LLMO: posicionar donde no hay posiciones

Última actualización: 16 de junio de 2026

Hay una pregunta que llevo meses oyendo en reuniones, en charlas y en mensajes privados. No es “¿está muerto el SEO?”. Esa ya aburre. La nueva es más incómoda: “si la gente le pregunta a ChatGPT en vez de a Google, ¿de qué me sirve posicionar?”.

La respuesta corta es que la pregunta está mal planteada. La búsqueda no se está mudando de Google a la IA. Se está fragmentando. Y entender esa diferencia es lo que separa una estrategia que aguanta de una que se rompe en el primer titular alarmista.

La búsqueda no se está mudando de Google a la IA: se está fragmentando. Quien entienda esa diferencia separa la estrategia del ruido.

Los datos de 2026 lo dejan claro, aunque no en la dirección que muchos esperaban. ChatGPT es ya uno de los cinco sitios más visitados del mundo, con miles de millones de visitas mensuales y un crecimiento que lo metió en el top cinco a finales de 2025. Y al mismo tiempo, Google no ha encogido: sigue procesando del orden de 14.000 millones de búsquedas al día. Las dos cosas son verdad a la vez, y ahí está la clave.

Lo que ha cambiado no es el tamaño de Google. Es el reparto del descubrimiento. Un análisis de Sparktoro y Datos mostró que cuando alguien adopta herramientas de IA, sus búsquedas en Google no caen: a menudo suben. Pero el State of Search del último trimestre de 2025 apunta a un matiz que sí importa: las búsquedas por usuario en Google bajaron alrededor de un 20% interanual en Estados Unidos mientras el volumen total se mantenía plano. La evaluación de un proveedor que antes eran cinco búsquedas en Google ahora se resuelve dentro de una conversación con ChatGPT o Perplexity, con una o dos búsquedas de confirmación al final. El clic final se registra en Google. El descubrimiento ocurrió en otro sitio.

Para una marca, ese desplazamiento del descubrimiento es lo que de verdad cambia las reglas. Si tu cliente forma su criterio dentro de un modelo de lenguaje y solo aterriza en Google para confirmar, lo que el modelo diga de ti pesa antes de que exista el primer clic.

De ahí nace una disciplina nueva: el LLMO (Large Language Model Optimization), centrado en cómo se representa una marca o un contenido dentro de modelos como ChatGPT, Gemini, Claude o Perplexity, y en las respuestas que generan. En esta guía vas a encontrar qué es, cómo funciona por dentro, qué técnicas tienen sentido hoy y cuáles son humo, y cómo preparar tu contenido para que estos sistemas lo entiendan, lo recuerden y lo citen.

1. Qué es LLMO y por qué importa en el SEO

Las interfaces conversacionales no son una moda pasajera. Están captando una porción creciente de las consultas, sobre todo en las que el usuario quiere una respuesta precisa y contextual en lugar de una lista de enlaces. ChatGPT, Perplexity, Claude, Gemini: cada uno con su base de usuarios y su ritmo, pero todos apuntando en la misma dirección.

Conviene no perder la perspectiva. Google sigue siendo dominante y su volumen de búsquedas no ha caído. Lo que ocurre es que aparece una forma de buscar paralela y complementaria, no un reemplazo. Y la fragmentación no se queda en los chatbots: una parte importante de las búsquedas de producto empieza directamente en Amazon, las redes sociales se han convertido en motores de búsqueda por derecho propio (sobre todo para la Generación Z, que tira de TikTok e Instagram para descubrir marcas), y una porción nada despreciable de las consultas ya pasa por asistentes de voz, sin pantalla.

La búsqueda, en resumen, dejó de ser un sitio para convertirse en un comportamiento que ocurre en muchos sitios. El paradigma centrado solo en Google se quedó corto. Y en ese entorno el SEO exige algo más que dominar algoritmos: pide entender la semántica, estructurar conocimiento y crear contenido que un modelo pueda interpretar y citar. Sobre todo, pide saber dónde está tu cliente y cómo busca de verdad.

A medida que la disciplina madura aparecen siglas que se multiplican casi tan rápido como las herramientas: LLMO, GEO, GAIO, LSO, LEO. Antes de seguir conviene ordenarlas, porque la confusión de términos genera más ruido que estrategia.

