Respuesta rápida. Un motor generativo combina un mecanismo de acceso a información —normalmente recuperación— con un modelo de lenguaje que redacta la respuesta. Entre que una página está indexada y que aparece citada hay tres condiciones encadenadas que no se implican entre sí: ser indexado no garantiza ser recuperado para una consulta concreta, ser recuperado no garantiza aparecer atribuido, y la atribución visible solo existe si la interfaz decide mostrar las fuentes. GEO y AEO son los términos que nombran el trabajo de intervenir en esa cadena; ninguno es un estándar técnico ni garantiza una cita.
La visibilidad en buscadores ya no se limita a una lista ordenada de páginas. Los buscadores convencionales siguen descubriendo, indexando, recuperando y ordenando documentos, pero muchas interfaces de búsqueda y respuesta devuelven además resúmenes o respuestas directas. Algunos sistemas recuperan información de fuentes externas antes de generar la respuesta; otros combinan índices de búsqueda, modelos de lenguaje, datos estructurados o sistemas de recuperación propios de maneras distintas.
Ese cambio ha generado terminología nueva alrededor de la visibilidad del contenido, entre ella generative engine optimization (GEO) y answer engine optimization (AEO). Son términos de uso común para el trabajo de mejorar cómo se descubre, se representa, se recupera y se utiliza un contenido en entornos donde la experiencia final del usuario puede ser una respuesta generada o directa y no solo una lista de enlaces.
Ni GEO ni AEO son estándares técnicos universales. Sus definiciones y sus métodos de medición varían, y ningún método de optimización puede garantizar que un sistema concreto vaya a seleccionar, resumir, mencionar o citar una página determinada. Su contexto técnico se entiende mejor a través de campos ya establecidos: recuperación de información, question answering, procesamiento del lenguaje natural, generación aumentada por recuperación, ranking, grounding y atribución de fuentes.
Este artículo describe esa maquinaria. No es una guía de implantación: es el mapa de qué hace cada pieza, para poder hablar de GEO y AEO con precisión en vez de por analogía.
Generative engine optimization (GEO). Describe el trabajo de mejorar la visibilidad de un contenido fuente dentro de las respuestas que producen los motores generativos. Un motor generativo puede combinar recuperación u otros mecanismos de acceso a información con un modelo de lenguaje que redacta la respuesta. Aquí «visibilidad» puede referirse a si una fuente se recupera, se representa en la respuesta, se menciona o se enlaza como material de apoyo.
Answer engine optimization (AEO). Describe el trabajo de hacer que un contenido sea apto para sistemas que dan respuestas directas a preguntas. Se solapa con GEO, pero su alcance puede incluir sistemas de respuesta no generativos, además de interfaces que extraen o presentan respuestas concisas a partir de información indexada.
Ambos conceptos están emparentados con la optimización para buscadores tradicional, pero no la sustituyen. El descubrimiento, la accesibilidad, la indexación y la recuperación siguen siendo relevantes en cualquier sistema que dependa de la búsqueda web o de un corpus externo. A la vez, estar indexado o rankear en búsqueda convencional no garantiza ser seleccionado ni atribuido en una respuesta generada.
La distinción práctica está en el entorno de salida. La búsqueda tradicional pone el acento en la visibilidad de documentos dentro de resultados ordenados. GEO y AEO se ocupan de entornos en los que el sistema puede recuperar unidades de información más pequeñas, combinar evidencia de varias fuentes y presentar una respuesta antes de los resultados convencionales o junto a ellos.
Los dos términos tienen procedencias muy distintas, y la diferencia importa a la hora de valorar cuán asentado está cada uno.
GEO tiene origen documentado. La expresión se introdujo en un preprint publicado el 16 de noviembre de 2023 por Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan y Ameet Deshpande, que después se presentó en la conferencia ACM SIGKDD de 2024. El trabajo plantea GEO como un problema de optimización de caja negra sobre el contenido, introduce un conjunto de consultas y fuentes web asociadas que llama GEO-bench, y reporta mejoras de visibilidad de hasta el 40 % en las consultas evaluadas, además de hasta el 37 % frente a un motor generativo comercial.
Esas cifras llevan dos matices adheridos. Se midieron contra sistemas concretos en un momento concreto, y la propia discusión del paper señala que los métodos pueden necesitar adaptarse a medida que los motores generativos cambian. Los porcentajes describen unas condiciones experimentales, no una expectativa general para cualquier sitio.
