Cómo elige realmente ChatGPT sus fuentes (análisis del tráfico de red)

• Se analizaron cerca de 1,240 registros de fuentes recopilados durante varios días desde una única cuenta Pro con sesión iniciada, y se identificaron en el JSON del navegador el pipeline de fuentes, la clasificación de consultas, los términos de búsqueda y el modelo ejecutado, elementos que no se ven solo en la respuesta final.
• Todos los resultados web llevan un result_source, que es uno de serp, labrador, bright u oxylabs; en consultas comerciales, de compras, finanzas y clima se observó principalmente bright, de la familia Bright Data.
• Las consultas se clasifican en uno de 6 turn_use_case y, si son text, responden solo con datos de entrenamiento sin búsqueda web. De 10 consultas que pedían actualidad, 3 tampoco buscaron en la web, aunque es un resultado limitado obtenido desde una sola cuenta.
• Los modelos Thinking expanden una comparación de productos a unas 15 a 40 subconsultas, buscan páginas oficiales de precios con site: o estiman precios y luego los verifican buscando cadenas como $ o €.
• Obtener, citar y mencionar una marca son cosas distintas; si los precios y especificaciones de una página oficial quedan ocultos detrás de JavaScript o imágenes, puede citarse en su lugar una fuente de terceros como G2. Los hechos deben estar en HTML de texto plano, y las evaluaciones también deben conseguirse en reseñas, Reddit y contenidos comparativos.

---

Alcance de la investigación y criterios para interpretar los resultados

• Con una cuenta ChatGPT Pro con sesión iniciada de una sola persona se ejecutaron decenas de búsquedas durante varios días y se recopilaron cerca de 1,240 registros de fuentes.
  • La mayoría de las consultas están sesgadas hacia SaaS y tecnología.
  • No es un estudio que mida la frecuencia de fuentes en toda la población, sino un registro de observaciones sobre campos internos y comportamiento entregados al navegador.
• Los estudios de visibilidad a gran escala agregan la frecuencia de exposición de marcas en las respuestas finales de miles de prompts, pero deben inferir el proceso interno a partir de los resultados.
• Este análisis confirmó directamente etiquetas internas del motor en el JSON de respuestas de red:
  • result_source por resultado
  • turn_use_case por consulta
  • nombres de proveedores de búsqueda
  • términos de búsqueda generados por ChatGPT
  • modelo realmente ejecutado
• La confiabilidad de los resultados debe verse en dos categorías:
  • Hechos estructurales: la existencia de campos y valores, la omisión de búsquedas web en consultas text, y estructuras verificadas repetidamente en tráfico real, como múltiples búsquedas site: y verificación de precios por parte de modelos Thinking.
  • Observaciones de frecuencia: cifras y rankings que pueden variar según una sola cuenta y una selección limitada de consultas, como la proporción de bright, el ranking de citas de Reddit o la falta de citas de YouTube.
• La diferencia mecánica de que Reddit permite obtener texto del cuerpo, mientras que los resultados de búsqueda de YouTube entregan sobre todo metadatos, respalda la dirección de la observación. Sin embargo, para conocer proporciones exactas hace falta una muestra mayor.

Inspección HTTP del navegador, no captura de paquetes

• La razón por la que no se pueden leer consultas y respuestas solo con paquetes de Wireshark es que el cuerpo real de los mensajes está cifrado con TLS.
  • Se pueden ver metadatos como el nombre de host de destino, la IP y que la app de ChatGPT usa HTTP/3 basado en QUIC en lugar de TCP.
  • El primer paquete QUIC está ofuscado con una clave fija definida en la especificación, por lo que una herramienta puede desofuscarlo y mostrar el nombre de servidor no cifrado incluido en el ClientHello.
  • Después de eso, los cuerpos de solicitudes y respuestas quedan en una carga útil protegida y no se pueden leer.
• El JSON con consultas, respuestas y metadatos debe revisarse en el panel Network de DevTools del navegador, después del descifrado.
• En el proceso de automatización surgieron dos problemas:
  • Al ejecutar otro motor en un Chrome automatizado limpio, tras unas cuantas consultas aparecía repetidamente la verificación humana de Cloudflare, así que se cambió a un Chrome con una sesión real.
  • Las respuestas de ChatGPT se transmiten por streaming a través de una conexión de larga duración abierta cuando carga la página, por lo que un hook instalado a mitad de sesión no podía capturarlas desde el inicio.

