SEO para LLM que define cómo describen su marca los asistentes de IA

¿En qué se diferencia el SEO para LLM de la optimización para la búsqueda con IA?

La optimización para la búsqueda con IA se dirige a las respuestas que citan páginas web en tiempo real; el SEO para LLM mira el panorama completo de lo que un modelo cree sobre su marca. Eso incluye respuestas sin ninguna cita, en las que el modelo se basa en lo que absorbió durante el entrenamiento.

Pida a un asistente que describa su empresa sin búsqueda web y responderá de memoria, a veces con precios antiguos, el nombre anterior de un producto o una función de un competidor. Pregúntele con la búsqueda activada y puede que cite un hilo de un foro en lugar de su sitio. Nuestro trabajo cubre ambas cosas: las fuentes en directo que recuperan los motores de respuesta y el registro público duradero con el que se entrenarán los modelos futuros.

Los servicios vecinos se ocupan de tareas más acotadas. El posicionamiento en ChatGPT y el posicionamiento en Perplexity trabajan sobre los rastreadores y las citas de un solo motor; el AEO técnico se ocupa del acceso de los rastreadores y de la estructura; el seguimiento de visibilidad en IA mide menciones y citas a lo largo del tiempo. Este servicio es la capa de representación: lo que dicen de usted los asistentes, si es cierto y de dónde procede cada afirmación.

¿Quién necesita la optimización para LLM y quién todavía no?

Importa sobre todo cuando la descripción que hace un asistente de usted condiciona una decisión antes de que nadie visite su sitio. Eso incluye a empresas SaaS B2B cuyos precios o integraciones aparecen mal en las respuestas comparativas, a marcas que han cambiado de nombre, se han fusionado o han cambiado de categoría, y a sectores regulados como la salud y los servicios financieros, donde una afirmación errónea sobre un producto o servicio conlleva un riesgo real.

También encaja con marcas a punto de lanzar un producto, porque el nuevo nombre, la categoría y los datos tienen que ser coherentes en toda la web antes de que los modelos y los índices de búsqueda los recojan.

Es prematuro si los asistentes ya le describen correctamente y su principal carencia es que le citen en las preguntas de categoría; ese es un problema de citas que resuelve mejor nuestro programa de optimización para la búsqueda con IA. Tampoco es la herramienta adecuada para eliminar información cierta pero incómoda. Corregimos errores y omisiones, no datos exactos.

¿Cómo se averigua qué dicen los LLM sobre su marca?

Ejecutando un conjunto estructurado de prompts de marca y de categoría en ChatGPT, Claude, Gemini y Copilot, con la búsqueda web activada y desactivada cuando el producto lo permite, y registrando cada afirmación factual. El objetivo es detectar errores y omisiones, no solo contar menciones.

Contrastamos las afirmaciones con una ficha de datos que usted aprueba: qué vende, a quién, dónde, desde cuándo, en qué rango de precios y en qué se diferencia. A cada dato erróneo o ausente se le asigna una fuente probable, como una nota de prensa antigua, una ficha de directorio desactualizada, un perfil en un sitio de reseñas o una frase de Wikipedia, para que la corrección apunte a la causa. A las marcas que venden en varios mercados se les ejecuta el conjunto por país, ya que los asistentes en la India o los EAU pueden apoyarse en fuentes locales distintas de las de Estados Unidos.

¿Cómo se corrige la información errónea que da un asistente de IA sobre su marca?

Corrigiendo las fuentes en las que se basa el modelo y haciendo después de su propio sitio la declaración más clara de los hechos. Las vías oficiales de corrección son limitadas: el proceso publicado por OpenAI en privacy.openai.com cubre los datos personales, y OpenAI afirma que no podrá corregir las inexactitudes en todos los casos. En el caso noyb, OpenAI dijo que no podía corregir una fecha de nacimiento errónea y ofreció bloquear la respuesta en su lugar. En Google, los propietarios verificados de un Knowledge Panel pueden sugerir cambios, y un AI Overview puede señalarse con su enlace Report a problem. Para la mayoría de los errores de marca, la corrección práctica está en el origen.

Actualizamos sus páginas de empresa, precios y producto con declaraciones claras y fechadas y con Organization schema cuyos enlaces sameAs apuntan a sus perfiles oficiales. Después corregimos los perfiles que usted controla, como LinkedIn, G2 o Capterra, Google Business Profile y Yelp, y solicitamos correcciones en los sitios que no controla mediante sus procesos habituales. Wikipedia y Wikidata tienen sus propias normas de edición, y las seguimos en lugar de sortearlas. Las respuestas con búsqueda en directo pueden reflejar los cambios cuando las páginas se vuelven a rastrear; las respuestas basadas en el entrenamiento solo cambian cuando se publican modelos más nuevos. Nuestro caso de uso sobre respuestas erróneas de la IA recorre con más detalle una corrección típica.

¿Por qué importan las menciones de marca en la optimización para LLM?

Porque los modelos aprenden sobre las marcas a partir de cómo habla de ellas la web, no solo a partir de los enlaces. El estudio de Ahrefs sobre 75.000 marcas halló que las menciones en la web tienen una correlación de 0,664 con la visibilidad en AI Overviews, frente a 0,218 de los backlinks, y otro análisis de Ahrefs halló que las menciones en YouTube tienen una correlación de alrededor de 0,737 con la visibilidad en IA.

Son correlaciones, no pruebas de causalidad, pero coinciden con lo que vemos en las pruebas de prompts. Que se hable de usted con exactitud en Reddit, YouTube, LinkedIn, publicaciones del sector y sitios de reseñas da a los modelos un material más coherente con el que trabajar. Wikipedia también pesa: un análisis secundario la situó en torno al 7,8 % a 13 % de las citas de ChatGPT, y por eso una frase errónea allí se propaga.

