¿De dónde obtiene su información ChatGPT? 4 fuentes explicadas

Cuál utiliza depende de tu pregunta.

Antes de que se lance un modelo como los que hay detrás de ChatGPT, se entrena con una enorme cantidad de información.

Ese entrenamiento es de donde procede el conocimiento general de ChatGPT: cómo funciona el lenguaje, hechos sobre el mundo, cómo escribir código, qué aspecto tienen las cosas, etc.

El entrenamiento se realiza por etapas: preparación de datos, pre entrenamiento, post entrenamiento y evaluación continua. Primero viene el pre entrenamiento con esa enorme mezcla de datos. Después viene el post entrenamiento, donde entrenadores humanos e investigadores (y cada vez más los propios modelos) le enseñan a seguir instrucciones, razonar y comportarse de forma segura.

Según OpenAI, sus modelos se desarrollan utilizando tres fuentes de datos de entrenamiento:

¿Qué hay exactamente en esta mezcla? La última vez que OpenAI publicó un desglose detallado de sus datos de entrenamiento fue para GPT-3, allá por 2020. Esa mezcla era:

Desde entonces, OpenAI ha compartido cada vez menos información. Su última tarjeta de sistema indica únicamente que los modelos «fueron entrenados con conjuntos de datos diversos». Así que nadie fuera de OpenAI sabe exactamente qué hay hoy en los datos de entrenamiento de ChatGPT.

¿Qué significa esto para ti? Si tu sitio es público y no bloquea al rastreador de entrenamiento de OpenAI, hay muchas probabilidades de que tus páginas acaben en los datos de los que aprenden los futuros modelos. Así es como ChatGPT puede «conocer» tu marca sin buscarla. Pero es lento e indirecto: tu contenido solo aparece en el siguiente modelo, meses después, y no puedes ver qué aprendió.

OpenAI no utiliza toda la información que puede recopilar. Por ejemplo, OpenAI afirma que no recopila intencionadamente datos «de fuentes que se sabe que están detrás de muros de pago o de la dark web», y que filtra material como discursos de odio, contenido para adultos, sitios que agregan información personal y spam.

OpenAI también afirma que está utilizando «cada vez más» datos sintéticos, material de entrenamiento que generan sus propios modelos. Los ejemplos de OpenAI incluyen prompts de práctica y ejemplos en idiomas con poco texto de entrenamiento. El modelo de búsqueda de ChatGPT original fue entrenado en parte con respuestas escritas por un modelo más potente de OpenAI (o1-preview).

Sí. Algunos propietarios de sitios no quieren que su trabajo se utilice para entrenar a la IA gratis, y los grandes editores suelen bloquearlo para mantener fuerza negociadora en acuerdos de licencia. De hecho, GPTBot es el rastreador de IA más bloqueado, según nuestro estudio de ~140 millones de sitios web (en inglés).

La contrapartida es que los modelos futuros aprenden menos sobre ti a partir de tu propio sitio. Si quieres que ChatGPT conozca tu marca, probablemente te convenga dejarlo abierto.

Si deseas excluirte, hay dos formas:

La fecha de corte de conocimiento es el momento en que se detienen los datos de entrenamiento de un modelo. ChatGPT no sabe nada de lo ocurrido después de esa fecha a menos que busque en la web.

Para los modelos actuales de ChatGPT, la fecha de corte es la primavera de 2026 y depende de tu plan:

Por tanto, para cualquier cosa posterior, la respuesta de ChatGPT tiene que proceder de la búsqueda, no del entrenamiento.

Los datos de entrenamiento ya están desactualizados cuando se lanza un modelo. El conocimiento de GPT-6 Sol se detiene el 20 de abril de 2026, pero solo llegó a ChatGPT el 7 de octubre, casi seis meses después. Para responder preguntas sobre precios, noticias, productos o cualquier tema reciente, ChatGPT busca en la web.

Esto se conoce como generación aumentada por recuperación (RAG). El modelo recupera primero la información y después genera su respuesta a partir de ella.

Según OpenAI, ChatGPT puede buscar automáticamente «cuando tu pregunta se beneficiaría de información actual». También puedes hacer que busque eligiendo Buscar tú mismo.

En mi propia prueba de 12 preguntas en un ChatGPT sin iniciar sesión, 9 activaron una búsqueda: eventos actuales, precios, recomendaciones de productos («mejor X en 2026») y cualquier consulta en la que pidiéramos fuentes. Solo las definiciones simples, como «qué es un backlink», se respondieron únicamente a partir del entrenamiento.

La búsqueda es ahora una gran parte de cómo la gente utiliza ChatGPT. En noviembre de 2026, el responsable de producto de consumo de ChatGPT, Adam Fry, declaró a Big Technology que las búsquedas web de ChatGPT suman aproximadamente una quinta parte del volumen de consultas de Google. Contó cada pregunta que envía a ChatGPT a la web como una búsqueda. Los propios datos de uso de OpenAI, OpenAI Signals, muestran que alrededor de uno de cada cinco mensajes de consumidores (20,2% en septiembre de 2026) son personas que buscan información.