AEO no tiene una fuente comparable. Circuló en la práctica del marketing de buscadores conforme las interfaces empezaron a devolver respuestas directas, y su definición varía entre profesionales. Un tratamiento riguroso debe registrar el término y su uso habitual sin atribuirle una definición canónica que no tiene.
El contexto que empuja ambos términos es la llegada de las respuestas generadas a las interfaces de búsqueda masivas. Google anunció la Search Generative Experience como experimento opcional de Search Labs en mayo de 2023, y empezó a desplegar la función resultante, AI Overviews, entre los usuarios de Estados Unidos el 14 de mayo de 2024.
La búsqueda web suele implicar descubrimiento o rastreo, indexación, recuperación y ranking. El buscador construye primero una representación del contenido disponible o accede a ella. Cuando el usuario lanza una consulta, el sistema identifica documentos candidatos y los ordena según relevancia estimada y otras señales.
Los sistemas orientados a respuesta pueden añadir estadios. El sistema puede interpretar la pregunta, recuperar documentos o pasajes, seleccionar la evidencia útil y, a partir de ahí, extraer una respuesta o generarla desde el contexto seleccionado. La arquitectura concreta varía: unos usan recuperación a lo largo de todo el proceso, otros la combinan con información representada en los parámetros del modelo, bases de datos estructuradas u otras fuentes.
Algunas interfaces de búsqueda combinan hoy resultados convencionales con respuestas generadas. En las implementaciones basadas en recuperación, las páginas relevantes pueden seleccionarse desde un índice de búsqueda, y los enlaces a esas fuentes pueden mostrarse junto a la respuesta generada.
Esto cambia la forma en que la información llega al usuario. Una página entera puede aparecer como resultado convencional, mientras que un sistema de respuesta puede usar pasajes u otras unidades de contenido como contexto. La página sigue siendo el marco de publicación; el pasaje recuperado funciona como una unidad de evidencia que se entrega a un componente posterior.
Como las arquitecturas difieren, no existe una lista de verificación técnica única que describa todas las formas de visibilidad en respuestas de IA. El proceso se analiza mejor por componentes: interpretación de la pregunta, recuperación, ranking, procesamiento del lenguaje, generación, grounding y atribución.
El question answering es un área establecida del procesamiento del lenguaje natural y de la recuperación de información. Su objetivo es responder a una pregunta en lenguaje natural con información que efectivamente la responda, en lugar de devolver una colección de documentos potencialmente relevantes.
Las arquitecturas varían mucho. Un sistema puede clasificar o interpretar la pregunta, recuperar material candidato, identificar los pasajes que contienen la respuesta, puntuar candidatos y devolver una respuesta extraída o generada. Los sistemas de dominio cerrado operan dentro de una materia o colección restringida; los de dominio abierto pueden buscar en fuentes mucho más amplias.
En question answering sobre texto conviven dos enfoques. Los sistemas extractivos seleccionan un fragmento de la respuesta dentro del texto fuente. Los generativos producen texto nuevo y pueden condicionar la generación a la evidencia que se les suministra o que recuperan. En el question answering aumentado por recuperación, un componente de recuperación selecciona pasajes externos y un modelo generativo produce la respuesta condicionada a ese contexto.
La diferencia de fondo entre ambos está en cómo producen la respuesta: un sistema extractivo devuelve texto seleccionado de un pasaje; uno generativo puede redactar palabras nuevas usando el material fuente como contexto.
La evaluación también depende del formato. Los benchmarks extractivos usan habitualmente exact match y F1 a nivel de token. El Stanford Question Answering Dataset, presentado en 2016 con más de 100.000 pares de pregunta y respuesta obtenidos por crowdsourcing sobre artículos de Wikipedia, consolidó ambas métricas como el par estándar para comprensión lectora basada en fragmentos. Exact match comprueba si la respuesta predicha coincide exactamente con la de referencia; el F1 a nivel de token mide el solapamiento de tokens entre predicción y referencia.
Las respuestas generadas exigen dimensiones de evaluación adicionales, porque dos respuestas semánticamente equivalentes pueden estar redactadas de forma distinta. La evaluación puede incluir corrección factual, relevancia, completitud y fidelidad a la evidencia de apoyo, en lugar de apoyarse solo en el solapamiento superficial de forma.
La recuperación de información se ocupa de seleccionar información relevante para una necesidad informativa. Un sistema de recuperación puede operar sobre páginas web, documentos, registros de base de datos, pasajes u otras unidades indexadas. Convierte la necesidad informativa en una consulta o representación, identifica material candidato y asigna puntuaciones u ordenaciones que estiman relevancia.
