AEO y GEO para AI Overviews, ChatGPT, Claude, Gemini y Perplexity

• Los resultados de búsqueda ya no son solo una lista de enlaces, sino que están cambiando hacia páginas fuente que la IA lee en lugar del usuario, y tanto AI Overviews como ChatGPT, Claude, Perplexity y Gemini consultan páginas web en tiempo real
• AEO (Answer Engine Optimization) es el trabajo para convertirte en la fuente citada cuando un motor de respuestas da la respuesta directamente, y GEO (Generative Engine Optimization) es el trabajo para aparecer dentro de la respuesta escrita por una IA generativa
• Google define ambos conceptos en su propia guía de optimización para IA como variaciones del SEO tradicional, y especifica que los mismos sistemas de ranking y calidad determinan tanto la búsqueda normal como AI Overview
• El requisito previo para aparecer en funciones de IA es tener elegibilidad para aparecer en snippets de búsqueda normales, y resolver problemas de bloqueo de rastreo, renderizado e indexación va antes que optimizar el contenido
• Las páginas que se citan son aquellas que contienen cifras concretas, experiencias propias y detalles únicos que el modelo no puede redactar solo con datos de entrenamiento, y AEO/GEO no es una disciplina separada del SEO sino una extensión del mismo trabajo

---

Definición y lugar de AEO y GEO

• A diferencia de hace 2 años, Google abre los resultados de búsqueda con AI Overviews, ChatGPT y Claude incorporan resultados web en tiempo real en sus respuestas, Perplexity construyó su producto enteramente sobre este enfoque, y Gemini está disponible con un toque en todas las superficies de Google
• La página ya no es un destino, sino una fuente que el modelo lee en lugar del usuario
• AEO (Answer Engine Optimization): el trabajo de convertirse en la fuente usada cuando un motor de respuestas responde directamente en vez de mostrar una lista de enlaces
• GEO (Generative Engine Optimization): el trabajo de aparecer dentro de una respuesta que una IA generativa redacta desde cero al consultar una página
• La guía de optimización para IA de Google establece que “optimizar para la búsqueda generativa con IA es optimizar para la experiencia de búsqueda y, por lo tanto, sigue siendo SEO”
  • Los sistemas de ranking y calidad que determinan la lista de enlaces azules son los mismos que determinan la visibilidad en AI Overview
  • Si mejoras uno, mejoras también el otro
• Cada superficie de IA usa índices web distintos, pero la mayoría de esos índices son subproductos del mismo trabajo de rastreo, renderizado y calidad

La elegibilidad lo es todo antes de cualquier otra cosa

• Para que una página aparezca en funciones de IA, primero debe cumplir con los requisitos para aparecer en un snippet normal de búsqueda
  • La URL debe estar indexada
  • El rastreo debe estar permitido en robots.txt
  • Deben permitirse los snippets (sin nosnippet ni max-snippet:0)
  • El contenido debe cargarse sin depender de una ejecución pesada de JavaScript
• En la inspección de URL de Google Search Console es necesario revisar el HTML renderizado con “Test live URL”
  • Si el cuerpo del contenido no aparece en el HTML renderizado, eso debe corregirse antes que cualquier otra cosa
  • El renderizado del lado del servidor y la generación estática son la opción más segura
• La prueba con curl en terminal puede servir como herramienta de revisión de 30 segundos, pero un 200 OK con UA falseado no es prueba de acceso real del crawler
  • Los operadores de bots bloquean el falseo de UA
  • La validación confiable debe hacerse con rangos de IP publicados o registros reverse-DNS
  • Google, OpenAI, Anthropic y Perplexity publican rangos de IP en su documentación de bots

Diferencia entre crawlers de entrenamiento y crawlers de búsqueda

• GPTBot, ClaudeBot: son crawlers de entrenamiento y bloquearlos no afecta la visibilidad en búsqueda
• Google-Extended: controla el grounding para entrenamiento de IA + Gemini Apps y Vertex AI Grounding, y no afecta ni el ranking en Google Search ni la elegibilidad para AI Overview
• Los indexadores de búsqueda que determinan la visibilidad dentro de respuestas de IA:
  • Googlebot, Bingbot, OAI-SearchBot, Claude-SearchBot, PerplexityBot
• Muchos sitios bloquean por error alguno de ellos y reducen su visibilidad
• Es posible una configuración de robots.txt que permita visibilidad en búsqueda con IA mientras bloquea bots de entrenamiento
• La etiqueta meta robots es un mecanismo de control a nivel de página, no de sitio completo
• El opt-out de Google-Extended solo es posible con un token en robots.txt; no está documentado para usarse con meta tags
• Cada capa funciona como una compuerta, y todas deben estar abiertas para que cualquier optimización posterior tenga sentido

El contenido que se cita es el que el modelo no puede escribir solo con datos de entrenamiento

• La búsqueda generativa recompensa la especificidad
  • La información genérica puede ser resumida por el modelo sin necesidad de citar
  • Las páginas citadas contienen contenido que el modelo no puede sintetizar por sí mismo
• La guía de Google enfatiza crear contenido “único, valioso y centrado en las personas”, evitando contenido commodity que otras páginas dicen igual
• La guía de helpful content trata cómo mostrar experiencia directa, pericia real y una perspectiva propia
• Comparación de ejemplo con un artículo de migración a Next.js 16
  • Versión commodity: el modelo puede generarla solo con datos de entrenamiento → no se cita
  • Versión distintiva: incluye la cifra de 47 páginas rotas, una trampa específica en la firma de una función y una estimación de 3 horas
  • Con un solo detalle como esos, una página puede pasar de ser un simple “resumen de datos de entrenamiento” a una “página de referencia citada”

