Qué dice la investigación académica sobre el GEO

El paper de referencia más citado sobre este tema se titula "GEO: Generative Engine Optimization", publicado en 2024 por investigadores afiliados a Princeton, Georgia Tech, el Allen Institute for AI e IIT Delhi. No ofrece una fórmula mágica para conseguir que una IA os cite, sino una metodología para probar y comparar distintas técnicas de optimización de contenido frente a motores generativos simulados.

El paper fundacional: "GEO: Generative Engine Optimization"

Este trabajo se considera generalmente uno de los primeros en formalizar el GEO como una disciplina distinta del SEO, planteando la siguiente pregunta: dado que los motores generativos sintetizan respuestas a partir de varias fuentes en lugar de limitarse a clasificarlas, ¿qué características de un contenido aumentan la probabilidad de que sea recogido y destacado en la respuesta generada? Para responder a esto, los autores construyeron un conjunto de consultas que abarca dominios diversos, pensado como un banco de pruebas reproducible para comparar distintas versiones de un mismo contenido.

Por qué este paper marcó el campo del GEO

Antes de este tipo de trabajo, la discusión sobre la visibilidad en las respuestas de IA seguía siendo mayormente anecdótica: observaciones individuales, pruebas no reproducibles, intuiciones tomadas del SEO tradicional y aplicadas por analogía. La principal aportación del paper no es, por tanto, ninguna técnica concreta en particular, sino el propio hecho de proponer un marco de evaluación sistemático y compartido, que permite a otros investigadores reproducir, cuestionar o refinar los resultados. Es este tipo de metodología abierta, más que cualquier cifra aislada que contenga, lo que se convirtió en referencia para publicaciones posteriores sobre el tema.

Cómo evaluaron los investigadores la visibilidad generativa

El método consiste en someter la misma consulta a un motor generativo, observar qué fuentes se citan en la respuesta producida y con qué peso relativo, y luego modificar el contenido de una fuente según una técnica determinada (añadir citas, reformular, etc.) antes de repetir el experimento para ver si cambia su visibilidad en la respuesta generada. Este enfoque se inspira en los métodos usados en la investigación de recuperación de información para evaluar la relevancia de los resultados, adaptado al caso en que el resultado final ya no es una lista de enlaces sino un texto de síntesis.

Las grandes familias de técnicas probadas

Los investigadores estudiaron varias categorías de modificaciones aplicadas al contenido: añadir citas y estadísticas, insertar citas atribuidas a figuras reconocidas, simplificar el lenguaje, enriquecer con palabras clave pertinentes, o mejorar en general la fluidez y la estructura del texto. La conclusión central de esta investigación es que algunas de estas técnicas tienen un efecto medible sobre la visibilidad de una fuente en la respuesta generada, pero que ese efecto no es ni uniforme ni garantizado: su magnitud varía según el dominio probado (salud, derecho, tecnología...), el motor utilizado y la naturaleza de la consulta. Dicho de otro modo, la existencia misma de palancas de optimización medibles queda establecida, pero ninguna técnica funciona de manera universal y constante.

Desde la publicación de este trabajo inicial, otros equipos de investigación y varias empresas del sector han publicado sus propios estudios o benchmarks sobre cuestiones afines, con metodologías y conclusiones a veces distintas. Esta diversidad es más bien saludable para el campo: indica que ningún estudio aislado, por riguroso que sea, debería tratarse como la verdad definitiva sobre el tema. Un investigador o un profesional serio contrasta varias fuentes entre sí en lugar de apoyarse en una única referencia, por muy citada que esté.

Los límites de esta investigación

Este trabajo presenta límites importantes que conviene tener presentes. Refleja los motores generativos y los modelos tal como existían en el momento de su publicación en 2024: los sistemas comerciales evolucionan a un ritmo rápido, y los resultados obtenidos en una configuración de prueba no se trasladan necesariamente de forma idéntica a las versiones actuales de ChatGPT, Perplexity, Gemini o Claude. El número de dominios y consultas probados, aunque diseñado para ser representativo, sigue siendo una muestra limitada frente a la diversidad real de los usos. Por último, un entorno de investigación controlado difiere de un sistema de producción comercial, que puede incorporar alianzas, filtros de seguridad o lógicas comerciales no documentadas públicamente y ausentes del marco experimental.

Qué significa esto para vuestra estrategia de contenido

Este tipo de investigación académica debe leerse como una confirmación direccional más que como un manual de instrucciones preciso: establece que optimizar para motores generativos no es un fenómeno aleatorio y que existen palancas medibles, sin por ello proporcionar una fórmula del tipo "esta técnica aumenta la visibilidad en este porcentaje" que fuera válida para vuestro caso concreto. La práctica correcta consiste en apoyarse en los grandes principios que confirma —la importancia del sourcing, desarrollada en la lección sobre citas, cifras y pruebas, y la de la credibilidad percibida de la fuente, cubierta en la lección sobre E-E-A-T— mientras se observa directamente, en vuestros propios contenidos y consultas, qué funciona realmente, en lugar de fiarse de una cifra aislada, aunque proceda de un paper de investigación serio. Igual que con los datos de mercado tratados en la lección sobre los números del GEO, la mejor actitud sigue siendo consultar la fuente primaria antes de repetir una conclusión. Antes de citar un resultado extraído de un paper de investigación, adquirid el hábito de leer al menos el resumen y la sección de metodología en lugar de solo el título o un artículo de prensa que lo mencione: ahí suelen estar los matices y los límites que la reformulación mediática tiende a difuminar.