Los métodos clásicos dependen en buena medida de evidencia léxica: términos compartidos entre consulta y documento. El marco probabilístico de relevancia, desarrollado a partir de trabajos de los años setenta y ochenta, dio lugar a BM25, una función de ponderación de términos y puntuación de documentos que sigue siendo referencia habitual en investigación. Los sistemas modernos pueden combinar métodos léxicos con representaciones aprendidas y modelos neuronales de ranking.
Muchos sistemas usan una tubería en varias etapas. Un recuperador de primera etapa produce un conjunto de candidatos de forma eficiente, y un re-ranker posterior aplica una puntuación de relevancia computacionalmente más cara para afinar el orden. La primera etapa opera sobre una colección grande; las posteriores, sobre el conjunto reducido que devolvió la inicial.
La recuperación de pasajes trata pasajes o segmentos de texto más pequeños como unidades recuperables, en lugar de exigir que la unidad devuelta sea el documento entero. Se usa en tareas donde la evidencia relevante puede ocupar solo una parte de un documento largo.
La recuperación densa representa consultas y textos candidatos como vectores aprendidos y usa la similitud en ese espacio para ordenar candidatos. Difiere de la coincidencia léxica clásica, que depende sobre todo de términos compartidos. Un trabajo de 2020 describió un enfoque de doble codificador para recuperación densa de pasajes y reportó una exactitud de recuperación en el top-20 entre 9 y 19 puntos porcentuales por encima de una línea base Lucene-BM25 en varios conjuntos de question answering de dominio abierto.
En la generación aumentada por recuperación (RAG), un componente de recuperación selecciona documentos o pasajes externos y los suministra como contexto no paramétrico a un modelo generativo. El enfoque se formuló en 2020 como una receta de fine-tuning que combina un modelo secuencia a secuencia preentrenado —la memoria paramétrica— con un índice vectorial denso de Wikipedia como memoria no paramétrica, accedido mediante un recuperador neuronal.
RAG combina, por tanto, al menos dos funciones técnicas: seleccionar información externa y generar lenguaje condicionado a un contexto. El estadio de generación recibe el contexto que le entrega el de recuperación y produce la respuesta.
Estos sistemas no eliminan la indexación ni el ranking convencionales. La recuperación sigue necesitando una colección consultable, representaciones de su contenido, una forma de emparejar consultas con información candidata y un método para ordenar o filtrar esos candidatos.
El procesamiento del lenguaje natural aporta métodos computacionales para analizar y generar lenguaje humano. En sistemas de búsqueda y respuesta puede intervenir en la interpretación de la consulta, la identificación de entidades, la extracción de información, el question answering, la summarización, el análisis de pasajes y la generación de la respuesta.
El procesamiento puede darse en varios niveles: palabras y morfología, estructura gramatical, significado, referencias entre expresiones o relaciones entre entidades. Los modelos de lenguaje actuales pueden resolver varias de esas tareas dentro de un mismo modelo, pero las tareas subyacentes siguen siendo útiles para describir qué hace el sistema con el lenguaje.
El reconocimiento de entidades nombradas identifica fragmentos de texto que se refieren a entidades con nombre y les asigna categorías como persona, organización o lugar.
La resolución de correferencia identifica expresiones de un texto que se refieren a la misma entidad. Se usa como componente en tareas de nivel superior, incluidas summarización, question answering y extracción de información. Puede conectar pronombres, nombres, expresiones abreviadas y sintagmas descriptivos que apuntan a la misma entidad a lo largo de un texto. Es distinta del reconocimiento de entidades nombradas, que identifica y clasifica menciones.
Las dos tareas son pertinentes para el comportamiento a nivel de pasaje descrito antes. Un pasaje que se apoya en un pronombre sin antecedente cercano, o en una abreviatura introducida varios párrafos atrás, conserva menos significado propio cuando se separa de su documento. Es una observación sobre el texto, no una afirmación sobre cómo lo puntúa ningún sistema.
Recuperación y cita visible están relacionadas, pero no son lo mismo. Una fuente puede existir en un índice sin ser recuperada para una consulta concreta. El material recuperado puede convertirse en contexto para la generación, mientras que la atribución visible depende de si el sistema y la interfaz exponen enlaces o citas de apoyo.
