Optimización de citas en IA: cómo eligen marcas los LLM

El SEO clásico optimiza para un algoritmo de ranking que ordena diez enlaces. La optimización de citas en IA optimiza para un modelo de lenguaje que formula una respuesta y solo cita unas pocas fuentes. Es un juego radicalmente distinto, con reglas propias. Este artículo explica cómo eligen marcas y fuentes LLM como ChatGPT, Perplexity y Google AI Overviews, por qué las menciones de marca sin enlace se convierten en la moneda más importante, qué palancas on-page y off-page funcionan de forma demostrada y cómo una empresa B2B construye y mide su propia visibilidad en IA.

Por qué la optimización de citas en IA importa al B2B

La búsqueda se desplaza de forma medible del clásico listado de enlaces a la respuesta generativa. En Alemania, según una encuesta representativa de Bitkom, la mitad de las personas (50 %) ya usa al menos de vez en cuando el chat con una IA en lugar de la búsqueda clásica en internet, el 7 % lo hace mayoritariamente y el 5 %, incluso en exclusiva. La encuesta solo abarca Alemania, pero la tendencia se considera indicativa para toda la región DACH. Quien no aparece en estas respuestas de IA pierde justo la visibilidad que antes llegaba a través del posicionamiento orgánico.

Lo decisivo es que los sistemas de IA eligen fuentes distintas a las de Google. Un análisis internacional de 15.000 prompts long tail muestra que solo el 12 % de los enlaces citados por ChatGPT, Gemini y Copilot aparece en el top 10 de Google para el mismo prompt y que alrededor del 80 % de esas citas ni siquiera posiciona en Google para la consulta original. Una buena posición en Google, por tanto, no garantiza una cita en IA. El terreno de juego es nuevo y, en parte, premia otras señales.

Para el mercado B2B austriaco, esto significa que quien apuesta pronto por ser citable en IA se asegura visibilidad en un canal que todavía no está tan disputado como la SERP clásica. Por eso merece la pena entender bien la mecánica que hay detrás.

Cómo eligen fuentes los LLM: retrieval, grounding y query fan-out

A nivel técnico, una cita en IA se genera de forma distinta a un ranking de Google. Las respuestas de IA modernas combinan dos fuentes de conocimiento. Primero, el conocimiento paramétrico, almacenado en el propio modelo y procedente de los datos de entrenamiento. Segundo, la recuperación de información actual (retrieval), en la que el sistema consulta páginas web en directo y basa su respuesta en ellas. Este segundo paso se llama grounding: la respuesta se ancla en las fuentes consultadas y se respalda con citas.

La diferencia más importante con el ranking de Google está en el query fan-out. En lugar de responder a una única consulta, el sistema descompone la consulta original en varias subpreguntas y variantes y consulta páginas que encajan con ese abanico. El estudio de solapamiento de Ahrefs describe este mecanismo como la razón por la que la IA consulta páginas a partir de varias variantes de la consulta y no solo de la pregunta original exacta. Una fuente que ofrece contenidos sólidos en muchas subpreguntas relacionadas tiene así más probabilidades de ser citada que otra que solo posiciona bien para una única palabra clave.

De aquí se desprende la idea estratégica central. No basta con ser el número uno para una palabra clave. Una marca tiene que estar presente en la web como entidad de forma amplia, coherente y vinculada a sus temas principales para que se la reconozca como fuente relevante en todo el query fan-out. Ahí es donde entra en juego el Entity SEO.

Señales de marca y Entity SEO como base

En la visibilidad en Google AI Overviews, las menciones de marca superan claramente a los backlinks. Un análisis internacional de Ahrefs muestra que las menciones de marca en la web presentan, con 0,664, la correlación más fuerte de todas las señales de marca analizadas, mientras que el número de backlinks solo alcanza 0,218. Es una proporción de alrededor de 3 a 1 a favor de las menciones. El efecto se ve aún más claro en la parte alta: en el estudio de base, con 75.000 marcas, las marcas del cuartil superior en menciones web suman de media 169 menciones en Google AI Overviews, más de diez veces las 14 de las marcas del cuartil inmediatamente inferior.

