Qué funciona y qué no Tácticas de visibilidad en IA según la evidencia: terceros, reseñas y búsqueda en vivo funcionan; llms.txt solo, schema solo y envíos a directorios, no. Por Dasha. Actualizado el 31 de octubre de 2026. https://heardofyou.io/es/guides/what-works-and-what-doesnt Versión corta. Lo que funciona: menciones de terceros, reseñas honestas donde mira cada asistente, un lugar en su búsqueda en vivo, una respuesta clara arriba del todo y fechas de actualización reales. Lo que no funciona, o no se puede vender con honestidad: llms.txt solo, schema solo, el relleno de palabras clave, los envíos masivos a directorios y el texto oculto. La evidencia de cada cosa está abajo, con los estudios de proveedores marcados. Lo que funciona 1. Consigue que te nombren en páginas que no controlas Las respuestas de IA se apoyan en medios ganados y de terceros. En preguntas sobre software en Estados Unidos, el 72.7% de las fuentes citadas eran medios ganados. En una página normal de resultados de Google: el 45.4% (Chen et al., Universidad de Toronto). En 207 millones de citas, más del 84% eran ganadas o de terceros y el 0.3% de pago (Muck Rack, proveedor). Las listas de "los mejores X" fueron por sí solas el 43.8% de los tipos de página que citó ChatGPT, en 26,283 URL de fuentes. Las listas actualizadas hace poco eran las más destacadas. Aparecer arriba en varias listas se correlacionó con ser recomendado (Ahrefs, proveedor, correlacional). ¿Qué páginas? Reddit y YouTube están entre los cinco dominios más citados por todos los motores. G2, en los de Perplexity (Peec, proveedor). En 75,000 marcas, las menciones en YouTube tuvieron la correlación más fuerte con la visibilidad en IA (alrededor de 0.737). Después venían las menciones de marca en la web (Ahrefs, proveedor). En LinkedIn, los artículos largos fueron del 50 al 66% del contenido de LinkedIn citado. Alrededor del 95% de los posts citados eran originales, no compartidos (Semrush, proveedor). El patrón: otras personas, escribiendo en concreto, con su propio nombre. 2. Reúne reseñas honestas, porque una ventaja pequeña gana a un gran nombre Con especificaciones idénticas, la marca conocida ganó el 100% de las veces. Una ventaja de menos de 0.1 estrellas para el competidor pequeño le dio la vuelta (Chu y Hou, 2026, pre-print). En el estudio de Columbia sobre agentes de compra, +0.1 de valoración llevó una tasa de elección del 10% al 15 a 20%. Una insignia de "recomendado" por un reseñador la llevó al 20 a 43%. Una etiqueta de "Patrocinado" la bajó al 8 a 9%. Una sola fuente de Wirecutter o Reddit podía tumbar el favorito de un modelo (Wharton GAIL). La prueba social subió las tasas de recomendación en pruebas controladas. Las señales de escasez y de "exclusivo" las bajaron (Bias Beware, EMNLP 2025). 3. Aparece en la búsqueda en vivo del asistente Las marcas ausentes de los resultados web del asistente se mencionaron el 2.8% de las veces. Con su propia web citada y búsquedas de marca: el 91.4% (Tannenbaum, 2026, pre-print). Dentro de esos resultados, la posición 1 se citó el 58% de las veces y la posición 10 solo el 14% (AirOps y Kevin Indig). En C-SEO Bench (NeurIPS 2025), estar el primero en el contexto del modelo ganó a cualquier truco de reescritura. Así que posicionar en la búsqueda normal para "el mejor [categoría] 2026" sigue siendo trabajo real. No trabajo anticuado. 4. Pon una respuesta clara en el primer tercio de la página El 44.2% de las citas sale del primer tercio de una página. Las frases tajantes se citan más (AirOps y Kevin Indig). En los experimentos de GEO con 10,000 consultas, los números concretos, las citas textuales y las fuentes con nombre subieron la visibilidad entre un 30 y un 40%. Las páginas peor posicionadas fueron las que más ganaron (Aggarwal et al., KDD 2024). Es la única táctica dentro de la página con apoyo experimental. Se resume en: di claramente qué eres, respáldalo y hazlo arriba. 