1.1 LLMO, GEO, GAIO, LSO y LEO: en qué se diferencian

La proliferación de acrónimos no es la señal de que el SEO se muere. Es justo lo contrario: la prueba de que se adapta. Cambian los nombres y los entornos, pero la base no se mueve. Entender cómo se procesa la información y conseguir que tu contenido sea visible, relevante y citado.

Cada sigla refleja un enfoque algo distinto dentro de la misma realidad: cómo lograr que un modelo de lenguaje comprenda, cite y reutilice tu contenido.

• LLMO (Large Language Model Optimization) es el término más amplio, y el que vertebra esta guía. Engloba la optimización para grandes modelos de lenguaje en su conjunto: redacción semánticamente clara, contenido que el modelo pueda asimilar, adaptación a prompts conversacionales y, sobre todo, citabilidad. Es el paraguas bajo el que caben los demás.
• GEO (Generative Engine Optimization) se refiere a la optimización para motores generativos como ChatGPT Search o Perplexity. Apunta a aparecer dentro de las respuestas generadas, no en enlaces tradicionales. Se centra en cómo la IA presenta el contenido.
• GAIO (Generative AI Optimization) amplía el foco más allá de los motores de búsqueda: agentes inteligentes, flujos conversacionales dentro de apps, interfaces de voz. Abarca todo el ecosistema de generación, no solo la respuesta web.
• LSO (Language Search Optimization) describe la optimización en buscadores que integran lenguaje natural o modelos de lenguaje en su propia interfaz, como los AI Overviews de Google. Es un híbrido entre el SEO clásico y la generación de lenguaje, centrado en cómo la IA resume resultados.
• LEO (LLM Engine Optimization) se concentra en el motor interno del modelo: cómo se entrena, cómo prioriza fuentes y cómo decide qué citar. Va más allá del contenido web e incluye la estructura de los datos y el contexto semántico que influye en el propio modelo.

Parecen lo mismo, y en el fondo persiguen un objetivo común. La distinción fina importa menos que la idea de partida: hacer que tu contenido sea comprendido y citado por una máquina que genera texto, no que se limita a enlazarlo.

1.2 LLMO: qué es y cómo funciona

El LLMO es el conjunto de técnicas y decisiones orientadas a optimizar la visibilidad y la representación de una marca o un contenido dentro de los grandes modelos de lenguaje y los motores generativos.

Como explica Natzir Turrado en su blog, el LLMO engloba los enfoques que vimos antes, que no dejan de ser etiquetas distintas para un mismo fin: ser encontrados y estar presentes en las respuestas que genera la IA cuando tu público hace una consulta relevante.

La forma, eso sí, cambia. Los modelos de lenguaje no indexan ni rastrean como Googlebot. Aprenden de los corpus con los que se entrenan, trabajan con embeddings, evalúan la semántica y extraen relaciones entre entidades. Ahí está la ruptura con el SEO clásico.

Los modelos de lenguaje no indexan ni rastrean como Googlebot: aprenden, evalúan semántica y extraen relaciones entre entidades.

El SEO de toda la vida se apoya en señales como la indexación, los enlaces o las keywords. Esas señales siguen contando, sobre todo cuando el modelo recupera información en tiempo real (los sistemas RAG, que veremos en detalle más adelante). Pero el LLMO añade una capa: se ocupa de cómo el modelo comprende, sintetiza y cita. Entran en juego la claridad semántica, la estructura conversacional, la cobertura completa de un tema y la capacidad de que el modelo te cite directamente.

Un estudio de XFunnel sobre 768.000 citas generadas por modelos de lenguaje, a lo largo de doce semanas y en ChatGPT, AI Overviews y Perplexity, deja un par de lecciones útiles. La primera, que el contenido de producto (fichas, comparativas, listas del tipo “mejores de”) domina las citas, entre un 46% y más de un 70% del total, mientras que blogs, notas de prensa y material puramente educativo se citan mucho menos. La segunda, que el tipo de fuente cambia según la etapa: en consultas tempranas el modelo busca validación externa (investigación, reviews, noticias) y en las de decisión cita casi en exclusiva las páginas oficiales del producto.

La conclusión de fondo es la que más me interesa. Lo que el modelo premia es la profundidad y la solidez factual, no la posición en Google. Dicho en corto: los modelos no recompensan al que mejor rankea, sino al que mejor explica, en el momento del recorrido en que toca explicarlo.

Los modelos no premian al que mejor posiciona: citan al que mejor explica.

1.3 ¿Es el LLMO solo SEO con otro nombre?

La respuesta honesta es: ni del todo sí, ni del todo no.

