ChatGPT Search y Google AI Overviews cambian el SEO: Habr AI publica una guía de GEO

Habr AI ha publicado una guía detallada sobre GEO, la optimización de contenido para la búsqueda con LLM. La idea central es simple: ChatGPT Search, Perplexity y Google AI Overviews responden cada vez más por sí mismos al usuario, de modo que la pelea ya no es solo por el clic en los resultados, sino también por entrar en la respuesta del modelo.

Por qué surgió el GEO

El autor cita estos indicadores de la transformación de la búsqueda en 2024–2026: los bloques de IA de Google ocuparon la parte superior de la pantalla, ChatGPT Search superó los 100 millones de usuarios activos en modo búsqueda en abril de 2026 y Perplexity alcanzó más de 15 millones de consultas al día. En este contexto, la proporción de búsquedas zero-click llegó al 65 % y algunos sitios, según la estimación del artículo, ya pierden entre el 20 % y el 40 % de su tráfico orgánico. Al mismo tiempo surge un canal nuevo: el AI-referral, cuando el usuario llega desde un enlace en la respuesta de una red neuronal.

GEO, AIO, AEO y LLMO son términos cercanos con la misma esencia: el contenido debe ser útil no solo para el lector y el rastreador, sino también para un modelo de lenguaje que construye la respuesta con fragmentos de distintas páginas. A diferencia del SEO tradicional, donde se podía ganar con palabras clave, metaetiquetas y linkbuilding, aquí pesan más el sentido claro, la experiencia y la facilidad para extraer los hechos.

Cómo eligen los modelos

El artículo describe un esquema RAG típico: el sistema recibe una consulta, busca páginas relevantes, las ordena, corta el texto en bloques de 200–500 tokens, inserta los mejores fragmentos en el prompt y solo después genera una respuesta con citas. De ahí se desprende la consecuencia clave: no compite el artículo completo, sino cada párrafo por separado. Si un dato necesario está enterrado, diluido en paja o sin separación estructural, puede que ni siquiera llegue al contexto del modelo, aunque la página sea sólida.

Según el artículo, en la búsqueda con LLM funcionan peor los viejos patrones de SEO, como la densidad de palabras clave, las páginas delgadas para una sola consulta y los esquemas de enlaces. Cobran protagonismo las señales que ayudan al modelo a entender rápido el sentido del texto y a fiarse de él. Dicho de otro modo, no gana el material que repite más la frase clave, sino el que formula la tesis de forma directa, la respalda con cifras y se traslada fácilmente a una respuesta de IA sin perder contexto.

«Optimizar para el algoritmo pierde frente a optimizar para la comprensión».

• Autoridad del dominio y del autor: E-E-A-T y un historial acumulado de citas aumentan la confianza.
• Extraibilidad estructural: encabezados claros, definiciones, FAQ y marcado schema permiten sacar un dato de forma mecánica.
• Densidad semántica: menos paja y más unidades de sentido autónomas en cada párrafo.
• Verificabilidad: fechas, cifras, estudios y enlaces concretos aumentan la probabilidad de ser citado.
• Actualidad: los datos recientes tienen prioridad en los sistemas que trabajan con un índice web en tiempo real.

Qué deben hacer las redacciones

Las recomendaciones prácticas son bastante terrenales. El artículo aconseja dar una respuesta directa en las primeras 200–300 palabras, poner las definiciones al inicio de cada sección, añadir schema FAQPage, HowTo, Article y Person, y agrupar el material en topic clusters en lugar de páginas sueltas para una sola consulta. Se destaca la página del autor: byline, fecha de actualización, perfiles y publicaciones no están para adornar, sino como señales de confianza legibles por máquinas.

El primer paso para una redacción es revisar 10–15 consultas clave en ChatGPT Search y Perplexity y ver a quién citan ya estos servicios. Después conviene configurar en GA4 un segmento aparte de tráfico de IA, repasar los materiales principales y añadirles respuestas directas, datos con fechas y respaldos claros. A continuación, hay que reorganizar el núcleo del contenido en pillar pages, cluster pages y enlaces internos explícitos, para que el tema se lea como un conjunto experto único y no como un puñado de publicaciones aleatorias.

El autor propone medir el progreso con nuevas métricas: presencia en AI Overviews, volumen de tráfico AI-referral, frecuencia de citación del dominio y proporción de respuestas en las que aparece la marca. Es un cambio importante para redacciones y equipos de contenido: los KPI ya no pueden reducirse a la posición en la SERP y al tráfico orgánico total. Hay que entender con qué frecuencia las redes neuronales eligen precisamente tu material como fuente base de la respuesta.

Qué significa esto

El GEO no sustituye al SEO técnico, pero cambia el objetivo de la optimización. No ganarán quienes inserten con más precisión la frase clave, sino quienes publiquen contenido experto denso, verificable y bien estructurado. Para medios, blogs y sitios B2B es una señal directa: si un material no sirve para ser citado por párrafos, cada vez será más probable que tampoco lo vea el usuario.