Necesitas entender el proceso RAG porque es una de las maneras en que ChatGPT, AI Mode y otros motores de búsqueda de IA eligen qué páginas se incluyen en su respuesta.
Esta guía explica cómo funciona RAG (en lenguaje sencillo), qué hace que un contenido tenga más probabilidades de ser recuperado y cómo medir tu visibilidad en sistemas de IA que usan RAG con Brand Radar de Ahrefs.
La generación aumentada por recuperación (RAG) es una técnica en la que un LLM consulta un índice —como un motor de búsqueda, una base de conocimientos o una base de datos vectorial— para encontrar información adicional y contextualmente relevante para su respuesta, en lugar de limitarse por defecto a lo que aprendió durante su entrenamiento.
Los modelos de lenguaje grande se entrenan con conjuntos de datos enormes, pero ese entrenamiento tiene una fecha límite.
Si le preguntas a un modelo de IA qué pasó la semana pasada o qué hay en tu base de datos de producción activa, le estás pidiendo que trabaje de memoria sin material de referencia delante.
Cuando consultas a un modelo de IA sobre información que aún no tiene, es cuando tiene más probabilidades de descontrolarse y empezar a decirte que el veneno es bueno para ti…
A esto se le conoce como una “alucinación” de la IA.
La generación aumentada por recuperación proporciona a los modelos de IA acceso al material correcto y actualizado para evitar este destino.
Con la RAG, los LLM complementan o anulan su conocimiento interno —conocido como su “memoria paramétrica”— en un intento de dar una respuesta más fiable.
Este proceso también se conoce a veces como “grounding” o fundamentación; anclar la respuesta a fuentes específicas para que el modelo no esté improvisando basándose solo en sus datos de entrenamiento.
Las tres palabras se corresponden con las tres etapas del proceso:
- Recuperación: El modelo de IA ejecuta una consulta de búsqueda para encontrar (o recuperar) contenido relevante.
- Aumentada: Añade ese contenido recuperado a su entrada (aumentando su conocimiento).
- Generación: Utiliza la consulta y el contenido recuperado para redactar (o generar) una respuesta.
La mayoría de las herramientas de IA utilizan tanto RAG como el conocimiento entrenado de forma conjunta.
La mayoría de las herramientas de IA tienen al menos dos elementos operando bajo el capó: el modelo base genera lenguaje a partir de los patrones aprendidos durante el entrenamiento. La capa de recuperación sale en busca de fuentes para adjuntarlas.
Llegar al conocimiento del modelo base significa ser parte de sus datos de entrenamiento, y eso no es algo que puedas controlar fácilmente.
Pero entrar en los resultados de recuperación es, en muchos sentidos, una extensión del SEO.
Toda respuesta de IA impulsada por la RAG sigue tres pasos: buscar, recuperar, generar.
Para entender los detalles de lo que probablemente ocurre en cada etapa, aquí está lo que sabemos sobre cómo ChatGPT recupera sus fuentes.
Paso 1: La IA decide si ejecutar o no una búsqueda
Antes de recuperar nada, la IA decidirá si siquiera necesita enriquecer su conocimiento con datos externos.
Las consultas sencillas de búsqueda de datos, como “¿Qué es una VPN?”, suelen poder ser respondidas por el modelo principal basándose en su conocimiento de entrenamiento existente. No se necesita recuperación.
En el caso de ChatGPT, un modelo clasificador más pequeño (parte del sistema “sonicberry” según David McSweeney, quien se tomó el trabajo de investigar cómo recupera fuentes ChatGPT) se ejecutará primero, asignando puntuaciones de probabilidad para determinar si una consulta necesita: ninguna búsqueda, una búsqueda simple, o una búsqueda compleja de varios pasos.
Otras herramientas de IA manejarán este paso de forma diferente, pero todas comparten la misma lógica subyacente: no todas las consultas activan una búsqueda.
Paso 2: La IA ejecuta una búsqueda
Cada vez que alguien le hace a ChatGPT una pregunta que requiere más contexto, este expande esa consulta en múltiples consultas relacionadas y luego las envía a un índice de búsqueda externo, como Bing o Google, para recopilar resultados.
Ese proceso de expansión se conoce como query fan-out (recuerda esto para más adelante).
Una vez que se recopila una selección de páginas, los factores SEO on-page como el título, la metadescripción/resumen y la URL determinan qué página se lee en su totalidad, según la investigación del experto en IA Dan Petrovic.
A partir de ahí, descubrió que las fuentes se preseleccionan para un proceso de scraping basándose en la “relevancia, autoridad, frescura y diversidad de perspectiva”.
El experto en IA Jérôme Salomon ha encontrado pruebas de que ChatGPT está construyendo su propio índice de búsqueda de contenido en caché.
