Cómo cambian los LLMs en silencio: fan-outs y fuentes que nadie ve venir

TL;DR

Cuando la visibilidad de una marca en los motores de IA fluctúa, la reacción habitual es buscar qué hay que optimizar en el propio contenido. Pero los datos del GEO Metrics Research Lab muestran que la causa más frecuente no está en el contenido — está en cambios silenciosos en los patrones de recuperación de fuentes de los propios modelos. Los fan-outs internos que usan para expandir las queries cambian. Los dominios que prefieren como referencia rotan. Y todo ocurre sin ningún anuncio. Este artículo documenta tres patrones detectados en el análisis de ~400.000 respuestas durante 14 meses.

Cuando evaluamos el rendimiento en AI Search, hay dos métricas que importan más que las demás:

Visibilidad de marca — ¿con qué frecuencia aparece mi marca en las respuestas generadas por IA?

Fuentes recuperadas — ¿con qué frecuencia usa el modelo mi dominio como fuente para responder una query?

Cuando estas métricas fluctúan, la reacción habitual es asumir que hay que optimizar algo en el propio lado. Mucho menos frecuente es considerar que el sistema subyacente puede haber cambiado — modificando qué parámetros son relevantes, qué dominios prefiere o cómo expande internamente las queries antes de generar su respuesta.

Los datos del GEO Metrics Research Lab lo confirman: los LLMs cambian sus patrones de recuperación de forma constante, con actualizaciones pequeñas y a menudo invisibles. Y esos cambios tienen consecuencias directas y medibles en qué marcas son citadas y cuáles no.

Qué es el query fan-out y por qué determina tu visibilidad

Antes de entrar en los patrones, un paso atrás.

Cuando un usuario escribe una pregunta en ChatGPT, Perplexity o cualquier motor de IA con acceso web, el modelo no busca esa pregunta de forma literal. La descompone internamente en múltiples sub-queries — el query fan-out — que usa para recuperar información de distintas fuentes antes de sintetizar la respuesta.

Esas sub-queries internas determinan qué dominios entran en el proceso de recuperación. Y si los fan-outs cambian — si el modelo empieza a añadir o quitar términos, a priorizar ciertos tipos de fuentes o a reformular las queries de forma distinta — los dominios citados cambian con ellos.

El problema: esos cambios son invisibles para el usuario. No hay changelog. No hay anuncio. La respuesta final puede parecer similar — y sin embargo estar construida sobre un universo de fuentes completamente distinto.

Patrón 1: Cuando los fan-outs añaden un término nuevo y todo cambia

En el análisis de 14 meses de datos, detectamos un patrón que se ha repetido en distintos momentos y para distintos términos: el modelo empieza a añadir un término específico a sus fan-outs internos, lo que redistribuye qué dominios son recuperados.

El mecanismo es consistente:

1. El modelo añade un término nuevo a una proporción significativa de sus fan-outs — típicamente como sufijo o como modificador de la query original

2. Ese término dirige el proceso de recuperación hacia un tipo específico de dominio

3. Los dominios favorecidos por ese término ganan share de citación de forma proporcional

4. El término puede mantenerse, declinar o estabilizarse en un nuevo nivel base

Lo que hace que este patrón sea especialmente relevante para la estrategia GEO es que el cambio en la citación puede ser significativo — y puede producirse sin que el modelo haya cambiado de versión ni haya habido ninguna actualización visible.

La implicación directa: si tu dominio beneficia de este tipo de término nuevo en los fan-outs, tu visibilidad sube sin que hayas hecho nada. Si compite con los dominios que ese término favorece, tu share puede caer por la misma razón. En ambos casos, sin monitorizar los fan-outs, no sabrás por qué.

Patrón 2: Los dominios de referencia no son estáticos — rotan

Otro patrón consistente en los datos: los dominios que los modelos usan como fuentes de referencia — el equivalente de "a quién le pregunto cuando no sé algo" — no son estáticos. Rotan.

En el análisis de 14 meses, observamos cómo un tipo de dominio puede pasar de tener un share residual en la categoría de referencia a convertirse en el dominio más citado de esa categoría — mientras el que dominaba históricamente pierde share de forma sostenida.

Este tipo de rotación no responde a cambios en los propios dominios — en muchos casos, el contenido no ha cambiado. Responde a ajustes en la forma en que el modelo evalúa qué fuentes son más adecuadas para la función de referencia dentro de su proceso de recuperación.

Lo que esto implica para las marcas: el tipo de fuente que hoy te posiciona bien como referencia en un motor puede no ser el que te posicione bien en seis meses. No porque hayas empeorado — sino porque el modelo ha reajustado su criterio de qué cuenta como referencia confiable.

La única forma de detectarlo a tiempo es monitorizar no solo si te citan, sino qué tipo de dominio está ganando share en la categoría de referencia de tu sector — y cómo evoluciona esa distribución en el tiempo.

