Ser citado por una IA: las cuatro señales que ChatGPT, Perplexity y los AI Overviews miran de verdad

Una respuesta generada por ChatGPT, Perplexity o los AI Overviews de Google cita por lo general entre tres y ocho fuentes. Y sin embargo decenas de páginas trataban el mismo tema. La pregunta ya no es «¿estoy indexado?», sino «¿por qué esa página y no la mía?». No se conocen en detalle los modelos de selección, pero hay cuatro referencias fiables sobre las que razonar: la documentación oficial de Google sobre sus funciones de IA, la de OpenAI y la de Perplexity sobre sus robots, y los trabajos académicos que han medido qué hace variar la visibilidad de una página dentro de una respuesta generada. Esas fuentes convergen en cuatro señales.

Señal 1: la página es accesible al robot adecuado, no solo a Googlebot

Es el requisito previo que muchos sitios incumplen sin saberlo. Los motores generativos no utilizan todos el mismo robot que el motor de búsqueda clásico, y un mismo operador envía varios. OpenAI documenta tres agentes distintos: GPTBot para el entrenamiento, OAI-SearchBot para el índice de búsqueda de ChatGPT y ChatGPT-User para ir a buscar una página a petición de un usuario. Cada uno se controla por separado en el fichero robots.txt, como explica la documentación de los robots de OpenAI. Anthropic hace lo mismo con ClaudeBot, Claude-SearchBot y Claude-User, y Perplexity con PerplexityBot y Perplexity-User.

En concreto, un sitio que bloqueó «todos los robots de IA» en 2024 por precaución bloqueó a menudo también los que sirven para responder a los usuarios. Ya no puede ser citado, sea cual sea la calidad de sus contenidos. La lectura de los logs del servidor es la única manera de saber quién pasa realmente; le dedicamos un artículo específico a la identificación de los robots de IA.

Señal 2: el motor selecciona pasajes, y cada sección debe ser uno de ellos

Google es explícito sobre este punto en su documentación de las funciones de IA en la búsqueda: los AI Overviews y el modo IA se apoyan en los mismos sistemas que la búsqueda clásica, y no hay «nada especial que hacer» más allá de las recomendaciones habituales. Pero la forma en que esos sistemas leen una página ha cambiado. Google describe una técnica de query fan-out: la pregunta del usuario se descompone en varias subconsultas, cada una lanzada en paralelo, y la respuesta se ensambla a partir de los pasajes más pertinentes para cada subpregunta, como explica el anuncio del modo IA.

La unidad de selección ya no es la página, sino el pasaje. Un párrafo que responde con nitidez a una subpregunta precisa tiene más posibilidades de ser seleccionado que una página larga donde la respuesta queda diluida. Eso aboga por una escritura en la que cada sección plantee una pregunta identificable, abra con la respuesta y desarrolle después el matiz. Es el objeto de nuestro artículo «Primero la respuesta, después el matiz».

Señal 3: el contenido lleva elementos citables

La investigación ha medido esta señal mejor que las demás. En 2023, un equipo de Princeton, de Georgia Tech y del Allen Institute publicó GEO: Generative Engine Optimization, un estudio que prueba nueve métodos de reescritura de una misma página y mide su efecto sobre la visibilidad de esa página en respuestas generadas. Tres métodos destacan con claridad: añadir citas de fuentes, añadir estadísticas y añadir citas directas atribuidas. Los autores miden hasta un 40 % de visibilidad adicional, según el método de reescritura aplicado. En cambio, el relleno de palabras clave, técnica histórica del SEO, no aporta nada y a veces degrada el resultado.

Se entiende por qué: un modelo que debe producir una respuesta fiable prefiere apoyarse en un pasaje que afirma algo preciso, fechado, cifrado y atribuido, antes que en una generalidad. Una cifra con su fuente es un fragmento que la IA puede reproducir tal cual indicando de dónde viene. Una frase como «el mercado avanza con fuerza» no lo es.

Señal 4: la fuente es identificable y coherente

Los sistemas de Google evalúan desde hace años lo que las directrices para los evaluadores de calidad llaman la experiencia, los conocimientos expertos, la autoridad y la fiabilidad, agrupados bajo el acrónimo inglés E-E-A-T (experience, expertise, authoritativeness, trustworthiness). No es un factor de posicionamiento en sentido estricto, pero sí el marco dentro del cual Google entrena y verifica sus sistemas. Y esos criterios recaen sobre la fuente tanto como sobre la página: quién escribe, con qué legitimidad, y si el sitio mantiene un discurso coherente de una página a otra.

Para un motor generativo, la coherencia cuenta el doble. Un sitio que da tres cifras distintas para el mismo dato en tres páginas es una fuente arriesgada. Un sitio cuyos artículos van firmados por una persona identificada, con una página de autor y un ámbito de especialización estable, es una fuente que el sistema puede atribuir. La documentación de los datos estructurados Article de Google describe precisamente los campos que hacen legible esa atribución para una máquina: autor, fecha de publicación, fecha de modificación.

Lo que estas cuatro señales cambian en la producción

Puestas una tras otra, estas señales dibujan un método que ya poco tiene que ver con el SEO de volumen:

• Comprobar el acceso antes de escribir: el robots.txt se lee en la raíz del dominio, y cada robot de IA tiene su propio token. Bloquear el entrenamiento no obliga a bloquear la cita.
• Escribir por pasajes: una pregunta por sección, la respuesta al principio, el matiz después.
• Citar la fuente de cada afirmación que cuenta: una cifra, una fecha, un origen. Es la señal más fuerte medida por la investigación, y es también lo que protege al editor frente al error.
• Firmar y mantener una línea: un autor identificado, un vocabulario estable, datos que no se contradicen de una página a otra.

Ninguno de estos puntos es un truco técnico. Son exigencias editoriales, que solo se sostienen a escala si están integradas en la herramienta de producción en lugar de comprobarse a mano a posteriori. En concreto: contenidos organizados en clústeres coherentes, una fuente por afirmación, una firma por artículo.

Lo que no se sabe, y hay que decirlo

Estas señales están documentadas, pero no forman una fórmula. Los motores generativos cambian deprisa, sus índices no se solapan, y la misma pregunta formulada dos veces puede producir dos listas de fuentes distintas. La única forma honesta de pilotar la propia presencia es medirla en el tiempo: plantear con regularidad las mismas preguntas a los mismos motores, anotar quién es citado y distinguir las páginas simplemente recuperadas de las realmente atribuidas. Describimos ese método de medición en un artículo dedicado al share of voice en las IA.