Sí, comparte cimientos con el SEO tradicional: contenido de calidad, arquitectura sólida, autoridad. Pero introduce exigencias nuevas, adaptadas a cómo procesan la información los modelos. Como apuntan desde Seer Interactive, muchos motores generativos piden tácticas distintas, y aplicar el SEO clásico tal cual no garantiza visibilidad en ellos.

En ese terreno han surgido debates, sobre todo alrededor del llms.txt, propuesto como una especie de “robots.txt para la IA”. Conviene la cautela: John Mueller, de Google, ha señalado que ningún modelo ha confirmado usar ese archivo, y recuerda que el robots.txt sigue siendo la vía establecida para controlar el acceso. Es un buen recordatorio de que en esta disciplina conviene separar lo que funciona de lo que se vende como que funciona.

La forma de procesar información también varía según el diseño del modelo. Los hay que aprenden solo de su corpus pre-entrenado, sin acceso a la web en tiempo real. Los hay con RAG, que complementan ese conocimiento con búsquedas en vivo. Y los hay híbridos, que alternan entre uno y otro según la consulta. La optimización tiene que adaptarse al tipo de modelo que quieras priorizar.

Por eso el schema markup, los datos estructurados y la propia arquitectura cobran un papel nuevo. Ya no basta con que tu contenido sea accesible. Tiene que ser comprensible para una máquina que genera texto, no que lo enlaza. El LLMO no sustituye al SEO. Lo redefine. Pasamos de escribir para posicionar a escribir para ser comprendidos, recordados y citados.

1.4 Por qué una marca no puede ignorar los modelos de lenguaje

Quedarse fuera de la conversación que ocurre dentro de los modelos tiene un coste, y no es el que parece. No es solo tráfico perdido. Es perder la oportunidad de formar el criterio del usuario en el momento en que lo está formando.

Aquí aparece el fenómeno del “zero-click generativo”: el usuario obtiene su respuesta dentro del modelo, sin pasar por tu web. Eso ha llevado a algunos a concluir que el contenido ya no sirve. La lectura me parece equivocada, y la mejor explicación que he visto es la que Kevin Indig llama el Gran Desacoplamiento: la búsqueda basada en IA ha eliminado el clic, pero ha conservado la construcción de confianza. El usuario sigue aprendiendo de tu contenido. Solo que ahora lo hace dentro de la interfaz del modelo, no en tu dominio. La educación ocurre dentro de la IA. La elección de marca ocurre después. Tu tráfico baja, pero la demanda no desaparece.

Eso explica una situación que cada vez veo más: clientes con el tráfico orgánico cayendo y las demos creciendo a doble dígito. El trabajo de contenido no dejó de funcionar. Dejó de dejar rastro en la analítica.

Sobre si ese tráfico residual de IA convierte mejor o peor que el de Google, conviene la prudencia. Hay estudios para todos los gustos: unos dicen que mejor, otros que igual, otros que peor. Tengo la sensación de que la respuesta honesta es que depende del segmento, y que quien te venda una cifra universal te está vendiendo su narrativa. Lo que sí parece sólido es lo otro: que el descubrimiento y la formación de criterio se han desplazado hacia dentro del modelo, y que ahí es donde una marca se juega ser recordada o no.

Si todo esto es cierto, la pregunta deja de ser cuánto tráfico te manda la IA. Pasa a ser qué dice la IA de ti cuando alguien pregunta por tu categoría. Y para responderla hay que entender cómo funcionan estos modelos por dentro.

2. Qué son los LLM y cómo procesan tu contenido

Los grandes modelos de lenguaje son sistemas entrenados con volúmenes enormes de texto para generar contenido coherente. A diferencia de un buscador, que indexa y clasifica páginas, un modelo comprende el lenguaje y genera respuestas a partir de lo que aprendió durante el entrenamiento. Cada familia de modelos tiene sus capacidades y su enfoque, pero todos comparten esa lógica de fondo.

Conviene distinguir cuatro comportamientos, porque la optimización cambia según cuál tengas delante:

• Buscador tradicional con capa de IA. Indexa como siempre, pero muestra resúmenes generados encima. Es el caso de Google con AI Overviews.
• Modelo basado en entrenamiento. Responde desde lo que aprendió, sin búsqueda en vivo. Su conocimiento tiene fecha de corte.
• Modelo con recuperación activa (RAG). Hace búsquedas semánticas en tiempo real para complementar lo que sabe. Perplexity es el ejemplo más claro.
• Sistema híbrido. Decide en cada consulta si responde con su conocimiento interno o sale a buscar fuera.

