No existe una lista fiable de “factores de ranking en IA” como sí hay un consenso aproximado de la industria sobre los factores de ranking de SEO, construido con dos décadas de pruebas. Nadie fuera de los laboratorios de IA conoce el mecanismo exacto que usa un modelo para decidir qué marca nombrar en una respuesta, y ese mecanismo puede cambiar con cada actualización del modelo. Quien te venda una forma garantizada de “hackear” a ChatGPT para que te recomiende está exagerando: las tácticas de abajo son las que se basan en cómo se sabe que funcionan de verdad estos sistemas, y buscan mejorar tus probabilidades, no garantizar un resultado.
Sé inequívoco sobre lo que eres
A los asistentes de IA, ya sea que tomen datos del entrenamiento o de un paso de búsqueda web en vivo, les va mejor con marcas fáciles de categorizar. Si tu sitio, tus reseñas y tus menciones de terceros te describen siempre igual (“gestión de gastos para equipos financieros de empresas medianas”, no “plataforma fintech” en una página y “solución de gasto” en otra), a un modelo le resulta más fácil asociarte con seguridad a la pregunta exacta que hizo un comprador. La ambigüedad de categoría no solo confunde a los buscadores: le da menos con qué trabajar a un modelo de lenguaje cuando decide a quién nombrar.
Gana menciones reales de terceros
Es el factor que se cita con más constancia en la investigación disponible. El análisis de Ahrefs de la visibilidad en IA de unas 75,000 marcas encontró que las menciones en YouTube tenían la correlación más fuerte con la visibilidad en IA de todas las señales probadas, y que las menciones de marca en la web en general (prensa, sitios de reseñas, contenido comparativo) también correlacionaban con fuerza; mira el estudio de correlación de visibilidad de marca de Ahrefs. Aparte, lo publicado sobre cómo ChatGPT muestra recomendaciones apunta a la validación de terceros (cobertura de prensa, menciones de analistas y consenso entre fuentes de alta autoridad como Wikipedia) como un factor mayor que los trucos de SEO en la página (Profound). En la práctica: consigue que te cubran publicaciones reales de tu sector, que te incluyan en artículos reales de comparativas y listas, y no fabriques falsos; un modelo que resume fuentes pobres o spam tiende a reflejar esa pobreza.
Ten buenas reseñas de verdad
Sitios de reseñas como G2 y Capterra están entre las páginas que los asistentes leen sobre software. Si tu calificación promedio es mediocre o tus reseñas son inconsistentes entre plataformas, esa es una señal real y visible que un modelo puede captar cuando arma una recomendación, no un rumor. No es algo que se pueda atajar de forma convincente; es consecuencia de ser realmente bueno en lo que haces y de pedirles a clientes reales que lo digan.
Publica contenido que responda directamente las preguntas de los compradores
Escribe para la pregunta real, no para la palabra clave. “Cuál es el mejor X para Y” se acerca a cómo un comprador real se lo plantea a un asistente de IA: el contenido que responde directamente a ese planteamiento, en lenguaje llano y con un punto de vista claro, es más fácil de extraer y citar para un modelo que el contenido construido alrededor de la densidad de palabras clave. La estructura también ayuda: encabezados claros, respuestas directas al principio y contenido del que un modelo pueda tomar una frase sin tener que inferir el sentido entre párrafos.
Mantén tus datos públicos consistentes y al día
La información equivocada o desactualizada sobre tu negocio en cualquier lugar destacado en línea (una ficha vieja de Google Business Profile, una página “Acerca de” abandonada, datos contradictorios entre directorios) puede incorporarse a lo que un modelo cree sobre ti, y no hay forma de “corregir” un modelo después, salvo arreglando la fuente. La precisión no tiene glamour, pero es una de las pocas palancas realmente controlables aquí.
Lo que no funciona (y por qué)
Llenar tu propio sitio con el nombre de tu marca no cambia la decisión de un modelo de recomendarte: los modelos sintetizan significado, no cuentan la frecuencia de palabras clave como podría hacerlo un algoritmo de búsqueda antiguo.
Comprar reseñas falsas o “menciones” fabricadas arriesga el efecto contrario al buscado si alguna vez se descubre o se contradice en otro lugar en línea, y es el tipo de cosa que erosiona las señales de confianza reales que estos sistemas intentan detectar.
La inyección de prompts o intentar manipular directamente la salida de un modelo concreto no es una estrategia real de GEO: puede funcionar una vez, en una demo, y no escala a compradores reales que hacen preguntas reales en el mundo real.
Qué arreglo va con qué brecha
Las tácticas de arriba funcionan mejor cuando sabes qué brecha estás cerrando. Estos son los patrones que vale la pena buscar en las respuestas y el arreglo que suele acompañar a cada uno:
Citan a un competidor donde a ti no. Lee la frase que usa el asistente sobre ellos y extrae la afirmación concreta: “el más fácil de configurar”, “el mejor para reportes de pipeline”. Publica el mismo tipo de dato sobre ti, con claridad, y consigue que aparezca en las páginas de reseñas y comparativas que cubren tu categoría.
Una pregunta de compradores nunca te nombra. Si te nombran para “el mejor CRM para equipos de ventas pequeños” pero nunca para “cambiar desde hojas de cálculo”, la brecha es el planteamiento. Cubre esa pregunta con sus propias palabras en una página que controles.
Un asistente nunca te nombra. Revisa si busca en la web antes de responder o responde desde datos de entrenamiento. Un modelo con búsqueda necesita que estés en páginas que pueda leer y citar; un modelo de datos de entrenamiento cambia despacio, con cobertura amplia a lo largo del tiempo.
El asistente cita sitios donde no estás. Cuando un modelo devuelve sus fuentes, esos son los sitios de reseñas, documentación e hilos donde conviene lograr cobertura.
Cómo saber si algo de esto funciona
La única forma fiable de saberlo es hacerles a los modelos las mismas preguntas que hacen tus compradores y leer lo que devuelven, no inferirlo del ranking de búsqueda. Mentioned genera 5 preguntas realistas de compradores para tu categoría, le hace cada una por separado a Claude, ChatGPT y Gemini, y muestra la frase donde te mencionan, o a quién recomendaron en tu lugar cuando no.
Para ver si un cambio funcionó, rastrea la palabra clave en vez de repetir revisiones sueltas. Una revisión suelta escribe preguntas nuevas cada vez, así que compararlas mezcla tu cambio con un cambio en las preguntas. Las preguntas de una palabra clave rastreada están bloqueadas y se hacen cada semana, así que un movimiento después de tu cambio es un movimiento real. En Starter y superiores, la pantalla Actions ordena las brechas de arriba según cuántas respuestas te cuesta cada una, con un playbook de los arreglos habituales debajo de cada una.
Una cosa que descartar primero: que ChatGPT, Claude y Perplexity puedan leer tu sitio siquiera. Un crawler de búsqueda bloqueado significa que no te pueden citar por muy buena que sea la página. Crawlers de IA y robots.txt explica qué bots importan, y el verificador de crawlers de IA prueba los tuyos.