En otras palabras, no siempre recupera de las páginas de resultados de motores de búsqueda en vivo.
Además de esto, según investigaciones separadas llevadas a cabo por Mark Williams-Cook, David McSweeney y Suganthan Mohanadasan, se informa que ChatGPT incorpora contenido de un nivel “VIP” independiente con licencia de sitios y editores de gran autoridad, muchos con acuerdos de contenido existentes (por ejemplo, Reuters, WSJ, Wikipedia).
Estos sitios están etiquetados con el nombre labrador en los archivos de tráfico de red de ChatGPT y se recuperan con extractos resumidos previamente y de artículos casi completos, en lugar de ser rastreados y divididos en fragmentos (chunks) como el resto de los resultados.
Paso 3: El contenido se divide en fragmentos (y la coincidencia más cercana gana)
Antes de poder ser recuperado completamente y servido en la respuesta, el contenido web rastreado se divide en piezas más pequeñas llamadas fragmentos (chunks).
Piensa en el chunking como en arrancar un libro y separarlo en capítulos individuales. El sistema rompe la página en fragmentos y luego se pregunta qué fragmento responde mejor a la pregunta.
ChatGPT convierte la consulta de búsqueda y cada fragmento en una representación numérica del significado, conocida como embedding, y luego mide su similitud del coseno: una puntuación de lo cercanos que son semánticamente.
La forma más sencilla de imaginar esto: imagina un mapa gigante donde las ideas similares se sitúan cerca unas de otras y las ideas no relacionadas están muy separadas. En este mapa, “perro” y “cachorro” estarían cerca el uno del otro. “Perro” y “monopatín” estarían en extremos opuestos.
Los embeddings son como coordenadas de GPS en ese mapa: a cada fragmento de texto se le asignan unas coordenadas en función de su significado.
La similitud del coseno es la medida de lo cerca que están dos conjuntos de coordenadas.
La IA recupera los fragmentos cuyas coordenadas son más cercanas a las coordenadas de la consulta de fan-out y la coincidencia más cercana es la que gana.
Esta es la razón por la que un lenguaje específico y claro ayuda a la recuperación: es más fácil asignar a la “coordenada” vectorial correcta.
Paso 4: El contenido recuperado se carga en la memoria de trabajo de la IA (brevemente)
Los fragmentos coincidentes se cargan en la ventana de contexto de la IA —su memoria de trabajo a corto plazo— junto con la pregunta original del usuario.
Sintetiza una respuesta usando ambos y luego elimina los fragmentos.
Dan Petrovic lo probó directamente: pidió a un modelo de IA que recuperara información sobre una persona muy conocida y, en un mensaje de seguimiento, le pidió que recordara un fragmento específico de sus fuentes. No pudo hacerlo.
El contenido sin procesar se “purga” en el momento en que se genera una respuesta.
La RAG y los datos de entrenamiento a menudo se confunden, pero hacen cosas muy diferentes.
Los datos de entrenamiento son lo que construye la memoria paramétrica de un modelo de IA: el conocimiento interno que mencioné antes.
Esto sucede durante el preentrenamiento, cuando el modelo aprende de un corpus de texto enorme y general extraído de la web y otras fuentes (por ejemplo, CommonCrawl), y puede volver a suceder durante el ajuste fino, cuando un modelo se entrena aún más con un conjunto de datos más reducido para cambiar su comportamiento o conocimiento.
De cualquier forma, ese conocimiento se integra en el modelo en sí. No se necesita buscar nada, simplemente es parte de lo que el modelo “sabe”.
Pero tú no tienes voz ni voto en ello. Ocurre según el calendario del desarrollador del modelo, utilizando los datos que ellos elijan para el entrenamiento. No es algo que puedas solicitar, dirigir o verificar que haya sucedido para tu contenido.
La RAG, por el contrario, es un proceso sobre el que tienes cierto control. La calidad, la estructura y la indexación de tu contenido afectan directamente a si se recupera o no.
Siempre que la consulta de un usuario activa un paso de recuperación, el modelo extrae información actual de datos externos sin necesidad de ser reentrenado.
