Saltar al contenido
CitationLab
Empezar

Metodología para la visibilidad en IA

The Citation Method

El método de CitationLab para la visibilidad en IA. Una respuesta de IA se construye a través de ocho eslabones, y una marca puede quedarse fuera en cualquiera de ellos. El método mide los eslabones por separado, para que el diagnóstico pueda señalar el que te frena.

Todo lo publicadoUna fuente citada
12345678
  1. 01Descubrimiento
  2. 02Recuperación
  3. 03Selección
  4. 04Contexto
  5. 05Generación
  6. 06Cita
  7. 07Influencia
  8. 08Acción

Encuentra el eslabón. Corrígelo. Vuelve a medir.

Pide el análisis de tu cadena

En resumen

The Citation Method es el método de CitationLab para la optimización AEO y GEO. Se basa en cómo producen realmente las respuestas los modelos de lenguaje: una respuesta se construye a través de ocho eslabones (descubrimiento, recuperación, selección, contexto, generación, cita, influencia y acción) y una marca puede perder en cualquiera de ellos. El método mide los eslabones por separado en lugar de reducirlos a una única puntuación, y se ejecuta en cinco fases: mapeo, medición, diagnóstico, acción y seguimiento. La idea es poder decir en qué eslabón pierdes, por qué y qué tiene que cambiar, en lugar de adivinar con «más contenido» o «más enlaces».

Última actualización

Marcas con las que trabajamos

  • Axo Finans
  • Zmarta
  • LendMe
  • uScore
  • Terapivakten
  • Din Firmabil
  • Puro Yoga
  • Pixel & Co
  • DRIV Energi
  • Allegro Kommunikasjon
  • JKE
  • FHF
  • European Heli Center
  • Fix & Drive
  • Våge Marketing

01El método

Los ocho eslabones

Así se genera una respuesta de IA, eslabón a eslabón. La cadena se lee de izquierda a derecha: tienes que superar el eslabón uno para llegar al dos. La mayoría de las marcas que «no son visibles en ChatGPT» pierden en el eslabón dos o tres, y aplican remedios que corresponden al eslabón cinco.

  1. 01

    Descubrimiento

    La pregunta: ¿Se busca algo, y estás presente donde se busca?

    Qué lo decide
    Primero, el sistema decide si responde desde la memoria del propio modelo o recuperando documentos. Si responde desde la memoria, tu visibilidad depende de lo que el modelo ya aprendió sobre ti, no de lo que publicaste ayer.
    Cómo falla
    La marca no está en la memoria del modelo y la pregunta no activa ninguna búsqueda. Eres invisible sin que tu web tenga ningún problema.
    Cómo lo medimos
    Proporción de respuestas que activan la recuperación frente a respuestas desde la memoria, por modelo y por prompt. Perception Match muestra lo que el modelo cree sobre ti sin fuentes de apoyo.
    Qué hacemos al respecto
    Construir la entidad: nombre, categoría y datos coherentes en tu propia web, obras de referencia, fuentes del sector y cobertura de terceros. Es un trabajo lento y se mide en trimestres.
  2. 02

    Recuperación

    La pregunta: ¿Estás entre los documentos que realmente se recuperan?

    Qué lo decide
    La pregunta se divide en varias subbúsquedas, y cada una trae un número reducido de documentos. La lista de candidatos es corta y la determina el índice sobre el que se realiza la búsqueda, no lo bien que se vea la página.
    Cómo falla
    El contenido necesita JavaScript para mostrarse, está detrás de un muro de consentimiento, está bloqueado para los rastreadores de IA o no existe en el idioma en que se hace la pregunta.
    Cómo lo medimos
    Rastreabilidad para agentes de IA, cobertura del índice, comprobaciones de robots y de renderizado en la auditoría del sitio, y cuáles de tus URL aparecen realmente como fuentes en las mediciones periódicas.
    Qué hacemos al respecto
    Base técnica: contenido renderizado en el servidor, rastreadores de IA permitidos, URL limpias, sitemaps, versiones por idioma y una web que se pueda leer sin ejecutar código.
  3. 03

    Selección

    La pregunta: ¿Sobrevives a la nueva ordenación de los documentos recuperados?

