GEO Research #05: las cinco capas para existir dentro de una IA

TL;DR — La quinta edición del GEO Metrics Research Lab nace de una sala en Granada. Organizamos Alhambra Search, el primer evento de SEO y GEO de la ciudad, y lo que salió del escenario no fue una lista de trucos: fue una secuencia. Cinco capas, en un orden concreto, que explican por qué la mayoría de las estrategias GEO fracasan por empezar en el paso cuatro. Esta edición reconstruye esa secuencia y, capa por capa, le pone encima lo que mide nuestro dataset de 400.000 respuestas en 7 motores durante 14 meses.

Cerca de 300 personas entre sala y streaming. Cinco ponencias. Una jornada entera en la Escuela Internacional de Gerencia de Granada.

Sobre el papel, un evento de SEO más. En la práctica, las charlas estaban ordenadas con una lógica que casi nadie percibe en directo: cada una resuelve un problema que la siguiente da por resuelto.

Si construyes visibilidad en IA antes de controlar qué dice la IA sobre ti, estás amplificando tus propios errores. Si automatizas antes de definir tus entidades, escalas rápido sobre arena. Si vas a por lo local sin identidad fijada, el modelo te confunde con el negocio de al lado.

El orden importaba más que las charlas.

Cómo leer esta edición: hay dos tipos de número. Los que se expusieron desde el escenario van siempre atribuidos a quien los presentó — son su evidencia, no la nuestra, y los reproducimos sin validarlos. Los que aparecen marcados como data GEO Metrics salen de nuestras ediciones #01 a #04, sobre muestra representativa de la base de datos de la plataforma y prompts monitorizados en producción real.

El hilo conductor: la secuencia completa

Nico Bignu abrió la jornada con el marco. Las métricas que se quedan fuera de juego son las de tráfico, impresiones y clics, porque en una respuesta sintetizada no hay clic que contar. Lo que sobrevive es el share of model: la frecuencia con la que un modelo te incluye en su respuesta. No es una métrica nueva. Es el share of voice de siempre trasladado a un entorno donde la impresión ya no se mide en páginas de resultados.

A partir de ahí, cinco capas:

Capa 1 · Defensiva: antes de buscar visibilidad, deja de alimentar la invención

Alicia Puga (Aumenta) abrió con la capa que casi todo el mundo se salta.

Su tesis: la alucinación sobre una marca no es un fallo inevitable del modelo, es una consecuencia del descontrol de las fuentes propias. Cuando la IA encuentra tu dirección en tres sitios distintos, no se abstiene. Rellena el hueco por plausibilidad.

Distinguió dos tipos. La alucinación pasiva: cuando el modelo inventa horarios, teléfonos o servicios al responder sobre ti. Y la alucinación activa, más silenciosa: contenido generado con IA y publicado sin verificar, que vuelve al ecosistema como fuente y retroalimenta el error. Según las cifras que expuso, la tasa de alucinación ronda el 20% en consultas de ámbito local y pyme, frente a un 3-10% en consultas informativas globales.

De ahí su regla 20/80: solo el 20% de lo que el modelo sabe de ti es tu web. El 80% restante es conversación externa — prensa, directorios, Reddit, foros, YouTube, perfiles sociales. Si ese 80% no confirma lo que dice tu 20%, el modelo baja la confianza o completa por su cuenta.

Su protocolo de mitigación: fichas de datos duros en la web, auditoría cruzada entre modelos y baterías de stress prompts sobre la marca.

La capa de datos — dónde es más probable que te inventen:

Nuestro estudio de citación (edición #03) mide el porcentaje de respuestas que llegan sin ninguna fuente citada. Una respuesta sin evidencia es el terreno natural de la alucinación, y ese terreno no se reparte por igual entre sectores:

En Inmobiliaria y Marketing, casi 1 de cada 3 respuestas llega sin una sola fuente citada. Son exactamente los sectores donde la ponencia situaba el pico de alucinación. Cuanto menos documenta el motor, más margen tiene para completar por plausibilidad — y más rentable es inyectarle datos duros verificables.

Un detalle que refuerza el punto desde nuestra edición #04: solo alrededor de 1 de cada 7 respuestas incluye una cifra de precio concreta, y el 65,7% de las que lo hacen la presentan con un "desde". El dato duro que Alicia pide publicar es, literalmente, lo que los modelos no están encontrando.

Capa 2 · Identitaria: no hay página 2, o estás en la respuesta o no existes

Pau Llambí se encargó de la capa que define quién eres para el modelo.

Su punto de partida: en la SERP clásica existía una distribución de clics por posiciones. En una interfaz conversacional la visibilidad es binaria. Y los modelos no clasifican por keywords repetidas, sino por entidades y relaciones dentro de un grafo.