La razón está en cómo funcionan los modelos. Los LLM aprenden las entidades y sus relaciones a partir de la frecuencia y el contexto en que aparecen juntos marcas, temas y términos. Esta coocurrencia es el lenguaje que entiende un modelo de lenguaje. Un perfil de entidad coherente se construye con varios elementos:

• Mención de marca coherente: el nombre de la empresa, su grafía, la dirección y el servicio principal deben ser idénticos en todas las fuentes. Los datos contradictorios diluyen la entidad en el Knowledge Graph.
• Wikidata y Wikipedia: las bases de conocimiento estructuradas son una de las principales fuentes de conocimiento paramétrico. Una entidad limpia en Wikidata y, cuando se cumplen los criterios de relevancia, una entrada en la Wikipedia en alemán anclan la marca en el Knowledge Graph.
• Coocurrencia con temas: la marca debería aparecer con regularidad en el mismo contexto que sus temas principales. Un proveedor B2B austriaco que quiera ser citado en un área de especialidad tiene que estar vinculado de forma visible con ese tema en ella.
• Datos estructurados: el marcado de Organization y sameAs vincula de forma inequívoca la web con los perfiles de la marca y ayuda a los sistemas a resolver correctamente la entidad.

La importancia de las fuentes de conocimiento estructuradas se ve tanto en el entrenamiento como en las citas. En la mezcla de entrenamiento de GPT-3, la Wikipedia en inglés tenía un peso del 3 % y se recorrió unas 3,4 veces, más que cualquier otra fuente de datos. En las respuestas de ChatGPT, Wikipedia fue a la vez la fuente individual más citada, según muestra un análisis de Profound de 680 millones de citas entre agosto de 2024 y junio de 2025. Quien existe allí como entidad bien definida está más cerca de la fuente del conocimiento paramétrico.

Menciones de marca sin enlace como moneda de la IA

En el SEO clásico cuenta sobre todo la referencia enlazada. Para los LLM, eso solo se cumple en parte. Un modelo de lenguaje procesa texto. Reconoce una marca y su contexto aunque la mención no esté enlazada. Así, la mención de marca sin enlace, la unlinked brand mention, se convierte en una moneda propia de la visibilidad en IA. Eso explica precisamente por qué las menciones de marca en la web superan con claridad a los backlinks en los datos de correlación.

En la práctica, el foco pasa del linkbuilding puro a las relaciones públicas digitales y los medios ganados. El objetivo ya no es solo el enlace, sino la mención con un contexto sólido en fuentes creíbles. Se consigue por varias vías:

• Relaciones públicas digitales: el trabajo de prensa que da lugar a cobertura editorial genera menciones de marca en medios de confianza, a menudo con contexto temático.
• Contenidos basados en datos: terceros citan los estudios, encuestas o cifras sectoriales propios, lo que vincula la marca una y otra vez con su área temática.
• Medios especializados y portales sectoriales: los artículos, entrevistas y menciones en medios especializados de referencia sitúan la marca en el entorno temático adecuado.
• Monitorización de menciones sin enlace: las menciones existentes pero sin enlace se pueden localizar y cuidar, por ejemplo unificando la grafía y afinando el contexto.

La consecuencia estratégica: una aparición en prensa que antes solo contaba por el enlace tiene hoy un valor adicional como señal para la IA, aunque no incluya enlace. Esto cambia por completo cómo se valoran los medios ganados.

Tácticas de GEO on-page: cómo crear contenidos citables

Lo off-page decide si una marca se reconoce como entidad relevante. Lo on-page decide si una página concreta es citable como fuente. La base científica la aporta el estudio de KDD 2024 sobre Generative Engine Optimization. Muestra que el GEO puede aumentar hasta un 40 % la visibilidad en respuestas generativas. Las tácticas eficaces buscan preparar los contenidos de forma que un modelo de lenguaje pueda extraerlos y citarlos con facilidad:

• Estadísticas con fuente: las cifras concretas y documentadas son muy citables porque precisan una respuesta. Cada cifra debe ir acompañada de una referencia clara a su fuente.
• Citas de expertos: las declaraciones atribuidas a especialistas con nombre propio aumentan la credibilidad y ofrecen al modelo piezas citables.
• Referencias y pruebas: las referencias transparentes a fuentes primarias transmiten fiabilidad, un criterio clave en la selección de fuentes.
• FAQ y respuestas estructuradas: los bloques de pregunta-respuesta bien formulados se ajustan exactamente al formato con el que los sistemas de IA componen sus respuestas.
• Marcado de Schema.org: los datos estructurados como FAQPage, Article u Organization hacen legible para las máquinas el significado de los contenidos.
• Bloques de contenido citables: una respuesta directa a una pregunta concreta, breve y completa bajo un subtítulo adecuado, aumenta la probabilidad de que se reproduzca literalmente.

El denominador común de estas tácticas es la facilidad de extracción. Los contenidos que responden a una pregunta de forma inequívoca y documentada son la fuente preferida tanto para los featured snippets como para las respuestas de IA.

Particularidades de cada plataforma: ChatGPT, Perplexity y Google AI Overviews

La optimización de citas en IA no es una disciplina uniforme. Las grandes plataformas eligen sus fuentes de forma distinta, y eso tiene consecuencias directas en la táctica.

ChatGPT se apoya mucho en el conocimiento enciclopédico consolidado. Según un análisis de Profound de 680 millones de citas (agosto de 2024 a junio de 2025), Wikipedia fue la fuente más citada por ChatGPT, con el 7,8 % de todas las citas y el 47,9 % de las citas entre los diez dominios más citados. El informe internacional 2025 AI Citation & LLM Visibility Report de The Digital Bloom muestra además que el 87 % de las citas de SearchGPT coincide con los resultados del top 10 de Bing. Para ser visible aquí hace falta una entidad limpia en Wikipedia y Wikidata y una presencia sólida en Bing.

Perplexity apuesta más por el retrieval en tiempo real y el contenido generado por usuarios. En el mismo análisis de Profound, Reddit lideró en Perplexity con el 6,6 % de todas las citas y el 46,7 % entre los diez dominios más citados. Además, Perplexity tiene más en cuenta los rankings clásicos: según el estudio de solapamiento, en Perplexity casi una de cada tres citas apunta a páginas que posicionan en el top 10. Aquí funcionan los contenidos actuales y la presencia en comunidades, junto con un buen ranking en Google.

Google AI Overviews toman sus citas cada vez más de un campo más amplio que solo los primeros resultados. Según datos de Ahrefs analizados por Search Engine Journal, la proporción de citas de AI Overviews procedentes de páginas mejor posicionadas cayó del 76 % en julio de 2025 al 38 %, sobre una base de 863.000 palabras clave y 4 millones de URL de AI Overviews. El resto de citas se reparte entre las posiciones 11 a 100, con el 31,2 %, y más allá de la posición 100, con el 31,0 %. Con ello, también Google premia la amplitud temática más allá del enfoque estrecho en el ranking.

Una sola cifra muestra lo poco que se solapan las plataformas: según el AI Citation Report, solo el 11 % de los dominios aparece citado por ChatGPT Y Perplexity. Una fuente fuerte en una plataforma a menudo no lo es en otra. Por eso, las estrategias específicas para cada plataforma son obligatorias, no opcionales.

DACH y Austria: fuentes de autoridad locales como base de citas

En el mercado austriaco, la cuestión decisiva es qué fuentes en alemán se consideran una autoridad. Como en el análisis de Profound Wikipedia fue la fuente más citada por ChatGPT, la Wikipedia en alemán es un punto de anclaje central. Además, en la región DACH hay fuentes de autoridad específicas que sirven de base de citas:

• Perfil en la WKO y Firmen A-Z: un perfil completo y coherente en el directorio de empresas de la Cámara de Economía de Austria (Wirtschaftskammer Österreich) aporta un dato de entidad fiable y estructurado para el mercado austriaco.
• Medios especializados y portales sectoriales en alemán: las menciones en publicaciones especializadas de referencia vinculan la marca en el contexto temático y lingüístico adecuado.
• Directorios locales y cámaras: los registros sectoriales y los perfiles en cámaras refuerzan la coherencia de los datos de marca.
• Wikipedia en alemán y Wikidata: si se cumplen los criterios de relevancia, una entrada en la Wikipedia en alemán con una entidad de Wikidata vinculada es el anclaje más estable en el Knowledge Graph.

