«Hemos reescrito el artículo y la IA sigue nombrando a los otros»
En la reunión alguien lo propone: vamos a reescribir ese post pensando en la IA.
Y lo reescribes. Añades datos, añades fuentes, ordenas los titulares.
Pasa un mes, le haces a la IA la misma pregunta y te devuelve otra vez a tu competencia.
A Hex-ko esto le suena. Lo que fastidia no es el fallo, es que nada de lo que hiciste estaba mal. La página está mejor que antes, de verdad.
Pero hay un experimento que ha seguido lo que hace la IA entre tu pregunta y su respuesta. Y ahí el fallo empieza a parecer estructural, no un problema de calidad.
Lo firma un equipo de la ShanghaiTech University y se actualizó en julio de 2026 (estudio). Vamos a verlo.
¿Cuántas páginas lee la IA antes de decidir a quién nombra?
Una IA con acceso a la web no responde de memoria. Busca, abre una página, sigue un enlace, abre otra. Y solo entonces se moja.
Un es exactamente eso: una IA que se va a investigar sola.
En este experimento tenía permitidas cinco búsquedas y cinco descargas de página por pregunta.
O sea, que no lee una página y decide. Recorre un camino y va cruzando lo que encuentra. Y resulta que ese camino es donde se juega el partido.
Metieron un producto inventado en el quinto puesto y midieron
El montaje es un poco raro, pero tiene su gracia.
Los investigadores cogieron nueve resultados de búsqueda reales y colaron la página de un producto ficticio fija en la quinta posición.
¿Por qué fija? Pues para anular el efecto del ranking y quedarse solo con lo que pasa después del clic.
En total, 3.124 combinaciones de pregunta y producto, con preguntas reales de comparación y recomendación.
Y a partir de ahí solo cambiaron lo que había detrás de ese hueco:
- una única página suelta (la referencia)
- esa misma página pulida con tres métodos de ya existentes, es decir, optimización de contenido pensada para las respuestas de la IA
- seis tipos de página distintos, con el mismo modo de decir las cosas y enlazados entre sí
Al último montaje lo llaman TRACE. Los seis tipos son la web oficial, reseñas, un artículo de experto, una noticia, un hilo de foro y una publicación en redes. Y delante de todos, una páginita de entrada que hace de índice y apunta a los otros seis.
Seis frentes alineados: 67,2% frente al 35,9% de la página suelta
Y esto es lo que salió. Porcentaje de respuestas en las que la IA presentó el producto como una buena opción:
- una sola página: 35,9%
- seis frentes alineados (TRACE): 67,2%
En otros dos conjuntos de datos el movimiento fue el mismo: del 56,2% al 71,9% y del 59,0% al 73,9%. Unos quince puntos arriba en cada caso.
Lo interesante viene ahora.
Los tres métodos de GEO de toda la vida, los que trabajan una página, se midieron en el mismo experimento y se quedaron en 35,9%, 35,9% y 28,1%.
Frente a un 35,9% de partida, eso es nada, nada y peor. La reescritura de la reunión, dibujada en una tabla.
Lo que funcionó no fue el texto, fue el recorrido
Entonces, ¿qué es lo que movió la aguja? El equipo afinó todavía más las condiciones: mismas páginas de apoyo, cambiando solo cómo estaban colocadas.
- desperdigadas, sin coordinar: 75,0%
- con las mismas expresiones y enlazadas entre sí: 82,8%
- añadiendo delante la página de entrada: 89,1%
Ojo, estos niveles vienen de otras condiciones distintas a las de la tabla anterior, así que no los compares directamente. Lo que hay que mirar es que el mismo material sube escalón a escalón solo por la colocación.
No se añadió información. Lo único que cambió fue el camino que recorre la IA mientras reúne pruebas.
Y al meter la página de entrada, lo que subió en concreto fue el paseo de la IA por los enlaces internos. Si le das un índice, entra hasta el fondo. Si no, lee una página y cierra el asunto.