El result_source asociado a cada fuente

• Si se activa Preserve log en DevTools y se buscan las respuestas, todos los resultados web que obtuvo ChatGPT tienen un result_source.
• Mark Williams-Cook compartió 3 de esos valores, y es posible que Metehan ya hubiera encontrado el valor restante.
• Se observaron cuatro valores:
  • serp: la capa básica de la web abierta; aparece sobre todo en noticias como Yahoo y StreetInsider.
  • labrador: parece una lista permitida de editoriales tradicionales como Reuters, The Guardian, WSJ, FT, Wikipedia y arXiv; entrega snippets de hasta unos 1,080 caracteres.
  • bright: apunta a Bright Data, empresa comercial de web scraping, y destaca en consultas de compras, finanzas, clima y locales.
  • oxylabs: apunta a Oxylabs, empresa competidora de scraping, y se inclina hacia medios locales y algunos resultados de la web abierta.
• labrador incluye varias editoriales con acuerdos de contenido con OpenAI, por lo que parece una capa de licencias, pero no se puede confirmar una relación contractual solo con el tráfico.
• Tampoco se puede saber si bright y oxylabs implican contrato o pago. Pero la obtención desde la web abierta pasa por ambos, y el campo permite ver cuál obtuvo cada resultado.
• En la muestra recopilada, bright se encargó de la mayor cantidad de obtenciones.
  • Reuters, WSJ, Wikipedia y TechRadar fueron labrador.
  • Reddit, Forbes y rtings fueron bright.
  • Medios del Golfo como Khaleej Times y Gulf News fueron oxylabs.
• En una consulta sobre el clima en Dubái, incluso dentro de una misma respuesta los roles se dividieron:
  • metoffice.gov.uk, accuweather.com y timeanddate.com fueron bright.
  • khaleejtimes.com, gulfnews.com y whatson.ae fueron oxylabs.
• Para quedar expuesto a una capa de scraping realmente accesible, los hechos y cifras deben estar en HTML de texto plano, no escondidos detrás de scripts, PDF o imágenes.
• En lugar de depender solo de capas editoriales difíciles de acceder, también es necesario aparecer en páginas que leen los scrapers mediante cobertura de terceros, PR, menciones de marca, enlaces y Reddit.

Consultas text que no buscan en la web en absoluto

• Antes de buscar, ChatGPT clasifica la pregunta como turn_use_case; se observaron 6 valores:
  • instant search
  • shopping
  • text
  • local
  • thinking
  • image generation
• Si se clasifica como text, no ejecuta una búsqueda web y responde solo con datos de entrenamiento.
  • “Cómo cambiar una llanta ponchada”
  • “Escribe una función en Python para fusionar dos listas ordenadas”
  • “Traduce esta oración a 4 idiomas”
• Incluso “las guías de tratamiento más recientes para la diabetes tipo 2”, donde la actualidad y la seguridad son importantes, fue clasificada como text y procesada sin búsqueda web.
• De 10 preguntas que pedían deliberadamente información actual, 3 se procesaron sin búsqueda, pero es un resultado de prueba limitado y no debe interpretarse como una proporción general.
• La clasificación cambia no solo según el tema, sino también según la redacción de la consulta.
  • “El mejor café cerca de mí” cambia al pipeline local.
  • “El mejor televisor 4K para comprar” activa shopping.
  • “El mejor televisor 4K con reseñas” permanece en búsqueda general.
  • Las preguntas de matemáticas pasan al modelo de razonamiento de thinking.
  • “Acciones de Tesla esta semana” permanece en instant search.
• Antes de crear una página, hay que verificar si la consulta objetivo realmente busca en la web.
  • Si una consulta de uso o definición se procesa como text, no puede entrar en los resultados de búsqueda sin importar la calidad actual de la página.
  • Para que una marca aparezca en estas consultas, debe construir autoridad a largo plazo y hacer que crawlers como Common Crawl puedan ver el sitio, creando la posibilidad de que se incluya en futuros datos de entrenamiento.