La estrategia se adapta a la arquitectura de cada modelo y a su lógica de citación. No optimizas igual para un modelo que solo recuerda lo aprendido que para uno que recupera información fresca en cada respuesta.

2.1 Los agentes de IA no leen como Googlebot

La evolución de los modelos no se queda en generar texto. Los avances recientes han dado paso a los agentes: una capa por encima del modelo que le permite razonar en varios pasos, usar herramientas y adaptarse al contexto del usuario en tiempo real. Un agente no es solo un modelo que escribe. Es un sistema con varias piezas conectadas.

Suele tener un sistema de razonamiento que descompone problemas y mantiene la coherencia en respuestas largas. Una memoria contextual, a corto plazo dentro de una conversación y, cada vez más, a largo plazo entre conversaciones. Acceso a herramientas externas: APIs, bases de datos, navegadores, documentos que consulta en vivo. Y, en los más avanzados, planificación y ejecución de tareas en cadena, desde rellenar un formulario hasta consultar varias fuentes antes de responder.

Esto importa para el LLMO más de lo que parece. Un agente no se limita a rastrear e indexar enlaces. Analiza el contexto semántico, reconoce entidades, evalúa las relaciones entre conceptos y mide la fiabilidad de las fuentes. No solo lee. Razona, compara y decide qué citar.

Para entrar en esa lógica, tu contenido tiene que ser semánticamente claro, sin ambigüedades. Contextualmente útil, capaz de responder a distintas intenciones según el momento. Rico en entidades y en relaciones explícitas entre marcas, productos y conceptos. Y accesible y estructurado para integrarse con sistemas de recuperación, APIs y embeddings.

De todas esas exigencias, la de las entidades es la que más se subestima. Un modelo que no tiene claro qué eres, en qué categoría encajas y con qué conceptos te relacionas, rellenará ese hueco con lo que encuentre. Y rara vez será lo que tú habrías elegido.

2.2 RAG: cuando el modelo busca antes de responder

Uno de los avances que más cambia las reglas es la integración de arquitecturas RAG (Retrieval-Augmented Generation). Permiten que el modelo complemente lo que aprendió en el entrenamiento con información externa recuperada en tiempo real, y generan un comportamiento a medio camino entre buscador y sistema generativo.

El proceso tiene tres tiempos. Primero la recuperación: antes de responder, el modelo consulta una base de datos, una API o indexa páginas en vivo, guiado por la intención del usuario y por embeddings semánticos que localizan los documentos relevantes. Luego el aumento: la consulta se enriquece con esos documentos. Y por último la generación: el modelo usa esa información como contexto para producir una respuesta más precisa y actual, que en muchos casos cita las fuentes consultadas.

Esto cambia por completo la lógica de la citación. Ya no basta con estar dentro del conocimiento entrenado del modelo. Tu contenido tiene que ser fácilmente recuperable (estructura clara, metadatos, optimizado para consultas conversacionales), relevante y actualizado, y citable: el modelo necesita poder extraer un fragmento que integre con limpieza en su respuesta. Ahí el estilo, la claridad y la estructura deciden.

Perplexity es el ejemplo más transparente: combina entrenamiento con búsqueda web y cita las fuentes con enlaces directos. ChatGPT con navegación activada hace algo parecido. Claude y Gemini emplean formas híbridas, a veces con menos transparencia en la atribución. La consecuencia práctica es sencilla de enunciar y difícil de ejecutar: si tu contenido no aparece, no se cita. Y si no se cita, no existe en el mundo de los motores generativos.

2.3 Cómo deciden los modelos qué citar

A diferencia de un buscador, que ordena páginas según señales como los enlaces o la autoridad de dominio, un modelo selecciona fragmentos que considera útiles, fiables y relevantes para una consulta. Y ese proceso no siempre es transparente ni predecible.

No todos citan igual. Algunos, como Perplexity, tienden a incluir enlaces explícitos. Otros pueden usar tu contenido sin señalarlo, lo que hace aún más importante estar presente dentro del conocimiento entrenado del modelo, no solo en lo que recupera en vivo.

La estrategia, por tanto, cambia de naturaleza. Ya no se trata solo de atraer al bot de Google. Se trata de que el modelo te reconozca como fuente fiable, tanto en lo que aprendió como en lo que recupera. Y eso depende de algo que el SEO clásico medía mal: si el modelo tiene una idea clara y coherente de quién eres.

