO es que buena parte del retorno no aparece en la analítica. Cuando un asistente responde una pregunta citando tu marca, y el usuario no hace clic, ocurrió algo real: la marca fue presentada como fuente fiable, en un contexto de decisión, sin coste de medios. Eso no genera sesión, no genera evento, no genera ninguna línea en el informe de adquisición.

Ignorar ese efecto lleva a infrainvertir en el canal. Sobrestimarlo lleva a justificar cualquier cosa con un valor que nadie consigue medir. El camino intermedio honesto es tratar la mención como una señal de marca, medida por los mismos proxies imperfectos que siempre se usaron para marca: evolución de búsquedas por el nombre de la empresa, tráfico directo, y la pregunta de origen en el formulario de registro, que sigue siendo uno de los instrumentos más útiles y más subestimados que existen.

Lo que no hay que hacer es convertir la mención en ingresos estimados con un multiplicador inventado. Un número inventado en una hoja de cálculo se convierte en objetivo en tres meses y en excusa en seis.

Qué cambia esto en el CRO

Aquí está la parte que casi ninguna guía de GEO conecta, y que cambia lo que el equipo de conversión debería hacer.

Si el tráfico que llega al sitio disminuye en volumen y llega más decidido, el trabajo de conversión se desplaza. Menos gente necesita ser convencida de que el problema existe, porque la respuesta generada ya lo explicó. Más gente llega queriendo confirmar un detalle específico y seguir adelante.

El error sería transformar esa hipótesis en una reforma inmediata del sitio. La forma correcta de tratarla es la de siempre: convertirla en hipótesis, dimensionar, testear. La guía completa de optimización de conversión cubre el proceso, y el siguiente bloque trata el problema específico que la búsqueda por IA crea para ese test.

Bloquear o permitir los rastreadores de IA

Una decisión que aparece pronto en cualquier discusión de GEO: ¿vale la pena bloquear los rastreadores de los sistemas generativos en el robots.txt? Los dos lados tienen argumentos legítimos, y la respuesta depende de cómo tu negocio gana dinero.

Quien vive de publicidad y de volumen de página tiene una pérdida directa cuando el contenido es sintetizado sin clic, y bloquear reduce esa extracción, al coste de desaparecer de las respuestas. Quien vive de producto, como un SaaS, suele estar del otro lado de la cuenta: aparecer como fuente citada en una respuesta sobre el problema que el producto resuelve es distribución barata, y bloquear es renunciar a ella.

Hay además un detalle técnico que confunde a mucha gente: el rastreador de entrenamiento y el rastreador de búsqueda en tiempo real no siempre son el mismo agente. Bloquear el primero no necesariamente saca la página de las respuestas generadas con búsqueda en vivo, y bloquear el segundo tiene efecto inmediato sobre la cita. Antes de tocar el robots.txt, separa los dos casos y decide sobre cada uno, en lugar de aplicar un bloqueo genérico que produce un efecto distinto del pretendido.

Publicar más contenido generado por IA no es una estrategia de GEO

Vale la pena decirlo de forma directa, porque es el atajo más tentador del momento: aumentar el volumen de publicación con texto generado automáticamente no mejora la probabilidad de cita, y con frecuencia la empeora.

El motivo es estructural. Lo que la investigación identificó como determinante de visibilidad en respuesta generativa fue la presencia de estadística, fuente y cita de autoridad, es decir, exactamente aquello que un texto genérico producido en masa no tiene. Un artículo que reorganiza lo que ya existe en otros diez artículos no ofrece nada que el modelo no consiga sintetizar de las otras diez fuentes, así que no hay motivo para que sea elegido.

Lo que sobrevive a esa lógica es el contenido que carga algo que no existe en otro lugar: un cálculo propio, un ejemplo trabajado de principio a fin, un dato que tú recogiste, una comparación que nadie había hecho con ese criterio. Es más caro por pieza y es lo único que sigue funcionando cuando el coste marginal de producir texto medio tiende a cero.

Cómo medir GEO sin engañarse

No existe hoy un panel fiable de “citas en IA”. El conjunto de abajo es lo que se puede montar con herramientas comunes, con las limitaciones declaradas:

Señal	Cómo recogerla	Limitación honesta
Accesos de crawlers de IA	Logs del servidor filtrados por user agent de los rastreadores	Rastreo no es cita: ser leído no garantiza ser usado
Tráfico de referencia de asistentes	Informes de origen en la analítica	Muchos asistentes envían poca o ninguna información de origen
Comprobación manual de consultas objetivo	Ejecutar las preguntas principales en los asistentes y registrar quién fue citado	Las respuestas varían por sesión, región y versión del modelo
Búsquedas por marca	Search Console, evolución de consultas con el nombre de la marca	Efecto lento y sujeto a otras causas
Conversión del tráfico que llega	Test A/B en el sitio, con la métrica de negocio	Mide el efecto en el embudo, no la cita en sí

La regla práctica: usa las cuatro primeras como termómetro de dirección y solo la última como base de decisión sobre cambios en el sitio. Un termómetro no decide un test.

Testeando un cambio de GEO con rigor

Supón un sitio con 120.000 visitantes por mes, de los cuales el 3% (3.600 por mes, cerca de 840 por semana) llega por asistentes de IA. Ese segmento convierte mejor: 4,2%, frente al 2,6% de la media general del sitio. El equipo quiere testear una nueva página de comparación, diseñada para la intención de quien llega ya informado, y quiere saber si convierte mejor.

