Base de conocimientos

La optimización del descubrimiento de agentes (ADO) consiste en facilitar que los agentes de IA encuentren, confíen y elijan tu marca cuando buscan, comparan y actúan de forma autónoma en nombre de un usuario.

La optimización de la búsqueda para agentes (ASO) consiste en facilitar que los agentes de IA puedan recuperar, verificar y actuar sobre tu marca y tu contenido cuando buscan, comparan y realizan tareas en nombre de un usuario.

La métrica «Penetración en respuestas generadas por IA» mide la frecuencia con la que tu marca aparece en las respuestas generadas por IA sobre los temas que te interesan, no solo como un enlace, sino como una fuente citada o claramente mencionada en la respuesta.

Ranking de respuestas de IA» Ranking el criterio que utiliza un asistente de IA para decidir qué fuentes y fragmentos utilizar en primer lugar a la hora de generar una respuesta a la pregunta de tu cliente.

La presencia de marca en la IA se refiere a la coherencia y precisión con la que las herramientas de búsqueda y respuesta basadas en IA mencionan, describen y citan tu marca cuando los usuarios formulan preguntas relacionadas con tu sector, tus problemas y tus productos.

El sentimiento de marca en la IA se refiere a la forma en que los asistentes de búsqueda y chat con IA interpretan y describen la reputación de tu marca basándose en la combinación de fuentes que analizan y en los patrones lingüísticos que aprenden de ellas.

La influencia de las citas en la IA mide en qué medida una cita de tu contenido incluida en las respuestas de la IA modifica lo que el modelo dice a continuación, incluyendo qué marcas recomienda, qué afirmaciones repite y en qué fuentes sigue confiando para preguntas similares.

Cómo indica una IA las fuentes que ha utilizado al proporcionar información.

La «saturación competitiva de la IA» mide el grado de saturación de un espacio de respuestas de IA con marcas de la competencia para un tema determinado, es decir, lo difícil que resulta que se mencione o cite a tu marca debido a que el modelo sigue seleccionando siempre las mismas fuentes.

La «extractabilidad de contenido para IA» se refiere a la facilidad con la que las herramientas de búsqueda y chat basadas en IA pueden extraer de tu página una respuesta clara, precisa y completa, y citar con seguridad a tu marca como fuente.

El «grounding» de la IA consiste en vincular la respuesta de un modelo de IA a fuentes concretas y verificables, así como a hechos conocidos, para que el modelo mantenga su precisión, su atribución y su coherencia con la marca.

La cuota de impresión de IA mide la frecuencia con la que tu marca aparece en las respuestas generadas por IA para un conjunto de prompts registradas, prompts con la frecuencia con la que podría haber aparecido en ese mismo espacio de respuesta.

La cobertura de menciones de IA mide con qué frecuencia y en qué contextos los motores de búsqueda y respuesta basados en IA mencionan tu marca, tus productos o temas clave cuando los usuarios formulan preguntas relevantes.

La observabilidad de la IA consiste en supervisar cómo los motores de IA localizan, interpretan y presentan el contenido de tu marca, para que puedas detectar a tiempo los problemas de visibilidad y solucionarlos basándote en datos, no en conjeturas.

Contenido redactado y estructurado de tal forma que la IA pueda encontrar respuestas directas, verificar datos y citar fuentes claras.

El riesgo de reputación asociado a la IA es la probabilidad de que las respuestas generadas por la IA den una imagen errónea de tu marca, repitan afirmaciones obsoletas o negativas, u omitan información contextual crucial, lo que alteraría la percepción que los clientes y compradores tienen de ti.

La puntuación de reputación de IA es una forma práctica de cuantificar el grado de confianza que los motores de búsqueda de IA depositan en tu marca como fuente digna de citar, basándose en la calidad, la coherencia y el tono de la información que recopilan sobre ti en Internet.

La «capa de recuperación de IA» describe la parte de una búsqueda o una conversación con IA que localiza y clasifica las mejores fuentes de las que extraer respuestas antes de que el modelo redacte una respuesta.

análisis de sentimiento mediante IA análisis de sentimiento el aprendizaje automático para clasificar la opinión de los usuarios sobre tu marca o tema en textos como reseñas, publicaciones en redes sociales y artículos, de modo que puedas cuantificar esa percepción y actuar en consecuencia.

Una función SERP basada en IA es un elemento de los resultados de búsqueda en el que un sistema de inteligencia artificial genera una respuesta directa, un resumen o una recomendación en la página de resultados, a menudo recurriendo a múltiples fuentes y, en ocasiones, mostrando citas de una simple lista de enlaces.