3. Optimización técnica para modelos de lenguaje

La infraestructura técnica decide cómo un modelo accede a tu información, la interpreta y la usa. No sustituye al SEO técnico de siempre, lo extiende: hay que facilitar que la máquina que genera texto procese y cite tu contenido, no solo que un bot lo rastree.

3.1 Arquitectura, schema y datos estructurados

Lo primero es lo de siempre, bien hecho. HTML semántico que ayude al modelo a entender la estructura (las etiquetas article, section, nav cumplen su función). Una jerarquía de encabezados lógica, de H1 a H6, que refleje de verdad la organización conceptual del contenido y no un capricho de maquetación. Y nada de información clave escondida en imágenes sin texto alternativo o en elementos dinámicos que el modelo quizá no procese.

Sobre eso se monta el schema markup, que cobra un papel nuevo en entornos generativos, sobre todo con sistemas RAG. Marcar tu contenido con Schema.org ayuda al modelo a comprender entidades, relaciones y propiedades. Los formatos que más rinden para LLMO son cuatro: FAQPage para estructurar preguntas y respuestas, que es justo el formato que un modelo extrae con más facilidad; HowTo para guías paso a paso; Article para dar contexto de autor, fecha y estructura; y Product para contenido comercial, donde el modelo busca specs y comparativas.

Conviene validar la implementación con el Rich Results Test de Google o el validador de Schema.org, enriquecer el marcado con propiedades de contexto (autor, fecha de publicación, editor) y no quedarse solo en el código: el modelo lee el dato estructurado, pero también analiza el texto visible. Una cosa sin la otra cojea.

3.2 Quién puede entrar: bots de IA y robots.txt

Aquí es donde más se ha movido el terreno, y donde más confusión hay. El reflejo de mucha gente es preguntar “¿permito o bloqueo los bots de IA?”. La pregunta está mal formulada, porque mete en un solo cajón tres decisiones que son distintas.

Hay, a grandes rasgos, tres tipos de agente. Los crawlers de entrenamiento (GPTBot, ClaudeBot, CCBot, Google-Extended) recogen contenido para entrenar futuros modelos. Los bots de búsqueda y recuperación (OAI-SearchBot, Claude-SearchBot, PerplexityBot) alimentan las respuestas que el modelo da en tiempo real. Y los fetchers activados por el usuario (ChatGPT-User, Perplexity-User) entran cuando una persona le pide algo concreto a su asistente.

Cada uno implica una decisión diferente. Bloquear los de entrenamiento es una decisión de privacidad y propiedad intelectual: decides si tu contenido alimenta o no el próximo modelo. Bloquear los de búsqueda y recuperación es una decisión de visibilidad: te saca de las respuestas generativas. Y bloquear los fetchers de usuario es una decisión de acceso: impides que un asistente complete lo que alguien le pidió. Una sola regla de robots.txt no puede tomar bien las tres a la vez.

El error más caro que veo es bloquear OAI-SearchBot sin querer, a menudo porque un plugin de SEO trae el bloqueo activado por defecto. Quien lo hace desaparece de las respuestas de búsqueda de ChatGPT, aunque su contenido ya estuviera entrenado, porque entrenamiento y búsqueda son sistemas independientes. Conviene auditar el robots.txt a mano cada cierto tiempo, no fiarlo todo al plugin.

Y un apunte de realismo, porque el optimismo técnico se paga caro. El robots.txt es una primera línea, no la defensa entera. En 2025 Cloudflare documentó crawlers que rotaban user-agents e IPs para saltarse las directivas. Si manejas contenido sensible, el control de verdad está a nivel de servidor o de WAF, no en un archivo de texto que algunos respetan y otros no.

3.3 Monitorizar: los logs no mienten

De poco sirve abrir la puerta si no miras quién entra. El análisis de logs de servidor es la fuente de verdad sobre el comportamiento de los bots de IA en tu sitio: qué rastrean, con qué frecuencia, qué patrones siguen. Filtrando los logs por las cadenas de user-agent conocidas (gptbot, claudebot, perplexitybot y compañía) ves la actividad real, no la que supones. Esa lectura periódica es lo que te permite ajustar la estrategia en vez de navegar a ciegas.

4. Optimización de contenido para que te citen

La técnica abre la puerta. El contenido decide si el modelo te elige. Y aquí la lógica del LLMO se aparta de varios reflejos del SEO clásico.

