Las API y las interfaces de ChatGPT y Gemini solo coinciden en sus fuentes entre un 12% y un 15%

Los equipos de SEO están acostumbrados a una lógica sencilla: permitir que un robot rastree una página, esperar a que se indexe y observar las posiciones. Con la búsqueda mediante IA, este esquema se desmorona. El acceso al contenido, el uso del material para entrenar un modelo y la aparición de un enlace en una respuesta generada son tres operaciones distintas. Un único interruptor no las controla todas a la vez.

Un ejemplo sencillo: una tienda en línea permite que Googlebot rastree las fichas de producto, prohíbe el uso del contenido para entrenamiento y quiere aparecer en AI Overviews. Estas decisiones no se contradicen, pero exigen configuraciones distintas. Si el equipo solo modifica robots.txt y una semana después no observa un aumento de las citas, eso todavía no dice nada sobre la calidad del contenido ni sobre el funcionamiento de la restricción.

Hay que separar el acceso, el entrenamiento y la búsqueda con IA

Google tiene previsto admitir en 2027 una señal común de preferencias para el entrenamiento de IA basada en AIPREF. Hasta su lanzamiento, no puede considerarse una configuración universal que ya respeten todos los modelos. Las reglas vigentes de los proveedores individuales tampoco desaparecerán. Por ejemplo, Google-Extended controla algunos escenarios de uso del contenido, pero no excluye un sitio de la búsqueda convencional ni funciona como factor de posicionamiento.

También se ha anunciado un mecanismo independiente para las funciones generativas de Google Search. Debería permitir que los propietarios de sitios gestionen mediante Search Console la participación de su contenido en AI Overviews y AI Mode. Esta configuración no equivale a excluir el contenido del entrenamiento. Antes de modificarla, conviene registrar el tráfico de referencia, el conjunto de páginas y el resultado esperado del experimento. De lo contrario, el equipo obtendrá un gráfico, pero no podrá explicar qué lo hizo cambiar.

Screaming Frog SEO Spider 25.0 simplifica la parte técnica del proceso. Ahora la configuración de rastreo puede almacenarse en JSON, gestionarse por versiones y reutilizarse. Esto resulta útil para las auditorías periódicas: el mismo conjunto de URL se comprueba con parámetros idénticos y los cambios de configuración quedan visibles en el historial del proyecto. Sin embargo, un rastreador confirma que una página es accesible, no la probabilidad de que aparezca en la respuesta de un modelo.

Las citas son cada vez más medibles, pero no se vuelven automáticamente más precisas

Bing ha añadido la herramienta Topics Portfolio a AI Performance. Agrupa las consultas por temas, muestra las citas y propone consultas en las que un sitio podría tener una brecha de cobertura. Para un equipo editorial, esto es más práctico que un contador global de menciones: permite ver que una marca tiene presencia, por ejemplo, en el tema de las copias de seguridad, pero apenas aparece en el de la seguridad de los datos.

Existe una salvedad importante. Los clústeres se crean automáticamente y los valores pueden ser aproximados. Es posible que un sitio pequeño ni siquiera vea la pestaña por falta de datos. Por eso, la lista de oportunidades no debe convertirse de inmediato en un plan editorial. Primero hay que revisar manualmente las consultas, eliminar marcas ajenas y relacionar los temas con el producto y la intención del usuario.

Un estudio sobre recomendaciones de productos mediante IA reveló otra limitación. En una muestra de 1.536 respuestas, la coincidencia de los dominios mostrados en la interfaz de usuario y en la API fue, en promedio, del 12,0% para ChatGPT y del 14,8% para Gemini. No es un indicador universal para todos los sectores: el estudio abarcó 117 consultas en inglés sobre productos físicos, realizadas desde los Países Bajos. Sin embargo, la señal práctica es contundente: una auditoría automatizada mediante API no puede presentarse como una copia exacta de la experiencia del usuario.

Qué cambiar en el flujo de trabajo

Empieza por elaborar un inventario. Para cada proyecto, registra las reglas de rastreo, las exclusiones del entrenamiento, la configuración de participación en la búsqueda con IA y las fuentes de analítica disponibles. Después, selecciona un conjunto pequeño y estable de consultas y compruébalo simultáneamente mediante la API y las interfaces reales. Guarda la fecha, la región, la formulación de la consulta, el modelo, los enlaces encontrados y las citas visibles.

Por último, incorpora los metadatos a la revisión editorial. El título, la descripción, JSON-LD y el texto alternativo deben someterse a la misma verificación de datos que el contenido principal. La conclusión fundamental es sencilla: una auditoría GEO solo se vuelve reproducible cuando el equipo separa la configuración de acceso de los métodos de medición. Un único informe, rastreador o solicitud a una API no ofrece una visión completa.