Para la mayoría de las herramientas comerciales de IA, este es el mecanismo detrás de la mayor parte de las respuestas actualizadas que te proporcionan.
| RAG | Datos de entrenamiento | |
|---|---|---|
| Cómo funciona | Recupera contenido externo en el momento de la consulta; nunca forma parte del modelo. | El contenido es absorbido en los parámetros del modelo durante el entrenamiento, convirtiéndose en parte de lo que “sabe” internamente. |
| Coste de actualización | Bajo. Se actualiza la base de conocimientos y la siguiente respuesta del modelo lo refleja. | Alto. Solo cambia cuando el modelo se vuelve a entrenar, en el calendario del desarrollador, no en el tuyo. |
| ¿Es algo en lo que puedes influir? | Sí. La calidad del contenido, la indexación y la estructura afectan a si tu contenido es recuperado para mostrar información actual, citarte como fuente o mencionar tu marca específica. | No directamente. Puedes publicar contenido y esperar que se rastree, pero, a diferencia del RAG, no puedes optimizar una página y esperar verla citada. Lo que puedes hacer es construir una narrativa de marca consistente a lo largo de suficiente contenido con el tiempo, que dé forma a cómo los modelos futuros te describen. |
Todo lo que cubrimos en este artículo —empezar con definiciones, incluir entidades, la estructura de preguntas y respuestas, la frescura— influye directamente en el proceso de recuperación.
Esa es la capa en la que realmente puedes influir a través del contenido.
Ser citado en una respuesta de IA es un éxito, pero no es lo mismo que integrarse en lo que una IA sabe fundamentalmente sobre tu marca.
El experto en optimización para el usuario de búsqueda, Dorron Shapow, lo explica bien:
“Optimizar para la recuperación no está mal. En sistemas que dependen en gran medida de las búsquedas en vivo para consultas comerciales, puede influir de manera determinante en lo que se muestra. Pero asumir que la visibilidad en la recuperación es lo mismo que el peso del modelo fundamental es donde falla la estrategia. Una de las dos toma semanas. La otra es un trabajo lento de coherencia de entidades —lo consistente y claramente que se entienda a tu marca en toda la web en general— y lleva años.”
El query fan-out es el proceso que ocurre detrás de escena cuando envías una consulta a un sistema de IA.
En lugar de buscar tus palabras exactas, desglosa tu pregunta en múltiples subconsultas relacionadas, ejecuta cada una por separado y extrae las fuentes de los resultados combinados.
Supongamos que alguien busca Qué pasará si cambio la harina normal por harina integral en un bizcocho de limón" en Google; el modelo de búsqueda de IA subyacente no buscaría solo esa frase, también podría buscar:
- La mejor harina para bizcocho de limón
- Consejos para hornear con harina integral
- ¿Cómo afecta la harina integral a la densidad de la tarta?
Antes de sintetizar una respuesta.
La IA hace esto mismo automáticamente en la mayoría de las consultas complejas.
Algunos profesionales de SEO han logrado extraer estas subconsultas internas directamente.
Por ejemplo, Metehan Yeşilyurt ha desarrollado una técnica para inducir mediante prompts al Google AI Mode a que muestre las consultas de búsqueda que utilizó para su fundamentación.
Pero si no tienes tiempo de ponerte a buscar, también puedes ver las consultas de fan-out generadas por ChatGPT, Grok y Perplexity en el informe de AI Responses (respuestas de IA) en Brand Radar de Ahrefs.
Durante el query fan-out, la IA divide tu pregunta en subconsultas más pequeñas, las busca todas a la vez, combina y vuelve a clasificar los resultados y, a continuación, fusiona las páginas que obtienen buenos resultados en varias búsquedas en una única lista final.
Esa lista es lo que la IA lee en realidad para redactar tu respuesta.
Hemos simplificado aquí el proceso de fan-out para facilitar su comprensión, pero para una lectura más profunda revisa nuestra guía: ¿Qué es el Query Fan-Out? Comprendiendo las consultas ocultas que impulsan la búsqueda por IA.
Para ChatGPT y otros motores de búsqueda de IA, la generación aumentada por recuperación funciona con SEO.
De hecho, muchos especialistas en marketing y SEO consideran a la búsqueda mediante IA como un “envoltorio” por encima de los motores de búsqueda “tradicionales” como Google, ya que algunos asistentes de IA se nutren en gran medida de ellos.
Cuando ChatGPT, Perplexity o las AI Overviews de Google necesitan responder a una pregunta, realizan búsquedas web reales ¹ ² ³
Google Gemini y las AI Overviews utilizan la Búsqueda de Google. Microsoft Copilot usa Bing. ChatGPT saca información tanto de Google como de Bing. Claude utiliza Brave Search.
| Asistente de IA | Índice/rastreador de búsqueda oficial | Índice/rastreador de búsqueda sospechoso | Índice/rastreador de búsqueda futuro sospechoso |
|---|---|---|---|
| ChatGPT | Bing (Centro de ayuda de OpenAI) | Búsqueda de Google (ZDNET) | Índice propio (Nota filtrada) |
| Gemini | Búsqueda de Google (Docs. de dev. de Google AI) | Google Knowledge Graph (Docs. de dev. de Google) | - |
| Perplexity | PerplexityBot / índice propio (Docs. de Perplexity) | Rastreadores de terceros no revelados (Según Fast Company) y Búsqueda de Google (Según SEL) | - |
| Copilot | Bing (Soporte de Microsoft) | - | - |
| Claude | Brave Search (Centro de confianza de Anthropic → observado por Simon Willison) | - | - |
Esto significa que la capa de recuperación de cada herramienta principal de IA funciona gracias a un motor de búsqueda tradicional.
