Estudios GEO

La investigación sobre buscadores con IA, resumida en español

Estudios académicos de 2026 sobre GEO (optimización para motores generativos): qué fuentes citan ChatGPT, Perplexity, Gemini o los AI Overviews, cómo se mide la visibilidad y qué funciona de verdad.

Cada ficha resume el estudio, sus datos clave y qué significa para tu web, con enlace al original.

369estudios
25factores con evidencia
140sobre estrategia

Archivo recopilado hasta el 21-07-2026. Los resúmenes se elaboraron con IA a partir de cada estudio: para citar una cifra, compruébala siempre en el original.

Qué hace que la IA te cite

Factores sacados de los estudios del archivo, ordenados por la solidez de la evidencia.

  • Estar alineado con la intención de la consulta (relevancia por búsqueda)Evidencia alta

    Aumenta mucho tu probabilidad de cita si tu contenido responde exactamente a lo que el usuario busca (misma pregunta, mismas variables, mismas conclusiones). Si no encaja, aunque aparezcas, te ignoran.

    Motores: todos · 2 estudios del archivo

  • Calidad y relevancia semántica del contenido (presentable para la IA)Evidencia alta

    Sube tu probabilidad de cita porque el motor considera tu página fácil de usar para construir respuestas (menos fricción para sintetizar y citar).

    Motores: aioverviews, gemini, claude, chatgpt, perplexity, todos · 1 estudio del archivo

  • Disponibilidad y recuperabilidad de la fuente (que el contenido “se pueda coger” y no se corte)Evidencia alta

    Aumenta tu probabilidad de cita si el motor puede recuperar contenido “grueso” y rastreable. Si el material es incompleto, sube el riesgo de errores y de que no te citen bien o no te usen.

    Motores: todos · 1 estudio del archivo

  • Structured data (especialmente JSON-LD para tipos como FAQ/Product)Evidencia alta

    Sube tu citabilidad y visibilidad: ayuda a que la IA identifique la intención y la estructura de tu contenido. En el estudio, FAQPage y Product schema aparecen mucho más en páginas “visibles”.

    Motores: todos · 2 estudios del archivo

  • Evitar manipulación y señales pobres (keyword stuffing / baja calidad)Evidencia alta

    Reduce tu probabilidad de cita si usas tácticas manipulativas o contenido de baja calidad. Los sistemas con “gating” o filtros pueden ignorar señales sospechosas.

    Motores: todos · 2 estudios del archivo

  • Recuperabilidad orientada a RAG (findability/prominencia en recuperación)Evidencia alta

    Aumenta la probabilidad de que te citen porque mejoras la probabilidad de que el motor te recupere como fuente relevante (no solo ranking “clásico”).

    Motores: todos · 3 estudios del archivo

  • Formato que genera citas: listados “best-of”, comparativas y reviewsEvidencia media

    Aumenta tu probabilidad de cita si publicas en formatos típicos de respuesta (listas tipo best-of, research/comparison/review). Estos formatos tienden a atraer más citas que product/pricing pages.

    Motores: todos · 2 estudios del archivo

  • Optimización para citación: mobile optimization + reglas robots.txt no bloqueantesEvidencia media

    Mejora la probabilidad de que tu página sea “visible” para IA: móvil (mejor comportamiento) y robots.txt que no bloquea facilitan que te usen/te citen.

    Motores: todos · 1 estudio del archivo

  • Trazabilidad verificable (claims respaldados y que puedan aterrizar en tu texto)Evidencia media

    Aumenta la probabilidad de citación porque facilita que el modelo atribuya correctamente. Si el motor puede “groundear” afirmaciones en tu contenido, es más probable que te cite.

    Motores: todos · 4 estudios del archivo

  • Arquitectura de citación: encajar en el pool de fuentes candidato (recuperación+síntesis)Evidencia media

    Sube tu probabilidad de cita si tu contenido entra en el set candidato y puede ser usado por la etapa de recuperación/compilación de evidencias. Si no encajas, aunque existas, no llegas a la respuesta.

    Motores: todos · 3 estudios del archivo

  • Prominence + modo de fallo: si tu problema es discoverability, tu citación caeEvidencia media

    Si el motor ni te descubre (discoverability), tu probabilidad de citación baja aunque seas bueno. Tu trabajo es eliminar “invisibilidad algorítmica” y brechas de cobertura para entrar al pool.

    Motores: todos · 2 estudios del archivo

  • Structured data y “machine readability” (legibilidad para el motor)Evidencia media

    Mejora recuperación y atribución porque reduces ambigüedad. Si la IA entiende mejor tu estructura (datos y entidades), aumentan las citas correctas.

    Motores: todos · 4 estudios del archivo

  • Autoridad percibida y señales de confianza (rating/reputación y fuentes prestigiosas)Evidencia media

    Mejora selección y cita: señales de confianza (rating top, reputación, credenciales institucionales) aumentan la probabilidad de ser elegido como respaldo.

    Motores: todos · 5 estudios del archivo

  • Autoridad temática/estructural (que el sistema te considere “fuente competente”)Evidencia media

    Aumenta la probabilidad de citación si tu contenido tiene autoridad real y además es fácil de interpretar (estructura clara, conceptos bien definidos).

    Motores: todos · 4 estudios del archivo

  • Dominio/pool: entras en los dominios con mayor concentración de citas (y en fuentes tipo terceros)Evidencia media

    Sube tu probabilidad si tu dominio encaja con los patrones que el motor usa: en el estudio, la mayor parte de citas se concentra en pocos dominios y la mayoría va a sitios de terceros (no solo a sitios propios).

    Motores: todos · 1 estudio del archivo

  • Texto con evidencia por contacto/detalles concretos (cuando existen en la fuente)Evidencia media

    Aumenta la probabilidad de que aparezcan fragmentos específicos (como datos de contacto) en la respuesta si esos detalles están realmente presentes y recuperables en tu fuente.

    Motores: todos · 2 estudios del archivo

  • Calidad estructural y “helpfulness” del formatoEvidencia media

    Sube la probabilidad si el contenido es útil y está bien presentado (claridad, secciones, legibilidad). No basta con ser “correcto”: el modelo responde mejor cuando puede usarlo fácilmente.

    Motores: todos · 2 estudios del archivo

  • Google de GEO: promover “promotion success” hacia Top (si tu citación depende de ranking final)Evidencia media

    Si estás optimizando hacia posiciones altas, la probabilidad de cita mejora más cuando la inclusión es estable (por ejemplo, tasas altas de promotion success en Top-5/Top-3/Top-1).

    Motores: todos · 2 estudios del archivo

  • Originalidad (diferenciación) para destacar como fuente útilEvidencia media

    Aumenta la probabilidad de citación: cuando tu contenido es más “único” en el ORION Score, suele correlacionar con que te elijan para citar.

    Motores: todos · 1 estudio del archivo

  • Pilar de SEO para datos de entidad: claridad de entidades (quién/qué es cada cosa)Evidencia media

    Sube la citabilidad si el sistema entiende correctamente entidades y referencias (personas, marcas, productos, lugares). Reduce errores de interpretación y ayuda a la atribución.

    Motores: todos · 1 estudio del archivo

  • SEO técnico de recuperación: accesibilidad técnica (pasar de “AI-schwach” a “AI-ready”)Evidencia media

    Sube la citación si reduces fallos que impiden indexación/recuperación. Estructuras accesibles y técnicas correctas ayudan a entrar al pool y ser usado.

    Motores: todos · 1 estudio del archivo

  • RAG multi-fuente: cuando el despliegue usa RAG, sube la citaciónEvidencia media

    En despliegues con RAG multi-fuente, la citación/atribución aumenta (en el estudio, ~77,1% frente a control). Si tu estrategia mejora el “grounding” y la recuperación, capitaliza este patrón.

    Motores: chatgpt, perplexity, gemini, aioverviews, claude, todos · 1 estudio del archivo

  • Control de consistencia: estabilidad vs volatilidad del resultado entre ejecucionesEvidencia baja

    Si tus citas son inestables (alta variación entre runs), tu “probabilidad efectiva” cae por incertidumbre del sistema. Apunta a evidencias consistentes en el tiempo.

    Motores: gemini, perplexity · 2 estudios del archivo

  • Recencia y ventana temporal (ajuste al tipo de consulta)Evidencia baja

    Sube tu probabilidad si tu página mantiene la recencia que el motor busca para ese tipo de pregunta. Si tu info está desactualizada frente a la necesidad temporal, te citan menos.

    Motores: todos · 2 estudios del archivo

  • Compatibilidad con agentes: que el sitio sea recuperable para agentes (técnica de rastreo/huellas)Evidencia baja

    Aumenta tu probabilidad si tu contenido es estable y accesible para agentes (sin problemas de acceso). Fallos técnicos reducen recuperación y, por tanto, citación.

    Motores: todos · 1 estudio del archivo

Todos los estudios

Citación17 jul 2026arXiv

What Do Chinese-Language Generative Search Engines Cite and Surface? A Large-Scale Empirical Study

T. Zhen, Y. Liu, G. Zhang et al.

El estudio analiza qué tipos de fuentes y qué señales hacen que motores de búsqueda generativos en chino (Búsqueda Web y App) citen una página y muestren marcas/contac-to en la respuesta, midiendo 614 consultas en 8 interfaces y 160.860 registros de citas.

Datos y qué significa para ti

Datos clave

  • Solo el 8,3% de las marcas del “pool” de fuentes recuperadas llegan a aparecer seleccionadas dentro de las respuestas (tasa global de selección del 8,3%)
  • El 12,4% de las fuentes recuperadas que incluyen información de contacto consiguen que esa información de contacto aparezca efectivamente en la respuesta (tasa global de contribución de datos de contacto: 12,4%)
  • La recencia de las páginas citadas cambia según el tipo de consulta: las “media de vida” (half-life) estimadas para consultas muy sensibles al tiempo es ~39 días y para las de baja sensibilidad al tiempo es ~68 días
  • Aproximadamente el 13% de las exposiciones de marcas no se pueden emparejar con el “pool” de citas contemporáneas, y aproximadamente el 71% de las exposiciones de información de contacto no se pueden emparejar con el texto del cuerpo de las fuentes rastreadas en ese momento

Conclusión

Con datos de citas a nivel de fuente, el estudio muestra que la aparición de marcas y datos de contacto en respuestas generadas no depende solo de que una fuente “figure” en el conjunto de citas visibles, y que parte del contenido expuesto parece no estar cubierto por el texto citado tal como se observó en el momento. Además, la recencia de las páginas citadas se ajusta claramente a la sensibilidad temporal de la consulta.

Para ti

Para un consultor SEO/GEO, el hallazgo clave es que “ser citado” no garantiza “ser absorbido” y, especialmente con contacto, una gran parte de lo que el usuario ve no se corresponde con el texto citado que se llega a rastrear (~71% no empareja). También indica que para consultas sensibles al tiempo, el motor concentra citas en contenido relativamente reciente (half-life ~39 días), así que el calendario informativo se vuelve un componente del patrón de citas observado por el estudio.

Leer el estudio original

Citación15 jul 2026arXiv

Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026)

O. Martinez

El estudio revisa 45 investigaciones (y trabajos relacionados) sobre GEO y analiza qué condiciones hacen que una IA cite o use una fuente, separando descubrimiento, recuperación dentro del contexto, mención/cita y efecto final en la respuesta.

Datos y qué significa para ti

Datos clave

  • El trabajo fundamental (Aggarwal et al., 2024) probó 10.000 consultas y, por cada consulta, usó el top 5 de Google como contexto para GPT-3.5-turbo; luego aplicó 9 estrategias modificando una única fuente, midiendo Word Count, Position-Adjusted Word Count (PAWC) y una puntuación tipo evaluación por LLM
  • En el experimento base, el PAWC sube de 19.3 a 27.2 con la estrategia “Quotation Addition”, lo que equivale a ~41% de ganancia relativa (y el artículo atribuye el “hasta 40%” principalmente a ese salto)
  • También en el experimento base, “Cite Sources” mejora el quinto documento con un +115.1% mientras el primero cae un -30.3%, mostrando que el cambio es redistributivo dentro del conjunto ya presente en el contexto
  • El estudio concluye que la evidencia revisada muestra efectos causales principalmente cuando la fuente ya está recuperada/puesta en el contexto: no encuentra una técnica con efecto causal estable y duradero en “descubrimiento orgánico” o en comportamiento posterior a través de plataformas

Conclusión

Este survey demuestra, con base en los estudios revisados, que lo medible y “movible” de forma consistente es la parte de cita/uso dentro del contexto ya asignado a la IA, no el aumento estable de descubrimiento orgánico. En concreto, las mejoras tipo PAWC se dan en un entorno controlado donde la fuente ya está disponible para el generador.

Para ti

Para GEO (y para que una IA te cite), este estudio indica que el impacto más demostrable es sobre tu cuota dentro del contexto ya recuperado, porque la evidencia causal fuerte está condicionada a “ya estar en contexto”. Si tu objetivo es “más descubrimiento orgánico” y efecto a largo plazo (tráfico/compras) según el survey, el corpus revisado no muestra técnicas con efecto estable: aporta contexto, pero no una táctica fiable para ese resultado.

Leer el estudio original

Riesgos15 jul 2026arXiv

How Artificial Intelligence LLM Engines Shape the Global Conflict Information Environment

J. Miklian

El estudio prueba cómo cinco motores con IA responden sobre 28 conflictos (5.460 respuestas evaluadas) y mide cuánto se inventan o se equivocan cuando el “archivo” informativo disponible sobre ese conflicto es más o menos grueso.

Datos y qué significa para ti

Datos clave

  • Analizaron 28 conflictos con 5 motores de IA y 13 preguntas repetidas 3 veces: 5.460 respuestas en mayo-junio de 2026, guardando la versión del modelo, la hora, la respuesta completa y las fuentes citadas
  • Encontraron una relación directa: cuanto más “delgado” el material recuperable de un conflicto, más inventan, atribuyen mal y cuentan mal (errores más frecuentes precisamente en conflictos con menos cobertura)
  • Al complementar el estudio, citan un resultado previo: las IAs citan la fuente equivocada en más del 60% de los casos al resumir noticias (Jaźwińska y Chandrasekar 2025)
  • Hicieron un análisis de 1.048 sitios web de donde los sistemas “sacaron” hechos sobre conflictos, para estudiar si ya existe optimización tipo GEO alrededor de esos resultados
  • Dan un ejemplo de consenso en conflictos muy cubiertos: al preguntar por el número de civiles muertos en Ucrania en 2025, los motores convergen en el conteo de la misión de monitoreo de la ONU (mínimo 2.514) dentro del rango 2.514–3.000

Conclusión

El estudio muestra que la baja disponibilidad de información sobre ciertos conflictos no solo aumenta la probabilidad de alucinaciones: también deja más “superficie” para que se cuele desinformación mediante GEO, porque ese material es más fácil de manipular y sesgar cuando las fuentes son pocas y débiles. Además, observan que ya hay GEO operando en la web y que el objetivo partidista/estado empieza a crecer.

Para ti

Para SEO/GEO, el mensaje clave del estudio es que los peores errores no están “en la tecnología”, sino donde hay menos registro: ahí el ranking de fuentes (y la optimización para ser recuperado) gana mucho peso sobre la exactitud. Si trabajas para marcas o contenidos en temas “olvidados”, el riesgo es que tus fuentes (o las que te desplacen) terminen siendo las que la IA encuentra y cita en ausencia de material abundante y diverso.

Leer el estudio original

Estrategia13 jul 2026arXiv

Designing Agent-Ready Websites for AI Web Agents: A Framework for Machine Readability, Actionability, and Decision Reliability

S. Elnaffar, F. Rashidi

El estudio prueba, en un experimento controlado con una tienda online clonada, si una web “agent-ready” (pensada para agentes de navegador) mejora las tasas de éxito de agentes como GPT-4.1, Gemini-2.5 Flash y Grok-4 Fast frente a una web “human-only”.

Datos y qué significa para ti

Datos clave

  • Hicieron 300 ejecuciones en total (3 modelos de agente × 5 tareas × 2 versiones de web, según el experimento descrito), con resultados medidos como PASS/PARTIAL/FAIL y también éxito estricto vs funcional
  • La versión agent-ready logró 134 PASS de 150, frente a 74 PASS de 150 del baseline (mejora de 60 ejecuciones en PASS)
  • Éxito estricto: 89,3% con agent-ready vs 49,3% con baseline
  • Bajaron los PARTIAL de 43 a 3 al usar la versión agent-ready
  • Redujeron el número medio de pasos de 9,31 a 6,49 (menos pasos para completar)

Conclusión

Con una tienda online idéntica excepto por los “ajustes agent-ready”, el estudio muestra que esos cambios mejoran mucho la fiabilidad y la eficiencia con agentes de navegador: suben drásticamente los éxitos estrictos, casi eliminan los resultados parciales y recortan los pasos necesarios. Los autores atribuyen estas mejoras a señales extra de claridad estructural, “action cues” y validez/fiabilidad de la información para decisiones (dentro de sus tres dimensiones: interpretabilidad, ejecutabilidad y fiabilidad de decisión).

Para ti

Para un consultor SEO/GEO, este paper no mide “posicionamiento en Google”, sino algo más cercano a “si un agente puede entender y ejecutar en una web”: la señal práctica es que añadir estructura y pistas accionables (además de evidencias/actualización para decisiones) puede reducir errores y reintentos de agentes, traduciéndose en menos fallos y menos pasos. Como el estudio está hecho con una tienda prototipo y tareas concretas, la aplicación a tu caso depende de si tu web facilita exactamente esas lecturas/acciones y esas señales de evidencia temporal.

Leer el estudio original

Citación11 jul 2026arXiv

From Stochastic to Stable: Rank Stability and Structural Sufficiency in AI Visibility Measurement

R. Sielinski

El estudio analiza, con datos de 30 combinaciones de plataforma y tema (Gemini, SearchGPT y Perplexity), cuántas consultas/respuestas hacen falta para que un ranking de “visibilidad” (qué dominios cita más la IA) sea a la vez estable y suficientemente preciso como para comparar marcas.

Datos y qué significa para ti

Datos clave

  • La tasa de diversidad entre ejecuciones (Jaccard entre carreras repetidas para el mismo query) es aprox. 0,30 en Gemini, 0,40 en SearchGPT y 0,50 en Perplexity: incluso la “misma” plataforma cita conjuntos distintos con frecuencia
  • El estudio estima que el ancho de los intervalos de confianza de la cuota de cita mejora con rendimientos decrecientes: cada duplicación de datos reduce el ancho del IC en ~29% (escala como 1/√M)
  • Para dominios más citados en SearchGPT, un rango típico del IC 95% de cuota es de 3 a 6 puntos porcentuales; el paper afirma que para muchos dominios adyacentes las diferencias son indistinguibles del ruido (solapan IC)
  • Con un criterio fijo de estabilidad de correlación (ρ ≥ 0,95), el número de respuestas necesario para converger varía muchísimo: va desde 40 respuestas hasta “nunca” en algunas de las 30 combinaciones
  • En las combinaciones analizadas, reportan que el sistema no tiene un presupuesto fijo justificable: la convergencia y cuánta precisión hace falta dependen de la estructura de la distribución observada de citas (densidad y cómo se separan/aglomeran las cuotas de dominios establecidos)

Conclusión

Este estudio demuestra que no basta con esperar a que un ranking “parezca” estable: la IA puede producir rankings con 1) orden aún inestable (en las primeras 20 a 60 respuestas, según tema/plataforma) y/o 2) un orden ya estable pero sin suficiente precisión estadística para distinguir ganadores de segundos. Además, con sus datos la decisión de “cuánto muestrear” no se puede fijar con un presupuesto o umbral único: hay que evaluar la incertidumbre y la estructura directamente en lo observado.

Para ti

Para medir y reportar visibilidad de IA con rigor (y poder comparar competidores), el paper aporta que usar un umbral fijo (por ejemplo un ρ fijo) puede fallar drásticamente: en su muestra, el mismo tipo de criterio requiere desde 40 respuestas hasta no alcanzarse. La práctica que deja el estudio es que tus mediciones deberían declararse “comparables” solo cuando la propia incertidumbre/estructura observada permite separar cuotas entre dominios establecidos, no cuando llegas a un número fijo de consultas.

Leer el estudio original

Fundamentos26 jun 2026arXiv

ToE: A Hierarchical and Explainable Claim Verification Framework with Dynamic Multi-source Evidence Retrieval and Aggregation

Z. Wang, Z. Zhang, K. Zheng et al.

El paper presenta ToE (Tree of Evidence), un sistema de verificación que investiga cómo se hace la búsqueda y la evaluación de evidencias desde múltiples fuentes para frenar desinformación, y mide si mejora frente a métodos competidores (especialmente con inputs “envenenados” tipo GEO).

Datos y qué significa para ti

Datos clave

  • Reporta mejoras de entre 4 y 24 puntos porcentuales frente a baselines competitivos (y dice que los mayores beneficios aparecen en inputs envenenados)
  • Crea un conjunto de datos adversarial llamado AdvFact específicamente para evaluar robustez ante “GEO poisoning” (mencionado como la prueba de ataque contra el sistema)
  • Define una acción discreta de recuperación de 8 opciones para el agente de búsqueda, incluyendo tipos de fuente (Wikipedia, arXiv, plataformas de fact-checking, redes sociales) y una acción de “stop”
  • El proceso termina cuando el juicio del nodo raíz llega a una condición de convergencia o a un umbral de decisividad, o cuando alcanza un máximo de iteraciones (mecanismo de parada medido en su método)

Conclusión

Con sus datos, el estudio no prueba “citas de IA” directamente, sino que demuestra que un sistema que aprende a seleccionar evidencias de varias fuentes y evalúa su fiabilidad puede mejorar la verificación del contenido y ser más resistente cuando la evidencia es manipulada (GEO poisoning).

Para ti

Para consultoría SEO/GEO, este paper aporta un marco práctico de qué le importa a un verificador/LLM: la fiabilidad y el valor informativo de las evidencias recuperadas y cómo se decide cuándo parar. Pero no da métricas ni resultados sobre qué tipo de páginas la IA cita o enlaza, así que no sirve para afirmar “qué SEO hace que te citen”; sirve más como contexto de por qué la evidencia manipulada puede dominar la recuperación.

Leer el estudio original

Medición18 jun 2026arXiv

Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines

P. Kumar

El estudio mide, con datos de producción, qué hace que las IA citen y den visibilidad a marcas en ChatGPT, Claude, Perplexity, Gemini y Grok, analizando 100.000+ respuestas sobre 100+ marcas entre marzo y mayo de 2026.

Datos y qué significa para ti

Datos clave

  • Ladder de visibilidad (primer tracking): marcas “household names” aparecen en el 73% de las respuestas de IA relevantes; marcas mid-market/regionales en el 44%; marcas nicho/pequeñas en el 11% (cada nivel ~30 puntos por debajo del anterior)
  • Cuando las IA citan fuentes, el 78% de esas citas van a webs corporativas (incluida la web de la propia marca y páginas de terceros del mismo sector)
  • Dentro de las fuentes no corporativas, YouTube es citado más a menudo que Reddit, medios editoriales y Wikipedia
  • A nivel de página, el formato con más “leverage” para citas es el “best-of” listicle ordenado: aporta ~21% de todas las citas
  • El sentimiento (si la IA encuadra positivamente o negativamente) cambia unas 6,7 veces más que la simple presencia/ausencia de mención

Conclusión

Con sus datos, el paper muestra que la probabilidad de que una IA cite una marca depende fuertemente de la “madurez/estatura” de la marca y que las citas se concentran en pocos tipos de fuentes (sobre todo corporativas) y formatos (especialmente listicles best-of). También demuestra que el “sentimiento” es mucho más inestable que el hecho de ser mencionado.

Para ti

Para un consultor SEO/GEO, este paper apunta a que el salto entre aparecer (mención) y cómo te citan está muy condicionado por la escala previa de la marca (11%→44%→73% en el primer tracking). Y cuando el objetivo es maximizar citas reales, el estudio identifica que los listicles “best-of” y las webs corporativas dominan la superficie donde las IA concentran sus citas.

Leer el estudio original

Riesgos16 jun 2026arXiv

Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems

X. Chu, Y. Hou

El estudio analiza por qué y en qué condiciones las IA tipo ChatGPT, Claude y Gemini citan o recomiendan marcas (usando productos de skincare), midiendo cuánto sesgo a marcas “conocidas” aparece y cómo cambia con ventajas mínimas, lenguaje de autoridad y competencia entre varias marcas.

Datos y qué significa para ti

Datos clave

  • En el experimento base, cuando los productos son idénticos salvo el nombre, la marca real fue recomendada el 100% de las veces en 670 pruebas válidas (IAI = 10.0, máximo teórico; p < .001) y ninguna marca ficticia fue recomendada (3 modelos, 2 idiomas, 4 subcategorías)
  • Cuando la marca ficticia tiene mejores especificaciones (pero la real es “la conocida”), la tasa de “override” (que aun así gane la real) fue solo 1.7%–4.6% por subcategoría; además, en esos casos 0 de 21 respuestas de “override” mencionaron características que no estaban en el prompt
  • Para romper el dominio, basta una ventaja muy pequeña: el umbral del 50% de “quién gana” cayó con una ventaja de +0.075 estrellas de rating; también con 1.6× de número de reseñas o 7.3% de descuento en precio (con transición brusca: desde el nivel mínimo a L1 el salto fue grande, y luego se estabiliza)
  • El análisis de qué pesa realmente mostró que los parámetros del producto (rating, precio, reseñas) explican el 82.4% de la variación en el ranking; la identidad de marca por sí sola explica solo el 1.2%, y el resto son interacciones (el efecto de marca se concentra cuando la calidad es ambigua)
  • En la parte de “lenguaje de autoridad”, afirma que ese tipo de mensajes (incluyendo reclamos clínicos fabricados) rompe el monopolio con un valor equivalente de +0.17 puntos de rating (Bias Surplus Value = +0.17), y en la competencia entre varias marcas la recompensa individual en su proxy cae de +0.802 a +0.007 cuando todas optimizan a la vez, dejando además a las marcas que no participan con 0 recomendaciones en las pruebas

Conclusión

Con estos datos, el estudio muestra que las recomendaciones (y el “peso” que reciben las marcas en las respuestas) no dependen de una superioridad real: cuando no hay señales comparables, la IA cae en reconocimiento de marca; pero señales mínimas de calidad y especialmente lenguaje de autoridad pueden desplazar ese sesgo, y cuando todas las marcas hacen lo mismo aparece una dinámica tipo “dilema del prisionero”.

Para ti

Para consultoría SEO/GEO, este estudio sugiere que el “sitio” de una marca en la IA no es solo por popularidad: si el modelo no tiene señales claras, el nombre conocido se impone casi por completo (sesgo fuerte en igualdad). En cambio, cuando aportas una señal de calidad “pequeña pero real” (como un salto de ~+0.075 estrellas en su métrica/escenarios), el monopolio se rompe; y el lenguaje de autoridad puede mover la aguja sin tocar el producto, aunque en escenarios de competencia simultánea el efecto puede diluirse y castigar a quien se sale.

Leer el estudio original

Medición15 jun 2026arXiv

Whose hotel does the AI recommend? An algorithm audit of reputation signals in LLM-assisted hotel selection

M. S. A. Baig, S. A. Gillani, A. Ali

El estudio audita con un experimento controlado qué señales de reputación (y también la posición del listado) hacen que una IA recomiende un hotel concreto, midiendo el efecto promedio en la probabilidad de elección en 12 modelos y con miles de consultas simuladas.

Datos y qué significa para ti

Datos clave

  • El rating domina: cuando el hotel tiene el “top rating”, la probabilidad de recomendación sube en +31.6 puntos porcentuales (pp)
  • El precio domina pero al revés: un precio “alto” reduce la probabilidad de recomendación en -30.0 pp
  • Otras señales tienen efectos menores: certificación eco sube +11.6 pp y el volumen de reseñas sube +8.3 pp; affiliation/cadena apenas penaliza -1.8 pp y la respuesta de la gerencia es +0.1 pp (prácticamente cero)
  • La “list position” importa aunque no tenga contenido: estar en el primer puesto da una ventaja de ~+12 USD por noche (aprox. una décima parte de un “paso” de rating), con heterogeneidad fuerte entre modelos (alguno llega a una ventaja 10 veces mayor)
  • Las razones que da el modelo no coinciden perfecto con lo que realmente pesa: la concordancia “stated vs revealed” es positiva (Spearman de +0.59 a +0.85 según el modelo), pero con un problema claro: citan la marca más de lo que realmente influye (porque su efecto revelado es casi nulo)

Conclusión

Con datos experimentales causales, el estudio muestra que las IAs no “reproducen” fielmente el patrón humano de señales (donde rating y volumen/valencia suelen mandar) sino que sobreponderan la certificación eco y prácticamente ignoran la respuesta de la gerencia, y además son sensibles a un factor puramente de posición (listado) aunque no aporte información del hotel.

Para ti

Para un consultor SEO/GEO, el mensaje del estudio es que en hotelería la IA responde sobre todo a rating y precio, y que la certificación eco puede pesar más en IA de lo que cabría esperar por evidencia humana; además, el orden/posición del contenido donde “aparece” tu propiedad puede mover la recomendación por encima de señales sin cambiar la calidad real. Como las IAs usan razones que sobre-atribuyen a marca, lo que afirman importar no siempre coincide con lo que realmente impulsa la elección.

Leer el estudio original

Riesgos8 jun 2026arXiv

SafeGEO: Understanding Generative Engine Optimization Risks in Recommendation Agents

Q. Wen, Y. S. Liu, X. Liu et al.

El paper mide cómo reescrituras tipo GEO hechas por vendedores cambian las decisiones de agentes que recomiendan productos con evidencias, evaluándolo en 600 casos y probando 22 variantes de ataque.

Datos y qué significa para ti

Datos clave

  • En promedio, las amenazas GEO aumentan en hasta un 83,2% la tasa con la que productos “objetivo” defectuosos entran en el conjunto de recomendaciones (top-3)
  • Las amenazas GEO aumentan hasta un 59,3% las recomendaciones que violan restricciones duras del usuario
  • Defensas simples en el lado del agente reducen la promoción del objetivo dañino hasta un 15,1% con “defensive prompting”
  • La verificación estructurada de evidencia reduce la promoción dañina del objetivo hasta un 39,2%
  • Aunque esas defensas mejoran los resultados, no devuelven el rendimiento a los niveles “sin GEO” (el paper lo indica explícitamente como que no lo restauran del todo)

Conclusión

El estudio demuestra con datos de SafeGEO que cuando se reescribe contenido controlado por el vendedor con técnicas GEO, el agente recomienda más productos defectuosos (y más veces incumpliendo restricciones duras), y que mitigaciones simples solo reducen el daño pero no lo eliminan ni lo igualan a “no GEO”.

Para ti

Para un consultor SEO/GEO, este paper cuantifica que el “control de la fuente” (contenido del vendedor) puede empujar recomendaciones hacia productos peores dentro de top-3, así que el riesgo no es solo “citar más”, sino “posicionar mejor para el ranking”. Además, como las defensas del agente reducen el daño hasta 39,2% (pero no lo eliminan), el impacto potencial de manipulación tipo GEO sigue siendo relevante incluso si el motor tiene checks básicos.

Leer el estudio original

Medición3 jun 2026arXiv

Disentangling Answer Engine Optimization from Platform Growth: A Log-Based Natural Experiment on ChatGPT Referral Traffic

K. Watanabe, K. Nakayashiki

El estudio analiza, con datos propios y logs del sitio glasp.co, cuánto de la subida de referencias desde ChatGPT en 2026 se debe a cambios tipo AEO aplicados solo a un grupo de páginas (YouTube Q&A) y cuánto a que ChatGPT creció en el mismo periodo.

Datos y qué significa para ti

Datos clave

  • El “múltiplo” crudo por pico muestra 38.2× de crecimiento entre el punto más bajo de principios de enero y el pico del 5 de mayo, pero el nivel sostenido en mayo es menos de la mitad de ese pico
  • En agregados mensuales, las referencias de ChatGPT suben 5.7× en total (tratadas) mientras las páginas no tratadas del mismo dominio suben 3.5× en el mismo periodo
  • En la comparación tratadas/control mediante un modelo de series temporales (semanal), el efecto discreto alineado con la intervención es 1.82× (IC 95%: 1.31× a 2.54×), con HAC p=0.001; no hay evidencia de cambio de pendiente (p=0.53)
  • La prueba placebo-in-time más conservadora (reubicando la fecha “supuestamente” del corte dentro del periodo previo) da p=0.16, así que el efecto es “sugerente” y no concluyente con pre-periodo corto y ruidoso
  • En SEO, los clics orgánicos de Google a las páginas tratadas /youtube/ caen ~25% desde H2 2025 a 2026, mientras que las impresiones vuelven a rango normal y no hay señales de desindexación; además, el sitio tiene ~20% de caída en clics orgánicos en general, parecido a la tendencia ambiente

Conclusión

Con su experimento natural en un mismo dominio, el estudio muestra que los titulares de “múltiplos” crudos suelen exagerar el efecto causal: al netear el crecimiento general de la plataforma con un grupo control en el mismo sitio, el salto atribuido a la intervención queda en torno a 1.8×, aunque con evidencia conservadora no plenamente concluyente (p=0.16). También observa que el rediseño del contenido no rompe el rendimiento orgánico existente, al menos en esa ventana.

Para ti

Para que una IA cite y sobre todo derive tráfico, este estudio sugiere que el impacto real tras separar “efecto plataforma vs. efecto contenido” puede ser moderado (≈1.8×) y no el múltiplo enorme típico de casos públicos. Y si te preocupa que AEO “toque” SEO, aquí no ven un colapso específico: la caída orgánica de las páginas tratadas sigue la tendencia del sitio.

Leer el estudio original

Medición27 may 2026arXiv

GEO-Bench: Benchmarking Ranking Manipulation in Generative Engine Optimization

O. Nimase, Z. Chen, G. Qi et al.

El estudio compara, en un mismo entorno y con los mismos criterios, cómo varias técnicas de “generative engine optimization” (incluyendo ataques y reescrituras tipo C-SEO) logran que un modelo de ranking suba resultados, y qué tan detectables son sus cambios en 5 datasets.

Datos y qué significa para ti

Datos clave

  • Usan 5 datasets con tamaños (items): Ragroll (399), STSData (30), RewriteToRank (10,000, evaluado en un subsample de 20 categorías con 10 items por categoría), LLM Rank Optimizer (40) y C-SEO Bench (16,360; 6 dominios)
  • Promete@α con α=0.1: TAP llega hasta 0.92, mientras RAF y Zero-Shot no superan 0.28 y 0.02 respectivamente (y además RAF/Zero-Shot fallan más en mover al top decil)
  • Regla de “fluidez vs detección” en ataques: STS puede mantener baja detección por keywords (KVR entre 0.03 y 0.20), pero empeora fuerte la fluidez con PPL-R hasta 12.72; en contraste, TAP mantiene buena promoción pero con KVR ≥ 0.83 en todas las partes
  • Caso “mejor de ambos mundos” (no adversarial): en C-SEO Bench, Authoritative (reescritura white-hat) empata el mejor NRG con 0.83, con KVR=0.00 y PPL-R=0.74 (o sea, evade los dos detectores a la vez según sus métricas)
  • El modelo de “acceso” no predice fuerza: los 3 métodos con mayor NRG promedio (TAP, Authoritative y Content Improvement) son black-box (no usan gradientes), y los gradient-based quedan en medio o en la parte baja

Conclusión

El estudio muestra que, en su comparación unificada, los ataques adversariales no logran a la vez promoción fuerte, evitación de keywords y buena fluidez; en cambio, la optimización de contenido “benigna” (white-hat C-SEO) puede igualar o superar la promoción y, en su mejor caso en C-SEO Bench, evadir a la vez los detectores por keywords y por fluidez.

Para ti

Para GEO/SEO, este resultado desplaza el foco: el estudio no encuentra que “los ataques” sean los que más rompen las señales, sino que ya con reescrituras de tipo C-SEO (black-box) se puede llegar a NRG alto con KVR=0.00 y PPL-R cercano a lo aceptable en su benchmark. Además, como la fuerza no depende de acceso black-box vs gradientes, comparar “técnicas” sin medir con las mismas métricas (NRG/KVR/PPL-R) puede llevar a conclusiones engañosas por dataset.

Leer el estudio original

Citación25 may 2026arXiv

What Gets Cited: Competitive GEO in AI Answer Engines

R. Vishwakarma, S. Kumar, R. Jamidar

El estudio analiza, en pruebas controladas con 252.000 ejecuciones en 6 IA, qué características de dos fuentes competidoras hacen que una sea citada primero por motores de respuesta con IA.

Datos y qué significa para ti

Datos clave

  • “On-topic vs off-topic” (relevancia temática) domina: el odds ratio (A vs B) es >10.000 en la mayoría de modelos y llega a 221 en uno de ellos, o sea que la fuente más relevante casi siempre gana la primera cita
  • El “missing query terms” (tener las palabras/consultas clave vs no tenerlas) también pesa mucho: odds ratio 9,41 a 40,0 según el modelo
  • Incluir “price” (precio explícito) frente a no incluirlo mejora la cita con odds ratio que van desde 6,26 hasta 36,1, dependiendo del modelo
  • “Deep vs shallow coverage” (cobertura más profunda vs más superficial) es un factor fuerte: odds ratio 1.480 en un modelo, y también valores altos como 132 (otro modelo) y 19,5 (otro)
  • Los cambios solo de formato “Organized vs Scattered”/“Structured vs Dense” tienen efecto pequeño o inconsistente: en varios modelos el odds ratio cae alrededor de 0,79–1,68 y no se comporta como un driver principal

Conclusión

Según sus 18 factores probados en un escenario competitivo de dos fuentes, la IA cita primero sobre todo la fuente con mayor relevancia al tema y la que aparece en una mejor posición de la lista (además, ayuda tener precio y un contenido más completo/profundo). En cambio, los ajustes que solo mejoran el formato sin cambiar contenido relevante aportan poco para ganar la primera cita en este test.

Para ti

Para aumentar la probabilidad de ser la “primera cita” en respuestas con IA, este estudio muestra que lo que más mueve la aguja es que tu página sea claramente la opción más relevante para la intención (y cubra mejor los puntos clave), y que incluya datos concretos como precio cuando aplique, además de profundidad real. Si tu optimización se limita a “hacerlo más legible” o reordenar texto sin aportar más relevancia/valor, el estudio sugiere que el impacto esperado sobre la primera cita es pequeño.

Leer el estudio original

Citación22 may 2026arXiv

Synthetic Sources?: Auditing Generative Search Engine Citations for Evidence of AI-Generated Sources

M. Allaham, N. Diakopoulos

El estudio audita 4 motores de “búsqueda generativa” (ChatGPT, Copilot, Gemini y Perplexity) con 712 preguntas reales para medir si citan fuentes con texto generado por IA y desde qué dominios web las obtienen.

Datos y qué significa para ti

Datos clave

  • Analizaron 712 consultas en inglés (temas: política, salud y medioambiente) y, en las respuestas citadas, estimaron que ~16% de las fuentes únicas citadas contenían contenido generado por IA
  • Detectaron que la proporción de contenido de fuentes citadas generado por IA era mayor en las consultas relacionadas con el medioambiente (es el caso con la mayor presencia relativa de IA en las fuentes citadas)
  • Encontraron evidencia de fuentes generadas por IA siendo citadas en los 4 motores: ChatGPT, Copilot, Gemini y Perplexity (no fue un caso aislado en uno solo)
  • Observaron un patrón de citación: un conjunto relativamente reducido de dominios aparece repetidamente, mientras que la mayoría de dominios solo aparecen con pocas citaciones (muchos dominios “mínimamente citados” en las respuestas)

Conclusión

Con su auditoría basada en 712 preguntas reales, el estudio demuestra que los motores de búsqueda generativa sí citan fuentes con contenido generado por IA, en torno a ~16% de las fuentes únicas citadas, y que el fenómeno varía por tema (con más presencia en medioambiente).

Para ti

Para SEO/GEO, este dato ancla una implicación práctica: si tu dominio es de los que tienden a aparecer en el “núcleo” de citaciones repetidas, el riesgo/beneficio de aparecer en citas con contenido potencialmente de IA es mayor que si te citan solo de forma marginal. Además, como el medioambiente muestra más incidencia, tu exposición en temas sensibles puede depender más del “tipo de fuente” que de si tu página está diseñada para rankear en búsquedas clásicas.

Leer el estudio original

Fundamentos21 may 2026arXiv

SCI-Defense: Defending Manipulation Attacks from Generative Engine Optimization

X. Yu, H. Jin, H. Zeng et al.

El estudio evalúa qué señales permiten a una defensa detectar Manipulación “GEO” (ataques en descripciones para influir el ranking por IA) en 600 descripciones de Amazon y 600 pasajes web, y mide con qué precisión evita falsas alarmas para distintos tipos de ataque.

Datos y qué significa para ti

Datos clave

  • Con 600 descripciones de Amazon (6 categorías), SCI-Defense logra Precision = 1.000 y FPR = 0.000, con Recall = 1.000 en ataques tipo String y Recall = 0.952 en ataques tipo Reasoning; y Recall = 0.830 en ataques tipo Review
  • En 600 pasajes de MS MARCO, los ataques tipo String se bloquean con Recall “perfecto” (según el texto) y los ataques tipo Review tienen “near-zero recall” porque esos pasajes no traen señales de persuasión que el método busca
  • Contra defensas previas, el paper reporta que PPL-only, clasificadores de contenido tipo “SafetyClf” y paraphrasing tienen “zero recall” contra los ataques semánticos de GEO (String/Reasoning/Review), es decir, no detectan la manipulación que intenta parecer natural
  • El artículo cuantifica señales: en ataques String, la perplexidad supera 500; en texto legítimo se mantiene por debajo de 100 (y en ataques “fluentes” la perplexidad queda cerca/bajo 50). Para “persuasión”, en Reasoning/Review el paper reporta que Narrative Purposiveness (NP) ≥ 0.5 aparece en más del 90% de los casos de ataque y Comparative Claims (CA) aparece en más del 75%, mientras que menos del 12% del texto legítimo llega a esos umbrales
  • La similitud entre candidatos (ICD) por sí sola no basta: el paper indica FPR = 0.74 (standalone) porque los productos legítimos del mismo sector suelen ser naturalmente parecidos; por eso combinan ICD con PPL y SIS

Conclusión

Este estudio muestra que las IA de ranking pueden ser manipuladas con texto semánticamente fluido (GEO) que evade filtros clásicos, y que la detección efectiva depende de encontrar una “estructura de persuasión” medible (SIS) más que solo rareza estadística (PPL) o intención dañina. Con esa combinación, el método reporta precisión perfecta y FPR cero en las 1.200 evaluaciones (Amazon + MS MARCO) según sus métricas.

Para ti

Para tu trabajo SEO/GEO, la parte accionable de este paper es que la manipulación “difícil” no es la que suena rara estadísticamente, sino la que presenta señales de persuasión típicas (autoridad, comparaciones y urgencia temporal) y se apoya en el contexto competitivo. Eso sugiere que, cuando una plataforma/IA intenta filtrar GEO, las señales que más importan para detectarlo no son “fluidez” o “perplejidad”, sino patrones semánticos de persuasión; en cambio, si tu defensa o auditoría se limita a rareza de lenguaje o a “seguridad”, puede fallar completamente contra el tipo de GEO que el paper mide.

Leer el estudio original

Riesgos18 may 2026arXiv

Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots

Y. Wen, N. Zhang, H. Yuan et al.

El estudio compara cómo se pasa de SEO a GEO en motores que generan respuestas con IA y identifica riesgos de concentración de influencia, influencia comercial no declarada y “puntos ciegos” entre lo que se evalúa en laboratorio y lo que pasa en despliegue.

Datos y qué significa para ti

Datos clave

  • Encuesta AP-NORC (Associated Press, 2024) con 1.437 adultos en EE. UU.: 60% dijo que usa IA para encontrar información al menos “a veces”
  • Salesforce Shoppers Report (Salesforce, 2025): 39% de 8.350 compradores en 21 países usa IA para descubrir productos y tareas relacionadas
  • Sensor Tower (Bain & Company, 2025): aumento interanual del tiempo dedicado en apps de asistentes de IA entre 2024 y 2025 (el paper cita el cambio como señal de crecimiento, pero no da el % en el fragmento que compartiste)
  • A nivel técnico, el paper propone que GEO puede actuar con dos mecanismos: (a) “retrieval booster” para mejorar la recuperabilidad (aumentar similitud/encaje con consultas) y (b) “ranking shifter” para cambiar cómo el modelo ordena/da visibilidad al tema cuando ya está en el contexto (medido como cambio de “rank/exposure” en respuestas IA)
  • El resumen de trabajos académicos que revisan (tabla 1) indica que, en los estudios GEO académicos, la suposición común es que los pares de mensajes para GEO ya están en el conjunto recuperado, por lo que a menudo se ignora la parte de “retrievability/booster” y se centra la optimización sobre el “ranking shifter”

Conclusión

Con sus observaciones y la comparación de prácticas, el estudio sostiene que la citación y la visibilidad en respuestas de IA no dependen solo de “calidad” o ranking clásico, sino de cómo el contenido entra al conjunto de evidencia y cómo el modelo lo sintetiza, con riesgo de sesgos por influencia concentrada y comercial no transparente. Además, muestra que gran parte de la investigación académica modela GEO bajo supuestos que no reflejan todo el proceso en producción (especialmente la recuperabilidad), creando puntos ciegos para medir efectos reales en sistemas desplegados.

Para ti

Para SEO/GEO, el mensaje aplicable del estudio es que la citación por IA no es equivalente a “ganar posiciones en buscador”: lo que importa es si tu contenido termina dentro del “evidence pool” del motor de recuperación y luego cómo afecta el “ranking/exposure” dentro de la respuesta sintetizada. Si en tu medición solo miras ranking o visibilidad tipo SEO clásico, el paper advierte que te faltará la pieza de recuperabilidad y el comportamiento a lo largo del despliegue (eso es exactamente lo que ellos señalan como punto ciego).

Leer el estudio original

Estrategia13 may 2026arXiv

EcoGEO: Trajectory-Aware Evidence Ecosystems for Web-Enabled LLM Search Agents

H. Ye, J. Mao, Z. Guan et al.

El paper investiga si, en bsquedas con agentes LLM que navegan por mltiples pginas, importa el “ecosistema” de evidencias (entrada + pginas de apoyo conectadas) para que el agente acabe recomendando el producto objetivo, y lo mide en OPR-Bench con 3.124 pares consulta-producto.

Datos y qué significa para ti

Datos clave

  • Crean OPR-Bench con 3.124 pares consulta–producto (consultas filtradas para necesidades abiertas de recomendacin/seleccin) y 3 fuentes de queries: SafeSearch (64 pares), E-Commerce (121 pares) y E-GEO (2.939 pares)
  • El mtodo propuesto (TRACE) construye un “entorno” de evidencias con una pgina de entrada para el agente y varias pginas de apoyo (incluyen oficiales, reviews, expertos, noticias, foros y redes sociales), coordinadas con terminologa compartida, enlaces internos y atributos consistentes del producto
  • Reportan que TRACE “supera de forma consistente” a baselines de GEO a nivel de pgina en el resultado final de recomendacin del producto objetivo (ganancia en el desenlace final, no solo en visibilidad de una pginas)
  • En mtricas a nivel de trayectoria, observan ms: “crawls” iniciales al resultado objetivo, bsquedas de seguimiento especficas del producto objetivo, y “crawls” de enlaces internos; el paper atribuye la mejora a moldear el proceso de adquisicin de evidencia durante la navegacin, no a “aadir ms contenido” del objetivo

Conclusión

Con sus datos en OPR-Bench, el paper muestra que para que una IA acabe citando/integrando evidencia que termina en una recomendacin del objetivo, no basta optimizar una pgina suelta: lo que cuenta es cmo el agente encuentra y recorre un conjunto coordinado de evidencias a lo largo de su trayectoria.

Para ti

Para SEO/GEO, este estudio no te da un “factor de ranking” de una sola pgina: te indica que la exposicin que termina convirtiendose en uso por el agente depende de que haya una ruta coherente (entrada + pginas de apoyo) que aumente los “crawls” iniciales y las bsquedas de seguimiento hacia el objetivo. Si tu marca no est tan bien “conectada” en un ecosistema de pginas de un tema, el estudio sugiere que el agente puede perderse antes de acumular evidencia suficiente para llegar al producto.

Leer el estudio original

Citación10 may 2026arXiv

How LLMs Are Persuaded: A Few Attention Heads, Rerouted

X. Sun, L. Kong, A. Zhang et al.

El estudio investiga qué partes internas de varios LLM hacen que cambien de una respuesta correcta a otra incorrecta cuando se añade un texto persuasivo, y mide esa “vulnerabilidad” probando parches causales en cabezas de atención y un pequeño conjunto de rasgos internos.

Datos y qué significa para ti

Datos clave

  • En el benchmark de preguntas con texto persuasivo (NQ2/FARM), el cambio a la respuesta objetivo incorrecta ocurre con tasas reportadas de 29–62% en dominios “high-stakes” (mencionan resultados previos para contexto)
  • En sus pruebas de intervención (reemplazar la actualización de un componente con la versión “limpia”), el efecto de restaurar la respuesta correcta es muy disperso en casi todo, pero se concentra de forma “muy escasa” en un puñado de cabezas de atención de capas medias (los “decision heads”)
  • El efecto más fuerte que reportan está concentrado en una cabeza concreta: cabeza 24 de la capa 17 (L17H24), que es donde aparece el mayor score de restauración
  • Dicen que las capas MLP muestran efectos uniformemente débiles (o sea, restaurar desde MLP casi no devuelve la respuesta correcta), mientras que las cabezas de atención sí lo hacen de forma marcada

Conclusión

Con sus datos de intervenciones, el estudio demuestra que la persuasión no “corrompe” el razonamiento de manera general, sino que redirige la decisión mediante unas pocas cabezas de atención de capas medias y una ruta interna estrecha. Además, identifican que el control no es un “razonamiento sobre evidencia”, sino la copia del token de opción al que la atención dirige al modelo.

Para ti

Para un consultor SEO/GEO, la parte práctica (según este paper) es que la susceptibilidad es estrecha y “mecánica”: no depende de cualquier detalle del contenido, sino de si el texto persuasivo activa una ruta interna específica (hecha de pocas cabezas y un rasgo de ruteo). Esto ayuda a entender por qué campañas GEO pueden funcionar con mensajes diseñados para esa ruta, pero el paper no te da métricas directas para traducir “qué keyword exacta” a “probabilidad de cita” en tu sector.

Leer el estudio original

Medición30 abr 2026arXiv

How Generative AI Disrupts Search: An Empirical Study of Google Search, Gemini, and AI Overviews

R. Grossman, S. Liu, M. K. Chen et al.

El estudio compara, para 11.500 consultas de usuarios, qué fuentes listan y citan Google (SERP tradicional), Google AI Overview (AIO) y Gemini Flash 2.5, y mide en qué se diferencian y con qué consistencia lo hacen.

Datos y qué significa para ti

Datos clave

  • En el 51.5% de las consultas reales analizadas, los AI Overviews (AIO) se generan y aparecen por encima de los resultados orgánicos
  • La lista de fuentes recuperadas entre motores es muy distinta: la similitud promedio Jaccard entre sistemas va de 0.11 a 0.18 (y reportan “<0.2”)
  • Los motores generativos recuperan mucho más contenido “propiedad de Google” que Google Search tradicional, y además recuperan con menor frecuencia fuentes de webs populares o institucionales de gobierno/educación (el estudio lo expresa como diferencia “significativamente menos probable”)
  • Los sitios que bloquean el rastreador de IA de Google tienen menos probabilidad de aparecer como fuentes en AIO, incluso si el contenido está accesible (según el estudio, “significantly less likely”)
  • Los AIO son menos consistentes entre dos ejecuciones del mismo query y menos robustos ante cambios menores del query

Conclusión

Con estos datos, el estudio muestra que ser “citado” por una IA (AIO/Gemini) no depende solo de aparecer en el ranking tradicional: los motores generativos cambian mucho qué dominios recuperan, y además penalizan señales como el bloqueo del crawler y muestran menor estabilidad ante variaciones pequeñas de la consulta.

Para ti

Para un consultor SEO/GEO, el hallazgo clave es que la visibilidad en AIO no sigue el mismo patrón que en SERP (y la coincidencia de fuentes entre sistemas es muy baja: Jaccard ~0.11–0.18). Además, si tu web bloquea el crawler de Google para IA, el estudio sugiere que reduces tu probabilidad de aparecer como fuente en AIO, y tu “presencia” puede variar más al cambiar ligeramente la consulta.

Leer el estudio original

Medición28 abr 2026arXiv

From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms

Z. Kai, H. Xinyue, Y. Jingang

Analiza 602 prompts en ChatGPT, Google AI Overview/Gemini y Perplexity para medir qué tan a menudo se elige una fuente (selección) y cuánto influye realmente la página citada en la respuesta generada (absorción), con 21.143 citas “search-layer” válidas y 18.151 páginas recuperadas.

Datos y qué significa para ti

Datos clave

  • Citas medias por prompt (breadth): ChatGPT 6.88 vs Google 12.06 vs Perplexity 16.35
  • Influencia media de páginas recuperadas (depth/absorción proxy): ChatGPT 0.2713 vs Google 0.0584 vs Perplexity 0.0646
  • Formato Q&A: la influencia media en páginas Q&A es 0.0947 vs 0.1005 en páginas no-Q&A, una diferencia relativa de -5.74% (o sea, Q&A por sí solo no mejora la absorción)
  • Tipo de fuente (dominio) en absorción: páginas “news_media” tienen influencia media 0.0726 mientras que páginas tipo “encyclopedia” tienen 0.2144
  • Efecto del idioma en selección (C-layer): ChatGPT cita más en prompts en chino (7.77) que en inglés (7.03), mientras que Google hace lo contrario (11.57 en inglés vs 7.53 en chino)

Conclusión

El estudio muestra que en motores generativos no basta con “ser citado”: hay una gran divergencia entre cuántas fuentes se citan (ChatGPT/Google/Perplexity) y cuánto influyen las páginas citadas en el texto generado. Además, el formato Q&A no incrementa la absorción; la absorción se asocia más a páginas con evidencia “usable” (como definiciones, datos numéricos, comparaciones y pasos).

Para ti

Para tu análisis SEO/GEO, este paper separa dos señales que no van juntas: cantidad de citas vs impacto real de las páginas citadas (usando la métrica de influencia del estudio). Si tu contenido es del tipo que puede aportar evidencia estructurada y alineada con la respuesta, el estudio sugiere que eso pesa más que convertirlo a formato Q&A para lograr absorción.