Patrón 3: Los cambios entre versiones de un mismo modelo son mayores de lo que parecen

Cuando un motor de IA lanza una nueva versión, la cobertura habitual se centra en las capacidades del modelo — razonamiento, contexto, velocidad. Mucho menos en cómo cambia el proceso de recuperación de fuentes.

Los datos del Research Lab muestran que las diferencias en fan-out y recuperación entre versiones de un mismo modelo pueden ser sustanciales — con cambios en la frecuencia de uso de operadores específicos de búsqueda, en la longitud y estructura de las sub-queries internas y en la preferencia por tipos de fuente.

Estas diferencias tienen consecuencias directas en qué dominios son recuperados. Un modelo que añade con alta frecuencia el operador site: en sus fan-outs iterativos está priorizando el contenido propio de dominios específicos sobre contenido agregado o referenciado. Un modelo que añade con alta frecuencia términos como "oficial" o "documentación" está priorizando fuentes primarias sobre fuentes secundarias.

Para las marcas, esto significa que la nueva versión de un modelo puede cambiar radicalmente el perfil de citación — sin que haya habido ninguna acción por parte de la marca ni ninguna degradación en la calidad del contenido.

La consecuencia operativa: el análisis de cambios entre versiones de un modelo debería ser parte del proceso estándar de monitorización GEO — no un ejercicio puntual cuando ya se ha visto la caída de visibilidad.

Por qué el contenido no es siempre la causa de los cambios de visibilidad

Los tres patrones anteriores apuntan a la misma conclusión: una parte significativa de las fluctuaciones en visibilidad de IA no tiene origen en el contenido propio.

Tiene origen en el sistema.

Los fan-outs cambian. Los dominios de referencia rotan. Las versiones del modelo reconfiguran los criterios de recuperación. Todo eso ocurre de forma continua, sin anuncios, y afecta directamente a qué marcas son citadas y cuáles no.

La estrategia GEO que asume que un cambio de visibilidad es siempre una señal de que "hay algo que optimizar en el propio lado" está diagnosticando incorrectamente la mayoría de los casos.

El diagnóstico correcto requiere separar dos tipos de cambio:

Cambio interno — algo ha cambiado en el contenido, la infraestructura técnica o la autoridad de fuentes del propio dominio. La intervención correcta es optimizar.

Cambio sistémico — el modelo ha cambiado sus patrones de fan-out, recuperación o preferencia de fuentes. La intervención correcta es adaptar la estrategia de fuentes al nuevo perfil del motor.

Sin datos que permitan distinguir los dos tipos, la respuesta será siempre la misma — y será incorrecta el 50% de las veces.

Lo que hay que monitorizar para detectar cambios sistémicos

La monitorización estándar de visibilidad en IA mide el output — qué menciona el modelo en su respuesta final. Para detectar cambios sistémicos, hay que monitorizar también el proceso:

Fan-outs internos — qué términos y estructuras usa el modelo para expandir la query antes de recuperar fuentes. Cambios en los fan-outs son la señal más temprana de un cambio sistémico en curso. La extensión gratuita de Chrome Fan-out de consultas a IAs de GEO Metrics extrae estos fan-outs en tiempo real para ChatGPT, junto con grounding queries de Bing AI Performance y datos de Google Search Console. → Chrome Web Store

Dominios citados por categoría — no solo qué URL te cita, sino qué tipo de dominio está ganando o perdiendo share en cada categoría de fuente (editorial, social, referencia, nicho). El módulo de Citation Intelligence de GEO Metrics monitoriza esta distribución de forma diaria en los 9 modelos principales.

Evolución temporal de fuentes — compara los dominios citados hoy con los de hace 30, 60 y 90 días para el mismo conjunto de prompts. Los cambios sistémicos se detectan en el tiempo — no en un snapshot puntual.

Comparación entre versiones — cuando un motor lanza una nueva versión, ejecuta el mismo conjunto de prompts en ambas versiones y compara los fan-outs y fuentes recuperadas. Las diferencias son la señal más directa de qué ha cambiado en el proceso de recuperación.

La pregunta que debería guiar cada análisis de visibilidad

Cuando la visibilidad de una marca en un motor de IA cambia, la primera pregunta no debería ser "¿qué hemos hecho mal?".

Debería ser: "¿ha cambiado el sistema, o hemos cambiado nosotros?"

Responder esa pregunta requiere datos de los dos lados — del output del modelo y del proceso de recuperación. Sin los dos, el diagnóstico es una estimación. Y las estimaciones llevan a intervenciones que pueden ser correctas o incorrectas por razones que no tienen nada que ver con la calidad del trabajo.

Los LLMs cambian en silencio. La monitorización tiene que ser lo suficientemente granular para escuchar esos cambios antes de que se conviertan en caídas de visibilidad que ya no se pueden atribuir.

Datos: GEO Metrics Research Lab #03 · ~400.000 respuestas · 7 motores · 14 meses · marzo 2025 – mayo 2026

— Agus Bignu y el equipo de Research de GEO Metrics

Monitoriza los cambios en tus fuentes citadas → trygeometrics.com