    Qué lo decide
    Los documentos recuperados se evalúan de nuevo, esta vez de forma minuciosa frente a la propia pregunta. Aquí es donde la mayoría se queda fuera: recuperados, pero no utilizados.
    Cómo falla
    La página trata del tema, pero no responde a la pregunta. Se escribió para una frase de búsqueda, no para la forma en que una persona formula las cosas a una IA.
    Cómo lo medimos
    «Recuperado pero no citado» por prompt: vemos cuáles de tus URL entraron en el conjunto de fuentes sin llegar a la respuesta.
    Qué hacemos al respecto
    Escribir para la pregunta en lugar de para la palabra clave: la pregunta planteada en el encabezado, la respuesta primero y un contenido que cubra toda la pregunta y no solo la mitad.
  4. 04

    Contexto

    La pregunta: ¿Llega tu texto a lo que el modelo realmente lee?

    Qué lo decide
    Solo los pasajes mejor clasificados caben en la ventana de contexto. Compiten los párrafos, no las webs. Un documento largo con la información relevante dispersa pierde frente a un párrafo conciso.
    Cómo falla
    Tu respuesta está ahí, pero enterrada bajo una introducción, lenguaje comercial y rodeos. El pasaje que se extrae no dice nada.
    Cómo lo medimos
    Chunkalyzer, en el módulo AI Monitor de Manager, muestra cómo se divide tu contenido en pasajes y qué pasajes se eligen realmente.
    Qué hacemos al respecto
    Optimización de fragmentos: párrafos autónomos, definiciones que se sostienen por sí solas, tablas y listas donde corresponden los datos, y eliminar los preámbulos antes de ir al grano.
  5. 05

    Generación

    La pregunta: ¿Se usan tus palabras cuando se construye la respuesta?

    Qué lo decide
    El generador construye la respuesta a partir de pasajes que responden directamente, que no necesitan reescribirse para tener sentido y que aportan algo que las demás fuentes no tienen.
    Cómo falla
    Tu pasaje está en el conjunto, pero la redacción de un competidor es más fácil de reutilizar. Pasas a ser contexto de fondo en lugar de una frase.
    Cómo lo medimos
    Reutilización literal, y qué frases se repiten entre modelos y entre días.
    Qué hacemos al respecto
    Escribir frases que resistan ser citadas fuera de contexto: cifras precisas, límites claros, datos propios y formulaciones que nadie más tiene.
  6. 06

    Cita

    La pregunta: ¿Te nombran como fuente, con un enlace?

    Qué lo decide
    Que te usen y que te atribuyan el mérito se decide por separado. El modelo puede construir la respuesta con tu información y aun así enlazar a otro.
    Cómo falla
    La marca se menciona sin enlace, o tu información se atribuye a una página que la reprodujo.
    Cómo lo medimos
    Menciones con y sin enlace, por modelo y por prompt, y qué dominios reciben el mérito en tu lugar.
    Qué hacemos al respecto
    Hacer que la fuente sea inequívoca: contenido original, fechas, autoría, URL canónicas, y asegurarse de que el original citable eres tú y no un agregador.
  7. 07

    Influencia

    La pregunta: ¿Se te representa correctamente, y cambia eso la percepción?

    Qué lo decide
    Una cita no es una recomendación. El modelo puede nombrarte en la categoría equivocada, con un precio desactualizado o en una comparación que pierdes.
    Cómo falla
    Mucha visibilidad, relato equivocado. Te mencionan a menudo y te recomiendan poco.
    Cómo lo medimos
    Sentimiento y contexto de cada mención, qué atributos se te asignan, con quién se te compara y la distancia entre tu propio posicionamiento y la descripción del modelo (Perception Match).
    Qué hacemos al respecto
    Corregir la base factual allí de donde la toma el modelo, y hacer que el posicionamiento sea lo bastante inequívoco como para sobrevivir a un resumen.
  8. 08

    Acción

    La pregunta: ¿Ocurre algo después por tu parte?