Leer el estudio original

Medición21 abr 2026arXiv

From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning

B. Wu, F. Mao, J. Lin et al.

El estudio propone MAGEO y mide, en tres motores de IA generativa, cómo optimizar contenido para aumentar la visibilidad y la fidelidad de las citas usando un protocolo que aísla el efecto de los cambios del contenido.

Datos y qué significa para ti

Datos clave

  • Usan un protocolo Twin-Branch que mantiene la lista de recuperación fija y crea dos ramas: una sin edición (baseline) y otra con una variante optimizada del documento objetivo reemplazando ese único ítem en la lista
  • La evaluación se apoya en la métrica DSV-CF, definida como un “doble eje” que combina visibilidad semántica con exactitud de atribución y penaliza citas espurias/mal atribuidas (miscitation)
  • Reportan mejoras “substanciales” frente a baselines heurísticas en dos frentes a la vez: visibilidad y fidelidad de citas (sin que el texto compartido incluya porcentajes concretos)
  • El benchmark MSME-GEO-Bench incluye datos con formato (Query, Engine, Source, Response) y cubre 5 dominios principales, 15 tipos de consulta (escenarios) y múltiples motores; en el paper también muestran distribuciones de intención de usuario y fuentes de ejemplo (sin cifras numéricas adicionales en el fragmento)

Conclusión

Con su medición controlada (Twin-Branch) y la métrica DSV-CF, el estudio demuestra que se puede mejorar la presencia de una fuente en respuestas generadas sin aumentar errores de citación, y que la reutilización de estrategias por motor es clave para esos ganhos.

Para ti

Para un consultor SEO/GEO, el mensaje accionable de este estudio es que la “cita correcta” no se logra solo empujando visibilidad: el protocolo y DSV-CF muestran que el objetivo real es subir la visibilidad manteniendo la atribución fiel. Además, al concluir que la reutilización de estrategias por motor importa, el trabajo se orienta a aprender patrones que funcionen en cada motor (no a repetir ajustes genéricos por página).

Leer el estudio original

Medición21 abr 2026arXiv

Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility

Z. Liu, P. Xu

El estudio propone FeatGEO para aumentar la probabilidad de que una web sea citada por motores de respuestas generativas, y lo prueba con experimentos en GEO-Bench contra varios motores y baselines basados en cambios a nivel de texto.

Datos y qué significa para ti

Datos clave

  • El estudio define la “visibilidad” como si la página aparece o no en el conjunto de fuentes citadas por el motor en la respuesta generada (no como un ranking)
  • Modela la preferencia de citación a “nivel de tema” generando para cada tema un conjunto de consultas semánticamente relacionadas (Qτ = {q1,…,qM}) y calcula una frecuencia de citación por fuente: f(s)=∑q∈Qτ 1[s∈S(q)]
  • Representa cada página por vectores de características interpretables con 3 capas (estructura, contenido y lenguaje): estructura (has_intro_summary, headings_level, list_density, length_level), contenido (content statistics_level, cite_sources_level, quotation_level, unique_info_level, technical_terms_level) y lenguaje (authoritative_level, easy_to_understand_level, fluency_level, keyword_focus_level)
  • A nivel de resultados, afirma que en GEO-Bench FeatGEO “mejora consistentemente la visibilidad” y “mantiene o mejora la calidad del contenido”, y que supera “de forma sustancial” los baselines que operan a nivel de tokens

Conclusión

Con sus pruebas en GEO-Bench, el estudio demuestra que optimizar para citación usando propiedades de documento (estructura, contenido y estilo) funciona mejor que editar directamente texto a nivel de tokens, logrando más citas sin sacrificar calidad. Además, sostiene que el comportamiento de citación depende más de propiedades del documento que de ediciones léxicas aisladas.

Para ti

Para un consultor SEO/GEO, el mensaje operativo del estudio es que la citación por IA no se gana principalmente con “micro-edits” de palabras, sino moldeando señales de nivel documento (p. ej., presencia de resumen introductorio, densidad de estadísticas/datos, citas de fuentes, riqueza de información única y tono más autoritativo). Si tu objetivo es ser citado, el foco práctico debería alinearse con estas señales de documento que el modelo trata como controles, no con cambios puntuales de tokens.

Leer el estudio original

Medición8 abr 2026arXiv

Don't Measure Once: Measuring Visibility in AI Search (GEO)

J. Schulte, M. Bleeker, P. Kaufmann

El estudio mide durante 45–46 días cuánta estabilidad (y volatilidad) tienen las fuentes y marcas que citan/nombran en sus respuestas ChatGPT, Gemini, Google AI Mode y Perplexity, usando 8 prompts por campaña y analizando la visibilidad como una distribución, no como un único valor.

Datos y qué significa para ti

Datos clave

  • La similitud día a día de las fuentes citadas (Jaccard) promedia entre 0.34 y 0.42: por ejemplo, en Consumer Electronics es 0.336 (≈65% de fuentes cambian de un día a otro) y en Telecommunications sube a 0.423
  • La similitud ordenada de fuentes (RBO, p=0.9) es consistentemente más baja: rangos medios de 0.206–0.253, señal de que no solo cambian las fuentes, también el orden en el que aparecen
  • A nivel de marcas (solo campañas con tasa media de detección ≥70%), la similitud día a día de marcas (Jaccard) es más alta que la de fuentes: 0.557 en Consumer Electronics, 0.453 en Sporting Goods y 0.589 en Telecommunications
  • La concentración de citas es muy desigual: el coeficiente Gini medio es 0.715; Google AI Mode llega a 0.782 (más concentración) y Perplexity a 0.671 (menos concentración)

Conclusión

Con sus datos, el estudio demuestra que la visibilidad en búsqueda por IA es inestable: tanto las fuentes citadas como las marcas mencionadas cambian de un día a otro, y además se concentran en pocas webs/dominios, por lo que medir “una vez” no refleja el comportamiento real.

Para ti

Para GEO, el hallazgo clave es que una sola medición te puede “engañar” por volatilidad diaria (hasta ~65% de fuentes cambian entre días en promedio). Además, como la visibilidad está muy concentrada (Gini medio 0.715), la probabilidad de que te citen depende de capturar ese pequeño grupo de dominios que domina las citas en cada motor.

Leer el estudio original

Riesgos4 abr 2026arXiv

Beyond Retrieval: Modeling Confidence Decay and Deterministic Agentic Platforms in Generative Engine Optimization

X. Zhao, C. Li, X. Meng et al.

El estudio analiza, con un modelo matemático y pruebas en un producto industrial, cómo la confianza en salidas de GEO/RAG decae con el tiempo y qué cambio de arquitectura (del LLM generador a un router de intención con agentes deterministas) elimina casi por completo ciertas alucinaciones verticales.

Datos y qué significa para ti

Datos clave

  • Modelan “Semantic Entropy Drift” (SED) como un aumento irreversible de la entropía condicional del modelo con el tiempo, y derivan una función de “confidence decay” donde la confianza cae por un término exponencial exp(-λ·t) que, al crecer t, hace que la confianza tienda a 0 (C(t, D_t) → 0)
  • Demuestran que las estrategias pasivas basadas en inyección estática (p. ej., etiquetas Schema.org) solo elevan la confianza inicial C0, pero no afectan el parámetro de decaimiento temporal λ, por lo que el efecto es transitorio en su ecuación
  • Para evaluar en motores cerrados, proponen IAR y penalizan la atribución cuando la discrepancia topológica entre el grafo generado y el grafo “verdadero” (Graph Edit Distance) supera un umbral, con supresión hacia 0 de la probabilidad de atribución (evitar “vanity metrics” por fabricaciones)
  • En su validación empírica usando EasyNote (actas de reuniones de Yishu Technology), al encaminar la intención del usuario a un agente especializado vía DAH, reportan una “reducción de vertical task hallucination rates a near zero” (casi 0) para ese tipo de tareas

Conclusión

Este estudio sostiene que en GEO basado en RAG la confianza se degrada de forma inevitable con el tiempo (por el decaimiento exponencial que no arreglan las inyecciones estáticas), y que al cambiar el rol del LLM a “router de intención” y delegar ejecución a agentes deterministas se pueden eliminar prácticamente las alucinaciones en tareas verticales, según su prueba con EasyNote.

Para ti

Para GEO, el aporte práctico de este paper no es una mejora “de SEO”, sino un criterio de diseño: si tu citabilidad depende de salidas generadas con RAG, su propia ecuación predice caída con el tiempo; en cambio, su evidencia muestra que encaminar intención a agentes especializados deterministas puede llevar el error vertical a casi 0, lo que reduce el riesgo de “citas” o atribuciones falsas en entornos tipo EasyNote.

Leer el estudio original

Estrategia31 mar 2026arXiv

Structural Feature Engineering for Generative Engine Optimization: How Content Structure Shapes Citation Behavior

J. Yu, M. Yang, Y. Ding et al.

El estudio propone y evalúa GEO-SFE, una forma de medir y optimizar el formato/estructura del contenido (sin tocar el significado) para mejorar cuánto citan fuentes distintas IA de búsqueda generativa, comparándolas en 6 motores.

Datos y qué significa para ti

Datos clave

  • En las pruebas con 6 motores generativos, lograr “mejoras de cita” consistentes fue del 17.3% en promedio
  • Además de la mejora en citas, las valoraciones subjetivas de “calidad perceptual” mejoraron un 18.5% de media
  • El método separa la estructura en 3 niveles jerárquicos para medir su impacto: macro-estructura (arquitectura del documento), meso-estructura (cómo se trocean en bloques) y micro-estructura (énfasis visual)

Conclusión

Con sus datos, el estudio demuestra que la estructura del contenido por sí sola (independiente del contenido semántico) puede aumentar de forma medible la probabilidad de que las IA citen esa fuente, con un efecto medio de +17.3% en 6 motores.

Para ti

Para GEO, este resultado apoya que no basta con ajustar el “texto” para que te citen: el estudio cuantifica que tocar la estructura (organización, troceado y énfasis) puede mover la cita sin cambiar el significado, lo que hace que la optimización estructural sea una palanca medible junto a la semántica. Como el paper centra sus cifras en la mejora agregada (+17.3%), la táctica concreta depende de qué nivel de estructura controles mejor en tus páginas (documento, secciones o micro-énfasis).

Leer el estudio original

Fundamentos10 mar 2026arXiv

Diagnosing and Repairing Citation Failures in Generative Engine Optimization

Z. Tian, Y. Chen, Y. Tang et al.

El paper investiga por qué páginas relevantes no llegan a ser citadas por motores generativos (tipo ChatGPT/Perplexity/Gemini) y prueba un sistema que diagnostica el fallo y aplica reparaciones dirigidas, midiendo si sube la tasa de cita y cuánto cambia el contenido.

Datos y qué significa para ti

Datos clave

  • Con condiciones base, el 43% de las páginas que son topicamente relevantes no reciben ninguna cita
  • AgentGEO logra más de un 40% de mejora relativa en la tasa de citación frente a métodos base, tocando solo el 5% del contenido, mientras que los baselines alteran el 25% en promedio
  • El estudio identifica que reglas genéricas pueden empeorar la citación en categorías de temas “long-tail”: en esas páginas, la optimización genérica no solo no ayuda, sino que degrada el resultado, mientras que la optimización diagnosticada sí da ganancias consistentes en el mismo conjunto

Conclusión

El estudio demuestra que muchos fallos de citación no son un problema global de “calidad” del texto, sino fallos específicos en el proceso (en qué parte se rompe el pipeline y por qué), y que cuando el sistema diagnostica ese tipo de fallo puede mejorar la citación con cambios muy pequeños. También muestra que hay casos donde ni la optimización diagnosticada logra arreglar la citación, porque el desventaja viene de competidores dominantes que el contenido no puede superar.

Para ti

Si tu objetivo es que te citen, este estudio respalda que no basta con aplicar “mejoras” genéricas: el salto está en que el fallo sea diagnosticado (y reparado) de forma dirigida, con cambios mínimos (5%). Además, si estás en temas long-tail o muy específicos, el paper advierte que optimizar “a lo genérico” puede empeorar tu probabilidad de cita, así que conviene enfocarse en entender qué tipo de fallo está ocurriendo en tu caso.

Leer el estudio original

Medición5 mar 2026arXiv

Algorithmic Trust and Compliance: Benchmarking Brand Notability for UK iGaming Entities in Generative Search Engines

J. Oruesagasti

El estudio analiza qué señales hacen que motores de búsqueda generativos (tipo ChatGPT, Perplexity y Gemini) citen más a marcas del iGaming en Reino Unido, y mide cómo distintas mejoras de contenido y el peso de medios ganados afectan la “visibilidad” citada.

Datos y qué significa para ti

Datos clave

  • Las estrategias de optimización que más aumentan la visibilidad citada en respuestas de motores generativos son: “Cite Sources” (+40,0%, p < 0,01), “Statistics Addition” (+37,0%, p < 0,01) y “Quotation Addition” (+22,0%, p < 0,05)
  • “Keyword Stuffing” (rellenar con palabras clave) apenas aporta: +3,0% y no es significativo (p no indicado como significativo)
  • En el análisis de distribución de citas (SparkToro 2024), el contenido controlado por la marca (web corporativa, landings promocionales y blogs) representa típicamente menos del 15–20% de las citaciones en consultas comerciales; el resto se lo llevan fuentes independientes de terceros
  • El estudio define un criterio de “posición ajustada por conteo de palabras” para medir visibilidad en respuestas generativas: las citaciones de frases más tempranas pesan más por un decaimiento exponencial por posición (e^(-pos(s)))

Conclusión

Según los datos del estudio, en búsquedas generativas la marca no gana solo por optimización tradicional, sino por señales citables y verificables (fuentes, estadísticas y citas textuales). Además, hay un sesgo estructural medible: para consultas comerciales se cita mucho más a medios ganados y fuentes de terceros que a contenido propio de la marca (solo 15–20% o menos).

Para ti

Para iGaming en UK, el estudio indica que lo que más empuja que te citen en motores generativos es que tu contenido incluya fuentes citables, datos numéricos y citas (los tres con mejoras de +40%, +37% y +22%). Y como las citaciones se concentran en terceros (marca 15–20% o menos), tu impacto en citación debería enfocarse más en generar menciones y contexto de autoridad externos que en depender de optimización “on-page” tradicional.

Leer el estudio original

Estrategia2 mar 2026arXiv

AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization

J. Yuan, J. Wang, Z. Wang et al.

El estudio propone y evalúa AgenticGEO, un sistema que busca maximizar si una IA generadora incluye y cita un contenido al reescribirlo, midiendo mejora de rendimiento frente a 14 métodos en 3 datasets y su uso de pocas señales de feedback del motor (GE).

Datos y qué significa para ti

Datos clave

  • En el análisis de sensibilidad, afirman que las estrategias existentes no logran optimizar “casi la mitad” de los casos (en su figura se describe como instancias en zonas grises y rojas)
  • AgenticGEO logra “46,4%” de ganancia media frente a los baselines (lo reportan como “46.4% average gains”)
  • Conserva el 98,1% del rendimiento usando solo el 41,2% de feedback “sparse” del motor (GE) para optimización
  • Dicen que superan a 14 baselines en experimentos dentro de dominio y además hay transferencia a dominios no vistos

Conclusión

Los datos del estudio muestran que no basta con usar una estrategia fija: la probabilidad de que una IA incluya/cite mejora cuando el sistema selecciona estrategias según el contenido y además aprende con un “crítico” que aproxima el feedback del motor con pocas consultas. También demuestran que su enfoque mantiene casi todo el rendimiento incluso cuando reduce mucho la cantidad de feedback del motor necesaria durante la optimización.

Para ti

Para SEO/GEO, el hallazgo clave es que la citación/atribución depende tanto de la estrategia como del contenido (por eso “estrategias fijas” fallan en casi la mitad): un enfoque que elija adaptativamente el “tipo” de ajuste que haces es lo que marca la diferencia en los resultados medidos. Además, el estudio sugiere que no necesitas iterar con el motor generativo a gran escala: su “crítico” permite conservar casi todo el rendimiento con ~41,2% del feedback de GE.

Leer el estudio original

Medición12 feb 2026arXiv

SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization

S. Kim, W. Jeong, S. Kim et al.

El estudio propone SAGEO Arena y comprueba, en un entorno de búsqueda generativa completa, qué señales (solo texto del cuerpo vs información estructurada) hacen que un documento “pase” por recuperación, reordenado y generación y acabe citado.

Datos y qué significa para ti

Datos clave

  • El corpus usado tiene 170.000 documentos web de 9 dominios, con información estructural (meta descriptions, headings y schema markup) además del texto del cuerpo
  • En condiciones realistas del pipeline, optimizar solo el texto del cuerpo (la práctica típica en trabajos previos) no solo no mejora la visibilidad en la etapa de generación: también degrada la recuperación, haciendo que los documentos optimizados se caigan de los resultados de recuperación y no lleguen al generador
  • El estudio muestra que la información estructural es el mecanismo principal para que un documento sobreviva a las primeras etapas (recuperación y/o reordenado) y llegue a generación
  • Los autores concluyen que cada etapa del pipeline prioriza cualidades distintas del documento, y por eso diseñan un método “stage-aware” (adaptado por etapa) para conseguir la mejor visibilidad global frente a las estrategias evaluadas

Conclusión

Con datos de SAGEO Arena, el estudio demuestra que en sistemas de búsqueda generativa la citación/visibilidad depende fuertemente de pasar primero recuperación y reordenado; por eso, la optimización solo de texto del cuerpo suele fallar al no resolver el cuello de botella temprano. La información estructural ayuda a mitigar esa degradación y hace posible que el documento llegue a la etapa donde entonces puede ser usado en respuestas.

Para ti

Si trabajas SEO/GEO para que te citen en respuestas generativas, este estudio indica que el “bloqueo” suele ocurrir antes de la generación: si tu optimización no ayuda a entrar en recuperación/reordenado, el generador ni te verá. A la vez, los resultados respaldan que incluir y cuidar señales estructuradas (p. ej., schema y etiquetas) es lo que más reduce ese problema, y que optimizar con enfoque por etapas (señales para cada fase) es lo que mejor encaja con lo que miden.

Leer el estudio original

Estrategia3 feb 2026arXiv

Generative Engine Optimization: A VLM and Agent Framework for Pinterest Acquisition Growth

F. Zhang, Q. Cheng, J. Wan et al.

El estudio analiza qué impulsa que Pinterest sea citado por motores de búsqueda generativos y mide cómo un sistema que traduce imágenes a “consultas con intención” (más páginas agregadoras y enlaces internos) aumenta el tráfico orgánico en una escala de miles de millones de imágenes.

Datos y qué significa para ti

Datos clave

  • Procesa un corpus con “billones” de imágenes de Pinterest y genera “decenas de millones” de páginas de aterrizaje (colecciones) con el sistema desplegado
  • Reporta +20% de crecimiento de tráfico orgánico atribuible al sistema GEO en producción
  • Indica que el despliegue contribuye a crecimiento de “multi-millones” de MAU (usuarios activos mensuales), sin dar el número exacto en el texto incluido
  • Afirma una mejora del 19% en la alineación entre tópicos generados y consultas de búsqueda frente a “baselines” de producción (medida interna de alineación)
  • Define que las consultas generadas por la VLM se reparten en tres tipos: descripciones (30%), estilo/detalles (30%) y casos de uso/ocasiones (40%), y sostiene que “los casos de uso” aportan el tráfico incremental desproporcionado (sin cifra adicional en el extracto)

Conclusión

Este estudio muestra que, para un buscador generativo que sintetiza respuestas y cita fuentes, no basta con describir imágenes: al entrenar VLMs para producir consultas con intención (y luego agregarlas en páginas coherentes con señales de autoridad e interlinking), el sistema logra mejoras medibles en tráfico orgánico y en alineación con la demanda de búsqueda.

Para ti

Para GEO en plataformas visuales, el hallazgo clave es que “consultas de intención” (no captions descriptivas) son una palanca medible: el paper conecta esa traducción a tráfico orgánico (+20%) y a mejor alineación (+19%). La acción práctica es priorizar que tus assets/landing pages puedan convertirse en superficies indexables y relacionables por temas, porque el estudio lo vincula a autoridad e interlinking además de la representación.

Leer el estudio original

Medición23 ene 2026arXiv

Navigating the Shift: A Comparative Analysis of Web Search and Generative AI Response Generation

M. Chen, X. Wang, K. Chen et al.

El estudio analiza, con 1.000 consultas de ranking y además pruebas separadas por “popular” vs “nicho”, qué dominios, tipos de fuentes y fechas (frescura) citan GPT-4o, Claude, Perplexity y Gemini frente a Google.

Datos y qué significa para ti

Datos clave

  • En las 1.000 consultas de ranking, el solapamiento de dominios citado por IA vs los top-10 de Google es muy bajo: GPT-4o 4,0% (mediana 0,0%), Gemini 11,1%, Claude 12,6% y Perplexity 15,2%
  • En consultas “nicho” (216 comparaciones: 108 populares + 108 nicho), el solapamiento sube 3–4 puntos para la mayoría de modelos: por ejemplo, a GPT-4o solo le sube de forma pequeña (entre +1,3% y +1,9%) mientras que Claude/Gemini/Perplexity tienen incrementos estadísticamente significativos
  • Cuando clasifican el tipo de fuente en 300 consultas (100 informacionales, 100 de consideración, 100 transaccionales), Google queda relativamente equilibrado: 41% earned, 34% social, 26% brand; pero las IAs favorecen “earned”: Claude 65% earned y solo 1% social (GPT-4o: 57% earned y 8% social)
  • Frescura (consumer electronics): Claude tiene la mejor extracción de fecha (0,925; 745/805) y mediana de 62,3 días; GPT-4o 0,930 (623/670) con mediana 79,8; Perplexity 0,630 (383/608) con mediana 90,4; Google mediana 130,4 con cobertura 0,615 (579/941)
  • Frescura (automóvil): Google es el más antiguo (mediana 492,9 días; cobertura 0,443; 413/932). Claude 148,0 días (0,609; 515/845) y GPT-4o 162,2 (0,734; 477/650); Perplexity marca más antigüedad (216,6; 0,426; 280/657)

Conclusión

Con datos de dominios, tipología de fuentes y fechas, el estudio muestra que las IA citan ecosistemas distintos a Google (poco solapamiento) y tienden a sobre-representar contenido “earned”/brand y a citar información más fresca (según las medianas y la cobertura de fechas) que Google. La diferencia es consistente, pero cambia por intención (informacional vs consideración vs transaccional) y por si el entity es popular o nicho.

Para ti

Para un consultor SEO/GEO, este estudio sugiere que “aparecer en Google” no implica “ser citado por una IA”: el solapamiento de dominios cae a mediana 0% en GPT-4o. Además, si tu web cae más en “earned/brand” y puedes aportar fechas/actualización legibles (la IA logra coberturas altas de fecha en ciertos motores), hay más probabilidad de entrar en respuestas con frescura menor edad que la que suele ver Google.

Leer el estudio original

Estrategia20 ene 2026arXiv

IF-GEO: Conflict-Aware Instruction Fusion for Multi-Query Generative Engine Optimization

H. Zhou, J. Chen, X. Chen et al.

El paper estudia cómo optimizar documentos para que distintas consultas los citen en respuestas generadas, y mide qué estrategia mantiene la visibilidad citada de forma estable entre queries cuando hay “presiones” contradictorias para editar el mismo contenido.

Datos y qué significa para ti

Datos clave

  • Define la ganancia por consulta como Δv_i = v(D’, q_i) − v(D, q_i), donde la visibilidad v(D,q) se mide solo con el texto de la respuesta y las señales de citación/atribución
  • Para priorizar qué ediciones tienen más impacto, calcula un “global priority score” por petición: g_{i,j} = w_i · s_{i,j}, usando w_i en escala 0–100 (popularidad de la consulta) y s_{i,j} en escala 0–100 (necesidad crítica del cambio)
  • En la fase de fusión, filtra peticiones de baja prioridad eliminando las que no superan un umbral τ (el paper controla el nivel de “perturbación” con ese filtro)
  • Aclara que el objetivo no lo evalúa solo con media: introduce tres métricas de estabilidad/riesgo para capturar degradaciones “de la cola”: Worst-Case Performance (WCP), Downside Risk (DR) y Win-Tie Rate (WTR)

Conclusión

El estudio muestra que, cuando varias consultas piden ediciones potencialmente incompatibles bajo un presupuesto limitado, optimizar “en promedio” no garantiza que el documento siga siendo citado de forma consistente; por eso proponen y evalúan estabilidad explícita entre consultas con WCP, DR y WTR. Además, su diseño de prioridades (g = w·s) y la resolución/deduplicación de peticiones hace que el proceso sea controlable para reducir efectos competitivos entre queries.

Para ti

Para un consultor SEO/GEO, el mensaje accionable del paper es que la citación por IA no es “una sola métrica media”: lo importante es evitar casos donde mejoras para unas consultas empeoren otras (exactamente lo que cuantifican WCP/DR/WTR). En la práctica, esto se traduce en que el documento debe cubrir de forma simultánea los “intentos de consulta” que compiten por el mismo trozo de información, porque el propio paper modela esas ediciones como solicitudes con anclas y las coordina priorizando por peso de la consulta y criticidad del cambio.

Leer el estudio original

Riesgos18 ene 2026arXiv

Multimodal Generative Engine Optimization: Rank Manipulation for Vision-Language Model Rankers

Y. Du, C. Yu, H. Xu et al.

El estudio investiga cómo se puede manipular la clasificación de productos en un sistema de búsqueda basado en modelos visión-lenguaje (VLM) alterando a la vez la imagen y la descripción, y muestra que ese ataque conjunto logra mejoras de ranking mayores que ataques solo-texto, solo-imagen y un baseline con modelos generativos comerciales.

Datos y qué significa para ti

Datos clave

  • El paper plantea que un adversario puede promover un producto objetivo a rank 1 (σ(t)=1) modificando su imagen, su texto o ambos, manteniendo cambios “imperceptibles” y texto “fluente y on-topic”
  • En la evaluación comparan MGEO contra: (1) ataques unimodales de texto, (2) ataques unimodales de imagen y (3) un baseline heurístico que imita comportamiento real usando modelos generativos comerciales para retocar descripción e imagen; reportan que MGEO consigue “substantially larger rank improvements” que los tres enfoques (sin cifras numéricas en el texto que compartiste)
  • La optimización de texto evita palabras/expresiones overt de posicionamiento usando una penalización de n-gramas, desalentando keywords del tipo “top”, “must rank” o “recommend”
  • El ataque de imagen se hace con Projected Gradient Descent (PGD) incorporando límites de magnitud y suavidad espacial para que la perturbación sea imperceptible

Conclusión

Con base en sus experimentos comparativos, el estudio concluye que en rankers multimodales de VLM no basta con que el contenido “parezca de calidad” en superficie: para subir posiciones hace falta alinear la perturbación directamente con cómo el modelo usa (acopla) la información visual y textual al puntuar productos.

Para ti

Para SEO/GEO, este resultado sugiere que en entornos donde un VLM reordena productos multimodalmente, el texto por sí solo (o los cambios solo visuales) es una palanca más débil que los cambios que el modelo interpreta como coherentes entre imagen y descripción. Si trabajas con presencia de producto multimodal, este paper apoya que lo que más determina la “señal” no es solo la calidad aparente, sino la compatibilidad con el mecanismo de fusión vision+texto del propio modelo (aunque el paper que pegaste no da números concretos para priorizar cuánto pesa cada tipo de alineación).

Leer el estudio original

Medición5 ene 2026arXiv

When Attention Becomes Exposure in Generative Search

S. Alipour, M. Kargar, M. Zihayat

El estudio audita 44 empresas Web3 y mide cuánto y qué tan concentrada es la exposición en las citas que devuelven motores de búsqueda generativos (Grok, GPT, Gemini y Perplexity) a creadores de esas comunidades en X.

Datos y qué significa para ti

Datos clave

  • La comunidad de creadores es persistente: en 20 días la estabilidad media fue Jaccard = 0.67 y Kendall’s τ = 0.75 (misma “capa” de creadores y su influencia relativa bastante estable)
  • Cobertura de X en paneles de citas cambia mucho por motor/modo: en Perplexity (UI) hubo 33.94% de fuentes desde X (1,255 de 3,698) y 3.62% de handles de creadores citados (134)
  • Con Grok “Web + X / X-only” la concentración sube: Grok (X-only) alcanza una ventaja media Top-10 vs cola de +7.16 puntos porcentuales (pp), frente a +4.32 pp en Grok “general”
  • La “amplificación” supera el azar: el uplift medio de NCG para Grok fue +9.39 pp (IC 95%: +2.59 a +16.45) y para Perplexity +9.94 pp (y Grok X-only +8.99 pp)

Conclusión

Con datos de 44 empresas y 132 consultas por empresa, el estudio demuestra que las IA citan de forma sesgada: concentran más la exposición en los creadores ya más prominentes y esa concentración se mantiene en el tiempo, reforzando jerarquías existentes.

Para ti

Para una estrategia GEO/SEO alrededor de citaciones en búsquedas generativas, este estudio sugiere que el “quién aparece citado” no es neutral: importa la prominencia ya existente dentro del ecosistema (en el caso del paper, creadores en X medidos por su Mindshare/followers) y el motor/modo (especialmente si incluye X) cambia el grado de concentración. Si tu marca está menos arriba en esas jerarquías, el paper indica que romper ese sesgo puede ser difícil porque la exposición está estadísticamente anclada a la popularidad previa.

Leer el estudio original

Riesgos1 ene 2026arXiv

The Discovery Gap: How Product Hunt Startups Vanish in LLM Organic Discovery Queries

A. P. Sharma

El estudio prueba 112 startups de Product Hunt en 2.240 consultas para medir qué porcentaje de veces ChatGPT y Perplexity las recomiendan, y comparar “búsquedas por nombre” vs “búsquedas tipo recomendación”, además de ver si GEO y SEO/community predicen la visibilidad.

Datos y qué significa para ti

Datos clave

  • En consultas por nombre, el reconocimiento fue muy alto: ChatGPT 99,4% (334/336) y Perplexity 94,3% (317/336)
  • En consultas de descubrimiento (tipo “los mejores… lanzados este año”), la visibilidad cayó fuerte: ChatGPT 3,32% (26/784) y Perplexity 8,29% (65/784), con una brecha de 30:1 en ChatGPT y 11:1 en Perplexity
  • El “score” GEO del sitio no se relacionó con la visibilidad en discovery: correlación no significativa tanto en ChatGPT (r = -0,108; p = 0,256) como en Perplexity (r = -0,102; p = 0,286)
  • Para Perplexity en discovery, señales SEO tradicionales sí predijeron visibilidad: referring domains r = +0,319 (p < 0,001) y dofollow ratio r = +0,238 (p = 0,012)
  • Señales de comunidad en Reddit solo funcionaron tras corregir falsos positivos: al limpiar 52 productos con nombres genéricos (46% de la muestra), Reddit Mentions pasó a correlacionar con visibilidad en Perplexity (r = +0,395; p = 0,002) y subreddits únicos también (r = +0,405; p = 0,001)

Conclusión

Este estudio demuestra que las IAs sí “reconocen” productos cuando la pregunta los nombra, pero fallan al recomendar productos en búsquedas de descubrimiento; y que, con los datos analizados, el GEO (optimizar contenido para IA) no aumenta esa visibilidad. En Perplexity, la visibilidad en discovery se asocia más con señales SEO tradicionales y comunidad (con medición limpia), mientras que ChatGPT se comporta casi sin patrones medibles.

Para ti

Si tu objetivo es que una startup aparezca en recomendaciones “best of / lanzados este año”, este estudio indica que el GEO por sí solo no mueve la aguja (no correlaciona con discovery). En Perplexity, en cambio, los predictores que sí aparecen son señales tipo referring domains (y dofollow), y Reddit solo sirve si evitas el ruido de nombres genéricos como hicieron al eliminar 52 casos.

Leer el estudio original

Estrategia2026Google Scholar

from seo to geo: the pedagogical imperative for integrating generative engine optimization into marketing education

M Pettiette, R Conde, S Fischbach - Marketing Education Review, 2026

Propone integrar Generative Engine Optimization (GEO) en la formación de marketing como un imperativo pedagógico, para pasar de prácticas centradas solo en SEO a optimización para plataformas impulsadas por modelos generativos. Aporta un marco de transición curricular que ayuda a diseñar contenidos y procesos de aprendizaje alineados con motores de búsqueda tradicionales y con motores de IA.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Modeling brand visibility in generative engine optimization (geo) using structured content signals in ai driven search environments

BF Török - International Review of Machine Learning, Artificial …, 2026

El paper investiga, con un dataset GEO controlado, qué señales de contenido hacen más probable que una marca/ fuente sea citada por sistemas de respuesta generativa (y con qué orden), y entrena modelos para predecir esa visibilidad.

Datos y qué significa para ti

Datos clave

  • Usa 43.200 observaciones (query–source–engine–prompt) con 360 consultas, 3.600 fuentes candidatas, 4 motores y 3 variantes de prompt
  • El mejor clasificador logra ROC-AUC 0,8890, PR-AUC 0,8995, accuracy 0,8079 y F1 0,8169 (en un test agrupado por consulta)
  • Las páginas tipo “research reports”, “comparison articles” y “review pages” tienen las tasas de citación más altas; “product pages” y “pricing pages” tienen tasas de citación más bajas
  • Las salidas del modelo incluyen: si la fuente se cita (principal), además de “citation rank”, “brand mention” y un “visibility score” (secundarias)

Conclusión

Con sus datos, el estudio demuestra que la probabilidad de cita en GEO no depende solo de “autoridad” general, sino de señales operables del tipo de contenido (formato) y señales relacionadas con evidencia, que el modelo puede usar para predecir visibilidad con buen rendimiento.

Para ti

Si tu objetivo es aparecer citado en respuestas generativas, este estudio respalda que no da lo mismo el formato: reportes, comparativas y reviews tienden a tener mayor probabilidad de cita que páginas de producto o precios, según sus mediciones. Además, como el modelo separa “ser citado” y “brand mention”, tu enfoque en qué tipo de página/evidencia está disponible para el sistema puede ser más determinante que solo “calidad” abstracta.

Leer el estudio original

Medición2026Google Scholar

[PDF] GENERATIVE ENGINE OPTIMIZATION (GEO): A NEW PARADIGM OF DIGITAL VISIBILITY IN THE AGE OF AI-POWERED SEARCH.

P Anca - Annals of'Constantin Brancusi'University of Targu-Jiu …, 2026

El estudio revisa y ordena lo que se entiende por Generative Engine Optimization (GEO) y lo compara con SEO, usando literatura académica e informes de industria para explicar cómo y por qué una marca puede ser citada o mencionada en respuestas generadas por IA.

Datos y qué significa para ti

Datos clave

  • Indica que ChatGPT superó los 900 millones de usuarios activos semanales en 2025 (dato citado en el texto)
  • Afirma que los buscadores basados en IA capturaron entre un 12% y 15% de la cuota de búsquedas global a finales de 2025, frente a ~5%–6% al inicio de ese año (rango citado en el texto)
  • Señala que el artículo adopta una revisión integradora (no incluye tests propios) y que las afirmaciones sobre efectividad de GEO provienen de la literatura analizada, no de experimentos directos

Conclusión

A partir de la revisión, el estudio concluye que GEO no sustituye a SEO: busca aumentar la probabilidad de que una fuente o contenido aparezca citado, mencionado o utilizado dentro de las respuestas de motores generativos, es decir, la visibilidad “no es solo rankear links”, sino ser seleccionado para la respuesta.

Para ti

Para un consultor SEO/GEO, la parte accionable del paper es el cambio de objetivo: ya no basta con “aparecer en resultados”, el foco es ser la fuente que el modelo usa al sintetizar. Como el estudio no prueba resultados con datos propios y reconoce falta de métricas estándar, tu mejor uso aquí es orientar el seguimiento hacia señales de citación/mención en respuestas de IA (y no solo hacia posiciones tradicionales).

Leer el estudio original

Medición2026Google Scholar

Generative engine optimization (GEO) and brand visibility in AI-generated tourism recommendations: an exploratory analysis

Á Quintana Gómez - Prisma Social, 2026

El trabajo analiza cómo aplicar un enfoque de Generative Engine Optimization (GEO) para mejorar la visibilidad de marca en recomendaciones turísticas generadas por IA. Aporta una base conceptual y exploratoria para entender qué señales pueden influir en la exposición de marcas en motores generativos, aunque no formula métricas ni una estrategia de optimización.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

From Search Intent to Retrieval Demand: A Pre-Generation Framework for Generative Engine Optimization (GEO)

K Spriestersbach, S Vollmer

Propone un marco de pre-generación que transforma la intención de búsqueda en demanda de recuperación para optimizar antes de que el contenido exista. Ayuda a los equipos GEO a anticipar qué documentos y formatos serán recuperados por motores generativos, en lugar de depender de análisis retrospectivos de qué apareció.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Algorithmic Authority: A Practitioner Framework for Generative Engine Optimization Based on a 7-Day Implementation Sprint

A Caramaschi - Available at SSRN 6460680, 2026

Propone el GEO Enterprise Framework, un modelo de 10 capas para implementar Generative Engine Optimization con un sprint práctico de 7 días. Ayuda a equipos GEO a convertir lineamientos en un plan de ejecución accionable y estandarizado, acelerando el despliegue y reduciendo la improvisación.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Synthetic Corpus and Consideration Manipulation in Generative Engine Optimization

TT Ke, C Liao, X Xu - Available at SSRN 6733264, 2026

El trabajo alerta sobre cómo la manipulación mediante corpus sintéticos puede alterar la forma en que los motores generativos interpretan la intención y el contenido, afectando la visibilidad orgánica. Ofrece un marco para evaluar riesgos de desalineación entre lo que indexan y lo que recomiendan los motores, ayudando a definir controles de gobernanza y auditorías para detectar este tipo de manipulación.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

What is Generative Engine Optimization: The Rise of Zero‐Click Culture

D Talarico - Dean and Provost, 2026

Define la Generative Engine Optimization (GEO) como un enfoque para posicionar la marca y el contenido en motores generativos, orientado a capturar resultados sin clic (zero-click). Ayuda a los equipos de GEO a replantear métricas y tácticas para ganar visibilidad en respuestas directas de la IA, no solo en tráfico hacia la web.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

Lighthouse++-A Search and Generative Engine Optimization Tool for VSCode

A Jöeäär, D Alm-Eriksson, M Hamdan, S Johansson…

El estudio construye y prueba la extensión Lighthouse++ para VS Code y analiza si mejora métricas de SEO y GEO tras aplicarse a 80 páginas de 18 sitios distintos.

Datos y qué significa para ti

Datos clave

  • Evalúa y mejora métricas en 80 páginas de 18 webs diferentes
  • El resultado reportado es que las métricas “suben” en todos los indicadores medidos (sin detallar porcentajes o valores por métrica)
  • El enfoque del sistema usa Google Lighthouse como base y añade sugerencias con ayuda de IA y métricas personalizadas, más un componente “GEO” de tipo heurístico (no predictivo de ranking)

Conclusión

El estudio demuestra que, con Lighthouse++ (Lighthouse + IA + métricas y un componente GEO heurístico), se pueden obtener mejoras medibles en métricas de calidad SEO/GEO en un conjunto de páginas. Pero con el texto disponible no prueba qué factores hacen que las IAs citen fuentes específicas (no hay análisis de citas por modelos como ChatGPT/Perplexity).

Para ti

Para tu trabajo, este paper aporta contexto operativo (cómo medir y mejorar señales que suelen asociarse a calidad de página), pero no da datos directos sobre “qué hace que una IA cite una fuente”. Lo más accionable es el tipo de enfoque de medición (Lighthouse + señales de visibilidad/fuente y similitud semántica), aunque el estudio no cuantifica impacto sobre citas reales de asistentes.

Leer el estudio original

Estrategia2026Google Scholar

[PDF] A Survey for Generative Search Engine Optimization

X CHEN, H ZHOU, JIE BAO, H WU, YU GAO, L PAN…

El paper actúa como una guía de referencia para entender y aplicar GEO con motores generativos, ayudando a pasar de prácticas SEO clásicas a optimización orientada a respuestas. Te permite mapear qué factores suelen evaluarse en la literatura (y cómo se prueban) para priorizar acciones con mayor impacto en visibilidad y desempeño en búsquedas generativas.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Navigating the Architecture of Truth: Public Communication Strategies in the Era of Generative Engine Optimization

DA Purwanto, RZA Syam - Jurnal Ilmiah Multidisiplin …, 2026

El estudio analiza, con casos en instituciones públicas de Indonesia, cómo el GEO (Generative Engine Optimization) cambia las estrategias de comunicación pública y qué efecto tiene en cuánta autoridad mantiene la institución al ser “mediatizada” por algoritmos.

Datos y qué significa para ti

Datos clave

  • El trabajo usa una investigación cualitativa de “caso crítico”, con datos recogidos mediante 1) entrevistas semiestructuradas, 2) observación de contenidos digitales y 3) análisis de documentos de política pública
  • Concluye que en el entorno GEO se priorizan tres cosas para la representación: datos estructurados, interoperabilidad semántica y “machine readability” (lectura por máquina), lo que disminuye el control institucional sobre cómo se enmarca el mensaje (en el texto: “reducing institutional control over message framing”)
  • Propone que la comunicación pública queda bajo un sistema de doble mediación: una mediación simbólica y otra computacional; el estudio dice que la síntesis algorítmica afecta la visibilidad, la coherencia y la legitimidad percibida de la información
  • Formula un modelo propio (“Navigating the Architecture of Truth”) con 3 dimensiones: transparencia normativa, estandarización tecnológica y alfabetización algorítmica para el público

Conclusión

A partir de sus observaciones en instituciones públicas, el estudio demuestra que en GEO la cita/legitimidad de la información no depende solo de la autoridad institucional, sino de qué tan “procesable” y estandarizada es la información para los sistemas que sintetizan contenido (datos estructurados, legibilidad para máquinas e interoperabilidad).

Para ti

Para SEO/GEO, este estudio sugiere que el factor decisivo para que la IA “tome” una fuente no es tanto la marca o el canal, sino que la información sea tratable por sistemas (estructurada y legible para máquina) y que encaje en estándares que facilitan la síntesis; el papel de la institución para controlar el encuadre se reduce según el estudio.

Leer el estudio original

Estrategia2026Google Scholar

Generative Engine Optimization as a Digital Equity Strategy for Underserved Tourism Destinations

M Cheraghian, S Vayghan - Available at SSRN 6806318, 2026

Propone Generative Engine Optimization (GEO) como una estrategia de equidad digital para destinos turísticos desatendidos, estructurada en un marco de tres capas para diagnosticar el “GEO gap”. Ayuda a profesionales GEO a identificar brechas por capa y priorizar acciones para mejorar la visibilidad orgánica en motores generativos y reducir desigualdades de descubrimiento.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

Academic Citation Infrastructure: Infrastructure-Level Interventions for Generative Engine Optimization

N Andrade - Available at SSRN 6835678, 2026

El paper propone que la mejora de GEO no debe limitarse a citar en el contenido, sino extenderse a una infraestructura de citación (nivel del sistema) para que los motores generativos recuperen y atribuyan fuentes de forma más fiable. Para trabajo de GEO, esto implica revisar el “stack” de citación y trazabilidad de fuentes, con el objetivo de aumentar la consistencia de atribuciones y la capacidad de verificación en resultados generativos.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Distributional Control in Generative Engine Optimization: A Framework for Distributional Shaping and Competition

S Xu - Available at SSRN 6535999, 2026

Propone un marco de control distributivo para moldear cómo las salidas de modelos se distribuyen entre candidatos, en lugar de centrarse solo en la forma del contenido para aumentar la probabilidad de aparición. Ayuda a diseñar estrategias de GEO orientadas a competencia entre generadores y a medir el efecto del “shaping” sobre la distribución de resultados, reduciendo la dependencia de heurísticas de redacción.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Why generative engine optimisation is the new search engine optimisation and the cornerstone of the artificial intelligence search revolution

C Whitlock - Journal of Digital & Social Media Marketing, 2026

Aporta un caso de implementación de GEO por la Parkinson’s Foundation que sirve como referencia práctica de cómo conceptualizar y ejecutar la optimización para motores generativos. Ayuda a equipos GEO a traducir el paso de SEO tradicional a GEO con una hoja de ruta basada en objetivos, diseño de contenido y operación, enfocándose en resultados para la búsqueda asistida por IA.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Mind Reader: Latent User Demand-Guided Content Optimization for Generative Search Engine

T Chen, J Guo, Y Li, B Chen, H Ren… - Proceedings of the …, 2026

El estudio prueba una técnica de GEO (Mind Reader) que optimiza contenidos para motores de búsqueda generativos usando demandas latentes del usuario, y mide cuánto mejora la “visibilidad” de esos contenidos en las respuestas.

Datos y qué significa para ti

Datos clave

  • Reporta mejoras de hasta 2.44x en métricas objetivas de visibilidad frente a baselines
  • Reporta mejoras de 1.23x en métricas subjetivas “en promedio” (además de las objetivas)
  • Evalúa la técnica con experimentos extensos en GEO-Bench y también con su propio conjunto PC-GEO

Conclusión

Con sus experimentos, el estudio muestra que alinear el contenido con las “demandas latentes” de búsqueda (no solo con preferencias o heurísticas de consulta) incrementa de forma medible la visibilidad del contenido en las respuestas generadas por motores de búsqueda generativos.

Para ti

Si lo que estás optimizando es para que una IA/buscador generativo cite o use tu material dentro de respuestas, este paper sugiere que el salto no viene de “encajar palabras”, sino de cubrir el tipo de razonamiento/información que el sistema activa como demanda latente; cuando lo consiguen, sus mejoras llegan a 2.44x (objetivo) y 1.23x (subjetivo). Como el estudio no desglosa distribución de citaciones por tipo de web o fuente, no aporta una regla directa tipo “qué dominio citar más”, pero sí un objetivo operativo: mejorar la cobertura de lo que el sistema considera razonamiento crítico conectado a la intención.

Leer el estudio original

Medición2026Google Scholar

Generative Engine Optimization (GEO) y visibilidad de marcas en recomendaciones turísticas generadas por IA: Un análisis exploratorio

Á Quintana-Gómez - Revista Prisma Social, 2026

El estudio analiza, para una misma consulta turística genérica, cómo distintos sistemas de IA muestran hoteles y qué fuentes citan al responder, comparando esas respuestas en tres momentos distintos.

Datos y qué significa para ti

Datos clave

  • Reporta “elevada volatilidad” en la presencia de marcas hoteleras (cambian de una respuesta a otra en el tiempo) al comparar tres momentos temporales
  • Detecta “notable variabilidad” en las fuentes informativas citadas por las IA (no hay un conjunto estable de fuentes) en esas mismas respuestas repetidas en el tiempo

Conclusión

A partir de sus observaciones con respuestas repetidas en tres momentos, el estudio concluye que la visibilidad de marca y el listado de fuentes citadas por la IA no son estables: dependen del contexto de generación y cambian con el tiempo.

Para ti

Para SEO/GEO en turismo, este paper indica que no basta con “aparecer” una vez: la IA puede alternar hoteles y fuentes citadas entre generaciones. En la práctica, tu medición de marca en recomendaciones debería ser longitudinal (repetida en el tiempo) porque el sesgo/visibilidad puede moverse.

Leer el estudio original

Citación2026Google Scholar

Territorial Algorithmic Invisibility: A Diagnostic Framework for Generative Engine Optimization Applied to Local Tourism Destination Entities

E Mees de Saboya Ribeiro - Available at SSRN 6766498, 2026

Propone un marco de diagnóstico para identificar por qué las entidades de turismo local quedan algorítmicamente invisibles ante LLMs, conectando señales territoriales con cómo se construyen y recuperan las respuestas. Ayuda a implementar una auditoría GEO centrada en generación para detectar brechas de cobertura de contenido y mejorar la visibilidad en motores basados en IA para destinos locales.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Generative Engine Optimization: Sichtbar in KI-Systemen

OD Benjamin, F Jaeckert

El trabajo introduce la Generative Engine Optimization para mejorar cómo los sistemas de IA identifican, priorizan y citan contenido, con el objetivo de aumentar la visibilidad en entornos generativos. Sirve como base práctica para definir qué optimizar (p. ej., claridad semántica y autoridad temática) para que el contenido aparezca con más frecuencia tras consultas, en un contexto disparado por el lanzamiento de ChatGPT en noviembre de 2022.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

[B] Generative Engine Optimization: Sichtbar in KI-Systemen: Von SEO zu GEO–eine Einführung für Unternehmen

B O'Daniel, F Jaeckert

El paper introduce la disciplina Generative Engine Optimization (GEO) como evolución del SEO para ganar visibilidad dentro de sistemas de IA generativa. Aporta un marco de referencia práctico para que las empresas adapten su estrategia de marca y contenido cuando los resultados ya no dependen solo de buscadores tradicionales.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

[B] GEO-Generative Engine Optimization: Das Praxis-Handbuch für Sichtbarkeit im KI-Zeitalter

P Tomforde

Ofrece un marco práctico de Generative Engine Optimization (GEO) para adaptar la estructura de contenidos a motores generativos, con el objetivo de aumentar la visibilidad en el “KI-Entorno”. Proporciona una guía accionable para integrar la evolución de SEO en la estrategia de contenido, alineando intención y formato para mejorar la probabilidad de ser citado o recuperado por sistemas basados en IA.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

A Bibliometric Analysis of Search Engine Optimization and Generative Engine Optimization

A Popescu - Bulletin of the Transilvania University of Brasov …, 2026

El estudio hace un mapeo bibliométrico (con metodología PRISMA 2020) del cruce entre SEO y GEO, y propone un modelo de cómo se pasa de visibilidad basada en ranking a visibilidad basada en citaciones en plataformas de IA.

Datos y qué significa para ti

Datos clave

  • Identifica 3 clusters temáticos sobre la intersección SEO–GEO
  • Encuentra una red de coautoría fragmentada (no concentrada) en los trabajos analizados
  • Plantea un cambio de enfoque: de visibilidad por ranking en buscadores tradicionales a visibilidad por citación en motores generativos

Conclusión

A partir de su análisis bibliométrico, el estudio concluye que en GEO la “visibilidad” se gana más por citaciones (no por rankings), y que la optimización debe adaptarse para ser legible/usable por sistemas de IA generativa.

Para ti

Para tu trabajo SEO/GEO, este paper te sirve sobre todo como guía de “qué cambia”: el objetivo deja de ser solo posicionar y pasa a alinearse con que la IA te cite. Como el estudio no aporta métricas numéricas de impacto (porcentaje de cita, aumento de citaciones, etc.), la acción táctica es más de orientación conceptual que de cuantificación.

Leer el estudio original

Medición2026Google Scholar

Generative Engine Optimization (GEO): The Architecture of Visibility in AI-Mediated Discovery

S Pan - Available at SSRN 6546718, 2026

Define GEO como una disciplina para alinear los activos de información con la recuperación y la síntesis de evidencias en motores de descubrimiento basados en IA. Proporciona un marco operativo de arquitectura de visibilidad que ayuda a planificar acciones de SEO/contents orientadas a mejorar cómo se recupera y se compila tu información en resultados mediados por IA.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

Does Schema Markup Predict AI Citation? A Cross-Platform Empirical Study of Structured Data and Generative Engine Optimization

K Fischman - Zenodo Preprint, February, 2026

Evalúa si el markup de esquema realmente predice citaciones desde motores generativos y lo contrasta empíricamente entre plataformas, ayudando a separar recomendación de práctica basada en datos. Útil para auditar afirmaciones de GEO sobre structured data y definir prioridades de implementación con mayor rigor.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Responsible Generative Engine Optimization: Optimizing LLM Rankings via Trustworthy Text Generation

T Huang, X Cheng, A Zeng

El paper investiga cómo mejorar el posicionamiento/ranking en motores de búsqueda con IA generativa (GEO) a la vez que se mantiene la calidad del texto y se reduce la percepción de intención manipuladora, usando una técnica de generación de perturbaciones del texto.

Datos y qué significa para ti

Datos clave

  • Plantea GEO como un problema de optimización con restricciones (no solo buscar subir ranking, también respetar otras condiciones del texto)
  • Usa “Langevin dynamics” para generar perturbaciones del texto orientadas a mejorar el ranking
  • Combina tres componentes para proteger calidad y coherencia: “evidence-based initialization”, “multi-objective energy optimization” y “gradient masking”
  • El objetivo explícito del estudio es subir ranking sin debilitar la confianza del usuario al reducir la percepción de “manipulative intent” (intención manipuladora)

Conclusión

El estudio demuestra un enfoque de GEO que busca mejorar el ranking en búsquedas con IA generativa sin caer en cambios adversarios que suelen bajar la calidad y aumentar el escepticismo, porque integra restricciones y técnicas para conservar consistencia factual y reducir la señal de manipulación percibida.

Para ti

Para un consultor SEO/GEO, el aporte práctico de este paper es que el “cómo” de la optimización importa: el texto debe moverse para ganar ranking pero manteniendo evidencia y consistencia, y además reducir indicadores de manipulación (según lo que el propio estudio define como su objetivo). Como el texto compartido no incluye métricas numéricas ni resultados medidos, este estudio sirve más como guía de enfoque responsable que como palanca con cuantificación directa.

Leer el estudio original

Estrategia2026Google Scholar

EVOLUTION OF SEARCH ENGINE OPTIMIZATION AS A FACTOR IN INCREASING INTERNET MARKETING EFFECTIVENESS IN AN AI ENVIRONMENT

S RODIONOV - Herald of Khmelnytskyi National University …, 2026

El paper analiza cómo evoluciona el SEO con la llegada del buscador generativo y cómo eso afecta la visibilidad/citas de marcas, poniendo foco en riesgos como el “zero-click”, la falta de transparencia de algoritmos y la homogeneización del contenido.

Datos y qué significa para ti

Conclusión

Con la evidencia presentada, el estudio sostiene que al pasar de resultados con enlaces a respuestas generativas, la visibilidad depende de integrar enfoques tradicionales con estrategias diseñadas para ecosistemas de búsqueda generativa, pero no aporta métricas concretas sobre “cuándo” o “cuánto” cita una IA a cada tipo de fuente.

Para ti

Este trabajo sirve más para entender el entorno (especialmente el “zero-click” y la opacidad) que para traducirlo a tácticas medibles de citación: no hay cifras en el texto que permitan decidir qué tipo de fuente/activos generan más citas. Si necesitas decisiones de citación basadas en datos, haría falta el contenido del estudio (resultados y mediciones), no solo el resumen.