- El contenido indexado es el grupo inicial. Necesitas que tu contenido aparezca en Google antes de que se muestre en la IA.
- El contenido optimizado para búsqueda consigue que te citen: Incluso si los resultados de búsqueda y de la IA no siempre se solapan de forma exacta, ambos dan prioridad a un contenido de autoridad, bien estructurado y bien optimizado.
- Las menciones de marca en la búsqueda correlacionan fuertemente con la visibilidad en IA: Los sistemas de IA detectan con qué frecuencia y en qué lugares se hace referencia a tu marca en la web: el contenido optimizado para SEO y las relaciones públicas digitales (PR digital) alimentan esto de forma directa ¹.
A pesar de algunas diferencias, el SEO y el GEO están intrínsecamente ligados.
Si tu contenido no aparece en un índice de búsqueda, a un bot de IA le va a costar mucho encontrarlo, y si no puede encontrarlo, no puede recuperarlo.
Sigue estos siete consejos de mejores prácticas si quieres que tu contenido sea citado en las búsquedas RAG.
Asegúrate de que el contenido sea accesible para los rastreadores de IA
Cuando salen a buscar contenido, a muchos rastreadores de IA les resulta imposible leer y citar ciertas páginas.
El contenido en JavaScript (como pestañas o acordeones) o el texto incrustado en imágenes suele ser inaccesible para los bots de IA.
En cambio, los sistemas de IA recuperan contenido HTML estático.
—LinkedIn, Daniel Foley Carter.
Esto es lo que ocurre cuando una página contiene JavaScript.
Suganthan Mohanadasan indagó recientemente en los archivos de red de decenas de conversaciones de ChatGPT y estudió el proceso de la cadena de pensamiento del modelo, donde describe cómo obtiene la información en términos sencillos.
Para una consulta B2B SaaS relevante, ChatGPT localizó el precio oficial de Ahrefs pero tuvo problemas para encontrar los precios de Profound y Peec, argumentando que esa información estaba oculta dentro del JavaScript.
ChatGPT se decantó por fuentes de terceros como G2 dado que “la página oficial es difícil de analizar y no muestra precios”.
Respuesta de ChatGPT indicando que una página oficial es difícil de analizar y no muestra precios.
La moraleja de la historia: si quieres que tu información más importante —como tus precios— se represente de manera precisa en la búsqueda mediante IA, lo ideal es que tu contenido se entregue a través de HTML, no de JavaScript.
JavaScript no es la única forma de dejar fuera a un rastreador; también debes evitar bloquear a los rastreadores de IA (como OAI_SearchBot) en tu archivo robots.txt y en las reglas de tu cortafuegos si quieres ser citado mediante la recuperación ¹ ².
Si utilizas Cloudflare, puedes monitorizar cómo los bots de IA están rastreando tu sitio —incluyendo qué páginas visitan más a menudo y cuáles se saltan— utilizando Bot Analytics de Ahrefs.
Revisa la configuración de rastreo predeterminada de tus Redes de Entrega de Contenido (CDNs) para asegurarte de que no estás bloqueando de forma involuntaria la recuperación de tu contenido.
Por ejemplo, Cloudflare bloquea a todos los rastreadores de IA por defecto, lo que puede limitar la visibilidad de tu sitio web en interfaces como ChatGPT, Claude y Gemini.
Y lo que es aún más importante, también puede bloquear rastreadores multipropósito que combinan el entrenamiento de IA y la visibilidad en motores de búsqueda, como Googlebot y BingBot.
— LinkedIn, Suganthan Mohanadasan, Dixon Jones y Mark Williams-Cook.
Empieza con tu mejor información
La IA presta la máxima atención al principio de tu página, pero su atención va decayendo de forma constante a partir de ahí.
Según el estudio de Kevin Indig de 1,2 millones de citas de ChatGPT, el primer 30% del contenido de una página genera el 44,2% de todas las citas.
El tercio intermedio genera el 31,1%, y el tercio inferior: solo el 24,7%.
Tu información más importante —definiciones, afirmaciones clave, datos exclusivos— tiene que estar en la parte superior de tu contenido.
Esto es exactamente lo opuesto al enfoque tradicional de “dejar lo mejor para el final”. En un contenido optimizado para conseguir citas de la IA, el desenlace o conclusión va primero.
