SEO y citas de IA: cómo diseñamos un estudio sin confundir métricas

HATUMGEO LAB · METODOLOGÍA

Nota de alcance. Este artículo presenta el protocolo metodológico que utilizaremos en HatumGEO Lab para estudiar la relación entre resultados orgánicos y citas de inteligencia artificial. No publica mediciones de clientes ni pretende anunciar una correlación ya demostrada. Nuestro objetivo es que la investigación futura sea reproducible y que cada conclusión conserve su contexto.

1. Pregunta de investigación y definiciones

Nuestra pregunta principal es: para una misma intención de búsqueda, ¿con qué frecuencia se cita una URL que aparece entre los resultados orgánicos de Google y cómo varía ese comportamiento según motor, sector y formulación? La responderemos cuando dispongamos de las observaciones emparejadas. En este primer documento no confundimos una hipótesis de trabajo con un resultado confirmado.

Estas son las variables que necesitamos conservar:

Una posición media de Search Console es un dato útil, pero no reemplaza una captura contemporánea de una SERP para el mismo prompt. Google también informa que las impresiones y los clics de sus funciones de IA se integran en el tipo de búsqueda «Web» de Search Console. Por eso no usaremos ese panel como un reporte aislado de citas generativas. Fuente: Google Search Central.

2. Por qué no debemos comparar métricas incompatibles

Una posición orgánica y una cita en una respuesta generativa no miden lo mismo. La primera depende de una búsqueda, una localización, un dispositivo y un momento. La segunda requiere observar una respuesta producida por un sistema concreto y verificar si realmente mostró un enlace. Una mención tampoco equivale a una recomendación: nombrar una empresa en una explicación no supone aconsejar que la contratemos.

El principal error metodológico consiste en tomar la posición media de una página en Search Console y compararla con menciones obtenidas mediante otros prompts, en otros días o en otra región. Sin emparejamiento, no podemos hablar de la probabilidad de que una URL posicionada sea citada por una IA.

Otro error es reemplazar «no medible» por «cero». Si una respuesta no presenta fuentes inspeccionables o el registro no conserva evidencias suficientes, la tasa de citas no puede calcularse para esa observación. Debemos separar cobertura de ejecución, cobertura de medición y visibilidad real. De lo contrario, los gráficos parecen precisos pero presentan conclusiones engañosas.

Tres casos para comprenderlo

Caso didáctico A: página posicionada, cita no observada. Un artículo puede estar entre los resultados orgánicos visibles para una consulta y, aun así, no aparecer entre las fuentes mostradas por una respuesta IA. Esto no demuestra un castigo ni una deficiencia técnica. Puede depender de cómo se interpretó la intención, de las fuentes consultadas o del contexto de generación.

Caso didáctico B: marca mencionada, sitio sin fuente visible. El asistente nombra la empresa, pero no enlaza a su dominio. Necesitamos comprobar si la respuesta permitía inspeccionar fuentes y qué otras páginas fueron mostradas. No debemos inventar un motivo.

Caso didáctico C: una fuente citada sin recomendación. La IA enlaza una guía útil para respaldar una definición, pero no propone contratar a quien la publicó. La fuente aportó información; la marca no necesariamente formó parte de la selección comercial.

Los tres escenarios son ilustraciones conceptuales, no resultados de proyectos ni observaciones reales.

3. Qué aporta Search Console y qué debemos observar aparte

Google Search Console ofrece impresiones, clics, CTR y posición media en la búsqueda, entre otros indicadores. Los datos de las funciones de IA de Google forman parte de sus informes de rendimiento de búsqueda web, pero eso no equivale a disponer allí de una tabla universal de URLs citadas por cada respuesta de IA. Por esa razón necesitamos fuentes de medición adicionales cuando la pregunta sea qué dominios o URLs aparecen dentro de respuestas generativas. Documentación oficial de Google.

Para que la comparación tenga sentido, fijamos una consulta exacta, identificamos la URL, observamos la búsqueda orgánica y registramos la respuesta de IA en el mismo contexto temporal y geográfico. Search Console sirve como contexto longitudinal; una SERP observada con trazabilidad ayuda a establecer qué apareció en ese momento. Ambas mediciones responden preguntas complementarias.

4. Qué aporta la investigación externa y qué no demuestra para cualquier sitio

La literatura sobre Generative Engine Optimization ha estudiado cambios en contenido y su relación con visibilidad dentro de entornos experimentales. El trabajo de Aggarwal y colaboradores informa mejoras bajo su metodología, pero eso no permite afirmar que una técnica dé el mismo resultado a todos los dominios ni que una cita dependa solo de un párrafo o una estadística. Estudio original de GEO.

Google documenta expresamente que AI Overviews y AI Mode pueden explorar subtemas mediante distribución múltiple de consultas, y que no requieren marcado especial adicional respecto de las buenas prácticas SEO para ser elegibles. Esto ayuda a formular nuestra hipótesis: el conjunto de enlaces mostrado en una respuesta compleja puede diferir del que observamos en una búsqueda orgánica simple. Es una hipótesis plausible y documentada en parte; medir la magnitud de esa diferencia en nuestras consultas es trabajo pendiente. Documentación de Google.