Leer el estudio original

Citación2026Google Scholar

[PDF] AN EXPLORATORY STUDY ON THE IMPACT OF GENERATIVE AI (SEARCH GENERATIVE EXPERIENCE-SGE) ON TRADITIONAL SEO STRATEGIES

MP Rajpoot - AI-Powered Digital Transformation

El paper sostiene que con SGE/AI Search el rendimiento se desplaza de los clics a la capacidad de que tu marca sea citada como fuente confiable en respuestas generadas. Para GEO, esto implica priorizar señales de autoridad y rastreabilidad (p. ej., contenido verificable y entornos donde el modelo pueda atribuirte) para aumentar probabilidad de mención en el resumen.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

An Economic Framework for Generative Engines: Advertising or Subscription?

L Zhang, C Jiao, B Li, C Xiong - arXiv preprint arXiv:2603.29071, 2026

El paper estudia, con un modelo económico, cuándo las IA tipo ChatGPT/Google deciden mostrar anuncios dentro de sus respuestas vs mantenerlas sin anuncios para maximizar ingresos y conversiones a suscripción, analizando cómo eso cambia con el tiempo según los parámetros del sistema.

Datos y qué significa para ti

Datos clave

  • Propone que la política óptima de “con anuncios o sin anuncios” sigue una regla de corte: se muestran anuncios solo cuando el beneficio inmediato del anuncio supera el valor a largo plazo de dar respuestas sin anuncios
  • El resultado se mueve hacia respuestas con anuncios cuando la monetización por anuncios es alta
  • El resultado se mueve hacia respuestas con anuncios cuando los usuarios son menos sensibles a los anuncios
  • El resultado se mueve hacia respuestas sin anuncios cuando la conversión a suscripción gana relativamente más valor
  • Cuando hay IA rivales, la política óptima se desplaza adicionalmente hacia respuestas sin anuncios (porque la monetización con muchos anuncios se vuelve menos sostenible si el usuario puede cambiarse a alternativas)

Conclusión

A partir de sus datos/modelo, el paper concluye que una IA que sintetiza respuestas maximiza su sostenibilidad cuando decide mostrar anuncios solo bajo una condición clara (beneficio inmediato mayor que el valor futuro de calidad sin anuncios) y que la presencia de competidores empuja aún más a evitar anuncios.

Para ti

Para tu trabajo SEO/GEO, este paper no mide “citas” en el sentido clásico, pero sí aterriza el incentivo: si la IA prioriza retención y conversión a suscripción, su diseño tenderá a limitar la carga publicitaria y a optimizar experiencia; en un entorno con rivales, esa tendencia hacia respuestas sin anuncios se refuerza, lo que puede afectar el tipo de fuentes y el contexto donde apareces.

Leer el estudio original

Riesgos2026Google Scholar

The SEO-to-GEO gap: Quantifying ranking factor divergence between traditional and generative search

D Kargaev - Available at SSRN 6476021, 2026

Cuantifica la divergencia entre los factores de ranking de la búsqueda tradicional y los de la búsqueda generativa, ayudando a medir el “gap” SEO-to-GEO. Te permite estimar en qué casos tu enfoque SEO puede no trasladarse a la visibilidad en superficies de respuesta de IA y priorizar correcciones en tu estrategia de optimización para motores generativos.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

[HTML] Применение generative engine optimization в маркетинге коммерческой недвижимости

СА Казарян - Прикладные экономические исследования, 2026

El estudio revisa qué es el generative engine optimization (GEO) en marketing de inmobiliaria comercial y propone cómo medir si una IA cita correctamente (o se equivoca) al representar marcas y propiedades en búsquedas generativas.

Datos y qué significa para ti

Datos clave

  • El artículo propone separar 3 cosas en la medición: (1) menciones de la entidad, (2) atribución de fuentes (si se puede conectar lo dicho con un origen) y (3) riesgo de error (desviaciones frente a datos canónicos)
  • Define un protocolo de observación donde, para cada intención de búsqueda, se evalúa: presencia de la mención, si hay atribución a fuentes y las discrepancias con datos canónicos de la propiedad (usando un conjunto de fuentes “S_e” consideradas autoritativas en el dominio)
  • No reporta experimentos ni datos propios: explícitamente indica que “no se usa evidencia empírica primaria” y que no hay resultados de encuestas u experimentos

Conclusión

El estudio demuestra, con su revisión y su propuesta de métricas, que para que una IA sea fiable no basta con “aparecer”: la cita/atribución debe medirse por separado de la mención y del riesgo de errores frente a datos canónicos, porque en sistemas RAG la parte de recuperación y la generación pueden fallar de forma distinta.

Para ti

Como consultor, este paper te da un mapa medible de “si te citan bien” en IA: no preguntes solo si te mencionan, sino si la respuesta enlaza con fuentes consideradas autoritativas y si respeta datos canónicos (precio/condiciones/limitaciones). Además, como no hay experimentos en el paper, su valor es como guía operativa de medición/monitoreo más que como prueba de que una táctica concreta aumente citas.

Leer el estudio original

Citación2026Google Scholar

Controlling Output Rankings in Generative Engines for LLM-based Search

H Jin, R Chen, P Zhang, Y Luo, H Zeng, M Luo… - arXiv preprint arXiv …, 2026

El estudio prueba un método (CORE) para controlar cómo los motores de búsqueda generativos ordenan recomendaciones de productos y mide cuánto logra “promocionar” un producto dentro de los Top-5/Top-3/Top-1 en 15 categorías usando 4 modelos con búsqueda.

Datos y qué significa para ti

Datos clave

  • Consiguen una Promotion Success Rate media de 91.4% en Top-5, 86.6% en Top-3 y 80.3% en Top-1, en 15 categorías
  • Evalúan CORE en un conjunto llamado ProductBench con 15 categorías de producto y 200 productos por categoría (cada producto enlazado a sus Top-10 recomendaciones desde la interfaz de búsqueda de Amazon)
  • Probaron CORE con 4 LLM con capacidades de búsqueda: GPT-4o, Gemini-2.5, Claude-4 y Grok-3
  • CORE usa 3 tipos de contenido de optimización añadido al material recuperado: string-based, reasoning-based y review-based; el estudio reporta que esos tipos son efectivos para reordenar las salidas (sin dar aquí cifras por tipo)

Conclusión

El estudio demuestra que en motores de búsqueda generativos, el orden de salida puede manipularse fuertemente (hasta 91.4% de éxito medio en Top-5) controlando el contenido que el sistema recupera y devuelve al modelo, no solo el “ranking” interno del LLM.

Para ti

Para tu estrategia de visibilidad en IA tipo buscador, este estudio sugiere que la “cita” o mención puede depender de qué contenido concreto llega a alimentar la respuesta, porque un ajuste en ese contenido logra reordenar resultados masivamente (según sus métricas de Promotion Success Rate). Si tu objetivo es aparecer mejor, lo que más impacta (según el experimento) es que el motor recupere texto/indicadores que el sistema pueda reutilizar para empujar tu producto hacia posiciones altas.

Leer el estudio original

Medición2026Google Scholar

[PDF] The Influence of Generative Search Engines on Brand Image: Managerial Perspectives from Digital Strategists

P Kaakinen

El estudio entrevista a estrategas digitales para analizar cómo perciben que los buscadores generativos influyen en la imagen de marca desde un punto de vista de gestión.

Datos y qué significa para ti

Datos clave

  • El trabajo usa un enfoque cualitativo basado en entrevistas semiestructuradas a profesionales que trabajan en la intersección entre gestión de marca y estrategia de negocio impulsada por IA (número de participantes no aparece en el texto compartido)
  • Los hallazgos atribuyen a los buscadores generativos una reducción de la visibilidad de los canales controlados por la empresa (lo describen como causa de debilidad del control de gestión sobre la imagen)
  • El estudio indica que estos buscadores aumentan la dependencia de contenido de terceros para formar la representación de marca
  • También sostienen que los buscadores generativos sintetizan información fragmentada en representaciones de marca, elevando riesgos de inexactitud, sesgo y fragmentación

Conclusión

Con base en las percepciones recogidas en entrevistas, el estudio concluye que los buscadores generativos cambian la formación de la imagen de marca: la vuelven más “co-creada” por sistemas de IA a partir de fuentes de terceros, reduciendo el control gerencial y amplificando riesgos, aunque a la vez abre oportunidades nuevas (p. ej., visibilidad por recomendaciones y enfoques como GEO).

Para ti

Para estrategia SEO/GEO, el mensaje operativo que sale de este estudio es que no basta con priorizar el “canal propio”: si la IA resume desde terceros y entrega una respuesta que reemplaza la visita a tu web, tu imagen dependerá más de qué fuentes te citan/te mezclan y de la calidad/consistencia de esas señales. Como el estudio no da métricas cuantitativas, la acción se enfoca en entender el cambio de control (menos control directo, más dependencia de terceros) más que en estimar impacto numérico.

Leer el estudio original

Estrategia2026Google Scholar

From Search to Generation: How Generative AI Reshapes Marketing Outcomes

XM Ma, Y Zhang, D Lee - Yingjie and Lee, Dongwon, From Search …, 2026

Analiza cómo la optimización para motores generativos (GEO) y los puja/segmentación de búsqueda patrocinada cambian los resultados de marketing dentro del ecosistema de búsqueda. Ayuda a definir implicaciones estratégicas para ajustar ofertas y contenidos cuando aparecen “AI overviews”, reduciendo el riesgo de perder visibilidad frente a formatos generados.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Cited-Listicle Rank-Tier Exposure, Author Type, and LLM Brand Visibility: A Two-Part Model of Selection and Prominence in Generative Engine Responses Working …

J Ehrlinspiel - Available at SSRN 6753841, 2026

El trabajo propone un modelo en dos partes para entender cómo la exposición en listas citadas, el tipo de autor y la visibilidad de marca influyen en qué contenido aparece como respuesta en motores generativos. Aporta un marco aplicable para GEO orientado a medir y ajustar prominencia en LLM, priorizando estrategias de selección y citación por tipo de fuente.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

[PDF] The Future of Machiavellian Marketing: Power, Perception, and Influence in the Age of AI and Generative Systems

H Stone

Propone un marco para entender cómo la IA generativa puede amplificar poder, percepción e influencia en la optimización tipo GEO, ayudando a definir tácticas más efectivas. Ayuda a traduce el enfoque “Machiavélico” a decisiones accionables sobre posicionamiento y contenido para mejorar visibilidad en motores generativos.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

[PDF] Entity Drift in Generative AI Systems: A Framework for Understanding and Correcting Brand Misrepresentation in Large Language Models

A Khandelwal, K Parsai

El paper aborda el Entity Drift en modelos generativos y cómo puede provocar desalineaciones en la identidad de marcas, afectando la precisión de respuestas y el rendimiento GEO. Ofrece un marco para entender y corregir la representación errónea, útil para definir controles de calidad y reducir el riesgo de desinformación asociada a entidades en LLM.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

[PDF] Platform Governance in Generative Search: A Theory of Authority, Relevance, and Welfare

X Hu - Relevance, and Welfare (March 27, 2026), 2026

Propone una teoría de gobernanza para la búsqueda generativa, donde el “incumbent” de alta autoridad y los especialistas de baja autoridad invierten en GEO para volver “legible” la relevancia existente. Ayuda a identificar riesgos de ventaja estructural y define cómo evaluar autoridad, relevancia y bienestar para diseñar una estrategia GEO más justa.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

The End of Search?–How Gen Z is shifting from Google to Generative AI

M Pulkkinen

El trabajo aporta evidencia de cómo la Generación Z está pasando de Google a motores de IA generativa, acelerando el comportamiento de "cero clic" y reduciendo el impacto del tráfico orgánico clásico. Te ayuda a ajustar tu estrategia GEO para mantener presencia en respuestas generadas, con foco en optimizar el contexto y la intención que alimentan los sistemas generativos.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

The Structural Authority Standard: A Compliance Framework for Zero-Click Optimization

D Thacker

Propone un marco de cumplimiento denominado Structural Authority Standard orientado a la optimización de zero-click con controles de verificación para reducir riesgos de desalineación con las reglas de las plataformas. Define qué evidencias y criterios estructurales deben mantenerse para sostener la “autoridad” y mejorar la consistencia del rendimiento en motores de respuesta.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Machine Marketing: Rethinking the Customer in the Age of Generative AI

M Sarstedt, S Adler, M Imschloss - Available at SSRN 6327119, 2026

Propone aplicar machine marketing en etapas tempranas del journey, con enfoque en generative engine optimization (GEO) para atraer a usuarios antes del “descubrimiento” tradicional. Ayuda a redefinir el rol del contenido y la señalización para que el modelo generativo priorice la marca, alineando tácticas de GEO con el momento en el que el cliente decide.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

Off-Page Signals Have Model-Specific Effects on Generative AI Search Visibility: Evidence from a Cross-Platform Audit of 2,729 Businesses Across Five Generative AI …

J House - Available at SSRN 6731878, 2026

El trabajo utiliza una auditoría multiplataforma de 2,729 negocios para evidenciar que las señales off-page impactan la visibilidad en búsqueda de IA de forma distinta según el modelo. Para equipos GEO, esto se traduce en priorizar la medición por modelo y plataforma y en ajustar la estrategia de señales externas (por ejemplo, menciones y autoridad) antes de escalar campañas.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Developing B2B Sales in IT Consulting: Digital Self-Service and Discoverability in the Era of Generative AI

J Pasma

El paper conecta el autoservicio digital con la confianza y explica cómo la discoverability puede influir en la disposición a comprar sin contacto humano en ventas B2B de consultoría TI. Aporta un marco para aplicar generative engine optimization (GEO) orientado a motores de IA, mejorando el hallazgo del servicio cuando los prospectos buscan respuestas y proveedores con ayuda generativa.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

ENDEX: Endorsement Index How Language Models Qualify When Citing-Empirical Evidence from Generative AI Engines

J Telles

Propone ENDEX (Endorsement Index) para medir y auditar cómo los modelos de lenguaje “cualifican” las fuentes cuando citan evidencia empírica en salidas generativas. Te ayuda a evaluar de forma sistemática la calidad y el respaldo de las citas frente a criterios operativos, reduciendo la incertidumbre en la trazabilidad de la información.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

From Invisible to Cited: A Case Study of Generative Engine Optimisation for AI Search Recognition Among Indian Student Founders

AK Singh - Available at SSRN 6621019, 2026

Presenta un estudio de caso sobre Generative Engine Optimisation (GEO) para que perfiles y contenidos sean reconocidos y citados por motores de búsqueda generativa. Sirve como guía práctica para equipos GEO al mostrar cómo aumentar la visibilidad en plataformas líderes como ChatGPT, Google Gemini, Meta AI y Perplexity AI.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

[HTML] Knowledge Formation Optimization: A Framework for Shaping AI Conceptual Representations in Advance of Retrieval

A Paul

El estudio propone “Knowledge Formation Optimization (KFO)” y lo contrasta con “GEO”, analizando cómo una mejora de citación por consultas directas puede no traducirse en atribución espontánea estable en consultas cercanas y de decisión comercial, tras aplicar un caso documentado.

Datos y qué significa para ti

Datos clave

  • En un estudio previo citado de GEO, al optimizar contenido se logra “hasta un 40%” de mejora en visibilidad/citación en respuestas de motores generativos (sobre un total de 10.000 consultas)
  • El paper distingue dos resultados medidos/observados en el caso: (1) mejora de citación en consultas directas (“retrieval visibility” alta) y (2) aparición posterior de “atribución espontánea estable” y generación de respuesta orientada a decisión comercial en clases de consulta adyacentes
  • El paper afirma una predicción discriminante: con optimización tipo GEO, puedes ver mejoras de citación en consultas objetivo, pero “no por sí sola” lograr atribución espontánea estable en clases adyacentes cuando el “baseline” está ausente o dominado por señales intermediarias; con KFO se espera que ocurran ambos
  • Define 3 condiciones concretas del problema de “formation layer”: ausencia, dominancia de señales intermediarias y “conceptual dilution” (dilución conceptual)
  • Presenta 5 principios operativos de KFO (5 “operating principles”) como base del método para tratar el problema de formación antes de cualquier recuperación/citación

Conclusión

El paper muestra que mejorar la citación en consultas directas (lo que GEO optimiza) no garantiza atribución espontánea estable y uso consistente de la marca como marco evaluativo en consultas adyacentes y comerciales; esos resultados aparecen solo cuando el “baseline” de representación se construye con el enfoque KFO. Con sus datos observacionales, el estudio sostiene que el fallo de la “formation layer” es un problema distinto al fallo de visibilidad por recuperación, y por eso KFO define resultados de éxito diferentes a GEO.

Para ti

Para un consultor SEO/GEO, este paper te ayuda a no confundir “me apareces citado cuando te nombran” con “la IA te usa de forma consistente sin que te mencione” en preguntas cercanas y de decisión comercial. Si el paper tiene razón, el gap típico (citas que sí, atribución espontánea que no) puede explicarse por ausencia/dominancia/dilución en la capa de formación, no por falta de señales de recuperación.

Leer el estudio original

Estrategia2026Google Scholar

[PDF] From keywords to intelligence: A comparative framework analysis of SEO, AEO, and GEO in AI-driven digital ecosystems

SK Iyappan - GOYBO International Journal of Marketing …, 2026

Propone un marco comparativo para pasar de palabras clave a inteligencia, conectando SEO, AEO y GEO en ecosistemas digitales impulsados por IA. Aporta una base teórica ligada a la arquitectura transformer (Vaswani et al., 2017) para justificar decisiones de optimización y priorizar qué enfoque aplicar según el tipo de señal que usa el motor generativo.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

The Impact of Artificial Intelligence on SEO Strategies An Analysis of Search Engine Evolution and Digital Marketing Adaptation

B Sotte De Carvalho

Analiza cómo la evolución de los motores de búsqueda y la aparición de la Generative Engine Optimization (GEO) obligan a replantear las estrategias de visibilidad más allá del SEO tradicional. Ofrece una guía de adaptación para profesionales GEO, enfocada en cómo ajustar el contenido y los enfoques de marketing digital conforme cambian las reglas de indexación y entrega.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

The Disruption of Search Engine Optimization by Large Language Models: A Mixed-Methods Analysis of the Evolving Search Landscape

V Pagadala - Available at SSRN 6512878, 2026

Analiza cómo los modelos de lenguaje grandes están alterando el panorama de búsqueda y qué implicaciones tiene para la eficacia de las estrategias de Generative Engine Optimization (GEO). Propone evidencia sobre la visibilidad de consultas relevantes, mostrando diferencias marcadas como “ChatGPT search” con un valor de 9 frente a “generative engine optimization” con un valor de 3, útil para priorizar esfuerzos y medir impacto en canales emergentes.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Generative AI Advertising as a Problem of Trustworthy Commercial Intervention

J Qiu, Q Mei - arXiv preprint arXiv:2605.18673, 2026

El estudio analiza cómo los sistemas publicitarios basados en IA generativa pueden influir al usuario y qué tipo de intervenciones (desde menciones de producto hasta cambios de preferencia a largo plazo) son más difíciles de detectar y medir.

Datos y qué significa para ti

Datos clave

  • El paper propone una taxonomía de influencia en 4 niveles: (1) menciones de producto, (2) encuadre de la información, (3) redirección del comportamiento, y (4) moldeado de preferencias a largo plazo
  • Afirma que los sistemas publicitarios desplegados mantienen una “frontera visible” entre contenido comercial y respuestas generadas por IA (según lo que se describe en el estudio)
  • El estudio señala evidencia empírica de que cuando los anuncios quedan integrados dentro de las salidas del modelo de lenguaje, a menudo los usuarios no los detectan (sin dar porcentaje en el texto proporcionado)
  • Concluye que tanto sistemas desplegados como mecanismos diseñados concentran la intervención en el nivel más “observable” y “fácil de gobernar”, mientras que las formas de influencia más relevantes para la autonomía del usuario quedan “poco entendidas” y sin herramientas de detección, medición ni divulgación (sin cifras en el texto proporcionado)

Conclusión

Con los datos que aporta, el estudio demuestra que en IA generativa la influencia comercial no depende solo de “poner anuncios en un sitio” visible, sino de intervenir en el proceso de generación; y que, en la práctica, la parte más importante para la autonomía del usuario es la menos medida y menos detectable.

Para ti

Para SEO/GEO, este paper aterriza que las menciones “claras” (lo más observable) no son necesariamente donde ocurre la influencia más decisiva en lo que el usuario decide. El estudio sugiere que, si una IA puede integrar o dirigir el contenido sin que el usuario lo detecte, ahí es donde se decide el sesgo (aunque el texto no da métricas para cuantificarlo).

Leer el estudio original

Estrategia2026Google Scholar

Agentic Recommendation Optimization: A Blueprint for the Post-Search Economy

G Holmes - Available at SSRN 6284098, 2026

Propone un blueprint para optimizar recomendaciones basadas en agentes (post-search), ayudando a diseñar flujos de decisión que mejoran la relevancia frente a un usuario humano y no solo frente a un motor de búsqueda. Reencuadra prácticas de Answer Engine Optimization y Generative Engine Optimization en un enfoque unificado para iterar en cada ciclo de recomendación.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Beyond AEO: The AI Visibility Stack and the Era of Agent Discovery Optimization

G Marco - Available at SSRN 6262219, 2026

Propone un marco de “AI Visibility Stack” para orientar la optimización hacia el descubrimiento de agentes y herramientas más allá de AEO, útil para equipos GEO que hoy dependen de señales dispersas. Ayuda a convertir el enfoque de ranking a compatibilidad y descubribilidad en motores generativos, anticipando cambios en cómo se encuentran y seleccionan recursos por agentes.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

[PDF] Geo Readiness Audit As A Brand Imperative: Rethinking Digital Visibility In The Era Of Ai-Mediated Consumer Discovery

L Crăciun, AM Traistaru, PC Crăciun - Management and Marketing …, 2026

El estudio revisa qué señales hacen que los motores con IA (tipo ChatGPT/Gemini/Perplexity) citen una marca y analiza, con datos de millones de sesiones, cómo cambia esto respecto al SEO tradicional, además de proponer un “auditoría de preparación GEO”.

Datos y qué significa para ti

Datos clave

  • Analizó 1,96 millones de sesiones mediadas por LLM (entre noviembre de 2024 y noviembre de 2025) provenientes de varios sectores (e-commerce, SaaS, legal, salud y publishing)
  • Según el informe de industria “AI Visibility Report”, el estudio usa datos de más de 680 millones de citas de LLM para estudiar patrones de citación
  • Los visitantes que llegan vía citas de LLM convierten hasta 9 veces más que los que llegan desde búsqueda orgánica tradicional (cita atribuida a Bell, 2025)
  • Aunque la conversión de LLM es mucho mayor, solo el 16% de las marcas monitorea de forma sistemática su presencia en búsquedas con IA (dato del propio resumen del estudio)
  • En el experimento citado (GEObench, 10.000 consultas), las señales clásicas de SEO como la densidad de palabras clave tuvieron influencia mínima en la probabilidad de cita; en cambio, señales ligadas a “autoridad epistémica” (estadísticas y citas/fragmentos de autoridades) mejoraron la visibilidad hasta en un 40%

Conclusión

El estudio demuestra que en motores generativos la citación no depende tanto de señales típicas de SEO (como keyword density), sino de señales de “evidencia y autoridad”, y además que el tráfico citado por LLM puede convertir mucho mejor. Aun así, la mayoría de marcas no está monitoreando su visibilidad en IA (solo 16%), lo que sugiere un desajuste entre impacto real y control/medición.

Para ti

Para un consultor SEO/GEO, el mensaje operacional del estudio es que “diseñar para rankear” no es suficiente: la citación mejora cuando el contenido aporta evidencia (estadísticas) y referencias a autoridades (citas/fragmentos), porque esas señales empujan la probabilidad de ser citado. Y el dato del 16% indica que, en la práctica, el mayor hueco de mercado no es solo el contenido, sino no medir/monitorizar la presencia en respuestas con IA.

Leer el estudio original

Medición2026Google Scholar

Shopping Smarter with AI? Evaluating Generative AI Platforms' Accuracy in Providing Promotional Information During Smartphone Launches

Y Jung, K Govindarazan - Proceedings of the Extended Abstracts of the …, 2026

Evalúa la precisión con la que distintas plataformas de IA generativa entregan información promocional durante lanzamientos de smartphones, lo que permite medir su fiabilidad para búsquedas de intención comercial. Aporta un enfoque de evaluación orientado a GEO para reducir el riesgo de desinformación en rich snippets y resultados asistidos, comparando rendimiento entre plataformas.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

From information retrieval to agentic action: A framework for brand visibility in AI-mediated markets

MG Figueira

Propone un marco para conectar la recuperación de información con la acción de agentes, con el objetivo de aumentar la probabilidad de que la marca sea citada en respuestas sintetizadas. Ayuda a convertir el concepto de Generative Engine Optimization (GEO) en un proceso aplicable para medir y mejorar la visibilidad en mercados mediados por IA.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

The Impact of Generative AI on B2B Marketing Processes: Evidence from Industrial Firms

M Vesterinen, J Mero, M Skippari, H Karjaluoto…

El estudio analiza, con 43 entrevistas a líderes de marketing e IA en firmas industriales multinacionales, cómo se usa la IA generativa en procesos de marketing B2B y qué cambios produce en tareas y habilidades.

Datos y qué significa para ti

Datos clave

  • Se basó en 43 entrevistas semiestructuradas a líderes de IA y marketing (tanto de firmas industriales multinacionales como de proveedores de tecnología)
  • El impacto de la IA generativa es “desigual”: afecta sobre todo la fase de implementación, aumentando la automatización y la personalización
  • El uso de IA generativa para “gestión de la información” y para “planificación” se describe como poco sistemático (no aparece como un cambio organizado en esos pasos)

Conclusión

Con sus datos, el estudio muestra que en marketing B2B industrial la IA generativa se está aplicando de forma más transformadora en la ejecución (automatiza y personaliza más) que en la información y la planificación (donde el patrón es menos organizado).

Para ti

Para SEO/GEO, el mensaje práctico es que la automatización con personalización es donde antes se notan cambios operativos, mientras que la citación y el “qué fuentes se usan” no aparecen como un proceso ordenado en fases tempranas (gestión/planificación) según el estudio; por tanto, este paper aporta más contexto sobre adopción y roles que una palanca directa para conseguir citas con IA.

Leer el estudio original

Medición2026Google Scholar

Innovations for AI-driven marketing pedagogy across generations: Hybrid approaches for SEO and GEO instruction

M Pettiette, R Conde, S Fischbach - Marketing Education Review, 2026

El paper usa preguntas autoevaluadas para medir el nivel de habilidades en Generative Engine Optimization (GEO), lo que permite diagnosticar brechas por generaciones y ajustar la formación. Te ayuda a diseñar y evaluar una instrucción híbrida de SEO y GEO con base en datos de capacidad percibida, mejorando la planificación de contenidos y prácticas formativas.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

The Knowledge Structuring Model (KSM™): A Socio-Technical Framework for AI-Mediated Visibility and Citation Authority

DA Bowen - Available at SSRN 6721140, 2026

Propone el modelo KSM™ como marco socio-técnico para pasar de SEO a AEO/GEO manteniendo autoridad de citación y visibilidad en motores de respuesta generativa. Ayuda a equipos GEO a estructurar decisiones y evidencias que influyen en la “citation authority” de forma operativa, reduciendo riesgo de pérdida de autoridad al cambiar de paradigma de búsqueda.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

What Makes an LLM Trust Your Source?

E Aşkın, M Baykara - 2026 8th International Congress on …, 2026

El texto no contiene el contenido del estudio, solo metadatos/página de IEEE Xplore, así que no se puede saber qué investigó ni qué mide.

Datos y qué significa para ti

Conclusión

Con el material proporcionado no hay datos verificables del estudio, por lo que no puedo extraer hallazgos concretos sobre por qué esas IA citan una fuente.

Para ti

Puedo resumirlo y convertirlo en acciones solo si pegas el cuerpo del paper (método y resultados) o al menos las tablas/figuras y conclusiones. Con este extracto no hay cifras ni resultados, así que no hay nada accionable.

Leer el estudio original

Estrategia2026Google Scholar

UNIVERSITY OF LUCKNOW FROM SEARCH TO SMART

D Verma, D Divyanka

El paper analiza la transición de SEO tradicional a Generative Engine Optimization, explicando cómo cambian las tácticas cuando la visibilidad depende de motores generativos. Aporta un marco para pasar de optimizar para rankings a optimizar para la generación de respuestas, útil para planificar y priorizar acciones GEO en servicios universitarios.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

OPTIMIZATION OF GENERATIVE ENGINE IN TRANSFORMING DIGITAL VISIBILITY IN AI SEARCH

A Febisatria

El paper usa una revisión sistemática de la literatura (SLR) para mapear cómo se ha desarrollado el concepto de Generative Engine Optimization (GEO), lo que permite comparar enfoques y madurez entre trabajos. Esta síntesis ayuda a detectar vacíos y riesgos metodológicos en GEO, mejorando la toma de decisiones para definir una estrategia de visibilidad en búsqueda impulsada por IA.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

SEEN: A Four-Layer Framework for Generative Engine Optimization

D Kargaev

Propone un marco en cuatro capas para implementar Generative Engine Optimization (GEO), combinando documentación de plataformas con hallazgos de SEO conversacional y resultados observados en Google AI Overviews. Ayuda a estructurar decisiones de contenido, recuperación y alineación con sistemas generativos para mejorar la visibilidad en entornos de motores conversacionales y de respuesta.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Generative Engine Optimization: A Three-Layer Semantic Framework for Content Visibility in AI-Powered Search

G Sankaran

El paper estudia cómo una estrategia llamada Generative Engine Optimization (GEO) mejora que las IAs citen un contenido en respuestas generadas, probándolo con dos casos reales (incluida una página de reseñas de un curso, SOYA) y midiendo tasas de citación en ChatGPT y Perplexity.

Datos y qué significa para ti

Datos clave

  • En el caso SOYA, la tasa de citación pasa de 0% a 77,1% en ChatGPT y Perplexity, a pesar de que el posicionamiento tradicional en buscadores era débil o pobre
  • El paper reporta que “solo” las señales de SEO (posicionamiento/autoridad tradicionales) no fueron suficientes para generar citas en motores generativos (es decir, las clasificaciones por sí solas no produjeron citaciones)
  • El modelo GEO se descompone en 3 capas semánticas (Semantic Anchoring, Context Triggering y Pragmatic Recomposition) y el estudio mide el papel de cada capa en la visibilidad de la cita dentro de respuestas generadas
  • Presentan 5 métricas cuantitativas para medir “la preparación” del contenido para GEO (GEO readiness) y así orientar cómo ajustarlo para IA-buscadores generativos

Conclusión

Según los datos del estudio, las IAs empiezan a citar mucho más cuando el contenido está semánticamente preparado para ser “extraíble” y entendible (las capas de GEO), incluso si el SEO tradicional no está funcionando. El propio caso muestra que el aumento de citaciones (hasta 77,1%) ocurre pese a que las clasificaciones orgánicas por sí solas no impulsaron citas.

Para ti

Para un consultor SEO/GEO, este paper sugiere que la citación depende menos del “rank” tradicional y más de que el contenido sea semánticamente anclable, dispare contexto y se pueda recomponer en fragmentos (FAQ/listas/hechos) que la IA pueda reutilizar. En la práctica, tu prioridad medible debería ser lograr que el contenido pase de 0 a niveles altos de citación en IAs como ChatGPT/Perplexity, porque el estudio muestra que el posicionamiento solo no garantiza ese salto.

Leer el estudio original

Riesgos2026Google Scholar

Generative Engine Optimization (GEO): revisión de enfoques, métricas y estrategias

R Alcaraz-Martínez, A Sulé

El estudio revisa la literatura sobre Generative Engine Optimization (GEO) y muestra qué criterios y estrategias se repiten para que contenidos influyan en las respuestas de buscadores basados en LLM (visibilidad, influencia y verificabilidad).

Datos y qué significa para ti

Datos clave

  • La revisión concluye que hay una “convergencia” alrededor de 3 tipos de métricas: visibilidad, influencia y verificabilidad (las analiza como foco recurrente en los trabajos revisados)
  • Entre las estrategias que más se repiten, el estudio identifica mejora de calidad y estructura del contenido como un eje recurrente (aparece como estrategia central en la literatura GEO revisada)
  • También se repite el uso de datos estructurados como estrategia recurrente para mejorar la atribución/uso por los sistemas generativos (medida como parte del set de estrategias GEO)
  • Otra estrategia recurrente identificada es el refuerzo de la autoridad y la optimización basada en entidades (vinculada a mejorar la influencia/atribución del contenido en respuestas)

Conclusión

Con los datos de su revisión, el paper sostiene que en GEO ya no basta con “posicionarse”: lo que se busca es que el contenido sea usado y atribuible por los sistemas generativos, medido sobre todo con visibilidad, influencia y verificabilidad, y logrado mediante calidad/estructura, datos estructurados, autoridad y trabajo por entidades.

Para ti

Si tu objetivo es ser citado o usado por IA, este estudio te ancla a medir/validar en el mismo eje que la literatura: no solo alcance, sino influencia y verificabilidad. Y como conjunto de prácticas, te indica que lo más repetido como palanca para esa atribución es combinar calidad/estructura con datos estructurados, señal de autoridad y optimización por entidades.

Leer el estudio original

Estrategia2026Google Scholar

From the click race to the citation game: a conceptual exploration of the shift from search engine optimisation to generative engine optimisation

U de Oliveira

El texto no es un estudio sobre citaciones de IA: explica un sistema anti-scraping (Anubis) basado en “proof-of-work” para frenar el acceso automatizado de empresas de IA a sitios web.

Datos y qué significa para ti

Datos clave

  • El sistema se basa en un esquema de “Proof-of-Work” tipo Hashcash para encarecer el scraping a gran escala
  • Indica que el coste extra es “ignorable a escala individual”, pero “se acumula” cuando el scraping es masivo, causando que sea mucho más caro
  • Aclara que es una solución provisional que busca dar tiempo para “fingerprinting” (identificar navegadores sin cabeza), por ejemplo mediante cómo se renderizan las fuentes
  • Se menciona que Anubis requiere JavaScript moderno y que no funciona si plugins como JShelter lo bloquean, porque “sadly, you must enable JavaScript to get past this challenge”

Conclusión

Este texto no mide qué hace que una IA cite fuentes, sino que describe cómo un sitio intenta evitar que rastreadores automatizados (incluidos los de empresas de IA) accedan y provoquen caídas o indisponibilidad.

Para ti

Para un consultor SEO/GEO, el mensaje operativo es que la disponibilidad del contenido para rastreo/copia puede depender de si el sitio exige JavaScript y de si aplica barreras anti-scraping; si la IA no puede acceder, es lógico que no “tome” esa fuente, aunque el texto no aporte números sobre citaciones.

Leer el estudio original

Estrategia2026Google Scholar

GENERATIVE INFORMATION ENGINE: GENERATIVE ENGINE OPTIMIZATION AND THE NEXT LAYER OF GLOBAL COMMERCE AND DECISION MAKING

E Marutheesh, G Mohanty

El texto pegado no contiene el contenido de un estudio ni resultados medibles: parece solo una captura/ruido de una página de Google Scholar sin datos sobre por qué o cuántas veces citan fuentes las IA.

Datos y qué significa para ti

Conclusión

Con este material no es posible afirmar hallazgos del estudio sobre qué hace que una IA cite una fuente, porque no hay métricas, análisis ni resultados incluidos en el texto proporcionado.

Para ti

Para poder resumirlo con cifras y conclusiones accionables basadas en el estudio, necesitas pegar el apartado de resultados (o el resumen/abstract) donde aparezcan porcentajes, tamaños de muestra o reglas de cita; este fragmento no aporta nada específico.

Leer el estudio original

Estrategia2026Google Scholar

Machiavellian Marketing in the Age of Generative Engines: A Strategic Framework for GEO

H Stone

Propone un marco estratégico para aplicar Machiavellian marketing en GEO, orientado a influir cómo los motores generativos seleccionan, estructuran y reproducen información. Ayuda a definir tácticas y criterios de decisión para mejorar la efectividad de la optimización en contextos de generación automática, reduciendo la improvisación táctica.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Quantifying Uncertainty in AI Visibility: A Statistical Framework for Generative Search Measurement

R Sielinski

El estudio mide cómo varía la “visibilidad por citación” (qué dominios citan las respuestas) en tres motores de búsqueda generativa—Perplexity, OpenAI SearchGPT y Google Gemini—repitiendo consultas sobre tres temas de productos y comparando mediciones de un solo muestreo frente a muestreo repetido.

Datos y qué significa para ti

Datos clave

  • Usa dos regímenes de muestreo: recopilaciones diarias durante 9 días y muestreo de alta frecuencia cada 10 minutos
  • Encuentra que las distribuciones de citaciones siguen una forma tipo ley de potencias (power-law), en lugar de concentrarse alrededor de un valor único estable
  • Con intervalos de confianza bootstrap, una parte de las diferencias “aparentes” entre dominios cae dentro del “ruido” del proceso de medición (o sea, no son estadísticamente concluyentes)
  • La estabilidad del ranking por citaciones es baja: los rankings cambian entre muestras, tanto entre los dominios mejor posicionados como dentro del conjunto de dominios que aparecen con más frecuencia

Conclusión

El paper demuestra que, en búsquedas generativas, medir visibilidad con una sola ejecución produce una imagen con precisión engañosa: las citaciones cambian lo suficiente como para que rankings y diferencias entre dominios no sean consistentes sin estimar incertidumbre. Por eso, la “visibilidad” por citación debe reportarse con medidas de incertidumbre y no como un número fijo.

Para ti

Si tu equipo usa métricas de citación de una sola corrida para decidir objetivos (quién citar, qué dominios “ganan”), este estudio sugiere que puedes estar sobre-interpretando cambios que en realidad son variación de muestreo. La señal accionable que aporta es exigir muestreo repetido y/o intervalos de confianza para saber si un dominio realmente “mejora” o si solo fluctúa.

Leer el estudio original

Riesgos2026Google Scholar

The SMB AI Governance Charter

O El Ouarzazi

Propone una carta de gobernanza para SMB que traduce las prácticas de GEO en reglas operables para mitigar riesgos de sesgo, alucinaciones y variaciones de resultados en motores generativos. Aterriza controles de calidad y auditoría de cambios siguiendo el enfoque citado por Princeton y Georgia Tech, para aumentar la estabilidad de rendimiento cuando los métodos GEO mejoran visibilidad.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Redefining Media Relations in the Age of AI-Generated Summaries: A Conceptual Framework for Digital Media Sustainability

RNA Harun, S Komariah, SN Widyawati…

El estudio analiza, con una revisión de literatura y tendencias 2024–2026 (y citando normativa indonesia 2024), cómo cambia la forma en que se atribuyen y citan marcas en resúmenes generados por IA y qué mide (o deja de medir) la “visibilidad” de PR y medios.

Datos y qué significa para ti

Datos clave

  • Plantea que métricas tradicionales como “page views” e “impressions” quedan “obsoletas” porque el usuario recibe el resumen directamente (zero-click), en vez de hacer clic a la fuente
  • Usa un marco propuesto llamado “Symbiotic Data Supply Chain” para redefinir el intercambio entre PR y medios como suministro de datos estructurados para que la IA otorgue autoridad/citas
  • Introduce una competencia específica para sostener atribución: “Brand Citation Authority (BCA)” (autoridad para ser citado por marca) y lo vincula a “Generative Engine Optimization (GEO)”
  • Afirma que la investigación sintetiza literatura y tendencias “de 2024 a 2026” e incluye un análisis de la Regulación Presidencial de Indonesia No. 32 de 2024 (mencionada como insumo, sin cuantificar resultados en el texto proporcionado)

Conclusión

Este trabajo no prueba con un experimento cuantitativo qué porcentaje de veces citen las IAs, pero sí sostiene (con base en su revisión conceptual) que, en modo zero-click, la citación/atribución depende menos de métricas de tráfico y más de que PR y medios ofrezcan datos de calidad y estructurados para que los resúmenes generados por IA asignen autoridad a la marca.

Para ti

Como consultor SEO/GEO, este estudio te da una pista accionable en el sentido “conceptual”: si tu marca quiere aparecer citada/atribuida en resúmenes, el foco pasa a la disponibilidad de datos estructurados y atribuibles (lo que llama BCA/GEO), no a impresiones o visitas. Pero al no aportar cifras de citas reales, sirve más para definir qué debería influir que para estimar cuánto impacta.

Leer el estudio original

Estrategia2026Google Scholar

VS-AEO: A Vertical-Specific Answer Engine Optimization Framework for Local Business Visibility in Large Language Model Responses

MD Aadam Quraishi, F Quraishi

Propone un marco VS-AEO de optimización para motores de respuestas de IA que adapta el enfoque a la vertical del negocio y al patrón de consulta del usuario en conversaciones con LLM. Usa el dataset WildChat-1M para analizar diferencias por industria y convertirlas en recomendaciones accionables para mejorar la visibilidad local dentro de las respuestas de los modelos.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Top Personal Branding Experts and Agencies in the World: A 2026 Practitioner Review and Evaluation Framework

B Sarkhedi, OM Brand

Propone un marco práctico de evaluación para seleccionar expertos/agencias de personal branding que incluyan GenAI engine optimization, con el objetivo de aparecer dentro de respuestas de IA y no solo en resultados de Google. Facilita comparar capacidades y enfoques para que los equipos GEO alineen procesos, entregables y medición de visibilidad en motores generativos con el perfil del cliente.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Brand Legibility: A Construct for Building Brand Equity in AI-Mediated Markets

MG Figueira

Propone el SEI como una métrica cuantitativa para medir la legibilidad de marca en entornos mediados por IA, conectando diseño y rendimiento. Define un modelo operativo, el Brand Legibility Framework, que integra Answer Engine Optimization y Generative Engine Optimization para aumentar el equity en mercados donde la marca compite en respuestas de motores.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Brand Legibility

MG Figueira

Define el SEI (SEI: medida cuantitativa) como un indicador de legibilidad para marcas, útil para auditar qué tan entendible es tu marca para motores de respuesta. Propone un modelo operativo, el Brand Legibility Framework, que integra Answer Engine Optimization y Generative Engine Optimization para mejorar visibilidad en entornos de IA.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

The Rise of AI-Assisted Consumer Information Search: An Exploratory Study on Shifting Purchase Decision Behavior in Indonesia

D Budiman

El estudio encuestó a 1.596 personas en Indonesia (marzo 2026) para medir cómo el uso de herramientas de IA (ChatGPT, Google AI Mode, Gemini y Perplexity) cambia su búsqueda de información y decisiones de compra.

Datos y qué significa para ti

Datos clave

  • El 74,6% de los consumidores en Indonesia dijo haber usado herramientas de IA para investigar productos
  • El 26,4% de los encuestados fueron clasificados como “usuarios intensivos” de IA
  • El 52,3% afirmó que menciones de marcas generadas o mencionadas en IA influyen en su consideración de marca
  • El 79,8% percibe que la IA acelera su proceso de decisión

Conclusión

Según los datos del estudio, la adopción de IA está muy extendida y se asocia a mayor influencia en la consideración de marcas y a una percepción de decisiones más rápidas, lo que indica que la IA ya está cambiando el comportamiento de búsqueda e información que precede a la compra.

Para ti

Para SEO/GEO, este estudio sugiere que el impacto en “consideración” ocurre cuando la IA introduce o repite menciones de marcas (52,3%) y cuando el usuario vive la IA como acelerador (79,8%); por tanto, no basta con tráfico web: importa aparecer dentro de esas respuestas que catalizan la decisión.

Leer el estudio original

Estrategia2026Google Scholar

What Digital Marketing Is: The 2026 Blueprint for High-Velocity Market Dominance

T Hovsepian

El texto define qué hace que una marca sea citada por asistentes de IA (ChatGPT, Gemini, Perplexity y Google AI Overviews) y lo aterriza con métricas y datos que dicen usar Creo, centrados en entidad/markup, “Answer-First” y señales locales.

Datos y qué significa para ti

Datos clave

  • Menciona 38% como “primera estimación” del porcentaje de consultas que ya pasan primero por asistentes de IA antes de que abra un buscador tradicional
  • Indica 88 “Ciudades del condado de Los Ángeles” con declaraciones de entidades geográficas enlazadas a Wikidata dentro del @graph (no como texto plano)
  • Afirma “127+” entidades Schema.org por cliente como mínimo de Creo, frente a un promedio de “3–5” tipos de schema básico en la industria
  • Para crawl, cita una “75% Crawl Waste Rule” (gestión del presupuesto de rastreo) como criterio SEO de su estrategia
  • Para contenido AEO, dice que el contenido debe resolver la consulta en los “primeros 150 palabras” (y usar TL;DR + FAQ con “10+ preguntas” + SpeakableSpecification)

Conclusión

Este estudio (tal como está en el texto) sostiene que las citas de IA dependen sobre todo de que la marca esté estructurada como entidad verificable y “listada” en un grafo (Schema.org @graph + mapeo semántico) y que el contenido esté diseñado como respuesta directa (Answer-First, con foco en primeros 150 palabras) y anclado a geografía consistente. Con esos requisitos, la “Generative Citation Rate (GCR)” sería el equivalente a ser citado como fuente en resúmenes generados por IA.

Para ti

Para un consultor SEO/GEO, la parte operativa que más se puede “aterrizar” con números del texto es la prioridad: más entidades (127+ vs 3–5), geografía en entidades (88 ciudades con Wikidata) y respuesta en el arranque (primeros 150 palabras). Si tu ventaja está en “ser entendible por máquinas” (grafo/coherencia) y no solo en ranking, el estudio lo conecta directamente con GCR; si no tienes esas capas, el propio texto dice que tu GCR sería “cero”.

Leer el estudio original

Estrategia2026Google Scholar

Agentic AI Workflows for Marketing Automation at Scale: A Practical Framework for Digital Marketing Agencies

R Kumar

Propone un marco práctico para implementar flujos de trabajo con agentes de IA en la automatización de marketing a escala, alineándolo con procesos existentes en agencias. Integra explícitamente la Generative Engine Optimization (GEO) con mejores prácticas para mejorar la visibilidad y la eficiencia operativa de los equipos de marketing digital.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Diffusion of Innovation Theory and Social Network Theory: How Ideas Spread and Why Adoption Happens

T Hovsepian

El estudio revisa décadas de investigación para explicar qué factores hacen que una idea se adopte y se difunda (confianza, posición social del mensajero y estructura de la red), conectándolo con el modelo de Rogers y la teoría de redes de Granovetter y Burt.

Datos y qué significa para ti

Datos clave

  • Rogers clasifica adopción en 5 grupos con estos porcentajes: Innovators 2.5%, Early Adopters 13.5%, Early Majority 34%, Late Majority 34% y Laggards 16%
  • El modelo indica que Early Adopters (13.5%) actúan como líderes de opinión y su adopción dispara el comportamiento en cascada del Early Majority (34%)
  • Granovetter (1973) encuentra que la información novedosa cruza límites sociales sobre todo por “weak ties” (conocidos), mientras los “strong ties” (amigos cercanos) tienden a circular información redundante dentro de grupos cerrados
  • En el estudio citado de Granovetter (1973), los empleos se consiguen principalmente mediante conocidos, no mediante amigos cercanos (por la diferencia de mundos sociales a los que acceden)
  • Burt (1992) sostiene que quienes puentean “structural holes” entre clusters desconectados obtienen ventaja competitiva desproporcionada (acceso más temprano a información no redundante y más control del flujo entre mundos)

Conclusión

El artículo concluye que la adopción y la “difusión” no dependen solo de que algo sea nuevo, sino de la confianza y, sobre todo, de la estructura: qué tipo de conexiones llevan la información y en qué posición de la red actúa el mensajero.

Para ti

Para un consultor SEO/GEO, estos hallazgos se traducen en que no basta con “ser relevante”: lo decisivo es si tu marca/entidad aparece como un puente entre grupos (capturando información no redundante) y si tu adopción puede ser observable y creíble vía los “lazos débiles”, porque eso es lo que acelera el salto del grupo temprano al mayoritario según el propio artículo.

Leer el estudio original

Citación2026Google Scholar

Stop Ranking. Start Getting Cited: The CITED Framework for Generative Engine Optimization

N Andrade

El texto pegado no es un estudio con resultados: parece una página/ruido de Google Scholar (mensajes de carga, ajustes e interfaz) y no contiene mediciones sobre qué hace que una IA cite fuentes.

Datos y qué significa para ti

Conclusión

Con este contenido no se puede extraer qué investiga el estudio ni qué encontró: no hay datos ni resultados específicos sobre citas de IA.

Para ti

Este texto no aporta evidencia accionable para SEO/GEO; necesitas el PDF completo o al menos la sección de metodología y resultados del estudio para poder resumir cifras y hallazgos reales.

Leer el estudio original

Medición2026Google Scholar

The Four-Layer AI Visibility Framework

G Marco

Propone un marco de visibilidad en cuatro capas para GEO/AEO, señalando que los enfoques habituales solo cubren la tercera capa y dejan tres capas fundamentales sin definir. Ayuda a tu equipo GEO a estructurar auditorías y mejoras con una ruta más completa para aumentar la visibilidad en sistemas de respuesta, no solo en rankings tradicionales.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Artificial Intelligence and the Transformation of Search

SS Jussel

El paper identifica cómo la evolución de la IA está transformando el buscador y por qué surgen enfoques nuevos como Answer Engine Optimization (AEO) y Generative Engine Optimization (GEO) para capturar la visibilidad en entornos generativos. Proporciona una base conceptual útil para ajustar tu estrategia GEO hacia señales orientadas a respuestas y a la calidad del contenido, en lugar de enfocarte solo en rankings tradicionales.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

The Academic Journal of Humanities & Social Sciences

J Yao

El estudio revisa cómo la IA está cambiando la evolución de e-commerce y compara el paso desde SEO hacia GEO y desde competir por precio hacia competir por valor, apoyándose en proyecciones de mercado de IA en retail.

Datos y qué significa para ti

Datos clave

  • Proyecta que el mercado de IA en e-commerce retail crecerá de 19,98 mil millones de dólares (2025) a 398,65 mil millones de dólares (2034), con un crecimiento anual compuesto del 40,3%
  • Afirma que el papel de la IA en e-commerce cambia de “herramienta asistiva” a “agente autónomo” y que “Agentic Commerce” pasa de lo conceptual a implementación práctica
  • Señala un cambio del foco competitivo de “captación de tráfico” a “calidad y estructuración de datos”, vinculándolo a la evolución operativa desde SEO hacia GEO
  • Describe el cambio de competencia de “precio” a “valor”, afectando producto, experiencia de servicio y eficiencia de la cadena de suministro

Conclusión

Con los datos que aporta, el paper no mide qué hace que una IA cite una fuente, sino que concluye que la IA está reordenando la lógica competitiva de e-commerce (incluyendo el giro de SEO a GEO y de precio a valor).

Para ti

Como contexto para GEO, el estudio sugiere que el valor para las IA no se limita a “tráfico”: pesa más la calidad/estructura de datos y la entrega de valor (producto, servicio y suministro). Pero no aporta métricas ni hallazgos directos sobre citación de fuentes, así que no se puede usar para inferir exactamente qué tipo de páginas consiguen más citaciones.

Leer el estudio original

Riesgos2026Google Scholar

The Selection Layer: Structured Eligibility Declarations for AI-Mediated Business Discovery

B Zhgenti

Propone una “capa de selección” con declaraciones de elegibilidad estructuradas que se sitúa antes de técnicas de optimización como AEO y GEO, ayudando a controlar qué contenido puede ser descubierto o activado por sistemas de IA. Reduce el riesgo de descubrimiento no deseado y mejora la gobernanza al hacer trazables los criterios de elegibilidad desde la arquitectura previa a la optimización.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Enshittification as a Framework for Considering Policy Approaches to Generative AI

PM Napoli, A Ragun

Propone usar la enshittification como marco para anticipar cómo pueden degradarse calidad, acceso y valor en plataformas de IA generativa a medida que escalan. Ayuda a orientar enfoques de política y gobernanza al identificar señales tempranas de declive y definir salvaguardas antes de que afecten a usuarios y ecosistemas.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

I Rank on Page 1--What Gets Me Cited by AI? Position-Controlled Analysis of Page-Level and Domain-Level Predictors of AI Search Citation

A Lee

El trabajo analiza qué señales a nivel de página y de dominio influyen en que un URL sea citada por búsquedas de IA, usando un enfoque de “control de posición” para separar efectos por ranking. Aporta criterios accionables para GEO al identificar predictores distintos entre página y dominio, ayudando a priorizar optimizaciones orientadas a aumentar la probabilidad de citación en la primera página.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

How can UtrechtInc's social media content strategy and digital discoverability practices be developed to improve engagement and attract qualified candidates …

C Farrell

El texto que has compartido no contiene un estudio sobre IA y citaciones: es solo una página/fragmento de Google Scholar con mensajes de interfaz, sin datos ni resultados de investigación.

Datos y qué significa para ti

Conclusión

Con este material no se puede determinar qué hace que las IA citen una fuente, porque no hay metodología, mediciones ni hallazgos del estudio.

Para ti

Necesitaría el texto real del paper (la parte de resultados o conclusiones) para extraer cifras concretas. Con este fragmento solo puedo confirmar que no hay información útil sobre citaciones por IA.

Leer el estudio original

Riesgos2026Google Scholar

Cognitive Sovereignty in the Age of Algorithmic Governance: The Architecture of Desire and the Battle for Human Autonomy

A Noferesti

Plantea cómo la gobernanza algorítmica puede limitar la autonomía humana al dirigir decisiones mediante nuevas arquitecturas de deseo, especialmente con motores generativos. Anticipa una transición acelerada hacia la generative engine optimization que reduce los embudos tradicionales a milisegundos, con impacto directo en estrategia GEO y necesidad de controles de riesgo.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

A Study on Digital Marketing Process for FinTech Products

M Arun, JP Karthik

El estudio revisa, con datos de 2019 a 2024, cómo cambia el proceso de marketing digital en un caso B2B de FinTech (FinTech Products) al pasar de un funnel lineal a un modelo de crecimiento, y mide qué impacto tiene en métricas como tráfico web y generación de leads.

Datos y qué significa para ti

Datos clave

  • La eficacia global del proceso pasa de 5,5 a 8,2 sobre 10 entre 2019–2024
  • El tráfico anual del sitio web aumenta un 167%
  • La generación de leads crece un 214%
  • El trabajo enmarca el cambio desde funnels tradicionales hacia un modelo de “growth flywheel” y la aparición de GEO (Generative Engine Optimization)

Conclusión

El estudio concluye que una operación digital más madura y estructurada, con enfoque data-driven, se asocia a mejoras claras en rendimiento (eficacia, tráfico y leads) en el caso analizado. No aporta mediciones directas de citas por IA (por ejemplo, cuántas veces cita ChatGPT/Perplexity/Gemini/Claude/Google AI una fuente), así que su evidencia es sobre resultados de marketing digital, no sobre “ser citado”.