Una estructura técnica limpia ayuda tanto a crawlers como a modelos

• Es obligatorio usar HTML semántico
  • Usar niveles reales de heading con jerarquía significativa
  • Colocar cerca de la parte superior la respuesta al tema principal de la página
  • No enterrar el contenido debajo de una introducción larga
• La versión mejorada ofrece una estructura clara con article, h1, section, h2
  • Para los crawlers aporta estructura, y para los modelos aporta límites claros entre heading, lede y cuerpo
• Core Web Vitals influye en el ranking, y ese ranking vuelve a influir directamente en la elegibilidad para funciones de IA
  • Las métricas que ve el algoritmo de ranking son datos de campo de 28 días de usuarios reales de Chrome (CrUX), no resultados locales de Lighthouse
  • Con web-vitals de JavaScript se pueden alinear las pruebas locales con los datos que ve el sistema de Google

“Trucos de optimización” que la guía descarta

• Agregar un archivo llms.txt no es una señal de ranking y las funciones de IA de Google no lo usan
• Dividir el contenido en pequeños chunks o convertir todos los headings en preguntas es innecesario (los modelos leen el contexto completo de la página)
• Los datos estructurados son útiles cuando respaldan rich results documentados, pero no son obligatorios para aparecer en funciones de IA
• Ese tiempo conviene invertirlo en la calidad real del contenido y el renderizado

Visuales, schema y datos de comercio son pipelines estructurados

• AI Overviews incorpora directamente imágenes y videos de alta calidad
  • Capturas reales, diagramas reales y videos cortos tipo walkthrough son más útiles que imágenes de stock
  • Aplican los fundamentos clásicos de SEO para imágenes: texto alt descriptivo, nombres de archivo significativos y captions útiles
• Ejemplo comparativo de texto alt (artículo sobre rendimiento en Next.js)
  • La razón por la que la segunda versión termina en el carrusel de imágenes de AI Overview es que describe lo suficiente como para que el modelo entienda qué demuestra la imagen
• Vale la pena agregar datos estructurados cuando respaldan un rich result específico
  • Los schemas de Recipe, Product, FAQ, Event y Article tienen efectos documentados en la búsqueda normal
  • Se incorporan a la misma capa de comprensión que usan las funciones de IA
  • Antes del despliegue, conviene revisar campos faltantes y errores con Rich Results Test

Superficies clave para negocio local y comercio

• Google Business Profile: un perfil verificado suministra horario, ubicación, servicios y reseñas a respuestas locales de IA
• Merchant Center: el feed es fuente de información de productos para AI Overviews
• La guía de optimización para IA identifica ambos como insumos principales para resultados de negocio y comercio

La experiencia para agentes es la siguiente superficie

• Estamos entrando en una era donde agentes autónomos navegan en nombre del usuario
  • Claude con computer use, ChatGPT Operator y el assistant de Perplexity
• La guía de optimización para IA de Google recomienda considerar cómo los agentes interpretan el DOM, los controles y el contenido
• Los sitios con markup confuso, controles ocultos o información clave renderizada solo como imagen son difíciles de manejar para los agentes
• El trabajo de accesibilidad para lectores de pantalla cubre en gran parte esta misma área
• Ejemplo before/after de controles interactivos en una página de reservas
  • La versión mejorada comunica tres cosas al agente: que es un botón de envío, que la acción es “Confirm booking” y que el ícono es decorativo
  • Si el agente no puede identificar el botón para confirmar una reserva, abandonará el sitio y se irá a otro
• En los campos de formulario aplica el mismo principio: el agente lee name, id, aria-label y los elementos <label> alrededor
• Cambiar a type="datetime-local" es un ajuste pequeño, pero ofrece a navegadores y agentes un selector nativo de fecha y hora y manejo estructurado del valor
  • El agente no necesita adivinar el formato

Mide lo que se puede medir y no persigas lo que no se puede

• Search Console sigue siendo la fuente de verdad para los datos del lado de Google
  • El tráfico de AI Overviews y AI Mode se integra en el reporte estándar de Web performance
  • Las métricas a revisar son impressions y clicks
• Bing Webmaster Tools ofrece la herramienta equivalente para Bing y Copilot
• Una inferencia que puede hacerse con cuidado: filtrar Performance por consultas con inicios conversacionales como how, what, why, is, can
  • Ese tipo de consultas long-tail suele detonar AI Overviews
  • Un cambio notable en clicks frente a impressions para esas consultas puede ser consistente con que la página esté siendo resumida dentro de una respuesta de IA en vez de recibir visitas
  • Aun así, debe usarse como hipótesis, no como prueba (cambios de layout, variaciones de ranking, cambios en la mezcla de consultas o estacionalidad también pueden producir patrones similares)
• Cómo probar directamente si un modelo cita tu contenido
  • Abrir cada superficie e ingresar preguntas que el contenido debería responder
  • Si el dominio aparece en la lista de fuentes inline o en las citas de la respuesta, entonces está siendo recuperado en búsqueda
  • Repetirlo cada pocas semanas en las principales superficies para temas relevantes del negocio
  • Hacer seguimiento del número de eventos de cita como si fueran backlinks

Conclusión: AEO y GEO no son una disciplina separada del SEO

• El trabajo anterior cubre todo lo que recomiendan las guías de optimización para IA de Google y todo lo que recompensan otras superficies de búsqueda con IA
• AEO y GEO no son áreas separadas del SEO, sino el mismo trabajo con más atención a la originalidad del contenido, el renderizado y los pipelines estructurados que alimentan todas las superficies de IA