A esto se le conoce como servir la Conclusión por delante (BLUF, por sus siglas en inglés).
Responde a la consulta de inmediato en la primera frase debajo del subtítulo; no entierres la respuesta dos párrafos más abajo.
Esto refleja directamente cómo los sistemas RAG vinculan el contenido con las consultas, pero también cómo leen los usuarios, ¡así que estarás satisfaciendo tanto a seres humanos como a bots por igual!
Estos datos de seguimiento ocular muestran que los lectores concentran la mayor atención en la parte superior de una página y escanean cada vez menos a medida que avanzan hacia abajo, por lo que, si tu conclusión clave está enterrada en el tercer párrafo, la mayoría de los lectores ni siquiera llegan a verla; de ahí lo de la “conclusión por delante”.
Optimiza para temas de fan-out
Para aparecer en los resultados de fan-out de los que se nutren los sistemas de IA, resulta útil crear clústeres de temas: las preguntas relacionadas, definiciones, comparaciones y subtemas que la IA podría buscar mientras elabora una respuesta.
Si buscas pistas sobre cuáles podrían ser esos subtemas, echa un vistazo a los cuadros “Otras preguntas de los usuarios” y a las consultas de “Búsquedas relacionadas” en la parte inferior de Google.
Reflejan las preguntas y los enfoques más habituales en torno a tu tema, los cuales tienden a ser similares a las consultas que la IA genera en un proceso de fan-out.
Echa un vistazo a la pestaña de Preguntas en Keywords Explorer de Ahrefs para encontrar consultas relacionadas que se estén realizando en torno a tu tema y así trazar un clúster de temas.
Si no cubres subtemas específicos, serás invisible en un porcentaje significativo de resultados de búsqueda para consultas de fan-out.
Optimiza la velocidad de tu página
Las páginas lentas son malas noticias en cualquier motor de búsqueda, pero en la búsqueda mediante IA el precio a pagar es aún más alto.
En su análisis de cómo funciona ChatGPT, el consultor SEO David McSweeney señala que ChatGPT parece extraer las páginas de apoyo con un límite estricto de tiempo de espera (timeout) de unos dos segundos: si tu servidor es lento, tu página se corta y, aun respondiendo a tiempo, un tiempo hasta el primer byte (TTFB, por sus siglas en inglés) alto significa que tu contenido termina truncado.
TTFB inferior a 1 segundo: probablemente no tengas problemas. Toda tu página tiene tiempo de cargarse, dividirse en fragmentos y alimentar al modelo.
Más de 1 segundo: te la estás jugando. La conexión podría cortarse a mitad de descarga, a veces tan pronto que solo consiguió pasar tu etiqueta <head> lo que significa que el modelo ni siquiera llegó a ver el contenido real.
La velocidad decide si llegas o no a colarte en la ventana de contexto del modelo.
Comprueba el tiempo hasta el primer byte en Site Audit de Ahrefs.
- Dirígete al informe Rendimiento
- Encuentra el gráfico “Distribución del tiempo hasta el primer byte”
- Haz clic en “Medium: 200-300 ms” (Medio) para encontrar oportunidades de optimización rápida
Luego, ordena por tráfico orgánico para encontrar el contenido más importante que podría necesitar optimización.
Si tu servidor es demasiado lento, es posible que tu página nunca llegue a entrar en una respuesta de IA, pero en algunos casos nunca lo sabrás, porque el visitante (en este caso, un bot) simplemente se rindió y se marchó.
Jan-Willem Bobbink busca casos donde ocurre esto identificando el código de estado HTTP 499 en los registros (logs) de su servidor.
Un código de estado 499 significa que el cliente cerró la conexión antes de que el servidor terminara de responder.
Esta es otra señal evidente de que tu sitio es demasiado lento para la recuperación por parte de la IA.
Puedes comprobar qué páginas de tu sitio devuelven un error 499 utilizando el nuevo informe de Códigos de estado en Bot Analytics de Ahrefs.
Este mes, el 43,7% de nuestras páginas ha recibido un código de estado 499 para las solicitudes de ChatGPT-User.
Cuando aplicamos un filtro para centrarnos solo en las visitas de ChatGPT-User, vemos que la mayoría de estos errores 499 provienen del blog y algunos de la página de precios.
Un código 499 significa que o bien el navegador/la aplicación se cansó de esperar y se desconectó antes de que el servidor tuviera la oportunidad de devolver su respuesta, o bien el usuario cerró la pestaña del navegador o le dio a la flecha “atrás” antes de que la página se cargara.
En cualquier caso, estas páginas pueden ser buenas candidatas para una optimización de la velocidad de página.