Para ti

Como consultor SEO/GEO, este paper sirve sobre todo para justificar el foco en procesos y optimización orientados al crecimiento (incluida GEO) por sus subidas en tráfico y leads, pero no da datos que permitan inferir qué tipo de fuentes hace que una IA cite tu contenido.

Leer el estudio original

Medición2026Google Scholar

The SEO Floor: Measuring Google Rank Distribution of AI-Cited Pages

A Lee

Propone medir la distribución de rangos de Google específicamente en páginas citadas por IA, para evaluar si el GEO difiere del SEO tradicional. Ofrece un marco para identificar el “SEO floor” y comparar visibilidad real entre páginas con citación IA, ayudando a definir objetivos y benchmarks GEO basados en datos.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

THE IMPACT OF ARTIFICIAL INTELLIGENCE ON GOOGLE SEARCH RESULTS: TRANSFORMATION OF CONTENT CONSUMPTION PATTERNS

IE Vitushkin

El estudio analiza cómo la búsqueda generativa en Google (SGE y AI Overviews) cambia el consumo de contenido y reduce el tráfico orgánico, comparando métricas globales con el caso del sitio zembaron.ru.

Datos y qué significa para ti

Datos clave

  • En el caso zembaron.ru, el tráfico diario desde Google pasó de ~4000 visitas/día a ~40 visitas/día en 2025-2026: una caída del 99% (según el análisis con Yandex.Metrika)
  • Para zembaron.ru, los picos del periodo 2016-2021 fueron de 120.000 visitas/mes (aprox. 3800-4000 visitas/día), antes del desplome
  • El estudio macro citado (University of Washington) analizó 52.262 artículos de Wikipedia en inglés y encontró que AI Overviews reduce el tráfico orgánico diario en promedio un 15-17%
  • En ese análisis de 52.262 artículos, la pérdida estimada asociada a AI Overviews equivale a 4,2 mil millones de visitas/año
  • Según el mismo estudio macro, las caídas fueron mayores en temas de tipo cultural-bытовой y legal, y las instrucciones/guías fueron las más afectadas (mencionan que las instrucciones como categoría sufrieron la máxima canibalización; en el caso zembaron.ru el efecto llegó al 99%)

Conclusión

Con sus datos, el estudio muestra que la búsqueda generativa en Google canibaliza el tráfico orgánico: sustituye el clic al origen por respuestas/resúmenes en la propia SERP (zero-click) y deja especialmente dañadas las páginas de instrucciones y contenido procedimental.

Para ti

Para SEO/GEO, este paper ancla un riesgo medible: en nichos de “paso a paso” y legales (YMYL), el paso a AI Overviews puede llevar a pérdidas extremas de tráfico desde Google (en el caso del estudio, -99%). También sugiere que el impacto no es solo de un sitio: en el gran análisis con Wikipedia, el efecto promedio fue -15% a -17% y se concentra más en categorías donde la IA puede dar una respuesta corta completa.

Leer el estudio original

Riesgos2026Google Scholar

The Decision No One Authored: The Answerability Gap in Generative AI

LF Walton

Identifica el “gap de capacidad de respuesta” en IA generativa: aunque una persona pueda tener control (p. ej., capacidad de sobrescritura), puede no quedar como autora real de la decisión y el accountability se diluye. Úsalo para evaluar riesgos de cumplimiento en procesos GEO y de contenido con IA, reforzando trazabilidad, validación humana y auditoría de quién aprueba qué.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

A GEO-First Framework: Integrating Search Visibility, Sentiment, and Digital Authority for Organic Growth in the AI Era

U Samet

Propone un marco GEO-First que integra visibilidad en buscadores, gestión de reputación online y autoridad digital para impulsar crecimiento orgánico en la era de la IA. Ayuda a operacionalizar decisiones de contenido y SEO conectándolas con señales de presencia y sentimiento, mejorando la coherencia del plan y la priorización de acciones.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Beyond Hallucination: Evaluating Cultural and Institutional Misinterpretation in Public-Facing LLMs

O Bohatov

Propone evaluar LLMs en entornos públicos no solo por alucinaciones, sino por interpretaciones erróneas culturales e institucionales que pueden dañar la calidad percibida y la confianza. Enmarca la necesidad de pasar de SEO tradicional a Generative Engine Optimization para instituciones, alineando criterios de evaluación con el contenido y la intención que estos modelos exhiben al usuario.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Zero Click Marketing and the Measurement of Distributed Influence: Evidence from Search, Social Platforms, Generative AI, and Google Marketing Live 2026

E Alcolea

Propone un marco de medición para Zero Click Marketing que evalúa exposición, comprensión, recuerdo, confianza y demanda futura en múltiples superficies como búsqueda, redes sociales y plataformas de IA generativa. Ofrece un enfoque aplicable a GEO para cuantificar influencia distribuida y conectar señales de atención a resultados futuros, usando evidencia y discusión del entorno de Google Marketing Live 2026.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Optimizing Digital Visibility-SEO Strategies in Modern E-Commerce

N Patki

El paper revisa literatura sobre SEO en e-commerce y explica qué factores (técnicos, de experiencia de usuario y de relevancia semántica) influyen en la visibilidad orgánica, pero no aporta datos específicos sobre citas de IA (ChatGPT/Perplexity/Gemini/Claude) ni mide ese efecto.

Datos y qué significa para ti

Datos clave

  • No hay resultados medidos en el documento: se indica que es una “revisión sistemática de literatura” y el estudio dice que “Downloads / Download data is not yet available”
  • En el texto no aparece ninguna métrica cuantitativa sobre IA citando fuentes (por ejemplo, % de menciones, tasa de cita, modelos analizados o corpus de páginas)
  • Las fuentes listadas en referencias son sobre e-commerce/SEO y otros temas, pero el paper no presenta un análisis empírico propio que relacione una fuente concreta con que una IA la cite
  • La contribución descrita es síntesis y “futuras líneas de investigación”, sin experimentos ni conteo de citas por modelo de IA

Conclusión

Este estudio no demuestra qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen una fuente; su foco es SEO en e-commerce y la relevancia orgánica, sin datos propios que midan el comportamiento de citación por IA.

Para ti

Útil para contexto sobre qué señales SEO tienden a mejorar visibilidad en e-commerce, pero con el texto actual no puedes usarlo para justificar tácticas basadas en “ser citado por IA” porque no hay mediciones ni cifras sobre citación.

Leer el estudio original

Estrategia2026Google Scholar

СРАВНИТЕЛЬНАЯ ОЦЕНКА ЭФФЕКТИВНОСТИ ОТЕЧЕСТВЕННЫХ СЕРВИСОВ ПРОДВИЖЕНИЯ В ГЕНЕРАТИВНЫХ ПОИСКОВЫХ СИСТЕМАХ

РЕ Иванов, СС Иванова

El estudio compara 5 servicios rusos de GEO (optimización para visibilidad en búsquedas generativas) con una metodología de 13 criterios y muestra cuánto cubre cada uno el ciclo completo desde diagnóstico hasta prueba de aumento de menciones en respuestas de IA.

Datos y qué significa para ti

Datos clave

  • Se evaluaron 5 servicios (GeoWatch, GEO Scout, VisioBrand, Rush Analytics, Metricore) con 13 criterios ponderados (suma de pesos = 100) y una escala de cobertura: + = 1,0; ± = 0,5; - = 0,0
  • El ciclo completo (incluyendo “engineering technical assignment” y resultado medido en respuestas de redes neuronales) lo cubre solo 1 servicio en la muestra
  • GeoWatch logra el mejor puntaje integral de “completitud funcional”: 76/100, pero obtiene 0 en 2 criterios clave: no hay análisis multilingüe (K11) y no hay atribución de tráfico desde IA con analítica web (K12)
  • En la muestra, la mayoría de productos se limita a monitoreo y análisis de tono: el estudio indica que “la mayoría” está limitada a esas funciones (con el ciclo completo siendo la excepción)
  • Un criterio donde la atribución está confirmada solo parcialmente: el estudio reporta que la atribución de tráfico desde IA (K12) la asegura confirmadamente solo VisioBrand vía integración con Yandex.Metrika; Rush Analytics lo tiene “parcialmente”

Conclusión

Según los datos del estudio, los servicios GEO rusos están mucho más cerca del monitoreo (mencione y tono) que de un ciclo completo con entrega técnica y prueba medible dentro de respuestas de IA. Incluso el líder por puntaje (GeoWatch) falla en capacidades concretas como multilingüismo y atribución de tráfico desde IA (0 en esos criterios).

Para ti

Para decidir qué tecnología contratar, este estudio sugiere mirar el “cubrimiento del ciclo” por criterios medibles: que el proveedor pase de monitorear a dar un entregable técnico y poder mostrar crecimiento medido en menciones (y no solo “análisis/tono”). También ayuda separar proveedores por dos huecos frecuentes en la muestra: multilingüismo (GeoWatch queda en 0) y atribución con Metrika (confirmada solo en VisioBrand).

Leer el estudio original

Estrategia2026Google Scholar

Zero-Click Law: Empirical Laws of AI-Mediated Discovery

D Thacker

El trabajo identifica leyes empíricas para la búsqueda mediada por IA que culmina en descubrimiento “zero-click”, lo que ayuda a diseñar estrategias orientadas a capturar visibilidad sin depender del clic. Te permite priorizar mejoras en señales de respuesta (p. ej., calidad, cobertura y alineación con consultas) para aumentar la probabilidad de ser citado o referenciado por motores de respuesta.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Not All Tokens Are Equal: Quality-Gated Transformers

Y Yu

El paper advierte que no todos los tokens aportan el mismo valor y que modelos con compuertas de calidad pueden reducir la eficacia de contenidos manipulados, algo relevante para mitigar el GEO. Ofrece un marco para evaluar qué señales de calidad dominan la generación y para endurecer estrategias de moderación y auditoría cuando se busca posicionar en respuestas de motores generativos.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Query Intent, Not Google Rank: What Best Predicts AI Citation Behavior

A Lee

El artículo propone medir mejor el comportamiento de citación de la IA y no asumir que el ranking tradicional de Google lo predice. Aporta una perspectiva basada en la intención de búsqueda como variable clave, ayudando a los equipos GEO a evaluar y ajustar contenido y señales para maximizar citaciones reales en entornos de chat.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

The Captured Oracle: Authorship and Agency in the Ethics of Answer-Engine Optimization

LF Walton

El paper analiza cómo la answer-engine optimization puede transformar la búsqueda en un veredicto sin fuentes, elevando el riesgo de opacidad y pérdida de agencia del usuario. Proporciona un marco para evaluar la ética y la atribución de autoría en respuestas generadas, lo que ayuda a definir controles de gobernanza y auditorías de calidad para equipos GEO.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Beyond Accuracy: How Content Format Shapes User-Perceived Helpfulness of LLM-Generated Answers

S Hundertmark, N Hafner

El paper argumenta que no basta con la precisión del contenido: el formato del resultado afecta la percepción de ayuda por parte del usuario, por lo que debe incluirse en la estrategia de GEO. Proporciona un marco para aplicar AEO/GEO al ajustar estructura y presentación, con énfasis en que los avances recientes (mencionados en el abstract con numeración como “23” y “76”) están orientados a mejorar la utilidad percibida más allá de la exactitud.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

AI Visibility: Be the Human Voice AI Can Find

BC Puglisi, MPAAHAI Collaboration

El estudio revisa qué condiciones hacen que sistemas de IA citen una fuente (en ChatGPT/Bing AI/Gemini/Google AI/Claude), y usa datos de investigación y de medición (citas, dashboards y estudios de clics) para mostrar cómo cambia la visibilidad desde “rank” a “cita correcta”.

Datos y qué significa para ti

Datos clave

  • En los experimentos citados sobre “GEO”, ciertos cambios de contenido pueden mejorar la visibilidad en respuestas de motores generativos hasta en un 40%; también reporta que el “keyword stuffing” rinde mal o puede empeorar
  • Microsoft mostró en su preview (10-feb-2026) reporting específico de IA (páginas citadas, frases de grounding y actividad a nivel de página); y luego añadió métricas en el dashboard (rolling alrededor del 16-jun-2026) como Citation Share, que se expresa como porcentaje de citas para una consulta de grounding (ejemplo del estudio: 3 citas de 10 visibles = 30% de share)
  • Pew Research encontró que cuando los usuarios vieron un AI summary en Google, el clic a un resultado tradicional ocurrió en el 8% de las visitas vs 15% cuando no hubo AI summary; además, los enlaces dentro del AI summary se clicaron solo en el 1% de las visitas
  • El estudio de Pew analizado se basó en 68.879 búsquedas de 900 adultos durante un mes, donde 12.593 búsquedas produjeron un AI summary

Conclusión

Con los datos y ejemplos del propio estudio, se concluye que la “cita” de una IA no depende de trucos técnicos exclusivos, sino de si la organización es una fuente recuperable y representable con material identificable y verificable; y que el éxito real se mide por cita correcta (no solo por menciones o presencia) y por el impacto de esa representación.

Para ti

Para SEO/GEO, el hallazgo accionable es que el KPI ya no puede ser solo rank o clicks: el estudio muestra que existe medición de “share de citas” (Bing) y que los AI summaries reducen clics (Pew), así que hay que gestionar y validar cómo te citan (precisión/grounding) aunque no haya tráfico directo visible. Si trabajas con contenido evidencial (estadísticas, citas, estructura de evidencia), el estudio vincula esa forma de presentar información con mejoras de visibilidad de hasta 40% en motores generativos.

Leer el estudio original

Estrategia2026Google Scholar

Impact of search engine optimisation in maintaining marketing ease in technology industry

M Domadiya

El trabajo conecta la optimización para buscadores con el enfoque emergente de Generative Engine Optimization (GEO) y la influencia del aprendizaje automático en los rankings. Ayuda a equipos GEO a decidir cómo mantener la eficacia del marketing en la industria tecnológica durante periodos de cambios en algoritmos y modelos de IA.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Wie sichtbar sind deutsche BWLHochschulen in den Antworten von ChatGPT und Co?

R Spiller, D Wiestner

El paper aborda qué tan visibles son las escuelas alemanas de BWL (negocios) dentro de las respuestas de ChatGPT y modelos similares, aportando una base empírica para evaluar presencia en IA generativa. Ayuda a GEO a traducir la “visibilidad en IA” en un problema medible y comparable para priorizar optimizaciones de marca y contenido.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

Three Ways to Fail to Conclude: A Null-report on Large Language Model Citation Claims for Brazilian Brands (N= 7,052, 12 days)

A Caramaschi

Evalúa afirmaciones de citación de modelos de lenguaje para marcas brasileñas con un estudio a escala (N=7.052) durante 12 días, aportando evidencia sobre fallos frecuentes al cerrar conclusiones basadas en citas. Ayuda a equipos GEO a validar resultados con auditorías y controles de consistencia para reducir sobreconfianza en claims no verificables.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Towards Efficient and Personalized Generative AI

VS Murahari

El texto no incluye el contenido del estudio (solo una vista previa de ProQuest), así que no se puede saber qué analiza ni qué resultados mide sobre cuándo las IA citan fuentes.

Datos y qué significa para ti

Conclusión

Con el material proporcionado no hay datos del paper para concluir qué hace que las IA citen una fuente, porque el estudio no está incluido en el texto que compartiste.

Para ti

Necesito el extracto real del trabajo (por ejemplo: resumen/abstract, resultados o conclusiones) para poder extraer cifras concretas. Si pegas esas secciones, te devuelvo los hallazgos con datos duros y su implicación SEO/GEO.

Leer el estudio original

Estrategia2026Google Scholar

Multi-Source Weighted Temporal-Aware Vector Knowledge Base Architecture

B Kurum

El texto pegado no contiene información del estudio sobre IA (ChatGPT/Perplexity/Gemini/Google AI/Claude) ni datos medidos; es solo contenido de una página de Google Scholar (mensajes de carga/ajustes/idiomas).

Datos y qué significa para ti

Conclusión

Con este fragmento no se puede determinar qué hace que las IA citen una fuente, porque no aparecen resultados, metodología ni cifras del estudio.

Para ti

Este material, tal como está, no aporta evidencia accionable para SEO/GEO sobre citas de IA. Si me compartes el PDF correcto (o las secciones de “resultados”/“mediciones” con cifras), lo resumo y te saco hallazgos concretos.

Leer el estudio original

Medición2026Google Scholar

Rethinking Click-Based Advertising in the Age of AIGC and AI Agents: A Dual-Side Displacement Model

S Xu

Propone un modelo de desplazamiento dual para entender cómo la publicidad basada en clics pierde eficacia cuando la visibilidad pasa a depender de si un sitio aparece en salidas generadas por motores de IA (GEO). Ayuda a orientar la medición GEO más allá del CTR, enfocándola en inclusión y cobertura en respuestas de agentes, para ajustar presupuesto y creatividad a los nuevos recorridos.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

DIGITAL MARKETING: TRENDS, STRATEGIES, AND EFFECTIVENESS

VD Baviskar

El paper revisa tendencias y estrategias de marketing digital y cómo medir su efectividad, pero no realiza un estudio empírico propio y usa varios gráficos “hipotéticos” para ilustrar relaciones como gasto vs ROI.

Datos y qué significa para ti

Datos clave

  • El trabajo declara 5 objetivos: examinar estrategias (social media, contenido, SEO, programática), evaluar efectividad en notoriedad e interacción, analizar desarrollos como personalización/influencers, revisar tendencias con “datos hipotéticos” y proponer recomendaciones
  • Incluye el “Figura 1. Global Digital Marketing Channel Usage (Hypothetical)” para mostrar uso y rendimiento de canales, pero el texto solo indica que es hipotético (no da porcentajes o métricas reales)
  • Incluye el “Figura 2. Global Digital Marketing Spend vs ROI (Hypothetical)” y afirma que “aumenta el gasto global en marketing coincide con un aumento de ROI” por mejor segmentación y medición, pero no aporta cifras ni magnitudes
  • Presenta “Figura 3. Global Digital Engagement Growth (Hypothetical)” para ilustrar crecimiento de engagement, también descrito como hipotético, sin datos numéricos en el texto aportado

Conclusión

Con los datos que aporta este paper, la “prueba” de qué hace que una IA cite una fuente no aparece: el artículo no evalúa citación por modelos (ChatGPT/Perplexity/Gemini/Claude/otras) y además sus figuras clave son solo ilustraciones hipotéticas.

Para ti

Como consultor SEO/GEO, este paper te sirve solo como contexto general sobre marketing digital y cambios hacia AEO/GEO, pero no aporta evidencia accionable sobre el mecanismo de citación por IAs porque no mide citaciones ni ofrece datos reales de ese proceso.

Leer el estudio original

Medición2026Google Scholar

Google Analytics analyse et mesure enfin ChatGPT et l'IA

E Azria

El estudio (en formato de artículo) analiza cómo Google Analytics puede distinguir visitas que vienen de respuestas de IA (ChatGPT, Gemini, Claude) y qué tan grande es ese tráfico medible hoy.

Datos y qué significa para ti

Datos clave

  • La identificación del tráfico IA se hace en Google Analytics usando el canal “Referral” y el referente del navegador (cabecera HTTP “Referer”)
  • Los “orígenes” que el artículo menciona para clasificar visitas son: chat.openai.com, gemini.google.com y claude.ai
  • Según un caso citado en el texto, un medio pasó de 0,1% a cerca de 2% de tráfico referent en menos de seis meses (por IA)
  • El artículo cita a Forrester (junio 2026) estimando que el tráfico referent desde motores de IA podría llegar a 5% a 10% del tráfico total para sitios con alta experiencia hacia 2028
  • El propio texto reconoce límites: si el usuario no hace clic en ningún enlace, esa “impresión” de marca no queda registrada en Google Analytics (solo se mide la parte que termina en clics y atribución)

Conclusión

El estudio muestra que, aunque el volumen de tráfico IA medible todavía es pequeño, ya se puede cuantificar en Google Analytics a través de “Referral” cuando hay clics, y que ese tráfico crece rápidamente. También evidencia que la medición es incompleta: la falta de clics deja parte del impacto IA fuera de los números.

Para ti

Para tu analítica GEO, el hallazgo clave es que el “tráfico IA medible” se traduce en “Referral” desde dominios concretos (chat.openai.com, gemini.google.com, claude.ai) y, si tu contenido no genera clics, no lo vas a ver reflejado en GA. Como el artículo muestra crecimiento rápido (0,1% a ~2% en 6 meses en un caso), merece la pena seguir ese KPI aunque hoy sea un “señal débil”, porque el estudio sugiere que se convertirá en canal relevante (estimación Forrester hasta 5%-10% hacia 2028).

Leer el estudio original

Riesgos2026Google Scholar

Literature review of algorithms for determining semantic keyword sets

Y Pancheva

Ofrece una revisión de algoritmos para identificar conjuntos de palabras clave semánticas, útil para comparar enfoques de GEO orientados a aumentar la cobertura temática. Enmarca el desarrollo con un referente bibliográfico (GEO como paradigma publicado en 2025), lo que facilita usar la literatura como benchmark para reducir variabilidad en la selección de keywords semánticas.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

ADAPTACIÓN ESTRETÉGICA DEL SEO EN UNA EMPRESA ANTE LA IRRUPCIÓN DE LA INTELIGENCIA ARTIFICAL GENERATIVA.

R Prieto Peñín

El trabajo analiza cómo la IA generativa cambia el SEO y compara qué dominios aparecen en Google, ChatGPT y Perplexity para ver en qué se diferencian los sitios “visibles” en buscadores tradicionales de los que “son citados” por modelos de IA.

Datos y qué significa para ti

Conclusión

El estudio concluye que la IA generativa no elimina el SEO, pero sí lo transforma: la visibilidad y el valor de la presencia pasan a medirse también por citas y reconocimiento en motores generativos. Al hacerlo, propone que el enfoque combine SEO con GEO y AEO, no solo por volumen de tráfico.

Para ti

Como no aporta cifras concretas (por ejemplo, porcentajes de coincidencia o cuánto cambia la cita), este paper sirve más como mapa del cambio de criterio (tráfico vs. presencia/citas) que como palanca táctica medible. Si vas a ajustar tu estrategia, pide/contrasta datos del análisis empírico (los resultados de Google vs. ChatGPT vs. Perplexity) para convertir la idea de “dónde se citan” en objetivos operativos.

Leer el estudio original

Medición2026Google Scholar

Developer Experience with AI Coding Agents: HTTP Behavioral Signatures in Documentation Portals

O Borysenko

El estudio analiza cómo 9 agentes de código y 6 asistentes de IA hacen llamadas a un endpoint de documentación técnica, midiendo patrones HTTP (peticiones, User-Agent y cabeceras) y cómo cambian las métricas de uso real.

Datos y qué significa para ti

Datos clave

  • Probaron 9 agentes: Aider, Antigravity, Claude Code, Cline, Cursor, Junie, OpenCode, VS Code y Windsurf; y 6 asistentes: ChatGPT, Claude, Google Gemini, Google NotebookLM, MistralAI y Perplexity
  • El comportamiento de acceso de estas IA genera firmas identificables en tiempo de ejecución a partir de huellas de HTTP: estrategia de pre-carga (pre-fetch), cadenas User-Agent y patrones de cabeceras
  • Encontraron que el acceso de agentes de IA “comprime” la navegación típica de varias páginas en 1 o 2 solicitudes, volviendo poco fiables métricas clásicas como profundidad de sesión, tiempo en página, ruta de clics y tasa de rebote

Conclusión

Según sus mediciones en un endpoint de documentación vivo, los agentes/asistentes de IA no “consumen” la web como un usuario humano: dejan patrones HTTP propios y realizan saltos que hacen que métricas tradicionales no reflejen el consumo real.

Para ti

Para analítica SEO/GEO, este paper deja claro que si dependes de profundidad de sesión/tiempo/ruta de clics para inferir demanda desde IA, esos indicadores pueden fallar porque la IA reduce la navegación a 1–2 requests; en su lugar, toca vigilar el tráfico “referido” por IA con instrumentación y entender sus firmas HTTP.

Leer el estudio original

Medición2026Google Scholar

RAG Signal Adaptive RAG Architecture: Multi-Source, Temporally Aware Vector Knowledge Base for Enhanced Context Quality

B Kurum, AI Manus

El paper prueba una arquitectura RAG para mejorar la probabilidad de que una IA cite fuentes, y la valida en 10 despliegues reales (7 sectores) midiendo tasas de citación, eficacia A/B y reducción de contexto.

Datos y qué significa para ti

Datos clave

  • En 10 despliegues de producción, la tasa media de atribución (que el texto generado cite una fuente) fue 77,1% con rango 74%-81%
  • La evaluación A/B compara IA sin RAG (control) vs IA con RAG (tratamiento) usando la misma tarea y prompts; reporta que el tratamiento con RAG supera al control en tasa de atribución (con la medición humana como métrica binaria)
  • La atribución se midió con anotadores humanos (n=3) con métrica binaria (1 si citó una fuente del set, 0 si no) y acuerdo entre anotadores Cohen’s Kappa > 0,85
  • El sistema comprimió el contenido para el contexto reduciendo el número de caracteres en ~83% frente al contenido chunk “crudo”, para bajar coste de inferencia
  • En los despliegues donde se listan tasas por sector, construcción obtuvo 74% (dos despliegues) mientras que creatividad/tecnología marcaron 81% y 80% (respectivamente, Filmfolk y Enkronos)

Conclusión

Este estudio muestra que una arquitectura RAG con (1) múltiples fuentes ponderadas, (2) un ajuste de frescura temporal y (3) reranqueo/revisión de contexto puede sostener tasas altas de citación en producción: 77,1% de media (74–81%) cuando se mide por citación directa de fuentes con anotadores humanos.

Para ti

Para tu estrategia SEO/GEO, el punto práctico del paper es que no basta con “tener contenido”: el mix de fuentes (por ejemplo, feedback y señales de búsqueda) y cómo se pondera por frescura y relevancia mejora la citación sostenida en entornos reales. Si tu sector se parece a construcción (datos muy densos/técnicos), el paper anticipa que la citación puede bajar (74%), así que el diseño del contexto RAG importa más que la simple presencia de páginas.

Leer el estudio original

Medición2026Google Scholar

Von Rankings zu Relevanz: Wie KI die Spielregeln der Sichtbarkeit verändert; Teil 1

M Schmäh, L Martinez Calado…

El estudio de la ESB Business School (25 entrevistas a directivos de pymes alemanas) analiza cómo perciben el paso de SEO a GEO y qué criterios ven como decisivos para que una IA cite fuentes en sus respuestas.

Datos y qué significa para ti

Datos clave

  • Se basó en 25 entrevistas cualitativas con representantes de pymes de Alemania (sectores: industria, artesanía, servicios, consultoría, software y e-commerce)
  • El estudio describe que en sistemas generativos la visibilidad ya no se mide por “posición” o “clics”, sino por si el contenido es “citable” e integrado en la respuesta (o sea, la cita reemplaza al ranking como señal de presencia)
  • Las entrevistas muestran un patrón: las pymes reconocen la relevancia de la IA pero no saben cómo traducirlo a decisiones de marketing (“SEO es importante, pero no sabemos cómo se traslada”; “usamos IA para eficiencia, no para visibilidad”)
  • El texto del estudio afirma que prácticas clásicas de SEO como “acumular palabras clave” no aportan mejora en visibilidad en respuestas generativas y, en algunos casos, pueden empeorar la inclusión

Conclusión

Con sus datos cualitativos, el estudio concluye que para que una IA cite, lo que importa es la relevancia y “citación” del contenido dentro de la respuesta, no su posicionamiento en listados. Además, demuestra que muchas pymes se quedan en el uso de IA como apoyo operativo o en SEO como práctica separada, sin conectar ambos para adaptarse a la lógica de la cita.

Para ti

Si trabajas GEO para pymes, este estudio te dice que el “estar arriba en Google” no garantiza aparecer en respuestas: la IA decide qué fuente usa. También señala que en pymes es común fallar por desconexión (SEO por un lado, IA por otro), y que “keyword stuffing” no es una palanca válida para que te citen en respuestas generativas.

Leer el estudio original

Riesgos2026Google Scholar

One Polluted Page Is Enough: Evaluating Web Content Pollution in Generative Recommenders

M Luo, L Chen

El estudio mide cuánto puede un único resultado web “contaminado” (páginas manipuladas o reseñas falsas) llevar a distintos LLMs a recomendar un producto falso en contextos de recomendación con búsqueda, usando FORGE con 225 productos en 15 categorías y 5 escenarios.

Datos y qué significa para ti

Datos clave

  • Entre 12 LLMs probados, con una sola “página contaminada” la tasa de recomendaciones del producto falso llega hasta el 27%
  • Si la contaminación se aplica a los 3 resultados (top-3), la tasa sube hasta 73.8%
  • Los modelos son vulnerables en todos los casos evaluados (“all models are vulnerable”), no solo a algunos
  • El daño varía mucho por categoría: la vulnerabilidad aumenta cuando el modelo no tiene conocimiento previo estable del producto
  • Agregar “razonamiento” no reduce el problema: a menudo empeora al inventar/justificar con “prueba social” falsa para recomendar el producto incorrecto

Conclusión

Con datos de FORGE, el estudio demuestra que en recomenadores con búsqueda basta un solo documento contaminado para que LLMs promuevan un producto falso, y que razonar o justificar no arregla el sesgo, incluso pudiendo aumentarlo.

Para ti

Para SEO/GEO, el hallazgo clave es que la “una mala fuente” puede ser suficiente: si un LLM toma un snippet o página manipulada dentro del top de resultados, puede citar/recomendar el contenido falso. Además, como el “razonamiento” no protege (y puede amplificar prueba social falsa), la presencia de señales falsas en páginas relevantes pesa aunque el modelo intente argumentar.

Leer el estudio original

Fundamentos2026Google Scholar

Hakukoneoptimoinnin kehitysprojekti

S Rahkola

El paper aclara el significado y el alcance de GEO (Generative Engine Optimization) como un enfoque de optimización de contenidos para motores generativos, lo que ayuda a alinear objetivos y criterios desde el inicio. Sirve como base para estandarizar cómo se evalúa y se documenta la mejora de contenido en proyectos GEO, reduciendo ambigüedades entre equipos.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Entity Life Cycle Framework (ELC) Proprietary Methodology for AI Branding and Entity Engineering

I Udalaya

Propone un marco de ciclo de vida de entidades (ELC) para alinear branding y entity engineering con cómo los Answer Engines deciden y actualizan información en el tiempo. Ayuda a identificar riesgos de degradación de entidad y pérdida de consistencia al pasar de etapas del ciclo de vida, para definir controles de gobernanza sobre atributos, cambios y propiedad de la entidad.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Does website optimization influence AI accuracy? The role of answer engine optimization

A Kultavirta

El paper analiza cómo la Answer Engine Optimization (AEO) puede influir en la precisión de las respuestas de motores basados en IA, conectando prácticas GEO con calidad de resultados. Útil para equipos GEO porque sugiere priorizar optimizaciones orientadas a “answer engines” para mejorar la exactitud percibida por usuarios y modelos, más allá del SEO tradicional.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

AI Visibility of Latin American Fintechs: A Share of Voice and Technical Readiness Study Across Five Countries

G Marco

Propone una medición sistemática de la visibilidad en motores de IA generativa para fintech de América Latina mediante un corpus de 26 consultas B2B y pruebas entre cinco países. Aporta un marco de Share of Voice y de “readiness” técnica para priorizar mejoras en arquitectura de datos y señales de indexación, elevando la exposición orgánica frente a competidores.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

ВЛИЯНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА ПОИСКОВУЮ ВЫДАЧУ GOOGLE: ТРАНСФОРМАЦИЯ ПАТТЕРНОВ ПОТРЕБЛЕНИЯ КОНТЕНТА

ЯЕ Витушкин

El estudio analiza cómo la IA generativa en Google (SGE y AI Overviews) cambia el comportamiento de consumo de contenido y cómo eso se refleja en métricas globales y en el caso real de zembaron.ru.

Datos y qué significa para ti

Datos clave

  • Con SGE/AI Overviews, el tráfico orgánico desde Google hacia un sitio de nicho como zembaron.ru cae de ~4.000 visitas/día a 40 visitas/día (una pérdida del 99%) tras el escalado de AI Overviews para consultas en ruso (2025-2026)
  • En la fase “buena” del caso (2016-2021), zembaron.ru alcanza picos de 120.000 visitas/mes, equivalente a ~3.800-4.000 visitas/día, manteniéndose en Top-1 a Top-3 para decenas de consultas complejas
  • El estudio cita un pronóstico de Gartner: para finales de 2026 el tráfico orgánico tradicional en general se reduciría al menos un 25% por el movimiento de la audiencia hacia chatbots y agentes conversacionales
  • Para medir efectos en resultados generativos, el trabajo analiza impacto de AI Overviews sobre visitas relacionadas con 52.262 artículos en inglés de Wikipedia

Conclusión

Con sus datos, el estudio muestra que la adopción de SGE y AI Overviews en Google se asocia con canibalización del tráfico orgánico, crecimiento de “zero-click” y un colapso en la demanda desde Google para un portal experto de nicho (zembaron.ru). En concreto, demuestra una caída masiva (99%) de visitas provenientes de Google tras el despliegue completo de las funciones generativas.

Para ti

Para un consultor SEO/GEO, este paper no trata de teoría: enseña que cuando AI Overviews se “activan a escala” para búsquedas de un idioma y nicho YMYL, un sitio puede perder prácticamente todo el flujo desde Google (de ~4.000 a 40 visitas/día). El dato clave es la correlación temporal del colapso con el despliegue generativo (2025-2026), que convierte la “cita/visibilidad” dentro de la respuesta de IA en una prioridad medible frente al tráfico orgánico clásico.

Leer el estudio original

Riesgos2026Google Scholar

De-biased, Diverse, Divisive. Understanding the Google Gemini Internet Storm in the Broader Context of Diversity, Generative AI, and Interdisciplinary Uses of Data

B Berendt, S Kiyak

Analiza la dinámica de la “Internet Storm” asociada a Google Gemini y muestra cómo la diversidad y la desinformación pueden amplificarse cuando los sistemas de IA y la optimización de motores de búsqueda interactúan. Ofrece un marco para anticipar impactos de “generative engine optimization” y diseñar controles de riesgo en GEO para reducir la efectividad del spam automatizado y la propagación de sesgos.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Content Generation for Information Retrieval Systems: A Survey from the Supply-Side Optimization Perspective

X Ye, Z Li, B Yuan, C Xu, J Xu…

Aporta una revisión del enfoque de optimización “supply-side” en GEO, útil para diseñar y priorizar estrategias de generación de contenido orientadas a recuperación de información. Resume un marco y evaluación propuestos para GEO, ayudándote a comparar prácticas y medir el impacto de tus cambios con un enfoque sistemático.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Zo versla je Bol. com (zonder dat je goedkoper bent) Zo versla je Bol. com (zonder dat je goedkoper bent)

R Steenbergen

El texto solo muestra los metadatos (título, autor, revista, fecha) de un artículo sobre cómo ganar en Bol.com sin ser más barato, pero no incluye datos ni resultados del estudio sobre qué hace que las IA citen una fuente.

Datos y qué significa para ti

Conclusión

Con este fragmento no es posible determinar qué factores hacen que ChatGPT/Perplexity/Gemini/Google AI/Claude citen una fuente, porque no aparecen mediciones, porcentajes ni hallazgos del estudio.

Para ti

Lo único útil aquí para un consultor SEO/GEO es identificar el artículo (autor, DOI y tema), pero este texto no aporta evidencias accionables sobre citación por IA. Si compartes el resumen o el cuerpo donde estén los resultados, puedo extraer cifras concretas.

Leer el estudio original

Medición2026Google Scholar

Designing for the Machine: How Vertical Placement and HTML Structure Drive Visibility in Gemini

E Krantz, E Eklöf, S Mehrabi, V Hallberg

El texto no es un estudio sobre citaciones de IA: explica un sistema antirrobots (Anubis) con prueba de trabajo para frenar el scraping masivo y evitar caídas del servidor.

Datos y qué significa para ti

Conclusión

No aporta datos ni hallazgos sobre qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen fuentes, porque no mide ese comportamiento; solo describe una medida de protección contra bots y scrapers.

Para ti

Como consultor SEO/GEO, este texto sirve como contexto técnico: si un dominio usa Anubis, los sistemas de IA pueden tener más dificultad para acceder/extraer contenido y eso puede afectar la posibilidad de que usen o citen esa fuente, pero el documento no cuantifica ni relaciona este efecto con citaciones.

Leer el estudio original

Estrategia2026Google Scholar

Google AI Overviews y los medios.¿ Destrucción de tráfico o emergencia de un nuevo sistema informativo?

J Díaz-Noci

El artículo recopila y relaciona datos sobre cómo los Google AI Overviews (“Modo IA”) impactan el tráfico de los medios y qué consecuencias tienen para el modelo informativo y los derechos de propiedad intelectual.

Datos y qué significa para ti

Datos clave

  • Estima una caída de hasta el 50% del tráfico web hacia los medios en España a principios de 2026 como efecto de los AI Overviews/“Google Zero click”
  • Cita un dato de GFK: “Solo 1 de cada 431 sesiones en herramientas IA culmina en una visita a un medio digital”
  • Reproduce un resultado atribuido a Ahrefs: los AI Overviews reducen los clics en un 34,5%
  • Incluye el dato de que el estudio o informes que usan esta evidencia hablan de un entorno de “Google Zero click”, es decir, consultas donde la información se resuelve sin llevar al usuario al sitio del medio

Conclusión

Con los datos que reúne, el estudio sostiene que la lógica de los AI Overviews tiende a reducir clics y visitas a medios (directamente o por “cero clic”), y por tanto presiona el negocio periodístico. La consecuencia inmediata es que los medios pasan a depender menos del tráfico orgánico tradicional y más de su presencia en el ecosistema de IA y sus acuerdos/licencias, al tiempo que se refuerza la discusión legal por uso de obras.

Para ti

Para tu estrategia, este trabajo no habla de “citar” a una IA, pero sí cuantifica el riesgo: si el usuario obtiene la respuesta dentro de Google, baja la visita a tu dominio (ej., el ratio 1/431 y la reducción de clics del 34,5%). Así, cualquier plan de visibilidad debería medir su efecto real en clics/visitas y no solo en exposición en buscador.

Leer el estudio original

Estrategia2026Google Scholar

Від алгоритмічного ранжування до синтезу сенсів в епоху AI-пошуку: GEO та Персоналізація 2.0 як майбутнє пошукового маркетингу та SEO

ПД Шевчук

El estudio revisa qué cambia en el SEO cuando la gente busca y cita información a través de IA (p. ej., ChatGPT y Perplexity) y muestra, con datos, cómo influye el “zero-click” y qué rasgos de contenido se asocian a mayor visibilidad/citación en sistemas generativos.

Datos y qué significa para ti

Datos clave

  • El “zero-click search” ya representa más del 58% de las interacciones de búsqueda (según los datos citados en el texto del estudio: [2, p. 2])
  • En interacciones con ChatGPT, el 41,5% de los pedidos se relacionan con crear o procesar contenido (y dentro de eso: 10,6% edición/crítica del texto del usuario; 8,0% redacción de textos/comunicación; 4,5% traducción; 4,2% generación de imágenes; 4,2% código; 3,9% ideas creativas; 3,6% argumentos o resúmenes)
  • Aproximadamente el 18,3% de las interacciones con ChatGPT están ligadas a buscar información específica (hechos, recomendaciones y respuestas) ([3, p. 143])
  • En una de las líneas del GEO recogidas en el estudio, la inclusión de listas y tablas en un 25–35% del texto se asocia con un aumento del 43% en la precisión del “parseo” del contenido por sistemas de IA ([2, p. 6])
  • Otro resultado citado sobre GEO indica que reemplazar descripciones generales por datos/cifras puede aumentar en un 30–40% los indicadores de visibilidad y la percepción subjetiva del contenido por “buscadores generativos” ([10, p. 6])

Conclusión

El estudio no mide directamente “citación” en un sentido de conteo de referencias por IA, pero sí demuestra que el entorno de búsqueda dominado por zero-click y la forma en que las IA entienden/parsean contenido (estructura + datos cuantitativos) están conectados con mayor visibilidad del contenido en el mundo de la búsqueda generativa, donde las fuentes tienden a usarse dentro de respuestas/sumarios.

Para ti

Si tu objetivo es que te “usen” en respuestas de IA, este estudio apunta a dos palancas medibles: incorporar estructura clara con listas/tablas (para mejorar el parseo; aquí citan el salto con 25–35% del texto) y añadir datos/cifras (para elevar visibilidad; citan el rango 30–40%). El trabajo también contextualiza que el tráfico puede no venir del clic al sitio (zero-click >58%), así que la métrica clave pasa a ser qué tan “legible y utilizable” es tu contenido para la IA que genera la respuesta.

Leer el estudio original

Medición2026Google Scholar

Omni-Channel Retailing: Winning in the Age of AI, Social Commerce, and Connected Consumers

KKK Wong

El artículo conecta el retail omnicanal con el enfoque de Generative Engine Optimization (GEO), orientado a que productos, marca y contenidos aparezcan de forma consistente en motores generativos. Aporta una base para alinear señales de visibilidad en múltiples canales y mejorar la precisión con la que el sistema recomienda u organiza la información del retailer.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Analisis Pemanfaatan Artificial Intelligence Generatif dalam Strategi Pemasaran Digital

EA Esthi, MA Sani, JN Mansur

El estudio revisa (con una revisión de literatura 2021–2025 y observación de prácticas de la industria) en qué áreas usa la IA generativa las estrategias de marketing digital y qué beneficios, retos y riesgos se reportan.

Datos y qué significa para ti

Datos clave

  • Identifica 5 áreas de implementación principales de la IA generativa en marketing digital: (1) creación automática de contenido, (2) personalización de la experiencia del cliente, (3) optimización de SEO basada en IA, (4) análisis de sentimiento del consumidor, y (5) automatización de campañas de email marketing
  • El material analizado incluye artículos en revistas indexadas en Scopus y IEEE Xplore del periodo 2021–2025, además de documentación oficial de plataformas de IA y reportes de industria de McKinsey, Gartner y Boston Consulting Group
  • El estudio concluye que el éxito de la IA generativa en marketing depende de tres condiciones concretas: gobernanza adecuada, alfabetización (literasi) en IA suficiente y políticas éticas claras

Conclusión

A partir de su revisión, el paper no mide directamente “cuándo o por qué una IA cita una fuente” sino que muestra en qué usos de marketing se aplica la IA generativa y qué condiciones determinan que funcione. Su evidencia respalda que la IA generativa puede mejorar eficiencia y efectividad en marketing, pero solo si se gestionan gobernanza, habilidades y ética.

Para ti

Para un consultor SEO/GEO, este estudio aporta un mapa de usos (especialmente “optimización de SEO basada en IA” y “análisis de sentimiento”), pero no da datos sobre citas de fuentes por ChatGPT/Google/Claude. Lo más accionable es entender que, según el paper, el rendimiento depende de gobernanza y ética, lo que ayuda a interpretar por qué los resultados pueden variar si hay prácticas inconsistentes en la adopción (aunque no cuantifica impacto en citación).

Leer el estudio original

Riesgos2026Google Scholar

Can It Reach the Generator? Investigating the Survival of Prompt-Injection Attacks in Realistic RAG Settings

Y Yin, S Wang, B Koopman, G Zuccon

El estudio reevalúa 7 ataques de prompt-injection en sistemas RAG usando una cadena realista (retriever → reranker LLM → generador LLM) y mide si realmente logran que el documento “ataque” llegue y sea usado por el generador.

Datos y qué significa para ti

Datos clave

  • De los 7 ataques re-evaluados, los ataques basados en gradientes y los de “instruction override” “se colapsan” antes de llegar al generador en el pipeline retriever→reranker→generator
  • Solo los prompt-injections generados por un LLM se mantienen como efectivos “end-to-end” hasta el generador
  • El paper indica que los resultados previos sobreestimaban la efectividad de estos ataques cuando el documento se entregaba directamente al generador (saltando retriever y reranker)
  • Detectan que los ataques son fácilmente detectables: un guard ligero (prompt-injection guard) afinado con un conjunto pequeño de ataques detecta “cada ataque” (100%)

Conclusión

En escenarios RAG realistas, gran parte de los ataques GEO que antes parecían muy efectivos dejan de funcionar antes de llegar al generador; el ataque que sobrevive end-to-end es el impulsado por LLM. Además, el estudio muestra que estos ataques pueden detectarse de forma completa con un guard ligero entrenado con pocos ejemplos.

Para ti

Para GEO/RAG, este estudio sugiere que el “poder” de la inyección no depende solo del generador: el retriever y el reranker actúan como filtro que hace colapsar muchos ataques. Y, si trabajas en captación de exposición/visibilidad desde fuentes, el estudio también deja claro que existe una detección prácticamente total de inyecciones con un modelo pequeño, así que cualquier estrategia basada en inyectar intención en RAG es especialmente frágil frente a defensas.

Leer el estudio original

Estrategia2026Google Scholar

The Silver Surfer Paradox

D Budiman

El paper contextualiza el desplazamiento desde visibilidad en motores clásicos hacia el papel de la síntesis mediada por IA, clave para ajustar tácticas de GEO orientadas a cómo se construyen respuestas. Ayuda a identificar el “paradigma” que puede reducir el impacto de optimizaciones tradicionales cuando los sistemas generativos priorizan inferencia y fuentes de alta relevancia.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

The impact of JSON-LD metadata on ChatGPT visibility

P Schanbacher

El estudio analiza, en 1.508 agencias inmobiliarias de Alemania, qué atributos de sus webs (incluido JSON-LD/Schema.org) se asocian con que ChatGPT las conozca o las cite al responder.

Datos y qué significa para ti

Datos clave

  • De las agencias que ChatGPT sí pudo mencionar (“visibles”), el 6.2% tenían marcado FAQPage, frente a solo el 0.8% de las no visibles (p = 0.002)
  • El Product schema se asoció con visibilidad: 17.2% en las visibles vs 1.8% en las no visibles (p < 0.001)
  • En lo técnico, casi todas las visibles tenían web optimizada para móvil: 99.0% vs 88.8% (p < 0.001); además, tenían robots.txt: 92.3% vs 80.6% (p < 0.001)
  • También hubo diferencias de rendimiento y estructura: tiempos de carga media 418 ms (visibles) vs 623 ms (no visibles) (p = 0.014), y uso de encabezados más amplio (h2: 94.7% vs 74.4%; h3: 86.6% vs 61.4%; p < 0.001)

Conclusión

Con datos de estas 1.508 webs, el estudio muestra que la presencia de Schema.org, especialmente el FAQPage (y también Product), se relaciona con una probabilidad mucho mayor de que ChatGPT reconozca o cite a la agencia. En el modelo estadístico, FAQPage es el predictor positivo más fuerte (OR≈13, p<0.001), seguido de Product (OR≈4, p<0.001).

Para ti

Si tu web es de un sector como inmobiliarias (o con páginas que pueden estructurar preguntas y respuestas), este estudio apunta a que el “FAQPage” en JSON-LD es lo que más diferencia entre aparecer o no en respuestas de ChatGPT (OR≈13). Además, refuerza la idea de que el marcado tipo “Product” también suma, y que para no quedar fuera por lo técnico, cumplir móvil/robots y mejorar tiempos de carga importa en la misma muestra.

Leer el estudio original

Riesgos2026Google Scholar

Assessing discrepancies across SEO tools in the collection of scholarly web metrics

CI Font-Julian, C Lopezosa…

El trabajo muestra que existen discrepancias entre herramientas de SEO al recopilar métricas web, lo que puede sesgar conclusiones sobre el rendimiento y el impacto de una estrategia GEO. Ayuda a establecer un benchmark más fiable y a auditar cómo cambian métricas clave según la herramienta, reduciendo riesgo de tomar decisiones basadas en datos inconsistentes.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Deep-Research Agents Can Be Poisoned via User-Generated Content

T Zhang, H Triedman, V Shmatikov

El estudio analiza cómo agentes de “deep research” que hacen muchas consultas en una sesión llegan a citar repetidamente las mismas páginas de contenido generado por usuarios (por ejemplo Reddit y Wikipedia) y demuestra que eso permite envenenar sus citas y entidades citadas añadiendo un texto manipulado en una sola página.

Datos y qué significa para ti

Datos clave

  • Los autores observan que, para muchos temas comunes, los agentes “deep-research” recuperan repetidamente las mismas páginas UGC dentro de una misma sesión de investigación
  • El trabajo propone que esa repetición crea una superficie de ataque concentrada: si un atacante modifica una página UGC que el agente recupera con frecuencia, puede provocar que el agente cite contenido elegido por el atacante
  • Evaluan el ataque en 3 sistemas concretos (STORM, Co-STORM y OmniThink) y lo prueban en varios “clusters” de consultas (es decir, varios grupos de temas)
  • Estudian defensas en varias fases del proceso, incluyendo filtrado a nivel de fuente y detección basada en el contenido/resultado generado (output)

Conclusión

El estudio demuestra que la forma en que estos agentes recuperan e integran web UGC (por reusar repetidamente las mismas páginas) hace posible que una manipulación pequeña en una sola página se propague a múltiples consultas y termine reflejada como citas y entidades promovidas por el agente.

Para ti

Para un consultor SEO/GEO, este resultado sugiere que no basta con “calidad general”: lo que más determina que te citen en salidas de deep-research es si apareces en esas páginas UGC que el agente reitera como fuente. Si tu presencia queda fijada en una página que el agente consulta una y otra vez, eres candidato a amplificación (o a sesgo) cuando esa página se manipula.

Leer el estudio original

Estrategia2026Google Scholar

AI Strategy for Business Leaders: From Core Concepts to Generative AI, Agentic AI, Ethics, and Strategic Implementation

KKK Wong

Propone un marco de estrategia que conecta conceptos base de IA con Generative AI y Agentic AI, aterrizándolo en la optimización de visibilidad en plataformas de búsqueda conversacional como ChatGPT. Aporta una guía para integrar GEO con ética e implementación estratégica, lo que ayuda a priorizar iniciativas y reducir el riesgo de ejecutar tácticas sin alineación de negocio.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

1. Пошаговый план работ на 6 месяцев по развитию сайта и получению лидов из нейросетей

НЗО Результат

El texto describe planes y requisitos para que la visibilidad/citas de un sitio por IA (ChatGPT, Perplexity, Google AI Overviews, etc.) aumenten, pero no aporta datos medidos sobre “cuántas citas” ni resultados cuantificados; sí da cifras de tareas (contenidos, perfiles, reseñas) y un sistema de monitorización de “reputación narrativa” en IA.

Datos y qué significa para ti

Datos clave

  • Para el plan de 6 meses, propone: 8-10 materiales nuevos en 2-3 meses (y en el Mes 2 publicar 4-6 unidades), con textos de “al menos 15.000 caracteres”
  • En el Mes 4 propone publicar 1-2 artículos como invitado/externos y preparar una lista de 20-30 “plataformas prioritarias” para esos envíos
  • Para catálogos IT, propone elegir 5-7 catálogos (ej.: Startpack, G2, Capterra) y llegar a 3-5 perfiles optimizados; además, obtener los “primeros 5-10” reseñas de clientes
  • En la parte de reputación en AI search, el texto indica un “auditoría de arranque” con 20-30 consultas reales sobre la marca (incluye explícitamente: ‘[marca] reseñas’, ‘vale la pena trabajar con [marca]’, ‘pros y contras [marca]’, ‘mejores [nicho] en [ciudad]’, ‘a quién le conviene [marca]’)
  • También fija un objetivo para reseñas: llegar a 50+ reseñas en 2-3 plataformas clave y mantener el rating entre 4.4 y 4.8, con nuevas reseñas cada mes

Conclusión

A partir de los datos del texto, la “cita” por IA no se cuantifica con métricas de impacto real, pero el estudio/guía que resume identifica que la IA arma su respuesta apoyándose en señales concretas: reseñas, casos, FAQ, menciones externas y datos estructurados (Schema). Lo que el documento demuestra con sus números es el tipo y volumen mínimo de presencia que busca crear para que la IA tenga material fiable y no rellene con suposiciones.

Para ti

Como consultor SEO/GEO, este texto te sirve para convertir la idea de “que la IA cite” en un plan operativo con cantidades medibles (piezas de contenido, plataformas externas, catálogos y umbrales de reseñas) y con una auditoría de 20-30 preguntas para ver qué narrativa está generando la IA sobre tu marca; pero como no hay cifras de citas reales, no permite estimar cuánto subirán las citas, solo qué señales construir para reducir el ‘relleno’ y aumentar el uso de fuentes verificables.

Leer el estudio original

Estrategia2026Google Scholar

Operations Management in Digital Media and Public Relations: AI Agents and the Evolution of Search Visibility

G Homouda

Explica cómo la gestión de operaciones en medios digitales y relaciones públicas puede habilitar la Generative Engine Optimization (GEO) mediante citaciones de IA, relevancia semántica y señales de autoridad. Ofrece un marco para transformar prácticas tradicionales de SEO en acciones medibles orientadas a mejorar la visibilidad en motores generativos, reduciendo la dependencia de métricas clásicas.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Brand erasure: A research agenda for brand theory in agentic AI markets

MG Figueira

Propone una hoja de ruta para aplicar optimización en tres capas distintas, conectando Answer Engine Optimization, Generative Engine Optimization y Agentic Optimization, para evitar el “brand erasure” en mercados de IA. Ayuda a definir prioridades y tácticas GEO por etapa del agente, reforzando la diferenciación de marca donde la visibilidad puede diluirse al automatizar la generación y la toma de decisiones.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Designing a Composite Metric of Salience and Quality for Brand Positioning in Llm Responses

S Mirzayi

El texto que compartiste no contiene resultados ni metodología del estudio, solo el título y metadatos de IEEE Xplore, así que no puedo saber qué investigó ni qué encontró con datos.

Datos y qué significa para ti

Conclusión

Con el contenido disponible no es posible extraer hallazgos medibles sobre por qué estas IA citan una fuente, porque el estudio no aparece (ni cifras, ni resultados, ni experimentos).

Para ti

Si me pegas el resumen/abstract o la sección de resultados (aunque sea en texto), te saco 2-5 hallazgos con números y qué significan para posicionar fuentes que puedan citar las IA. Con este recorte solo puedo confirmar el título, no la evidencia.

