Cuando le preguntas a ChatGPT «¿cuál es la mejor herramienta para X?», el modelo no saca una marca al azar ni recita una clasificación grabada en sus pesos. Una cita atraviesa tres etapas — recuperación, selección, síntesis — y en cada una es la señal de demanda, no la autoridad de tu dominio, la que hace el filtrado. Entender este mecanismo es entender dónde actuar.
- 3 etapas: recuperación de candidatos → selección de fuentes → síntesis de la respuesta.
- La señal de demanda filtra en cada etapa: una entidad mencionada en todas partes sobrevive; un dominio aislado se descarta.
- RAG: los modelos modernos recuperan texto relevante, no un grafo de backlinks.
- Extractabilidad ≠ autoridad: estructurar ayuda a ser leído; la demanda decide ser citado.
- 4 modelos: ChatGPT, Claude, Grok, DeepSeek — mismos principios, retrievals distintos.
Definición: ¿qué es una cita LLM?
Una cita LLM es la mención de una marca, un producto o una fuente en una respuesta generada por un modelo de lenguaje, como elemento de respuesta a una intención de usuario. Puede ser enlazada (con URL, como en Perplexity) o sin enlace (un simple nombre citado, como a menudo en ChatGPT). En ambos casos resulta de un proceso de selección, no de una clasificación fija.
Las tres etapas de una cita
El recorrido de una respuesta, del prompt a la marca citada, sigue una secuencia estable. Esto es lo que entra en juego en cada señal.
- 011 — Recuperación (retrieval)El modelo genera consultas derivadas de tu pregunta (query fan-out) y recupera un pool de candidatos: pasajes de entrenamiento y/o fuentes web frescas. El filtro aquí es la relevancia semántica y la presencia de la entidad. Una marca nunca mencionada para esta intención no entra en el pool.
- 022 — Selección (evidence selection)Entre los candidatos, el modelo evalúa relevancia, autoridad de entidad y frescura. Una marca descrita de forma coherente en muchas fuentes se juzga creíble y se retiene. Aquí es donde la demanda agregada vence a la autoridad de un sitio único.
- 033 — Síntesis (response synthesis)El modelo integra las fuentes seleccionadas en una respuesta fluida. La marca que aparece en varias fuentes seleccionadas tiene más posibilidades de ser nombrada — la redundancia de la señal de demanda paga una última vez.
Dónde se hace el filtrado: demanda vs autoridad, etapa a etapa
En cada etapa, dos señales se enfrentan. La tabla muestra cuál se impone, y por qué.
El retrieval-augmented generation recupera pasajes relevantes por similitud semántica — no un grafo de backlinks. Esa es la razón técnica por la que una mención sin enlace (0,664 de correlación) vence a un backlink (0,218): el backlink simplemente no es la señal que la capa de recuperación lee primero.
El error de trasladar el reflejo SEO
Muchos equipos aplican a la cita LLM la lógica del ranking de Google. Es el error más costoso, porque los dos mundos no leen las mismas señales. Otra diferencia mayor: no existe un ranking IA único — la fragmentación de las citas IA entre plataformas muestra que, con el mismo prompt, ChatGPT y Gemini comparten menos de uno de cada tres dominios citados.
Razonar cita LLM, no ranking Google
El query fan-out cambia el objetivo
Un detalle técnico con consecuencias estratégicas mayores: los motores IA no interrogan una sola consulta. Generan varias, derivadas, y sintetizan el conjunto.
Optimizar para una keyword exacta es apuntar a un objetivo que el modelo ya ha estallado en diez variantes. Es el clúster semántico entero lo que hay que cubrir, no la palabra clave.
Consecuencia: una marca presente en todo un clúster de intenciones es recuperable para cada variante del fan-out. Una marca presente en una sola keyword exacta es invisible en cuanto el modelo reformula. Por eso el LLM Seeding trabaja en clúster — 30 a 80 búsquedas por idioma — y no por palabra clave.
Del diagnóstico a la acción
Entender la mecánica responde a «por qué no me citan». La siguiente pregunta — «cómo conseguirlo» — exige actuar sobre la señal de demanda.
- 01Hacer la entidad recuperablePresencia coherente en las fuentes externas que los LLM leen. Cuanto más se describe tu marca de la misma forma en todas partes, mejor sobrevive a la recuperación.
- 02Hacer los pasajes extractablesRespuestas autónomas, definiciones claras, tablas, FAQ. Esto ayuda a la selección, sobre todo en Perplexity y Copilot.
- 03Crear la señal de demandaGenerar conversaciones naturales en torno a tu clúster semántico en ChatGPT, Claude, Grok y DeepSeek. Eso es el LLM Seeding activo — producir la señal en lugar de esperarla.
FAQ
Para seguir leyendo
- Los LLM se nutren de las búsquedas de usuarios — el postulado de fondo.
- Autoridad de dominio vs señal de demanda — las correlaciones con datos.
- El clúster semántico en GEO — por qué se trabaja en clúster, no por keyword.
Para hacer tu entidad recuperable y crear la señal: Cómo funciona y Precios.