Crea contenido profundo y liderado por entidades
El contenido que se cita con más frecuencia a través de la búsqueda RAG contiene aproximadamente una densidad de entidades del 20,6%.
Esto significa que el 20,6% de sus palabras son nombres propios (herramientas con nombre, marcas, personas, empresas, estudios), frente a entre un 5% y un 8% en el contenido “promedio”.
Una entidad es cualquier cosa específica con nombre. Por ejemplo, “Una herramienta de SEO” no es una entidad, pero “Ahrefs” sí lo es.
Cuantas más entidades con nombre incluyas, más puntos de anclaje tendrá tu contenido en el mapa de significados, lo que lo hará recuperable para un abanico más amplio de consultas relacionadas.
Pero no vas a ganar citas simplemente metiendo entidades “a la fuerza” de forma aleatoria (entity stuffing). Tu contenido y las entidades incluidas deben ser relevantes para la consulta del usuario.
Aquí tienes otro motivo por el cual las entidades son importantes.
Las consultas de fan-out utilizan a menudo una técnica de “nube de sinónimos” para dirigir la recuperación hacia enfoques y entidades específicas y, en última instancia, ajustarse mejor a la intención de la consulta original del usuario.
Por ejemplo, el modelo fronterizo de ChatGPT puede transformar una consulta como “¿Cuáles son las 10 mejores zapatillas de correr?” en consultas de fan-out repletas de sinónimos como:
- mejores zapatillas de correr 2026
- opiniones zapatillas de correr
- top selecciones
- premios
Para empujar al embedding hacia una intención orientada a “las mejores”, tal y como se observa abajo a través de Brand Radar de Ahrefs.
Entonces, ¿qué significa esto para tu contenido?
Bueno, parafraseando a David McSweeney: Las páginas genéricas que mencionan un poco de todo puntúan bien en líneas generales.
Sin embargo, las páginas especializadas que profundizan en un solo enfoque ganan ese enfoque de forma absoluta.
Conseguir que te citen consiste, por tanto, en anclar tu contenido a entidades específicas.
Nuestro estudio de 1,4 millones de prompts de ChatGPT descubrió que las páginas citadas tienen títulos más parecidos semánticamente a las consultas de fan-out internas de ChatGPT que las páginas que fueron pasadas por alto.
Brand Radar muestra las consultas de fan-out que hay detrás de cualquier prompt, de modo que puedes comprobar si las entidades de tu título coinciden con las entidades de fan-out.
He aquí una forma práctica de enriquecer tu contenido con entidades: revisa tu catálogo de publicaciones antiguas y sustituye términos genéricos por términos específicos.
Cambia:
- “Un motor de búsqueda” → “Google”
- “Las investigaciones sugieren” → “Un estudio de 2024 de la Universidad de Waseda descubrió”
- “Un asistente de IA” → “ChatGPT” o “Perplexity”
Puedes verificar tu trabajo utilizando la API de lenguaje natural de Google.
La versión de prueba gratuita te muestra cada entidad que Google ha detectado en tu página, así como la categoría a la que ha asignado tu contenido.
Si pagas para obtener el acceso completo, también conseguirás la puntuación de prominencia, un valor que indica lo destacada e importante que Google cree que es una entidad dentro de tu página.
Ejecuta la API en tu página y luego haz lo mismo en la página que ocupa el primer puesto para tu palabra clave objetivo.
La brecha entre ambos resultados te da tu lista de verificación para la optimización de entidades:
- Entidades en común
- Brechas de entidades
- Puntuaciones de prominencia (suelen ser mayores cuando el tema se nombra antes y de forma más destacada)
- Categorías en común
- Brechas de categorías
Como alternativa, puedes pasar tu borrador por el AI Content Helper de Ahrefs.
Evalúa tu contenido comparándolo con tus principales competidores para la palabra clave objetivo y resalta los temas que ellos cubren y que a ti te faltan, lo cual resulta muy útil para detectar brechas temáticas que podrían hacerte invisible en los resultados de fan-out.
Añade ganancia de información: di algo que el modelo no sepa ya
Tener cubiertas las entidades logra que te recuperen, pero hay algo previo a esto: ¿cumple siquiera tu contenido los requisitos para ser recuperado en primer lugar?
Un prompt de sistema filtrado de Claude reveló que los sistemas de IA como Claude cuentan con un comando never_search (no buscar nunca) para consultas sobre información “atemporal o estable”.
Prompt del sistema de Claude revelando el comando never_search
Claude responde a las preguntas etiquetadas con never_search sirviéndose únicamente de sus datos de entrenamiento, y no sale a buscar URL externas para citarlas.
El asesor de crecimiento Gaetano DiNardi opina que es muy probable que otros modelos LLM estén siguiendo esta misma lógica. En sus palabras:
“el valor de publicar páginas con conocimientos generales es igual a cero.”