Leer el estudio original

Riesgos2026Google Scholar

Semantic Infidelity: How AI Compression Distorts Precision-Dependent Arguments

N Eisdorfer

Identifica cómo la compresión o distorsión semántica en modelos de IA puede alterar argumentos que dependen de alta precisión, afectando directamente la calidad de resultados para tareas GEO. Proporciona un marco para detectar y gestionar este fallo al conectar literaturas de optimización de resumen adversarial, integridad académica y compresión con pérdida.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Optimisation du référencement naturel du site web «Place aux Vins»: stratégies et création d'un glossaire terminologique

L De Pourcq

El paper estudia cómo optimizar el SEO (y aspectos de GEO) del sitio de un vinero en Bruselas (“Place aux Vins”) y cómo usar la creación de un glosario de términos del vino para mejorar el contenido del sitio, revisando también resultados de esa implementación.

Datos y qué significa para ti

Conclusión

Con el texto proporcionado no hay datos medidos (porcentajes, número de citas, métricas de rendimiento o resultados cuantificados) sobre qué hace que las IA citen fuentes; el documento descrito se centra más en SEO/GEO del sitio y en la creación de un glosario, pero sin cifras visibles aquí.

Para ti

Este extracto no permite convertirlo en un insumo directo para “qué hace que una IA cite una fuente”, porque no aporta resultados cuantificados ni evidencia sobre patrones de citación. Si compartes las secciones donde reporta mediciones (resultados, metodología y conclusiones con cifras), lo preparo como hallazgos accionables para SEO/GEO basados en su propio dato.

Leer el estudio original

Estrategia2026Google Scholar

Komparativní analýza SEO a GEO v kontextu B2B marketingu

K Matrasová

Aporta un marco comparativo entre SEO tradicional y GEO en marketing B2B, útil para priorizar esfuerzos cuando la metodología GEO todavía está en formación. Ayuda a definir qué elementos de optimización trasladar y cómo medir su impacto relativo, evitando tratar GEO como un sustituto directo del SEO.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Framing the future of search: A discourse analysis of Google's AI Overviews

S Weinbrand, A Nagappa…

Analiza el discurso con el que Google presenta las AI Overviews, ayudando a GEO a comprender cómo se enmarcan los cambios en intención de búsqueda, autoridad y relevancia. Aporta pautas para adaptar la estrategia de contenido y optimización a señales de formato y expectativas de usuario que condicionan la visibilidad en resultados mediados por IA.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

СТРАТЕГІЯ ПОКРАЩЕННЯ ВИДИМОСТІ САЙТУ У ВІДПОВІДЯХ СУЧАСНИХ AI-СИСТЕМ ТА ГОЛОСОВИХ АСИСТЕНТІВ

ОМ Шептуха

El paper plantea una estrategia para mejorar la visibilidad en resultados de sistemas de búsqueda basados en IA y en asistentes de voz como Google Assistant, Siri y Alexa. Ayuda a definir cómo adaptar el contenido y la estructura del sitio para aumentar la probabilidad de aparecer en respuestas y búsquedas conversacionales, donde el enfoque tradicional de SEO puede quedarse corto.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

ORION Score: A Calibrated Composite Metric for Large Language Model Citation Probability

C Ng

El estudio propone y define el ORION Score, un métrico compuesto (0–100) para estimar la probabilidad de que una página sea citada por respuestas generadas por IA, descomponiéndolo en 5 “pilares” y asignando pesos según cómo impactan en el pipeline de recuperación.

Datos y qué significa para ti

Datos clave

  • Estima la probabilidad esperada de cita como ORION=cite-rate(p)=E_q[c(q,p)] sobre la distribución de consultas para las que la página es relevante (definen el objetivo como la fracción de consultas donde la página acaba citada)
  • El ORION Score se calcula agregando 5 pilares con pesos: Originality 0.20, Retrievability 0.15 (en el texto visible también se menciona que el peso puede redistribuirse hacia Observed Visibility cuando hay evidencia de citas en vivo)
  • El modelo reporta una puntuación 0–100 interpretada explícitamente como 100×P(cite) (o sea, un ORION de 70 busca corresponder a 0.70 de probabilidad de cita en las consultas objetivo)
  • Para justificar el peso de Originality (0.20), el paper cita que las estimaciones de practitioners para esa palanca suelen estar en 0.25–0.35, mientras que en Aggarwal et al. (2024) observan alrededor de ~0.12 en su estudio de intervenciones sobre contenido (explican la discrepancia por cómo diseñaron sus pruebas)
  • En el apartado de contexto, el paper afirma que en inicios de 2026 un 25% (conservador) de las consultas está mediado por modelos tipo LLM que sintetizan respuestas a partir de fuentes recuperadas (no una lista de links)

Conclusión

Este estudio demuestra que se puede medir “ser citado” como una probabilidad (no como un proxy de ranking SERP) y que dicha probabilidad se puede descomponer en pilares ligados a etapas concretas de recuperación y extracción del pipeline RAG, con calibración explícita (100×P(cite)).

Para ti

Para un consultor SEO/GEO, lo clave es que ORION no intenta predecir rankings: modela el riesgo de que una URL “no llegue” a ser citable por fallos de indexación/parseo y por falta de extractabilidad, separándolo en pilares con pesos (por ejemplo Originality 0.20 y Retrievability 0.15). Además, como reporta 0–100 como 100×P(cite), puedes usar el score/pilar para entender en qué etapa del pipeline se está perdiendo la citación, no solo qué tan “autoritativa” parece la marca.

Leer el estudio original

Medición2026Google Scholar

AI Search Impact Assessment-The ASIA Framework

A Tripathi

Propone el marco ASIA para evaluar el impacto de la Generative Engine Optimization (GEO) sobre la visibilidad en motores de búsqueda de IA, conectando métricas de rendimiento con acciones de optimización. Ayuda a los equipos GEO a convertir resultados cualitativos en mediciones comparables (p. ej., visibilidad y desempeño) para priorizar mejoras con un enfoque sistemático.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Divergent Recommendations, Convergent Diagnoses: Cross-Provider Failure-Mode Convergence in AI Commercial Recommendation

W Jack, N Lehman, K Maloney, S Xu

El estudio prueba, con 215 prompts de recomendación comercial, si ChatGPT y Claude citan/recomiendan marcas de forma similar y qué “tipo de fallo” comparten cuando no lo hacen.

Datos y qué significa para ti

Datos clave

  • Con los dos proveedores, las recomendaciones coinciden solo ~2/3 del tiempo de forma negativa: el Jaccard entre lo que recomienda cada uno es 0.35 (comparado con un 0.50–0.61 cuando se repite el mismo prompt en el mismo proveedor)
  • Cuando ambos proveedores no recomiendan una marca, clasifican el fallo en 3 modos (discoverability, compellingness, positioning) y coinciden en el mismo modo el 95.1% de las veces (IC 95%: 94.3%–95.7%) en 7,763 casos de fallos conjuntos
  • La coincidencia baja para marcas muy visibles y sube para marcas pequeñas: 81% (IC 78.2%–84.0%) en “category leaders” y 99.6% (IC 99.3%–99.9%) en marcas regionales long-tail
  • El “camino” para llegar a la recomendación difiere: Anthropic recomienda desde priors el 43–52% de las veces, mientras OpenAI lo hace el 8–29%

Conclusión

Aunque ChatGPT y Claude divergen bastante en qué marca recomiendan, el estudio muestra que cuando fallan conjuntamente, “diagnostican” el motivo del fallo (en qué etapa se pierde la marca) de forma casi idéntica, especialmente para marcas long-tail.

Para ti

Para SEO/GEO, este paper sugiere que en el long-tail no necesitas que todas las IAs fallen por el mismo motivo: lo importante es atacar el modo de fallo que ambas comparten (discoverability/compellingness/positioning), porque ahí hay convergencia del 95.1% con miles de casos. En cambio, para marcas muy destacadas la convergencia es menor (81%), así que el comportamiento puede depender más del proveedor.

Leer el estudio original

Medición2026Google Scholar

Pre-purchase Search Behavior: The Connection between Generative AI Search Engines and Consumer Pre-Purchase Search Behavior in B2C E-commerce

D Nikolova, M Droniceva, GM Swies

El texto no es un estudio sobre citas de IA: describe un sistema anti-scraping (Anubis) basado en Proof-of-Work para bloquear a bots de empresas de IA que fuerzan caídas o indisponibilidad del sitio.

Datos y qué significa para ti

Datos clave

  • Afirma que el problema que intenta frenar es que el scraping agresivo de compañías de IA “puede y de hecho causa downtime” y deja recursos inaccesibles para todos
  • Indica que Anubis usa un esquema de “Proof-of-Work” tipo Hashcash (mencionan como origen un sistema para reducir spam de correo)
  • Señala que a escala individual la carga extra es “ignorable”, pero a escala masiva “se acumula” y hace que scrapear sea “mucho más caro”
  • Aclara que Anubis es una “solución placeholder” mientras desarrollan más “fingerprinting” e identificación de navegadores headless (por ejemplo, cómo hacen el renderizado de fuentes)
  • Dice que requiere JavaScript moderno y que no funciona con plugins que lo deshabilitan (por ejemplo JShelter)

Conclusión

Con este texto no se puede concluir qué hace que una IA cite una fuente, porque no hay mediciones sobre citas ni datos de comportamiento de ChatGPT/Perplexity/Gemini/Claude/Google AI. El único objetivo medible aquí es bloquear/encarecer el scraping automatizado mediante Proof-of-Work y detección de headless.

Para ti

Para tu trabajo SEO/GEO, este contenido solo aporta contexto defensivo: si tu sitio usa protecciones tipo Anubis (requieren JavaScript y/o Proof-of-Work), los sistemas automáticos pueden tener más fricción para acceder y recopilar información, lo que podría afectar la probabilidad de que una IA “encuentre” o reutilice tu contenido. No da una táctica de citas basada en calidad/autoridad; solo habla de disponibilidad y accesibilidad para bots.

Leer el estudio original

Estrategia2026Google Scholar

DRIVING INNOVATION AND BREAKTHROUGHS IN MARKETING

DG Tapas

El estudio (sin datos experimentales propios) explica que hace que la innovacion de marketing sea impulsada por IA y datos, y aporta cifras sobre el impacto de la innovacion en resultados empresariales y sobre el valor concentrado en pocos clientes.

Datos y qué significa para ti

Datos clave

  • Afirma que las companias centradas en innovacion ven “hasta 2.4 veces” mas crecimiento de ingresos y “3.1 veces” mas beneficio (cifra reportada en la introduccion)
  • Cuando usa analisis CLV, indica una regla de concentracion: el “top 20%” de clientes aporta el “80%” del valor de la empresa (cifra reportada en la seccion de tecnicas)
  • Menciona mejoras por IA generativa en 2025–2026: pasa de solo crear contenido a actuar como “agentes” que automatizan briefing, pruebas y optimizacion, mejorando “velocidad y eficiencia” (sin porcentaje numerico)
  • En los metodos de validacion, lista A/B testing como forma de medir impacto de cambios (sin resultado cuantificado)

Conclusión

Con base en lo que reporta el texto, el estudio concluye que la innovacion en marketing (impulsada por IA y datos) mejora decisiones y performance al permitir personalizacion hiper-enfocada, analisis predictivo y optimizacion agil. Sin embargo, no mide ni evalua directamente “por que una IA (tipo ChatGPT/Perplexity/Gemini/Claude) cita una fuente”, asi que aporta contexto general sobre marketing con IA, no evidencia de citacion por modelos.

Para ti

Este paper no da hallazgos accionables para “ser citado por IA” porque no estudia citaciones: solo describe impacto de datos/IA en marketing (p.ej., 2.4x/3.1x y el 80/20 de valor). Como contexto, te sirve para alinear tu estrategia de contenido con temas que el propio texto considera claves (hiperpersonalizacion, analitica predictiva, CLV), pero no ofrece datos propios sobre formatos o senales que disparen la citacion.

Leer el estudio original

Estrategia2026Google Scholar

Behind the Answer: How Branding Gets Seeded into GenAI Responses

K Korovamode

El paper explica cómo el branding puede “sembrarse” en las respuestas de GenAI, conectando esa práctica con el objetivo central del GEO de maximizar la presencia de fuentes, frases o framing dentro de los outputs del modelo. Te ayuda a convertir el GEO en una estrategia medible de posicionamiento semántico (mejorar la probabilidad de aparición) en lugar de depender solo de señales tradicionales de SEO.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

Prominence-Stratified Failure Modes in Retrieval-Augmented Commercial Recommendation: A 37,000-Run Audit

W Jack, N Lehman, K Maloney, S Xu

El estudio audita unas 37.000 ejecuciones de asistentes tipo ChatGPT/Claude con prompts de recomendación comercial en 19 sectores para ver cómo se comporta la cita/elección de marcas según su “prominencia” (5 niveles) dentro de un catálogo de 533 marcas.

Datos y qué significa para ti

Datos clave

  • Analizan ~37.000 “production runs”, 215 prompts y un catálogo de referencia de 533 marcas dividido en 5 niveles de prominencia (L1 a L5)
  • Las marcas L1 (líderes de categoría) aparecen en casi todos los resultados relevantes de la recuperación, pero solo ganan el 25%-41% de los puestos de recomendación a los que llegan
  • Las marcas L2 logran las mayores tasas de conversión de cualquier nivel, con un 37%-52%, aunque en modelos de Anthropic pierden frente a sustituciones mediadas por persona
  • Para marcas L3, la cobertura agregada baja a 88% y la conversión queda en 34%-40%; además, los efectos de “persona” alcanzan su punto más alto
  • En L4 y L5 (especialistas y jugadores regionales) existe “invisibilidad catastrófica”: 48%-52% de esas marcas no aparecen en ninguna de las 37.000 ejecuciones

Conclusión

El estudio muestra que en recomendaciones comerciales de IA la probabilidad de “ser nominado/citado” depende mucho del nivel de prominencia: más visibilidad no garantiza ganar, y en niveles bajos (L4/L5) una parte importante de marcas no logra aparecer nunca, con patrones distintos por nivel.

Para ti

Para un consultor SEO/GEO, este paper aterriza que “estar presente” no equivale a “ser elegido” en IA: en L1 hay mucha aparición pero una conversión solo del 25%-41%, mientras que en L4/L5 hay un riesgo real de no aparecer (48%-52%). La inversión o el enfoque tiene que alinearse con el nivel de prominencia porque el patrón de fallo cambia por tramo, no hay una receta única que funcione igual para todas las marcas.

Leer el estudio original

Riesgos2026Google Scholar

Prosopos in Student Communication with Generative AI: A Phenomenological Study of Persona Formation and AI Literacy in Digital Higher Education

F Harianto, R Ritonga, P Pitoyo

El estudio analiza, con entrevistas a 25 estudiantes y 218 documentos de conversaciones con IA, cómo se “asigna una persona” (persona) a la IA y cómo eso impulsa la alfabetización en IA y el uso ético en la educación superior digital.

Datos y qué significa para ti

Datos clave

  • Participaron 25 estudiantes del programa de Relaciones Públicas (D-III) de AKMRTV Jakarta
  • Analizaron 218 documentos/conversaciones generadas por IA
  • Identifican que los estudiantes ven la IA como: “partner de pensamiento” académico, compañero de discusión y “mentor” virtual
  • Proponen un modelo de alfabetización en IA con 5 dimensiones: Persona Awareness, Relational Awareness, Critical Verification, Academic Agency y Ethical Reflection

Conclusión

Con sus datos, el estudio muestra que la IA es tratada por los estudiantes como un actor casi social (por la asignación de personas y la comunicación “como si fuera humana”), pero esa “relación” va acompañada de verificación crítica y reflexión ética para usarla bien en un contexto académico.

Para ti

Para un consultor SEO/GEO, este paper no mide citas de fuentes ni comportamientos de enlace (no aporta datos sobre qué hace que una IA cite un sitio). Sí sirve como contexto: cuando la IA se usa como “mentor/compañero” y el usuario valida con verificación crítica, la probabilidad de que se acepten respuestas está condicionada por señales de confianza percibida y por la revisión, aunque el estudio no cuantifica cómo se traduce eso en citaciones web.

Leer el estudio original

Medición2026Google Scholar

Peran Persepsi Generative Artificial Intelligence dalam Memediasi Pengaruh Digital Presence Terhadap Brand Visibility Mall di Bali pada Konteks Ai-Based Search

IBGPP Udiyana, IGAAI Dinda…

El estudio analiza cómo la “presencia digital” de centros comerciales en Bali se traduce en “visibilidad de marca” cuando las personas hacen búsquedas con IA (tipo ChatGPT), probando el papel mediador de la percepción de la IA generativa en 130 visitantes.

Datos y qué significa para ti

Datos clave

  • La muestra fue de 130 visitantes de malls en Bali que usan herramientas de búsqueda con IA (ChatGPT y similares)
  • La presencia digital tuvo un efecto positivo y significativo sobre la visibilidad de marca, tanto directo como indirecto mediante “utilidad percibida” y “confianza percibida” hacia la IA
  • El efecto directo de la presencia digital sobre la visibilidad de marca fue relativamente más débil que los efectos indirectos (los mediadores), es decir, la relación no es “lineal”
  • La “confianza percibida” en la IA generada mostró un efecto mediador más fuerte que la “utilidad percibida”

Conclusión

Con los datos del estudio, la visibilidad de marca en búsquedas con IA se explica mejor por cómo la audiencia percibe la IA (especialmente su confianza) que por la presencia digital por sí sola; por eso la “conversión” desde presencia digital hacia visibilidad pasa por un proceso cognitivo mediado por la IA.

Para ti

Para SEO/GEO en entornos de búsqueda con IA, este estudio sugiere que no basta con “estar” digitalmente: lo que más pesa para que te mencionen/te den visibilidad en respuestas es que el usuario perciba como confiable la información generada con IA (y en menor medida su utilidad). Como el paper no mide citaciones ni porcentajes de mención directos, aporta más contexto sobre el mecanismo mental que una táctica concreta de SEO.

Leer el estudio original

Estrategia2026Google Scholar

Beyond Clicks: From Gatekeeper to Interpreter in the Zero-Click Era

S Ding, Y Zhang, M Iqbal, S Pal…

Ayuda a orientar una estrategia GEO para la era de búsqueda cero-click, donde la visibilidad depende de cómo los asistentes interpretan y sintetizan la información en lugar de recibir clics desde resultados. Proporciona un marco para pasar de optimizar para enlaces a optimizar para señales legibles por IA (estructura, contexto y cobertura) para aumentar la probabilidad de ser citado en las respuestas sintetizadas.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

Structured Linked Data as a Memory Layer for Agent-Orchestrated Retrieval

A Volpini, E Raad, B Gamba, D Riccitelli

El estudio prueba si usar datos enlazados y estructurados (HTML normal, HTML con JSON-LD y una “pagina de entidad” mejorada) mejora la exactitud y calidad de respuestas cuando una IA hace bœsqueda normal o mediante un agente con multi-hop, en cuatro dominios.

Datos y qué significa para ti

Datos clave

  • JSON-LD por si solo da mejoras modestas (sin cifra concreta en el texto aportado)
  • La “Enhanced” (pagina de entidad mejorada) mejora la exactitud en RAG estandar un +29.6%
  • La “Enhanced” mejora la exactitud en el pipeline completo de RAG agente un +29.8%
  • Enhanced+ (con mas “affordances” de navegacion) logra la mejor puntuacion absoluta de exactitud: 4.85/5 y completitud: 4.55/5
  • El plus Enhanced+ no muestra una ganancia incremental estadisticamente significativa frente a la version Enhanced base (segun el propio resumen)

Conclusión

El estudio demuestra que, para que las respuestas de una IA sean mas precisas y completas, lo que mas importa no es solo etiquetar con JSON-LD, sino servir una pagina de entidad mejorada con elementos navegables e instrucciones/estructura pensadas para la recuperacion y el razonamiento del agente. Enhanced+ mejora las puntuaciones absolutas, pero no aporta un salto adicional estadisticamente relevante sobre Enhanced.

Para ti

Si tu objetivo es ser citado en flujos donde la IA navega (RAG con agente y multi-hop), este estudio sugiere priorizar el formato de “pagina de entidad” con enlaces y ayudas de navegacion, porque el salto medido es ~+29.6% a +29.8% frente a RAG estandar/base. En cambio, limitarse a JSON-LD por si solo tiende a aportar mejoras pequeñas (no el salto grande observado con la pagina Enhanced).

Leer el estudio original

Medición2026Google Scholar

Tekoälyoptimoinnin mahdollisuudet yritykselle

T Vuokila

El trabajo define qué es la Generative Engine Optimization (GEO) y cómo se relaciona con la visibilidad del sitio de una empresa en resultados generados por IA. Ayuda a convertir la búsqueda en IA en un objetivo medible de SEO al vincular prácticas GEO con el rendimiento de aparición en respuestas automatizadas.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Beyond Publish and Pray: Engineering Research Excellence

C Voyant, N Fichaux, L Menard, S Cros…

Propone una transición operativa de SEO a Generative Engine Optimization (GEO), aclarando que GEO en este contexto se refiere a optimización para motores generativos. Enfatiza la ingeniería del contenido y la estrategia de investigación para mejorar la “excellence” más allá del enfoque de publicar y esperar resultados.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Optimising Content for GenAI & Leadership of AI Transformation: Case Study on Wärtsilä's Marketing and Communications

O Marttinen

Propone cómo optimizar contenidos para que sean recuperados y bien interpretados por LLMs en el contexto de marketing y comunicaciones, alineando la producción con nuevas dinámicas de búsqueda. El caso de Wärtsilä puede usarse como referencia operativa para liderar la transformación de IA de forma que mejore la visibilidad de marca y la coherencia del mensaje en la mediación de modelos generativos.

Datos y qué significa para ti

Leer el estudio original

Fundamentos2026Google Scholar

SEAKT™

M Biner

El paper propone el marco SEAKT y lo valida con un caso de estudio para medir y mejorar la “visibilidad” (citación) de una web en motores de búsqueda generativos, pasando de 73/100 a 89/100 tras una optimización.

Datos y qué significa para ti

Datos clave

  • El framework SEAKT calcula una puntuación total de visibilidad de 0 a 100, dividida en 4 bandas interpretativas: AI-Unsichtbar, Schwach, Solide y AI-Ready
  • En la validación empírica (caso HODL.swiss) el resultado mejora en el pre/post: 73/100 → 89/100 tras la optimización
  • SEAKT pesa su score con 5 dimensiones: Estructura de datos (25 puntos), Claridad de entidades (20), Autoridad y confianza (20), Calidad de contenido (20) y Accesibilidad técnica (15)
  • El paper indica que, en un trabajo previo citado (Aggarwal et al., 2024), estrategias específicas de GEO pueden aumentar la visibilidad en respuestas generativas “hasta en un 40%”, mientras que palancas clásicas de SEO pierden efecto
  • A nivel de mercado, citan que Similarweb (2025) reporta para ChatGPT un crecimiento de 28,5 mil millones de “visits” (abr-2024 a mar-2025) a 47,7 mil millones, y para Perplexity de 388,5 millones a 1,3 mil millones (+243,7% año contra año)

Conclusión

Este estudio muestra que una medición sistemática de la “AI-visibility” (según SEAKT) es auditable y que una web puede subir de forma medible su puntuación tras optimizaciones alineadas con datos estructurados, entidades, autoridad, calidad de contenido y accesibilidad técnica.

Para ti

Para GEO/SEO, el dato clave es que SEAKT permite pasar de “opiniones” a una puntuación 0–100 con cinco dimensiones, y que en HODL.swiss ese score sube 16 puntos (73→89) con una intervención; sirve como base para justificar y medir cambios orientados a citación en respuestas generativas, aunque el propio paper valida con un caso.

Leer el estudio original

Medición2026Google Scholar

How Large Language Models Source Brand Reputation Across Languages and Markets

D Zatuchin

El estudio analiza 167.551 citas URL con las que modelos de lenguaje (en 12 mercados y 13 idiomas) “fundamentan” respuestas sobre reputación de marca, para ver de dónde sacan esa información y qué dominios dominan.

Datos y qué significa para ti

Datos clave

  • El 85,7% de las citas apuntan a sitios que la marca no es dueña, frente al 14,3% que apuntan a sitios propios
  • El origen de las citas es muy concentrado: el 80% de las citas proviene de ~el 18% de los dominios, y encaja con una distribución long-tail (Zipf) con alpha = 0,86 y R² = 0,983
  • Wikipedia es el dominio más citado en 11 de los 12 idiomas; la excepción es lituano, donde el medio empresarial local (business daily) queda por delante con 4,38%
  • A nivel de mercado, el mix cambia en el margen: para 46 marcas nacionales polacas, YouTube es el dominio más citado; y en portales de RR. HH. y carreras, 4 portales generan 637 citas frente a 297 para la Wikipedia polaca (aprox. el doble)

Conclusión

El estudio muestra que, cuando una IA responde sobre una marca, su “visibilidad” y reputación dependen sobre todo de terceros (y de pocos dominios muy dominantes) más que del contenido propio de la marca, con diferencias claras según idioma y mercado.

Para ti

Para intentar que te citen, este estudio sugiere que cuenta más aparecer en fuentes de terceros dominantes (como Wikipedia en la mayoría de idiomas) que en tus propios canales, y que en mercados concretos importan fuentes locales/sectoriales (p. ej., YouTube o portales de empleo en Polonia). Si trabajas en varios países/idiomas, el patrón cambia: no basta con replicar un mismo “tipo de fuente” en todos.

Leer el estudio original

Riesgos2026Google Scholar

From SEO to AIO (II): Category Moderation and the Refinement of Operational Dominance in the Agent Decision Preference Stack

PF Accornero

El paper refuerza la diferencia entre AIO y GEO y propone que la moderación de categorías influye en la toma de decisiones del agente dentro del “decision preference stack”. Para equipos GEO, esto implica que la optimización no solo debe mejorar señales de contenido, sino controlar reglas operativas y restricciones de categorías que determinan qué resultados dominan, reduciendo riesgos de desalineación con las preferencias del agente.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

A-Index: Rethinking Scholarly Influence When Your Audience is an Algorithm

S Jiang

Propone el A-Index para evaluar la influencia académica específicamente cuando la audiencia es un motor generativo, no un lector humano. Ofrece un marco accionable para priorizar señales de citación e impacto que aumenten la probabilidad de ser recuperado y citado por sistemas tipo LLM y asistentes como Google AI Overviews.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

2026 년 디지털 마케팅 키워드는'CAPEX'…'크리에이터∙ AI 중심 경험 혁신'예고

이광재

El texto aportado no contiene los resultados ni métricas del estudio sobre qué hace que las IA citen una fuente; es básicamente una página/ruido de un visor de DBpia, con metadatos y mensajes de la plataforma.

Datos y qué significa para ti

Conclusión

Con el material pegado aquí no es posible extraer hallazgos del estudio (no aparecen porcentajes, conteos, metodología legible ni resultados).

Para ti

Parece que el PDF o la captura no incluyó la parte clave (introducción de la investigación, datos y resultados). Si pegas el apartado de resultados/tabla/gráficos o el resumen del estudio original, podré devolverte 2–5 hallazgos con cifras y su implicación SEO/GEO.

Leer el estudio original

Estrategia2026Google Scholar

La biblioteca universitaria en la era de la IA: una visión de usuario

L Codina

El texto explica una medida anti-scraping en una web (tipo “Proof-of-Work/Hashcash”) para frenar bots y encarecer el scraping masivo, aunque puede afectar la accesibilidad al causar pausas (downtime).

Datos y qué significa para ti

Datos clave

  • El sistema es un “Proof-of-Work” en la línea de Hashcash (no da cifras de rendimiento, pero sí el mecanismo)
  • Afirma que este bloqueo puede “cause downtime” y que recursos del sitio pueden quedar “inaccesibles para todos”
  • Indica que el mecanismo necesita “modern JavaScript features”, y que plugins como JShelter pueden deshabilitarlo, impidiendo superar el reto
  • Se plantea que a “individual scales” la carga adicional es “ignorable”, pero a “mass scraper levels” “adds up” y hace el scraping “much more expensive”

Conclusión

Este texto no estudia qué fuentes cita una IA; describe una barrera técnica para evitar scraping automatizado. Aun así, muestra que el acceso al contenido puede depender del JavaScript, lo que puede limitar la recolección automática por parte de sistemas que no ejecuten JavaScript o que operen como “scrapers”.

Para ti

Para SEO/GEO, el mensaje sugiere que si una web usa retos anti-bot que requieren JavaScript moderno, los sistemas automatizados (incluidos rastreadores que no pasen el reto) pueden no ver el contenido, afectando la posibilidad de que se indexe o se reutilice como fuente.

Leer el estudio original

Riesgos2026Google Scholar

Development of a Content Creation Model Using Natural Language Generation

POJ Ateko, CI Amannah, HO Ordu…

El estudio construye y evalúa un modelo de creación de contenido con IA (NLG-ACCO) para medir cómo mejora la calidad del texto frente a una base, usando métricas automáticas de redacción y rendimiento del lenguaje.

Datos y qué significa para ti

Datos clave

  • NLG-ACCO mejora BLEU a 0.79 frente a 0.61 de la base
  • NLG-ACCO mejora ROUGE-L a 0.76 frente a 0.36 de la base
  • La perplejidad baja de 45.2 a 27.8 (predicciones más coherentes)
  • La legibilidad mejora un 24% y el tiempo de post-edición baja un 38.5%
  • La detección de sesgos mitiga el 87% de los casos marcados

Conclusión

Con estos datos, el paper demuestra mejoras cuantificables en calidad, coherencia y control (sesgos) del contenido generado por un modelo de lenguaje, pero no mide ni analiza que “las IAs citen una fuente” (no hay experimentos sobre citas a fuentes).

Para ti

Si tu objetivo es que te citen, este estudio aporta contexto sobre cómo se controla y optimiza el texto generado, pero no da pruebas (con números) de qué hace que un sistema como ChatGPT/Perplexity/Gemini cite una URL o un documento. Úsalo solo como referencia de calidad y fiabilidad del contenido, no como palanca directa de citas.

Leer el estudio original

Riesgos2026Google Scholar

The Cognitive Capture Crisis: Why Advertising Inside Conversational AI Requires Immediate Legislative Action

W Liu

Advierte que la GEO puede derivar en una “captura cognitiva” cuando la publicidad incrustada en IA conversacional se diseña para ser citada preferentemente, sesgando respuestas y dañando la competencia informativa. Propone acción legislativa inmediata para introducir salvaguardas, reduciendo el riesgo de que los motores de IA actúen como canal de influencia no controlado para contenidos prepublicados.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Positioning as the Sole Solver in High-value Accounts How to Move from Zero to Preferred Partner in Six Months

A Regis

Propone un marco para posicionarte como el único solucionador en cuentas de alto valor, pasando de cero a partner preferente en seis meses. Integra investigación de Category Entry Point con pensamiento sistémico, neurociencia de la confianza y Generative Engine Optimization para acelerar visibilidad y credibilidad frente a compradores.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

The AI Marketing Canvas: A Five-Step AI Plan for Marketers

R Venkatesan, J Lecinski

El texto que compartiste no es un estudio sobre citaciones de IA, sino la ficha/fragmento de un libro (“The AI Marketing Canvas, Second Edition”) de Rajkumar Venkatesan y Jim Lecinski, sin datos de análisis de cuántas veces o por qué las IA citan fuentes.

Datos y qué significa para ti

Conclusión

Con este fragmento no se puede determinar qué hace que ChatGPT, Perplexity, Gemini, Google AI o Claude citen una fuente, porque no incluye metodología ni resultados medibles del estudio.

Para ti

Este material no aporta evidencia cuantitativa ni hallazgos aplicables para tu trabajo de SEO/GEO sobre citaciones por IA. Si pegas el apartado donde el paper describe el experimento y los resultados (con porcentajes, tamaños de muestra, o tablas), te lo resumo en el formato pedido.

Leer el estudio original

Medición2026Google Scholar

Neue Suchwelten: Ein praxisorientierter Leitfaden für Sichtbarkeit in Suchmaschinen und generativen Suchsystemen

AL Ströbel

El trabajo analiza qué factores determinan la visibilidad/citación de empresas en buscadores tradicionales y en respuestas de sistemas generativos como ChatGPT o Google AI Overviews, y lo contrasta con entrevistas cualitativas a expertos.

Datos y qué significa para ti

Datos clave

  • El estudio se basa en entrevistas cualitativas a profesionales para validar y completar el planteamiento del “leitfaden” (guía práctica) sobre visibilidad en búsqueda clásica y en sistemas generativos
  • Concluye que la visibilidad “exitosa” en el futuro se apoyará “sobre todo” en cuatro pilares: contenido de alta calidad, relevancia semántica, calidad técnica y autoridad externa
  • El objetivo del trabajo se centra en que las empresas aparezcan en respuestas de IA generativa como “presente, citado o recomendado” (no solo en rankings de buscadores)

Conclusión

Este estudio muestra que, para que una empresa sea citada o recomendada por sistemas generativos (además de aparecer en rankings clásicos), la clave está en la combinación de contenido de alta calidad, relevancia semántica, calidad técnica y autoridad externa, tal como se desprende de su validación con expertos.

Para ti

Para tu estrategia SEO/GEO, el resultado útil de este trabajo es el “mix” que prioriza la guía: no basta con contenido; también importa la relevancia semántica y la calidad técnica, y la autoridad externa es un pilar explícito para conseguir menciones/recomendaciones en respuestas de IA. Como el texto no aporta métricas (porcentajes o rankings medidos), aquí la táctica es principalmente de priorización de factores, no de impacto cuantificado.

Leer el estudio original

Riesgos2026Google Scholar

Agent-Facing Information Design in LLM Tool Registries

HK Wang

El estudio prueba qué elementos de los registros de herramientas de LLM hacen que el sistema elija mejor (y/o se sesgue) al usar 17.700+ ensayos con cinco LLM en diez dominios.

Datos y qué significa para ti

Datos clave

  • El “puffery” legal (frases superlativas subjetivas y framing de beneficios) explica el 100% del efecto de optimización medido
  • Las afirmaciones fabricadas (claims inventados) no añaden sesgo adicional: el estudio reporta 0% de incremento de sesgo por claims fabricados
  • Las advertencias por prompt del sistema no funcionan: no generan efecto medible en 4 de los 5 modelos probados
  • Las “superlatives” (superlativos) son la característica dominante: SBC = +0,35
  • La normalización de descripciones en la capa del registro (descripciones controladas por el registro) logra un “primer mejor bienestar” que funciona de forma consistente entre modelos (modelo-independiente)

Conclusión

Con los datos del estudio, la forma en que están redactadas las descripciones en los registros (sobre todo superlativos) es lo que más afecta a la selección por agentes, mientras que el “aviso” en prompt no corrige de forma medible ni los claims engañosos generan sesgo extra adicional.

Para ti

Para maximizar probabilidades de que una IA/agente te use desde un registro de herramientas, lo que este estudio muestra es que el texto “de selección” con superlativos impacta más que confiar en advertencias (prompt warnings) para corregir sesgos. Además, como la normalización controlada por el registro mejora resultados de forma consistente, tu mejor palanca en ese entorno es cómo se presenta tu descripción en el registro (no si el sistema avisa).

Leer el estudio original

Medición2026Google Scholar

The Anchor-Entity Effect: How Superstar Brands Drive Sectoral Citation Concentration in Large Language Models

A Caramaschi

El estudio audita durante 48 días, en 5 modelos de IA y 4 sectores del mercado brasileño, qué tan a menudo citan marcas de forma espontánea y demuestra si esas diferencias por sector se explican por 1 “marca ancla”.

Datos y qué significa para ti

Datos clave

  • La cita espontánea total favorece fintech: 28.15% de respuestas, frente a retail (24.94%), tecnología (14.50%) y salud (13.35%)
  • En fintech, 1 sola marca domina: Nubank explica el 49.68% de las menciones fintech y el 59.31% de las respuestas que citan alguna marca fintech citan Nubank y ninguna otra
  • Al eliminar Nubank (leave-one-out del “modal”), fintech cae de 28.15% a 11.46% y su efecto ajustado frente a salud se invierte de un odds ratio 4.13 a 0.77; además el sector pasa de 1º a último
  • El “gap” fintech vs retail no se sostiene bajo prueba por clúster (Welch t = 0.65, no significativo), pero la reversión por leave-one-out sí se mantiene (t = −3.35) a lo largo de 8 semanas
  • El peso del ancla aumenta durante la ventana: la cuota interna de Nubank dentro de fintech sube aproximadamente de 41% (semanas 16–18) a 53%–59% (semanas 19–23)

Conclusión

Aunque en bruto fintech parece el sector más citado, el estudio muestra que esa “ventaja sectorial” está impulsada por la concentración alrededor de la marca ancla (Nubank). La prueba de eliminación (leave-one-out) hace que fintech pierda su ventaja y la reordene, demostrando que la cita por sector no se comporta como una propiedad difusa del sector sino como un efecto de una entidad dominante.

Para ti

Si en tu sector hay una marca que funciona como “ancla”, su presencia puede determinar casi toda la concentración de citas de IA; el estudio lo prueba con la caída de 28.15% a 11.46% al retirar Nubank. Para SEO/GEO, esto sugiere que en ciertos mercados la diferencia no la hace “el sector” sino el liderazgo de 1 marca concreta dentro de ese sector.

Leer el estudio original

Riesgos2026Google Scholar

C-SEO Bench: Does Conversational SEO Work?

H Puerto, M Gubri, T Green, SJ Oh…

El estudio prueba métodos de “conversational SEO” (C-SEO) frente a estrategias tradicionales en respuestas conversacionales de LLM, comparando dos tareas (preguntas y recomendaciones de producto), tres dominios por tarea y distintos niveles de adopción por varios “actores”.

Datos y qué significa para ti

Datos clave

  • La evaluación abarca 2 tareas: question answering y product recommendation
  • Incluye 3 dominios por cada tarea (en total, 3 + 3 dominios)
  • Concluye que la mayoría de los métodos C-SEO actuales no solo son poco eficaces, sino que a menudo empeoran el ranking de los documentos (efecto contrario al esperado)
  • Al aumentar el número de adoptantes de C-SEO, disminuyen las ganancias agregadas, describiendo el problema como “congestión” y de suma cero

Conclusión

Según los datos del estudio, la mayoría de técnicas C-SEO analizadas no logran que los LLM posicionen mejor la fuente en respuestas conversacionales y, en muchos casos, la empujan hacia abajo. Además, cuando más competidores adoptan C-SEO a la vez, el beneficio total cae, indicando que no es un “wins siempre” individual sino un juego competitivo donde se compensan mejoras.

Para ti

Para una estrategia de SEO/GEO, este paper sugiere que concentrarte en técnicas específicamente orientadas a C-SEO puede ser contraproducente si tu objetivo es mejorar tu posición en respuestas tipo LLM. También indica que, si tu sector adopta estas tácticas en masa, es probable que el impacto agregado sea pequeño o nulo (suma cero), así que el diferencial no viene solo de “hacer C-SEO”, sino de qué enfoque realmente mejora el ranking en el contexto del modelo (el estudio compara y favorece estrategias SEO tradicionales).

Leer el estudio original

Riesgos2026Google Scholar

Unveiling the Resilience of LLM-Enhanced Search Engines against Black-Hat SEO Manipulation

P Chen, G Hong, X Wu, M Wu, Z Zhu, M Liu…

El paper analiza la resistencia de los motores de búsqueda potenciados por LLM frente a manipulaciones de Black-Hat SEO, ayudando a estimar el impacto de ataques sobre la visibilidad orgánica. Aporta un marco para evaluar la robustez del sistema y detectar patrones de abuso, con foco en mejorar la gobernanza y las defensas de GEO ante prácticas adversariales.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Per-Entity Bias Mapping for AI Visibility: Why Brand Mentions Require Entity-Specific Calibration

Z Varga

El estudio analiza, con 1.400 pruebas sobre 100 marcas B2B húngaras y 2.062 fuentes, por qué la visibilidad de menciones en respuestas de IA no depende solo de “cuántas veces se cita”, sino de sesgos distintos por entidad.

Datos y qué significa para ti

Datos clave

  • Las marcas Tier 1 generan 52,69% de citaciones fabricadas, frente a 37,87% en Tier 3 (diferencia de +14,82 puntos; p=1,67e-11)
  • Cuando las preguntas se enmarcan con tono regulatorio, las citaciones fabricadas suben a 56,77% frente a un baseline del 37,59% (+19,2 puntos)
  • El estudio identifica que en contextos de cumplimiento la “escalada por rechazo” empeora la confabulación: los filtros de calidad usados por agentes actúan como aceleradores de alucinación en esos prompts (hallazgo cualitativo con mecanismo propuesto)

Conclusión

A partir de sus datos, el paper demuestra que la probabilidad de que una IA “c ite” algo está fuertemente afectada por el tipo de marca (Tier) y por el marco del prompt (p. ej., regulatorio), no solo por la frecuencia general de menciones.

Para ti

Para tu estrategia de captación de menciones citables, este estudio sugiere que el “tamaño” de marca (Tier) y el tipo de intención/prompt (regulatorio) cambian el riesgo de citas fabricadas, así que no basta con apuntar a más presencia: hay que pensar en cómo tu entidad encaja en el patrón de error que el paper mide para su categoría. Además, el hallazgo de la escalada por rechazo indica que en escenarios de cumplimiento, los sistemas tienden a empeorar la confabulación, así que la citabilidad que buscas debe resistir ese tipo de prompts.

Leer el estudio original

Riesgos2026Google Scholar

How Much Can We Trust LLM Search Agents? Measuring Endorsement Vulnerability to Web Content Manipulation

Y Chen, Z Ren, F Laakom, Y Li, D Guo…

El estudio mide cuánto se pueden corromper las recomendaciones de agentes de búsqueda basados en IA cuando una web manipulada intenta que el sistema “endose” contenido malicioso, probando 13 modelos en 308 casos.

Datos y qué significa para ti

Datos clave

  • El “éxito del ataque” (ASR) varía mucho entre modelos: 0.0% en Claude-Sonnet-4.6 y 31.4% en Gemini-3-Flash
  • Prueban 13 backends en 308 casos cada uno (mismo tipo de evaluación para comparar vulnerabilidades entre modelos)
  • La modalidad de ataque más efectiva no es la misma para todos: el estudio afirma que “el modo fuerte” cambia según la familia del modelo
  • La misma “plantilla” de despliegue puede aumentar o reducir el ASR según el backend (o sea, no hay un comportamiento uniforme entre modelos)
  • En una prueba auxiliar donde “el endoso” se convierte en un comando de instalación, se ve una división clara: Claude “sobre-rechaza” mientras GPT “sobre-confía”

Conclusión

El paper demuestra que la probabilidad de que una IA cite/endoce contenido manipulado en búsquedas web no es igual entre modelos: depende del backend y del tipo de ataque, con diferencias extremas (de 0.0% a 31.4%) y con cambios incluso cuando se ajusta el modo de generar la “recomendación”.

Para ti

Para SEO/GEO, este estudio sugiere que el “peso” de que te citen o te endosen en respuestas de IA no depende solo de tu contenido, sino del modelo que las usa: algunos sistemas rechazan más y otros caen con más facilidad ante ciertos patrones de evidencia. En la práctica, la estrategia de visibilidad debe evaluarse por modelo (no solo por “calidad general”), porque el mismo andamiaje puede disparar o reducir el riesgo de que una cita termine corrompida.

Leer el estudio original

Estrategia2026Google Scholar

Optimizing Technical Documentation for RAG Systems: A Comparative Analysis of Semantic Chunking vs. Structural Formatting

A Dhakal, SS Neupane, A Dhakal, M Paudel

Compara el impacto del semantic chunking frente al formateo estructural en la documentación técnica usada por sistemas RAG, para guiar decisiones de arquitectura de contenido. Aporta criterios operativos para mejorar recuperación y precisión (p. ej., manteniendo coherencia semántica por fragmento o preservando jerarquías mediante formatos), reduciendo iteraciones en ajuste de prompts y “retrieval”.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Attention is not all you need: How AI is reshaping consumer attention and the future of brand strategy

M Chiriatti, MB Ganapini, E Panai…

El estudio analiza cómo funciona “System 0” (la capa de IA que pre-filtra y prepara información antes de que el usuario piense), y usa esa idea para explicar qué cambia en la visibilidad/decisión de marca en entornos con asistentes y respuestas generadas.

Datos y qué significa para ti

Conclusión

Con el material del artículo, no se mide ni se informa un conjunto de números (por ejemplo, porcentajes de citación o proporciones de fuentes) sobre qué hace que una IA cite una fuente; el texto se centra en el rol de “System 0” y en cómo la IA reconstruye información para el usuario, más que en reglas observables de citación.

Para ti

Útil para entender el “por qué” conceptual: si la IA actúa como preprocesador (System 0) y reconstruye/sintetiza antes de que el usuario vea fuentes, la citación pasa a depender de cómo la IA reempaqueta evidencia. Pero con este fragmento no hay datos accionables específicos para “qué tipo de fuente obtiene citas” en términos cuantificables.

Leer el estudio original

Medición2026Google Scholar

Generatiivinen hakukoneoptimointi rakennusalalla: AI-hakupalveluiden luottamussignaalit ja kehitysehdotukset Vinter Oy: lle

S Manninen

El trabajo se enfoca en identificar señales de confianza para servicios de búsqueda con IA en el sector de la construcción, alineando la estrategia GEO con cómo los motores generativos evalúan autoridad y credibilidad. Aporta un marco de recomendaciones prácticas para priorizar contenido y datos que activen esos trust signals y así mejorar la visibilidad en resultados generativos para empresas como Vinter Oy.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Agentizing Privacy Preferences Without Privatizing Data Protection Policy

F Pasquale, V Carter

Advierte cómo los mecanismos tipo GAI pueden incorporar influencia comercial que erosiona la neutralidad percibida, afectando la confianza en políticas de protección de datos. Te ayuda a identificar riesgos de “privatización” normativa y a definir controles para auditar sesgos y cumplimiento en flujos de personalización de preferencias de privacidad.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

ICT Showroom verkkosivuston SEO-analyysi ja kehittäminen

J Luotonen

Propone un marco de Generative Engine Optimization (GEO) para alinear el contenido del sitio con cómo los modelos generativos interpretan y sintetizan información. Sirve como guía práctica para detectar mejoras en contenido y estructura que aumenten visibilidad en buscadores basados en IA, reduciendo el riesgo de respuestas incompletas o inconsistentes.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Attention is not all you need

M Chiriatti, MB Ganapini, E Panai, G Riva

El paper propone el concepto “System 0” (la capa de IA que prefiltra y resume información antes de que el usuario decida) y traduce esa idea en un modelo de “AI Optimization (AIO)” sobre qué prácticas harían más probable que la IA cite/recomiende información de una marca, pero sin presentar un experimento propio con cifras de citaciones.

Datos y qué significa para ti

Datos clave

  • El texto no incluye un estudio empírico propio con recuentos de citaciones (no se informan porcentajes, número de consultas, ni distribución de fuentes citadas)
  • Menciona evidencia “temprana” de que, con resúmenes de búsqueda generados por IA, los usuarios hacen menos clic y “rara vez consultan las fuentes citadas” (se cita Chapekis & Lieb, 2025, pero el paper aportado no da el dato numérico)
  • Define tres mecanismos de “System 0” que influyen en cómo se selecciona y estructura la información: función epistemológica (selecciona/estructura/resume), base computacional (trabaja con tokens/embeddings/metadata, a nivel “pre-semántico”) e “hibridación estructural” (filtra/rankea rápido y a veces hace análisis pesado)

Conclusión

Con el material mostrado, el estudio sostiene que las IA tienden a “reconstruir” información y a hacerla recuperable/usable para su síntesis antes de que el usuario vea el origen, por lo que la probabilidad de que una marca sea citada o recomendada depende de señales que sobreviven a esa transformación (estructuras, actualidad, contexto y pruebas con prompts/personas). Sin embargo, en el texto facilitado no hay mediciones propias que cuantifiquen directamente cuántas veces citan o qué fuentes ganan frente a otras.

Para ti

Como consultor SEO/GEO, este paper aporta el “por qué” (la IA opera como preprocesador y sintetizador), pero con el fragmento que has dado no hay métricas accionables sobre impacto real en citaciones. La única pista práctica cuantificable que falta aquí es el “cuánto” cae el uso de fuentes citadas en resúmenes de IA (se menciona, pero sin número en el texto compartido).

Leer el estudio original

Riesgos2026Google Scholar

Reddit doesn't get cited (through the API): Training data influence, access-channel divergence, and the shadow corpus in AI brand recommendations

A Lee

El estudio analiza por qué las IAs citan (o no) URLs en recomendaciones de productos, comparando 6.699 citas vía API con comportamiento de cita en interfaces web, y además midiendo si el consenso de marcas en Reddit predice qué marcas recomienda la IA.

Datos y qué significa para ti

Datos clave

  • En una muestra de 6.699 URLs citadas por ChatGPT y Perplexity a través de su API en 120 consultas de recomendación, el estudio encontró 0 citas a Reddit
  • En las mismas consultas, Reddit ocupaba 38,3% de los Top-3 orgánicos de Google (138 de 360 posiciones), o sea, mucha presencia en resultados tradicionales pero ninguna cita vía API
  • Al medir la relación entre el “ranking” de marcas en Reddit y las marcas recomendadas por 4 IAs (ChatGPT, Claude, Perplexity y Gemini), el estudio reporta una correlación media Spearman ρ = 0,554 en 12 categorías; las 12 categorías fueron significativas (p < 0,05) y 8 de 12 siguieron siendo significativas tras corrección Bonferroni
  • Para la parte de interfaces web (con scrapers), las tasas de cita de Reddit fueron 44% en Google AI Mode, 20% en Perplexity y 17% en ChatGPT; en consultas de opinión/comparación (intent “opinions and comparisons”) subió a 71% en Google AI Mode y 46% en Perplexity
  • En contraste, en el canal API la tasa de cita de Reddit fue 0% en todas las plataformas; además, Claude fue la única que mantuvo 0% en ambos canales (API y UI)

Conclusión

El estudio demuestra que Reddit no es “invisible” para las IAs: su influencia puede aparecer sin cita en el canal API (porque el modelo absorbe el consenso), pero en interfaces web sí se cita de forma notable (hasta 44%). También confirma que el patrón no es uniforme: Claude no cita Reddit en ningún canal del experimento.

Para ti

Para una estrategia GEO, este estudio sugiere que “ser citado” por una IA depende del canal: en API tu visibilidad puede traducirse más como “señal absorbida” que como URL citada, mientras que en UI hay una ventana real donde Reddit puede aparecer en la respuesta. En la práctica, si tu objetivo es aparecer como referencia explícita, este estudio apunta a que eso solo es viable en el tipo de respuestas/canales donde la UI recupera y cita fuentes (picos altos en opiniones/comparaciones), y que en API puede no reflejarse como cita aunque influya.

Leer el estudio original

Riesgos2026Google Scholar

Combating Knowledge Corruption in Agent Systems: A Byzantine-Tolerant Secure Collaborative RAG Framework

Z Wang, D He, Z Zhang, Y Liu, J Liu, Z Zeng…

Propone un marco colaborativo RAG tolerante a fallos bizantinos para reducir la corrupción del conocimiento en sistemas de agentes, reforzando la confiabilidad del contenido recuperado. Orienta prácticas de gobernanza GEO centradas en validación, consistencia y tolerancia a actores maliciosos para mejorar la calidad y evitar degradación de la visibilidad atribuible a datos comprometidos.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Communication management radar 2026: Simulated communication, constrained AI agents, cognitive drift, power flux, strategic subtraction

M Wloka, A Zerfaß

El texto analiza cómo EconStor usa Anubis (un sistema tipo Proof-of-Work) para frenar el scraping masivo de bots de empresas de IA y qué impacto tiene en el acceso a la web.

Datos y qué significa para ti

Datos clave

  • Anubis está configurado para “proteger el servidor” frente a el “scraping” agresivo de compañías de IA
  • El texto afirma que este tipo de protección “puede y de hecho causa downtime” y hace que los recursos sean “inaccesibles” para todos
  • Anubis usa un esquema de Proof-of-Work inspirado en Hashcash, propuesto para reducir el spam por correo
  • El propio texto indica que Anubis es “un placeholder” y que su objetivo es ganar tiempo para mejorar el “fingerprinting”/identificación de navegadores headless (incluye ejemplo: “cómo renderizan fuentes”)
  • Para pasar el reto se requiere “enable JavaScript”; además, menciona que depende de funciones modernas de JavaScript y que plugins como JShelter pueden impedirlo

Conclusión

El estudio (tal como está descrito en este texto) no mide qué hace que una IA cite fuentes; se centra en cómo se bloquea el scraping automático mediante un reto Proof-of-Work y fingerprinting, y en el efecto de causar indisponibilidad o necesidad de JavaScript.

Para ti

Para una estrategia de visibilidad en IA, este texto aporta contexto defensivo: si tu web aplica mecanismos ant-bot con Proof-of-Work y requiere JavaScript, es probable que el acceso automatizado (y por tanto la posibilidad de ser indexado/citado por sistemas de IA) sea más frágil o menos eficiente. No da cifras sobre citas, así que no permite traducirlo a un impacto cuantificado.

Leer el estudio original

Medición2026Google Scholar

AI Perception Index 2026 How Large Language Models Position Brands in the AI Era

F Tugtekin

Propone una medición empírica del posicionamiento de marca dentro de LLMs usando el Perception Control Framework v2 (PCF v2), con evidencia basada en seis marcas. Ayuda a equipos GEO a pasar de la intuición a un proceso comparable de visibilidad en IA, usando un marco y resultados que pueden servir de referencia en futuras evaluaciones.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Dawn of the AI era in marketing strategy and twilight of the conglomerates era in corporate strategy: Knowledge decay, knowledge relevance lifespan and …

R Varadarajan

El paper sostiene que la transición de SEO a GEO favorece a las marcas con información estructurada, lo que reduce la pérdida de conocimiento cuando cambian los modelos y el contexto de búsqueda. Aporta el concepto de vida útil de la relevancia del conocimiento, ayudando a definir cadencias y prioridades de actualización de contenidos para mantener visibilidad en motores generativos.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

GEO: n ja SEO: n synergia ja erot tulevaisuuden hakukonemarkkinoinnissa

E Idänheimo

Explica en qué se diferencian y en qué se alinean el SEO tradicional y el GEO, para definir una estrategia conjunta de búsqueda que use señales y contenidos adecuados a motores generativos. Te ayuda a priorizar acciones de optimización pensando en el futuro del marketing de buscadores y en cómo la sinergia SEO+GEO puede mejorar el rendimiento orgánico más allá de los resultados clásicos.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Трансформація інформаційних бульбашок: порівняльний аналіз алгоритмічного та генеративного пошуку (на прикладі Google та Perplexity)

А Чорнобильський, А Гусєв, А Лященко

El paper aporta un marco para comparar cómo el algoritmo tradicional y el motor generativo afectan la visibilidad en búsqueda, usando como referencia Google y Perplexity. Ayuda a detectar qué señales optimizadas para motores generativos (por ejemplo, formulación y formato del contenido) incrementan la probabilidad de aparición en resultados impulsados por IA y a priorizar acciones de SEO/GEO con base en resultados medibles.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

AI and the Collapse of the www

A Chan

El paper estudia, en un modelo económico, cómo los sistemas de respuesta con IA pueden desplazar visitas al “open web” de editores y, al debilitar señales de calidad por fuentes, volver ese contenido menos sostenible.

