ChatGPT recomienda marcas por dos vías: a partir de lo que el modelo aprendió durante su entrenamiento (su memoria paramétrica) y, cuando busca en la web, a partir de las páginas que recupera y cita en el momento de responder. No existe una fórmula de clasificación pública ni posiciones pagadas en las respuestas ordinarias, de modo que aparecen las marcas descritas de forma coherente, clara y creíble en las fuentes a las que ChatGPT tiene acceso. Como las respuestas cambian de una ejecución a otra, la única forma honesta de saber dónde está usted es medir su presencia en muchas preguntas repetidas.
Puntos clave
- ChatGPT se apoya en dos fuentes de conocimiento: lo que aprendió en el entrenamiento y lo que la búsqueda de ChatGPT recupera en vivo. Responden a palancas distintas y en plazos distintos.
- OpenAI documenta pocas señales concretas para búsqueda y compras, como el acceso de OAI-SearchBot y los metadatos estructurados de producto. La mayoría de los demás «factores de ranking» que circulan son inferencias, no hechos documentados.
- La mejor evidencia controlada (Aggarwal et al., KDD 2024) mostró que añadir citas a fuentes, citas textuales y estadísticas mejoró la visibilidad en respuestas generativas hasta un 40 % en su banco de pruebas.
- Las respuestas son probabilísticas. Una captura de pantalla no demuestra nada; una tasa de presencia sobre un conjunto fijo de preguntas repetidas, sí.
- La cobertura de terceros (reseñas, comparativas, prensa, foros) suele pesar tanto como su propio sitio, porque ahí es donde los modelos encuentran su marca en contexto.
Dos caminos hacia una recomendación: memoria de entrenamiento y búsqueda en vivo
En las recomendaciones de marcas intervienen dos mecanismos muy diferentes, y cada uno responde a palancas propias.
Memoria paramétrica: lo que el modelo ya «sabe»
Un modelo de lenguaje condensa en sus pesos los patrones de sus datos de entrenamiento. Si su marca apareció a menudo y en contextos coherentes («X es una herramienta de gestión de proyectos para agencias»), el modelo tenderá más a asociarla con la categoría y las necesidades adecuadas. Esta memoria tiene una fecha de corte, solo se actualiza con un nuevo modelo y no se puede editar directamente.
Búsqueda en vivo: ChatGPT search
Desde que OpenAI lanzó la búsqueda de ChatGPT el 31 de octubre de 2024, ChatGPT puede decidir por sí mismo buscar en la web, o el usuario puede activarla manualmente. Según OpenAI, la búsqueda utiliza proveedores de búsqueda de terceros y contenido que los socios aportan directamente, y las respuestas muestran sus fuentes. Aquí la lógica se parece más a la de los buscadores: una página debe poder rastrearse, estar indexada por esos proveedores, ser relevante para la consulta que ChatGPT envía realmente y resultar lo bastante útil como para ser elegida y citada.
En la práctica, ambos caminos se mezclan: el modelo puede esbozar una respuesta de memoria y luego refinarla o confirmarla con las fuentes recuperadas.
¿Qué señales de recomendación están realmente documentadas?
La tabla separa lo que OpenAI afirma en su documentación de lo que es plausible pero no está demostrado.
| Señal | Mecanismo | Estado | Qué puede hacer |
|---|---|---|---|
| Acceso de OAI-SearchBot | Según OpenAI, los sitios que bloquean OAI-SearchBot no se muestran en las respuestas de búsqueda (solo como enlaces de navegación) | Documentado | Revisar robots.txt y las reglas de cortafuegos o CDN |
| Metadatos estructurados de producto | Los resultados de compra usan datos como precio y descripción de proveedores propios y de terceros | Documentado (compras) | Mantener al día feeds, marcado schema y fichas en marketplaces |
| Contexto del usuario | La redacción, la memoria y las instrucciones personalizadas influyen en los productos mostrados | Documentado (compras) | Cubrir las distintas necesidades y restricciones de sus compradores |
| Factores del comercio | Disponibilidad, precio, calidad y si el vendedor es fabricante o vendedor principal | Documentado (compras) | Dejar claros su tienda oficial y el estado del stock |
| Menciones de terceros | Reseñas, comparativas y prensa alimentan tanto el entrenamiento como la búsqueda | Plausible, muy observado | Estar presente en las fuentes que ChatGPT cita en su categoría |
| Contenido con evidencia | Fuentes, citas y estadísticas aumentaron la visibilidad en un estudio controlado | Evidencia experimental | Añadir datos verificables y fuentes nombradas a las páginas clave |
Dos puntos importan. Primero, OpenAI afirma que los resultados de producto «son seleccionados de forma independiente por ChatGPT y no son anuncios»; los anuncios, donde existen, se gestionan por separado. Segundo, ninguna documentación describe una puntuación numérica que usted pueda optimizar directamente.
¿Qué dice la evidencia de la investigación?
