GEO: cómo aparecer en Google AI Overviews y ChatGPT cuando alguien busca lo que tú haces

El tráfico orgánico se redistribuye, no desaparece

Desde finales de 2024 estamos viendo algo concreto en los clientes que auditamos: algunas páginas pierden tráfico orgánico aunque mantienen su posición en Google. La razón es que una parte de las búsquedas informacionales ya no genera un clic — Google responde directamente en la parte superior con un AI Overview.

Esto no es catastrófico. Tampoco es menor. Hay categorías de búsqueda donde el impacto es casi nulo: intención transaccional, búsquedas de marca, comparativas complejas. Y hay otras donde el click-through rate ha caído de forma visible: definiciones, procedimientos simples, preguntas directas.

Lo que hemos aprendido es que quienes aparecen dentro del AI Overview no son necesariamente los que están en posición 1. Google cita la fuente más clara para esa respuesta específica, no la más autorizada en términos de Domain Authority.

SEO clásico vs GEO: no son lo mismo

El SEO clásico trabaja con señales que Google usa para rankear páginas: autoridad del dominio, backlinks, relevancia de keywords, comportamiento del usuario. Funciona bien y sigue siendo la base de cualquier estrategia de visibilidad.

GEO (Generative Engine Optimization) es otra cosa. No estás intentando posicionar una página — estás intentando que un modelo de lenguaje te cite como fuente cuando alguien hace una pregunta relevante para tu negocio.

Los LLMs, tanto en AI Overviews de Google como en ChatGPT o Perplexity, aprenden de estructuras textuales. Citan contenido que es factualmente claro, estructurado de forma que cada bloque responde una pregunta específica, y respaldado por señales de autoridad semántica, no solo backlinks.

Esto cambia qué tipo de contenido merece la pena crear. Una página de 3.000 palabras que lo cubre todo de forma vaga es menos útil para un LLM que cinco páginas de 600 palabras donde cada una responde una pregunta específica con precisión.

Por qué aparecer en AI Overviews no es lo mismo que rankear en posición 1

Cuando una página está en posición 1, el usuario la ve y puede decidir si hace clic. Hay opción de lectura.

Cuando Google genera un AI Overview, extrae un fragmento de una o varias fuentes, lo reescribe y lo presenta como respuesta. El usuario no necesariamente visita la página, pero sí ve el nombre de la fuente si la respuesta incluye atribución.

Para un negocio, esto significa dos cosas. La primera: el tráfico de esa búsqueda puede no llegar a tu web aunque seas la fuente. La segunda: si no apareces, alguien más ocupa ese espacio — y probablemente no sea un competidor directo, sino el recurso que mejor respondió esa pregunta concreta.

Hemos visto casos donde una clínica con un artículo bien estructurado sobre un procedimiento aparece citada en AI Overviews de búsquedas que antes eran monopolio de grandes portales de salud. No porque tenga más autoridad de dominio, sino porque el contenido está escrito para responder esa pregunta de forma directa.

Qué hace que un LLM cite tu contenido

No tenemos acceso al entrenamiento de los modelos, pero sí podemos inferir patrones a partir de lo que vemos que funciona.

Contenido que responde preguntas directas. No “todo sobre el tema X”, sino “qué es X”, “cómo funciona X”, “cuándo tiene sentido hacer X”. Cada sección debe poder leerse de forma aislada y tener sentido.

Entidades bien definidas. Los LLMs trabajan con grafos de entidades. Si tu contenido menciona conceptos, personas, lugares o procesos de forma consistente y enlazada, es más fácil de citar. Ejemplo: si escribes sobre una técnica de diagnóstico, citar el nombre técnico correcto, la especialidad médica que la usa y las condiciones donde se aplica crea un contexto semántico más rico.

FAQs reales. No las FAQs que se ponen para el SEO y que nadie lee. Preguntas que la gente hace de verdad, con respuestas que van al grano. Schema.org FAQ bien implementado ayuda a Google a extraer estas respuestas directamente.

Schema.org y datos estructurados. Article, HowTo, FAQ, BreadcrumbList, LocalBusiness. No todos son relevantes para todos los casos, pero los que aplican hay que implementarlos. No porque mágicamente pongan en el AI Overview, sino porque reducen la ambigüedad sobre qué es tu página.

Lo que hacemos en Artemis para trabajar esto

Cuando auditamos un sitio para GEO, miramos tres cosas principalmente.

Estructura semántica del contenido. ¿Cada URL tiene un propósito claro? ¿Los encabezados responden preguntas o solo organizan texto? ¿El primer párrafo entra en materia o hace introducción?

Cobertura de entidades. ¿El sitio menciona las entidades relevantes de su sector de forma consistente? ¿Están enlazadas entre sí? ¿El lenguaje técnico es correcto o aproximado?

Implementación técnica de schema. Normalmente hay schema implementado pero incompleto o con errores: un FAQ sin el tipo correcto, un artículo sin author, una organización sin sameAs. Son detalles, pero suman.

La parte más difícil del GEO no es técnica. Es convencer a los equipos de que crear cinco piezas de contenido específico vale más que una mega-guía que lo cubre todo. Los LLMs prefieren claridad sobre exhaustividad.

Una opinión honesta sobre el estado del GEO

GEO no reemplaza el SEO clásico. En búsquedas transaccionales, comparativas, búsquedas locales y páginas de producto, el comportamiento del usuario no ha cambiado tanto. El clic sigue siendo el clic.

Pero ignorar GEO ya tiene coste. Hoy no estamos viendo caídas del 80% de tráfico en ningún cliente. Sí estamos viendo que quienes trabajan la estructura semántica y los datos estructurados aparecen en AI Overviews de búsquedas donde antes eran invisibles. Eso construye reconocimiento de marca aunque no siempre genere clics directos.

El riesgo real es quedarse quieto mientras la competencia ocupa esos espacios. Los AI Overviews tienden a citar siempre a las mismas fuentes para el mismo tipo de pregunta, y cambiar ese patrón una vez establecido es más difícil que entrar a tiempo.

No requiere reescribir todo el contenido del sitio. Requiere tener claro qué preguntas son estratégicamente relevantes, crear contenido que las responda con precisión, y asegurarse de que la estructura técnica no dificulta la lectura de los modelos.