Cada vez más compradores B2B empiezan su investigación preguntándole a un modelo. No buscan diez enlaces azules: piden una recomendación y reciben un párrafo con tres o cuatro fuentes citadas. Si tu empresa no está entre ellas, no existe en esa conversación.

Eso es lo que intenta resolver el AI-SEO, también llamado GEO o answer engine optimization. Y aunque se apoya en el SEO de siempre, no es lo mismo.

Qué cambia respecto al SEO clásico

El objetivo deja de ser el clic. El SEO tradicional optimiza para que alguien haga clic en tu resultado. El AI-SEO optimiza para que un modelo extraiga tu contenido, lo entienda sin ambigüedad y lo cite dentro de su respuesta. Muchas veces sin clic. Eso no es una derrota: una cita en la respuesta que lee tu comprador es una impresión de marca en el momento exacto de la decisión.

El formato importa más. Un modelo no “lee” tu página como un humano: la trocea. Los bloques que se citan bien son los que responden una pregunta concreta de forma autocontenida, sin depender de tres párrafos anteriores para tener sentido. Definiciones claras, comparativas explícitas, cifras con fuente y fecha.

Las entidades pesan. Los modelos y los buscadores necesitan resolver quién eres: qué empresa, qué categoría, qué relación con otras entidades. Ahí es donde los datos estructurados dejan de ser una casilla que marcar y pasan a ser infraestructura. Una Organization bien definida, con identificadores, referenciada por @id desde cada Service y cada Article, hace un trabajo silencioso pero determinante.

La consistencia externa cuenta. Lo que dicen de ti otros sitios —directorios, medios, comunidades— alimenta lo que el modelo cree saber. Si tu categoría se describe de tres formas distintas en cinco sitios, la respuesta que genere será igual de borrosa.

Lo que hacemos en la práctica

El trabajo se parece bastante a un SEO bien hecho, con acentos distintos:

  1. Definir el set de preguntas que importan. No keywords: preguntas, tal como las escribiría tu comprador en un chat. Suelen ser más largas, más contextuales y más honestas sobre la duda real.
  2. Auditar qué se responde hoy. Quién aparece citado en esas respuestas y por qué. A veces la respuesta incómoda es que cita a un competidor porque es el único que ha escrito la comparativa.
  3. Producir contenido citable. Piezas que respondan de forma autocontenida, con estructura explícita y datos verificables. Este es el punto donde la producción con agentes cambia la ecuación: cubrir un mapa de cincuenta preguntas con calidad editorial deja de ser inviable.
  4. Resolver las entidades. Schema como grafo, no como etiquetas sueltas. Un llms.txt que explique qué es la empresa y qué no, en lenguaje plano.
  5. Medir citaciones. Comprobación periódica del set de preguntas y seguimiento de qué contenido entra y sale de las respuestas.

El error más común

Confundir “contenido optimizado para IA” con “contenido escrito por IA sin contexto”. Es exactamente al revés: los modelos citan bien lo que aporta algo que no estaba ya en su entrenamiento —datos propios, método explícito, criterio— y descartan la enésima reformulación de lo que ya sabe.

Dicho de otro modo: el AI-SEO premia justo lo que el marketing de contenidos perezoso nunca tuvo. La ventaja de producir con agentes es de volumen y velocidad; la materia prima sigue teniendo que ser tuya.