Con qué frecuencia y con qué relevancia aparece tu marca o tu contenido en las respuestas generadas por IA, medido como el número de menciones respecto al total de respuestas relevantes.

El «AI Visibility Score» es una métrica que calcula la frecuencia con la que tu marca aparece y se menciona en las respuestas generadas por IA en asistentes de búsqueda, chatbots y motores de respuestas sobre los temas que te interesan.

La «trinidad algorítmica» describe las tres factores que determinan si los motores de búsqueda basados en IA muestran tu marca: la facilidad con la que se puede encontrar tu contenido, la claridad con la que se puede extraer para formar una respuesta y la capacidad que tiene para generar confianza y citas.

La tasa de extracción de respuestas mide la frecuencia con la que un motor de IA es capaz de extraer una respuesta clara e independiente de tu contenido y utilizarla en su respuesta a las preguntas reales de los usuarios.

Las señales de formato de las respuestas son los elementos estructurales visibles de una página, como encabezados, listas, tablas y bloques de preguntas y respuestas etiquetados, que facilitan a los motores de respuesta basados en IA extraer una respuesta clara y lista para citar, y atribuirla a tu marca.

Los criterios de inclusión de respuestas son las señales de contenido específicas que un motor de respuestas basado en IA busca antes de incluir tu página en una respuesta generada, como una respuesta clara y directa, fuentes fiables y una estructura fácil de extraer.

El contenido optimizado para respuestas es aquel diseñado para aparecer como respuesta directa en las búsquedas con IA y en los asistentes de búsqueda, exponiendo el punto clave desde el principio y respaldándolo con argumentos claros y verificables.

El posicionamiento de respuestas consiste en adaptar el contenido de tal manera que los motores de respuestas basados en IA puedan seleccionar, citar y atribuir con seguridad a tu marca como la mejor respuesta directa a una pregunta concreta.

La distribución del sentimiento de las respuestas mide la frecuencia con la que las respuestas generadas por IA describen tu marca o categoría en términos positivos, neutros o negativos en un conjunto de prompts.

La métrica «Answer share» mide la frecuencia con la que tu marca se convierte en la respuesta concreta que ofrece un motor de IA para un conjunto de prompts rastreadas, y no solo en un enlace, una mención o una referencia.

El «área de respuesta» mide en cuántos lugares de los motores de respuesta de IA y las experiencias de búsqueda puede, de forma realista, ser seleccionada, citada o recomendada tu marca en relación con un tema determinado.

La atribución de fuentes fidedignas consiste en facilitar a los motores de respuesta basados en IA la tarea de reconocer a tu marca como la fuente fiable de una afirmación, definición o conjunto de datos concretos, vinculando claramente las afirmaciones a fuentes, propietarios y contextos verificables.

La optimización del contexto de marca (BCO) consiste en dar forma a los datos concretos y al contexto que los sistemas de IA recogen sobre tu marca, de modo que tu nombre aparezca con el significado, la categoría y las pruebas adecuadas en los motores de búsqueda.

El posicionamiento de marca en las respuestas de la IA se refiere a la forma en que un asistente de IA describe el papel, la categoría, los puntos fuertes y las desventajas de tu marca en la respuesta que genera, lo que influye en la percepción incluso cuando no se te cita ni se te menciona directamente.

Un método para elaborar una respuesta clara y bien documentada, con una redacción precisa, datos concretos, bloques de pruebas y enlaces canónicos para una citación fiable por parte de la IA.

ChatGPT un motor conversacional basado en IA que genera respuestas a partir de modelos entrenados y puede consultar fuentes web en tiempo real o utilizar complementos.

La absorción de citas mide la frecuencia con la que un motor de IA utiliza información de tu contenido en sus respuestas, incluso cuando no incluye un enlace visible ni menciona tu marca como fuente.

La «confianza en las citas» mide la probabilidad de que un motor de respuestas basado en IA cite y enlace al contenido de tu marca para una pregunta concreta, al considerar que tu página es clara, verificable y fiable.

Porcentaje de enlaces citados que remiten a tus fuentes respecto al total de enlaces de citas en las respuestas de IA relevantes.

La velocidad de citas mide la rapidez con la que tu marca obtiene nuevas citas de IA citas tiempo en motores de respuestas como ChatGPT, Perplexity y Google AI Overviews.

