No existe «optimizar para IA»: cada motor cita una web distinta
Los marketers hablan de «búsqueda con IA» como si fuera una sola cosa que optimizar. No lo es. ChatGPT, Gemini y Perplexity recurren a fuentes distintas para responder la misma pregunta, y una página que uno cita sin parar, otro puede no mostrarla jamás.
la respuesta corta
La búsqueda con IA no es un solo motor. Un análisis de 2025 de 6,8 millones de citas halló que los motores eligen fuentes distintas: Gemini favorece tu propio sitio estructurado (cerca del 52% de sus citas eran de dominios de marca), ChatGPT se apoya en directorios y referencias, y Perplexity favorece directorios de industria y contenido de comunidad. El solapamiento es bajo, así que no hay un único «optimizar para IA». Construye el cimiento compartido —entidad clara, estructura extraíble, rastreabilidad— y luego cubre la señal distinta que premia cada motor.
claves
- «Búsqueda con IA» no es un sistema: un análisis de 2025 de 6,8 millones de citas halló que ChatGPT, Gemini y Perplexity eligen fuentes claramente distintas.
- Gemini favorece tu propio sitio estructurado —cerca del 52% de sus citas eran de dominios de marca— y premia el schema y las páginas limpias y factuales.
- ChatGPT se apoya más en directorios, listings y fuentes de referencia; Perplexity favorece directorios de industria y contenido de comunidad.
- El solapamiento entre motores es bajo, así que una marca puede dominar uno y estar ausente de otro para la misma consulta.
- No existe un único «optimizar para IA»: construye el cimiento compartido y luego cubre las distintas señales de fuente que premia cada motor.
misma pregunta, fuentes distintas — análisis de 6,8M de citas, 2025
En palabras, para que la tabla no lo cargue sola: un análisis de 6,8 millones de citas en los tres motores halló que no buscan fuentes igual. Gemini sacó la mayoría de sus citas de los sitios propios y estructurados de las marcas —cerca del 52% eran de dominios de marca— premiando el schema y las páginas limpias y factuales. ChatGPT se apoyó más en directorios, listings y fuentes de referencia que en el dominio de cualquier marca. Perplexity buscó más estrecho, favoreciendo directorios de industria y discusión de comunidad. Tres motores, tres ideas distintas de qué pinta tiene una fuente confiable.
Qué significa de verdad la divergencia
El titular es fácil de malinterpretar como «unos motores son mejores que otros». No es eso. El punto es que cada motor tiene su propio gusto en fuentes, formado por cómo se construyó y qué aprendió a creer, y esos gustos son lo bastante distintos como para que la visibilidad no se transfiera. Puedes ser la fuente a la que Gemini recurre en un tema y estar del todo ausente de la respuesta de ChatGPT a la misma pregunta, no porque tu página empeorara entre pestañas, sino porque los dos motores miran en lugares distintos y ponderan señales distintas al decidir a quién citar.
Eso rompe una suposición cómoda que muchos equipos arrastran del search: que hay una sola verdad rankeada, y ser bueno te sube en todas partes a la vez. En el search clásico, optimizabas bien y tendías a subir en todo el tablero porque todos consultaban más o menos el mismo índice. La búsqueda con IA fragmentó eso. No hay una lista rankeada compartida debajo de los motores —cada uno arma su propia respuesta con sus propias fuentes favoritas— así que «hicimos la optimización de IA» ya no es una afirmación única y comprobable. Son tres, y pueden volver con tres veredictos distintos.
La fragmentación, en tres partes
Por qué divergen los motores, qué premia cada uno, y por qué eso termina con el sueño de un manual único de IA. Abre cada capa para la parte que cambia cómo trabajas.
01 Por qué divergen los motores
Cada motor se construyó sobre un cimiento distinto y aprendió a confiar en cosas distintas. Gemini vive dentro del ecosistema de Google y se comporta como un buscador con estándares estrictos de fuente, favoreciendo contenido estructurado directo del propio dominio de una marca. ChatGPT navega desde un índice web y su propio conocimiento de modelo, apoyándose en fuentes de referencia y directorios más que en las páginas de una sola marca. Perplexity busca aún más estrecho, favoreciendo directorios verticales y discusión de comunidad. No son tres ventanas a la misma lista rankeada: están leyendo porciones de la web que se solapan pero difieren, a través de distintas nociones de qué cuenta como fuente creíble. Por eso la misma página cae muy distinto en cada uno.