La tentación es ejecutar el test solo en el segmento de IA, ya que es para él para quien se diseñó la página. La cuenta muestra por qué eso no cierra:

• Detectar una ganancia relativa del 15% sobre una base del 4,2% exige 17.050 visitantes por variación. Con 840 visitantes por semana en ese segmento, el test llevaría 285 días.
• Bajando la ambición a una ganancia relativa del 30%, la muestra cae a 4.544 por variación, y la duración todavía queda en 76 días.

Tasa de conversión actual%Efecto mínimo detectablerelativo (%)absoluto (pp)Confianza909599%Poder8090%Visitantes por semana (total)Testbilateralunilateral

-Visitantes por variación

-Total (2 variaciones)

-Duración estimada

Cálculo por aproximación normal de dos proporciones, 2 variaciones (50/50). Cambia los campos y mira el impacto en vivo.

Ahora la alternativa: ejecutar el mismo test en el sitio entero, con base del 2,6% y 28.000 visitantes por semana. Detectar la misma ganancia relativa del 15% exige 28.039 visitantes por variación, y la duración cae a 15 días.

Tasa de conversión actual%Efecto mínimo detectablerelativo (%)absoluto (pp)Nº de variaciones (con el control)23456Visitantes por semana (total)Confianza909599%Poder8090%Testbilateralunilateral

-Duración estimada

Visitantes en total-

Término previsto-

Aproximación normal de dos proporciones, división igual entre las variaciones. La fecha usa tu zona horaria y recalcula en vivo.

La lectura correcta de ese resultado es sutil e importante. El test en el sitio entero responde a una pregunta distinta del test en el segmento: mide el efecto medio sobre todo el mundo, y no el efecto sobre quien llegó por IA. Si la nueva página funciona muy bien para el visitante ya informado y mal para el visitante frío, el efecto medio puede salir cerca de cero y esconder las dos cosas.

El camino honesto, entonces, es este: decidir por el test del sitio entero, y mirar el segmento de IA como lectura secundaria, sabiendo que es exploratoria. La diferencia observada dentro de un segmento pequeño sirve para generar la siguiente hipótesis, nunca para declarar victoria. Es la misma disciplina de cualquier análisis por segmento: cuantos más recortes miras después del hecho, mayor es la probabilidad de encontrar un patrón que es solo ruido.

Diseño del test	Pregunta que responde	Duración	¿Sirve para decidir?
Solo en el segmento de IA, MDE 15%	Efecto sobre quien llega por IA	285 días	No, inviable
Solo en el segmento de IA, MDE 30%	Efecto grande sobre quien llega por IA	76 días	Tal vez, si el efecto esperado es realmente grande
Sitio entero, MDE 15%	Efecto medio sobre todo el tráfico	15 días	Sí
Sitio entero con lectura secundaria por segmento	Efecto medio, más una pista sobre el segmento	15 días	Sí, decide por el general; el segmento genera hipótesis

Errores comunes en GEO

Error	Señal de alerta	Corrección
Tratar el GEO como disciplina separada	Equipo de “AI SEO” duplicando el trabajo de contenido	GEO es la misma buena escritura, con estructura y fuentes más rigurosas
Rediseñar el sitio entero por el tráfico de IA	Reforma completa para un canal que trae pocos por ciento	Mide tu composición real antes de reasignar esfuerzo
Asumir que perdiste tráfico por la IA sin comprobarlo	Caída de sesiones atribuida a la IA sin análisis por tipo de consulta	Separa consultas informacionales de transaccionales y de marca antes de concluir
Llenar la página de palabra clave	Repetición del término objetivo en cada párrafo	Las tácticas cosméticas tuvieron desempeño débil en la investigación; prefiere dato y fuente
Publicar un número sin fuente	“Los estudios muestran que el 70% de los usuarios…”	Sin fuente verificable, elimina o suaviza la afirmación
Decidir un cambio de sitio por el segmento de IA	Victoria declarada sobre unos pocos cientos de visitantes	Decide por el test dimensionado; un segmento pequeño es exploratorio
Confundir rastreo con cita	“El crawler pasó por aquí, así que nos están citando”	El rastreo es condición, no resultado; comprueba la cita en las consultas objetivo

Hazlo automático en Donnu

Toda esta guía converge en un punto: cambiar el contenido pensando en la IA es barato, pero saber si el cambio mejoró el resultado exige la misma estadística de siempre. Muestra calculada, plazo definido antes de ejecutar, una métrica primaria elegida antes de mirar el panel, y la disciplina de no transformar un segmento pequeño en victoria. Donnu hace exactamente esa parte: tú defines la hipótesis y la métrica, Donnu dimensiona el test contra tu tráfico real, recoge con un snippet que no bloquea la carga de la página, y devuelve un veredicto honesto, independientemente de si el visitante vino de una búsqueda tradicional, de un resumen de IA o de un asistente.

Empieza una prueba gratis de 14 días y testea tu próximo cambio de contenido con rigor en lugar de con intuición. Para la base del método, mira qué es un test A/B y significancia estadística en tests A/B.

Referencias

• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. y Deshpande, A. GEO: Generative Engine Optimization. ACM SIGKDD 2024. arxiv.org/abs/2311.09735.
• Pew Research Center. Google users are less likely to click on links when an AI summary appears in the results. Julio de 2025. pewresearch.org.
• Google Search Central. FAQPage structured data. developers.google.com/search/docs/appearance/structured-data/faqpage.
• Schema.org. Especificación de FAQPage. schema.org/FAQPage.

Lee también

• Optimización de conversión (CRO): la guía completa 2026
• Qué es un test A/B: la guía completa
• Significancia estadística en tests A/B: la guía completa