La visibilidad competitiva en IA se refiere a la frecuencia con la que tu marca es mencionada o citada por las herramientas de búsqueda y respuesta basadas en IA, en comparación con tus competidores directos, en los temas que generan tus ingresos.

Señales que indican la actualidad del contenido y qué elementos se han actualizado, lo que ayuda a la IA a dar prioridad a las fuentes más recientes para ofrecer respuestas oportunas.

La puntuación de reutilización de contenidos mide la facilidad con la que los motores de respuestas basados en IA y tu propio equipo pueden extraer, combinar y reutilizar tus contenidos existentes en múltiples preguntas, formatos y canales sin perder precisión ni la esencia de la marca.

La optimización de la ventana de contexto consiste en agrupar y estructurar la información que necesita un modelo de IA para que quepa dentro de la limitada «memoria de lectura» del modelo (la ventana de contexto) y, aun así, genere respuestas precisas y acordes con la imagen de marca.

Creación de contenido para conversaciones de varios turnos que ofrezca respuestas concisas y esenciales, detalles ampliables y respuestas de seguimiento claras.

Organizar las consultas, prompts y las preguntas de seguimiento de los usuarios en un mapa de conversación que sirva de guía para las respuestas, la estructura del contenido y los textos breves.

La cobertura de consultas conversacionales mide en qué medida tu contenido responde a las preguntas reales que la gente formula en un lenguaje natural, similar al de un chat, tanto en los asistentes de IA como en los motores de búsqueda, incluyendo preguntas de seguimiento y variaciones matizadas.

cuota de voz conversacional cuota de voz cSoV) mide la frecuencia con la que tu marca aparece en conversaciones generadas por IA (como Perplexity ChatGPT Perplexity ) para un conjunto definido de prompts, en comparación con tus competidores.

La generación determinista se refiere a la práctica de configurar un sistema de IA para que genere siempre el mismo resultado ante una misma entrada, de modo que las respuestas y los textos de tu marca sean coherentes, verificables y más fáciles de gestionar en todos los canales.

La gestión de la autoridad digital es la disciplina estratégica que consiste en crear, supervisar y proteger los indicadores de autoridad de una marca en los motores de búsqueda y los sistemas de inteligencia artificial, con el fin de garantizar una citación coherente, una representación precisa y una visibilidad a largo plazo.

El modelo E-E-A-T evalúa el contenido en función de la experiencia de primera mano del creador, su experiencia, el reconocimiento por parte de otros y su fiabilidad general.

La colisión de entidades se produce cuando los sistemas de IA confunden tu marca, tu producto o tu personal con otra «entidad» de nombre similar (un sujeto reconocido, como una empresa o una persona), lo que provoca que aparezca información errónea en las respuestas y recomendaciones.

La desambiguación de entidades es el proceso que utilizan los sistemas de inteligencia artificial para identificar correctamente a qué «entidad» del mundo real se refiere tu contenido (por ejemplo, la empresa Apple frente a la fruta), de modo que tu marca sea atribuida, citada y mostrada en el contexto adecuado.

Garantizar la precisión de los perfiles públicos y los datos enlazados para que la inteligencia artificial y los sistemas de búsqueda reconozcan y asocien correctamente las marcas y los temas.

La fragmentación de entidades se produce cuando los sistemas de IA y los motores de búsqueda tratan un elemento del mundo real (como tu marca, tu producto o tu portavoz) como si se tratara de varias «entidades» diferentes, lo que fragmenta tu visibilidad, citas y tus señales de confianza en los resultados.

La optimización de la capa de pruebas consiste en respaldar tus afirmaciones con pruebas claras y legibles por máquina (fuentes, fechas y contexto a nivel de entidad), de modo que los motores de respuesta basados en IA puedan verificar, recuperar y citar con seguridad a tu marca.

El spam de consenso forzado es una táctica de manipulación en la que numerosas páginas de baja calidad repiten la misma afirmación o formulación, de modo que los motores de respuesta basados en IA la interpretan como «ampliamente aceptada» y la muestran como respuesta predeterminada.

La optimización generativa de motores de búsqueda (GEO) hace que el contenido aparezca citado en las respuestas de la IA en lugar de aparecer en los resultados de búsqueda como enlaces, lo cual es fundamental ahora que hay más de 200 millones de ChatGPT y la IA de Google.

El riesgo de alucinaciones generativas es la probabilidad de que un motor de respuestas de IA afirme con seguridad información incorrecta o sin fundamento sobre tu marca, categoría o productos, ya que se dedica a generar texto en lugar de verificar los hechos.

