Posicionamiento en LLMs: cómo aparecer en ChatGPT, Gemini y Perplexity (guía 2026)

Q: ¿Cómo se mide la visibilidad en asistentes de IA?

Con tres instrumentos: auditorías periódicas de prompts (preguntar a cada motor por la categoría y la marca, y registrar qué responde), el informe AI Performance de Bing Webmaster Tools que muestra citas en respuestas de IA, y el tráfico referido desde dominios de asistentes en la analítica del sitio.

Una parte creciente de las decisiones de compra ya no empieza en Google: empieza en una conversación con una IA. Alguien le pregunta a ChatGPT qué agencia contratar, a Gemini qué proveedor comparar o a Perplexity qué marca es confiable, y el asistente responde con una lista corta de nombres. Si tu marca no está en esa respuesta, para ese usuario no existe. El trabajo de lograr que sí esté tiene nombre: posicionamiento en LLMs, también conocido como GEO (Generative Engine Optimization).

Esta guía explica qué es, por qué se volvió urgente en 2026, cómo deciden los modelos a quién citar y qué hacer —en orden— para aparecer en sus respuestas. Con fuentes citadas al final.

Qué es el posicionamiento en LLMs (y en qué se diferencia del SEO)

El posicionamiento en LLMs es la disciplina de optimizar la presencia digital de una marca para que los modelos de lenguaje —ChatGPT, Gemini, Claude, Perplexity, Copilot— la entiendan (sepan qué hace, dónde opera, en qué es experta), confíen en ella (encuentren señales consistentes en varias fuentes) y la citen al responder preguntas de su categoría.

La diferencia con el SEO clásico está en el resultado que se persigue. El SEO compite por un lugar en una lista de enlaces; el GEO compite por ser parte de la respuesta. Cuando un asistente responde "las agencias más recomendadas en Chile son X, Y y Z", no hay página 2: o eres parte de la síntesis, o quedaste fuera. Y como los asistentes se apoyan en los índices de Google y Bing para buscar en vivo, el SEO sigue siendo la base sobre la que se construye el GEO — no compiten, se apilan.

Por qué esto se volvió urgente: los datos

El cambio de comportamiento dejó de ser una predicción. ChatGPT pasó de 400 a 800 millones de usuarios semanales entre 2024 y fines de 2025 según cifras de OpenAI, y los resúmenes de IA de Google (AI Overviews) ya alcanzan a 2.000 millones de usuarios al mes. Gartner había proyectado que el volumen de búsqueda tradicional caería un 25% hacia 2026 por el traslado hacia asistentes de IA, y la participación de Google en búsqueda cayó bajo el 90% por primera vez en más de una década.

Al mismo tiempo, el clic se está evaporando: cuando aparece un resumen de IA, la mayoría de las consultas termina sin visitar ningún sitio. Pero hay una contracara que importa para cualquier negocio: el tráfico que sí llega desde asistentes de IA es de una calidad inusual. Los estudios de la industria reportan que estos visitantes pasan más tiempo en el sitio y convierten varias veces mejor que el visitante orgánico promedio — llegan con la decisión casi tomada, porque la IA ya hizo el filtro por ellos. Menos visitas, mejores visitas: la pelea ahora es por estar en el filtro.

Cómo decide un asistente de IA a quién citar

Para que una marca aparezca en una respuesta generada tienen que pasar tres cosas, en cadena:

1. El modelo tiene que poder leerte. Los asistentes usan rastreadores propios (GPTBot, ClaudeBot, PerplexityBot, Google-Extended, entre otros) y búsquedas en vivo sobre los índices de Google y Bing. Si el sitio los bloquea —a propósito o por error de configuración en el firewall o el CDN— la marca es literalmente invisible. Es más común de lo que parece: nosotros mismos descubrimos que nuestro sitio bloqueaba a toda la familia de rastreadores de Claude por una regla automática del CDN.

2. El modelo tiene que poder entenderte. Los LLMs privilegian contenido con estructura clara: títulos que son preguntas, respuestas directas en los primeros párrafos, datos concretos, definiciones limpias. Los datos estructurados (schema.org: Organization, Service, Article, FAQPage) le dicen al modelo qué es cada cosa sin ambigüedad, y el archivo llms.txt —un estándar emergente propuesto en 2024— le entrega un resumen del sitio pensado para máquinas.

3. El modelo tiene que poder verificarte. Aquí se juega la confianza, y es el factor que más subestiman las empresas. Los asistentes arman sus recomendaciones cruzando fuentes de terceros: directorios de la industria (Clutch, Sortlist y similares en el caso de las agencias), reseñas, prensa, rankings y perfiles verificados. Una marca que solo habla de sí misma en su propio sitio tiene una sola fuente; una marca presente en diez lugares con datos consistentes —mismo nombre, misma dirección, mismos servicios— tiene un caso verificable. La consistencia es la moneda de la confianza algorítmica.