5. Muestra fechas reales en actualizaciones reales Los modelos prefieren fechas recientes. Una fecha de publicación más nueva subió pasajes en los siete sistemas de ordenación probados, hasta 95 puestos (Fang et al.). El contenido citado es más reciente que la media (Ahrefs). Solo funciona si la fecha es honesta. Cambiar la fecha de una página que no cambió es manipulación. Si algún día un modelo aprende a comprobarlo, te costará caro. Nuestra regla: una fecha visible, que solo cambia cuando cambia el contenido, anotada en el registro de cambios (/changelog). Lo que no funciona llms.txt por sí solo llms.txt es un archivo de texto plano que lista las páginas importantes de una web para agentes de IA. Es una cortesía razonable y lleva una hora. No es una palanca de visibilidad. - SE Ranking no encontró correlación entre tenerlo y las citas de IA, en unos 300,000 dominios. Su modelo fue más preciso sin él (proveedor). - Registros de servidor de Ahrefs: el 97% de los archivos llms.txt no recibió ni una petición en mayo de 2026 (proveedor). - Google dice que no usa llms.txt para la Búsqueda ni para las funciones de IA. Tenemos uno en /llms.txt (/llms.txt) porque los agentes pueden usarlo. Publicaremos nuestros propios registros de servidor sobre si algo lo lee. Quien te venda como entregable un archivo llms.txt te está vendiendo un placebo. El marcado schema por sí solo Los datos estructurados (JSON-LD) describen qué es una página: un artículo, una organización, un producto con un precio real. Úsalos con precisión. Ninguna evidencia muestra que hagan que un asistente te cite o te recomiende. Google dice que no existe un marcado especial para IA. Las valoraciones inventadas en el marcado no sirven y van contra las normas de Google (la revisión de mitos de GEO de Search Engine Land; la documentación de Google). Un marcado que coincide con la página visible es higiene, no estrategia. El relleno de palabras clave No ayudó en los experimentos de GEO. Las referencias, las citas textuales y las estadísticas sí (Aggarwal et al., KDD 2024). La mayoría de los trucos de contenido específicos para IA hicieron poco en C-SEO Bench, y la ganancia de cada truco se encogió a medida que más competidores lo usaban. Cuando todas las marcas aplicaron la misma optimización en las pruebas de Chu y Hou, el beneficio se desplomó de +0.802 a +0.007. Envíos masivos a directorios Los servicios que te dan de alta en 100 o 500 directorios venden volumen. ChatGPT y Gemini casi nunca citan directorios. En las 9,978 respuestas de GetIntel fueron una fuente menor al lado de las listas, las reseñas y los hilos de comunidades. Un directorio puede darte un enlace para el SEO clásico. No hará que te recomienden. Nunca los vendemos. Texto oculto, inyección de instrucciones, reseñas falsas En el laboratorio sí funcionan. El texto oculto y la inyección de instrucciones subieron un producto mal posicionado hasta arriba, también en Perplexity (Kumar y Lakkaraju; Pfrommer et al., EMNLP 2024). Justo por eso quedan descartados. Son manipulación, se descubren y se juegan el nombre de quien fundó el producto en un truco que muere con la siguiente actualización del modelo. Nuestra página de métodos limpios (/es/clean-methods) lista todo lo que nos negamos a hacer. El resumen honesto | Táctica | Evidencia | Nuestro veredicto | |---|---|---| | Que te nombren en listas, reseñas, hilos y vídeos de terceros | Fuerte, casi toda correlacional, coherente entre estudios | Hazlo. Es el núcleo de nuestro proyecto | | Reseñas honestas en los sitios que cita tu asistente | Experimental (Chu y Hou; Columbia) | Hazlo | | Posicionar en la búsqueda normal para las preguntas de tus compradores | Fuerte (Tannenbaum; AirOps; C-SEO Bench) | Hazlo | | Respuesta clara, números y fuentes arriba de la página | Experimental (Aggarwal et al.) | Hazlo una vez, bien | | Fechas de actualización reales | Experimental en sistemas de ordenación; solo fechas honestas | Hazlo con honestidad | | llms.txt | Sin correlación (SE Ranking); 97% sin leer (Ahrefs) | Ponlo gratis, no esperes nada | | Marcado schema | Sin evidencia para citas | Solo higiene precisa | | Relleno de palabras clave | No ayudó (Aggarwal et al.) | No | | Envíos masivos a directorios | Casi nunca citados (GetIntel) | No, y lo decimos | | Texto oculto, reseñas falsas, cuentas falsas | Funciona en laboratorio, es manipulación | Nunca | Límites Casi toda la evidencia de lo que "funciona" es correlacional. Mucha viene de empresas que venden herramientas