La ventaja de centrarse en DACH es la menor competencia. Mientras que las fuentes internacionales en inglés están muy disputadas, las señales de entidad coherentes en alemán se pueden construir de forma más dirigida.

Gestión de reputación y reseñas conforme al RGPD

Las señales de marca y de IA también surgen de las valoraciones, el trabajo de prensa y las fuentes de datos externas. En Europa, estas actividades están sujetas al RGPD, lo que exige gestionarlas con seguridad jurídica. Las reseñas y los datos de reputación son valiosas señales de coocurrencia, pero deben recopilarse y utilizarse conforme a la normativa de protección de datos:

• Obtener valoraciones con seguridad jurídica: las valoraciones de clientes deben apoyarse en una base jurídica clara, obtenerse de forma transparente y no manipularse. Las reseñas falsas son arriesgadas desde el punto de vista legal y socavan la señal de confianza.
• Tener en cuenta los datos personales: en el trabajo de prensa y los casos de éxito hay que obtener el consentimiento de las personas mencionadas y usar los datos personales con moderación.
• Revisar las fuentes de datos: las fuentes de datos externas para la monitorización de marca deben cumplir el RGPD. La base jurídica del tratamiento debería estar documentada.
• Mantener la transparencia: un aviso legal completo, una política de privacidad clara y unos datos de empresa coherentes refuerzan al mismo tiempo la fiabilidad como entidad.

La seguridad jurídica y la visibilidad en IA no se contradicen. Al contrario: los datos transparentes, coherentes y verificables son justo las señales de confianza que exige el RGPD y que los sistemas de IA prefieren al seleccionar fuentes.

Del backlink clásico a la señal de IA: cómo reasignar el presupuesto

Con la búsqueda con IA y lo aprendido en la filtración de la API de Google, cambia el peso de las medidas off-page. El backlink por sí solo no pierde su efecto, pero ya no es la señal dominante para la visibilidad en IA. Los datos de correlación son claros: las menciones de marca en la web presentan una correlación de 0,664 con la visibilidad en AI Overviews; los backlinks, solo de 0,218. Esto aconseja reasignar el presupuesto.

En la práctica, esto supone desplazar tres prioridades. Primero, menos linkbuilding aislado que solo persigue el enlace. Segundo, más relaciones públicas digitales y medios ganados que generen menciones de marca con un contexto sólido, independientemente del enlace. Tercero, medidas de GEO específicas en la propia web que hagan citables los contenidos. El backlink sigue formando parte del mix, pero ahora comparte presupuesto con disciplinas que contribuyen de forma más directa a la señal de IA.

Conviene una valoración sobria: el SEO clásico y la optimización para IA no se excluyen. Una entidad sólida, contenidos documentados y señales de confianza funcionan en ambos mundos. La cuestión del presupuesto no es una decisión de todo o nada, sino de ponderación a favor de las señales que escalan en la búsqueda con IA.

Flujo de trabajo práctico para B2B: de la entidad a la medición

Una implantación realista sigue un orden claro y requiere tiempo. Los primeros efectos suelen verse al cabo de tres a seis meses, porque las señales de entidad y las menciones primero tienen que llegar a los modelos y al retrieval.

• Configuración de la entidad (mes 1): unificar los datos de marca, revisar y construir la entidad en Wikidata, hacer coherentes el perfil en la WKO y los directorios, e implementar el schema de Organization y sameAs.
• GEO on-page (meses 1 y 2): preparar las páginas clave para que sean citables con estadísticas documentadas, citas atribuidas, bloques de FAQ y un marcado de schema limpio.
• Relaciones públicas digitales y medios ganados (meses 2 a 4): colocar de forma dirigida contenidos basados en datos y trabajo de prensa para generar menciones de marca en medios especializados, con o sin enlace.
• Configurar la monitorización (desde el mes 1, de forma continua): definir conjuntos de prompts, hacer seguimiento de la visibilidad en IA y de la cuota de citas, y observar el sentimiento de las menciones.
• Iterar (a partir del mes 3): ajustar por plataforma según los datos de medición, por ejemplo reforzando la presencia en Wikipedia para ChatGPT o los contenidos actuales para Perplexity.