De ahí la frase canónica: una declaración densa y sin ambigüedad en el primer párrafo visible de la home, con la fórmula marca + categoría exacta + propuesta de valor + público + ámbito geográfico + fundadores + evidencias. Después, nodos satélite que desarrollan cada segmento de esa frase, y un circuito de autoridad que la respalde: equipo real con nombres, perfiles de autor enlazados a LinkedIn u ORCID, y marcado JSON-LD con Organization, Person y sameAs.

La parte más accionable fue la ingeniería de fuentes: mapear los prompts del sector, rastrear qué URLs consulta el modelo en la fase de fan-out, clasificar esos dominios y hacer digital PR solo donde la IA ya mira. Y el hack de Wikidata como puerta de entrada para marcas sin notabilidad suficiente para sobrevivir en Wikipedia.

Cuatro medidas del desacuerdo — data GEO Metrics, ediciones #01 y #03:

Nuestra data sostiene la tesis por el lado empírico. Solo el 5,6% de las queries monitorizadas tienen la misma marca en el puesto #1 en todos los motores. El solapamiento medio del Top-5 de marcas entre dos motores es del 18,4%. Y el de dominios citados, del 10,4%: para una misma pregunta, dos motores comparten de media 1 fuente de cada 10.

La cuarta medida es la que más nos interesa: un mismo motor, comparado consigo mismo entre dos snapshots consecutivos, conserva solo el 14,9% de sus recomendaciones. Ni siquiera hay acuerdo interno.

Por eso la frase canónica no es cosmética. En un ecosistema donde cada motor construye una realidad distinta y la reescribe cada pocas semanas, la única variable que controlas es la coherencia de tu propia definición repetida en todos los nodos donde el modelo mira. No optimizas la respuesta: optimizas la entrada.

Capa 3 · Operativa: MCP, conectar el modelo al stack en lugar de exportar más CSVs

Raúl Solana bajó la estrategia a ejecución con los cuatro pilares clásicos — entendimiento de negocio, auditoría técnica, contenidos y autoridad — atravesados por Model Context Protocol.

La idea central: dejar de mover archivos a mano y conectar el modelo directamente a DataForSEO, Screaming Frog, Search Console, GA4 y al MCP de GEO Metrics.

Dos avisos técnicos que merecen quedarse: el contenido crítico renderizado solo en cliente sigue siendo invisible para los crawlers que importan, y generar cientos de artículos genéricos destruye autoridad en lugar de construirla. Su alternativa a la producción masiva es curación con datos de Search Console sobre URLs estancadas, más inyección de UGC propio — reseñas y valoraciones reales exportadas a CSV — en los prompts de redacción.

El cierre fue un bucle de outreach completo: extraer del MCP las fuentes que la IA consulta para los prompts del cliente, sacar contactos de esas fuentes y lanzar la secuencia desde el propio entorno conversacional.

La capa de datos — por qué la velocidad no es opcional:

Nuestra serie temporal explica mejor que ningún argumento por qué hay que automatizar. ChatGPT pasó de una media de 2,2 fuentes por respuesta en noviembre de 2025 a 20,5 en diciembre y a 33,2 en enero de 2026, antes de estabilizarse en 11,8. Copilot creció un 140% en el periodo, ChatGPT un 104%, Perplexity un 75%. AI Mode fue a la contra, con un 35% menos.

Una auditoría de citación con más de un trimestre encima ya es arqueología: el motor que mediste no cita igual, y a veces la diferencia es de tres veces.

Capa 4 · Geográfica: la IA local se apoya en un mapa que no es suyo

Nacho Chambó trasladó la lógica de entidades al mundo físico.

Su observación de partida es simple y poco asumida: ChatGPT, Gemini o Perplexity no tienen un mapa propio actualizado. Cuando resuelven un "dónde cenar cerca", se apoyan en bases de datos de geolocalización ajenas, con Google Business Profile como fuente primaria. El SEO local no desaparece: se convierte en el RAG geográfico de los modelos.

De ahí la regla inflexible del NAP: nombre, dirección y teléfono idénticos en ficha de GBP, footer, schema LocalBusiness, perfiles sociales y directorios. Cualquier discrepancia es exactamente la grieta por la que entra la alucinación de la capa 1.

Lo táctico: landings hiperlocales con estructura /servicio-localidad/ unidas por un anillo semántico de enlaces internos, respuesta al 100% de las reseñas en menos de 24 horas con servicio y localidad en el texto del propietario, y menciones hiperlocales de coste cero — asociaciones de vecinos, clubes, blogs de barrio.

Su caso de estudio: una hamburguesería sin reputación previa superó en recomendaciones de IA a competidores con años de reseñas acumuladas.

Capa 5 · Multimodal: YouTube pesa mucho, pero no en todos los motores

Emilio García (Campamento Web) cerró con la capa que casi nadie trabaja: el formato que no es texto.