La generación fundamentada —grounding— usa información externa como contexto o evidencia de la respuesta generada. En una implementación basada en recuperación, el material candidato se recupera y se selecciona antes de entregarse al modelo generativo.
La atribución de fuentes añade una capa de interfaz a ese proceso. Algunos sistemas asocian el contenido generado con páginas, pasajes o enlaces de apoyo; otros ofrecen una atribución distinta o más limitada.
Las tres condiciones son secuenciales y ninguna implica la siguiente:
Buena parte del diagnóstico equivocado en este terreno viene de saltarse un eslabón: dar por hecho que estar indexado explica no ser citado, o que ser citado una vez demuestra una posición estable.
La arquitectura técnica no establece una fórmula universal de redacción para la visibilidad en respuestas de IA. Lo que sigue son prácticas editoriales de claridad y auditabilidad, no factores documentados de ranking ni de cita.
Las definiciones claras reducen la ambigüedad cuando un término especializado aparece por primera vez. Las frases factuales directas hacen explícita la relación que se afirma. Los encabezados descriptivos separan materias, y la terminología consistente evita que etiquetas distintas se tomen por conceptos distintos.
Los pasajes autocontenidos conservan más significado cuando se leen al margen del texto que los rodea. Un párrafo puede identificar su sujeto de forma explícita e incluir el contexto inmediato suficiente para entender su afirmación principal sin depender de referencias vagas. Es una propiedad editorial del pasaje, no evidencia de que un sistema de recuperación vaya a ordenarlo o citarlo de otro modo.
Las comparaciones estructuradas facilitan inspeccionar las diferencias entre conceptos emparentados. Listas y tablas resultan útiles cuando varios elementos se comparan según las mismas dimensiones. La información factual importante debe estar disponible también en texto cuando la página se va a leer, indexar, citar o procesar como texto.
La precisión factual sigue importando más que las tácticas de formato. Las afirmaciones concretas deben usar terminología exacta y no exagerar lo que hace un sistema. Las características visibles de un contenido no deberían presentarse como mecanismos que obliguen a una IA a seleccionar o citar una página.
La comparación describe objetivos de optimización distintos, no factores de ranking confirmados.
| Área | SEO tradicional | GEO/AEO |
|---|---|---|
| Contexto principal de visibilidad | Resultados de búsqueda ordenados | Respuestas directas o generadas, a menudo junto a los resultados |
| Unidad de información | Habitualmente una página o un resultado | Puede incluir páginas, pasajes u otras unidades recuperadas |
| Dependencias técnicas | Descubrimiento, indexación, recuperación, ranking | Descubrimiento y recuperación, más selección o generación de respuesta cuando aplica |
| Foco editorial típico | Relevancia, accesibilidad, utilidad, presentación en buscador | Evidencia clara, respuestas explícitas, completitud contextual, potencial de atribución |
| Medición típica | Rankings, impresiones, clics | Menciones, citas, cobertura de respuesta, tráfico referido cuando es medible |
Las categorías se solapan. Las funciones de búsqueda generativa pueden apoyarse en contenido web y en infraestructura de búsqueda que también sostienen la búsqueda convencional.
GEO y AEO introducen además mediciones que el ranking convencional no captura del todo. Un editor puede observar por separado si su información aparece en respuestas generadas, si se muestran enlaces de fuente, qué preguntas disparan esa visibilidad y si se producen visitas derivadas de la respuesta.
GEO y AEO operan en un entorno con transparencia limitada. Las plataformas de búsqueda y respuesta usan sistemas de recuperación, modelos de lenguaje, métodos de ranking, fuentes de datos, interfaces y políticas de cita distintos. Sus arquitecturas además cambian con el tiempo.
Ningún patrón de contenido puede garantizar la inclusión en una respuesta generada ni la atribución visible. La recuperación depende del sistema y de la consulta, y la generación añade estadios de procesamiento. Una fuente usada para una consulta puede no usarse para otra.
Las métricas siguen siendo menos estandarizadas que las de búsqueda convencional. Rankings y clics suelen poder observarse directamente, mientras que la visibilidad en respuestas generadas puede variar entre usuarios, sesiones, versiones de modelo o diseños de interfaz. La frecuencia de cita por sí sola no indica cuán central fue una fuente en la respuesta.
Los resultados experimentales publicados arrastran sus propios límites. Las cifras reportadas para métodos concretos se obtuvieron contra sistemas concretos en un momento concreto, y no se trasladan automáticamente a otros motores, otros sectores ni versiones posteriores.