Cómo expande una pregunta a decenas de búsquedas

• Si se trae la conversación completa desde la propia API de ChatGPT, se pueden ver las consultas en abanico que ejecutó el modelo.
  • Los modelos rápidos suelen ejecutar solo una búsqueda reescrita.
  • Los modelos Thinking generan cerca de 15 a 40 subconsultas para una sola pregunta de comparación de productos, según la complejidad.
• Durante la comparación se encadenan varios patrones de búsqueda:
  • Busca directamente páginas de precios de proveedores con site:.
  • Primero estima el precio y luego busca si ese monto es correcto.
  • Descubre durante la investigación herramientas no incluidas en el prompt, como Scrunch AI, y amplía el alcance de la comparación.
  • Verifica en cadena incluso los precios de las herramientas recién encontradas.
• No se limita a obtener resultados de búsqueda: ejecuta del lado del servidor comandos find, open y click de la herramienta de navegación.
  • Busca directamente cadenas como $, €, 99 y Agency.
  • No es un agente que manipule la pantalla del usuario, sino una herramienta del servidor que explora los resultados de la página.
• En la consulta “keyword insights pricing”, ejecutó site:keywordinsights.ai/pricing, estimó valores como “Starter $58, Pro $145, Advanced $299” y luego buscó símbolos de moneda en el HTML para confirmarlos.
• Los precios y las cifras clave deben ofrecerse como texto HTML, no como imágenes, y conviene evitar toggles de JavaScript o carga dinámica de datos.
• No hay que apuntar solo a la frase que escribe una persona; también hay que hacer que la información pueda encontrarse en los términos de búsqueda que el modelo resume y ejecuta, y en verificaciones directas como site:yourdomain.com/pricing.

Obtener, citar y mencionar son resultados diferentes

• Las fuentes tienen tres estados independientes:
  • Obtenida (Fetched): la página entra en el contexto del modelo, pero no es visible para el lector y se confirma mediante el objeto result_source.
  • Citada (Cited): se enlaza como fuente clicable después de una oración específica.
  • Mencionada (Mentioned): aparece el nombre de la marca o un chip del sitio en la respuesta, pero no es la fuente de esa afirmación.
• En la muestra limitada de consultas técnicas y comerciales, Reddit y YouTube fueron obtenidos 278 y 201 veces, respectivamente.
  • Reddit fue citado 11 veces.
  • YouTube no fue citado ni una sola vez.
• En los resultados de búsqueda de YouTube se obtenían metadatos más que transcripciones de video, mientras que los hilos de Reddit tienen texto del cuerpo en la página, lo que facilitaba asociar una fuente a una oración específica.
• Los análisis externos a gran escala muestran la misma dirección:
  • Ahrefs encontró, en 1.4 millones de prompts de ChatGPT, una tasa de citas de Reddit de 1.93% y de YouTube de 0.51%.
  • Profound también confirmó la misma brecha entre ambos servicios.
• En la muestra pequeña, Reddit fue el dominio individual más citado, y las siguientes citas se distribuyeron entre sitios de reseñas como rtings y TechRadar, y páginas de proveedores.
• Las páginas de proveedores se citan como fuente de sus propios precios y especificaciones.
  • Zoho, Semrush y proveedores de VPN fueron enlazados como respaldo de su propia información.
  • Las evaluaciones sobre cuál producto es mejor citan principalmente páginas de terceros.
• Las citas se vinculan a oraciones específicas, no a la respuesta completa, así que la relevancia temática no basta: hay que respaldar mejor una afirmación precisa.
• Los resultados se deduplican por dominio, por lo que 20 páginas débiles del mismo sitio pueden combinarse en una sola.
• En lugar de generar muchas páginas de baja calidad para cada búsqueda en abanico, conviene crear una página sólida por afirmación.
• Las afirmaciones evaluativas sobre una empresa obtienen respaldo de reseñas de terceros, Reddit y contenidos comparativos, no de la propia página; además, el texto se cita directamente con más facilidad que el video.

Cambio de fuente cuando no puede leer la página oficial

• En el tráfico entregado al navegador no se pueden confirmar puntuaciones ocultas de ranking como autoridad de dominio, ponderación de confianza o fórmulas de clasificación.
  • La lógica relacionada permanece en los servidores de OpenAI.
  • Con solo datos del navegador no hay base para afirmar y vender “factores de ranking de ChatGPT”.
• En el razonamiento guardado de los modelos Thinking queda una narración textual del proceso de selección de fuentes.
  • Para hechos como precios y especificaciones, prioriza las páginas oficiales.
  • En una comparación de Ahrefs, confirmó Lite $129, Standard $249 y Advanced $449 en la página oficial, y eligió la página de precios más actual como fuente para citar.
• En Profound y Peec, los precios no aparecían directamente en los resultados de búsqueda, y se registró la posibilidad de que se cargaran mediante JavaScript.
• Si no puede parsear la página oficial, el modelo cambia a fuentes de terceros como G2.
  • Intentó confirmar los precios oficiales, pero no los encontró en la página.
  • Como resultado, las cifras de la propia empresa se citaron con base en una página de otro sitio.
• Los precios y especificaciones de producto no deben cargarse con JavaScript ni ponerse en imágenes; deben ofrecerse como texto rastreable.
• Una página de precios fácil de leer aumenta la posibilidad de que los hechos propios se citen directamente, pero las recomendaciones y evaluaciones deben conseguirse por separado en reseñas, Reddit y comparativas honestas.

