Cómo posicionan los motores de IA

Los motores de IA no posicionan URLs como las posiciona Google. Recuperan pasajes, los evalúan contra la consulta del usuario, y o bien citan una fuente o generan una respuesta sin ella. Optimizar para ellos exige entender los cuatro mecanismos que operan debajo de cada motor de IA de la web pública en 2026: recuperación, embeddings, fundamentación en fuentes y lógica de citación. Una vez claros esos cuatro, los capítulos por motor que vienen a continuación se leen como variaciones del mismo modelo y no como cuatro problemas distintos.

“El SEO clásico posiciona URLs contra una consulta. El AI SEO recupera pasajes, los pondera contra señales de entidad y cita los que sobreviven al chequeo de fundamentación. La unidad de optimización pasó de la página al pasaje — y la mayor parte del trabajo de optimización que todavía nadie hace ocurre a ese nivel.”

Mecanismo 1 — Recuperación

La recuperación es el paso en el que el motor decide qué documentos siquiera considerar para la respuesta. Importan dos modelos de recuperación:

• Recuperación léxica. Índice invertido clásico, ordenamiento tipo BM25. Empareja términos exactos de la consulta con el documento. Sobre esto se construye el índice orgánico de Google, con muchas capas encima. Lo siguen usando incluso los motores de IA como filtro del conjunto de candidatos.
• Recuperación por embeddings. La consulta se codifica como un vector; los documentos se precodifican como vectores; se devuelven las mejores coincidencias por vecino más cercano. Es semántica — empareja pasajes con un significado parecido al de la consulta, aun cuando no se traslape ningún término. Domina en motores de IA y en la recuperación en contexto que fundamenta las respuestas.

La mayoría de los motores de IA en 2026 operan con recuperación híbrida — léxica para filtrar el conjunto de candidatos, embeddings para ordenar dentro de él. La implicación para optimización: las páginas necesitan tanto las palabras clave (para la recuperación léxica) como la profundidad semántica del contenido (para la recuperación por embeddings) para entrar al conjunto de candidatos en primer lugar.

Mecanismo 2 — Embeddings

Los embeddings son la forma en que los modelos de IA representan el significado numéricamente. Un pasaje de texto se convierte en un vector — típicamente de 768 a 3,072 dimensiones — que codifica su contenido semántico. Dos pasajes con significados parecidos producen vectores parecidos; dos pasajes con significados distintos producen vectores distintos. El índice de recuperación de un motor de IA se construye sobre estos vectores.

Tres implicaciones para optimización:

• La profundidad temática pesa. Los embeddings premian al contenido que profundiza en un solo tema. Una página de 2,000 palabras que agota un tema produce un embedding más compacto y más recuperable que una página de 2,000 palabras que se dispersa entre cinco temas.
• Los pares pregunta-respuesta son recuperables. Los motores suelen recuperar a nivel de pasaje (párrafo, entrada de FAQ, fila de tabla). El contenido estructurado como pares pregunta-respuesta — FAQs explícitas, patrones de H2-pregunta + cuerpo-respuesta — es más recuperable que la misma información embebida en prosa corrida.
• El agrupamiento semántico le gana al amontonamiento de palabras clave. Una página que trata un tema con conceptos relacionados, sinónimos y términos adyacentes produce un embedding más rico que una que machaca la palabra clave principal. El SEO léxico y el SEO de embeddings apuntan en la misma dirección en cuanto entran los embeddings al juego.

Mecanismo 3 — Fundamentación en fuentes

La fundamentación en fuentes es la restricción de que la respuesta sea verificable contra fuentes recuperadas. Los motores varían en qué tan estrictamente lo aplican:

• Fundamentación estricta (Perplexity, AI Overviews). La respuesta debe sostenerse en pasajes recuperados, con citas adjuntas. Las alucinaciones se suprimen de forma agresiva.
• Fundamentación híbrida (Gemini, ChatGPT con navegación web). Los pasajes recuperados alimentan la respuesta, pero el modelo también puede recurrir al conocimiento de entrenamiento, y las citas a veces aparecen y a veces no.
• Fundamentación laxa (ChatGPT sin navegación web, Claude sin herramientas). Respuesta desde datos de entrenamiento, sin recuperación en vivo. Las citas se generan cuando el usuario las pide, pero son post hoc y a veces inventadas.