Datos y qué significa para ti

Datos clave

  • El trabajo modela el efecto de que una plataforma de IA “subvalora” (underinternalizes) la futura reproducción del contenido: con ello retiene demasiado poco tráfico de referencia hacia las fuentes
  • Muestra que puede hacer que información del open web “se vuelva subcrítica” (se vuelve inviable/insostenible) incluso si las respuestas de IA son veraces, precisas y los usuarios son racionales
  • Propone que el mecanismo es auto-reforzado: si hay menos medición basada en fuentes (less source-level measurement), se debilita la búsqueda convencional y eso aumenta la dependencia de la IA
  • Para reparar la sostenibilidad, plantea reemplazar ingresos desplazados y “restituir” la medición perdida mediante: regalías por reemplazo de visitantes, procedencia auditada, auditorías humanas de información y compensación por temas clave (keystone-topic)

Conclusión

El estudio concluye que la IA puede dejar de citar/derivar al open web no porque invente o responda mal, sino porque, al reducir tráfico y medición desde las fuentes, erosiona la base que hace sostenible que ese web siga siendo referencia.

Para ti

Para un consultor SEO/GEO, el mensaje clave es que la citación/derivación no depende solo de “calidad” percibida en la respuesta, sino de señales de medición ligadas al tráfico hacia fuentes: si la IA captura el valor sin compensar la reproducción/auditoría de origen, se crea un ciclo que reduce la relevancia del web que alimenta a la búsqueda. El paper no da cifras de porcentaje de citas, pero sí identifica los palancas concretas del modelo (regalías por reemplazo, procedencia auditada y compensación por temas clave) que, si no existen, explican el descenso de referencias.

Leer el estudio original

Medición2026Google Scholar

ВИДИМОСТЬ КОНТЕНТА В ЭПОХУ ГЕНЕРАТИВНОГО ПОИСКА: АНАЛИЗ МЕХАНИЗМОВ ОТБОРА И ЦИТИРОВАНИЯ В RAG-СИСТЕМАХ

МА Бондарев, ГС Шевченко

El estudio analiza por qué algunas páginas web terminan citadas en respuestas de sistemas RAG (búsqueda + IA generativa) y cuáles factores del contenido o la página aumentan o reducen esa citación.

Datos y qué significa para ti

Datos clave

  • En el benchmark citado de GEO (10.000 consultas), las estrategias clásicas de SEO no aumentaron la visibilidad en la IA, mientras que aumentar la densidad de información de los fragmentos sí dio un efecto medible
  • En el trabajo de Karpukhin et al. sobre recuperación, el buscador vectorial denso superó a BM25/TF-IDF en 9–19 puntos porcentuales en precisión de extracción (en benchmarks como NQ, TriviaQA y WebQ)
  • Cuando se optimizan estrategias relacionadas con densidad informativa, el estudio reporta mejoras de +41% en Position-Adjusted Word Count y +28% en la valoración subjetiva de visibilidad (según resultados de Aggarwal et al.)
  • El paper remarca que la citación solo es posible si el hecho relevante estuvo dentro del Top-K contexto entregado por el sistema de recuperación (Top-K típicamente es pequeño, 3–5, para priorizar precisión, o grande, 10–20+, para priorizar cobertura)
  • Se indica que en el proceso de vectorización de un corpus (citado con el ejemplo de Wikipedia), la segmentación se hace en fragmentos de ~100 palabras; si el contenido no tiene estructura textual clara (tablas sin marcar, escaneos ilegibles, PDFs no extraíbles), el “vector” sale degradado y el ranking en búsqueda semántica cae

Conclusión

Con los datos reunidos, el paper concluye que una página no “aparece” por SEO clásico, sino porque puede ser indexada y recuperada en el paso RAG (en un fragmento relevante y denso) y luego la IA puede atribuir partes del texto generado a esos fragmentos del contexto entregado.

Para ti

Para SEO/GEO, el impacto real que muestra el estudio está en que tu contenido llegue al “Top-K de fragmentos” recuperados: accesibilidad técnica para indexar + fragmentos con afirmaciones completas y densidad informativa (lo que el paper liga a +41% y +28%). Si tu contenido no se puede extraer bien o no tiene segmentación útil, aunque tenga buenas palabras clave, el paper muestra que la citación en RAG cae porque la IA solo responde con el contexto recuperado.

Leer el estudio original

Estrategia2026Google Scholar

Traditionshandwerk setzt auf Zukunftstechnologien: Traditionshandwerk setzt auf Zukunftstechnologien

D Hoffmann

El texto compartido no contiene el estudio sobre citaciones de IA, solo la ficha/portada de un artículo de Springer Nature; por tanto no es posible extraer qué investiga ni qué mide sobre cuándo ChatGPT/Perplexity/Gemini/Google AI/Claude citan fuentes.

Datos y qué significa para ti

Conclusión

Con el material proporcionado no hay datos del estudio sobre citaciones de IA, así que no se puede concluir nada específico (con cifras o hallazgos) sobre qué hace que esas IAs citen una fuente.

Para ti

Este extracto no aporta métricas ni resultados del tipo que necesitas para traducirlo a acciones SEO/GEO. Si pegas el contenido del apartado de resultados o cualquier tabla/porcentaje del paper, puedo devolverte el resumen con cifras.

Leer el estudio original

Estrategia2026Google Scholar

Verkkosivujen näkyvyyden kehittäminen hakukoneoptimoinnilla sekä tekoälyä hyödyntäen

P Santavirta

Propone un enfoque de Generative Engine Optimization (GEO) para mejorar cómo las respuestas de motores impulsados por IA seleccionan y sintetizan contenido desde la web. Ayuda a definir prioridades de optimización orientadas a la visibilidad en búsquedas generativas, combinando prácticas de SEO tradicionales con criterios que refuerzan la relevancia y la capacidad de análisis del modelo.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

The End of Rented Discovery: How AI Search Redistributes Power Between Hotels and Intermediaries

P Zhu, S Chang

El estudio analiza 1.357 citaciones usadas como “fuente” por Google Gemini en 156 búsquedas de hoteles en Tokio, y mide cómo el tipo de intención (experiencial vs transaccional) cambia qué sitios aparecen citados.

Datos y qué significa para ti

Datos clave

  • En consultas experienciales, el 55,9% de las citaciones provienen de fuentes no-OTA; en consultas transaccionales es 30,8% (brecha de 25,1 puntos porcentuales; p < 5 × 10^-20)
  • El patrón se amplifica en japonés: 62,1% de citaciones no-OTA en experienciales vs 50,0% en inglés
  • Las citaciones analizadas son exactamente 1.357 y el estudio se basa en 156 consultas de hoteles en Tokio

Conclusión

Los datos muestran que, en búsquedas de hoteles, la IA no cita fuentes de forma fija: cambia de manera sistemática hacia fuentes no-OTA cuando la consulta tiene intención experiencial. Eso sugiere que el “control” de la visibilidad via intermediarios basados en comisiones puede debilitarse para ciertos tipos de búsqueda.

Para ti

Para SEO/GEO en hoteles, este paper indica que la intención del usuario (experiencial) puede hacer que la IA cite más a medios/fuentes no-OTA que en intención transaccional, cambiando quién “gana” la citación. En el mercado japonés, el salto hacia no-OTA en experiencial es incluso mayor según el propio análisis del estudio.

Leer el estudio original

Riesgos2026Google Scholar

Concept Capture: Linguistic Primacy and Power in Generative Knowledge Systems

H Stone

El trabajo relaciona la primacía lingüística con el poder en sistemas de conocimiento generativo, útil para detectar cómo ciertos patrones de lenguaje pueden sesgar respuestas y decisiones. Proporciona un marco para evaluar riesgos de gobernanza lingüística en SEO/GE O, especialmente cuando el modelo prioriza términos o formulaciones que cambian la interpretación de intenciones del usuario.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

der Schweiz–ab S. 12

D besten Filialen

Ayuda a entender GEO como un cambio de paradigma de recuperación, donde los sistemas generativos sintetizan respuestas desde múltiples fuentes. Esto permite ajustar tu estrategia de contenidos para mejorar la probabilidad de que tus fuentes sean citadas dentro de respuestas generadas, aumentando la visibilidad en entornos de IA.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Artificial Intelligence in Haemophilia Care: A Narrative Review of Current Evidence and Future Opportunities

C Hermans

Resume el estado actual de la evidencia sobre IA aplicada al cuidado de la hemofilia, con foco en cómo puede analizar datos complejos y apoyar decisiones clínicas. Ayuda a priorizar oportunidades futuras para mejorar medición de resultados y personalización del tratamiento, apoyando la definición de casos de uso y métricas GEO relacionadas con impacto clínico.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

The Business of Art Therapy: Navigating Career Paths, Creativity, and the Changing Landscape of the Field

CW Tiku

El paper plantea que la búsqueda de terapeutas ya no depende solo de SEO clásico, sino de cómo los motores generativos (Generative Engine Optimization) presentan resultados, afectando directamente la visibilidad. Te sirve para adaptar tu enfoque GEO a consultas del usuario sobre terapia y para priorizar señales que mejoren la probabilidad de aparición en respuestas generadas.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

TECHNICAL REPORT April 2026 AI Agents Can Now Manage Academic Research Profiles: A Live Case Study in Autonomous ResearchGate Profile …

R Kumar

Propone un caso en vivo sobre cómo los agentes de IA pueden gestionar perfiles académicos tipo ResearchGate para mejorar la coherencia temática y la visibilidad de investigación en el cruce entre IA y marketing. Ofrece una base práctica para aplicar GEO y gestión automatizada de perfiles, orientada a aumentar el descubrimiento de contenidos sin depender solo del trabajo manual.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Roadmap: Optimierung für KI-Systeme

B O'Daniel, F Jaeckert

El capítulo plantea cómo construir una estrategia de Generative Engine Optimization (GEO) para hacerse visible en respuestas de sistemas de IA, y describe qué tipo de cambios (contenido web, digital PR y ajustes técnicos) se monitorizan usando herramientas de observación basadas en prompts.

Datos y qué significa para ti

Datos clave

  • El texto no incluye resultados medidos (porcentajes, tasas de citas, número de experimentos o rankings); solo describe el enfoque y las áreas a optimizar
  • No hay cifras sobre cuántas empresas/marcas/proyectos analizaron ni sobre cuántas consultas o respuestas de IA se revisaron
  • La única información cuantitativa visible en el fragmento es la del acceso del editor (p. ej., “Starting from €37.37 /Month”, “from 10 chapters or articles per month”), que no corresponde a mediciones del estudio

Conclusión

Con el texto proporcionado no se puede concluir qué hace que las IA citen una fuente, porque no se reportan mediciones ni hallazgos con datos. Lo que sí se ve es que el capítulo propone que la visibilidad en canales de IA se observa y optimiza mediante monitoreo de respuestas a prompts, atacando contenido, digital PR y factores técnicos.

Para ti

Este fragmento aporta más un mapa de trabajo (qué ejes se deben mirar) que pruebas sobre “qué dispara citas”. Si tu prioridad es identificar factores que realmente elevan citas, necesitarás la parte del paper donde se vean resultados concretos (número de ejemplos, métricas y comparación entre cambios).

Leer el estudio original

Medición2026Google Scholar

GEO-KPIs: KI-Erfolge messen

B O'Daniel, F Jaeckert

El capítulo analiza qué KPIs deberían medirse para evaluar el éxito de GEO (Generative Engine Optimization) en sistemas de IA, y argumenta que ya no tiene sentido seguir rankings tradicionales sino métricas como menciones de marca y citación.

Datos y qué significa para ti

Datos clave

  • El texto afirma que “ya no tiene sentido” monitorizar rankings (SEO clásico) como métrica principal en GEO
  • Propone medir “Brand Mentions” (menciones de marca), “Quellennennung” (mención/cita de la fuente) y “Clicks aus KI-Systemen” (clics que provienen de sistemas de IA)
  • Se señala como reto de medición la “Attribution auf den Umsatz” (atribución del impacto a las ventas), indicando que es un problema pendiente para el tracking en GEO

Conclusión

Este estudio concluye que la visibilidad y el desempeño en sistemas de IA se deben medir sobre todo con menciones de marca, citación de fuentes y clics desde IA, porque el seguimiento de rankings tradicionales no encaja en este contexto y la atribución a ventas es lo más difícil de medir.

Para ti

Si tu objetivo es ser citado por una IA, el estudio sugiere que el KPI más útil no es el ranking, sino la “Quellennennung” (que te citen) y las menciones de marca, además de los clics que vienen de esos sistemas. Como la atribución a ventas no está resuelta, usa métricas de citación/mentions como señal principal y deja las ventas como un área con alta incertidumbre según el propio texto.

Leer el estudio original

Riesgos2026Google Scholar

Beyond Manual Coding: How AI-Native Platforms Are Transforming Qualitative Data Analysis A Comparative Review of Emerging Tools and Implications for Research …

L Pascal

El paper compara plataformas de análisis cualitativo “AI-native” frente a herramientas tradicionales (p. ej., NVivo, MAXQDA y Atlas.ti), para estimar cambios en tiempos de codificación y calidad del análisis. Ayuda a GEO y research ops a definir criterios de evaluación y riesgos (p. ej., trazabilidad de códigos, consistencia entre revisores y dependencia del modelo) al seleccionar herramientas para flujos de trabajo cualitativos.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Machine Likeability: The Psychology of AI Purchase Recommendations-and Why Every Model Responds Differently

G Gibbins

Propone el concepto de Machine Likeability para medir cómo factores psicológicos, de presentación y de contexto incrementan la probabilidad de selección de modelos de IA en recomendaciones. Ofrece un marco empírico para que equipos GEO comparen y optimicen sus señales (tono, formato y contexto de uso) orientadas a mejorar la visibilidad y el rendimiento en decisiones asistidas por IA.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

A search changer: auditing Google's AI overviews interface in political and news search

S Weinbrand

Propone un enfoque de auditoría de las AI Overviews de Google en búsquedas políticas y de noticias para evaluar cómo la curación algorítmica afecta la visibilidad de fuentes y narrativas. Ofrece una metodología aplicable a GEO para detectar patrones, sesgos de presentación y cambios en la cobertura frente a la búsqueda tradicional.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Von SEO zu GEO

B O'Daniel, F Jaeckert

El capítulo resume el cambio de SEO a GEO y explica, con el propio estado del sector, que en sistemas de IA ya no hay “rankings”, sino menciones en la respuesta, pero indica que faltan datos para medir bien qué hace que una IA cite una fuente.

Datos y qué significa para ti

Datos clave

  • El texto afirma que “faltan datos” (“Hier fehlt es an Daten”) para sostener con evidencia qué determina que una IA cite una fuente en GEO
  • Se indica que en GEO “ya no existen posiciones de ranking”, y que lo relevante pasa a ser “la mención o la cita dentro de la respuesta de la IA”
  • Se contrasta SEO vs GEO: en GEO “en lugar de enlaces se muestran fuentes” y “en lugar de keywords entran prompts” introducidos por el usuario

Conclusión

Este estudio/capítulo no aporta métricas sobre qué factores hacen que una IA cite una fuente; lo que demuestra con sus propios datos es que el problema de investigación está incompleto porque faltan datos y que el “objetivo” medible en GEO es la mención dentro de la respuesta, no el ranking.

Para ti

Para tu trabajo SEO/GEO, este capítulo sirve sobre todo como aviso de límites: como el propio texto dice que faltan datos, hoy no puedes trasladar reglas tipo “si optimizas X subes Y citas” con evidencia directa. Su utilidad práctica es cambiar el foco de KPIs: medir menciones/fuentes citadas en respuestas, no posiciones de ranking.

Leer el estudio original

Estrategia2026Google Scholar

Research on the Development Trends of Higher Vocational Education Driven by Artificial Intelligence

W Li

El estudio describe, con datos de colegios de formacion profesional en China, en que medida estan usando la IA (especialmente en cursos y apoyo a la ensenanza) y que cambios de enfoque trae eso.

Datos y qué significa para ti

Datos clave

  • Alrededor de la mitad de los colegios de educacion vocacional en China han introducido cursos generales de IA
  • Mas de dos tercios de los colegios utilizan la IA para apoyar la ensenanza
  • El 60% de los colegios participa en el desarrollo de planes de estudio en colaboracion escuela-empresa orientados a necesidades del sector

Conclusión

Con los datos aportados, el estudio concluye que la IA en la formacion profesional ya esta en una fase de adopcion a gran escala y esta empujando cambios reales en el modelo educativo, el modo de ensenar y la colaboracion con empresas.

Para ti

Este paper aporta contexto sobre adopcion de IA (por ejemplo, que mas de 2/3 ya la usan para apoyar la ensenanza) pero no mide nada sobre que hace que las IA citen una fuente concreta. Para GEO/SEO, sirve solo como indicador de que el sector se mueve hacia 'competencias AI+X' y colaboracion escuela-empresa, pero no como evidencia directa de cita.

Leer el estudio original

Riesgos2026Google Scholar

The Decision No One Authored

LF Walton

El estudio (no es empírico; es un argumento filosófico) analiza por qué, incluso cuando hay humanos “en el bucle” y el resultado es atribuible a una persona, puede no existir nadie que haya “autorado” la evaluación (el criterio de mérito) que guía la decisión de la IA.

Datos y qué significa para ti

Datos clave

  • No aporta mediciones propias (no reporta porcentajes, tamaños de muestra ni experimentos); el texto se apoya en ejemplos y en citas a trabajos externos para sostener puntos sobre control/autoría y sobre conciencia/responsabilidad
  • Para separar “conciencia” de “responsabilidad”, el autor dice que hay “sin evidencia fuerte” de conciencia en los sistemas actuales según “indicator-based assessment” (Butlin et al., 2023, 2026)
  • En el mismo punto sobre conciencia, afirma que los reportes en primera persona de modelos actuales son “evidencia débil” y que pueden alterarse con “reprompting” (Chalmers, 2023)
  • Usa como ejemplo concreto el caso de selección de personal: la IA produce un ranking y el reclutador puede anularlo en cualquier momento y la empresa puede identificar quién firmó cada decisión, pero aun así el criterio de mérito que la IA aplica “no fue examinado” ni fijado por ese reclutador (en el ejemplo del propio texto)

Conclusión

El estudio concluye que la cita o “atribución” a un humano (porque se puede rastrear quién aprobó) no garantiza que exista una autoría del marco evaluativo; en la práctica, el criterio que la IA usa puede quedar “heredado” de datos y decisiones anteriores, de modo que “la decisión” termina sin un autor claro del marco de evaluación.

Para ti

Como consultor SEO/GEO, este paper no te da métricas sobre “qué hace que una IA cite” fuentes, sino que aclara un punto útil sobre sesgos de confianza: el autor advierte que la fluidez/presentación de conclusiones puede hacer que la gente “no autorice” (no valide) el criterio detrás del output. Aplicado a contenido, esto sugiere que lo que más reduce el “salto” hacia aceptar un marco heredado es que el contenido haga explícito el marco evaluativo que usa (y de dónde sale), porque el problema que describe no es responsabilidad operativa sino quién “autoró” el criterio.

Leer el estudio original

Estrategia2026Google Scholar

Marketing Keywords Exploration via LLMs with Domain Expertise

A Bulut

No hay contenido útil del estudio en el texto que compartiste; solo aparece información de la plataforma (IEEE Xplore) y detalles de cuenta/soporte, sin resultados medidos.

Datos y qué significa para ti

Conclusión

Con este texto no se puede determinar qué hace que las IA citen una fuente ni extraer hallazgos cuantitativos, porque no se incluyen resultados, metodología ni métricas del paper.

Para ti

Puedo resumírtelo en formato SEO/GEO pero necesito que pegues el contenido del paper (al menos: resumen/abstract, metodología y resultados) o capturas donde aparezcan cifras y conclusiones. Con lo que hay ahora no hay datos accionables.

Leer el estudio original

Estrategia2026Google Scholar

Brändi on tärkeämpi kuin koskaan: tekoäly suosii sitä, jonka kaikki jo tuntevat

V Mahlakaarto

El paper sostiene que la visibilidad y la confianza de marca son un factor determinante para el rendimiento en Generative Engine Optimization, por encima de perfeccionar únicamente soluciones técnicas. Ayuda a priorizar inversión en presencia omnicanal y distribución en los canales correctos para los clientes objetivo, evitando optimizaciones GEO prematuras cuando la marca aún no es reconocible.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

AI Meets Antitrust: How Large Language Models Reshape Market Concentration

AM Sandín

El paper muestra que con manipulaciones simples del contenido, como añadir estadísticas o citas, es posible mover la visibilidad en buscadores de LLM entre un 28% y un 41%. Ofrece evidencia práctica para optimizar páginas con criterios observables y así priorizar acciones de Generative Engine Optimization (GEO) orientadas a mejorar el rendimiento en resultados de IA.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Suchen und gefunden werden: Wie KI den Zugang zu Informationen verändert

H Schürig

Explica cómo la IA generativa y las nuevas etiquetas como GAIO, LLMO o GEO están reconfigurando el acceso a la información y, por tanto, la visibilidad en buscadores. Ayuda a orientar la optimización para aparecer en resultados alimentados por modelos y no solo en listados tradicionales, anticipando cambios de estrategia para equipos GEO.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Why we should sell universities like soap-Warum wir Hochschulmarketing größer denken sollten.

H Bommel, CC Germelmann

El paper enmarca el reto del sector universitario como una doble presión demográfica y competitiva, donde la IA generativa pasa a influir en la elección y el aprendizaje. Ofrece una lógica de “pensar más grande” para reorientar la captación y la propuesta de valor con acciones SEO/GEO que anticipen el papel de la IA en la visibilidad de la institución.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Machine Legibility and Attention Persistence in Agent Mediated Consumer Product Discovery Across AI Search Interface Contexts

F Nasser, R Suleiman

El estudio analiza con datos de 1.440 sesiones de compra si la “evidencia legible para la máquina” (campos y atributos que el sistema puede interpretar) aumenta la probabilidad de selección de productos en interfaces de búsqueda e IA, y si eso pasa vía “persistencia de la atención”.

Datos y qué significa para ti

Datos clave

  • Trabajaron con 1.440 sesiones, 11.520 observaciones de productos candidatas y 69.120 registros de atención en ventanas cortas, comparando interfaces de resultados de búsqueda, agente conversacional, respuesta generativa y comparaciones híbridas
  • El mejor clasificador de selección logró ROC-AUC = 0,884, average precision = 0,548, top-1 accuracy = 60,7% y top-3 accuracy = 92,4% en tareas de compra en prueba
  • Las variables de “machine-legibility” siguieron siendo predictivas aun controlando por precio, valoraciones, volumen de reseñas, familiaridad con la marca y condiciones de entrega
  • La “persistencia de la atención” mediaba parcialmente la relación entre legibilidad y selección, y el efecto fue más fuerte en interfaces de agente/híbridas que en interfaces normales de resultados de búsqueda

Conclusión

Con sus datos, el paper muestra que, cuando una tienda/IA selecciona y presenta productos, las evidencias que son “computacionalmente interpretables” aumentan la selección, y parte de ese efecto se explica por que sostienen la atención del usuario. Además, el impacto de esa legibilidad es mayor en interfaces tipo agente y comparaciones híbridas que en búsquedas tradicionales.

Para ti

Para un consultor SEO/GEO, este estudio no mide “citas” de IA como tal, pero sí demuestra que en entornos de agente/híbridos la interpretación automatizada de señales de producto pesa más que en búsquedas simples. La implicación práctica (en el mundo de citación/presentación por IA) es que cuanto más “estructurada y completa” sea la evidencia que puede leer el sistema (atributos y datos) mayor es la probabilidad de que el producto pase filtros y capte atención.

Leer el estudio original

Medición2026Google Scholar

Authority Signals in AI Cited Health Sources: A Framework for Evaluating Source Credibility in ChatGPT Responses

E Jacques, E Datuowei, V Jones, C Basch…

Analiza, en 100 preguntas de salud, qué tipo de fuentes (por autor, institución, calidad y autoridad digital) cita ChatGPT 5.2 cuando responde y qué proporción pertenecen a medios sanitarios establecidos.

Datos y qué significa para ti

Datos clave

  • Usaron 100 preguntas seleccionadas de HealthSearchQA (que contiene 3.173 preguntas) y codificaron las fuentes citadas por ChatGPT; en total registraron 615 fuentes citadas (n=615)
  • Más del 75% de las fuentes citadas por ChatGPT en respuestas de salud provienen de fuentes institucionales ya establecidas (ejemplos citados: Mayo Clinic, Cleveland Clinic, Wikipedia, National Health Service, PubMed)
  • El resto de las citas (menos del 25%) correspondieron a fuentes alternativas de información de salud sin respaldo institucional “establecido” según el propio estudio

Conclusión

Con base en sus 100 preguntas y 615 citas analizadas, el estudio muestra que cuando ChatGPT responde salud, la mayoría de las referencias que muestra se concentran en organizaciones y plataformas sanitarias ya reconocidas (más del 75%), no en fuentes alternativas.

Para ti

Si tu objetivo es que una IA te cite en temas de salud, este estudio indica que contar (o aparecer) como una fuente “institucional” es el factor dominante en el tipo de citas que emite ChatGPT: el simple hecho de tener información no basta si no encajas con ese tipo de respaldo. En términos prácticos, lo que más pesa aquí es el perfil de la entidad que la IA usa como referencia (lo que el estudio llama señales de autoridad), porque concentra más del 75% de las citas.

Leer el estudio original

Estrategia2026Google Scholar

Chatbots, regional development, and tourism: Exploratory analysis of algorithmic representations of Agadir and the Souss-Massa region

M EDDAHANI

El estudio analiza qué tipo de descripciones turísticas generan 5 IA (en francés, con 13 prompts) sobre Agadir y la región Souss-Massa, y cómo convergen o sesgan esa representación (65 respuestas, 38.402 palabras).

Datos y qué significa para ti

Datos clave

  • Compiló 65 respuestas textuales de las IA, con un total de 38.402 palabras de discurso turístico automatizado
  • Encontró una asimetría espacial clara a favor de la zona de la costa (más presencia/atención de la costa que del interior)
  • Midió convergencia léxica entre modelos y la mayor coincidencia aparece en prompts con marcadores “enciclopédicos” fuertes, especialmente en historia y cultura amazigh
  • Observó una “eliminación espontánea” de la dimensión amazigh: solo se corrigió cuando el prompt lo pedía de forma explícita

Conclusión

Con sus mediciones de respuestas entre 5 modelos, el estudio muestra que la “cita/atención” o inclusión de temas no depende solo de la disponibilidad de información, sino de patrones aprendidos por la IA: favorecen la costa y tienden a omitir lo amazigh salvo que se fuerce en el prompt, además de compartir un marco interpretativo sobre la autenticidad de Agadir frente a ciudades imperiales.

Para ti

Para SEO/GEO en turismo, este estudio sugiere que lo que las IA deciden cubrir (p. ej., costa vs. interior, o incluir cultura amazigh) puede fallar si no está explícitamente “solicitado” en la forma del contenido/entidades que se mencionan; y que, al converger los modelos en temas “enciclopédicos” como historia y Amazigh, esos ejes tienden a ser los que más fácil y consistentemente acaban reflejados en sus narrativas.

Leer el estudio original

Estrategia2026Google Scholar

The Strategic Role of Artificial Intelligence: From Crisis to Transformation

G Sharma, N Niroula

El trabajo enmarca la IA como un proceso de transformación que pasa de la crisis a la adopción estratégica, considerando dilemas éticos e inclusión social. Para GEO, sugiere integrar gestión del sesgo y consideraciones de equidad en la planificación de iniciativas de búsqueda e IA, como base para decisiones de producto y gobernanza.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Pengantar Hospitaliti Modern

R Taysir

El paper describe cómo la adopción de IA transforma la forma en que las personas buscan información, lo que impacta directamente la visibilidad en sistemas conversacionales y resultados generados. Proporciona una base para adaptar contenido a estos nuevos recorridos de búsqueda y mejorar la probabilidad de aparecer cuando la IA sintetiza o recomienda información.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Generatiivisen tekoälyn aikakauden hakukoneoptimointi-tekoälypohjaisten hakukoneiden vaikutus pk-yritysten sisältöstrategioihin

T Pihlajamäki

El paper analiza cómo las herramientas de búsqueda basadas en IA generativa están alterando la estrategia de contenidos de las pymes, afectando decisiones sobre temas, formato y frecuencia de publicación. Ayuda a GEO a definir prioridades de contenido orientadas a visibilidad en buscadores de IA, para alinear el plan editorial con los nuevos patrones de descubrimiento.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

AI AGENTS IN THE WILD

R Kumar

Propone un enfoque de Generative Engine Optimization para optimizar contenidos con el objetivo de ser citados por motores de búsqueda basados en IA como Perplexity, ChatGPT Search y Gemini. Enfatiza que los agentes analizan las respuestas de IA y ajustan la estrategia para mejorar la probabilidad de aparición y cita en esos resultados.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

Persona Conditioning of Brand Recommendations in Retrieval-Augmented Commercial Chat: A Prominence-Stratified Cross-Provider Audit

W Jack, N Lehman, K Maloney, S Xu

El estudio analiza, con 2.000 ejecuciones, cómo el contexto del comprador (10 tipos de persona) cambia las marcas recomendadas por asistentes con búsqueda (OpenAI/Anthropic) ante el prompt “best CRM software”.

Datos y qué significa para ti

Datos clave

  • Al añadir un “persona” en el mensaje, la similitud del set de recomendaciones (Jaccard) baja en Delta = -0.12 a -0.20 frente a usar la misma persona (en todas las celdas medidas los intervalos al 95% excluyen cero)
  • El efecto es “prominence-stratified”: los líderes de categoría mantienen ~80% de consistencia de marca entre personas, mientras las marcas de mid-market pueden cambiar hasta un 75% de su set recomendado cuando cambia la persona
  • En Anthropic, el efecto por persona tiene un mayor valor puntual que en las configuraciones de OpenAI, pero la comparación directa tiene solapamiento en intervalos para el contraste más cercano; además, el resultado de sonnet usa solo 4 clusters de prompts (intervalos más amplios)
  • El modelo Anthropic genera 43%–52% de recomendaciones sin evidencia observable de la capa de recuperación, mientras OpenAI lo hace en 8%–29%

Conclusión

Este trabajo muestra que una IA cita o recomienda marcas de forma materialmente distinta según la “persona” que cree que hay detrás de la consulta: el contexto del comprador no es un detalle, altera los conjuntos de recomendaciones y sesga más a las marcas mid-market.

Para ti

Para analítica SEO/GEO orientada a IA, medir “la cita” agregando sin controlar la persona puede ocultar diferencias grandes entre marcas (hasta 75% de cambios en mid-market en el estudio). Además, el estudio sugiere que cuando el modelo tira más de priors que de recuperación (como Anthropic: 43%–52% sin evidencia), las variaciones por contexto pueden pesar más en lo que aparece citado/recomendado.

Leer el estudio original

Riesgos2026Google Scholar

Framing of higher education opportunities by large language models

PT Nikula

El estudio analiza cómo cuatro IA (ChatGPT, Perplexity, Gemini y Claude) “encuadran” recomendaciones de países para estudiar en el extranjero y qué patrones de inclusión/exclusión y orden aparecen en sus respuestas según los prompts y los países.

Datos y qué significa para ti

Datos clave

  • El estudio usa respuestas generadas por 4 modelos (se mencionan los nombres de ChatGPT, Perplexity, Gemini y Claude en el texto de enfoque del trabajo)
  • Las respuestas se analizan con “content analysis” tanto cualitativa como cuantitativa (no se dan en el texto cifras como número de respuestas o porcentaje de cita)
  • En los prompts se emplearon modos “incognito/temporary” y se evitó activar opciones de búsqueda tipo “deep research” o “extended thinking” (condición explícita del experimento)
  • Para enmarcar “contexto” del fenómeno de movilidad internacional, el texto indica que investigan el volumen de estudiantes terciarios internacionales usando el indicador UNESCO Institute for Statistics: “Total outbound internationally mobile tertiary students studying abroad, all countries, both sexes” (no se reporta en el extracto un valor concreto)

Conclusión

Con los datos del extracto disponible, el estudio muestra principalmente que las IA recomiendan y presentan oportunidades educativas usando mecanismos de encuadre (inclusión/exclusión, orden y afirmaciones cualitativas). No aporta métricas en el texto pegado que permitan concluir cuántas veces citan fuentes ni qué factor SEO explica esas citas.

Para ti

Este paper te sirve como contexto para entender que, cuando una IA responde “dónde estudiar”, no solo informa: selecciona qué incluir/excluir y cómo ordena los destinos, lo que puede afectar indirectamente qué información de tu institución “encaja” en la recomendación. Pero con el fragmento que compartiste no hay datos accionables sobre citas (cuánto citan ni qué tipo de fuente citan).

Leer el estudio original

Citación2026Google Scholar

GEO Non-Biased Audits: A Human-in-the-Loop Framework for AI Discoverability Validated Across 10 AI Platforms

J Barrett

Propone un marco de auditoría con Human-in-the-Loop para evaluar el comportamiento de recuperación de IA en condiciones neutrales y no autenticadas, reduciendo sesgos entre plataformas. Valida el enfoque en 10 plataformas de IA, aportando una metodología práctica para comparar la descubribilidad de forma consistente y auditable en operaciones GEO multicanal.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

INNOVATIONS IN DIGITAL MARKETING AS A STRATEGIC RESPONSE TO MARKET UNCERTAINTY

O Rankić, A Rušidi

El estudio revisa cómo las innovaciones en marketing digital (incluida IA y analítica predictiva) ayudan a las empresas a gestionar la incertidumbre del mercado, pero no mide directamente citas de IA ni hace recuentos de cuántas veces ChatGPT/Perplexity/Gemini/Google AI/Claude citan fuentes.

Datos y qué significa para ti

Datos clave

  • El texto no incluye métricas propias del estudio sobre “citas” de IA (no hay porcentajes, conteos, ni resultados cuantificados sobre citación)
  • El estudio describe que analiza “datos secundarios” con métodos descriptivos y comparativos, pero tampoco aporta resultados numéricos propios (solo marcos conceptuales)
  • No aporta datos duros sobre rendimiento (p. ej., “sube X%”) ligados a citar fuentes: se limita a afirmar mejoras de forma general (sin cifras)

Conclusión

Con el contenido disponible, este paper no demuestra qué hace que una IA cite una fuente, porque no realiza un experimento ni una medición sobre citación. Lo que sí aporta es contexto sobre cómo el marketing digital usa IA/analítica para anticipar y adaptarse, pero eso no se traduce en hallazgos operativos sobre citación por sistemas de IA.

Para ti

Como consultor SEO/GEO, este texto te sirve solo como referencia temática (uso de IA/analítica en marketing), pero no aporta señales medibles sobre el mecanismo de citación de IA (no hay datos de “qué fuentes” o “qué señales” hacen que se cite). Si necesitas hallazgos accionables sobre citación, hace falta el tramo del paper donde midan o comparen citas reales (o datos de reproducción de resultados) y no solo una revisión conceptual.

Leer el estudio original

Riesgos2026Google Scholar

Governing Generative Music: Attribution Limits, Platform Incentives, and the Future of Creator Income

P Teikari

Analiza límites de atribución y modelos de incentivos de plataforma que condicionan ingresos y derechos de creadores cuando la música generativa usa grabaciones como datos de entrenamiento. Ofrece claves para evaluar y mitigar riesgos reputacionales y legales en estrategias de contenido, vinculando cómo cambian la visibilidad y la monetización con la reutilización automatizada del catálogo.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Exploring LLM biases to manipulate AI search overview

R Smirnov

El paper investiga sesgos en sistemas de “AI search overview” (como los que escogen fuentes y luego redactan el resumen) y muestra cómo esos sesgos pueden explotarse manipulando solo los fragmentos (snippets) para influir qué fuentes termina citando/seleccionando el sistema.

Datos y qué significa para ti

Conclusión

El estudio concluye que los sistemas de AI search overview sí tienen sesgos en la fase de selección de fuentes, y que un aprendizaje por refuerzo puede optimizar snippets para manipular esos resultados; además, la selección depende de ventajas comparativas entre fuentes candidatas más que de “ventajas absolutas”.

Para ti

Si tu objetivo es ser seleccionado/citado por estos sistemas, este paper sugiere que importa cómo se comparan tus snippets frente a los competidores (no solo que “sean buenos” en abstracto). Si trabajas en medición o seguridad, aporta el aviso de que la manipulación de contexto mediante “context poisoning” puede llevar a resultados inexactos o dañinos, aunque el texto compartido aquí no incluya cifras.

Leer el estudio original

Riesgos2026Google Scholar

Beyond search: LLM adoption and web traffic concentration

S Gholami, C Firullo, C Cheyre…

El paper sugiere que la adopción de LLM puede desplazar la navegación desde múltiples sitios externos hacia menos fuentes dominantes, aumentando la concentración del tráfico. Para GEO, esto implica revisar la dependencia de motores de búsqueda y priorizar estrategias que mantengan visibilidad en entornos conversacionales y respuestas asistidas por IA.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

The Impact of Google AI Summaries and Google AI Overviews on Publishers' Revenue and Media Freedom Implications for the Information Ecosystem and …

N Lucchi

Analiza cómo los Google AI Overviews y AI Summaries alteran el acceso a información de interés público y pueden afectar los ingresos de los editores al reducir clics hacia sus contenidos. Te ayuda a anticipar riesgos para la visibilidad y la libertad mediática, y a definir criterios para evaluar el impacto del tráfico “cero-clic” y la pérdida de distribución orgánica frente a la síntesis en la plataforma.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Modeling of Brand Visibility Under Agentic Search and Shopping Mediation Using Structured Marketplace Signal Data

N Farhat, S Khoury

El estudio investiga, con 72.000 observaciones, qué señales estructuradas de marketplaces hacen que una marca sea visible en respuestas y elecciones mediadas por IA (búsqueda agente y “shopping” autónomo) y cómo cambia esa visibilidad al mejorar páginas de producto.

Datos y qué significa para ti

Datos clave

  • El dataset se construyó con 72.000 observaciones a nivel de producto, generadas desde 1.200 intenciones de compra, con 10 alternativas competidoras por intención, 3 condiciones de interfaz mediada por IA y 2 marcos de prompt
  • El mejor clasificador de selección (para qué producto acaba elegido) obtuvo un ROC-AUC de 0.892 y una precisión promedio (average precision) de 0.444 en datos de prueba agrupados por intención
  • El mejor modelo de ranking logró que el producto seleccionado apareciera en el top 3 en el 82.3% de las tareas retenidas
  • Las simulaciones contrafactuales muestran que mejorar la “legibilidad”/calidad de páginas de producto desde el percentil 30 al 70 aumenta la visibilidad predicha “top-three” en 12.4 puntos porcentuales, manteniendo condiciones comparables
  • Entre las variables que predicen la visibilidad mediada por IA destacan: densidad de esquema (schema density), completitud de especificaciones, ajuste semántico, volumen de reseñas, precio relativo y densidad de evidencia (evidence density) como predictores conjuntos

Conclusión

El estudio demuestra que, en un entorno de búsqueda y compra mediada por IA, la visibilidad de marca no depende solo de que el usuario visite la página original, sino de señales estructuradas y de evidencia (especialmente densidad de esquema, completitud y ajuste semántico). Además, muestra que mejoras medibles en la “legibilidad” de producto pueden traducirse en un salto cuantificable en aparecer entre los 3 primeros productos seleccionados.

Para ti

Para un consultor SEO/GEO, este trabajo sugiere que lo que más “mueve la aguja” para que la IA cite/seleccione tu producto es la información de marketplace bien estructurada y legible por máquina (schema, especificaciones completas y evidencia como reseñas), porque está directamente conectada a métricas tipo top-3 y precisión de selección. También aporta una palanca cuantificable: elevar la legibilidad/robustez de la página (según su percentil) se asocia con +12.4 puntos en visibilidad top-3 bajo condiciones comparables.

Leer el estudio original

Citación2026Google Scholar

What Drives Citations in Production Large Language Models?

ATTW Pages, B Moore, L Dunne

El estudio analiza ~2 millones de citaciones generadas por ChatGPT, Claude, Google AI Overviews y Gemini durante 6 meses para identificar qué características de las páginas web predicen con más frecuencia que una IA las cite, usando 10.042 URLs y 60+ variables controlando sesgos por dominio.

Datos y qué significa para ti

Datos clave

  • El predictor dominante es la “alineación prompt–contenido” medida con solapamiento Jaccard de tokens: β = +0.37 (IC 95% [+0.33, +0.41]) y q ≈ 10^-73; en tamaño de efecto, +1 desviación estándar en alineación implica ~+0.37 en log2(1+nc), equivalente a ~+30% en el conteo de citaciones (nc) en la media geométrica
  • Los “típicos checklists AEO” (FAQ, TLDR/BLUF, autor bio, Core Web Vitals y datos estructurados) se ven positivos en datos agregados, pero el estudio muestra que al controlar por dominio muchos efectos se anulan: FAQ β = +0.07, TLDR/BLUF β = +0.05, autor bio β = +0.02 (y deja de ser significativo tras controles adicionales de profundidad de contenido), y Core Web Vitals real-user no mantiene efecto significativo con control por dominio
  • Al comparar importancia entre tipos de señales, la “autoridad AI” a nivel de dominio supera a la mejor característica de página no ligada a alineación por un factor 6 en SHAP (medida de contribución media absoluta)
  • La IA tiende a citar secciones altas del texto: la “mejor coincidencia” (párrafo con más alineación) ocurre con profundidad mediana 0.36 (en una escala 0 arriba a 1 abajo), y un test Wilcoxon contra null uniforme rechaza con p < 10^-20
  • El coeficiente de alineación no solo aparece en el corte principal: se mantiene positivo en validación temporal (entrenamiento antes de 1 abril 2026 vs hold de abril 2026) pasando de β̂align = +0.61 (entreno) a β̂align = +0.34 (hold), con ambos intervalos de confianza por encima de cero

Conclusión

Con datos reales de producción (varias engines) y controles por dominio, el estudio demuestra que la probabilidad de que una IA cite una página depende sobre todo de que el contenido de esa página esté alineado con el “corpus” de prompts del propio workspace; y que señales populares tipo checklist AEO pueden parecer útiles hasta que se corrigen por el sesgo de marca/dominio.

Para ti

Para un plan de GEO/SEO orientado a citas, el resultado accionable aquí es priorizar páginas cuyo contenido tenga alta alineación con lo que el sistema ya usa como prompts (porque esa alineación es el predictor #1 y se sostiene en hold-out temporal). En paralelo, este estudio advierte que “FAQ/TLDR/autor bio/Core Web Vitals” pueden no traducirse en más citaciones una vez controlas por dominio, así que si vas a invertir, el foco debería estar en señales que aumenten alineación real con el contexto de prompts del workspace, no solo en checklist.

Leer el estudio original

Riesgos2026Google Scholar

For Questions of Ought, AI Could Use Some SAGE Advice

S Milli, RE Berker, S Kraiczy, C Shi, J Kussman…

El trabajo aborda cómo los sistemas de IA que dan asistencia normativa pueden generar orientación opaca sobre qué hacer o pensar, elevando el riesgo de sesgos y decisiones indebidas. Para GEO, su enfoque sugiere reforzar controles de gobernanza y trazabilidad en prompts, políticas de respuesta y evaluación de salidas para reducir variabilidad no justificada.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Retrieval-augmented generation (RAG) generatiivisissa hakujärjestelmissä: arkkitehtuuri ja verkkosisällön hyödyntäminen

R Pietikäinen

Describe una arquitectura RAG para sistemas de búsqueda generativa y cómo el modelo recupera contenido para aumentar la calidad de las respuestas. Aporta criterios para aprovechar mejor el contenido web y reducir fallos típicos como alucinaciones, mejorando la efectividad del “retrieval” antes de generar.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Le marketing digital à l'ère de l'IA: Contenu, trafic, conversion: des fondamentaux jusqu'aux dernières avancées des agents IA

S Lendi

El texto es la ficha promocional de un libro sobre cómo la IA cambia el marketing (contenido, tráfico y conversión), pero no presenta datos medidos sobre por qué las IA citan fuentes.

Datos y qué significa para ti

Datos clave

  • No incluye resultados cuantitativos ni porcentajes: sólo describe que el libro trata SEO y GEO con IA generativa, además de agentes IA, campañas SEA/GEA y medición de performance
  • No indica un estudio empírico: no hay número de experimentos, herramientas analizadas, ni recuento de citas o fuentes
  • No aporta cifras sobre citas de IA (ChatGPT, Perplexity, Gemini, Google AI o Claude): el texto no menciona el objetivo de “citar una fuente” ni cómo lo investigan

Conclusión

Con este texto no se puede concluir nada sobre qué hace que una IA cite una fuente, porque no contiene datos del estudio ni mediciones sobre citas.

Para ti

Úsalo sólo para entender el enfoque temático del libro (marketing + IA), pero para trabajo SEO/GEO no aporta evidencia accionable sobre “criterios de citación” por IA. Si necesitas números, habría que conseguir el estudio completo o el capítulo donde midan citas.

Leer el estudio original

Riesgos2026Google Scholar

CrossCFD: Leveraging Cross Market Inconsistencies for Fake Review Detection

P Wang, L Wang, C Ma, Y Hu

Propone detectar reseñas falsas aprovechando inconsistencias entre mercados, lo que reduce el riesgo de que el contenido manipulado mejore su visibilidad en respuestas generadas. Aporta un enfoque evaluable de “CrossCFD” para auditar señales de calidad y sesgos por plataforma, útil para medir y mitigar fraude en ecosistemas de reseñas.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Beyond search: LLM adoption and the concentration of web traffic

S Gholami, C Firullo, C Cheyre, A Acquisti

El paper advierte que la adopción de LLM puede concentrar el tráfico web hacia un conjunto menor de fuentes, reduciendo la dispersión histórica generada por los buscadores tradicionales. Para GEO, esto implica medir variaciones en visibilidad y dependencias de canales (buscador vs. respuestas de modelos) para anticipar caídas y ajustar estrategia de contenido y distribución.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

The Language Blind Spot: How Query Language and Brand Recognition Tier Shape AI-Constructed Brand Reputation Across Twelve European Languages

D Żatuchin

El estudio mide cómo la lengua de consulta y el nivel de reconocimiento de marca cambian la reputación “construida” por IA al preguntar por 66 marcas en 12 idiomas, generando 35.640 respuestas con GPT-5.4, Gemini 3.1 Pro y Perplexity Sonar Pro.

Datos y qué significa para ti

Datos clave

  • La reputación construida por IA es “dependiente del idioma”: similitud media entre idiomas (cosine) = 0.825; dentro de la misma familia lingüística es mayor (0.844) que entre familias (0.820), con tamaño de efecto d = 0.31
  • El sentimiento cambia por idioma: efecto F = 268.5 y eta^2 = 0.077; en general, las lenguas urálicas y bálticas salen más positivas y las germánicas (incluido inglés) más críticas
  • Cambiar la lengua de consulta altera sobre todo qué marcas recomienda la IA: al pasar de consulta en inglés a la lengua “local” de la marca, la cuota de recomendación sube +0.80 para “local champions”, pero solo +0.15 para multinacionales globales (t = -8.84, p < 0.001)
  • El sentimiento apenas invierte con ese cambio: el estudio reporta “sin inversión comparable” del sentimiento cuando se cambia el idioma de consulta
  • La estabilidad de las respuestas depende más del modelo que del idioma: eta^2_model = 0.32 frente a eta^2_language = 0.01 (replicación con 5 iteraciones sobre un subconjunto de 20 marcas)

Conclusión

Con datos de 35.640 respuestas, el estudio demuestra que medir reputación con IA solo en inglés deja un “punto ciego” lingüístico: afecta de forma medible la visibilidad (recomendaciones) de marcas localmente reconocidas, mientras que el sentimiento varía por idioma y la estabilidad cambia sobre todo por modelo, no por lengua.

Para ti

Para monitorizar reputación/visibilidad con IA, este estudio muestra que un audit “inglés-only” puede subestimar el alcance de marcas locales: pasar a la lengua local de la marca puede aumentar la probabilidad de recomendación mucho más (+0.80 vs +0.15). Además, si comparas resultados entre campañas o meses, controla el modelo: la estabilidad cambia principalmente por elección de modelo (eta^2_model 0.32), no por idioma (eta^2_language 0.01).

Leer el estudio original

Medición2026Google Scholar

Algorithmic Deprioritization Patterns in AI-Generated Content Distribution: The Marketing Agent Decay Model (MAD-M™) as a Predictive Framework

K Shrider

El modelo MAD-M™ propone un umbral de saturación del 60% que indica cuándo la visibilidad de contenidos generados por IA empieza a degradarse de forma acelerada en las capas de descubrimiento digital. Ayuda a equipos GEO a planificar cadencias de publicación y redistribución para reducir la caída de alcance cuando se aproxima ese punto de saturación.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Stand-Alone Complex or Vibercrime? Exploring the adoption and innovation of GenAI tools, coding assistants, and agents within cybercrime ecosystems

J Hughes, B Collier, DR Thomas

El estudio analiza, con datos tempranos del “underground” de ciberdelito, qué tan y cómo se están adoptando herramientas de IA generativa y asistentes de código en el ecosistema de cibercrimen, para ver si eso está causando una disrupción real.

Datos y qué significa para ti

Datos clave

  • Encuentra que la realidad, hasta el momento, es “prosaica”: hay adopción temprana de IA sobre todo en esquemas de “ingresos pasivos” a gran escala con poca rentabilidad y en fraudes triviales
  • Afirma que no hay evidencia (todavía) de una disrupción generalizada del cibercrimen: “poca evidencia hasta ahora” de que se estén cambiando de forma amplia las dinámicas del sector
  • Sostiene que la IA está sustituyendo tareas típicas de desarrollo en el cibercrimen (pegar código, comprobación de errores y consulta de “cheatsheets”), pero no muestra señales de un cambio profundo en la economía del cibercrimen
  • Indica que los “vibe coding tools” aportan utilidad limitada a actores de baja habilidad, mientras que el beneficio principal aparece en actores ya capacitados
  • Concluye que el papel de LLMs “jailbreak” como instructores (“Dark AI”) está sobrevalorado: la iniciación se apoya más en subcultura y aprendizaje social, donde las conexiones y la identidad comunitaria pesan tanto como el conocimiento

Conclusión

Con sus datos tempranos, el paper muestra que la IA generativa en cibercrimen todavía no ha generado una disrupción amplia: su adopción parece acotada a automatizar partes del trabajo y a casos concretos, principalmente para quienes ya tienen habilidad, y con poca evidencia de que esté reconfigurando el ecosistema.

Para ti

Este estudio no aporta un mapa directo de qué fuentes citan las IA, porque se centra en adopción de herramientas dentro de cibercrimen. Aun así, sirve como contexto: cuando se ve “efecto IA” en un dominio, los cambios reales pueden ser incrementales y sesgados hacia usuarios con más capacidad—justo lo que deberías tener presente al interpretar qué tipo de contenidos/activos terminan siendo realmente “usados” por sistemas que automatizan decisiones.

Leer el estudio original

Riesgos2026Google Scholar

The Client, the Brand, and the Agent

M Tsakiris

El estudio analiza, con una auditoría propia de 10 casas de lujo y 4 agentes de IA (ChatGPT, Gemini, Perplexity, Claude), qué porcentaje de veces citan una fuente/una marca y cómo cambian las recomendaciones y el “control” de la narrativa frente a una petición de compra.

Datos y qué significa para ti

Datos clave

  • Se analizaron 680 respuestas (10 casas × 4 agentes × 17 consultas tipo)
  • En ChatGPT (78% de cuota de mercado), los enlaces aparecen solo en el 6% de sus respuestas y los precios en el 14%
  • Perplexity (7% de cuota) cita precios en el 53% de los casos
  • Gemini menciona Vestiaire Collective o The RealReal en el 60% de sus respuestas; Claude en el 51%
  • El estudio afirma que 90% de las fuentes “escapan” al control de la casa, y que 36% de los consumidores ya confían en la IA para compras

Conclusión

Con los datos de su auditoría, el estudio muestra que las IAs no citan/usan información de forma controlable por las marcas: citan “lo que encuentran” y, además, distribuyen la conversión de forma desigual (awareness en un agente, acción en otros), con gran parte de las fuentes fuera del control de la casa.

Para ti

Para consultoría SEO/GEO, este resultado aterriza que el objetivo no es “estar mejor” en resultados tipo buscador, sino medir cómo cada agente concreta (enlaces y precios) y qué fuentes externas activa (p. ej., resale) cuando una consulta de compra aparece. Si tu marca depende de controlar el relato, el estudio sugiere que el control real no llega: hay que auditar por agente qué sí menciona (precios/enlaces) y qué termina sustituyendo o amplificando (resale) en la respuesta.

Leer el estudio original

Riesgos2026Google Scholar

Verified Misguidance: Measuring Structural Citation Failures in Search-Augmented LLMs

Y Seo, W Jeong, E Kim, H Jang, D Lee

El estudio analiza, en 11.200 consultas reales, 112.000 respuestas de 10 modelos de 5 proveedores, cuántas citas siguen una cadena correcta y en qué falla la “fidelidad” entre consulta, fuente citada y respuesta.

Datos y qué significa para ti

Datos clave

  • Crean CITETRACE con 761.495 pares de cita evaluables (consulta → fuente recuperada → respuesta) para medir errores estructurales
  • El 30,6% de las citas distorsionan sus fuentes, y el 27,1% provienen de fuentes “inadecuadas” para el dominio correspondiente
  • A nivel de respuesta, hasta el 96% de los usuarios se topan con al menos una cita estructuralmente engañosa
  • Las diferencias por proveedor explican el 88%–96% de la variación en la calidad de las citas, más que el “modelo” en sí

Conclusión

El estudio demuestra que, aunque muchas IAs citan fuentes reales y accesibles, una parte grande de esas citas falla en dimensiones clave (distorsión o desajuste de dominio), generando casos frecuentes de desinformación. Además, la calidad de la cita depende sobre todo del proveedor (cómo recupera y selecciona fuentes) más que del modelo generador.