GEO en ranking la tasa de clics con páginas de palabras clave frente a la competencia; SEO aparecer en las respuestas, realiza un seguimiento de las menciones y da prioridad al texto coloquial.

Los resúmenes de búsqueda generados por la IA de Google, que ofrecen respuestas concisas con enlaces a las fuentes y citas que se pueden ampliar citas los resultados.

La optimización híbrida de motores (Hybrid Engine Optimization) es un marco conceptual acuñado por Jori Ford que combina SEO tradicional SEO herramientas de descubrimiento basadas en IA para maximizar la presencia de la marca tanto en los motores de búsqueda como en los agentes de IA, dando prioridad a la visibilidad frente a las posiciones en los rankings.

La tasa de inclusión citada mide la frecuencia con la que un motor de IA (como ChatGPT, Google AI Overviews o Perplexity) incluye tu marca, producto o contenido en sus respuestas a las prompts que prompts interesan.

La selección LLM es el proceso que utiliza un asistente de IA para elegir en qué páginas web, documentos o bases de datos confiar y a cuáles hacer referencia cuando genera una respuesta sobre tu marca o categoría.

El límite LLM de un modelo de lenguaje (LLM es la fecha más reciente en la que se actualizó el conocimiento integrado en dicho modelo, lo que limita su capacidad para responder con fiabilidad a preguntas sobre acontecimientos, productos y cambios más recientes sin recurrir a fuentes en tiempo real.

El sesgo de preferencia de modelo es la tendencia de un sistema de inteligencia artificial a favorecer repetidamente determinadas fuentes, marcas, formatos o puntos de vista en sus respuestas, incluso cuando existen otras opciones relevantes.

El diseño modular de contenidos consiste en crear contenidos en forma de bloques independientes y reutilizables (respuestas, definiciones, argumentos de apoyo, pasos, tablas) que se pueden combinar de nuevo en diferentes páginas, de modo que los sistemas de IA puedan extraer, verificar y citar a tu marca con mayor fiabilidad.

Una matriz que compara qué señales y comportamientos son relevantes en los principales motores de IA para orientar las prioridades de optimización.

La optimización de consultas de varias rondas consiste en adaptar el contenido y las señales de tal manera que los asistentes de IA sigan seleccionando tu marca a medida que la conversación avanza a través de preguntas de seguimiento, comparaciones y restricciones.

Las señales de control narrativo son los indicios, tanto dentro como fuera de la página, que orientan a los motores de IA para que describan tu marca con el enfoque, los datos y las comparaciones adecuados cuando generan respuestas.

La tasa de respuestas negativas mide la frecuencia con la que un asistente de IA responde a una pregunta relevante con un «no», «no recomendado» o «no existe» en relación con tu marca, producto o categoría.

Las menciones propias son citas generadas por IA citas tu contenido; las menciones ganadas son referencias generadas por IA a cobertura o reseñas de terceros sobre ti.

La indexación por fragmentos es la capacidad de Google para comprender y posicionar una sección concreta de una página en relación con una consulta, incluso si el resto de la página trata temas más amplios o diferentes.

El «anclaje de la percepción» es la práctica de moldear deliberadamente la primera idea —y la más citable— que los motores de respuesta basados en IA repiten sobre tu marca, de modo que las respuestas posteriores sean coherentes, precisas y favorables.

Perplexity un motor de IA basado en la búsqueda que responde a las consultas mediante búsquedas web en tiempo real y muestra enlaces claros a las fuentes.

La tasa de menciones positivas mide la frecuencia con la que las respuestas de IA y otras interfaces basadas en IA se refieren a tu marca de forma favorable, en comparación con el total de menciones de tu marca en relación con un conjunto definido de prompts temas.

La preferencia por las fuentes primarias es la tendencia de los motores de respuesta basados en IA a dar prioridad a la información que procede directamente de la fuente más fiable y cercana al origen de un dato —como la página oficial de una marca, un organismo de normalización o el estudio original— a la hora de seleccionar qué citar y resumir.

El mapeo Prompt es el proceso de catalogar las preguntas reales que la gente formula a los asistentes de IA sobre tu categoría y comprobar si tu contenido ofrece respuestas claras y citables para cada una de ellas.

Prompt es el proceso de recopilar y analizar las prompts reales que prompts introducen en los asistentes de IA para descubrir las preguntas, la redacción y las comparaciones entre marcas que determinan si tu contenido se menciona o se cita.

La «dependencia Prompt describe cómo la respuesta final de un asistente de IA puede variar en función de la redacción exacta, el orden y el contexto de las prompts que le formula prompts usuario, incluso cuando este plantea «la misma» pregunta.