La implicación de optimización: los motores con fundamentación apretada premian a las fuentes fáciles de anclar — afirmaciones claras, fechas, datos estructurados, entidades nombradas. Los motores con fundamentación laxa premian a las fuentes bien representadas en los datos de entrenamiento — indexación amplia, citación amplia, entidades de marca consolidadas.

Mecanismo 4 — Lógica de citación

La lógica de citación es la regla que usa el motor para decidir si atribuye la respuesta a una fuente y a cuál atribuirla. Dominan cuatro patrones:

• Cita siempre (Perplexity). Cada respuesta intenta citar URLs específicas. Las citas son una salida de primera clase.
• Cita en línea cuando hay fundamentación (AI Overviews). Citas pegadas a afirmaciones específicas cuando la recuperación encontró pasajes de soporte; ausentes cuando la respuesta salió del conocimiento general.
• Cita por referencia (ChatGPT, Gemini, Claude con herramientas). Citas agrupadas al final de la respuesta o en línea a petición del usuario. A veces enlazan, a veces solo dan el nombre.
• Cita implícita (cualquier motor sin recuperación). La respuesta menciona fuentes por nombre, sin enlazar. Las menciones de marca en este modo siguen generando un alza real de reconocimiento, aunque sin clics.

Cómo difieren los cinco motores

Cada uno de los siguientes cinco capítulos cubre un motor a fondo. Este es el resumen de diferencias:

• ChatGPT: Recuperación híbrida (entrenamiento + navegación web). Preferencia fuerte por fuentes muy conocidas, noticias y documentación de producto. El patrón de citación tiende a implícito salvo que se pida.
• Gemini: Recuperación en vivo intensiva con fundamentación en el índice de Google. El más cercano al comportamiento del SEO orgánico; el motor cuyos resultados puedes pronosticar de forma más directa desde el posicionamiento orgánico.
• Claude: Peso conservador de fuentes. Preferencia fuerte por documentación, fuentes primarias y autoridades muy citadas. Navegación web opcional, y produce citas explícitas cuando se usa.
• Perplexity: Siempre con fundamentación, siempre con cita. Recuperación en vivo contra la web abierta con reglas estrictas de citación. El motor donde el contenido nuevo aparece más rápido si se indexa y se enlaza.
• AI Overviews: El de Google. Hereda el índice y las señales de posicionamiento de Google, y aplica resumen y citación. El traslape más cercano con el SEO orgánico, pero con características de recuperación a nivel de pasaje.

La base compartida de optimización

A pesar de las diferencias, cada motor de IA premia las mismas señales subyacentes:

• Indexabilidad y rastreabilidad. Si tu página no está en el índice de la web pública, ningún motor de IA la recupera. La capa técnica es no negociable.
• Schema y datos estructurados. Los motores analizan el JSON-LD con intensidad. Article, FAQPage, HowTo, Product, LocalBusiness, Organization — todos se leen.
• Profundidad temática y estructura de pasaje. Los temas de formato extenso, tratados con profundidad y con estructura de preguntas y respuestas explícita, se recuperan a tasas más altas.
• Señales de entidad. Afirmaciones de marca, autor y organización confirmadas a través de schema, sameAs, Wikipedia, Wikidata y grafo de citación.
• Marcadores de recencia. Fechas de actualización en schema, firma de autor con credenciales, encabezados last-modified — los motores prefieren fuentes recientes y verificables.

Los capítulos por motor añaden tácticas propias de cada motor sobre esta base compartida. El siguiente capítulo, optimización para ChatGPT, abre con el motor de IA más usado del mundo.