Este es el problema de la ganancia de información.
Piensa en todo lo que un modelo ya sabe como la sobrecultura (overculture): la versión consensuada y promediada de un tema que ha sido indexada miles de veces.
Si tu contenido se limita a repetir esto mismo, te vuelves redundante desde el punto de vista del marco RAG: a un modelo de IA no le aporta nada citarte.
Lo que sí cita es aquel contenido que añade algo nuevo: datos de propiedad exclusiva, una teoría con nombre propio, el hallazgo específico de un estudio o una conclusión que el modelo no pueda sintetizar a partir de su base de conocimientos existente.
Karthik Narasimhan, investigador de OpenAI, publicó un artículo sobre optimización para motores generativos (Generative Engine Optimization) que ofrece más pruebas sobre esto.
Junto a compañeros de la Universidad de Princeton, estudió qué técnicas tienen más probabilidades de impulsar la visibilidad en sistemas de IA de tipo RAG como Perplexity.
Sus hallazgos revelaron que los sitios web que presentaban información única, como citas textuales y estadísticas, eran los que se tomaban como referencia con más asiduidad, experimentando un aumento de visibilidad de entre el 30% y el 40% en las respuestas de la IA.
| Método LLMO probado | Recuento de palabras ajustado por posición (visibilidad) 👇 | Impresión subjetiva (relevancia, potencial de clics) |
|---|---|---|
| Citas | 27,2 | 24,7 |
| Estadísticas | 25,2 | 23,7 |
| Fluidez | 24,7 | 21,9 |
| Citar fuentes | 24,6 | 21,9 |
| Términos técnicos | 22,7 | 21,4 |
| Fácil de entender | 22 | 20,5 |
| Autoritativo | 21,3 | 22,9 |
| Palabras únicas | 20,5 | 20,4 |
| Sin optimización | 19,3 | 19,3 |
| Relleno de palabras clave (Keyword stuffing) | 17,7 | 20,2 |
Kevin Indig también descubrió que fecha y número son los tipos de entidades que más predicen las citas en ChatGPT.
Y Eric Lancheres analizó 150 páginas posicionadas, hallando que el principal indicador para obtener un buen posicionamiento era su cantidad de puntos de datos únicos.
Hacer que recuperen tu contenido es cuestión de presentar información nueva y datos únicos, y no limitarse a hacer de coro a lo que ya han cubierto otras páginas.
Incluye una estructura de pregunta y respuesta
El contenido estructurado como pregunta → respuesta inmediata es citado el doble de veces que el contenido que no sigue esta convención (18% frente a 8,9%), de acuerdo a los datos de Kevin Indig.
Aquí tenemos otro ejemplo de BLUF (conclusión por delante) en funcionamiento.
Los modelos de IA intentan hacer coincidir las consultas de los usuarios (que casi siempre son preguntas) con un fragmento que les dé respuesta.
En palabras de Suganthan Mohanadansan:
“Las citas se vinculan a una frase específica, no a toda la respuesta; así que no basta con ser temáticamente relevante, tienes que ser el mejor soporte para una afirmación precisa.”
Formatear tu contenido como Preguntas y Respuestas (Q&A) puede ayudar a modelos de IA como ChatGPT a realizar una correspondencia directa y sin ambigüedades.
Mohanadasan también comprobó que ChatGPT deduplica los resultados por dominio, por lo que tener 20 páginas con contenido pobre (thin pages) en tu sitio no suma 20 posibilidades distintas de conseguir una cita.
ChatGPT elige la única página que mejor coincida con la consulta inicial del usuario y las subconsultas de fan-out.
Pon tu mejor respuesta en esa página, no la distribuyas entre 20.
En palabras de Eli Schwartz: “La inmensa mayoría de las páginas se valoran y son rechazadas antes incluso de llegar a escribir la respuesta”.
En Brand Radar puedes filtrar las citas mediante la opción “Encontrado pero no citado” para ver todas aquellas respuestas en las que tu página fue introducida en el grupo de recuperación de ChatGPT y luego fue descartada a favor de la de un tercero.
Estudia las páginas que sí consiguieron ser citadas y haz ajustes en tu contenido para aumentar las probabilidades de obtener una cita.
Mantén el contenido fresco
Los sistemas de búsqueda RAG tienen preferencia por el contenido actual.
Nosotros llevamos a cabo un estudio de 17 millones de citas y averiguamos que los asistentes de IA prefieren sistemáticamente citar contenido más fresco que el que muestran los motores de búsqueda.
Las URL que citan los asistentes de IA son un 25,7% más recientes en promedio que las URL que aparecen en las SERPs orgánicas estándar. De hecho, ChatGPT y Perplexity llegan a ordenar sus citas desde la más nueva hasta la más antigua.