Todo ello hace importante una terminología prudente. GEO y AEO se entienden mejor como prácticas de optimización emergentes construidas sobre sistemas de búsqueda, recuperación y procesamiento del lenguaje ya existentes, y no como algoritmos universales ni métodos garantizados para obtener citas.
GEO y AEO describen un entorno de visibilidad en transformación, pero los sistemas que hay debajo tienen raíces en disciplinas establecidas. Los buscadores descubren, indexan, recuperan y ordenan información. Los sistemas de question answering interpretan preguntas y devuelven respuestas extraídas o generadas. Los sistemas de recuperación identifican documentos o pasajes relevantes. El procesamiento del lenguaje natural incluye tareas para analizar lenguaje, entidades, referencias y significado. La generación aumentada por recuperación combina recuperación externa con generación de lenguaje, mientras que grounding y atribución conectan la respuesta generada con evidencia y enlaces externos.
Entender esos componentes da una forma más precisa de hablar de GEO y AEO. El objetivo no es dar por supuesta una fórmula universal de visibilidad en IA, sino publicar información técnicamente accesible, claramente expresada, factualmente precisa y útil en su contexto.
GEO se refiere a la visibilidad dentro de respuestas producidas por motores generativos, que combinan un mecanismo de acceso a información con un modelo de lenguaje. AEO se refiere, de forma más amplia, a hacer que un contenido sea apto para sistemas que devuelven respuestas directas, incluidos sistemas no generativos e interfaces que extraen respuestas concisas de información indexada. Se solapan, y ninguno tiene una definición única estandarizada.
Se introdujo en un preprint publicado el 16 de noviembre de 2023 por Pranjal Aggarwal, Vishvak Murahari, Tanmay Rajpurohit, Ashwin Kalyan, Karthik Narasimhan y Ameet Deshpande, presentado al año siguiente en la conferencia ACM SIGKDD. El trabajo define GEO como un marco de optimización de caja negra para la visibilidad de contenido en respuestas de motores generativos.
No. El descubrimiento, la accesibilidad, la indexación y la recuperación siguen siendo relevantes en cualquier sistema que dependa de la búsqueda web o de un corpus externo. A la inversa, estar indexado o rankear bien en búsqueda convencional no garantiza que una fuente sea seleccionada ni atribuida en una respuesta generada.
No. La recuperación depende del sistema y de la consulta, la generación añade estadios de procesamiento, y la atribución visible depende de que la interfaz exponga información de fuente. Una fuente usada para una consulta puede no usarse para otra.
Porque la recuperación de pasajes trata pasajes o segmentos más pequeños como unidades recuperables, lo cual resulta útil cuando la evidencia relevante ocupa solo una parte de un documento largo. La página sigue siendo el marco de publicación, y el pasaje recuperado funciona como una unidad de evidencia entregada a un componente posterior.
RAG es generación aumentada por recuperación: un componente recupera documentos o pasajes externos y se los entrega como contexto a un modelo generativo, que redacta la respuesta condicionada a ese material. Aparece en toda conversación sobre citas porque es la arquitectura en la que una fuente externa puede llegar a la respuesta y, si la interfaz lo permite, quedar enlazada.
Con menos consistencia que las métricas de búsqueda convencional. Rankings y clics suelen observarse directamente, mientras que la visibilidad en respuestas generadas puede variar entre usuarios, sesiones, versiones de modelo y diseños de interfaz. Pueden observarse menciones, enlaces de fuente mostrados, las preguntas que disparan la visibilidad y el tráfico referido cuando es medible. La frecuencia de cita por sí sola no indica cuán central fue una fuente.
Pablo Ruiz (2026). Cómo funciona un motor generativo por dentro: recuperación, generación y atribución. Botpass Labs. https://botpasslabs.com/blog/como-funciona-un-motor-generativo/
Qué es el filtro de recomendación de la IA: cómo ChatGPT, Gemini y Perplexity fabrican una shortlist de 3 proveedores y cómo entrar en…
Qué es AEO (Answer Engine Optimization): cómo optimizar respuestas extraíbles para AI Overviews, FAQs y asistentes, y cómo se relaciona con GEO.
Qué es GEO (Generative Engine Optimization), cómo se diferencia del SEO y cómo una empresa B2B consigue que ChatGPT, Gemini y Perplexity citen su…
Leer sobre GEO está bien. Ver tu línea base real de citaciones en ChatGPT, Gemini y Perplexity es lo que hace que una conversación interna avance.
