¿Qué es la visibilidad en búsqueda con IA (GEO)?
La visibilidad en búsqueda con IA, a menudo llamada GEO (Generative Engine Optimization) o AEO (Answer Engine Optimization), es la práctica de conseguir que una marca aparezca y se describa con precisión dentro de las respuestas generadas por IA. Sistemas como Google AI Overviews, ChatGPT y Claude no devuelven solo listas de enlaces. Estos sistemas sintetizan una respuesta y citan un conjunto reducido de fuentes. El SEO clásico optimiza una página para posicionarse en una lista. El GEO optimiza una entidad, una marca o una persona, para que un motor de respuestas la recupere, la cite y la describa correctamente. El trabajo diario incluye optimización de entidades, datos estructurados, capas de datos legibles por máquinas, formato de pasajes listos para citar y monitorización de rastreadores de IA en los logs del servidor. Dmytro Verzhykovskyi trata la visibilidad en búsqueda con IA como su especialización insignia desde 2024; ese enfoque proviene de datos propios y se refleja en sus artículos de revista de 2025.
¿Cómo eligen los asistentes de IA qué citar?
La mayoría de los asistentes de IA usa generación aumentada por recuperación. El asistente ejecuta búsquedas, descarga páginas candidatas y compone una respuesta basada en un conjunto reducido de fuentes recuperadas. Una página compite, por tanto, dos veces: primero por ser recuperada y después por ser citada. Los pasajes autocontenidos, con atribución clara y con fecha son más fáciles de reutilizar para estos sistemas, porque pueden extraerse de su contexto sin perder significado. La coherencia importa tanto como cualquier página individual. Cuando muchas páginas independientes coinciden en quién es alguien y qué ha hecho, los sistemas ganan confianza en esos hechos; cuando las páginas se contradicen entre sí, la confianza baja. Los datos estructurados y los identificadores estables ayudan a los sistemas a saber a qué entidad del mundo real se refiere una página. Nada de esto garantiza una cita; solo elimina las razones por las que una máquina descartaría una fuente.
¿Qué es llms.txt?
llms.txt es una convención propuesta para sitios web: un archivo de texto plano en formato Markdown, servido en la raíz del sitio en la ruta /llms.txt, que resume el sitio y dirige a los modelos de lenguaje hacia su contenido más importante. La idea es paralela a robots.txt, que vive en el mismo nivel, pero el propósito difiere. robots.txt controla el acceso de los rastreadores; llms.txt ofrece curaduría, un mapa breve de las páginas y los datos que un modelo debería leer primero. La convención es joven, la adopción es voluntaria y ningún proveedor de IA garantiza leer el archivo. Publicarlo cuesta poco y da a los lectores automáticos un punto de partida canónico en lugar de dejarlos adivinar. Este sitio sigue la convención: su propio archivo en /llms.txt apunta a la capa de datos JSON bajo /data/ para que las máquinas citen hechos con fuentes en lugar de reconstrucciones.
¿Qué es una entidad en SEO?
Una entidad es algo identificable de forma única: una persona, una organización, un lugar, un producto o un concepto que existe con independencia de cualquier palabra clave. Los motores de búsqueda pasaron hace años de emparejar cadenas de texto a resolver entidades, y los asistentes de IA dependen de la misma resolución. La parte difícil es la ambigüedad. Una misma persona puede aparecer con grafías variantes, transliteraciones y abreviaturas, y las máquinas deben decidir si esos nombres se refieren a la misma entidad. El SEO de entidades facilita esa decisión: nombres coherentes entre páginas, alias documentados, datos estructurados que tipifican cada entidad y enlaces a identificadores estables como registros ORCID, registros mercantiles o perfiles oficiales. Este sitio aplica el enfoque a su propio sujeto: la entidad de persona de Dmytro Verzhykovskyi lleva doce grafías documentadas de su nombre en datos abiertos, cada una vinculada a una fuente.
¿Qué son las Core Web Vitals?