    Qué lo decide
    Una respuesta de IA envía menos visitantes que un resultado de búsqueda, pero llegan más avanzados en la decisión. El valor está en la conversión, no en el clic.
    Cómo falla
    El tráfico llega, pero la landing page responde a algo distinto de lo que el usuario acaba de preguntar a la IA.
    Cómo lo medimos
    El tráfico referido desde IA como fuente propia, las búsquedas de marca, el tráfico directo y la conversión, unidos a los datos del CRM o de pedidos.
    Qué hacemos al respecto
    Landing pages que respondan a la intención del prompt, y una medición que permita atribuir valor a una visita referida desde ChatGPT en lugar de que desaparezca en «directo».

02El método

La cadena de un vistazo

Cada eslabón tiene su propia causa, su propia medición y su propio remedio. Por eso el método no los reduce a una única puntuación: un número te dice que las cosas van mal, pero no dónde.

La cadena de un vistazo
EslabónQué lo decideCómo lo medimosRemedio típico
1.DescubrimientoPrimero, el sistema decide si responde desde la memoria del propio modelo o recuperando documentos. Si responde desde la memoria, tu visibilidad depende de lo que el modelo ya aprendió sobre ti, no de lo que publicaste ayer.Proporción de respuestas que activan la recuperación frente a respuestas desde la memoria, por modelo y por prompt. Perception Match muestra lo que el modelo cree sobre ti sin fuentes de apoyo.Construir la entidad: nombre, categoría y datos coherentes en tu propia web, obras de referencia, fuentes del sector y cobertura de terceros. Es un trabajo lento y se mide en trimestres.
2.RecuperaciónLa pregunta se divide en varias subbúsquedas, y cada una trae un número reducido de documentos. La lista de candidatos es corta y la determina el índice sobre el que se realiza la búsqueda, no lo bien que se vea la página.Rastreabilidad para agentes de IA, cobertura del índice, comprobaciones de robots y de renderizado en la auditoría del sitio, y cuáles de tus URL aparecen realmente como fuentes en las mediciones periódicas.Base técnica: contenido renderizado en el servidor, rastreadores de IA permitidos, URL limpias, sitemaps, versiones por idioma y una web que se pueda leer sin ejecutar código.
3.SelecciónLos documentos recuperados se evalúan de nuevo, esta vez de forma minuciosa frente a la propia pregunta. Aquí es donde la mayoría se queda fuera: recuperados, pero no utilizados.«Recuperado pero no citado» por prompt: vemos cuáles de tus URL entraron en el conjunto de fuentes sin llegar a la respuesta.Escribir para la pregunta en lugar de para la palabra clave: la pregunta planteada en el encabezado, la respuesta primero y un contenido que cubra toda la pregunta y no solo la mitad.
4.ContextoSolo los pasajes mejor clasificados caben en la ventana de contexto. Compiten los párrafos, no las webs. Un documento largo con la información relevante dispersa pierde frente a un párrafo conciso.Chunkalyzer, en el módulo AI Monitor de Manager, muestra cómo se divide tu contenido en pasajes y qué pasajes se eligen realmente.Optimización de fragmentos: párrafos autónomos, definiciones que se sostienen por sí solas, tablas y listas donde corresponden los datos, y eliminar los preámbulos antes de ir al grano.
5.GeneraciónEl generador construye la respuesta a partir de pasajes que responden directamente, que no necesitan reescribirse para tener sentido y que aportan algo que las demás fuentes no tienen.Reutilización literal, y qué frases se repiten entre modelos y entre días.Escribir frases que resistan ser citadas fuera de contexto: cifras precisas, límites claros, datos propios y formulaciones que nadie más tiene.
6.CitaQue te usen y que te atribuyan el mérito se decide por separado. El modelo puede construir la respuesta con tu información y aun así enlazar a otro.Menciones con y sin enlace, por modelo y por prompt, y qué dominios reciben el mérito en tu lugar.Hacer que la fuente sea inequívoca: contenido original, fechas, autoría, URL canónicas, y asegurarse de que el original citable eres tú y no un agregador.
7.InfluenciaUna cita no es una recomendación. El modelo puede nombrarte en la categoría equivocada, con un precio desactualizado o en una comparación que pierdes.Sentimiento y contexto de cada mención, qué atributos se te asignan, con quién se te compara y la distancia entre tu propio posicionamiento y la descripción del modelo (Perception Match).Corregir la base factual allí de donde la toma el modelo, y hacer que el posicionamiento sea lo bastante inequívoco como para sobrevivir a un resumen.
8.AcciónUna respuesta de IA envía menos visitantes que un resultado de búsqueda, pero llegan más avanzados en la decisión. El valor está en la conversión, no en el clic.El tráfico referido desde IA como fuente propia, las búsquedas de marca, el tráfico directo y la conversión, unidos a los datos del CRM o de pedidos.Landing pages que respondan a la intención del prompt, y una medición que permita atribuir valor a una visita referida desde ChatGPT en lugar de que desaparezca en «directo».