Su argumento: los motores más avanzados ingieren transcripción automática y analizan el vídeo de forma nativa. YouTube es la segunda fuente más citada por los modelos.

Lo accionable: las tres primeras líneas de la descripción cargan el mayor peso de extracción, hay que pronunciar entidades y términos clave en la locución porque la transcripción es el texto indexable, y la metodología outlier — localizar en canales pequeños los vídeos que multiplican por cinco o por diez su media y replicar ángulo y miniatura — sigue siendo la forma más barata de encontrar formato que funciona.

% de respuestas que citan al menos un vídeo de YouTube — data GEO Metrics, edición #03:

Nuestra data confirma la tesis y le pone apellido. El vídeo no es una apuesta universal: es una apuesta concreta por los motores de perfil social. Grok lleva ese perfil al extremo, con un 80,9% de respuestas citando redes sociales, mientras ChatGPT se apoya en Wikipedia (15,8%) y medios de noticias (13,6%).

Dicho de otro modo: el canal de YouTube que te mete en Grok y en AI Mode no te da ni una cita en ChatGPT. Y la presencia editorial que te sostiene en ChatGPT es casi irrelevante para Grok. La capa multimodal es imprescindible, pero hay que saber a qué motor le estás hablando.

Una nota sobre el fan-out

Desde el escenario se expuso que los modelos consultan entre 50 y 60 fuentes en la fase de fan-out y acaban citando 7 u 8 — una reducción del 70-72%. Nuestra medición del número de fuentes que cada motor expone en su respuesta encaja con ese orden de magnitud para el pelotón (AI Overviews 10,3, Perplexity 9,3, Copilot 3,9) pero lo desborda por arriba en otros casos (Grok 45,6, AI Mode 13,8, ChatGPT 13,5).

La conclusión práctica no cambia: entre consultar y citar hay un embudo, y toda la capa 2 consiste en estar del lado correcto de ese embudo.

Las cinco capas en acciones: qué hacer el lunes por la mañana

En orden. Saltarse una capa invalida las siguientes.

Capa 1 · Defensiva — primero Lanza una batería de stress prompts sobre tu marca en los nueve motores y anota cada dato inventado. Publica fichas de datos duros que los contradigan. El 29,6% de las respuestas de Inmobiliaria llegan sin fuente. Es el sector donde más te pueden inventar.

Capa 2 · Identitaria — la decisiva Escribe tu frase canónica y ponla en el primer párrafo de la home. Replícala en schema, en los perfiles de autor y en Wikidata. Es la única capa que controlas al 100% y la que alimenta a las otras cuatro. Solo el 5,6% de queries tienen la misma marca en posición 1 en todos los motores.

Capa 3 · Operativa — escala Conecta el modelo a tu stack vía MCP y reaudita cada trimestre. ChatGPT creció un 104% en citación en el periodo analizado. A esta velocidad, un informe semestral describe un motor que ya no existe.

Capa 4 · Geográfica — local Audita nombre, dirección y teléfono en GBP, web, schema, redes y directorios. Cada discrepancia es una invitación a que el modelo rellene el hueco.

Capa 5 · Multimodal — por motor Si tus motores objetivo son Grok, AI Mode o AI Overviews, el vídeo es prioritario. Si es ChatGPT, tu presupuesto rinde más en Wikipedia y medios. El 66,5% de las respuestas de Grok citan YouTube. El 2,5% de las de ChatGPT.

Lo que nos llevamos de Granada

Las cinco capas no son cinco tácticas entre las que elegir. Son un orden de precedencia: cada una solo funciona si la anterior está resuelta.

Tres consecuencias operativas:

La defensa va antes que la visibilidad. Amplificar una marca que el modelo describe mal multiplica el error en lugar de corregirlo.

La coherencia vale más que el volumen. Con un 10,4% de solapamiento de fuentes entre motores, no existe un contenido que valga para todos, pero sí existe una definición tuya que puede repetirse igual en todas partes.

La cadencia de reauditoría es trimestral, no anual. Los motores reescriben sus reglas de citación en meses.

Y una advertencia honesta sobre el formato de esta edición: casi todo lo que se expuso en el escenario es experiencia de campo de profesionales que trabajan con clientes reales, no resultados de laboratorio. Nosotros hemos puesto encima lo que sí podemos medir. Donde las dos capas coinciden, la señal es fuerte.

Próxima parada: Valencia, abril 2027. Segunda edición de Alhambra Search confirmada. Foco en agentes autónomos de búsqueda, métricas consolidadas de share of model y casos de marcas que han movido la aguja de su visibilidad sintética en el primer trimestre.

Análisis sobre muestra representativa de la base de datos de GEO Metrics. Datos propios, prompts monitorizados en producción real.

Agus y el equipo de Research de GEO Metrics

Monitoriza tu share of model en los 9 motores de IA → trygeometrics.com