El estudio controlado más citado es «GEO: Generative Engine Optimization», de Aggarwal y colaboradores (arXiv:2311.09735, publicado en KDD 2024). Los autores crearon un banco de consultas variadas (GEO-bench) y probaron cambios de contenido en un motor generativo simulado y también en Perplexity. Los métodos que añadían referencias a fuentes creíbles, citas pertinentes y estadísticas lograron las mayores mejoras, con aumentos de visibilidad de hasta un 40 % en su configuración. El relleno de palabras clave funcionó mal.
El estudio no se realizó sobre el sistema de producción de ChatGPT, que cambia con frecuencia. Su valor está en la dirección que señala: los motores generativos parecen preferir contenido fácil de verificar y fácil de citar. Nuestra guía sobre cómo escribir contenido que la IA cita convierte estos hallazgos en una lista de comprobación editorial, y el artículo qué fuentes cita la IA muestra dónde suele buscar la recuperación.
Por qué la misma pregunta recibe recomendaciones distintas
Ver su marca en una respuesta y no en la siguiente es un comportamiento esperado, no un error:
- Muestreo. La generación es probabilística: el mismo prompt puede producir listas diferentes.
- Con o sin búsqueda. Una ejecución activa la búsqueda web y otra responde de memoria, con otros candidatos.
- Contexto. La memoria, las instrucciones personalizadas, el historial, el idioma y la ubicación desplazan la respuesta.
- Redacción. «Mejor CRM para agencias pequeñas» y «CRM económico con integración de WhatsApp» son preguntas distintas con ganadores distintos.
Por eso la visibilidad en recomendaciones debe expresarse como una tasa, no como un sí o un no. La tasa de presencia es el número de respuestas válidas que mencionan su marca dividido entre todas las respuestas válidas; las respuestas fallidas o vacías se excluyen del denominador en lugar de contarse como ausencias. El artículo cómo medir la visibilidad en IA explica en detalle el tamaño de muestra y los errores habituales.
Un método basado en evidencia para mejorar sus recomendaciones
- Construya un conjunto de preguntas a partir de la intención real de compra. Reúna de 30 a 100 preguntas que sus clientes hacen de verdad: de categoría («mejor software de nóminas para startups en España»), de comparación y de problema, redactadas en el idioma de cada mercado.
- Mida una línea base. Formule cada pregunta varias veces en el mercado y el idioma correspondientes y guarde cada respuesta con sus fuentes. Calcule su tasa de presencia y la misma métrica para sus competidores sobre la misma muestra.
- Analice las citas. Enumere los dominios que ChatGPT cita al recomendar empresas de su categoría. Son las páginas que moldean la respuesta; consulte cita de IA para distinguir mención y cita.
- Corrija primero el acceso. Compruebe que OAI-SearchBot no está bloqueado y que sus páginas clave muestran el contenido principal sin scripts pesados del lado del cliente.
- Cierre las brechas de evidencia. Publique páginas precisas y verificables: categoría clara, precios, especificaciones, datos independientes y fuentes nombradas.
- Vuelva a medir con las mismas preguntas. Compare las tasas mes a mes. Unos pocos puntos de diferencia en una muestra pequeña pueden ser ruido; busque tendencias consistentes.
Una herramienta como GeoDog automatiza los pasos 2 y 3 formulando preguntas reales en el mercado elegido y guardando cada respuesta con sus fuentes. Lo esencial es una muestra fija y un denominador honesto, como explica nuestra metodología.
Mitos frecuentes sobre las recomendaciones de ChatGPT
- «Se puede pagar para ser recomendado». OpenAI afirma que los resultados de compra no son anuncios ni están influidos por acuerdos comerciales.
- «llms.txt hace que ChatGPT le recomiende». Es una convención propuesta, y OpenAI no ha documentado su uso como señal de ranking. Vea qué es llms.txt para una visión equilibrada.
- «Una buena respuesta significa que es visible». Una ejecución es una anécdota, no una medición.
Si el tema es nuevo para usted, empiece por qué es GEO para conocer el marco general.
Preguntas frecuentes
¿Puedo pedir a OpenAI que incluya mi marca en sus recomendaciones?
No. No existe un proceso de solicitud para las respuestas ordinarias. Puede hacer su sitio accesible a OAI-SearchBot, mantener exactos sus datos de producto y conseguir cobertura creíble de terceros; la selección sigue en manos del sistema.
¿Cuánto tarda en notarse un cambio?
Los cambios que actúan a través de la búsqueda de ChatGPT pueden aparecer en pocas semanas, una vez rastreadas e indexadas las páginas. Los cambios en la memoria de entrenamiento dependen de nuevas versiones del modelo y no se pueden planificar.
¿Ser mencionado es lo mismo que ser recomendado?
No exactamente. Una mención puede ser neutra o negativa, mientras que una recomendación le presenta como opción adecuada para la necesidad del usuario. Conviene seguir ambas.