Este flujo de trabajo no es un proyecto puntual. Como las plataformas cambian continuamente, tal como muestra el descenso de las citas del top 10 de Google del 76 al 38 %, la adaptación debe formar parte de una rutina periódica.

Errores frecuentes en la optimización de citas en IA

• Apostar solo por los backlinks: quien sigue invirtiendo el presupuesto sobre todo en enlaces ignora la señal más fuerte. Las menciones de marca presentan una correlación de 0,664, frente a 0,218 de los backlinks.
• Una sola estrategia para todas las plataformas: ChatGPT, Perplexity y Google eligen de forma distinta. Como solo el 11 % de los dominios aparece citado tanto por ChatGPT como por Perplexity, un enfoque único fracasa.
• Confiar en un buen ranking en Google: una posición en lo más alto no basta. Alrededor del 80 % de las citas de IA ni siquiera posiciona en Google para la pregunta original.
• No preparar los contenidos para que sean citables: sin estadísticas documentadas, respuestas claras y estructura falta la facilidad de extracción. El GEO puede aumentar la visibilidad hasta un 40 % si las tácticas se aplican con constancia.
• Mantener una entidad incoherente: los datos de marca contradictorios diluyen el perfil en el Knowledge Graph y debilitan las señales de coocurrencia.
• Ignorar los riesgos del RGPD: las reseñas manipuladas o las fuentes de datos poco transparentes son arriesgadas desde el punto de vista legal y socavan la señal de confianza que evalúan los sistemas de IA.

Métricas y medición de la visibilidad en IA

La visibilidad en IA se puede medir, pero exige métricas distintas a las del SEO clásico. Hay cuatro magnitudes clave. Primero, la cuota de citas, es decir, la frecuencia con la que se menciona o enlaza la marca en las respuestas a un conjunto definido de prompts. Segundo, el share of voice en IA, que mide la proporción propia de menciones frente a la competencia. Tercero, el sentimiento, es decir, el tono con el que se menciona la marca. Cuarto, la evolución de las menciones de marca en la web como indicador adelantado.

La base metodológica es un conjunto de prompts bien definido: una lista fija de las preguntas que los clientes potenciales harían realmente en un contexto B2B. Este conjunto se lanza periódicamente en las plataformas relevantes y se evalúa la cuota de citas. Herramientas como Ahrefs Brand Radar o las funciones de IA de Semrush ayudan a seguir a lo largo del tiempo las menciones de marca y la visibilidad en IA.

Al interpretar los datos, el contexto de cada plataforma es decisivo. Como la selección de fuentes de los sistemas cambia de forma dinámica, tal como demuestra el descenso de las citas del top 10 de Google del 76 al 38 %, un valor aislado dice menos que la tendencia a lo largo de varios meses. La palanca adelantada sigue siendo el número de menciones de marca, porque las marcas del cuartil superior en menciones aparecen en Google AI Overviews con una frecuencia más de diez veces mayor que las del cuartil inmediatamente inferior.

Para profundizar

La optimización de citas en IA es la extensión lógica del SEO off-page a un mundo en el que los modelos de lenguaje hacen la selección. La base sigue siendo una entidad sólida y coherente, anclada en la web mediante menciones de marca, fuentes de conocimiento estructuradas y coocurrencia temática. Sobre ella se construyen los contenidos citables y las tácticas específicas de cada plataforma. Los siguientes pasos sensatos para una empresa B2B son auditar sus propias señales de entidad, definir un conjunto de prompts para la monitorización y reasignar de forma progresiva el presupuesto off-page del linkbuilding aislado a las relaciones públicas digitales, los medios ganados y el GEO. Quien combina estas disciplinas construye visibilidad en un canal que complementa cada vez más a la búsqueda clásica.