de visibilidad en IA (Ahrefs, Muck Rack, Peec, Semrush, SE Ranking). Los experimentos se hicieron con modelos concretos en fechas concretas. Los efectos se encogen a medida que las tácticas se extienden. Nada de esto permite a nadie prometer lo que un asistente dirá de ti. Qué hacer ahora Averigua qué páginas de terceros citan tus asistentes para tu categoría. Esa lista es toda la lista de tareas. La comprobación gratuita (/es/check) la saca: 5 preguntas de compradores, 3 pasadas cada una, 4 asistentes. Recibes a quién nombraron en tu lugar y las fuentes citadas, en 2 días laborables. O hazla tú con la guía para hacerlo tú (/es/guides/check-if-chatgpt-recommends-you). Preguntas Entonces, ¿el GEO es humo? Los trucos dentro de la página, casi todos. Que te nombren en páginas que los asistentes ya citan, las reseñas honestas y la búsqueda normal son reales, aburridos y medibles. Solo vendemos la parte aburrida. ¿Borro mi llms.txt? No hace falta. No cuesta nada y algunos agentes pueden usarlo. Solo no esperes que cambie lo que recomiendan los asistentes. No le pagues a nadie por uno. Nosotros tenemos uno, y dice lo mismo. ¿Y el marcado schema? Úsalo con precisión donde encaje, porque describe tu página. Ninguna evidencia muestra que haga que un asistente te cite o te recomiende. Google dice que las funciones de IA no necesitan marcado especial. Si todo el mundo hace lo que funciona, ¿deja de funcionar? En parte. En un estudio, cuando todas las marcas usaron la misma optimización, el beneficio se desplomó. Las menciones ganadas y las reseñas reales se desgastan más despacio que los trucos. Por eso las preferimos. Fuentes - Chen et al., University of Toronto, earned media in AI search, 2025 (https://arxiv.org/html/2509.08919) - Muck Rack, Generative Pulse, 207 million citations, October 2026 (https://www.globenewswire.com/news-release/2026/10/28/3390134/0/en/generative-pulse-earned-media-still-drives-more-than-84-of-ai-citations.html) - Ahrefs, best lists research: 43.8% of cited page types (vendor) (https://ahrefs.com/blog/best-lists-research/) - Ahrefs, AI brand visibility correlations, 75,000 brands (vendor) (https://ahrefs.com/blog/ai-brand-visibility-correlations/) - Chu and Hou, brand bias and rating edges, 2026 (pre-print) (https://arxiv.org/abs/2606.17443) - Columbia, What Is Your AI Agent Buying? (https://ar5iv.labs.arxiv.org/html/2508.02630) - Tannenbaum, A fitted stage model of brand mention in AI search, 2026 (pre-print) (https://arxiv.org/abs/2609.23162) - AirOps and Kevin Indig, 815,484 query-page pairs (https://www.getpassionfruit.com/research/is-query-fan-out-a-marketing-buzzword-or-something-relevant) - Aggarwal et al., GEO: Generative Engine Optimization, KDD 2024 (https://arxiv.org/html/2311.09735v2) - C-SEO Bench, NeurIPS 2025 (https://ar5iv.labs.arxiv.org/html/2506.11097) - Fang et al., recency bias in LLM rankers (https://arxiv.org/abs/2509.11353) - Wharton GAIL, agentic shopping technical report, 2026 (https://gail.wharton.upenn.edu/research-and-insights/technical-report-agentic-shopping/) - Peec, most-cited domains by engine (vendor) (https://docs.peec.ai/research/most-cited-domains-by-engine) - SE Ranking, llms.txt across about 300,000 domains (vendor) (https://seranking.com/blog/llms-txt/) - Ahrefs, llms.txt study: 97% of files got zero requests (vendor) (https://ahrefs.com/blog/llmstxt-study/) - Google, AI features and your website (no llms.txt use, no special markup) (https://developers.google.com/search/docs/fundamentals/ai-optimization-guide) - Search Engine Land, GEO myths: this article may contain lies (https://searchengineland.com/geo-myths-lies-467617) - GetIntel, 9,978 AI answers: directories are rarely cited (https://getintel.ai/blog/best-saas-directories-2026/) - Kumar and Lakkaraju, manipulating LLM recommendations with hidden text (https://arxiv.org/pdf/2404.07981) - Pfrommer et al., EMNLP 2024, ranking manipulation for conversational search (https://arxiv.org/abs/2406.03589) - Bias Beware, EMNLP 2025: social proof, scarcity and exclusivity cues (https://arxiv.org/abs/2502.01349) - Semrush, LinkedIn AI visibility study, 89,000 cited URLs (vendor) (https://www.semrush.com/blog/linkedin-ai-visibility-study/)