02 Qué premia de verdad cada uno
El análisis de 6,8 millones de citas vuelve concretas las diferencias. Para Gemini, la palanca es tu propio sitio: páginas estructuradas, factuales y ricas en schema, y datos consistentes, porque la mayoría de sus citas vinieron de dominios propios de marca. Para ChatGPT, la palanca es la presencia en las referencias y directorios de los que bebe, más una entidad clara que su modelo ya reconozca: tu propio blog importa menos. Para Perplexity, la palanca es aparecer en los directorios de industria y fuentes de comunidad concretos en los que se apoya. La misma marca, tres listas de tareas distintas: estructura de sitio propio para uno, presencia en terceros para otro, directorios verticales para un tercero, y una página optimizada solo para uno deja los otros dos sobre la mesa.
03 Por qué esto mata el discurso de «una sola estrategia de IA»
Si los motores citaran las mismas fuentes, un solo manual los cubriría a todos. No lo hacen, y el solapamiento entre qué dominios cita cada uno es lo bastante bajo como para que una marca pueda estar en todas partes en un motor y en ninguna en otro para la misma pregunta. Eso rompe la promesa cómoda de «optimizar para IA» como una sola tarea. No significa que el trabajo se triplique —buena parte del cimiento es compartido— pero sí que no puedes cantar victoria porque apareces en el único motor que resultó que revisaste. La versión honesta de una estrategia de visibilidad en IA nombra los motores, mide cada uno y trata «nos citan» como un hecho por motor, no como una sola luz de estado.
Qué sí viaja por todos ellos
La divergencia se asienta sobre un cimiento compartido, y ahí vive el trabajo eficiente. Los tres motores necesitan reconocerte como entidad, premian el contenido que pueden extraer con limpieza —una respuesta directa cerca del inicio, estructura clara, pasajes cortos— y son ciegos a la página que no pueden alcanzar. Construye ese núcleo una vez y rinde en todos a la vez; solo después tiene sentido reforzar la señal específica que cada motor premia. Invertir el orden, persiguiendo las manías de un motor antes de tener listas las señales universales, deja fuerte en una respuesta y ausente del resto.
Empieza por la entidad, el ancla que todos verifican
Si el cimiento compartido tiene una sola pieza de más valor, es tu entidad: la respuesta legible por máquina a «quién es esto y qué hace». Los motores que divergen en todo lo demás igual convergen en necesitar saber eso, y lo confirman contra el mismo puñado de referencias: un registro en Wikidata, una entrada de Wikipedia cuando se justifica, listings consistentes y los mismos datos repetidos en fuentes en las que confían. Una marca cuyo nombre, descripción y datos clave son consistentes en todas partes es fácil de reconocer para cualquier modelo; una cuyos detalles chocan por la web hace que cada motor esté menos seguro de a quién lee, y la incertidumbre es enemiga de la cita.
Por eso el trabajo de entidad rinde a lo ancho de la fragmentación en vez de en un solo motor. No es una táctica de Gemini ni de ChatGPT; es la capa debajo de todos, lo que deja a un modelo conectar una mención en una fuente con una página en otra y decidir que describen la misma cosa confiable. Hazlo mal y el trabajo específico de motor se construye sobre arena: puedes estar en todos los directorios correctos y aun así ser citado como otro, o no ser reconocido en absoluto. Hazlo bien y cada esfuerzo posterior cae más fuerte, porque el modelo ya sabe de quién se habla.
Cómo volver esto una medición, no una corazonada
Como los motores divergen, «¿somos visibles en IA?» no es una pregunta que respondas una vez. La única forma honesta de saberlo es preguntarle a cada motor las preguntas que de verdad hacen tus compradores y registrar a quién cita, motor por motor, prompt por prompt. Una marca que revisa solo el motor que su equipo usa se va con una lectura falsa: citada ahí, supone que la citan en todas partes, cuando el motor de al lado quizá no la nombre jamás. Trata cada motor como su propio marcador, y el cuadro deja de ser una sola impresión tranquilizadora y se vuelve una lista de huecos concretos sobre los que actuar.
La medición también te dice dónde gastar, cosa que los promedios nunca harán. Si te citan bien en el motor que premia el contenido propio pero estás ausente de los que se apoyan en directorios y comunidad, el hueco nombra tu siguiente paso, y no es «más de lo que ya funciona». Sin datos por motor optimizas para la superficie que ya ves y cedes las otras en silencio. Con ellos, dejas de adivinar qué señal falta y empiezas a cerrar la concreta que impide a un motor dado nombrarte.
Los errores que más castiga la fragmentación
Tres errores se siguen directos de olvidar que los motores difieren. El primero es cantar victoria desde un solo motor: un equipo ve su marca citada en la herramienta que usa a diario y supone que el trabajo está hecho, sin revisar nunca los otros donde quizá esté ausente. El segundo es copiar entero el manual de un competidor para un solo motor: si ellos ganaron su visibilidad en el motor que premia el contenido propio y tus compradores viven en el que se apoya en comunidades, sus tácticas no se transferirán, y habrás gastado un trimestre optimizando para una audiencia que no es la tuya.
