[APERTURA: EL FIN DE UNA ERA]

Durante los últimos veinte años, internet ha estado dominada y ordenada por un único algoritmo: el de Google. Entre Google, los medios tradicionales y las redes sociales, hemos tenido un internet predecible y, digámoslo claramente, dominable. El modelo era simple: tanto pagas, tanto tienes. Hemos construido funnels de marketing a golpe de presupuesto, y ha funcionado.

Pero de pronto ha aparecido un nuevo medio. Los LLMs —los modelos de lenguaje como ChatGPT, Gemini, Claude— han irrumpido de forma revolucionaria. Para que os hagáis una idea de la magnitud: ChatGPT ha sido la marca que más rápido ha crecido en toda la historia de la tecnología. Ningún producto había alcanzado 100 millones de usuarios tan rápido.

Y esto no es una moda pasajera. Estamos hablando de 1.200 millones de usuarios activos a nivel global. Solo en España, 12,7 millones de personas usan estas herramientas regularmente.

[EL PUNTO DE INFLEXIÓN: LOS DATOS]

Dejadme compartir algunos datos que deberían preocupar a cualquier responsable de marketing o negocio:

• El 60% de las búsquedas en internet son ya "zero-click". Esto significa que el usuario obtiene la respuesta directamente, sin hacer clic en ningún resultado. Por mucho que pagues en SEM, por muy bien posicionado que estés en SEO, puedes ser perfectamente invisible.
• La coincidencia entre resultados de Google y ChatGPT no supera el 12%. Pensadlo: si tu estrategia está optimizada para Google, el 88% de lo que ChatGPT dice de tu sector puede no incluirte en absoluto.
• El tráfico orgánico desde Google ha caído de forma constante desde inicios de 2025. En algunos sectores entre el 7% y el 10%, pero en la mayoría más del 20%, y en algunos casos hasta el 35%.
• El CTR medio ha caído del 7,3% en 2024 al 2,6% en 2026. Casi tres veces menos clics en dos años.
• El impacto de AI Overviews de Google ha sido devastador: solo el 8% de usuarios hace clic hacia las webs que aparecen en esos resúmenes.

Mientras tanto, las "impresiones" en LLMs —por usar una métrica comparable— se han multiplicado por 6,3 en dos años.

[LA REALIDAD QUE YA VEMOS]

No hace falta mirar estudios para ver esto. Basta con observar a nuestras familias, a la gente en la calle. Los jóvenes entre 18 y 34 años dominan las búsquedas en ChatGPT, mientras que la curva de edad de usuarios de Google es mucho más envejecida. La tendencia es clarísima: no hay vuelta atrás.

Las IAs empezaron con los chats, pero ahora con los agentes han cambiado el hábito de los consumidores y han impactado de manera drástica en los mercados. Y lo más importante: ChatGPT y otras IAs generativas pueden estar aconsejando activamente no consumir tus productos o servicios, y ni siquiera lo sabes.

No podemos seguir pensando igual que en 2023.

[UN NUEVO PARADIGMA: EL FUNNEL CONVERSACIONAL]

Estamos ante un cambio de paradigma fundamental. Antes, cualquier usuario recibía básicamente la misma lista de links, dictada por SEO y SEM. Era determinista: misma query, mismos resultados.

Con las IAs, todo cambia. Dependiendo del usuario —su perfil, lugar de residencia, idioma, intereses, contexto de la conversación— recibirá una respuesta diferente. Es un sistema probabilístico: incluso la misma persona recibe respuestas distintas cada vez que repite una pregunta.

Y aquí está lo transformador: las IAs mantienen conversaciones. Es un verdadero funnel conversacional. ChatGPT ha explicado que una sesión tipo tiene entre 4 y 10 interacciones. Eso es más que suficiente para pasar del top of the funnel a la conversión, todo dentro de una misma conversación.

Por eso nos hace falta ciencia e ingeniería —no intuición ni adaptaciones del SEO tradicional— para poder ofrecer datos fiables e insights accionables.

[EL ECOSISTEMA LLM: MÁS ALLÁ DE CHATGPT]

El escenario de los LLMs es muy dinámico. ChatGPT domina con margen, pero en los últimos dos años los usuarios de Gemini y Claude han crecido significativamente. De hecho, en B2B, Claude de Anthropic está dominando —si no contamos Copilot, que no deja de ser una integración de ChatGPT y que, digámoslo claramente, es un fracaso comercial.

Un dato instrumental: ChatGPT decide consultar internet en el 70% de los casos. Esto nos da una oportunidad única: si sabemos qué fuentes consulta y cómo las procesa, podemos proveer a las IAs de información estratégica sobre nuestra marca.

[CÓMO FUNCIONAN LOS LLMs: PROFUNDIZACIÓN TÉCNICA]

Para entender cómo actuar, necesitamos entender cómo funcionan estos sistemas. Y aquí es donde muchas agencias se equivocan.