4.1 EEAT sigue mandando, y ahora más

La experiencia, la pericia, la autoridad y la confianza no pierden peso con la IA. Lo ganan. Un modelo que sintetiza una respuesta a partir de pocas fuentes se juega su credibilidad en cada una, así que tiende a apoyarse en contenido que pueda tratar como fiable: autoría clara, fuentes citadas, datos verificables, una marca reconocible detrás. Las señales que construyen autoridad (menciones en medios del sector, enlaces de calidad, una entidad bien definida) son las mismas que hacen que un modelo te trate como referencia y no como ruido.

Hay además una capa que conviene tener presente, aunque escape a tu control directo: los acuerdos de licencia entre las empresas de IA y los grandes editores. OpenAI, Google, Perplexity y Microsoft han firmado contratos con grupos como Axel Springer, Associated Press, News Corp o Financial Times, y ese mapa de alianzas se ha ido documentando públicamente (la investigación de Lily Ray y Myriam Jester recoge la red de partnerships conocida). No hay una cifra fiable que cuantifique cuánta ventaja de citación dan esos acuerdos, y desconfío de las que circulan, pero la dirección es clara: las publicaciones con acuerdo parten con ventaja en el grafo de fuentes de confianza del modelo. Para una marca pequeña, la lección no es firmar con OpenAI. Es conseguir que medios con esa autoridad te mencionen, porque esa mención hereda parte de su peso.

4.2 Escribir para ser comprendido por una máquina que razona

Hay cuatro propiedades del contenido que, por lo que vengo observando, marcan la diferencia a la hora de ser citado.

La primera es la estructura conversacional. Los modelos extraen con facilidad el contenido organizado en pregunta y respuesta, con encabezados que suenan a cómo pregunta la gente de verdad. No por capricho de formato, sino porque encaja con cómo el modelo localiza y empaqueta una respuesta.

La segunda es la profundidad semántica. Cubrir un tema de verdad, con sus matices y sus conexiones, pesa más que tocar muchos temas de pasada. Lo conecta con lo que vimos del estudio de citas: gana quien mejor explica, no quien más palabras clave mete.

La tercera, y la más subestimada, es la monosemanticidad: que cada concepto signifique una sola cosa, sin ambigüedad. Un modelo que no puede desambiguar de qué hablas, o a quién te refieres, simplemente recurre a otra fuente que sí se lo pone fácil. Aquí entra la claridad de entidad: si tu marca comparte nombre con otra cosa, o si tu propuesta se confunde con la de la categoría genérica, el modelo lo nota y duda. La desambiguación no es un detalle técnico. Es lo que permite que el modelo sepa que eres tú.

La cuarta es la cobertura completa con estructura jerárquica: un contenido que responde a la pregunta principal y a las que se derivan de ella, organizado de forma que el modelo entienda qué depende de qué.

4.3 Las métricas de contenido también cambian

En motores generativos, el clic deja de ser la unidad de medida. Lo que cuenta es si apareces en la respuesta, con qué prominencia y en qué contexto te menciona el modelo. La citación directa, la persistencia de tu marca en respuestas sucesivas y el sentimiento con que se te nombra pasan a primer plano. Son métricas más difíciles de medir que una sesión en Analytics, pero son las que reflejan tu visibilidad real en este entorno. Sobre esto volvemos en el apartado de medición, porque es donde más gente se está equivocando.

5. Cómo medir el LLMO sin engañarte

Aquí es donde veo más equivocaciones, y casi todas nacen de lo mismo: medir lo nuevo con la vara de lo viejo.

Si el clic desaparece pero la influencia se mantiene, seguir reportando sesiones y posiciones como métrica principal es mirar el dedo en lugar de la luna. Kevin Indig lo resume bien cuando habla de pasar del reporte de tráfico al reporte de influencia: dejar de liderar las conversaciones con stakeholders a base de impresiones y rankings, y empezar a hablar de otra cosa.

¿De qué cosa? De si más gente te busca por tu nombre (eso es notoriedad creciente). De qué porcentaje de tu pipeline tuvo un primer contacto orgánico, aunque el clic ya no se vea. Y de con qué frecuencia los sistemas de IA te mencionan o citan cuando alguien pregunta por tu categoría. Esta última es la métrica nativa del LLMO, y la más incómoda, porque obliga a salir de Analytics y a ir a preguntarle al modelo directamente.