Hasta dónde se puede estirar este estudio
Aquí conviene frenar un poco.
Es una preprint, o sea, un trabajo que aún no ha pasado revisión por pares. El experimento se hizo en un entorno controlado, no en la web abierta.
El producto era inventado y la única IA probada fue GPT-5.1. Además, la dificultad de conseguir esa quinta posición ni siquiera entra en la evaluación.
Y los propios autores dejan escrito en su declaración ética que no recomiendan aplicar estos métodos a sistemas reales ni a la web pública. Tampoco publican el código completo.
Por eso lo que hay que sacar de aquí no es un truco. Es el mecanismo: cómo reúne pruebas un agente de IA antes de responder.
La lectura útil no es «vamos a fabricarnos frentes». Es «¿los frentes que ya hablan de nosotros están descolocados?».
revisa el conjunto, no la página
Que la IA te nombre no depende de lo buena que sea una página concreta. Depende de si existen frentes de tipos distintos hablando de ti, y de si cuentan los mismos hechos con las mismas palabras.
Y si lo piensas, esto tampoco es una exigencia nueva. La web oficial, los casos de éxito, la ficha en el comparador, la ponencia, el hilo en la comunidad… casi todo eso ya existe. Lo que pasa es que el nombre de la empresa, la categoría y la frase de qué haces bailan un poco en cada sitio. Para la IA, ese baile es justo lo que rompe el cruce de datos. Y visto al revés: ahí queda margen para mejorar sin inventarse nada.
Por ahí ya hemos pasado antes. Lo de las tres señales que suben las citas hasta un 40% iba del interior de una página, y lo de que la IA se fía más de Reddit que de tu web iba de los frentes que no controlas. Lo que dice este estudio es que dejen de ser dos proyectos sueltos y pasen a ser un mismo conjunto.
Así que empieza por listar por tipos los sitios donde se habla de ti y cuadrar los datos. Y después mide si tu nombre sale más que antes de cuadrarlos, porque si no, habrás ordenado el armario sin saber si sirvió de algo.
Antes de sumar un frente más, alinea uno de los que ya tienes descolocados.
Fuentes
- Hengwei Ye, Jiasheng Mao, Zhenhan Guan, Zheng Tian (ShanghaiTech University), «EcoGEO: Trajectory-Aware Evidence Ecosystems for Web-Enabled LLM Search Agents», arXiv:2605.12887v2, 1 de julio de 2026, arxiv.org (Partiendo de que los agentes de IA con acceso a la web deciden sus recomendaciones a través de un recorrido de varios pasos —buscar, seguir enlaces, cruzar varias páginas—, el estudio desplaza la unidad de optimización desde una sola página hacia un «entorno de información en el que varias páginas se sostienen entre sí». Se coló la página de un producto ficticio en una quinta posición fija entre nueve resultados de búsqueda reales y se evaluaron 3.124 pares de consulta y producto. El producto fue recomendado en el 35,9% de las respuestas con una sola página, frente al 67,2% de TRACE, que unificó las expresiones y enlazó entre sí seis tipos de frente: web oficial, reseñas, artículo de experto, noticia, foro y redes sociales. En otros dos conjuntos de datos, 56,2%→71,9% y 59,0%→73,9%. Los tres métodos de GEO por página no superaron a la página única (C-SEO 35,9% / E-GEO 35,9% / AutoGEO 28,1%). En un experimento de control con condiciones distintas: 75,0% sin coordinar → 82,8% coordinado → 89,1% añadiendo la página de entrada (SafeSearch). Advertencias: es una preprint sin revisión por pares, verificada en entorno controlado, con producto ficticio y únicamente con GPT-5.1, y la dificultad de conseguir la posición no entra en la evaluación. Los autores señalan en su declaración ética que no recomiendan aplicar estos métodos a sistemas reales ni a la web pública.)