Pero no te quedes solo con nuestra palabra. La frescura es una señal confirmada y documentada en la recuperación por IA.
La investigación de Metehan Yeşilyurt ha venido a corroborar esto. Logró descubrir que ChatGPT cuenta con un ajuste de configuración llamado use_freshness_scoring_profile: true, el cual incorpora un sesgo sistemático hacia lo reciente.
Así pues, tu contenido tiene muchas más posibilidades de ser recuperado y finalmente citado si te ocupas de actualizar tus páginas clave de forma regular.
Incluso actualizaciones menores pueden restablecer la señal de frescura. Renueva las estadísticas y los ejemplos cada año, y añade una fecha visible indicando “última actualización”.
Optimizar tu contenido para RAG es vital, pero debes saber si todo este esfuerzo está dando resultado.
Brand Radar de Ahrefs ha sido creado para ayudar a las marcas a monitorizar su visibilidad dentro de los resultados de IA con generación aumentada por recuperación.
A continuación, te indico cómo sugiero usarlo para mejorar tu visibilidad en el ecosistema RAG.
Monitoriza tu visibilidad base
Antes de cambiar nada, descubre dónde te encuentras realmente en estos momentos.
Busca tu marca en Brand Radar para observar con qué frecuencia estás apareciendo en las respuestas de IA para tus temas objetivo, y qué plataformas te están citando.
Si las menciones son bajas o directamente nulas, fíjate en a quiénes están citando en tu lugar.
Descubre qué plataformas de IA te están citando (y cuáles no)
Distintas plataformas de IA poseen diferentes arquitecturas de recuperación que albergan distintos sesgos respecto a frescura, autoridad y estructura.
El desglose por plataformas que ofrece Brand Radar puede revelarte puntos débiles o brechas del estilo: “AI Mode nos cita de forma habitual, pero nos falta visibilidad en Perplexity”.
Si a tu sitio le va mal solo en una plataforma, el problema muy probablemente resida en cómo esa plataforma lo evalúa y no en el contenido en sí mismo.
A modo de ejemplo, si una página posicionó bien en Google pero no en Bing, lo interpretaríamos como una señal específica de Bing (como los enlaces, entidades o indexación) en vez de asumir que la página tiene mala calidad en general; lo mismo es aplicable a la visibilidad en la IA.
Descubre qué consultas están desencadenando tus citas
Al ver las consultas exactas que acaban produciendo una cita, sabes qué es lo que está funcionando e identificas consultas relacionadas en las que todavía no estás apareciendo.
Debido al query fan-out, es muy probable que ya estés recibiendo citas por consultas que jamás hubieras pensado en orientar.
La base de datos de Brand Radar alberga millones de consultas ya existentes, lo que significa que puedes dar con nuevas oportunidades de contenido que de otro modo ignorarías que existían.
Monitoriza si las actualizaciones de contenido alteran tu índice de citas
Una vez que has aplicado cambios para optimizar tu contenido de cara a la recuperación —aplicando el BLUF, orientándote a consultas de fan-out, incorporando estadísticas— haz un seguimiento en Brand Radar para comprobar si tus citas aumentan en las semanas posteriores.
Esto te permite crear un bucle de retroalimentación: optimizar → publicar → medir → iterar.
El mismo tipo de metodología que sirve para realizar un seguimiento de los rankings orgánicos se aplica también al seguimiento de citas en la IA.
Haz un análisis comparativo frente a tus competidores
Averigua cuál de tus competidores recibe citas de forma consistente por parte de la IA en las consultas que a ti te interesan; a continuación, analiza la estructura y el contenido de sus páginas más citadas.
Tan solo añade un filtro de "Tu marca: No mencionada" y "Tu marca: Encontrada pero no citada" a un informe de Respuestas de IA o Páginas Citadas dentro de Brand Radar.
Esto te revelará los temas y debates de terceros en los que tu marca tiende a quedarse fuera.
A partir de ahí, es solo cuestión de recurrir a la ingeniería inversa para desentrañar las tácticas de tus competidores y lograr cerrar esa brecha.
Reflexiones finales
La RAG es el puente que une la búsqueda y la IA. Se rige por reglas predecibles y promociona las páginas a las que puede acceder, aquellas que es capaz de procesar rápidamente y las que se emparejan de manera directa con un tema para ofrecer la mejor respuesta posible.
Monitoriza tu visibilidad en la IA con Brand Radar para comprobar si tu contenido se está mostrando a través de ChatGPT, Perplexity, las AI Overviews de Google y las demás herramientas que tu audiencia utiliza realmente.
¿Tienes preguntas? Estamos en LinkedIn y en X.