03El método

Cómo se ve cuando funciona

Un cliente mide cuarenta prompts de su categoría. A la izquierda, la línea base. A la derecha, los mismos prompts ocho semanas después.

Línea base

Recuperado
64 %
Seleccionado
18 %
Citado
7 %

Ocho semanas después

Recuperado
67 %
Seleccionado
41 %
Citado
22 %

El diagnóstico apunta al eslabón tres: nos recuperan, pero nos descartan en la selección. El remedio no es más contenido, sino reescribir las páginas para que pasen de tratar el tema a responder a la pregunta.

La selección se ha más que duplicado. La recuperación apenas se ha movido, como debe ser: no la tocamos. Y ahora la cita es el nuevo cuello de botella: menos de la mitad de las respuestas que nos seleccionan nos atribuyen el mérito. La siguiente ronda va a por el eslabón seis.

Un ejemplo construido con cifras realistas, no un caso de cliente.

¿Quieres saber en qué eslabón pierdes?

Ejecutamos tu conjunto de prompts en los modelos, tomamos la línea base y te entregamos el diagnóstico antes de que nadie proponga una sola actividad.

Reserva una revisión de visibilidad en IA

04El método

Cómo trabajamos

De «no lo sabemos» a algo medible. Tras la fase dos sabes dónde estás, y puedes parar ahí en cualquier momento y hacer el resto tú mismo.

  1. 01

    Mapeo

    Actúa sobre: Eslabones 1–2

    Averiguamos qué preguntas hacen realmente tus clientes a una IA. No palabras clave, sino prompts. Son dos cosas distintas y producen respuestas distintas. El conjunto de prompts se construye en torno a personas y al customer journey, desde el primer síntoma hasta «a quién debo elegir», y se contrasta con tus competidores.

    Con qué te quedasUn conjunto de prompts que refleja tu customer journey, con personas y competidores definidos.

  2. 02

    Medición

    Actúa sobre: Eslabones 1–7

    Los prompts se ejecutan con una frecuencia fija, semanal o diaria como complemento, en ChatGPT, Gemini, Perplexity y las respuestas de IA de Google. Medimos con qué frecuencia te mencionan, con qué frecuencia te citan con enlace y a quién nombran en tu lugar. La repetición no es decorativa: el mismo prompt puede dar una respuesta distinta de una ejecución a otra, y una sola respuesta es una anécdota, no una medición. CAVIS ejecuta conversaciones completas en lugar de preguntas aisladas, porque la respuesta cambia a medida que el cliente pasa de «¿qué es esto?» a «¿a quién debo elegir?».

    Con qué te quedasUna línea base con la que medir los cambios: por prompt, por modelo y por eslabón de la cadena.

  3. 03

    Diagnóstico

    Actúa sobre: Sitúa la pérdida en la cadena

    Averiguamos el porqué. ¿El contenido es invisible porque requiere JavaScript? ¿Falta la entidad? ¿Los datos están enterrados en textos comerciales? ¿Te recuperan pero nunca te seleccionan? Las causas suelen ser pocas y concretas, y cada una pertenece a un eslabón específico de la cadena.

    Con qué te quedasUna lista priorizada de causas, no de síntomas, cada una asignada al eslabón al que pertenece.