El método: seis frentes de trabajo

1. Auditoría de visibilidad en IA

Antes de optimizar hay que medir. La auditoría consiste en preguntarle a cada motor (ChatGPT, Gemini, Perplexity, Copilot) por la categoría —"¿qué agencias de X recomiendas en Chile?"— y por la marca —"¿qué sabes de X?"—, y registrar qué responde, a quién cita y de qué fuentes saca sus listas. Eso entrega el punto de partida y revela exactamente qué fuentes alimentan a cada motor en tu categoría.

2. Acceso: abrirle la puerta a los rastreadores

Revisar robots.txt, el firewall y las reglas del CDN para confirmar que los rastreadores de IA pueden leer el sitio. Verificarlo con los logs del servidor: los crawls de GPTBot, ClaudeBot o PerplexityBot deben aparecer. Sin este paso, todo lo demás es inútil.

3. Arquitectura semántica y datos estructurados

Marcar el sitio con schema.org (Organization con dirección, teléfono y perfiles sociales en sameAs; Service por cada servicio; Article en el contenido editorial; FAQPage donde hay preguntas frecuentes), publicar llms.txt, y mantener el sitemap al día en Google Search Console y Bing Webmaster Tools — Bing importa el doble aquí, porque Copilot y ChatGPT se apoyan en su índice.

4. Contenido citable

Los modelos citan contenido que responde preguntas concretas con autoridad: guías con datos y fuentes, preguntas frecuentes reales, definiciones claras, casos con cifras. El formato importa tanto como el fondo — un modelo puede extraer y citar una respuesta de tres líneas bien estructurada con más facilidad que un texto publicitario de diez párrafos.

5. Autoridad off-site

Construir las menciones externas que los modelos usan para verificar: perfiles completos y consistentes en los directorios que cada motor lee, reseñas de clientes reales, certificaciones verificables (por ejemplo, el badge oficial de Google Partner enlazado al registro público de Google) y presencia en los rankings y listados que la IA ya cita en tu categoría. La auditoría del paso 1 dice exactamente cuáles son.

6. Medición y ciclo

Tres instrumentos: repetir la auditoría de prompts cada uno a tres meses y comparar; el informe AI Performance de Bing Webmaster Tools, que registra citas del sitio en respuestas de IA; y el tráfico referido desde dominios de asistentes (chatgpt.com, perplexity.ai, gemini.google.com) en la analítica. El GEO es un ciclo, no un proyecto de una vez: los modelos se actualizan y las fuentes que leen también.

Errores comunes

Bloquear a los rastreadores de IA sin saberlo — reglas automáticas de CDN o firewall que tratan a GPTBot o ClaudeBot como bots maliciosos. Tratar el GEO como un truco — no hay "meta tags mágicas" para AI Overviews; lo que funciona es la misma autoridad y claridad que premia el buen SEO. Ignorar el off-site — el error más caro: se puede tener un sitio técnicamente impecable y seguir invisible porque los modelos arman sus listas desde directorios y rankings donde la marca no está. No medir — sin auditoría periódica de prompts no hay forma de saber si el trabajo rinde.

Preguntas frecuentes

¿Qué es el posicionamiento en LLMs o GEO?

Es el trabajo de optimizar la presencia digital de una marca para que los modelos de lenguaje (ChatGPT, Gemini, Claude, Perplexity, Copilot) la entiendan, confíen en ella y la citen en sus respuestas. GEO significa Generative Engine Optimization; también se usa AEO, Answer Engine Optimization.

¿Cómo eligen los asistentes de IA qué marcas citar?

Combinan lo que aprendieron en su entrenamiento con búsquedas en vivo sobre índices como Google y Bing. Citan fuentes que pueden leer (sitios accesibles a sus rastreadores), entender (contenido claro y estructurado) y verificar (datos consistentes y menciones en sitios de terceros como directorios, prensa y reseñas).

¿El posicionamiento en LLMs reemplaza al SEO?

No. Los asistentes se apoyan en los índices de los buscadores tradicionales, por lo que un buen SEO es la base. El GEO añade una capa nueva: preparar el contenido y la autoridad de la marca para que además de rankear, sea citada en las respuestas generadas.

¿Cuánto tarda en verse resultado?

La base técnica (accesos, datos estructurados, llms.txt) impacta en semanas, cuando los rastreadores vuelven a leer el sitio. La autoridad off-site —directorios, reseñas, menciones— toma meses, igual que el SEO. Por eso conviene auditar y partir temprano: la ventaja es de quien llega primero.

¿Cómo se mide la visibilidad en asistentes de IA?

Con auditorías periódicas de prompts, el informe AI Performance de Bing Webmaster Tools y el tráfico referido desde asistentes en la analítica del sitio. Si quieres saber cómo te ven hoy los modelos, en nuestro servicio de posicionamiento en LLMs partimos siempre por esa auditoría.

Este artículo tiene fines informativos. Las cifras citadas pertenecen a los estudios referenciados a continuación y pueden actualizarse en nuevas ediciones. Última actualización: julio de 2026.