El tercero es más sutil y más común: tratar el cimiento compartido como opcional porque no está atado a un motor concreto. La consistencia de entidad, la estructura extraíble y la rastreabilidad parecen trabajo de fondo, así que se posponen a favor de la táctica de motor que esté de moda. Pero sáltatelas y cada esfuerzo específico de motor rinde menos, porque el modelo no puede reconocer ni leer con limpieza lo que publicas. La fragmentación no premia la astucia en un solo motor; premia hacer el trabajo universal primero y el dirigido después, en ese orden, siempre.
Motores y fuentes: respuestas rápidas
¿Necesito una estrategia distinta para cada motor de IA?
Necesitas un cimiento y distintos énfasis, no tres estrategias inconexas. Los motores beben de fuentes que se solapan pero difieren, así que la misma marca puede ser muy citada por uno e ignorada por otro. Un análisis de 2025 de 6,8 millones de citas halló que Gemini sacó la mayoría de sus citas de los sitios propios y estructurados de las marcas, mientras que ChatGPT se apoyó en directorios, listings y fuentes de referencia, y Perplexity favoreció directorios de industria y contenido de comunidad. La lectura práctica no es «construye tres sitios» sino «asegúrate de ser fuerte en cada tipo de señal»: un sitio limpio, estructurado y rico en schema para los motores que premian el contenido propio, presencia precisa en los directorios y listings en los que se apoyan otros, y menciones ganadas en las comunidades y referencias en las que confía un tercer grupo. Una marca, varias superficies a las que tiene que ser legible.
¿Por qué ChatGPT cita fuentes distintas a las de Gemini?
Porque se construyeron sobre cimientos distintos y confían en cosas distintas. Gemini vive dentro del ecosistema de Google y se comporta más como un buscador con estándares estrictos de fuente: favorece contenido estructurado y factual directo del dominio de una marca, recompensado con schema y datos consistentes. El browsing de ChatGPT parte de un índice web y de su propio conocimiento de modelo, y se apoya más en fuentes de referencia y directorios que en las páginas de cualquier marca concreta. No están leyendo la misma web con la misma lente, así que el conjunto de fuentes que cada uno encuentra más citable diverge. Por eso una página perfectamente afinada para uno puede ser invisible en otro: optimizaste para la noción de fuente confiable de un motor, no la del otro.
¿Qué funciona en todos ellos?
Unas pocas cosas viajan bien porque todo motor las necesita. Una entidad clara y consistente —el mismo nombre, la misma descripción y los mismos datos sobre ti por toda la web, anclados donde los motores verifican, como Wikidata y referencias reputadas— ayuda a un modelo a reconocerte sin importar qué fuentes favorezca. La estructura extraíble también ayuda: una respuesta directa cerca del inicio, encabezados limpios, pasajes cortos y autónomos que un modelo pueda levantar sin estropearlos. Y ser alcanzable importa en todos lados: una página que ningún crawler puede leer no la cita ninguno. Más allá de ese núcleo compartido, los motores divergen, así que la jugada cross-platform es clavar primero las señales universales y luego reforzar el tipo de fuente específico de cada motor en el que estés más flojo.
¿Debería priorizar un motor?
Prioriza por dónde están de verdad tus compradores, no por qué motor es más fácil. Si tu audiencia investiga en ChatGPT, ser fuerte en los directorios y referencias en los que se apoya importa más que perfeccionar una señal que premia Gemini; si viven en Gemini, tu propio sitio estructurado hace más trabajo. El error es repartir el esfuerzo por igual entre motores que no has verificado que tu audiencia use, o suponer que el motor más grande es automáticamente tu prioridad. Mide dónde te citan y dónde preguntan tus compradores, y luego pondera el trabajo específico de cada motor hacia el solapamiento. El cimiento compartido —entidad clara, estructura extraíble, rastreabilidad— lo construyes igual; la priorización va de qué fuente específica de motor refuerzas primero.
Una nota sobre fuentes y certeza
Las cifras centrales —los 6,8 millones de citas analizadas, la cuota de ~52% de Gemini de dominios de marca, los sesgos a directorios y comunidad de ChatGPT y Perplexity— vienen de un estudio de citación cross-motor de 2025. Las presentamos como una foto, no como una constante: las preferencias de fuente cambian conforme los motores se reajustan, así que toma la dirección (los motores divergen de verdad) como el hallazgo durable y los decimales como un momento en el tiempo. Lo que es improbable que se revierta es el hecho central: no hay un único índice de IA, y «optimizado para IA» es una afirmación por motor. El AC Group lleva 27 años tratando cada superficie de descubrimiento en sus propios términos en vez de suponer que una sola regla sirve para todo; esto es ese hábito aplicado a una capa de búsqueda que, en silencio, se partió en varias.