Las métricas que importan en este entorno son tres, y ninguna vive en tu panel de siempre.

• La tasa de citación y mención: cuántas veces apareces, en qué tipo de consultas y con qué prominencia.
• La persistencia de marca: si el modelo te sigue mencionando en repreguntas sucesivas o te suelta a la primera.
• El sentimiento y el contexto: no es lo mismo que te citen como referencia que como ejemplo de lo que no hacer.

Para no perderme entre esas señales sueltas uso un marco propio, cuatro variables que resumo como RAPP:

• La Regularidad: con qué frecuencia apareces cuando se pregunta por tu categoría, porque una mención aislada no es visibilidad.
• La Atención, en el sentido de precisión: si lo que el modelo dice de ti es exacto o viene con datos cambiados.
• La Prominencia: en qué lugar de la respuesta apareces, porque no es lo mismo abrir la recomendación que ir de relleno al final.
• La Positividad: el tono con que se te nombra.

Las cuatro juntas dan una foto más honesta que cualquier número de citas a secas, porque una marca puede aparecer mucho, tarde, mal descrita y de pasada, y eso no es estar bien posicionado en IA. Es estar presente sin estar elegido.

Esto cambia el trabajo de fondo. El SEO siempre hizo más de lo que el clic dejaba ver: moldeaba la disponibilidad mental, construía autoridad de categoría, encuadraba el problema y reducía la incertidumbre del comprador. El tráfico era un sustituto medible de todo eso. La búsqueda basada en IA ha quitado el clic, pero ha conservado lo que de verdad importaba: la confianza. El usuario sigue aprendiendo de tu contenido. Solo que ahora la educación ocurre dentro del modelo, y la elección de marca llega después.

Por eso la pregunta de medición acaba siendo la misma que la de estrategia. No es cuánto tráfico te manda la IA. Es si, cuando un modelo habla de tu categoría, habla de ti, y si lo que dice se parece a lo que tú dirías de ti mismo.

6. Los riesgos: cuando el modelo se inventa quién eres

Optimizar para modelos de lenguaje tiene una cara incómoda que conviene no maquillar. Estos sistemas alucinan, atribuyen mal y a veces hablan de tu marca con una seguridad total y los datos cambiados.

Esto ya no es solo SEO: es gestión de reputación online, solo que ahora una de las «voces» que opina sobre tu marca es un modelo que promedia lo que el mundo dice de ti.

Las alucinaciones son el riesgo más conocido: el modelo afirma como cierto algo que no lo es. Aplicado a una marca, puede inventarte una característica que no tienes, asignarte un caso que no es tuyo o describirte con la propuesta de un competidor. Las atribuciones erróneas son la otra cara: el modelo coge una idea o un dato real, pero se lo cuelga a quien no es. Tu contenido alimenta la respuesta y el crédito se lo lleva otro.

La citación opaca completa el cuadro. Ya lo vimos: no todos los modelos enlazan sus fuentes, y algunos usan tu material sin señalarlo. Eso hace muy difícil saber cuándo estás influyendo en una respuesta y cuándo no.

Frente a esto no hay un botón mágico, pero sí una lógica que reduce el riesgo, y es la misma que recorre todo el LLMO. Cuanto más clara, coherente y desambiguada esté tu información (quién eres, en qué categoría compites, qué te diferencia, con qué entidades te relacionas), menos hueco le dejas al modelo para rellenar por su cuenta. La alucinación sobre una marca casi siempre crece en el vacío que deja una marca mal definida. Donde hay señales claras y consistentes, el modelo tiene menos que inventar.

Por eso el primer paso práctico no es optimizar nada. Es ir a preguntarle a los modelos qué dicen de ti. Abrir ChatGPT, Claude, Gemini o Perplexity y preguntar por tu marca, por tu categoría, por tus competidores. Lo que devuelven es un diagnóstico gratuito y a menudo desagradable: descubres si te conocen, si te confunden, si te describen como tú quieres o como salió. Esa comprobación, hecha con regularidad, es la forma más barata de detectar el problema antes de que lo vea tu cliente.

7. El futuro del LLMO y el SEO generativo

Toca mirar hacia delante sin caer en la profecía, que en este sector envejece en semanas.

La idea que tengo más clara es la más sobria: el LLMO no reemplaza al SEO. Lo transforma. Las dos disciplinas comparten cimientos (estructura, contenido útil, autoridad) y divergen en el propósito. El SEO clásico persigue el clic. El LLMO persigue la cita. Y lejos de canibalizarse, se necesitan: la autoridad que construyes para Google es buena parte de lo que hace que un modelo te trate como fuente fiable.