ChatGPT no pega tu pregunta en un buscador. OpenAI afirma que normalmente reescribe tu prompt en una o más búsquedas específicas, y luego puede enviar búsquedas más concretas a otros proveedores para afinar los resultados.

Este proceso se denomina query fan-out: un prompt se «despliega» en varias búsquedas, cubriendo cada una una parte distinta de la pregunta. Las búsquedas que redacta ChatGPT se llaman consultas de fan-out. Por ejemplo, «mejor CRM para una agencia pequeña» podría desplegarse en «mejor CRM para agencias 2026», «precios HubSpot vs Pipedrive» y «reseñas CRM pequeñas empresas».

En nuestro estudio de query fan-out de ChatGPT de 66,6 millones de respuestas de ChatGPT gratuito sin iniciar sesión (de agosto a septiembre de 2026), las respuestas que contenían consultas de fan-out tenían unas 1,6 cada una.

Destacaron algunos patrones:

Un estudio académico independiente (80 preguntas, ejecutadas 20 veces cada una en GPT-5.3 y GPT-5.5 Instant, de marzo a julio de 2026) descubrió que esos modelos nunca buscaron la redacción exacta del usuario. Cuando las preguntas se formularon en chino, alrededor del 70% de las ejecuciones con búsquedas visibles se buscaron únicamente en inglés. El mismo estudio reveló que incluso los resultados de Google y la propia API de búsqueda de OpenAI combinados solo coincidían con alrededor del 27% de las páginas que ChatGPT citó, y aproximadamente la mitad de los sitios.

Tus propios datos también pueden cambiar la búsqueda. OpenAI afirma que ChatGPT puede añadir detalles de tus memorias guardadas a sus búsquedas. Por ejemplo, si has compartido que eres vegano y vives en San Francisco, preguntar por restaurantes cercanos puede generar una búsqueda de «buenos restaurantes veganos San Francisco». ChatGPT también puede utilizar tu ubicación aproximada, basada en tu dirección IP. Comparte esa ubicación general, pero no la dirección IP en sí, con los proveedores de búsqueda.

Por último, la fuente que seleccione cambiará, incluso si haces la misma pregunta. Esto ocurre porque ChatGPT es no determinista: la misma entrada no siempre produce la misma salida.

Por ejemplo, mi compañero Glen Allsopp monitorizó más de 1.300 prompts a diario durante cuatro semanas y descubrió que solo alrededor de una cuarta parte de las páginas que ChatGPT citaba para un prompt volvían a ser citadas al día siguiente. Los dominios que citaba de forma más consistente eran mucho más estables, cambiando alrededor de un 14% de un día para otro, frente al 74% para todo lo demás.

OpenAI afirma que ChatGPT «clasifica los resultados de búsqueda utilizando múltiples factores» y que la ubicación no está garantizada. No enumera los factores.

El factor más importante es lo que preguntas. Para este artículo, extrajimos 4.000 prompts de ChatGPT en EE. UU. de Brand Radar de Ahrefs en octubre de 2026 y clasificamos cada fuente citada por tipo.

Nuestra investigación aporta algunas pistas más:

Esta es la gran pregunta. Sabemos que ChatGPT obtiene gran parte de su información de los resultados de búsqueda, pero ¿de quién? Si es de Google, posicionar en Google es tu mejor apuesta. Si es de Bing, también necesitas vigilar Bing.

Esto es lo que dice OpenAI:

Sin embargo, en 2025, The Information informó de que OpenAI había utilizado un servicio de scraping llamado SerpApi para extraer resultados de Google para temas en tiempo real como noticias, deportes y finanzas. OpenAI no lo ha confirmado públicamente.

¿Coinciden las citas de ChatGPT con lo que posicionan esos buscadores? Nuestros estudios de datos muestran que la respuesta es mayoritariamente no:

En otras palabras, posicionar en Bing no predice las citas de ChatGPT mejor que posicionar en Google. Sean cuales sean los resultados de búsqueda que ChatGPT reciba de vuelta, toma sus propias decisiones sobre qué páginas citar.

Eso significa que no puedes saber si ChatGPT te cita simplemente mirando tus posiciones en Google o Bing. Para verlo, necesitas observar las respuestas reales de ChatGPT con una herramienta como Brand Radar de Ahrefs, que muestra qué prompts mencionan y citan tu sitio.

Entonces, ¿cuál es la mejor respuesta a la pregunta? Probablemente una mezcla de todo: Bing y otros proveedores, el propio índice de OpenAI y contenido de socios, seguido de las propias decisiones de ChatGPT sobre qué citar.

Cuando una pregunta tiene intención de compra, ChatGPT puede mostrar tarjetas de productos con imágenes, precios y enlaces para comprar. La página de ayuda de compras de OpenAI indica que estos productos se eligen utilizando «metadatos estructurados de proveedores propios y terceros (p. ej., precio, descripción del producto) y otro contenido de terceros», además de tu contexto, como memoria e instrucciones personalizadas.