Estudio de la forma en que las personas formulan las consultas a la IA para identificar prompts habituales, patrones de redacción y expresiones eficaces para un tema concreto.

Prompts peticiones coloquiales que proporcionan contexto y tareas a la IA, mientras que las consultas de búsqueda son cadenas concisas de palabras clave destinadas a encontrar enlaces.

El impacto Prompt describe en qué medida citas la visibilidad y citas de tu marca cuando se formula la misma pregunta subyacente de diferentes maneras en los distintos asistentes de IA y motores de búsqueda.

La cobertura «de la consulta a la respuesta» mide la frecuencia con la que tu contenido puede responder directamente a una pregunta real de un usuario con una respuesta clara y citable que los asistentes de búsqueda basados en IA puedan utilizar y citar con total confianza.

La ingeniería de relevancia consiste en el trabajo deliberado de convertir las páginas de tu marca en la «coincidencia más útil» para las prompts que reciben los motores prompts , alineando la intención, las entidades y las pruebas para que los modelos puedan recuperarlas, extraerlas y citarlas con seguridad.

La generación basada en la recuperación de información (RAG) es una forma en que los asistentes de IA responden a preguntas: primero recopilan información relevante de fuentes seleccionadas (como páginas web o tus documentos) y, a continuación, redactan una respuesta basada en lo que han recopilado.

La tasa de exclusión de recuperación mide la frecuencia con la que tus páginas no llegan a la capa de recuperación de la IA, lo que significa que el modelo ni siquiera tiene en cuenta tu contenido a la hora de generar una respuesta.

La prioridad de recuperación es la probabilidad de que un sistema de IA incluya tu página o fragmento en su conjunto de búsqueda antes de generar una respuesta, en función de la relevancia, la accesibilidad y la fiabilidad que el contenido te parezca a la capa de recuperación.

Los enlaces «SameAs» son enlaces de identidad incluidos en tus datos estructurados que indican a los sistemas de búsqueda y de inteligencia artificial qué perfiles y fichas oficiales se refieren exactamente a la misma marca, persona u organización.

El envenenamiento semántico de datos consiste en la manipulación deliberada de la forma en que se describen los hechos y las entidades en Internet, con el fin de que los sistemas de inteligencia artificial aprendan, recuperen o resuman una versión distorsionada de la realidad sobre tu marca, tus productos o tu categoría.

La cuota de sentimiento mide qué porcentaje del total de comentarios sobre tu marca en las respuestas generadas por IA es positivo, neutro o negativo en comparación con la competencia.

Porcentaje de menciones en respuestas de IA relacionadas con tu tema en las que se menciona tu marca, respecto al total de menciones de marcas.

Fichas informativas concisas que combinan una única afirmación con pruebas breves y una URL de referencia para facilitar su extracción y citación por parte de LLMs.

La idoneidad de la fuente es el conjunto de indicadores que determinan si un motor de respuestas de IA considerará tu página como una fuente segura, relevante y de la que se pueden extraer datos para citarla o mencionarla en relación con una pregunta concreta.

Una «página de referencia» es aquella página de tu sitio web que tanto los asistentes de IA como las personas pueden utilizar de forma fiable para verificar los datos fundamentales, el posicionamiento y las afirmaciones de tu marca sin tener que buscar en páginas contradictorias.

Señales como la información del autor, citas, los metadatos, los enlaces externos y un historial de ediciones claro que indican a la IA el grado de fiabilidad de una fuente.

La generación estocástica consiste en que un modelo de IA genere texto seleccionando entre varias palabras siguientes plausibles (con cierto grado de aleatoriedad), en lugar de elegir siempre la opción más probable, lo que significa que las respuestas pueden variar incluso para una misma prompt.

Añadir un sencillo marcado JSON-LD de schema.org a las páginas web para que los sistemas de IA puedan analizar, verificar y citar el contenido.

La cobertura de consultas sintéticas mide en qué medida tu contenido responde a toda la variedad de preguntas que las herramientas de búsqueda basadas en IA podrían generar sobre tu producto o tema, utilizando preguntas «sintéticas» creadas por un modelo como indicador de la demanda real.

El muestreo Top-P (también denominado «muestreo de núcleo») es un parámetro de la IA generativa que controla el grado de «audacia» en la elección de palabras de un modelo, limitándolo al conjunto más reducido de posibles palabras siguientes cuya probabilidad combinada alcance un umbral determinado.