La guía de optimización para IA de Google desaconseja las menciones no auténticas, y nos atenemos a ello. El objetivo es una cobertura real mediante relaciones con medios digitales, comentarios de expertos y datos originales que otros quieran citar.

¿Necesitan las marcas nuevas y las consolidadas un trabajo distinto?

Sí. Una marca nueva casi no tiene registro público, así que sus propias páginas hacen la mayor parte del trabajo; una marca consolidada ya tiene ese registro, así que lo hacen los terceros. Ahrefs lo comprobó en un experimento publicado en julio de 2026: para una marca nueva, las páginas autopromocionales generaron el 82 % de sus nuevas menciones en IA, mientras que para una marca consolidada generaron el 6 %, y el contenido de terceros generó el resto.

Para una marca nueva o renombrada empezamos por las páginas propias: una página de empresa clara, páginas de producto y de precios, Organization schema y perfiles coherentes, para que los asistentes tengan una única historia coherente que recuperar. Para una marca consolidada el esfuerzo se desplaza hacia fuera: reseñas, páginas comparativas en sitios independientes, cobertura en prensa y conversaciones en comunidades. El mismo experimento de Ahrefs halló que, en muchas respuestas que citaban una página autopromocional, la marca seguía sin ser recomendada, así que las páginas propias rara vez bastan por sí solas para lograr una recomendación.

¿Conviene bloquear los rastreadores de entrenamiento y sirve de algo llms.txt?

Bloquee los rastreadores de entrenamiento solo si mantener su contenido fuera del entrenamiento de los modelos le importa más que estar representado en él. Son controles de entrenamiento, distintos de los rastreadores que alimentan las respuestas de búsqueda, y llms.txt es una medida de higiene opcional, no una palanca.

OpenAI dice que bloquear GPTBot solo le excluye del entrenamiento, y ChatGPT search depende de OAI-SearchBot. Anthropic separa ClaudeBot, para el entrenamiento, de Claude-SearchBot, para la búsqueda. Google-Extended rige el entrenamiento de Gemini y el grounding de Gemini Apps, pero no afecta a Google Search. El robots.txt gestionado de Cloudflare puede bloquear varios tokens de entrenamiento a la vez con la señal de contenido ai-train=no. Para una marca que quiere que los modelos futuros conozcan sus productos, permitir los rastreadores de entrenamiento en las páginas de marketing puede ser razonable, mientras que el contenido restringido o con licencia sigue bloqueado.

Jeremy Howard, de Answer.AI, propuso llms.txt en septiembre de 2024, y ningún gran motor de respuesta ha confirmado que lo use; John Mueller, de Google, lo comparó con la etiqueta meta keywords. Sí tiene un uso real para la documentación para desarrolladores que leen los agentes de programación, así que, si vende una API, añadimos uno para su documentación.

¿Cómo se mide el avance en la exactitud de la marca?

Medimos primero la exactitud y después la presencia. La cifra central es el porcentaje de afirmaciones factuales sobre su marca que son correctas, seguido por asistente y con la búsqueda web activada y desactivada, junto con la frecuencia con la que se le nombra en los prompts de categoría.

Las respuestas con búsqueda en directo suelen cambiar primero, ya que recogen las páginas corregidas cuando se vuelven a rastrear; las respuestas basadas solo en el entrenamiento cambian cuando salen nuevos modelos, así que informamos de ambas por separado en lugar de mezclarlas en una sola puntuación. Las visitas referidas en GA4 desde chatgpt.com, perplexity.ai, copilot.microsoft.com y gemini.google.com muestran si las mejores descripciones generan visitas, y nuestro servicio de seguimiento de visibilidad en IA añade la cuota de citas en los mismos prompts si quiere ambas vistas en un solo informe.

¿Qué ocurre en los primeros 90 días?

El primer mes detecta y rastrea los errores, el segundo corrige lo que usted controla y el tercero trabaja sobre las fuentes que no controla y vuelve a comprobar.

• Semanas 1 a 4: ficha de datos acordada, prompts de marca y de categoría ejecutados con la búsqueda activada y desactivada, cada afirmación registrada y vinculada a una fuente probable.
• Semanas 5 a 8: páginas de empresa, precios y producto actualizadas, Organization schema con sameAs añadido, perfiles controlados corregidos y política de rastreadores de entrenamiento definida.
• Semanas 9 a 13: solicitudes de corrección en sitios de terceros, plan de menciones en marcha y nueva comprobación de las respuestas con búsqueda en directo.

¿Qué errores hacen que los asistentes de IA describan mal una marca?

La mayoría proceden de incoherencias que creó la propia marca. Los asistentes componen una descripción a partir de muchas fuentes y, cuando esas fuentes no coinciden, la respuesta suele ser la versión más antigua o la más repetida.

El resto procede de intentar atajar el proceso, lo que suele salir mal.

• Precios, nombres de producto o categorías distintos en su sitio, en LinkedIn y en los perfiles de reseñas.
• Notas de prensa antiguas y fichas de directorio que siguen publicadas tras un cambio de nombre o de posicionamiento.
• Ninguna página de empresa o de precios fechada y en lenguaje claro que los asistentes puedan recuperar.
• Bloquear OAI-SearchBot o Claude-SearchBot cuando solo se pretendía bloquear el entrenamiento.
• Editar directamente en Wikipedia el artículo sobre su propia empresa en contra de sus normas sobre conflictos de interés.
• Reseñas o mensajes en foros sembrados artificialmente, algo que la guía de Google desaconseja.