Para ti

Para tu estrategia, este estudio sugiere que el “citado” no lo decide solo el modelo: depende fuertemente del proveedor (recuperación/selección de fuentes), así que deberías evaluar tu visibilidad en el contexto de los proveedores concretos. También indica que no basta con ser citables: si tu fuente es real pero no encaja con el dominio o se cita sin fidelidad a lo que dice, igual aparecerán fallos que provocan desconfianza masiva.

Leer el estudio original

Estrategia2026Google Scholar

Beyond Consumer Memory: How Large Language Models Update Brand Knowledge

A Hamann, F Stahl, PK Kannan

Propone integrar SEO, GEO y contenido consciente de la recuperación para que el “conocimiento de marca” que actualizan los LLM se mantenga alineado con fuentes relevantes. Aporta un marco para diseñar y actualizar contenidos pensados para ser recuperados por sistemas de consulta, mejorando la consistencia de las respuestas sobre marca frente al desajuste por memoria de consumidor.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

AI for Public Relations: A How-To Guide for Implementation and Management

S Waddington, B Verinder

Ofrece una guía práctica para aplicar IA de forma efectiva y ética en los procesos de PR, especialmente orientada a equipos de gestión de nivel medio y agencias. Ayuda a definir cómo escalar el uso de IA en estrategias y operaciones de relaciones públicas, mejorando la ejecución y la gobernanza del flujo de trabajo.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Verkkosivuston hakukoneoptimointi tekoälyn ja monikanavaisen haun aikakaudella: case: Eagletic

J Karvonen

El paper aborda la optimización de la visibilidad en motores de búsqueda impulsados por IA (GEO), conectándola con el uso de una estrategia multicanal. Aporta un marco práctico para ajustar contenidos y señales para mejorar la indexación y la presencia en resultados de búsqueda generativos, usando el caso Eagletic como referencia.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

CANote: Empowering Fact-checking Note Writing Through Scaffolded and Provenance-based Human-AI Collaboration

S Zhang, J Chen, Y Chuai, D Shi, Y Wang, X Yi…

El estudio evalúa CANote (una herramienta de IA para redactar notas de desmentido con evidencias y citas) y compara su impacto frente a la redacción manual, con 52 fact-checkers y 52 usuarios no expertos en una plataforma simulada tipo X.

Datos y qué significa para ti

Datos clave

  • Participaron 52 fact-checkers y 52 usuarios no expertos (104 personas en total)
  • CANote mejora significativamente la calidad de las notas frente a la escritura manual (según la evaluación del estudio)
  • Los usuarios no expertos con CANote logran una calidad comparable a la de los expertos al redactar notas
  • El tiempo para completar la tarea y la carga cognitiva percibida se mantienen comparables a la redacción manual, pero sube la satisfacción del usuario
  • Aun mejorando calidad y satisfacción, aparece un coste: menor sensación de “propiedad” y control sobre la nota de desmentido

Conclusión

Con los datos de este experimento, el estudio demuestra que una IA que ayuda a organizar subafirmaciones y a enlazar explícitamente cada parte con evidencia recuperada puede elevar la calidad de las notas y reducir la brecha entre expertos y no expertos; lo que genera es una mejora en resultados, no un aumento de carga ni de tiempo.

Para ti

Para un consultor SEO/GEO, este trabajo aporta una señal útil sobre “cómo se cita”: cuando la herramienta fuerza a que cada subafirmación vaya ligada a evidencia enlazada, mejora la calidad del producto final. El estudio no mide directamente citas de páginas concretas en buscadores, pero sí muestra que la estructura de procedencia (provenance) es parte del mecanismo que hace que el trabajo sea más sólido y aceptado.

Leer el estudio original

Estrategia2026Google Scholar

THE ASHTA-AYAMA MODEL

A Saxena

El paper propone un modelo (Ashta-Ayama 8D) que explica cómo una IA “simula” tareas de las primeras 5 dimensiones de aprendizaje, pero no puede cubrir las 6–8 (Intención, Resonancia y Emergencia), y para sustentar el planteamiento usa una bibliografía de 44 citas.

Datos y qué significa para ti

Datos clave

  • Declara una bibliografía con 44 citas (“supported by a 44citation bibliography”)
  • Define que el modelo completo usa 8 dimensiones con un total de 19 sub-ejes (“eight dimensions… described by… 19 sub-axes”)
  • Aporta que la transición desde el modelo educativo 5D cubre el ~25% de la vida en aprendizaje institucional, aprox. edades 6–21 (“roughly ages 6–21”; “~25% of a human life”)
  • En el modelo, la ecuación 8D C = (S × T)^A(I · R · E) se reduce a la 5D cuando I = R = E = 1: L = (S × T)^A (“When I = R = E = 1… reduces to L = (S × T)^A”)

Conclusión

Con los datos disponibles en el texto compartido, el estudio no mide “qué hace que las IA citen una fuente” en absoluto; en cambio, usa una bibliografía de 44 entradas para justificar su modelo y afirma cómo las IA no cubren Intención, Resonancia y Emergencia (6–8). Por tanto, este material no permite concluir factores de citación por IA.

Para ti

Este paper te sirve más como contexto sobre qué tipos de capacidades dice que una IA no reproduce (6–8), pero no aporta cifras o pruebas sobre por qué otras IA citan una fuente. Si tu objetivo es entender citación, necesitarías el estudio específico sobre “citations” (métricas de citas, cobertura, dominios citados, etc.), porque aquí no aparecen.

Leer el estudio original

Medición2026Google Scholar

Werden Sie für KI sichtbar

DS zur semantischen Optimierung

El estudio analiza qué determina que una IA recomiende y cite hoteles, y lo muestra con dos casos (Hotel du Mont-Blanc y una simulación para una familia sueca) probando cómo los datos en formato estructurado afectan la interpretación por sistemas de IA.

Datos y qué significa para ti

Datos clave

  • Propone que la visibilidad en IA depende de alimentar correctamente a los sistemas con datos y sitúa como estrategia central implementar datos estructurados con el vocabulario de Schema.org en JSON-LD
  • En la simulación para una familia sueca se realiza una “consulta y respuesta generativa” para evaluar el impacto cuantitativo y cualitativo, pero el texto aportado no incluye los porcentajes o cifras de resultados
  • En la sección de caso práctico del Hôtel du Mont-Blanc se hace un “audit” de recursos digitales y semánticos y luego se implementa código JSON-LD optimizado; el texto aportado no incluye métricas (por ejemplo, aumento de citas o cambios en el ranking) asociadas a ese antes/después
  • El documento afirma que los asistentes de IA suelen devolver una selección “de 3 a 5 opciones” (y que eso reduce la frecuencia con la que un hotel aparece en resultados) pero no aporta una cifra medida en el estudio sobre cuánto baja o sube la visibilidad por hotel

Conclusión

Con los elementos del documento aportados, el estudio sostiene que los sistemas de IA solo pueden recomendar/citar correctamente si los hoteles proporcionan datos comprensibles para el modelo, y que el formato de datos estructurados (Schema.org en JSON-LD) es el mecanismo que permite esa interpretación fiable. Aun así, el texto que has compartido no trae las cifras concretas del impacto (por ejemplo, cuánto aumenta la cita) para validarlo numéricamente aquí.

Para ti

Para un consultor SEO/GEO, este estudio deja claro el “por qué” técnico ligado a IA: si tu información está en contenido no estructurado, la IA puede perderla, mientras que JSON-LD con Schema.org facilita que el modelo entienda atributos de habitaciones/servicios y te incluya en la selección. Como el extracto no incluye los números del impacto de la simulación/caso Mont-Blanc, la táctica práctica es aplicable, pero la magnitud del beneficio tendría que confirmarse con el informe completo donde estén las métricas.

Leer el estudio original

Citación2026Google Scholar

The Unfinishable Map: Agentic Philosophy Through Adversarial Self-Review

A Southgate

Propone una forma de auditoría basada en revisión adversarial y autoevaluación iterativa para detectar incoherencias y reducir la dificultad de distinguir salidas generadas por IA de texto humano. Aporta un marco de “mapa inacabable” que permite mejorar la fiabilidad del contenido mediante múltiples rondas de revisión, útil para equipos GEO que necesitan controlar calidad, trazabilidad y consistencia editorial.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Who Owns the AI Recommendation? A Multi-Industry Empirical Map of Brand Category Ownership Across Large Language Models

D Żatuchin

El estudio analiza, en 50 marcas y 5 industrias, qué marca recomienda cada IA en consultas sin marcas (250 categorías) y mide cuánta concentración hay entre “dueños” de categorías en tres modelos (GPT-5.2, Gemini 3 Flash y Perplexity).

Datos y qué significa para ti

Datos clave

  • Analizaron 3.750 respuestas en total (250 consultas por categoría, repetidas 5 veces) y usaron 50 marcas en el proceso
  • La concentración de recomendaciones fue moderada: el Gini medio fue 0.28 (IC 95%: 0.16 a 0.41), por debajo del umbral 0.60 que fijaron para un patrón tipo “winner-takes-all”
  • Las “vacantes competitivas” fueron poco frecuentes: 8.0% de las consultas no tuvieron un líder claro (ninguna marca destacaba como una sola dominadora en la categoría)
  • El acuerdo entre modelos sobre la marca mejor recomendada fue 41.6%: una marca top en un modelo no se mantiene como top de forma consistente en los otros
  • La sustitución entre marcas varió por industria, con ratios que van desde co-recomendación en consultoría (0.4:1) hasta sustitución unidireccional hasta 4.3:1; la media no ponderada entre las 5 industrias fue 2.4:1
  • Cuando revisaron temas con BERTopic, solo 4.2% de los clústeres quedaron fuera de las categorías originales (para comprobar que “se movían” sobre las categorías previstas)

Conclusión

Con sus datos, el estudio muestra que en la recomendación por IA no hay un control absoluto y estable por una sola marca: la concentración es media (Gini 0.28), las vacantes son raras (8.0%) pero el desacuerdo entre modelos sobre quién lidera es alto (solo 41.6% coincide la marca top).

Para ti

Para un consultor SEO/GEO, este estudio sugiere que la “cita” o recomendación por IA no depende solo de ganar en una dimensión: la marca que aparece como líder cambia bastante según el modelo (41.6% de coincidencia), así que conviene medir distribución por modelo/categoría y no asumir que un único “ganador” se mantiene igual. Además, como la concentración es moderada (Gini 0.28) y rara la falta de líder (8.0%), hay más espacio para que varias marcas capturen menciones dentro de una misma categoría que para esperar un monopolio claro.

Leer el estudio original

Estrategia2026Google Scholar

ord

K Campbell

El estudio revisa cómo las empresas están pasando de usar LLM “gigantes” a usar Small Language Models (SLMs) como ejecutores, y muestra con qué arquitectura y criterios de producción se vuelve rentable y controlable para tareas de agentes.

Datos y qué significa para ti

Datos clave

  • El texto define que los KPIs clave para agentes en producción son p95 latency, coste por transacción, tool-call success rate, validez de salidas estructuradas, precisión contra un “golden test set”, y señales de cumplimiento como filtraciones de PII y violaciones de políticas (y que estos KPIs son los que no encajan con usar un LLM frontal carísimo para todo)
  • Describe una arquitectura en “planner–executor”: un LLM en la nube genera planes y razonamiento; SLMs cerca de los datos ejecutan (routing por intención y política, reescritura de queries para RAG, extracción de entidades, selección de herramientas y llamadas a funciones con salidas estructuradas); y un SLM o reglas verifican cada salida antes de llegar a usuarios/sistemas
  • Da ejemplos concretos de despliegues de SLM/SLM-like: un asistente de voz en un dispositivo on-device para mantenimiento de motores de avión (para eliminar dependencia de red y fijar la respuesta dentro de un SLA del hangar), y un proof of concept en salud con MedGemma “fine-tuned” con manejo “privacy-aware” probado en “domain-specific evaluation sets” manteniendo el contexto del paciente dentro del entorno controlado
  • Enumera “controles no negociables” de gobernanza para que estos sistemas funcionen: (1) política de selección de modelo por sensibilidad de datos, zona de despliegue y tipo de tarea; (2) gates de evaluación que bloquean el release detrás de regresiones en conjuntos golden para precisión/validez de salidas estructuradas/éxito de tool-calls; (3) controles en runtime (límites de contexto, salidas estructuradas, redacción de PII, allow-list de herramientas, y chequeos de política alrededor de cada llamada); y (4) trazabilidad/observabilidad end-to-end con costes/tokens, vigilancia de deriva y logs de auditoría
  • Lista tecnologías y familias/ejemplos de SLM citados en el texto: Qwen (open-weight), Mistral (eficiencia/calidad y tool-use), Microsoft Phi (razonamiento denso para clasificación/extracción), Google Gemma (RAG y generación estructurada con restricciones de decodificación), y modelos de dominios regulados como Privacy Guardian (2B), Medical Validator (3B), Med-PaLM 2, BioMistral 7B, además de mini-modelos para BFSI, y “Alan” para resúmenes legales

Conclusión

El estudio concluye que para que una solución de “agentic AI” sea viable en producción, la cita/uso de inteligencia “cara” del LLM frontal se restringe y se reparte: el plan lo hace el LLM y la ejecución cerca de los datos la hacen SLMs con verificación, bajo métricas y controles de producción y gobernanza (latencia/coste/validez/compliance).

Para ti

Para un consultor SEO/GEO esto no da un dato directo sobre qué tipo de fuente citan las IA, pero sí aporta el patrón de “producción” que el texto exige: si quieres que tu contenido sea usado como “evidencia operacional”, tiene que ser verificable con criterios concretos (medición, outputs estructurados, y cumplimiento), porque el propio paper describe que el sistema se evalúa y se bloquea si no pasa esos checks. En términos prácticos, el valor está en presentar datos y resultados de forma comprobable, no solo en explicar conceptos.

Leer el estudio original

Estrategia2026Google Scholar

The Role of Artificial Intelligence (AI) in Business Transformation: A Systematic Literature Review

N Niroula, G Sharma

Este estudio revisa 120 artículos (2020-2026) para identificar qué impacto real tiene la IA en la transformación de procesos de negocio y de dónde salen las ideas equivocadas sobre ella.

Datos y qué significa para ti

Datos clave

  • Analiza 120 artículos publicados entre 2020 y 2026 siguiendo guías PRISMA
  • Genera temas a partir de 16 dominios de negocio y resume los resultados en 4 temas principales
  • Los 4 temas que identifica sobre el uso de IA en negocio son: (1) automatización operativa, (2) decisiones basadas en datos, (3) experiencia del cliente y personalización, (4) innovación en productos y entrega de servicios
  • Atribuye las “concepciones erróneas” y rumores a afirmaciones exageradas en medios “new media” (blogs, vlogs, podcasts y noticias) y en literatura “grey” (no académica)

Conclusión

El estudio concluye que la IA sí mejora procesos empresariales de forma clara en los artículos revisados, y que los rumores aparecen sobre todo por exageraciones difundidas en medios no académicos. En conjunto, sugiere que los beneficios se sostienen frente a los riesgos de desinformación, según lo que recogen las fuentes revisadas.

Para ti

Como consultor SEO/GEO, este trabajo no mide citas directas de IA ni qué webs concretas citan, pero sí aporta un punto operativo: el “ruido” informativo sobre IA proviene de contenidos exagerados en blogs/vlogs/podcasts y literatura no académica. Si tu sector participa en debates sobre IA, vigilar la calidad/precisión de cómo se afirma la evidencia puede reducir el riesgo de que tus activos sean arrastrados por narrativas de rumor.

Leer el estudio original

Riesgos2026Google Scholar

Paraphrase Brittleness in Production Retrieval-Augmented Commercial Recommendation: Reproducibility Below the Rerun-Stability Baseline

W Jack, N Lehman, K Maloney, S Xu

El estudio analiza cómo pequeños cambios al reformular una consulta cambian las recomendaciones de marcas en asistentes de IA, comparando ~6.000 ejecuciones con paráfrasis y ~6.000 reruns con el mismo prompt en modelos de OpenAI y Anthropic.

Datos y qué significa para ti

Datos clave

  • La similitud entre el conjunto de recomendaciones de dos paráfrasis del mismo “intento” (Jaccard) fue 0.288 en reescrituras cosméticas (intervalo 95%: [0.215, 0.361])
  • Para paráfrasis que añaden restricciones, la similitud bajó a 0.135 (intervalo 95%: [0.098, 0.175])
  • El resultado de comparar “misma consulta, mismo prompt” (rerun baseline) está en 0.50 a 0.61 de similitud, es decir, mucho más alto que 0.288/0.135
  • La métrica basada en contar menciones/prominencia por prompt es inestable: dos paráfrasis del mismo intento producen solapes de 14% a 29% (Jaccard), mientras que los reruns con el mismo prompt dan 50% a 61%
  • Aumentar el “esfuerzo de razonamiento” no reduce esa brecha: el efecto queda acotado a ±0.05

Conclusión

El estudio demuestra que en estos sistemas la variación por reformulación (el texto exacto del prompt) domina sobre el “intento” subyacente: por eso los sistemas no son reproducibles a nivel de conjunto de marcas, y las métricas de “AI visibility” basadas en un conjunto fijo de prompts quedan estructuralmente sesgadas por cómo se haga el muestreo.

Para ti

Si tu medición de visibilidad en IA se basa en lanzar siempre “los mismos prompts” y contar menciones, este trabajo muestra que otra reformulación natural del usuario puede cambiar mucho el conjunto de marcas (solape 14–29% vs 50–61%). Para un SEO/GEO, eso significa que la estabilidad del indicador depende más del muestreo de prompts que de tu presencia “real” en la intención, así que el valor del tracking prompt-a-prompt para comparar campañas debe interpretarse con mucha cautela con estos datos.

Leer el estudio original

Estrategia2026Google Scholar

Designing adaptive user interfaces in the age of malleable software

J Roorda

El estudio explora, en un proyecto con Accenture Song y centrado en productos financieros para Generación Z, qué aporta el “malleable software” para que las respuestas y la adaptación sean más guiadas por el usuario (no solo por el sistema) y cómo eso se traduce en principios y prototipos de producto.

Datos y qué significa para ti

Datos clave

  • Afirma que “alrededor del 70%” de los consumidores esperan interacciones personalizadas (cita McKinsey, 2021) y que las empresas que cumplen esas expectativas generan “hasta un 40% más” de ingresos que competidores más lentos (según el mismo referente)
  • Reporta como resultado clave que pasar de personalización “sistema-dirigida” a “customización dirigida por el usuario” mejora la experiencia del usuario aumentando eficiencia, accesibilidad y “agency” (capacidad del usuario de decidir)
  • Describe que el uso de “malleable software” permite validación y desarrollo más rápidos para: validación, desarrollo de conceptos, ideación y co-creación dentro de procesos internos de diseño y desarrollo (mejora en velocidad, aunque el texto no da un porcentaje)
  • Indica que el trabajo termina generando un demostrador y un “intervention framework” para integrar la práctica D&DP, además de una hoja de ruta con partes estratégica y táctica (sin métricas cuantitativas adicionales en el extracto)

Conclusión

Con sus propios resultados, el estudio muestra que el valor de “malleable software” no es solo personalizar, sino cambiar el control: al mover la personalización hacia decisiones del usuario, mejora eficiencia, accesibilidad y “agency”, y acelera ciclos internos de validación e ideación. A partir de ahí, sostiene que también crea una vía para ofrecer a clientes productos y servicios más hiperpersonalizados.

Para ti

Como consultor SEO/GEO, este paper no aporta datos medibles sobre citas de IA ni sobre “qué hace que ChatGPT/Perplexity citen una fuente”. Lo que sí aporta es contexto útil sobre cómo se diseñan experiencias adaptativas y dónde suele estar el valor (control del usuario, rapidez de iteración), aunque no se traduce en una táctica concreta de citación.

Leer el estudio original

Riesgos2026Google Scholar

Der neue KI-Commerce

G Heinemann

Advierte que para 2030 más del 30% de los pedidos en e-commerce podrían estar impulsados por IA, afectando la captación orgánica y el rendimiento de los canales de búsqueda. Ayuda a anticipar riesgos de dependencia de interfaces generadas por IA y a priorizar auditorías y planes de mitigación en SEO para mantener visibilidad.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

The influence of artificial intelligence technologies on business model transformation for marketing agencies/Submitted byJan Paffenholz

J Paffenholz

Aporta una hoja de ruta para agencias de marketing basada en la transformación del modelo de negocio hacia un enfoque “AI-first”, incluyendo la creación de modelos operativos de marketing con IA y la redefinición de roles. Ayuda a identificar palancas de optimización como la reducción de costos, la disminución de personal y la adopción de prácticas orientadas a prompting y a la “generative engine optimization” para mejorar la visibilidad en motores de generación.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Algorithmic Visibility and Agentic Product Selection under Heterogeneous Attention in Digital Consumer Markets with Health-Sensitive Demand

B Prakoso, F Ramadhan…

El paper vincula la visibilidad algorítmica con la selección de productos en entornos de búsqueda mediada por agentes, mostrando que la atención heterogénea altera qué ofertas quedan priorizadas. Aporta criterios para ajustar señales de contenido estructurado en mercados de consumo con demanda sensible a la salud, reduciendo el riesgo de quedar infraexpuesto en consultas relevantes.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

VERKKOKAUPAN NÄKYVYYS TEKOÄLYPOHJAISISSA HAKUJÄRJESTELMISSÄ

V Väliharju

El texto no es un estudio sobre qué fuentes citan las IA: explica un sistema anti-scraping (Anubis) basado en Proof-of-Work para frenar rastreos automáticos de empresas de IA.

Datos y qué significa para ti

Conclusión

Con este material no se puede concluir qué hace que una IA cite una fuente, porque no hay mediciones ni análisis de citaciones; solo se describe una medida técnica anti-bots para acceder al sitio.

Para ti

Lo que sí aporta este texto para SEO/GEO es contexto directo sobre por qué una IA (o sus herramientas) podría no acceder o indexar bien ciertas páginas: si hay retos tipo Proof-of-Work y/o requiere JavaScript, parte del contenido puede volverse más difícil de rastrear.

Leer el estudio original

Medición2026Google Scholar

How LLMs Rank Your Personal Brand Name: A Practical Report on Being Recommended by ChatGPT, Claude, and Perplexity

B Sarkhedi

Explica cómo modelos como ChatGPT, Claude y Perplexity generan listas de recomendación cuando un usuario solicita “el mejor profesional” en un área, lo que ayuda a diagnosticar por qué apareces o no en esas respuestas. Aporta un enfoque práctico para ajustar tu marca personal para mejorar la probabilidad de recomendación por IA, alineando señales de autoridad, consistencia y disponibilidad en fuentes relevantes.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Machine Legibility and Attention Retention in Agent Mediated Commerce Visibility Across Structured Product Pages

K Fawzy, T Hegazy

El estudio analiza, con 18.240 observaciones (1.520 páginas de producto, 6 categorías), cómo el formato “estructurado” de una ficha frente a uno “narrativo” afecta a que sistemas con agentes/IA seleccionen la página, la citen y mantengan la atención humana.

Datos y qué significa para ti

Datos clave

  • Las páginas estructuradas aumentan la probabilidad de que el agente las seleccione en +8,7 puntos porcentuales frente a páginas narrativas
  • Las páginas estructuradas incrementan la probabilidad de cita en +6,2 puntos porcentuales frente a páginas narrativas
  • La atención humana se retiene más: la “media” de vida media (attention half-life) sube de 2,81 s a 3,46 s con páginas con estructura basada en evidencia
  • El efecto de señales de “legibilidad para la máquina” se mantiene incluso controlando precio, rating, volumen de reseñas, reputación de marca, tiempo de entrega y categoría

Conclusión

Con sus datos, el estudio muestra que las páginas de producto estructuradas tienen más probabilidades de ser seleccionadas y citadas por sistemas tipo agente/IA, y además retienen atención humana por más tiempo. También concluye que la visibilidad para agentes no se logra solo por “valor al usuario” (como precio/ratings), sino por cómo organizan la evidencia en formato legible para máquina.

Para ti

Para un consultor SEO/GEO, este resultado aterriza que el “formato estructurado con señales de evidencia” pesa de forma medible en la cita: +6,2 puntos de probabilidad frente a formato narrativo, incluso controlando métricas de producto. Además, como también mejora la retención (2,81 s a 3,46 s), no es solo un tema de robot: puedes esperar impacto simultáneo en comportamiento del usuario y en la forma en que la IA justifica/selecciona la fuente.

Leer el estudio original

Medición2026Google Scholar

Annotation as the Confidence Fulcrum: How AI Systems Classify Digital Content and Why It Determines Recommendation Outcomes

J Barnard

El trabajo propone un modelo empírico para medir cómo la confianza asignada en la anotación (labels en múltiples dimensiones) impacta directamente en la clasificación del contenido y, por extensión, en los resultados de recomendación. Ayuda a equipos GEO a identificar qué señales de anotación y niveles de confianza determinan visibilidad y performance, mejorando la evaluación de cambios en el pipeline de indexación.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

How AI Perceives the World: Epistemic Foundations for Measuring Entity Representation without Ground Truth

S Nagafuchi

Propone fundamentos epistémicos para medir la representación de entidades en LLM sin depender de verdad de referencia (ground truth), útil cuando no existe un dataset etiquetado o actualizado. Ofrece un marco para evaluar cómo el modelo cita, describe y asocia entidades, mejorando la visibilidad y permitiendo auditorías comparables entre modelos o versiones.

Datos y qué significa para ti

Leer el estudio original

Citación2026Google Scholar

How AI Platforms Search: Fan-Out Query Behavior Across Intent Types, Verticals, and Platforms

A Lee

El paper analiza cómo las plataformas de IA descomponen un prompt del usuario en múltiples consultas internas tipo fan-out, variando por intención, vertical y plataforma. Esto te permite auditar diferencias de comportamiento entre motores, evitando asumir que el texto del usuario se reutiliza tal cual y mejorando la trazabilidad de los resultados GEO.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

The Brand Visibility Maturity Model: A Governance Framework for AI-Mediated Organizational Visibility

A Nallawalla

Propone un modelo de madurez de visibilidad de marca con enfoque de gobernanza para organizaciones que dependen de sistemas de descubrimiento mediados por IA. Ayuda a definir controles y métricas para reducir la variabilidad y los riesgos de visibilidad al alinear políticas, datos y experimentos con el ciclo de producción y mantenimiento de la marca.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

How Much Should a Conversational Recommender System Converse?

A Kumar, V Manshadi, A Tumu

Propone criterios para decidir cuántas preguntas y cuánto contexto debe usar un sistema recomendador conversacional, optimizando la calidad de la recomendación frente a la fricción del usuario. Ofrece una base para diseñar flujos GEO conversacionales que mejoran la elicitación de información y la satisfacción del usuario, reduciendo conversaciones innecesarias.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

När synlighet förändras: En studie om strategiska implikationer i ett förändrat söklandskap

D Carlsson

La investigación analiza, mediante entrevistas a 7 expertos de agencias web suecas, cómo perciben y gestionan la transición desde buscadores tradicionales basados en enlaces a sistemas de búsqueda y respuesta impulsados por IA, y qué oportunidades y retos ven para la visibilidad digital.

Datos y qué significa para ti

Datos clave

  • El estudio se basa en entrevistas semiestructuradas a 7 expertos (agencias web) especializados en visibilidad digital y estrategias de búsqueda
  • En la introducción se cita que “más de la mitad” de los usuarios de IA hacen preguntas usando IA en lugar de buscar con motores tradicionales (Internetstiftelsen, 2025)
  • Se afirma que el cambio implica que una parte creciente de búsquedas ya no genera clics a webs externas, porque el usuario puede cubrir su necesidad informativa sin visitar el sitio donde estaba publicado (referenciado en la literatura citada por el trabajo)

Conclusión

A partir de sus datos cualitativos, el estudio concluye que las agencias ven que la visibilidad en sistemas de IA abre oportunidades (aparecer en respuestas generadas), pero que la falta de transparencia de esos sistemas introduce incertidumbre sobre cómo se logra y cómo se mide esa visibilidad.

Para ti

Para un consultor SEO/GEO, este trabajo aporta una idea central: aunque el “valor” pasa de clics a exposición dentro de respuestas de IA, las agencias no pueden verificar fácilmente el “por qué” del posicionamiento por la opacidad del sistema, lo que complica la gestión basada en evidencia. Como el estudio no mide citas de IA ni porcentajes de citación, su utilidad táctica para “qué hace que una IA cite una fuente” es más de contexto estratégico que de regla accionable.

Leer el estudio original

Medición2026Google Scholar

New year, new challenges

S DIN

El texto reúne datos y ejemplos de un informe de Schwab sobre adopción de IA en firmas RIA y lo contrasta con casos de uso reportados en el sector de wealth management (p. ej., cuánto tiempo ahorra a un asesor y cómo usa fuentes como Perplexity).

Datos y qué significa para ti

Datos clave

  • Según Schwab IAOS, “más de la mitad” de las firmas RIA ya usan IA y “otro tercio” está explorándola (adopción: >50% + exploración: ~33%)
  • El ejemplo de Matt Gagnon indica que recopilar información para su flujo de actualización de mercado “toma alrededor de un minuto” antes de verificarla
  • Gagnon dice que su IA (Perplexity) “lista sus fuentes online” y que “no hace cosas inventadas” (su criterio se basa en esa forma de citar fuentes y en que ofrece modos de búsqueda)
  • Will Trout (Datos Insights) afirma que un caso de uso de seguimiento/outputs incluye “behavioral profile” para el asesor y menciona que además permite “una visión más amplia” del perfil del cliente (no aporta un número, pero sí el tipo de salida que miden/usan)

Conclusión

El estudio (tal como lo reporta el texto) no cuantifica “qué hace que una IA cite” de forma directa, pero sí muestra que, en la práctica, cuando una herramienta presenta y enlaza fuentes online y mantiene verificación (p. ej., Perplexity), los asesores las usan porque pueden comprobar que los datos citados son correctos. Además, el texto muestra que la adopción es masiva (>50% usan IA), así que el requisito de “fuente verificable” pesa en cómo se emplean estas salidas.

Para ti

Para SEO/GEO, este texto sugiere que el valor de “ser citado” por IA en este sector se apoya en dos cosas visibles: que la herramienta muestre fuentes enlazadas y que el usuario (asesor) pueda verificar precisión antes de usar el dato. La consecuencia práctica es que, en wealth management, la citabilidad tiende a favorecer páginas con señales comprobables para revisión por el usuario, porque el flujo real incluye verificación (como en el caso de Gagnon).

Leer el estudio original

Estrategia2026Google Scholar

Marketing Digital

MT Botas Etcheverría

El trabajo analiza, con Zara como caso, cómo la integración del marketing digital y la omnicanalidad crea ventaja competitiva en fast fashion y qué evidencias encuentra a partir de una revisión y observación de puntos de contacto.

Datos y qué significa para ti

Datos clave

  • El estudio se basa en un enfoque cualitativo, descriptivo y aplicado, apoyado por revisión de literatura académica, fuentes corporativas y observación estructurada de “principales puntos de contacto” de Zara
  • La marca se evalúa en 4 dimensiones: integración entre tienda física, e-commerce y app; construcción de experiencia “phygital”; comunicación y posicionamiento de marca; e incorporación de la sostenibilidad en la relación con el cliente
  • Los resultados indican que la ventaja competitiva de Zara “no reside únicamente” en adoptar herramientas digitales, sino en articular un sistema coherente donde marketing, operaciones y experiencia del cliente trabajan coordinados
  • La omnicanalidad aparece como elemento estratégico central para “reducir fricciones”, reforzar la coherencia del customer journey y fortalecer el posicionamiento de la marca

Conclusión

El estudio no mide “citas” de IA ni qué factores hacen que una IA cite fuentes. Lo que sí concluye es que en Zara la omnicanalidad y la coordinación entre áreas generan coherencia en el recorrido del cliente, y que eso es clave para su ventaja competitiva.

Para ti

Como consultor SEO/GEO, este trabajo aporta contexto sobre omnicanalidad y coordinación de experiencia, pero no ofrece datos transferibles sobre por qué una IA cita una fuente (porque no estudia ese fenómeno). Si tu objetivo es conseguir citaciones desde IA, este texto sirve más para entender estrategia de marca y “customer journey” que para inferir factores de citación.

Leer el estudio original

Estrategia2026Google Scholar

Charting the Course: Unleashing the Potential of an AI-driven Marketing Strategy

C Schubart, F Stamminger

Identifica 17 factores de éxito para implementar una estrategia de marketing basada en IA en la región DACH, lo que te sirve como checklist accionable para priorizar iniciativas. Te ayuda a traducir la evidencia (revisión de literatura y encuesta empírica) en decisiones de ejecución y mejora continua para aumentar el rendimiento en SEO/GEO.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

The Citation Layer: Structured Knowledge Nodes for AI Retrieval-optimized Content Infrastructure

P Still

Propone una “capa de citación” basada en nodos de conocimiento estructurados para mejorar la recuperación por sistemas de búsqueda de IA, reduciendo el desfase entre cómo se publica contenido y cómo lo indexan los modelos. Ayuda a diseñar una infraestructura GEO orientada a trazabilidad y precisión de fuentes, facilitando que los sistemas recuperen fragmentos relevantes de manera consistente.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

ChatGPT Referrals to E-Commerce Websites: How Do LLMs Compare Against Traditional Channels?

M Kaiser, C Schulze

El estudio compara, con datos propios de 973 e-commerce durante 12 meses, cómo el tráfico “orgánico” que llega desde ChatGPT (referencias) se traduce en conversiones, gasto y engagement frente a canales tradicionales.

Datos y qué significa para ti

Datos clave

  • En el periodo analizado, el tráfico orgánico desde LLM (solo ChatGPT) es <0,2% del tráfico total del conjunto de sitios (unas 200 veces menos que el orgánico de Google)
  • ChatGPT domina el canal LLM: aporta más del 90% de las sesiones observadas desde plataformas LLM; el resto (Perplexity, Gemini, Copilot, Deepseek, Grok) tiene volúmenes “negligibles”
  • Con datos agregados (febrero–agosto 2025), el canal oLLM (ChatGPT) muestra 30,232 observaciones/semana-sitio-dispositivo y 4.1M de sesiones, con 6.1M de dólares de revenue (frente a, por ejemplo, paid search: 44,800 observaciones; 1,530.0M de revenue)
  • En conversion y dinero: a un año del lanzamiento, oLLM tiene tasas de conversión y revenue por sesión por encima de paid social, pero por debajo de “todos” los otros canales tradicionales (según los resultados de su modelo)
  • En engagement: oLLM tiene mejor tasa de rebote (bounce rate), pero menos duración de sesión y menos páginas vistas (session duration y page views menores que el resto)

Conclusión

Con sus datos, el estudio muestra que las referencias orgánicas de ChatGPT todavía no actúan como un canal de conversión “amplio”: aunque mejoran el rebote y superan a paid social en conversión y revenue por sesión, se quedan por detrás de los demás canales tradicionales, con efectos más marcados en categorías de producto complejas.

Para ti

Para un consultor SEO/GEO, el hallazgo útil es que “ser mencionado por ChatGPT” no equivale (aún) a reemplazar canales de performance o búsqueda orgánica: en estos datos, pesa más en productos complejos y en necesidad informacional, y genera tráfico de calidad en rebote pero con menos profundidad de navegación (menos tiempo y menos páginas).

Leer el estudio original

Estrategia2026Google Scholar

Growth hacking strategies for small beauty service-based businesses: a study of nail salons in Helsinki, Espoo, and Vantaa

TNQ Le

El paper orienta a negocios pequeños de servicios de belleza (p. ej., salones de uñas) hacia una estrategia de Generative Engine Optimization (GEO) para mejorar la visibilidad en búsquedas de IA. Enfoca acciones en crear contenido de alta calidad y claridad para alinearlo con cómo las empresas de IA seleccionan y presentan respuestas.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

AgentWebBench: Benchmarking Multi-Agent Coordination in Agentic Web

S Zhong, K Shen, C Xiong

El estudio mide, con AgentWebBench, qué tan bien varios agentes de IA sintetizan respuestas cuando deben coordinarse para usar contenido accesible a través de agentes “del sitio”, comparándolo con el acceso centralizado en tareas de búsqueda, recomendación y preguntas abiertas.

Datos y qué significa para ti

Datos clave

  • Evalúan 4 tareas (web search, web recommendation, question answering y deep research) y comparan 7 modelos LLM avanzados con 3 estrategias de coordinación
  • Reportan que la coordinación multiagente “generalmente” queda por detrás del acceso centralizado, pero la brecha se reduce al aumentar el tamaño del modelo
  • En question answering, el mejor caso puede llegar a “superar” al acceso centralizado (cuando el modelo es más grande)
  • Miden que el acceso descentralizado concentra el tráfico hacia un conjunto pequeño de sitios web (en vez de distribuirlo ampliamente)

Conclusión

Con los datos de AgentWebBench, el estudio muestra que las IA citan/usan evidencia de forma distinta cuando la información llega vía coordinación con agentes de contenido: en general rinden peor que con acceso directo, la diferencia se reduce con modelos más grandes y en preguntas puede incluso invertirse. Además, el modo “de acceso descentralizado” tiende a empujar el uso de evidencia hacia pocos sitios.

Para ti

Para SEO/GEO, este resultado apunta a que el ecosistema “agentic web” puede premiar la visibilidad en un grupo reducido de dominios, porque la coordinación descentralizada concentra el tráfico y la evidencia en pocos sitios. Si trabajas con contenido que facilita recuperación y síntesis confiables por sitio (lo que el estudio asocia a planificación y a interacción suficiente), tienes más probabilidades de que la IA use tu información cuando el acceso sea mediado por agentes.

Leer el estudio original

Estrategia2026Google Scholar

Digital Marketing Plan for a Sustainable Fashion Brand: A case Study for Tico Fabrics Ltd.

A Abass

El estudio propone un plan de marketing orientado a marca sostenible que integra Generative Engine Optimization (GEO) para hacer más atractivos los canales y contenidos a los motores generativos. Ayuda a equipos GEO a traducir objetivos de posicionamiento en acciones prácticas de optimización de contenido para mejorar la visibilidad orgánica ante IA.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

SEO в 2025 году и прогнозы на 2026 год

РО Короленя

El paper repasa qué se ha observado en SEO durante 2025 y resume tendencias previstas para 2026, con foco en cómo las tecnologías generativas cambian la creación de contenido y la asignación de presupuesto.

Datos y qué significa para ti

Datos clave

  • No aporta métricas ni resultados medibles: el texto visible solo incluye objetivo, resumen general y referencias bibliográficas sin porcentajes, números o experimentos
  • Plantea como punto central que el “éxito” de SEO depende de “integración profunda del producto”, “atención a la calidad” y “cumplimiento de expectativas del consumidor actual”, pero sin cuantificar el impacto
  • Indica que las “tecnologías generativas” exigen cambios en los enfoques de creación de contenido y en cómo se distribuye el presupuesto, sin detallar cuánto cambia ni cómo se mide

Conclusión

Con el contenido disponible, este estudio no demuestra datos concretos sobre qué hace que una IA cite una fuente; se limita a conclusiones generales de SEO para 2025 y previsiones para 2026.

Para ti

Úsalo solo como contexto sobre por dónde va el SEO (calidad y contenido con IA), pero no como base para inferir “qué cita una IA”, porque no hay datos del estudio sobre citas, fuentes o comportamiento de modelos.

Leer el estudio original

Medición2026Google Scholar

Wandel von klassischen zu digitalen Kommunikationsinstrumenten

WD Hiemeyer, C Seidl

El estudio analiza, en un gran grupo industrial B2B, cómo el cambio de comunicación del marketing “clásico” al “digital” afecta el éxito de la comunicación y, a su vez, el éxito del mercado, usando literatura y una encuesta online a 198 clientes.

Datos y qué significa para ti

Datos clave

  • Usan una muestra de 198 clientes y miden el efecto de canales de comunicación sobre el “éxito de la comunicación” mediante análisis PLS-SEM
  • Reportan que los canales digitales (marketing por correo, sitio web corporativo y marketing en redes sociales) ya son de alta relevancia dentro del mix de comunicación
  • A la vez, indican que los canales clásicos (ferias y trabajo con medios/relaciones con medios) siguen teniendo una influencia grande en el mix
  • Afirman que todos los canales mencionados influyen de forma significativa en el éxito de la comunicación, y que este éxito está estrechamente vinculado al éxito de mercado

Conclusión

El estudio demuestra que, incluso con la digitalización acelerada, la citación/visibilidad y el rendimiento comunicacional no dependen solo de lo “digital”: los canales digitales y los clásicos aportan influencia significativa y el impacto se refleja también en el éxito del mercado según sus datos en ese caso B2B.

Para ti

Para un consultor SEO/GEO, este resultado sugiere que la “señal” de presencia informativa para el éxito comercial no se limita a canales tipo web/redes: según el estudio, las ferias y la cobertura en medios pueden seguir siendo igual de relevantes para los resultados, así que la estrategia de presencia debería contemplar esa coexistencia en el mix que midieron.

Leer el estudio original

Medición2026Google Scholar

Who Becomes Visible? How Google And DuckDuckGo Organize Data Privacy Information: Search engine rankings and algorithmic visibility in digital information …

A Svensson, J Lindström

El texto no es un estudio sobre citas de IA: explica por qué un sitio usa Anubis (un reto de Proof-of-Work con JavaScript) para bloquear scrapers automatizados de empresas de IA y evitar caídas del servidor.

Datos y qué significa para ti

Datos clave

  • Dice que Anubis usa un esquema de Proof-of-Work tipo Hashcash para que el scraping masivo sea más caro
  • Indica que el reto puede causar downtime: menciona que la protección está para evitar que el sitio quede inaccesible por el scraping de alto volumen
  • Aclara que Anubis requiere JavaScript moderno y que plugins como JShelter lo pueden desactivar
  • Se describe como solución “placeholder” mientras se invierte en identificar navegadores headless (por ejemplo, mediante cómo hacen font rendering) para que el reto no tenga que mostrarse a usuarios legítimos

Conclusión

Este material no mide ni analiza qué hace que las IA citen fuentes: trata de barreras técnicas para impedir scraping y reducir carga, destacando que JavaScript y la detección de navegación automatizada son piezas clave. Por tanto, no aporta evidencias sobre el mecanismo de citación de ChatGPT/Perplexity/Gemini/Google AI/Claude.

Para ti

Para un consultor SEO/GEO, este texto apunta a un riesgo operativo: si tu sitio aplica retos como Anubis, las IA (o sus sistemas de rastreo) pueden tener más dificultad para acceder al contenido, lo que puede afectar la posibilidad de que lo usen/citen, aunque el paper en sí no cuantifica ese efecto.

Leer el estudio original

Riesgos2026Google Scholar

Smart Contract Based Data Strategy for Startup Growth in Digital Business Systems

P Paroli, M Muhtarom, MM Siahaan…

El estudio analiza de forma cualitativa cómo una estrategia de datos basada en smart contracts puede apoyar el crecimiento de startups en negocios digitales, enfocándose en transparencia, automatización, confianza y escalabilidad operativa.

Datos y qué significa para ti

Datos clave

  • El trabajo sintetiza literatura académica y casos/documentos sobre implementación de smart contracts, pero no reporta resultados medidos en startups reales (no hay porcentajes, tamaños muestrales ni métricas cuantificadas en el texto aportado)
  • Identifica como dimensiones clave lo que aportan los smart contracts: gestión descentralizada de datos, ejecución automatizada de transacciones, mecanismos de transparencia, aseguramiento de seguridad y eficiencia del flujo de trabajo (son los “bloques” que el estudio analiza, no cifras)
  • Concluye que los smart contracts se plantean como “mecanismos de datos” (no solo como herramienta de blockchain) para: reducir riesgos operativos, mejorar la fiabilidad de procesos y reforzar la credibilidad del negocio digital (resultado descrito, sin cuantificación)
  • Plantea que su efecto sobre el crecimiento se da por mejora de rendición de cuentas de los datos, aumento de la confianza de los interesados y habilitación de operaciones escalables (conclusión cualitativa, sin datos numéricos)

Conclusión

Este estudio, basado en síntesis cualitativa de literatura y experiencias, no aporta evidencia numérica sobre citas de la IA; sí afirma que los smart contracts mejoran transparencia, confianza y escalabilidad operativa en startups, como mecanismos de gobernanza de datos.

Para ti

Como consultor SEO/GEO, este paper no sirve para estimar qué “hace que una IA cite una fuente” porque no mide nada cuantitativo ni trata el tema de citación. En cambio, te puede dar contexto sobre cómo describir (de forma narrativa y basada en “dimensiones”) el valor de los smart contracts en gobernanza de datos, pero no ofrece acciones tácticas ancladas a datos de rendimiento o a patrones de citación.

Leer el estudio original

Medición2026Google Scholar

Verkkosivun näkyvyyden kasvattaminen orgaanisesti-opas

E Mäkelä

El paper ofrece una guía práctica para aumentar la visibilidad orgánica en buscadores, destacando que el posicionamiento no depende del azar sino de acciones sistemáticas. Ayuda a equipos GEO a estructurar mejoras en contenido y estrategia de búsqueda para captar más tráfico desde consultas relevantes.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Designing AI-Powered Search Platforms: Advertiser Incentives, Quality Paradox, and AI Sequencing

G Lyu, YJ Chen

Analiza cómo los incentivos publicitarios y el “paradox” de calidad pueden alterar la visibilidad cuando la búsqueda es reemplazada o complementada por IA secuenciadora. Ofrece criterios operativos para evaluar y ajustar estrategias de contenido y ranking para minimizar caídas de desempeño bajo sustitución de la búsqueda tradicional.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Nobel Peace Prize Leadership Management Facing Global Crisis War 3

P Damayanti, P Ratnasih, R Bratamanggala…

Propone un marco integral de gestión del liderazgo aplicable a economías desarrolladas y emergentes para afrontar crisis globales, lo que puede orientar decisiones GEO bajo entornos inestables. Aunque el abstract no aporta cifras específicas, la estructura del enfoque puede adaptarse para priorizar acciones de búsqueda/IA en función de objetivos y cambios del contexto.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Preserving Competition in Answer Engines under the Digital Markets Act

C Carugati

El paper analiza cómo la Digital Markets Act puede restringir prácticas de auto-preferencia en los “answer engines”, reduciendo el riesgo de sesgos competitivos. Ayuda a GEO a evaluar criterios de acceso y de intermediación exigidos por la Comisión para diseñar mediciones y auditorías que detecten degradación de visibilidad atribuible a reglas regulatorias.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

The Invisible Business: Why Your Business Exists in the Real World but Not in AI–a Framework for Understanding AI Visibility

L Kenney

Propone un marco para entender por qué una empresa puede existir en el mundo real pero no aparecer o ser reconocida en plataformas de IA como ChatGPT, Claude o Gemini, explicando el “gap” de visibilidad. Ayuda a GEO a identificar causas y traducirlas en auditorías prácticas para mejorar señales de descubrimiento y reducir la probabilidad de que la marca sea ignorada por los motores conversacionales.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

AI-based monitoring of fdi perceptions: developing a real-time reputation index for investment promotion agencies in the baltic states

M Balodis

El estudio investiga cómo medir en tiempo real las percepciones sobre la inversión extranjera directa (FDI) en los países bálticos usando señales de medios y búsqueda, y construye un índice de reputación para agencias de promoción inversora comparando los tres países.

Datos y qué significa para ti

Datos clave

  • Mide percepciones FDI con señales “activas” (visibilidad impulsada por búsqueda y entornos de información “curados”) frente a solo exposición “pasiva” a medios; concluye que las señales activas están más alineadas con la atención relacionada con la inversión que la exposición pasiva
  • Construye y compara perfiles de reputación de FDI entre tres países bálticos; identifica a Lituania como el país con mejor desempeño general en el índice construido
  • Valida el patrón de desempeño de Lituania comparándolo con evaluaciones independientes de modelos de lenguaje grandes (LLMs) populares, donde coincide con el “mejor rendimiento” en el índice

Conclusión

El estudio muestra que un monitoreo en tiempo real de percepciones (especialmente usando visibilidad ligada a búsqueda y entornos de información curados) funciona mejor para captar atención de inversión que limitarse a exposición pasiva en medios, y que el índice resultante detecta diferencias reales entre países (con Lituania liderando).

Para ti

Para un consultor SEO/GEO, este resultado apunta a que las señales conectadas con la demanda/atención (lo que la gente busca y lo que termina destacándose en “entornos curados”) explican mejor la reputación de FDI que solo el volumen de menciones en prensa. Además, como el índice coincide con lecturas de LLMs, sugiere que si tu marca/país aparece de forma consistente en señales de búsqueda y contextos informativos relevantes, es más probable que LLMs reflejen esa “mejor reputación” en sus evaluaciones.

Leer el estudio original

Medición2026Google Scholar

AI-Mediated Retail Visibility and Consumer Purchase Intent Across Search Results Social Endorsements and Product Bundling Decisions

S Cárdenas, A Patiño

El estudio prueba en un experimento online con 1.248 personas cómo la visibilidad de una marca en respuestas de IA, el tipo de endorsement (humano vs virtual) y la fuerza de los bundles de producto afectan la intención de compra y la confianza.

Datos y qué significa para ti

Datos clave

  • El “AI-search visibility” alta sube la intención de compra un 9,4% frente a visibilidad baja
  • En categorías de alta implicación, el endorsement humano genera más confianza en la marca que el endorsement virtual
  • Las señales de “product bundling” fuerte aumentan la utilidad percibida y reducen la incertidumbre de decisión, sobre todo cuando la marca ya es visible en los resultados de búsqueda de IA
  • La condición con mejores resultados combina: visibilidad citada en AI-search + endorsement humano + bundling basado en rutinas

Conclusión

El trabajo demuestra que, en un recorrido de compra mediado por IA, la cita/mención vía búsqueda de IA no actúa sola: su efecto en intención de compra se potencia cuando también hay credibilidad por endorsement humano y una presentación de productos que reduzca incertidumbre (bundling), especialmente si la marca ya aparece en la búsqueda de IA.

Para ti

Si tu marca quiere ser citada por IA y convertir, este estudio sugiere que la cita por sí misma no basta: la visibilidad en AI-search funciona mejor cuando llega acompañada de señales de confianza tipo “humano” y de un merchandising que reduzca dudas (bundles), porque es justo la combinación la que reporta el mejor desempeño en el experimento.

Leer el estudio original

Medición2026Google Scholar

From Docs to Descriptions: Smell-Aware Evaluation of MCP Server Descriptions

P Wang, Y Li, Y Sun, C Liu, Y Liu, Y Tian

El estudio analiza, para 10.831 servidores MCP y mediante experimentos de cambios controlados, qué “olores” en las descripciones de herramientas hacen que las IA elijan unos servidores u otros.

Datos y qué significa para ti

Datos clave

  • Sobre el dataset de 10.831 servidores, los “description smells” aparecen de forma generalizada: el 73% repite nombres de herramientas
  • En miles de casos, las descripciones tienen semántica de parámetros incorrecta o faltan descripciones de retornos (el paper lo describe como “thousands” de instancias)
  • Al mutar descripciones, los “olores” afectan de forma significativa la selección de herramientas: el efecto más grande lo tienen funcionalidad (+11,6%) y precisión (+8,8%), con p < 0,001
  • En escenarios competitivos entre servidores equivalentes en funcionalidad, las descripciones que cumplen el estándar del estudio alcanzan una probabilidad de selección del 72%, es decir, 260% por encima del 20% de línea base

Conclusión

El trabajo demuestra que, cuando una IA tiene que escoger entre herramientas MCP parecidas, los problemas en la descripción (funcionalidad/precisión y omisiones o errores semánticos) empujan la elección de forma medible y pueden cambiar el resultado de forma grande.

Para ti

Para un consultor SEO/GEO, el mensaje accionable de este estudio (en el contexto MCP) es que la IA “premia” descripciones que no sólo estén presentes, sino que sean correctas y completas en semántica (funcionalidad/precisión), porque eso aumenta la probabilidad de que te seleccione frente a alternativas equivalentes. Si tus contenidos/páginas de referencia para herramientas o integraciones suelen tener desajustes o faltas, este paper sugiere que el impacto puede ser cuantificable en decisiones de selección (no sólo en “calidad percibida”).

Leer el estudio original

Riesgos2026Google Scholar

LLMs Struggle to Rank Products Robustly

K Alhamoud, C Moraitaki, C Hinojosa, J Zhou…

El paper sugiere que los LLMs tienen dificultades para clasificar productos de forma robusta cuando realizan comparaciones usando recuperación web, lo que puede generar rankings inestables ante cambios menores en la consulta o en el contenido recuperado. Para GEO, implica medir la consistencia del ranking (por ejemplo, variación top-k entre ejecuciones) y auditar el impacto de la calidad y actualidad de los documentos recuperados en la respuesta.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

AI-Assisted Branding for Startups and SMEs: How AI Shapes Consumer Trust, Adoption, and Purchase Intention (2014–2025). A Bibliometric and Thematic Review

MR Islam, L Leonidou, B Weathington

El paper enmarca el paso de SEO tradicional a GEO para 2025, conectando el branding asistido por IA con la confianza del consumidor, la adopción y la intención de compra. Aporta una revisión bibliométrica y temática que ayuda a priorizar palancas de estrategia GEO enfocadas en aumentar credibilidad y conversión en startups y pymes.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

How is AI impacting people?

C Summerfield, R Anselmetti, S Avin, V Cheung…

El estudio revisa la evidencia disponible sobre cómo la IA (tipo ChatGPT y similares) está impactando a personas y responde, entre otras, a preguntas sobre fiabilidad de la información, influencia real en conductas, privacidad, aprendizaje, comunicación, dependencia emocional y salud mental.