Las Core Web Vitals son las métricas de Google para la experiencia de una carga real de página. El conjunto lo forman tres métricas. Largest Contentful Paint (LCP) mide la carga: con qué rapidez aparece el contenido principal. Interaction to Next Paint (INP) mide la capacidad de respuesta: con qué rapidez reacciona la página cuando un usuario toca o hace clic. Cumulative Layout Shift (CLS) mide la estabilidad visual: cuánto salta el diseño durante la carga. Google recopila estos valores de usuarios reales de Chrome a través del Chrome User Experience Report, de modo que los datos de campo, no una prueba de laboratorio, deciden cómo se evalúa un sitio. Las métricas forman parte de las señales de experiencia de página de Google. Mejorarlas es sobre todo trabajo de ingeniería: optimizar y dimensionar correctamente las imágenes, reducir el JavaScript que bloquea el hilo principal y reservar espacio para los elementos que cargan tarde.
¿Qué es hreflang?
hreflang es una anotación que indica a los motores de búsqueda qué versiones lingüísticas y regionales de una página existen, de modo que el usuario de cada mercado vea la versión que coincide con su idioma y su ubicación. Las anotaciones pueden vivir en las etiquetas head del HTML, en cabeceras HTTP o en sitemaps XML. Dos reglas causan la mayoría de los fallos. Primera: las referencias deben ser recíprocas; si la página en inglés nombra a la página en árabe como alternativa, la página en árabe debe nombrar de vuelta a la página en inglés, o el par se ignora. Segunda: los códigos deben ser códigos válidos de idioma y región, y una entrada x-default debe nombrar la página de respaldo para los usuarios sin coincidencia. Los errores son silenciosos; nada se rompe de forma visible, la segmentación simplemente deja de funcionar. Dmytro Verzhykovskyi construye arquitectura hreflang en portafolios de cinco idiomas, incluido el árabe de escritura derecha a izquierda (según datos propios).
¿Qué es un grafo de conocimiento?
Un grafo de conocimiento es una base de datos de entidades y de las relaciones tipadas entre ellas: persona fundó empresa, artículo publicado en revista, organización con sede en ciudad. En lugar de almacenar páginas de texto, almacena hechos que las máquinas pueden recorrer y combinar. El Knowledge Graph de Google es el ejemplo más conocido; alimenta los paneles de información junto a los resultados de búsqueda. Los asistentes de IA se apoyan en datos de entidades similares cuando responden preguntas sobre personas y organizaciones. Un sitio web puede publicar su propio grafo de conocimiento pequeño con datos estructurados y archivos de datos abiertos, declarando sus entidades, sus alias y sus relaciones con las fuentes adjuntas. Este sitio publica un grafo así: las personas, organizaciones, premios y temas en torno a Dmytro Verzhykovskyi se publican como datos abiertos y se muestran en la página del grafo de conocimiento.
¿Por qué las marcas de lujo necesitan un enfoque de SEO distinto?
La demanda de búsqueda del lujo se comporta de forma distinta a la demanda del mercado masivo. Los volúmenes de consulta son pequeños, los valores de pedido son altos y un solo cliente puede justificar un año de inversión en marketing, así que perseguir tráfico bruto es el objetivo equivocado. El activo de marca es además frágil: el contenido escrito para palabras clave de volumen puede abaratar una voz que tardó décadas en construirse. Un programa de SEO de lujo equilibra por tanto exclusividad y visibilidad: apunta con precisión a consultas con intención de compra y cercanas a la marca, mantiene los estándares editoriales al nivel del producto, cubre a las audiencias internacionales en sus propios idiomas y trata la velocidad de página y la presentación visual como parte de la experiencia de marca. Dmytro Verzhykovskyi examinó este equilibrio en un artículo de autoría única de 2025, Content-Driven SEO Strategy for Luxury Brands: Finding the Balance Between Uniqueness and Search Optimization, en Marketing in Ukraine n.º 1-2 (135), ISSN 1606-3732.
Más información: publicaciones, datos abiertos