Lo que sí me parece una apuesta segura es la dirección del movimiento. Cada vez más, la primera impresión que una persona se lleva de tu marca no la formará leyendo tu web, sino leyendo lo que un modelo dice de tu web. El descubrimiento se desplaza hacia dentro de la conversación con la IA. Y en esa conversación tú no estás presente para matizar. Solo está el rastro que dejaste.

Estamos, en el fondo, en una nueva versión de un problema viejo. La información ya no solo tiene que ser visible. Tiene que ser útil, reutilizable y fiable para las máquinas que ahora responden en nombre de los buscadores. Quien entienda esa lógica no solo aguantará el cambio. Tendrá ventaja mientras el resto sigue discutiendo si el SEO ha muerto.

8. Preguntas frecuentes sobre LLMO

¿Se puede hacer SEO y LLMO a la vez?

Sí, y conviene. No son estrategias rivales: comparten la base (autoridad, estructura, contenido sólido) y se refuerzan. La autoridad que ganas para posicionar en Google es buena parte de lo que hace que un modelo te cite.

¿Qué tipo de contenido funciona mejor en modelos de lenguaje?

El que explica un tema con profundidad, está bien estructurado y es fácil de extraer: formato pregunta-respuesta, datos verificables, comparativas claras, fichas de producto precisas. Los datos de citación apuntan a que gana la profundidad factual, no el volumen de palabras clave.

¿Qué lenguaje prefieren los modelos?

El claro, preciso y desambiguado. Cuanto menos margen dejes a la interpretación (sobre qué eres, en qué categoría compites, con qué conceptos te asocias), menos hueco le das al modelo para rellenar con suposiciones.

¿La autoridad de dominio influye en el LLMO?

Influye, aunque no de la misma forma que en el ranking clásico. Los modelos valoran señales de fiabilidad (menciones, enlaces de calidad, una entidad bien definida), pero no replican el cálculo de un buscador. La autoridad real, la que se nota en menciones y reconocimiento, pesa más que cualquier métrica de herramienta.

¿Cómo sé si una IA está distorsionando lo que dice de mi marca?

Preguntándoselo. Abre los principales modelos y pregunta por tu marca, tu categoría y tus competidores. Compara lo que devuelven con lo que tú dirías. Si no coincide, ahí tienes el trabajo.

¿Puedo “entrenar” a un modelo para que me cite?

No de forma directa ni garantizada. Lo que sí puedes es facilitarle el trabajo: contenido claro, estructurado, citable y coherente, accesible a sus crawlers de recuperación. No es un interruptor, es un terreno que se prepara.

---

Si has llegado hasta aquí, te habrás dado cuenta de que casi todo lo técnico de esta guía descansa sobre una sola cosa: que el modelo tenga claro quién eres. La arquitectura, el schema, la desambiguación, la coherencia entre lo que dices y lo que se entiende de ti. Todo apunta al mismo sitio.

Y ese sitio no es nuevo. Es el de siempre, el de la marca. Lo que ha cambiado es el intermediario. Antes te leía una persona y se formaba una idea. Ahora te lee un modelo, se forma una idea y se la cuenta a la persona. Si esa idea no coincide con la tuya, el problema no se arregla en el prompt. Se arregla antes, en la coherencia.

El reto ya no es solo estar en Google. Es que, cuando una máquina hable de ti, hable de ti como eres.

---

Comprobar qué dicen hoy ChatGPT, Claude o Gemini de una marca es justo lo que hago en Magnify cuando audito su visibilidad: contrastar lo que la marca dice de sí misma con lo que las IAs, Google y su audiencia entienden de ella. Cuando las tres versiones no coinciden, el LLMO técnico se queda corto. El trabajo empieza antes.

Este artículo forma parte de mi guía sobre SEO en la era de la IA. Si quieres el marco completo de cómo optimizar cuando quien decide es una máquina, empieza por qué es el SEO agéntico.

Para bajar a tierra: cómo se prepara un ecommerce para que le compre un agente lo cuento en comercio agéntico; el checklist técnico para que un agente pueda usar tu web está en cómo optimizar tu web para agentes de IA; y si te lías con las siglas, aquí separo GEO, AEO y LLMO.

Cómo te nombran y te buscan depende de tu marca: lo desarrollo en la influencia del branding en el keyword research B2B.