Datos y qué significa para ti

Datos clave

  • Indican que las “alucinaciones” de la IA han ido bajando (dicen que los casos de “knowledge collapse” podrían estar siendo prematuros), y que en su comparación la IA puede ayudar a contrarrestar desinformación frente a buscadores/redes al favorecer “consensos de expertos” frente a algunos entornos
  • Señalan que la preocupación por deepfakes como fenómeno a gran escala ya existe, pero en términos de impacto real de estos contenidos “hasta ahora” indican que su impacto en el mundo real ha sido “limitado” (mencionan esto al tratar el riesgo de no poder distinguir verdad/falsedad)
  • En el apartado de influencia, citan que la persuasión de la IA es “alta” en estudios de laboratorio, pero que aún no se ha traducido a campañas de influencia importantes “en el mundo real”
  • Sobre aprendizaje e “ignorancia/estupidez”: pese a la preocupación, afirman que la evidencia es limitada; además, reportan que los usuarios rinden peor cuando se les retira el apoyo de la IA (consistente con “cognitive offloading”)
  • Salud mental: reportan que “la mayoría de los usuarios” no percibe impactos relevantes; aun así, mencionan que comportamientos “súpertimos”/validadores (sycophancy) pueden reforzar creencias dañinas o delirantes en usuarios vulnerables y que se han reportado varios casos de psicosis asociada a IA

Conclusión

Con los datos revisados, el estudio no respalda la idea de que la IA ya haya provocado un “colapso” total de la verdad ni un cambio masivo por persuasión fuera de laboratorio. Lo que sí muestra la evidencia es un impacto más matizado: mejoras/contrapesos en el acceso a información (por consenso experto), riesgos concretos pero no generalizados (fraude/escams por detectabilidad, privacidad por extracción de datos, validación de creencias en vulnerables).

Para ti

Para un consultor SEO/GEO, este paper sugiere que no basta con asumir que “la IA ya rompe la confianza” o que “todo se vuelve engaño”: hay una parte de la evidencia que apunta a que la IA tiende a centralizar y favorecer consensos, lo que hace más probable que te citen cuando encajas con fuentes consideradas expertas. Pero también deja claro que el riesgo (p. ej., validar creencias dañinas o errores en consultas sensibles) depende del tipo de usuario y del contexto, así que el tipo de autoridad/seguridad informativa de tu contenido importa para reducir el uso problemático por IA.

Leer el estudio original

Estrategia2026Google Scholar

AI Marketing: Potenziare il metodo Seth Godin con l'intelligenza artificiale

S Milan

El texto compartido no corresponde a un estudio medible sobre qué hace que las IA citen fuentes; solo contiene información bibliográfica parcial sobre un libro (“AI Marketing: Potenziare il metodo Seth Godin…”).

Datos y qué significa para ti

Conclusión

Con este extracto no se pueden identificar hallazgos del tipo “cuántas citas” o “qué fuentes ganan” porque no hay metodología, mediciones ni resultados del paper en el contenido proporcionado.

Para ti

Necesito el texto real del estudio (resultados, metodología o tablas) para poder resumir cifras y traducirlas a implicaciones SEO/GEO específicas. Con lo que has pegado, no hay datos accionables sobre citación por IA.

Leer el estudio original

Estrategia2026Google Scholar

Sosiaalisen median sisältöstrategia markkinointitoimiston uudelleenpositioinnin tukena: case Adone Agency

M Pajunen

El trabajo vincula la reposición de una agencia de marketing en redes sociales con la práctica de GEO, es decir, optimizar contenido para que los motores generativos de IA mencionen la empresa. Ofrece un caso aplicable para planificar una estrategia de contenido orientada a aumentar visibilidad en IA, alineando el contenido y el posicionamiento con señales que los sistemas generativos puedan recuperar.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Tekoälyn rooli nykypäivän markkinointiviestinnässä

J Hautala

El paper contextualiza el papel de la IA en el marketing de búsqueda y define cómo el GEO busca mejorar la visibilidad en consultas generadas o asistidas por modelos. Ofrece un marco conceptual para alinear contenido, intención y señales para posicionar mejor en búsquedas donde la IA sintetiza y recomienda resultados.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Digital Product Passports as Agentic Supply Chain Infrastructure: A Strategic Framework for Fashion

P Teikari, N Fuenmayor

Propone un marco estratégico para que los equipos de GEO evalúen qué credibilidad dar a las afirmaciones de sostenibilidad cuando agentes de IA realizan consultas sobre productos. Alinea la infraestructura de Product Passports con necesidades de verificación y control en cadenas de suministro, reduciendo el riesgo de confiar en datos incompletos o no auditables.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Rendre visible la création à l'heure des algorithmes et de l'IA

A Cornelissen

El paper sitúa el enfoque de Generative Engine Optimization (GEO) como una vía para aumentar la visibilidad de la creación en motores de búsqueda generativos basados en IA. Ayuda a orientar decisiones de optimización del contenido hacia señales que mejoran la recuperación y presentación de la información, con el objetivo de ganar tracción en estos nuevos sistemas.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Advertising in the digital era: privacy, effectiveness and LLM innovation

Z Gu

El documento promete estudiar cómo la publicidad en el entorno digital (incluida la privacidad y la efectividad) se conecta con innovaciones con LLM, pero el texto que compartiste no incluye resultados ni mediciones del estudio.

Datos y qué significa para ti

Conclusión

Con el extracto disponible no es posible saber qué hace que las IA citen fuentes, ni aportar conclusiones específicas basadas en datos del estudio, porque no hay resultados visibles en el material compartido.

Para ti

Este aporte por sí solo no te sirve para tomar decisiones SEO/GEO sobre citas en IA: necesitas el apartado de metodología y resultados del trabajo para poder convertirlo en hallazgos accionables con cifras.

Leer el estudio original

Estrategia2026Google Scholar

CORAZ MŁODSZA

N KONSUMENT, NI NATURA

El texto analiza cómo las búsquedas y recomendaciones generadas por IA (ChatGPT, Google AI Overviews y Google AI Mode) influyen en la visibilidad y en la decisión de compra en cosmética, y qué significa eso para la presencia online de las marcas.

Datos y qué significa para ti

Datos clave

  • El texto afirma que el 89% de las empresas de e-commerce usa herramientas de IA o está en fase de pruebas
  • Desde marzo de 2025, la función Google AI Overviews opera en Polonia y muestra resúmenes generativos por encima de los resultados clásicos
  • El texto indica que, en la categoría cosmética, con AI Overviews se llega con frecuencia a señalar un producto/ingrediente/marca concreto, lo que “acorta” el camino de compra
  • En octubre de 2025, Google lanzó AI Mode (modo conversacional) que puede preguntar por tipo de piel, necesidades, presupuesto y preferencias de fórmulas para recomendar productos
  • Se menciona que ChatGPT tiene un módulo shopping que genera listas con descripciones, fotos, precios y enlaces a partir de una consulta (por ejemplo, “krem nawilżający do cery wrażliwej z budżetem do 100 zł”)

Conclusión

Este texto no mide citas de fuentes por IA (ni cuántas marcas o webs citan), pero sí muestra con datos de despliegue y uso cómo las IA reducen el camino de compra y concentran la recomendación en pocos productos gracias a resúmenes y conversaciones. Por tanto, su aporte sobre “ser citado” es indirecto: apunta que la visibilidad que importa es la que alimenta esas respuestas resumidas o dialogadas en un proceso único de consulta.

Para ti

Para un consultor SEO/GEO, este artículo sirve para entender que el objetivo práctico no es solo rankear en búsquedas clásicas, sino aparecer como insumo en respuestas tipo “overview” y en recomendaciones conversacionales (AI Mode / shopping). Como el texto no da porcentajes de citación ni reglas sobre qué páginas se citan, la táctica queda en contexto: prioriza que tu información de producto y explicación esté lista para ser usada en respuestas resumidas y comparativas dentro de la propia conversación.

Leer el estudio original

Medición2026Google Scholar

Temporal Graph Retrieval Models for Product Visibility Under Short Window Attention in AI Mediated E Commerce Search Sessions

Y Amrani

El estudio investiga cómo predecir la “visibilidad” de productos en búsquedas de e-commerce mediadas por IA dentro de ventanas de atención muy cortas, modelando y comparando varios tipos de modelos (product, graph, retrieval, attention y su combinación) con un dataset sintético grande.

Datos y qué significa para ti

Datos clave

  • Usa un dataset sintético con 96.000 observaciones sesión-producto, 12.000 sesiones de búsqueda, 1.500 productos, 540.000 cestas históricas, 1,84 millones de registros de ítems comprados, 218.460 aristas en el grafo y 288.000 trazas de atención de ventana corta
  • Define “visibilidad” como inspección visible en la misma sesión: recuperación (retrieval) + visualización (display) + inspección conductual (comportamiento) dentro de la sesión
  • El modelo combinado (fused) logra: ROC-AUC = 0,918, PR-AUC = 0,721, recall de visibilidad en top-5 = 0,786 y expected calibration error (ECE) = 0,041
  • Las pruebas de “ablation” (quitar partes) muestran que la evidencia estructurada, la proximidad en el grafo y la “half-life” (vida media) de la atención aportan información predictiva distinta (o sea, no es un único factor dominante)

Conclusión

El estudio demuestra que, en búsquedas con IA y atención de ventana corta, predecir la visibilidad requiere combinar relevancia relacional (grafo y cestas), evidencia legible por máquina (evidencia estructurada) y persistencia conductual de muy poco tiempo (decaimiento de la atención).

Para ti

Para SEO/GEO, este resultado aterriza la idea de “ser citado o recuperado” como algo que depende de señales observables rápidamente (atención de ventana corta) y de evidencia rastreable/estructurada conectada a contexto (grafo y afinidad por cestas), no solo de una posición única. Aunque el paper no mide citas directas de IA como tal, sí cuantifica qué combinación de señales predice que el usuario realmente inspeccione el producto en el mismo momento: por eso conviene que tu presencia en la web/catálogo deje evidencia clara y conectable para sistemas y que encaje con señales de contexto inmediato.

Leer el estudio original

Medición2026Google Scholar

Beyond Impressions: Defining the Performance Measurement Architecture for Agent-Mediated Commerce

PF Accornero

Propone una arquitectura de medición para el desempeño en comercio mediado por agentes, útil para definir métricas más allá de las impresiones y conectar el impacto con resultados transaccionales. Ayuda a estructurar cómo capturar, atribuir y monitorear señales clave de rendimiento de agentes (p. ej., pasos del flujo, conversión y calidad de la recomendación) para mejorar la visibilidad y la optimización en entornos de compra automatizada.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Asiakaslähtöinen sisällöntuotanto rakennusalan verkkosivuilla: Case Astora-Rakennus Oy: liiketalouden asiantuntijaraportti

J Laine-Aalto

El caso propone una estrategia de contenido centrada en el cliente para sitios del sector construcción, combinando segmentación híbrida con optimización GEO basada en IA generativa. Sugiere incorporar elementos visuales como diagramas de procesos además de contenido experto, para mejorar la relevancia y la respuesta de buscadores orientados a IA.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Інтернет-маркетинг в просуванні товарів, послуг підприємства на прикладі ТОВ «ДОМІНОС ПІЦЦА ЮКРЕЙН»: кваліфікаційна робота магістра: спец. 075 …

Я Водяницька

El estudio analiza el estado del internet marketing de una empresa de comida rápida (Dominos Pizza Ucrania), estudia el comportamiento de consumidores mediante una encuesta y propone recomendaciones, pero el texto aportado no mide ni explica qué “hace” que una IA cite fuentes.

Datos y qué significa para ti

Conclusión

Con el material compartido no es posible extraer hallazgos sobre por qué ChatGPT/Perplexity/Gemini/Claude/Google AI citan una fuente, porque el documento descrito trata de marketing digital y no de citaciones de IA.

Para ti

Este texto por sí solo aporta contexto general de marketing y metodología de análisis (encuestas, evaluación estratégica), pero no sirve para deducir criterios de citación de IA. Si pegas la parte del estudio que habla de citaciones (resultados/mediciones concretas), entonces sí podré convertirlo en hallazgos con cifras aplicables a SEO/GEO.

Leer el estudio original

Riesgos2026Google Scholar

智能体时代的图书馆转型: 基于 OpenClaw 架构的 服务重构与治理框架研究.

刘炜, 金家琴

Propone un marco de gobernanza para bibliotecas inteligentes basado en la arquitectura OpenClaw, enfocándose en la reconfiguración de servicios y el control de agentes tipo computer-use para reducir fallos operativos y riesgos de cumplimiento. Aporta lineamientos aplicables a la Optimización para Buscadores de IA (incluyendo Model Context Protocol y Generative Engine Optimization) para estandarizar cómo se gestionan el contexto y las respuestas, mejorando la trazabilidad de resultados y la consistencia de la visibilidad.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

СЕКЦИЯ 1. СПЕЦИФИКА СФЕРЫ УСЛУГ КАК ОБЪЕКТА УПРАВЛЕНИЯ: ЭВОЛЮЦИЯ IHIP–ХАРАКТЕРИСТИК, КЛАССИФИКАЦИЯ И СОВРЕМЕННЫЕ …

МВ Гафиуллина

El estudio propone y prueba una metodología multiparamétrica para evaluar y ordenar stablecoins para incluirlas en un portafolio conservador que genere ingresos por intereses, a partir de factores como reservas, estabilidad del “peg”, liquidez y calidad del rendimiento.

Datos y qué significa para ti

Datos clave

  • Define una metodología con 5 bloques de evaluación: calidad y transparencia de reservas; historial y robustez de la vinculación (peg); estructura del emisor y estatus regulatorio; profundidad y liquidez del mercado; y calidad del rendimiento obtenido
  • Incluye un “indicador integral” (una métrica agregada) de “confiabilidad y rendimiento” para poder clasificar/ordenar stablecoins

Conclusión

El paper es esencialmente una propuesta de cómo medir confiabilidad y rendimiento para rankear stablecoins; no aporta datos de campañas, conteos de citas, ni mide directamente qué factor hace que una IA cite una fuente.

Para ti

Como aporte al SEO/GEO orientado a citaciones, este texto sirve más como contexto de “qué se evalúa” en un paper técnico (métricas claras y componentes medibles), pero no da pruebas con cifras de por qué una IA te citaría. Su parte accionable para ti es únicamente el énfasis del estudio en construir una evaluación con bloques concretos y una métrica agregada.

Leer el estudio original

Estrategia2026Google Scholar

AGENTIC COMMERCE: A Theory of Markets When the Shopper Is No Longer Human

PF Accornero

Propone un marco teórico de mercados para comercio agentico en el que la “autoridad” se define dentro de las bases de conocimiento de agentes y no en audiencias humanas, alineándose con objetivos típicos de GEO. Ayuda a traducir la optimización de páginas a la optimización de heurísticas usadas por agentes generativos, para mejorar la probabilidad de recomendación y compra cuando el shopper es un sistema.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Proceedings of the 4th Workshop on Towards Knowledgeable Foundation Models (KnowFM 2026)

C Chen, Y Zhang, ZS Li, Z Wang, Q Wang…

Este documento es el prólogo de KnowFM 2026 y muestra que el workshop estudia, a lo largo de etapas (preentrenamiento, inyección externa, actualización/edición y uso en inferencia), qué hace que los modelos usen y gestionen conocimiento (incluida la fiabilidad y la citación ligada a fuentes) mediante 38 trabajos aceptados.

Datos y qué significa para ti

Datos clave

  • KnowFM 2026 aceptó 38 papers en total
  • El volumen incluye 14 de esos papers en modo “archival” en la ACL Anthology; los otros 24 se presentaron en base no archivada
  • El workshop estructura el ciclo de conocimiento en 4 etapas: cómo emerge en el preentrenamiento, cómo se inyecta desde fuentes externas, cómo se actualiza/edita con el tiempo y cómo se consulta/genera en la inferencia
  • El texto enumera líneas de investigación relacionadas con “faithfulness” (fidelidad), mitigación de alucinaciones y conflictos entre memoria paramétrica y recuperación/long-context

Conclusión

Con base en este texto, KnowFM 2026 no aporta resultados cuantitativos sobre “qué IA cita qué fuente”, sino que define y agrupa explícitamente el tipo de evidencia y experimentos que se necesitan para entender cuándo un modelo usa conocimiento de manera fiel (por ejemplo, alucinaciones, fidelidad y conflictos con recuperación).

Para ti

Útil para enfocar tu lectura: si buscas señales de “citación de fuentes” por IAs, este workshop te indica qué categorías de pruebas mirar (fidelidad/mitigación de alucinaciones y el choque entre memoria interna y contenido recuperado). Si tu objetivo es extraer cifras concretas de citación por marca de IA, este texto por sí solo no las da y tendrías que ir a los 14 papers del volumen o a los 38 aceptados.

Leer el estudio original

Estrategia2026Google Scholar

ГЛОБАЛЬНЫЕ ТРЕНДЫ ЖУРНАЛИСТИКИ-2026: СТРАТЕГИЧЕСКИЕ ИМПЕРАТИВЫ ДЛЯ ЖУРНАЛИСТСКОГО ОБРАЗОВАНИЯ УЗБЕКИСТАНА

N Muratova

El estudio revisa, con datos tomados de un informe de Reuters Institute, ocho cambios del periodismo en 2026 y qué implican esos cambios para la formacion en Uzbekistan.

Datos y qué significa para ti

Datos clave

  • Se apoya en una encuesta a 280 responsables editoriales de 51 paises realizada en enero de 2026
  • Reporta una caida del 43% en el trafico procedente de buscadores a lo largo de tres anos
  • Indica que el modelo de economia de creadores llegaria a 500 millones de dolares para 2027
  • Mide una expectativa: el 75% de las redacciones espera que la “agent AI” tenga un impacto importante
  • Da una cifra historica sobre desinformacion: los deepfakes aumentan un 1780% entre 2019 y 2024

Conclusión

Con esos datos, el articulo sostiene que las IA (incluida la “agent AI”) y otros cambios del entorno ya estan alterando las redacciones y la distribucion de noticias, y que por eso la formacion debe incluir alfabetizacion en IA y respuestas frente a deepfakes y desinformacion.

Para ti

Aunque este paper no mide “citas por IA” de contenido, si te traduce un problema practico para visibility: el trafico desde buscadores cae y la industria espera impacto fuerte de IA, asi que el tipo de “señal” que importa es la consistencia y verificabilidad (y la capacidad de manejar deepfakes) dentro de un entorno donde los buscadores y redes pierden peso. Si tu objetivo es aparecer citado por sistemas de IA, estos datos apuntan a que la confianza/rigor y la forma multiformato cobran mas relevancia que la dependencia de un solo canal.

Leer el estudio original

Medición2026Google Scholar

Benchmarking LLM's Capability in Reasoning over Conflicting Web References

Y Yuan, R Kong, D Li, Y Li, Y Liu

El estudio crea ConfRAG y mide si modelos como GPT-4.1 y Claude-3-7-Sonnet pueden razonar y responder preguntas cuando los documentos web recuperados dicen cosas incompatibles, analizando 1.814 preguntas con múltiples fragmentos por pregunta.

Datos y qué significa para ti

Datos clave

  • ConfRAG incluye 1.814 preguntas reales
  • Cada pregunta va con un promedio de 9,58 párrafos recuperados de fuentes online heterogéneas
  • El 57,2% de las preguntas tienen contradicciones explícitas
  • Proponen 3 tareas de evaluación: answer clustering, answer coverage y reason coverage
  • Con GPT-4.1 y Claude-3-7-Sonnet encuentran “gaps” de rendimiento sustanciales (brecha grande entre modelos al manejar contradicciones), aunque el texto aportado no da porcentajes concretos de esas mejoras o caídas

Conclusión

Con base en su conjunto ConfRAG, el estudio muestra que cuando una IA recibe referencias web largas y conflictivas, su capacidad para organizar la información y explicar las contradicciones no es uniforme y hay diferencias claras de rendimiento entre modelos.

Para ti

Para medir (o anticipar) cuándo una IA citará fuentes, este trabajo remarca que el problema real no es solo “calidad de respuesta”, sino cómo gestiona contradicciones entre múltiples documentos: si tu contenido suele aparecer junto a otras fuentes que chocan, el sistema puede rendir peor al decidir qué versión usar, y eso puede afectar la probabilidad de que se te cite dentro del razonamiento.

Leer el estudio original

Medición2026Google Scholar

Análisis y seguimiento de fondos de inversión en Google Sheets+ WhatsApp/Telegram

FM Tobar Pérez

El texto describe un Trabajo Fin de Grado que desarrolla y valida una plataforma web (FundScout) para analizar y comparar fondos y ETFs, mostrando sus funciones implementadas y la “viabilidad técnica y comercial” del proyecto, pero no mide ninguna relación con citas de IA.

Datos y qué significa para ti

Datos clave

  • El proyecto incluye un asistente de inteligencia artificial para interpretar resultados y responder dudas sobre conceptos financieros (función integrada en la plataforma)
  • La plataforma permite buscar fondos, consultar métricas principales, comparar alternativas y seguir carteras personalizadas, además de analizar diversificación y simular escenarios futuros
  • Se menciona una simulación de Monte Carlo como parte del proyecto (aparece en las palabras clave)
  • Indica que no es un prototipo conceptual: la aplicación está “totalmente operativa” con arquitectura frontend-backend, base de datos, sistema de autenticación y procesamiento de datos financieros, y modelo freemium ya implementados

Conclusión

Este texto no aporta datos ni resultados sobre qué hace que las IA (ChatGPT, Perplexity, Gemini, Google AI, Claude) citen una fuente. Solo documenta el desarrollo de una aplicación de análisis financiero y su validación/viabilidad a nivel de proyecto.

Para ti

Para tu trabajo SEO/GEO, este documento sirve como contexto sobre un proyecto con IA y finanzas, pero no aporta hallazgos medibles sobre citación por IA. Con este texto no se puede extraer ninguna regla de “qué hace que te citen” porque no se estudia ese fenómeno.

Leer el estudio original

Riesgos2026Google Scholar

Convergência híbrida 2026: IA agêntica, competências humanas e dinâmicas organizacionais

CF Stettiner, ATC Trevelin, VC Gatto, A Homenko

El estudio analiza 141 informes para entender qué hace que las dinámicas con IA “agente” y competencias humanas converjan en 2026 y cómo eso se relaciona con la innovación en organizaciones.

Datos y qué significa para ti

Datos clave

  • Analiza 141 informes (base empírica del estudio)
  • Encuentra un “sistema adaptativo” donde la IA agente y las competencias humanas “coexisten” de forma “complementaria”
  • Identifica “organizaciones orientadas por habilidades” como un resultado observado en los informes
  • La “fragmentación geopolítica” aparece como moderadora de la innovación (o sea, afecta/condiciona el impacto de la innovación)

Conclusión

Con sus 141 informes, el estudio concluye que en 2026 hay una inflexión estructural: la IA agente y las competencias humanas no se sustituyen, sino que se combinan de forma complementaria, y la geopolítica influye en cómo se materializa la innovación en las organizaciones.

Para ti

Este paper aporta contexto organizacional (IA agente + habilidades humanas + efecto de la geopolítica), pero con el texto disponible no mide ni prueba factores concretos sobre cuándo/por qué una IA cita fuentes web o marcas. Útil para entender el “entorno” de innovación, no para derivar reglas directas de SEO sobre citaciones.

Leer el estudio original

Medición2026Google Scholar

Consumer Attention and Brand Visibility in AI Mediated Digital Commerce Across Middle Eastern Markets

O Haddad

El paper analiza cómo las interfaces mediadas por algoritmos influyen en la atención del consumidor y la visibilidad de marca en el comercio digital, especialmente en mercados de Oriente Medio. Aporta criterios para medir qué factores (producto, influencer y marca) incrementan o reducen la exposición, ayudando a priorizar optimizaciones de visibilidad en entornos de IA.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Verkkosivujen layoutin kehittäminen: kolmannen asteen oppilaitosten etusivun käytettävyyden parantaminen

V Halojoki

El estudio se centra en mejorar la usabilidad de la página de inicio de instituciones educativas de tercer nivel, con enfoque en el layout y la estructura del contenido. Te aporta criterios prácticos para aumentar la visibilidad y la interacción en GEO mediante mejoras del diseño orientadas a la experiencia del usuario.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

Quantifying how AI Panels improve precision

NCL Beale

El estudio plantea una fórmula y estimaciones para medir cómo un “panel” de varias IA mejora la precisión al seleccionar candidatos (comparado con usar una sola IA), usando parámetros como número de IA (n) y similitud entre sus errores (correlación, ρ).

Datos y qué significa para ti

Datos clave

  • Define una aproximación de precisión para el “top q” seleccionado por un panel: P(q) ≈ (ρ·n^b + q·(1−ρ)) / (1 + (n^b − 1)·ρ)
  • La exponente b se estima como b ≈ q* + 0.8·(1−ρ), conectando mejora con correlación promedio entre IA (ρ) y con q*
  • q* se ajusta recortándolo al rango [0.07, 0.22], es decir: q* es el valor de q “clipped” entre 0.07 y 0.22
  • El propio paper formula un criterio cuantitativo para decidir cuántas IA conviene usar en el panel “dependiendo de la importancia de la decisión”, en función de cómo afectan n y ρ a P(q)

Conclusión

Este estudio demuestra que la precisión de las decisiones asistidas por IA no depende solo de usar “más IA”, sino de cuántas IA conforman el panel (n) y de lo parecidas que sean entre sí (ρ): la fórmula muestra explícitamente cómo la combinación de diversidad (menor correlación) cambia P(q) para el top q.

Para ti

Para un consultor SEO/GEO, el paper no mide citas de IA, pero sí da una lección trasladable: si un sistema de IA “tiene el mismo sesgo” (alta correlación), sumar más modelos no aporta tanto; si hay diversidad real (baja correlación), el rendimiento mejora según la relación cuantificada en su ecuación. Aquí la táctica concreta es difícil porque el estudio no analiza fuentes web ni “citas” en respuestas.

Leer el estudio original

Estrategia2026Google Scholar

EKONOMI PEMASARAN

IPG Diatmika, S Rahayu

El paper plantea cómo el auge de la IA generativa y los chatbots tipo ChatGPT desplaza el SEO tradicional hacia la optimización para motores de búsqueda generativos (GEO). Ayuda a orientar decisiones de contenido y estructura para mejorar cómo las respuestas generadas por IA encuentran, interpretan y citan tu información.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

Strategi Pemasaran Pendidikan Era Digital

F Widiasari, A Mundiri

El paper propone ajustar la estrategia GEO incorporando Answer Engine Optimization y Generative Engine Optimization para captar tráfico en búsquedas sin clic. Ayuda a definir prioridades de optimización ante un cambio de comportamiento donde la búsqueda sin interacción directa gana protagonismo.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

СЕКЦІЯ 5 Цифровізація туристично-рекреаційної індустрії

ОВ Бабаєва, АМ Мазур

El texto resume ponencias de un congreso sobre el marco jurídico del turismo y la recreación en Ucrania (incluido guerra y eurointegración), mostrando qué normas y temas citan y cómo lo argumentan con referencias específicas.

Datos y qué significa para ti

Datos clave

  • En una ponencia sobre trabajo en turismo durante el estado de guerra se citan explícitamente 4 fuentes legales: Código del Trabajo (artículo/URL “322-08”), Ley “sobre la organización de relaciones laborales en condiciones de estado de guerra” (ley 15.03.2022, “2136-20”), Ley de empleo (05.07.2012, “5067-17”) y Ley de seguridad en el trabajo (14.10.1992, “2694-XII”)
  • La misma ponencia indica que el marco laboral se apoya en el Código del Trabajo y en leyes especiales aprobadas durante el estado de guerra, y menciona como tendencia “la expansión de formas flexibles de empleo” incluyendo trabajo a distancia, empleo a tiempo parcial y contratos de trabajo por tiempo determinado (sin dar porcentajes, pero con la categoría legal citada)
  • En la ponencia sobre desarrollo sostenible del turismo y eurointegración se señala que la Ley “Sobre el turismo” define bases generales pero “no contiene disposiciones sobre desarrollo sostenible”, por lo que el tema depende de normas de medio ambiente y patrimonio cultural, y también de normas de evaluación de impacto ambiental (se citan como bloques con referencias [4; 5])
  • En la ponencia sobre eurointegración se citan artículos concretos del Acuerdo de Asociación UE: mención a desarrollo de la industria turística y protección de derechos de consumidores en los artículos 399 y 401 (con referencia a páginas “200-201”), y se usa como ejemplo la Directiva del Consejo 90/314/CEE sobre viajes combinados para justificar protección financiera a turistas (con referencias a páginas 201 y 164)

Conclusión

Este material no mide ni evalúa directamente qué hace que una IA cite una fuente: solo muestra qué tipo de fuentes legales y qué puntos concretos (leyes, artículos, directivas, enlaces) usan para sustentar sus argumentos en temas de turismo. Por tanto, aporta evidencia sobre “qué se cita” en trabajos del sector, pero no sobre “por qué lo cita una IA”.

Para ti

Para SEO/GEO, el valor práctico de este texto es limitado para el objetivo “ser citado por una IA”: sí sirve como guía de qué documentos y secciones suelen considerarse ‘autoridad’ en turismo (leyes, artículos específicos, directivas y URLs oficiales). Pero no hay datos en el estudio sobre patrones de cita por IA, así que no permite inferir con cifras qué formato/tema optimiza la citación.

Leer el estudio original

Estrategia2026Google Scholar

Marketing-Planung und Marketing-Forschung

RT Kreutzer

El texto es un capítulo de un libro de marketing (planificación y marketing research) que explica qué pasos y criterios se usan para planificar investigaciones de marketing y cómo se estructuran los tipos de datos, más que medir qué IA cita fuentes.

Datos y qué significa para ti

Datos clave

  • El capítulo resume “Marketing research” con un 5-D: de la fase de definición a la fase de documentación (plantea esas 5 etapas como concepto organizador)
  • Distingue explícitamente entre investigación primaria y secundaria, y entre métodos cualitativos y cuantitativos (categorías que el capítulo enseña como base para decidir)
  • Menciona criterios de calidad de la investigación: validez, fiabilidad, objetividad y representatividad (los lista como “Gütekriterien”)
  • En el apartado de herramientas/abordajes menciona análisis clásicos (SWOT, portfolio y benchmark) y los vincula con enfoques modernos y apoyados por IA (por ejemplo, panels, feedback “always-on” y datos sintéticos)

Conclusión

Con este texto no se puede concluir nada cuantitativo sobre qué hace que ChatGPT, Perplexity, Gemini, Google AI o Claude citen una fuente, porque el contenido mostrado describe metodología de investigación y planificación de marketing, no resultados de un experimento de citación por IA.

Para ti

Aporta contexto útil sobre cómo se estructuran investigaciones y criterios de calidad (validez, fiabilidad, representatividad) y sobre el uso de datos sintéticos/feedback continuo, pero no da hallazgos accionables sobre citación por IA porque no presenta mediciones ni patrones de qué fuentes terminan citadas por esos modelos.

Leer el estudio original

Riesgos2026Google Scholar

RAG Sinyal Adaptif RAG Mimarisi: Gelismis Baglam KalitesiIçin Cok Kaynaklı, Zamansal Farkındalıga Sahip Vektör Bilgi Tabanı

B Kurum, AI Manus

El estudio analiza, en producción y en 10 despliegues de distintos sectores, cuánto mejora la tasa de que los LLM citen una fuente cuando se usa RAG “Adaptive” con varias reglas de actualización, re-ranking y bucle de feedback.

Datos y qué significa para ti

Datos clave

  • En 10 despliegues en producción, la tasa de citación con la KB del sistema (condición “B”) es 77,1% de media, con rango entre 74% y 81%
  • Por despliegue, las tasas reportadas van de 76% (UEC Energy) y 74% (ABS Void Formwork; ABS Kör Kalıp) hasta 81% (Filmfolk) en el set de 10
  • En pruebas A/B embebidas, el control es LLM sin contexto externo (RAG apagado) y el tratamiento es LLM con RAG; la métrica de citación vale 1 solo si la respuesta del LLM cita literalmente una fuente entregada por el sistema
  • La concordancia entre evaluadores humanos para esa métrica es alta: el acuerdo (Cohen’s Kappa) se mantuvo continuamente por encima de 0,85

Conclusión

El estudio muestra que, en entornos reales, un sistema RAG con mecanismos de calidad de contexto (incluyendo re-ranking, “freshness” y feedback) logra que los LLM citen una fuente en alrededor de 77,1% de las respuestas, frente al escenario sin contexto externo (según el planteamiento A/B).

Para ti

Para GEO/SEO, el resultado práctico es que la citación por parte del LLM aquí no depende solo de “tener contenido”, sino de que el sistema entregue contexto de alta calidad: el estudio reporta una tasa media ~77,1% en producción usando su KB y lógica de selección. También aporta confianza metodológica: la forma de medir citación (cita literal de una fuente entregada) tiene acuerdo >0,85 entre evaluadores, así que el número no es solo una estimación informal.

Leer el estudio original

Medición2026Google Scholar

Attention-Calibrated Product Visibility in Agent-Mediated Social Commerce Using Multimodal Exposure Traces and Structured Listing Signals

F Prasetyo, B Hidayat, R Firmansyah

Propone calibrar la visibilidad del producto en comercio social mediado por agentes usando trazas de exposición multimodales y señales estructuradas del listado. Aporta una guía accionable para medir y mejorar el rendimiento GEO al alinear señales de contenido (p. ej., estructura del anuncio) con lo que los modelos efectivamente “atenderán” al mostrar productos.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

THE EVOLUTION OF SALES PROMOTION IN THE DIGITAL ECOSYSTEM AND AN ANALYSIS BASED ON PRODUCT LIFECYCLE STAGES

MS Azimovna

El estudio analiza, con casos y datos de Apple, Coca-Cola y Walmart, qué herramientas de promoción (RMN, social commerce e IA) se aplican de forma distinta según la etapa del ciclo de vida del producto y qué resultados generan.

Datos y qué significa para ti

Datos clave

  • Apple: durante el lanzamiento del iPhone en 2007 (precio de 499 USD), para mediados de enero de 2008 se vendieron 4 millones de dispositivos y la acción subió de 85 a 179 USD
  • Apple: en la fase de saturación, la campaña de Face ID del iPhone 15 bajó la tasa de engagement de 5.0% en la primera semana a 2.0% en la cuarta
  • Walmart (fiscal 2T 2024): Walmart Connect creció un 36%, la facturación anual en publicidad llegó a 4.4 mil millones USD ( +27% interanual) y la publicidad explica casi un tercio del beneficio operativo; además, el número de anunciantes subió 60% y las marcas reportaron +30% en ROAS de media
  • Social commerce: pronostican que las ventas en redes sociales en EE. UU. llegarán a 87.02 mil millones USD en 2025; TikTok Shop mostró +407% de crecimiento de ventas en EE. UU. en 2024, y su facturación esperada sería 15.82 mil millones USD en 2025
  • Gamificación interna: solo el 29% de los managers de ventas dice que sus empleados usan los sistemas CRM al nivel requerido; el estudio menciona que Microsoft implementó FantasySalesTeam para aumentar la implicación y correlacionarlo con crecimiento de ventas (sin dar un porcentaje de mejora adicional)

Conclusión

El estudio concluye que la IA/algoritmos y la hiperpersonalización se vuelven más necesarios cuando el producto entra en saturación (p.ej., cae el engagement con mecánicas tradicionales), y que las promociones ligadas a datos verificables (RMN con atribución transaccional) y al comportamiento inducido por plataformas (social commerce) muestran los mayores efectos medibles en sus respectivos contextos.

Para ti

Si tu producto está en fases tempranas, el estudio sugiere priorizar el “enganche” y la propuesta clara; si estás en saturación, el dato de Face ID (5.0% a 2.0%) respalda que tu modo de promoción debe apoyarse más en personalización algorítmica. Además, para B2B o retail, el caso de Walmart cuantifica que la atribución por transacción en RMN se asocia a mejoras fuertes de ROAS ( +30% de media) y crecimiento de ingresos publicitarios, por lo que las métricas “cerradas” importan más que la promoción tradicional.

Leer el estudio original

Medición2026Google Scholar

How employer branding impacts the recruitment process and outcomes in the B2B SaaS sector

L Närväinen

El texto no es un estudio sobre por qué las IA citan fuentes: describe un sistema anti-scraping (Anubis) que usa prueba de trabajo y depende de JavaScript para bloquear a bots, indicando que la automatización puede causar inaccesibilidad del sitio.

Datos y qué significa para ti

Conclusión

Con el texto proporcionado no se pueden extraer hallazgos sobre qué hace que ChatGPT/Perplexity/Gemini/Claude citen fuentes, porque no mide citaciones ni analiza comportamiento de IA; solo explica un mecanismo técnico anti-bot para proteger un servidor.

Para ti

Lo único accionable como contexto GEO/SEO es que el sitio puede requerir JavaScript y una prueba de trabajo para ser accesible, lo que puede afectar el rastreo/visibilidad de contenido por automatizaciones (incluidas las de indexación), pero el texto no aporta una táctica para “ganar citas” dentro de respuestas de IA.

Leer el estudio original

Fundamentos2026Google Scholar

Führen im Zeitalter der Künstlichen Intelligenz: KI-Technologien verstehen, Vertrauen schaffen, Veränderung begleiten

P Huber

El paper usa un relato de referencia (Cliff Young, 875 km en un ultramaratón) para traducir el liderazgo en IA en acciones concretas: comprender tecnologías, generar confianza y acompañar el cambio. Para GEO, aporta un marco práctico para alinear stakeholders y reducir fricción al implementar iniciativas de optimización para buscadores de IA, mejorando adopción y consistencia de decisiones.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

UX Skills for Business Strategy: Articulating Impact for Product, User, and Business Outcomes

T Podmajersky, ME Joseph-Goteiner, KM Mats

Ayuda a seleccionar y priorizar habilidades de UX alineadas con objetivos de negocio medibles, conectando resultados de producto, usuarios y empresa. Ofrece un marco para articular impacto y facilitar la validación interna del valor de UX con métricas, mejorando la toma de decisiones en equipos GEO y de producto.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

Wie beeinflussen psychologische Mechanismen der Choice Architecture die Click-through-Rate im B2B-E-Mail-Marketing?

C Seffinga

El estudio prueba si el “ego” (nudges que activan el autoconcepto) en newsletters B2B por email aumenta la tasa de clic (CTR) frente a formulaciones estándar, comparando dos sectores (revenue/contabilidad y RR. HH.).

Datos y qué significa para ti

Datos clave

  • El experimento fue un ensayo de campo aleatorizado con 2 newsletters B2B (Rechnungswesen y Personalwesen) y 6 tipos de “ego-nudges” repartidos en 6 olas de envío; la CTR se midió como variable dependiente
  • En el newsletter de Rechnungswesen, la “Treatment group” mostró una distribución de frecuencias “ligeramente” más alta (no se da un porcentaje exacto)
  • En el newsletter de Personal (RR. HH.) no se encontraron efectos de los “ego-nudges”
  • El único indicio de efecto fue “casi estadísticamente significativo” en una sola ola de envío y en un newsletter con el “ego-nudge” específico: «Zukunft gestalten»

Conclusión

Los resultados muestran que la efectividad de mecanismos psicológicos tipo Choice Architecture para aumentar la CTR en emails B2B depende mucho del público: funciona, como mucho, de forma marginal y no consistente (solo en un sector y bajo condiciones puntuales), y en RR. HH. no se observa efecto.

Para ti

Para campañas de email B2B, este estudio sugiere que los cambios psicológicos (ego-nudges) no se traducen automáticamente en más clics: si el “ajuste” no encaja con el público, el efecto puede ser nulo. Además, cuando aparece señal, es en olas y variantes concretas (como «Zukunft gestalten»), así que la lectura accionable aquí es que los impactos deben validarse por segmento y por envío específico, no asumir un patrón uniforme.

Leer el estudio original

Riesgos2026Google Scholar

국내 연구자의 학술 논문 CC 라이선스 채택 결정요인 분석

안병군, 이은지, 이혜진

El estudio analiza qué factores (tipo de apoyo a la investigación, composición de autores, tipo de institución del autor de correspondencia, área temática e impacto del journal) hacen que investigadores coreanos elijan licencias Creative Commons más abiertas o más restrictivas en 3.320 artículos open access publicados en revistas híbridas entre 2020 y 2024.

Datos y qué significa para ti

Datos clave

  • La muestra analizada es de 3.320 artículos (2020-2024) publicados en revistas híbridas open access
  • Por áreas temáticas, “ciencias naturales” concentra el 46,36% (1.539 artículos) y “ingeniería/tecnología” el 23,34% (775); “sociales” tiene solo 3 artículos (y 0 en humanidades)
  • El tipo de licencia más usada es la más abierta “CC BY”, y es la opción base en el análisis; el estudio también muestra que en general se prefieren licencias más restrictivas cuando el journal tiene más impacto
  • En apoyos a la investigación: 53,64% (1.781) son con apoyo en Corea, 16,05% (533) con apoyo solo en el extranjero, 15,18% (504) mixto (Corea+extranjero) y 15,12% (502) sin apoyo o sin mención
  • Hallazgos clave de relación: incluir autores internacionales aumenta la probabilidad de usar licencias CC más abiertas, mientras que publicar en revistas con mayor “impact factor” se asocia a elegir licencias CC más restrictivas

Conclusión

Con los datos de 3.320 artículos, el estudio demuestra que la “apertura” de la licencia CC elegida por investigadores coreanos no depende solo de que sea open access: cambia de forma sistemática con la presencia de coautores internacionales y con el nivel de impacto de la revista (a mayor impacto, más restrictivo; con autores internacionales, más abierto).

Para ti

Si tu objetivo es ser citado o reutilizado vía IA bajo licencias más permisivas, este estudio sugiere que el “contexto editorial” importa: publicar en revistas de mayor impacto tiende a empujar hacia licencias más restrictivas, y en colaboración internacional es más probable que se elijan licencias más abiertas. Como el paper no aporta cifras de “cuánto sube/baja” la probabilidad en términos porcentuales para IA-citas, esto te da sobre todo el mapa de variables que explican la selección de licencia, no un multiplicador directo para “cita por IA”.

Leer el estudio original

Estrategia2026Google Scholar

Etappe 1: Verstehen

P Huber

El texto es de un capítulo de un libro de Springer Nature sobre “Führen im Zeitalter der Künstlichen Intelligenz” (etapa 1: “Verstehen”), pero no muestra en el fragmento ningún experimento, recuento de citas de IA ni resultados cuantificados sobre qué hace que ChatGPT/Perplexity/Gemini citen fuentes.

Datos y qué significa para ti

Datos clave

  • No aparecen medidas ni números propios del estudio (no hay porcentajes, tasas de citación, ni conteos de fuentes citadas por IA) en el texto proporcionado
  • El fragmento incluye una lista larga de referencias bibliográficas, pero no incluye el método del estudio ni evidencia de que se haya analizado el comportamiento de citación de IAs
  • Se indica metadato editorial del capítulo (p. ej., publicado el 11 January 2026 y DOI 10.1007/978-3-658-50104-4_5), pero no se aportan datos de citación por IA

Conclusión

Con el texto que compartiste, este capítulo no demuestra con datos qué factores hacen que una IA cite una fuente: solo aporta metadatos editoriales y referencias, sin resultados medidos.

Para ti

Este material, tal como está pegado aquí, sirve solo como contexto de contenido/temática (liderazgo y comprensión de la IA), pero no aporta una palanca medible para predecir o optimizar citas por IAs. Para que yo pueda sacar hallazgos accionables con cifras, necesito la sección donde el estudio describe qué IAs se probaron, cuántas consultas/respuestas evaluaron y qué observaron.

Leer el estudio original

Estrategia2026Google Scholar

On the issue of technological transformation of modern PR practices: key industry challenges in the era of algorithms

NN Skripnikova, ES Chesnokova…

El artículo analiza cómo se transforma la industria de PR con la llegada de algoritmos y IA, y qué retos plantea para los especialistas sobre el futuro de la profesión.

Datos y qué significa para ti

Datos clave

  • El texto proporcionado solo incluye el resumen y metadatos: no aparecen mediciones, análisis de citas de IA ni resultados cuantitativos del estudio (no hay % u otras cifras)
  • El artículo se identifica como: Vol 6, No 5 (2026), páginas 210–214, DOI 10.62257/2782-5329-2026-5-210-214
  • La “investigación” descrita en el resumen se centra en tendencias de transformación del PR, direcciones de cambio tecnológico y retos de profesionales en “la era de algoritmos”, pero sin detallar un corpus ni un experimento de citas por IA

Conclusión

Con el material compartido (resumen y metadatos) este estudio no demuestra nada medible sobre qué hace que una IA cite una fuente: no hay datos, pruebas ni porcentajes sobre patrones de citación. Aporta contexto conceptual sobre retos de PR con algoritmos, pero no evidencia directa para “citación por IA”.

Para ti

Útil si necesitas marco de contexto sobre cómo el PR se ve afectado por IA y algoritmos, pero con este texto no puedes usarlo para inferir qué tipo de fuentes/formatos atraen citas de ChatGPT/Perplexity/Gemini/Claude. Para convertirlo en insight GEO/SEO accionable haría falta el “Full Text” o una sección con metodología y resultados.

Leer el estudio original

Riesgos2026Google Scholar

[PDF] МНОГОАГЕНТНЫЕ СИСТЕМЫ В ОБЛАСТИ ОБЕСПЕЧЕНИЯ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ

АП Семизоров, СА Рожков - НАУКА, ОБЩЕСТВО, ИННОВАЦИИ 3, 2026

El texto es un сборilto de actas de una conferencia (2026) y no contiene un estudio que mida qué factores hacen que las IA citen una fuente: solo lista contenidos, autores y una nota sobre que los textos completos están disponibles en Elibrary.ru.

Datos y qué significa para ti

Conclusión

Con este material no se puede concluir nada sobre qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen una fuente, porque no hay datos, mediciones ni resultados del tipo “cuántas citas” o “qué características correlacionan con la citación”.

Para ti

Este documento aporta contexto editorial (que los artículos están en abierto en Elibrary.ru), pero no aporta evidencia accionable sobre citación por IA. Para analizar citación por IA, necesitarías el apartado o paper concreto donde se describa la medición (corpus, número de fuentes consultadas y métricas de citación) y sus cifras.

Leer el estudio original

Estrategia2026Google Scholar

[PDF] … the Generative Intent Operationalization (GIO) A Comprehensive Analysis of Epistemic Necessity as the Core Driver for Generative Engine Optimization (GEO)

K Spriestersbach, S Vollmer

El paper propone la operacionalización del “Generative Intent” (GIO) como un marco accionable para GEO, centrado en la necesidad epistémica como motor de la generación. Ayuda a priorizar el desarrollo de contenidos y señales para motores generativos de forma predictiva, en lugar de depender de explicaciones retrospectivas sobre contenido que ya apareció.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

[PDF] Manufactured Authority in Generative Engine Optimization: Cross-Market Evidence and Two Operational Metrics (MAI and VLS)

İ Göktaş

El paper propone métricas operativas para GEO como MAI y VLS para evaluar si los LLM recuperan y citan contenido de forma consistente, no solo si aparece. Aporta evidencia entre mercados y guía cómo medir el desempeño de “autoridad manufacturada” en motores generativos, reduciendo la incertidumbre sobre qué ajustes mejoran visibilidad y citación.

Datos y qué significa para ti

Leer el estudio original

Estrategia2026Google Scholar

The Evolution of SEO in the Era of Generative AI: A Business Intelligence Perspective

KI Roumeliotis, D Margaris, D Spiliotopoulos…

Propone una hoja de ruta para pasar de SEO tradicional a Generative Engine Optimization, organizando el trabajo por etapas como estructura de datos, visibilidad en motores de IA (Surface) y atribución. Aporta un marco para definir métricas de atribución en entornos de “zero-…” para mejorar la medición del impacto cuando la búsqueda es mediada por modelos generativos.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

From Search Rankings to Answer Rankings: Generative Search and the Transformation of Online Visibility

JL Blanco-Guzmán, JA Higuera-Reina, PB Roldán - 2026 49th MIPRO ICT and …, 2026

El texto que compartiste no contiene resultados del estudio: solo aparece el título del paper y el pie de página de IEEE Xplore, así que no se puede saber qué midieron ni qué encontraron sobre por qué las IA citan fuentes.

Datos y qué significa para ti

Conclusión

Con el material disponible no es posible extraer hallazgos concretos (porcentajes, conteos o patrones medidos) sobre qué hace que ChatGPT/Perplexity/Gemini/Claude citen una fuente, porque no hay datos en el texto proporcionado.

Para ti

Si me pegas el contenido del paper (aunque sea solo la sección de resultados/figuras/tablas o el resumen con cifras), te saco 2 a 5 hallazgos con números y la implicación práctica para visibilidad y citas en IA, pero con este extracto no hay nada accionable que reportar.

Leer el estudio original

Riesgos2026Google Scholar

When AI Rewrites a Brand: A Case Study of Generative AI and Brand Image

V Wärn

El estudio analiza, en el caso de una firma legal (Mannheimer Swartling), cómo varias descripciones generadas por IA a partir de prompts reflejan o cambian la imagen y la identidad de marca que la empresa pretende comunicar.

Datos y qué significa para ti

Datos clave

  • El estudio genera y revisa descripciones de la empresa usando 5 “personas” distintas (respuestas dependientes del perfil)
  • Encuentra que algunas descripciones de IA se alinean con la marca corporativa intencional, pero otras “reconstruyen” la marca basándose en fuentes externas (es decir, no solo en el posicionamiento deseado por la firma)
  • El trabajo reporta reconstrucciones de marca que dependen de la persona (cambia el encaje con la marca según el perfil usado en el prompt)
  • Se observan estereotipos y generalizaciones por parte de la IA, además de “relleno de huecos” (gap-filling)
  • También detecta alucinaciones/errores y exclusión de información: la IA puede inventar o equivocarse y, además, omitir datos en sus respuestas

Conclusión

Con los datos del caso, el estudio demuestra que las descripciones generadas por IA pueden tanto acercarse como desviarse de la imagen e identidad de marca pretendidas por la empresa, y que contribuyen activamente a construir esa percepción externa (no solo la repiten).

Para ti

Para SEO/GEO, este resultado implica que una IA no cita “tu versión” de marca de forma estable: puede mezclar tu posicionamiento con fuentes externas, variar según el usuario/persona y además añadir estereotipos o incluso omisiones. En la práctica, tu presencia informativa no solo debe cubrir lo que quieres decir, sino reducir espacio para que la IA rellene, invente o recorte al describirte.

Leer el estudio original

Medición2026Google Scholar

AI TECHNOLOGY

E Wendratama, PLN Suci, MA Paramastri…

Identifica señales de deterioro de rendimiento (caída de tráfico y descenso de ingresos en publicidad programática) y las conecta con la necesidad creciente de Generative Engine Optimization. Ayuda a priorizar acciones GEO para recuperar visibilidad en motores generativos cuando la extracción de contenido periodístico y otras fricciones presionan el rendimiento.

Datos y qué significa para ti

Leer el estudio original

Riesgos2026Google Scholar

SoK: Trust Signals in AI-Mediated Commerce How Generative Engines Select and Rank Products

KL Brousmiche

El estudio revisa 38 trabajos y compara señales de confianza (y su “manipulabilidad”) para ver cuáles terminan siendo recompensadas por motores generativos al recomendar productos, y cuáles casi no se han probado.

Datos y qué significa para ti

Datos clave

  • En un estudio con 55.936 consultas, 37% de los dominios citados por motores tipo LLM aparecen solo en sistemas basados en LLM (no en el flujo tradicional de búsqueda)
  • En experimentos de edición de descripciones hechas por IA, se observan ganancias de cuota de mercado en 33% de los experimentos (entre +3,66 y +14,89 puntos porcentuales)
  • En pruebas de “reseñas falsas” generadas por LLM, la detección por humanos queda en 50,8% de precisión (nivel cercano al azar) y los modelos LLM generales no mejoran ese resultado
  • En un análisis comparativo de 5 plataformas, el contenido social (Reddit, foros, reseñas de usuarios) explica 0% de las citas en la mayoría de categorías de producto en ChatGPT, frente a 10%–23% en Google Search tradicional
  • Presencia en plataformas de reseñas tipo Trustpilot/G2/Capterra se asocia con ~3× más citas de ChatGPT frente a no estar en esas plataformas

Conclusión

El estudio concluye que las señales que los motores generativos parecen recompensar en descubrimiento de productos son justo las más fáciles de fabricar (o manipular), mientras que las señales más resistentes a la manipulación están poco o nada validadas en contextos de GEO/IA.

Para ti

Para una estrategia GEO en comercio, este paper sugiere que basarse en señales “fáciles de reescribir” o en señales de revisión individuales puede no protegerte frente a sesgos de IA; en cambio, el estudio apunta a que la agregación y presencia en plataformas tercero (no la reseña individual) es una señal con correlación clara con más citas en ChatGPT. Si te interesa portar credibilidad entre motores, el paper remarca (sin cifras en el fragmento) que la vía con más potencial es la atestación verificable (p. ej., credenciales verificables), porque está diseñada para ser legible para máquinas y difícil de falsificar.

Leer el estudio original

Citación2026Google Scholar

Algorithmic interception: ad-tech, climate, and the case of Canada's oil sands

P McCurdy, C Russill, J Kliever - Environmental Research Letters, 2026

Propone que, ante la optimización para buscadores impulsada por LLM, se refuercen repositorios publicitarios independientes y herramientas de detección para verificar qué algoritmos y contenidos están siendo interceptados. Ayuda a GEO a diseñar auditorías operativas del entorno ad/SEO mediante capacidades de monitoreo y evidencias reproducibles en escenarios de alto riesgo como campañas vinculadas a sectores regulados.

Datos y qué significa para ti

Leer el estudio original

Medición2026Google Scholar

The Influence of Schema. org Structured Data on AI-Generated Product Responses

L Bouman

El estudio analiza si añadir Schema.org (JSON-LD) en páginas de producto cambia la visibilidad con la que una tienda aparece citada por ChatGPT, usando 20 prompts y midiendo antes y después de implementar el marcado en una sola tienda de e-commerce (4 productos).

Datos y qué significa para ti

Datos clave

  • La tienda aparece en 9 de 20 respuestas tanto antes como después (presencia binaria sin cambios: 9/20 en T0 y 9/20 en T1)
  • La posición media de la tienda en las respuestas mejora de 4.45 a 1.78 tras implementar el JSON-LD
  • La visibilidad con ranking (nDCG@3) sube de forma significativa bajo dos escenarios de descuento: +133% y +339%
  • El número de URLs citadas se mantiene estable (no cambia) entre T0 y T1

Conclusión

El estudio demuestra que Schema.org JSON-LD en páginas de producto no aumenta la probabilidad de que la tienda sea citada por ChatGPT, pero sí mejora claramente lo prominente que aparece dentro de la respuesta (mejor puesto y mayor visibilidad nDCG@3), sin alterar cuántas URLs se citan.

Para ti

Si tu web ya consigue que te citen, este paper sugiere que el impacto de Schema.org es más de “dónde apareces” que de “si apareces”: alinear y completar el JSON-LD puede empujar tu listado/cita hacia posiciones más altas. Como el estudio es de un solo caso y con muestra pequeña (4 productos y 20 prompts), úsalo como señal de dirección, no como garantía para todo tipo de tiendas o productos.

Leer el estudio original

Ningún estudio coincide con la búsqueda.