  4. 04

    Acción

    Actúa sobre: Corrige donde está la causa

    Lo ejecutamos nosotros, o lo haces tú, con el plan como punto de partida. Base técnica, estructura, entidad y contenido, en el orden que produce el efecto más rápido. El orden no es arbitrario: no tiene sentido escribir mejores párrafos para el eslabón cuatro si nunca superas el eslabón dos.

    Con qué te quedasAcciones con un responsable, una secuencia y un efecto esperado, y el eslabón que cada acción pretende mover.

  5. 05

    Seguimiento

    Actúa sobre: Vuelve a medir, en el mismo punto

    La visibilidad en la búsqueda con IA es perecedera: los modelos se actualizan y tus competidores también trabajan. La medición periódica continúa, y tienes acceso propio al panel en todo momento. Además, revisamos juntos la evolución con una frecuencia fija, para que recibas la interpretación y la siguiente acción, no solo los números.

    Con qué te quedasMedición periódica por prompt y modelo, tu propio panel y una revisión recurrente en la que los números se convierten en la siguiente acción.

Y entonces la fase tres vuelve a empezar. No porque algo haya ido mal, sino porque el cuello de botella se ha desplazado: una vez corregido el eslabón tres, el eslabón seis pasó a ser la nueva limitación. Por eso esto no es un plan con fecha de fin.

05El método

Por qué la búsqueda con IA necesita un método propio

El enfoque SEO da por hecho que existe una lista ordenada. Dentro de una respuesta de IA no hay ninguna lista. Lo que hay es una cadena de decisiones dentro del sistema, y la mayoría se toman antes de que se escriba una sola palabra.

  • El modelo a menudo responde sin buscar

    Una respuesta procede o bien de lo que el modelo ya aprendió (memoria paramétrica) o bien de documentos que recupera en el momento (recuperación). Publicar algo nuevo solo influye en lo segundo. Lo primero cambia cuando la marca se describe en otros sitios de forma suficientemente amplia, frecuente y coherente, con el tiempo.

  • La lista de candidatos es corta

    Cuando el sistema sí recupera documentos, la pregunta se divide en varias subbúsquedas, y cada una trae un número reducido de documentos. Mientras que un buscador muestra diez enlaces azules y una segunda página, una respuesta de IA no tiene segunda página. Si no estás en la lista de candidatos, no existes para esa respuesta.

  • Compiten los pasajes, no las páginas

    El modelo no lee tu web. Lee un puñado de pasajes seleccionados porque se parecen a la pregunta. Un párrafo preciso gana a una página larga con la información relevante dispersa.

  • Que te usen y que te atribuyan el mérito son dos cosas distintas

    Tu contenido puede sostener la respuesta sin que te nombren, y pueden nombrarte sin describirte correctamente. Ambas son pérdidas, y ninguna aparece en un informe de posiciones.

06El método

De la cita a los ingresos

Los dos últimos eslabones de la cadena, influencia y acción, son donde la visibilidad se encuentra con el negocio. Ahí usamos ABC: Acquisition, Behavior, Conversion, la estructura de informes que Google Analytics hizo de dominio común, con la búsqueda con IA medida como canal de entrada propio y la conversión obtenida del CRM en lugar de la herramienta de analítica.

  1. 01

    A – Acquisition (adquisición)

    De dónde vienen los clientes y qué canales aportan calidad. La búsqueda con IA se mide aquí, en las mismas condiciones que la búsqueda orgánica y los anuncios: volumen, calidad, comportamiento y conversión.

  2. 02

    B – Behavior (comportamiento)

    Qué hacen una vez que llegan y dónde los perdemos. Para el tráfico desde IA, la medición más importante es la coincidencia de intención: ¿responde la landing page a lo que el usuario preguntó realmente al modelo?

  3. 03

    C – Conversion (conversión)

    Lo que realmente genera valor. Los leads y las ventas llevan un valor obtenido del CRM, de los datos de pedidos o de las conversiones offline, y ese valor se devuelve al canal. Sin ese paso optimizas para el volumen y lo llamas crecimiento.