Microsoft añadió en febrero de 2026 funciones de AI Performance a Bing Webmaster Tools para analizar actividad de citas y URLs referenciadas en sus experiencias admitidas. En junio de 2026 amplió estos análisis a intenciones, temas y comparación de fuentes. Es evidencia de que la citación constituye una dimensión de medición que algunas plataformas ya exponen explícitamente; no nos da acceso automático a datos equivalentes de todos los motores. Anuncio de Bing, febrero y ampliación, junio.

5. Protocolo para el estudio emparejado SEO–IA

Para la siguiente iteración seleccionaremos preguntas representativas por intención —informacional, comparativa y comercial— y fijaremos previamente el número de consultas. Nuestra propuesta inicial es 10 consultas documentadas por sector en un piloto, con al menos tres repeticiones por motor e intervalos de medición conocidos; este tamaño es un diseño operativo inicial, no una muestra que garantice significación estadística. Debemos confirmar disponibilidad y presupuesto antes de ejecutar el piloto.

Por cada consulta registraremos:

1. Texto exacto, intención, sector, país, ciudad y fecha/hora de ejecución.
2. URL propia objetivo y conjunto de resultados orgánicos observado para esa consulta o equivalente explícitamente documentado.
3. Superficie de IA: por ejemplo ChatGPT Search, Google AI Mode u otra realmente accesible y con el modo de respuesta anotado.
4. Evidencia de la respuesta: texto, marcas mencionadas, marcas recomendadas, fuentes visibles y URLs normalizadas.
5. Si el sistema permitió medir citas; si no, registro explícito de «no medible».
6. Cambios de la página durante el periodo: título, HTML, bloques, enlaces, fecha de actualización.
7. Criterios de exclusión: respuestas bloqueadas, capturas incompletas, cambios de consulta o fuente no verificable.

Antes de observar los resultados definiremos cómo contamos las menciones y qué consideramos recomendación. Mantendremos la misma lógica de normalización de marcas para variantes reales de nombre, sin convertir coincidencias débiles en menciones confirmadas. Cuando sea posible, usaremos doble revisión de casos dudosos. Compararemos los resultados por consulta y motor, no promediaremos indiscriminadamente las tasas de sectores diferentes.

¿Qué análisis sí podríamos obtener con este protocolo?

Podremos construir una tabla donde, para cada consulta, consten la posición orgánica observada de la URL y la presencia o ausencia de cita en una respuesta medible. Podremos inspeccionar patrones —por ejemplo, URLs que aparecen orgánicamente y no son citadas, o URLs citadas sin coincidir con el primer resultado de la búsqueda seleccionada—, y examinar cómo cambian entre repeticiones. Si hay suficientes datos, podremos estimar intervalos de incertidumbre y describir asociaciones. Para probar causalidad de una intervención de contenido, en cambio, necesitaremos controles y un diseño antes/después más exigente.

6. Recomendaciones provisionales para responsables de SEO y GEO

No recomendamos abandonar Search Console ni utilizar solo rankings para evaluar la visibilidad generativa. Son medidas útiles, pero responden preguntas distintas. Primero aseguramos condiciones técnicas básicas y respuestas específicas para consultas relevantes. Después hacemos seguimiento de la marca y de las fuentes observadas en cada motor, manteniendo separadas menciones, recomendaciones y citaciones. Cuando detectamos una brecha, revisamos si es atribuible a problemas que realmente podemos corregir, sin prometer una cifra de mejora.

También conviene que los reportes indiquen la cobertura. Un panel que muestre «100 %» porque todas las consultas se ejecutaron no significa que la marca tenga «100 % de visibilidad» ni que todas las respuestas hayan permitido analizar fuentes. La cobertura de ejecución, la proporción de menciones, la proporción de recomendaciones y la medición de citas deben presentarse como indicadores independientes.

El aprendizaje más relevante de esta primera línea de base no es quién «gana», sino cómo evitar resultados engañosos. La trazabilidad del denominador forma parte del resultado. Si no sabemos cuántas respuestas permitieron inspeccionar fuentes, no sabemos cuánto representa una cifra de citas. Y si no preguntamos lo mismo al buscador orgánico y al sistema generativo, no podemos atribuir la diferencia a un cambio en la posición SEO.

Conclusiones: qué sabemos y qué falta investigar

La posición orgánica, la mención de marca, la recomendación y la cita de dominio son variables distintas. Google documenta que sus funciones de IA pueden utilizar búsquedas relacionadas para elaborar respuestas, lo que explica por qué no debemos suponer que una sola lista orgánica define todas las fuentes potenciales. Eso no determina cuán grande es la diferencia en un sector concreto: medirla exige un protocolo emparejado.

HatumGEO Lab utilizará este marco para documentar futuras observaciones reproducibles y publicar únicamente conjuntos agregados que puedan compartirse legítimamente. Mientras tanto, el siguiente paso práctico es distinguir la medición de visibilidad IA de los factores de preparación GEO y de las menciones y citaciones.

Fuentes públicas

• Google Search Central: funciones de IA y tu sitio web.
• Google Search Central: optimización para IA generativa.
• Aggarwal y colaboradores: GEO: Generative Engine Optimization, estudio experimental, no predicción universal.
• Bing Webmaster Tools: AI Performance.

Transparencia editorial: esta publicación contiene metodología y ejemplos explícitamente hipotéticos. No ofrece resultados privados ni calcula una correlación que no ha sido medida.

HatumGEO · Guía editorial sobre SEO, recuperación y visibilidad en motores de IA.