Un LLM no "busca" como Google. No tiene un índice de páginas ordenadas por relevancia. Lo que tiene es conocimiento comprimido —entrenado sobre billones de tokens de texto— más, en muchos casos, la capacidad de consultar internet en tiempo real mediante lo que llamamos RAG: Retrieval-Augmented Generation.

¿Qué significa esto en la práctica? Cuando un usuario pregunta "¿cuál es el mejor banco para una pyme?", el modelo hace dos cosas simultáneas:

1. Recurre a su conocimiento base —lo que "aprendió" durante el entrenamiento
2. Si está habilitado, lanza una búsqueda en tiempo real, recupera fragmentos de páginas web, los procesa, y construye una respuesta sintética

El problema —y aquí está la clave de todo— es que tú no controlas qué páginas consulta. Ni qué fragmentos extrae de esas páginas. Ni qué peso le da a cada fuente. Ni qué sentimiento asocia a la información que encuentra.

Hasta ahora, esto era un punto ciego total. Las marcas no tenían visibilidad sobre lo que las IAs decían de ellas, ni herramientas para influir en esas respuestas.

Hasta ahora.

[NUESTRA CREDIBILIDAD]

Lo que vais a ver no es una herramienta más de marketing digital. Es el resultado de más de dos años de investigación aplicada, desarrollada junto a ingenieros del CSIC y bajo acuerdo con la Universidad Autónoma de Barcelona.

Hemos procesado más de 8.500 millones de tokens en más de 300.000 conversaciones reales con los principales LLMs del mercado. Y lo que hemos construido es el primer sistema integral de Generative Engine Optimization basado en evidencia científica.

No es una promesa. Es ingeniería.

Y no es teoría: hemos realizado más de 60 estudios con marcas globales y locales. Coca-Cola, CaixaBank, Danone, Iberostar, Ford, PortAventura, Generalitat de Catalunya. Esa experiencia nos ha permitido desarrollar versiones especializadas para cada industria, con KPIs específicos de cada sector. En Travel medimos "Seasonal Visibility" y "Bucket List Index". En Banca, "Trust Index" y "Regulatory Compliance Perception". En Retail, "Purchase Intent Signal".

[GEOATLAS: LA GENERACIÓN DEL ESPACIO SEMÁNTICO]

Todo proyecto GEOradar comienza con lo que llamamos el Brand Profile. Es una fase de discovery donde trabajamos juntos para definir: quién eres, qué vendes, a quién se lo vendes, contra quién compites, y cuáles son tus palancas de crecimiento prioritarias.

Esta información alimenta GEOAtlas, nuestro motor de generación de espacio semántico. Y aquí es donde la metodología se vuelve técnicamente interesante.

GEOAtlas no genera una lista plana de keywords. Construye una estructura de árbol semántico multidimensional:

• Un árbol por cada buyer persona: con sus intereses específicos, su contexto, sus necesidades en cada momento
• Un árbol por cada fase del funnel: desde awareness ("qué es X") hasta decisión ("cuál contrato")
• Un árbol por cada palanca de negocio: cada línea de producto, cada marca del portfolio
• Ramificaciones por geografía: porque un usuario en Madrid pregunta diferente que uno en México

Para cada combinación de estas dimensiones, el sistema genera prompts pensando en los intereses y el contexto específico de esa persona en ese momento de su journey.

¿Cómo funciona? Generamos muchos más prompts de los que finalmente usamos. Imaginad que generamos 15.000 prompts candidatos. El sistema compara cada uno contra los existentes usando similitud vectorial —la misma matemática que usan los propios LLMs para entender el lenguaje. Si un prompt nuevo es demasiado parecido a uno existente, lo descartamos.

Cuando el porcentaje de prompts descartados por redundancia alcanza un umbral determinado —digamos un 30-35%— sabemos que hemos llegado al punto de saturación. Hemos cubierto todo el espacio semántico relevante sin duplicidades.

El resultado típico son unos 10.000 prompts únicos y relevantes. No porque 10.000 sea un número mágico, sino porque es el punto donde la cobertura es total y la redundancia mínima.

Esto no es un ejercicio teórico. Es cobertura total validada matemáticamente mediante similitud vectorial.

[EL RETO DE ESCALA: DIEZ MIL CONVERSACIONES]

Ahora viene la parte que ningún competidor puede replicar fácilmente: ejecutar esas diez mil conversaciones contra múltiples LLMs de forma sistemática.

Los modelos tienen rate limits. No permiten lanzamientos masivos simultáneos. Cada consulta tiene un coste —en dinero y en tiempo de procesamiento. Y las respuestas varían según el momento, la sesión, incluso la carga del servidor.