Sobre ABC: Acquisition, Behavior y Conversion son la estructura de informes de Universal Analytics, no un término que hayamos inventado. No es lo mismo que el análisis ABC, que clasifica inventario, productos o clientes según su valor, ni que el modelo ABC de la terapia cognitiva. En The Citation Method, ABC es la capa comercial, no todo el método. Descubre el ABC de la visibilidad en IA.

07El método

En qué se apoya el método

El método no es una diapositiva. Cada eslabón de la cadena tiene una herramienta que lo mide, y la mayoría las hemos creado nosotros porque nadie más medía lo que necesitábamos.

  • CitationLab AI Marketing Manager

    La medición periódica. El módulo AI Monitor de Manager ejecuta el conjunto de prompts cada semana, o cada día como complemento, en ChatGPT, Gemini, Perplexity y Google AI Overview, y registra menciones, citas, fuentes, competidores y share of voice por modelo y por ejecución. Son los datos detrás de los eslabones uno a siete.

    Descubre cómo funciona AI Marketing Manager

  • CAVIS

    El marco detrás del conjunto de prompts. CAVIS simula conversaciones completas en lugar de preguntas aisladas, pondera cada medición según el punto del proceso de compra en que se encuentra y es la razón por la que la medición refleja un customer journey en lugar de una lista de preguntas.

    Ver el marco CAVIS

  • Chunkalyzer

    El análisis de fragmentos dentro del módulo AI Monitor de Manager. Muestra cómo se divide tu contenido en fragmentos, cuáles se recuperan y cuáles nunca llegan a la ventana de contexto. Es la herramienta para el eslabón cuatro.

  • Perception Match

    Compara tu propio posicionamiento (lo que afirman tu web y tu material comercial) con lo que los modelos dicen realmente de ti cuando se les pregunta, y puntúa la diferencia. Es el diagnóstico para los eslabones uno y siete: ¿el problema es que eres invisible o que el relato es erróneo?

  • Auditoría del sitio para agentes de IA

    Una revisión técnica de si el contenido se puede recuperar: renderizado, acceso de los rastreadores, datos estructurados, versiones por idioma y legibilidad para máquinas. Sin ella, todo lo demás son conjeturas.

    Ver SEO técnico

  • Gestión AEO

    La operativa. Las fases cuatro y cinco convertidas en un sistema, con especialistas en aspectos técnicos, entidad, contenido y conversión, y cada cambio registrado como un experimento con una hipótesis.

    Descubre cómo trabajamos

08El método

Cinco reglas que el método no se salta

Un método solo vale algo si también dice lo que se niega a hacer. Estas son las reglas que determinan cómo se obtienen las cifras de esta página.

  • 01

    Medir antes de interpretar

    Primero se registran los datos brutos: la respuesta completa, las fuentes, la fecha y el modelo. La interpretación viene después y siempre puede rastrearse hasta la respuesta en la que se basa.

  • 02

    Ninguna puntuación única

    Una «puntuación de visibilidad en IA» combinada oculta justo lo que necesitas saber: en qué eslabón pierdes. Siempre lo desglosamos por modelo, prompt, categoría y eslabón.

  • 03

    Causas, no síntomas

    «No somos visibles en ChatGPT» es un síntoma. Un diagnóstico tiene que señalar un eslabón y una causa; si no, el remedio es pura conjetura.

  • 04

    Continuo, no ocasional

    El mismo prompt puede dar respuestas distintas de una ejecución a otra. Una respuesta es una anécdota. El método mide con una frecuencia fija porque los cambios solo pueden leerse en una serie temporal.

  • 05

    Decir lo que los números no muestran

    Señalamos hasta dónde puede demostrar algo la medición. Cuando no podemos ver causalidad, lo decimos en lugar de dibujar una flecha.

09El método

Lo que el método no promete

La visibilidad en IA es un campo joven y lleno de afirmaciones categóricas. Estas son las cuatro que no haremos.

  • Nadie puede garantizar una cita

    Nadie vende un hueco en una respuesta de IA, y quien diga lo contrario está vendiendo otra cosa. El método hace que la probabilidad sea medible y que las causas se puedan trabajar. No compra posiciones.

  • El eslabón uno es lento

    La memoria del modelo se actualiza cuando los modelos se entrenan o se renuevan, no cuando tú publicas. El trabajo de entidad se mide en trimestres. Los eslabones dos a cuatro pueden moverse en semanas.