OpenAI afirma que los resultados de productos «no son anuncios ni están influidos por ninguna alianza de OpenAI». Los anuncios en ChatGPT se muestran por separado.

Desde 2023, OpenAI ha firmado acuerdos de contenido con más de 20 editores, incluidos Associated Press, Axel Springer, Condé Nast, Hearst, Future, People Inc. (anteriormente Dotdash Meredith), News Corp, Vox Media, The Washington Post, The Guardian y Financial Times.

Desde junio de 2026, fotos con licencia de Getty Images también aparecen en los resultados de búsqueda de ChatGPT, bajo un acuerdo de exhibición. En noviembre, media.gettyimages.com entró por primera vez en el top 10 de los dominios más citados de ChatGPT, en el puesto #9, según nuestra lista de los dominios más citados en ChatGPT:

Cada acuerdo funciona prácticamente de la misma manera: el editor licencia su contenido a OpenAI, y ChatGPT muestra resúmenes de ese contenido con atribución y un enlace de vuelta al artículo original. Por ejemplo, el anuncio de Grupo Folha y Grupo UOL de OpenAI dice que su periodismo aparecerá en ChatGPT con resúmenes, atribución y enlaces a los artículos originales.

Comprobamos 85 dominios asociados en Brand Radar para nuestro análisis de las alianzas editoriales de OpenAI.

Diez dominios asociados están entre los 50 sitios que ChatGPT cita con más frecuencia, y 47 están en el top 500. La cuota de citas de los sitios asociados entre los 200 dominios más citados de ChatGPT también se duplicó con creces entre marzo y julio de 2026, pasando del 7,5% al 15,8%, y fue del 12,5% a finales de septiembre.

Curiosamente, los socios que mejor rinden no son principalmente sitios de noticias. Son sitios de reseñas y estilo de vida, como Vogue, Good Housekeeping, TechRadar y más.

Como podemos ver por nuestros datos, un acuerdo no garantiza visibilidad. Vogue fue citado 42.108 veces; The Atlantic, también socio, solo 724. Como señala nuestro análisis: «Una alianza hace que un editor sea elegible para aparecer en ChatGPT, pero no lo garantiza».

También hay cierta evidencia de que el contenido de los socios llega a ChatGPT de forma distinta al resto de la web. David McSweeney, fundador de QueryBurst, descubrió que algunas publicaciones de alta autoridad, incluidas Time, Business Insider y Forbes, tienen resúmenes preescritos a nivel de página que parecen ir directamente al contexto de ChatGPT. Suganthan Mohanadasan detectó una fuente de recuperación separada en el tráfico de ChatGPT llamada «labrador», que describe como un «nivel con licencia».

Nuestros datos de fan-out apuntan en la misma dirección. Los sitios asociados son citados con mucha más frecuencia de lo que ChatGPT los busca por su nombre: de 17 socios, Reddit fue el único entre los 150 sitios que ChatGPT buscó con mayor frecuencia usando site:.

Más allá de su entrenamiento y de la web, ChatGPT utiliza todo lo que le proporcionas:

Incluso tu cuenta importa. Por ejemplo, cuando le pregunté a ChatGPT «qué es un backlink» en una cuenta gratuita sin iniciar sesión, me dio una respuesta objetiva y directa.

Sin embargo, cuando hice la misma pregunta en mi cuenta de trabajo de ChatGPT (parte del espacio de trabajo de ChatGPT Business de Ahrefs), de repente mencionó a Ahrefs.

Por cierto, no solo cambia la respuesta. También cambia lo que ChatGPT busca. Por ejemplo, la pregunta «Cuáles son las mejores herramientas de visibilidad en IA» activó una búsqueda en 26 sitios web en mi cuenta Business:

La versión gratuita sin iniciar sesión ni siquiera activó una búsqueda.

Cuando alguien pega un enlace en ChatGPT, ChatGPT visita esa página en su nombre. La documentación de rastreadores de OpenAI indica que estas visitas activadas por el usuario utilizan un agente separado, ChatGPT-User, no los rastreadores de búsqueda ni de entrenamiento.

Ahora que sabemos cómo obtiene ChatGPT su información, destaca una cosa: todo lo que dice sobre ti es de segunda mano. Es lo que lee en el entrenamiento, lo que encuentra cuando busca y lo que escribió un editor asociado.

Tu sitio web es una fuente de información, e incluso eso solo cuenta si logró entrar en el entrenamiento o si ChatGPT lo selecciona de una búsqueda.

Por tanto, esto es lo que significa en términos de pasos de acción reales:

Para ver qué tal le está funcionando esto a tu marca, Brand Radar de Ahrefs te muestra con qué frecuencia ChatGPT (y otros motores de búsqueda con IA) te nombran y citan en miles de prompts, así como tu cuota de voz en la IA frente a los competidores.

¿Tienes preguntas? Estamos en LinkedIn y en X.