Nuestro sistema utiliza una arquitectura de tres capas de datos diseñada específicamente para este reto:

• Base de datos vectorial: para representación semántica y búsqueda por similitud. Es lo que nos permite agrupar, comparar y analizar miles de respuestas en tiempo real
• Base de datos en frío: para almacenamiento escalable. El volumen de información crece exponencialmente con cada auditoría. Necesitamos persistencia eficiente sin sacrificar velocidad de acceso
• Base de datos semántica: para integrar múltiples fuentes, ejecutar queries complejas, y extraer insights accionables

Además, un sistema de orquestación gestiona cada conversación: cuándo se lanzó, si completó, si falló, si requiere reintento. Es infraestructura de escala industrial.

[GEORADAR: EL NÚCLEO MULTIAGENTE]

GEOradar es el corazón del sistema. Es una plataforma multiagente que simula sesiones de usuario reales contra el ecosistema completo de LLMs: ChatGPT, Gemini, Claude, Perplexity, Copilot.

Y aquí hay una distinción técnica importante: no consultamos APIs en frío. No hacemos llamadas simples de texto-entrada, texto-salida. Simulamos la experiencia completa del usuario: el prompt inicial, el contexto de la conversación, los follow-ups naturales.

¿Por qué importa esto? Porque los LLMs se comportan diferente en una API que en una sesión de usuario real. Los resultados de búsqueda que consultan, las fuentes que priorizan, incluso el tono de las respuestas —todo cambia según el contexto.

Nosotros capturamos exactamente lo que un usuario real vería. Eso es lo que hace que nuestros datos sean accionables.

[GEOdesk: EL DASHBOARD DE VISIBILIDAD]

Los datos sin contexto no sirven. GEOdesk es donde toda la información se transforma en inteligencia accionable.

El dashboard monitoriza continuamente las mismas fuentes que los LLMs consultan —porque recordad, muchos modelos hacen búsquedas en tiempo real. Cruzamos esa información con los resultados de las auditorías para darte una imagen completa.

Los KPIs que monitorizamos —y que veremos en detalle más adelante— incluyen métricas de visibilidad como Share of Voice, métricas de salud de marca como el Health Score, métricas de sentimiento por atributo, y métricas de posicionamiento competitivo.

Pero más importante que las métricas individuales es la capacidad de ver tendencias, detectar anomalías, y actuar antes de que un problema se convierta en crisis.

[GEOdoctor: DIAGNÓSTICO Y PRESCRIPCIÓN]

Cuando los KPIs muestran problemas —o cuando hay oportunidades no explotadas— GEOdoctor entra en acción.

Es el módulo de diagnóstico inteligente que identifica:

• Gaps de contenido: queries importantes donde no apareces
• Fuentes problemáticas: páginas que generan menciones con sentimiento negativo
• Oportunidades de posicionamiento: espacios semánticos donde tu competencia es débil
• Inconsistencias: diferencias entre lo que quieres comunicar y lo que los LLMs reproducen

Además, GEOdoctor analiza lo que llamamos Agent Experience (AX): cómo de bien pueden los agentes de IA consumir tu contenido. Tiempos de carga, renderizado JavaScript, estructura de datos, crawlability. Porque de nada sirve tener buen contenido si los LLMs no pueden procesarlo.

GEO tiene una parte técnica importante: técnicas de sistemas que implican acciones en servidores, páginas web, creación de archivos (robots.txt, sitemaps XML, llms.txt, archivos de contexto), gestión de permisos, configuración de crawlers y optimización de renderizado para agentes de IA.

[S.A.M.: SEMANTIC ALIGNMENT MACHINE]

Y llegamos a la ejecución. Porque diagnosticar está muy bien, pero el valor real está en actuar.

S.A.M. —Semantic Alignment Machine— es nuestra herramienta de generación de contenido semánticamente alineado. Y no es un generador de texto cualquiera.

El concepto clave aquí es que no basta con escribir contenido "sobre" un tema. El contenido debe ser semánticamente compatible con cómo el LLM procesa y responde esa query específica.

¿Cómo lo conseguimos? S.A.M. convierte cada pieza de contenido en embeddings vectoriales —la misma representación matemática que usan los LLMs internamente. Luego mide la distancia vectorial entre tu contenido y las queries objetivo.

Si la distancia es alta, el contenido no está alineado —por muy bien escrito que esté, el modelo no lo "verá" como relevante para esa pregunta. S.A.M. itera hasta que la alineación es óptima, y solo entonces certifica el contenido para publicación.

[CIERRE TÉCNICO]

Lo que acabáis de ver es un stack completo de Generative Engine Optimization. Desde la generación exhaustiva del espacio semántico hasta la validación matemática del contenido.

Desarrollado junto a ingenieros del CSIC. Bajo acuerdo de investigación con la Universidad Autónoma de Barcelona. Con más de 8.500 millones de tokens procesados y 300.000 conversaciones analizadas.

No es magia. No son promesas de marketing. Es ingeniería aplicada al nuevo paradigma de búsqueda y descubrimiento.

GEORADAR. El primer sistema GEO que realmente funciona.