  • Las cifras fluctúan

    El mismo prompt da respuestas distintas de una ejecución a otra. Por eso medimos de forma repetida y leemos la tendencia en lugar de ejecuciones sueltas, y por eso una captura de pantalla de una buena respuesta no es un resultado.

  • Visibilidad no es facturación

    Una mención que nunca convierte es solo un número. Por eso el método no se detiene en el eslabón seis.

10El método

Las preguntas que el método está pensado para responder

Nadie llega pidiendo un método. Llegan con un síntoma. Estos son los cuatro que más oímos, y el eslabón en el que suele estar cada uno.

¿Por qué ChatGPT no nos menciona en absoluto?

Casi siempre es el eslabón uno o el dos, y los dos necesitan remedios opuestos. Si el modelo responde desde la memoria sin buscar, la marca falta en lo que aprendió, y el trabajo es de entidad: datos coherentes sobre ti en los lugares de los que aprenden los modelos, medido en trimestres. Si el modelo sí busca y sigues sin aparecer, la causa suele ser mecánica: contenido que solo aparece cuando se ejecuta JavaScript, rastreadores de IA bloqueados en robots.txt o ninguna página en el idioma en que se hace la pregunta. La medición distingue entre ambos casos, porque adivinar te hace perder un trimestre.

Nos recuperan como fuente pero nunca nos citan. ¿Qué pasa?

Es el eslabón tres o el cuatro, y es el diagnóstico más habitual que hacemos. Que te recuperen significa que tu página entró en la lista de candidatos; que no te citen significa que perdió en la nueva ordenación, o que entró en la ventana de contexto pero el pasaje extraído no respondía a la pregunta. El remedio casi nunca es más contenido. Consiste en plantear la pregunta en el encabezado, poner la respuesta en el primer párrafo y hacer que cada párrafo sea lo bastante autónomo como para extraerlo y que siga teniendo sentido.

Nos mencionan a menudo, pero nos describen mal. ¿Cómo lo solucionamos?

Es el eslabón siete, y es una pérdida disfrazada de victoria. El share of voice parece sano mientras el modelo te sitúa en la categoría equivocada, cita un precio desactualizado o te presenta como la opción barata en una comparación que preferirías ganar. Perception Match puntúa la diferencia entre lo que dices de ti y lo que dicen los modelos. La solución es corregir la base factual en las fuentes de las que el modelo bebe realmente, que rara vez son tu propia página de inicio, y hacer que el posicionamiento sea lo bastante inequívoco como para sobrevivir a un resumen en una sola frase.

¿Cómo sabemos que el trabajo está teniendo efecto?

Porque hay una línea base, y se tomó antes de cambiar nada. La fase dos la establece por prompt, por modelo y por eslabón, y los mismos prompts siguen ejecutándose con la misma frecuencia después, así que los cambios se leen en una serie temporal y no en una captura de pantalla. Los eslabones se mueven a distinta velocidad: el trabajo técnico y a nivel de pasaje se nota en semanas; el de entidad, en trimestres. Si un cambio no puede vincularse a un eslabón y a una medición, el método lo considera no probado, no una victoria.

11Preguntas frecuentes

Preguntas frecuentes sobre The Citation Method

  • The Citation Method es el método de CitationLab para la optimización AEO y GEO. Modela una respuesta de IA como una cadena de ocho eslabones (descubrimiento, recuperación, selección, contexto, generación, cita, influencia y acción), mide cada eslabón por separado, diagnostica en qué eslabón pierde una marca y corrige la causa en ese eslabón en lugar de en todas partes a la vez.

12El método

Sigue leyendo

Deja que tus competidores adivinen.
Nosotros medimos la cadena.

Ocho eslabones, cinco fases y un diagnóstico que señala uno de ellos. Toma el control de cómo te describe y te recomienda la IA.

Habla con un estratega de búsqueda con IADescubre cómo trabajamos

Tu opinión

¿Te ha resultado útil esta página?

¿Te ha ayudado esta página? Avísanos si algo no está claro o falta.