Personalización, búsqueda local y áreas que no pueden confirmarse

• La razón por la que una fuente se eligió sobre otra pertenece a la lógica del lado del servidor, salvo por las propias descripciones que guarda el modelo, y no puede confirmarse.
• La personalización se aplica selectivamente a algunas consultas relacionadas, no a todas.
  • En consultas que se superponen con trabajos previos del usuario aparece personal_sources: ["convo_search", "gmail", "files"].
  • De 3 conversaciones investigadas, en 1 que coincidía con el historial del usuario se usaron conversaciones pasadas para una respuesta general de “mejores herramientas”.
• Algunas respuestas se componen de datos personales que no se pueden optimizar externamente, por lo que los resultados varían por usuario y las puntuaciones de visibilidad pueden fluctuar.
• En la búsqueda local, local_results_limit tiene el valor 2.
  • Si se pregunta por el mejor café cercano, devuelve solo 2 lugares, no los 10 principales.
  • En búsqueda local, si no se está dentro de los 2 primeros, no se aparece en la respuesta.
• El pipeline shopping solo se observó en una consulta y contradice directamente lo visto por otro investigador en una única consulta, así que por ahora no se puede confirmar su configuración.
• La estructura se observó repetidamente en unos 1,240 registros, pero las proporciones obtenidas en consultas comerciales pequeñas centradas en SaaS y tecnología requieren validación a mayor escala en varias industrias.
• El sistema puede cambiar cada semana, así que debe verse como una foto instantánea donde la estructura puede mantenerse, pero las cifras se mueven.

Cómo revisarlo directamente y extensiones

• Se puede revisar el pipeline básico en el propio navegador sin permisos adicionales.
  • En ChatGPT, abrir DevTools con Cmd+Option+I.
  • Activar Preserve log en Network.
  • Ejecutar la consulta y luego buscar result_source en la respuesta con Cmd+Option+F.
• Para ver abanicos de búsquedas, citas y razonamiento, se puede escribir una vez allow pasting en Console y leer los datos de /backend-api/conversation/ de una conversación que haya realizado una búsqueda web.
• El script proporcionado lee solo los datos de conversaciones propias con el token de acceso de la sesión actual, e imprime los dominios fuente y pipelines en formato de tabla.
  • techradar.com y whathifi.com son labrador.
  • soundguys.com y rtings.com son bright.
  • khaleejtimes.com es oxylabs.
  • streetinsider.com es serp.
• Cambiando los campos recopilados, se pueden extraer de la misma forma términos de búsqueda, citas y razonamiento guardado.
• FanoutFox es una extensión gratuita de Chrome que automatiza este proceso.
  • Muestra el pipeline result_source por fuente.
  • Distingue estados de obtenida, citada y mencionada.
  • Muestra todas las consultas en abanico generadas a partir de una pregunta, incluidas búsquedas con site: y verificaciones de precios.
  • Los datos no salen del navegador.
  • Se puede instalar desde Chrome Web Store y ver análisis adicional en Part 2.
• La extensión gratuita de Olivier de Segonzac también lee datos de la sesión local y los exporta a Excel.
  • Muestra turn_use_case, lo que permite confirmar antes de la búsqueda si la consulta cambió a shopping, local o text.
  • Separa, a partir de tokens de cita, la proporción de tipos de referencia de productos, resultados de búsqueda, noticias e imágenes.
  • Muestra en gráficos la composición de result_source por conversación.
  • Se puede consultar en Chrome Web Store y en la descripción de la actualización.

Principios de diseño distintos de la optimización para motores de búsqueda

• En la muestra limitada se confirmaron en general los consejos existentes sobre la influencia de Reddit, contenidos tipo lista y sitios de reseñas.
• Incluso el buen contenido solo tiene efecto en las partes que el modelo realmente puede leer; los hechos que no puede leer pueden obtenerse desde otros sitios.
• ChatGPT lee hechos parseables en las páginas propias, toma evaluaciones de páginas de otras personas y ejecuta este proceso solo cuando la consulta se clasifica como apta para búsqueda.
• Más que apuntar únicamente al ranking en buscadores, hay que diseñar en conjunto la posibilidad de que se ejecute una búsqueda, la capacidad de parseo del HTML, la idoneidad de cita por afirmación y las fuentes de evaluación de terceros.