Los motores de IA no rankean URLs de la forma en que Google rankea URLs. Recuperan pasajes, los evalúan contra el query del usuario, y o bien citan una fuente o generan una respuesta sin una. Optimizar para ellos requiere entender los cuatro mecánicos debajo de cada motor de IA del web público en 2026: retrieval, embeddings, grounding y lógica de citación. Una vez que esos cuatro están claros, los capítulos específicos por motor que siguen a este tienen sentido como variaciones del mismo modelo en lugar de cuatro problemas enteramente distintos.

“El SEO clásico rankea URLs contra un query. El AI SEO recupera pasajes, los pesa contra señales de entidad, y cita los que sobreviven el chequeo de grounding. La unidad de optimización se movió de la página al pasaje — y la mayoría del trabajo de optimización que nadie está haciendo todavía pasa a ese nivel.”

Mecánico 1 — Retrieval

El retrieval es el paso donde el motor decide qué documentos siquiera considerar para la respuesta. Dos modelos de retrieval importan:

• Retrieval léxico. Índice invertido clásico, ranking estilo BM25. Matchea términos exactos del query contra el documento. Esto es sobre lo que el índice orgánico de Google está construido, con muchas capas agregadas encima. Aún se usa como filtro del set de candidatos hasta por motores de IA.
• Retrieval por embeddings. El query se codifica como un vector; los documentos se pre-codifican como vectores; los top-k matches por vecino más cercano se regresan. Semántico — matchea pasajes que significan algo similar al query, aun si ningún término se traslapa. Dominante en motores de IA y en el retrieval en contexto que grounded las respuestas.

La mayoría de los motores de IA en 2026 corren retrieval híbrido — léxico para filtrar el set de candidatos, embedding para rankear dentro de él. La implicación para optimización: las páginas necesitan tanto los keywords (para retrieval léxico) como la profundidad semántica de contenido (para retrieval por embeddings) para hacer el set de candidatos en primer lugar.

Mecánico 2 — Embeddings

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

Tres implicaciones para optimización:

• La profundidad temática importa. Los embeddings premian al contenido que va profundo en un solo tema. Una página de 2,000 palabras que agota un tema produce un embedding más apretado, más recuperable que una página de 2,000 palabras que serpentea a través de cinco temas.
• Los pares pregunta-respuesta son recuperables. Los motores muchas veces recuperan al 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 fluida.
• El clustering semántico le gana al keyword stuffing. Una página que discute un tema usando conceptos relacionados, sinónimos y términos adyacentes produce un embedding más rico que una que martilla el head keyword. El SEO léxico y el SEO de embeddings apuntan en la misma dirección una vez que los embeddings están involucrados.

Mecánico 3 — Grounding

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

• Grounding estricto (Perplexity, AI Overviews). La respuesta debe ser sostenible por pasajes recuperados, con citas adjuntas. Las alucinaciones son agresivamente suprimidas.
• Grounding híbrido (Gemini, ChatGPT con browsing). Los pasajes recuperados informan la respuesta pero el modelo también puede caer en conocimiento de entrenamiento, y las citas a veces se producen y a veces no.
• Grounding suelto (ChatGPT sin browsing, Claude sin herramientas). Respuesta de datos de entrenamiento sin retrieval en vivo. Las citas se generan cuando el usuario las pide pero son post-hoc y a veces confabuladas.

La implicación de optimización: los motores con grounding apretado premian las fuentes que son fáciles de groundear contra — claims claros, fechas, datos estructurados, entidades nombradas. Los motores con grounding suelto premian fuentes que están bien representadas en datos de entrenamiento — indexación amplia, citación amplia, entidades de marca establecidas.

Mecánico 4 — Lógica de citación

La lógica de citación es la regla que el motor usa para decidir si atribuir la respuesta a una fuente y a qué fuente atribuir. Cuatro patrones dominan:

• Always-cite (Perplexity). Cada respuesta intenta citar URLs específicas. Las citas son output de primera clase.
• Inline-cite cuando hay grounding (AI Overviews). Citas adjuntas a claims específicos cuando el retrieval encontró pasajes de soporte; ausentes cuando la respuesta jaló de conocimiento general.
• Reference-cite (ChatGPT, Gemini, Claude con herramientas). Citas agrupadas al final de la respuesta o inline a petición del usuario. A veces enlazan, a veces solo nombre.
• Implicit-cite (cualquier motor sin retrieval). La respuesta menciona fuentes por nombre sin enlazar. Las menciones de marca en este modo aún producen lift real de awareness pero sin clickthrough.

Cómo difieren los cinco motores

Cada uno de los siguientes cinco capítulos cubre un motor en profundidad. El resumen de diferencias:

• ChatGPT: Retrieval híbrido (entrenamiento + browsing). Preferencia fuerte por fuentes bien conocidas, noticias y documentación de producto. Patrón de citación tiende a implícito a menos que se pida.
• Gemini: Retrieval en vivo pesado grounded en el índice de Google. El más cercano al comportamiento del SEO orgánico; el motor cuyos resultados puedes pronosticar más directamente desde el ranking orgánico.
• Claude: Peso conservador de fuentes. Preferencia fuerte por documentación, fuentes primarias y autoridades bien citadas. Browsing opcional y produce citas explícitas cuando se usa.
• Perplexity: Siempre-grounded, siempre-citado. Retrieval en vivo contra la web abierta con reglas estrictas de citación. El motor donde el contenido nuevo aparece más rápido si se indexa y enlaza.
• AI Overviews: El propio de Google. Hereda el índice y las señales de ranking de Google, aplica resumen y citación. El traslape más cercano con el SEO orgánico pero con características de retrieval a nivel de pasaje.

El stack compartido de optimización

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

• Indexabilidad + crawleabilidad. 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 parsean JSON-LD agresivamente. Article, FAQPage, HowTo, Product, LocalBusiness, Organization — todos se leen.
• Profundidad temática + estructura de pasaje. Los temas long-form, tratados profundamente con estructura Q&A explícita son recuperados a tasas más altas.
• Señales de entidad. Claims de marca, autor, organización confirmados a través de schema, sameAs, Wikipedia, Wikidata, grafo de citación.
• Marcadores de recencia. Fechas de update en schema, bylines de autor con credenciales, headers last-modified — los motores prefieren fuentes recientes y verificables.

Los capítulos específicos por motor cubren tácticas específicas por motor encima de este stack compartido. El siguiente capítulo, optimización para ChatGPT, empieza con el motor de IA más usado del mundo.