La apuesta implícita de la mayoría de los stacks GEO: «si me cita ChatGPT, soy visible en la IA». Los datos de 2026 dicen lo contrario. Con el mismo prompt, ChatGPT y Gemini comparten menos de uno de cada tres dominios citados, los motores discrepan sobre qué marcas recomendar en el 62 % de los casos, y ninguna fuente gana en todas las plataformas. Medir tus citas IA en un solo motor no es una aproximación aceptable — es un punto ciego.
- Con el mismo prompt, ChatGPT y Gemini comparten menos de uno de cada tres dominios citados (overlap de Jaccard 0,15–0,34).
- Un 62 % de desacuerdo en marcas entre ChatGPT, Google AI Mode y AI Overviews (Semrush).
- Ninguna fuente gana en todas partes: Wikipedia domina el mix de ChatGPT, Reddit pesa en todos los motores, el resto diverge por motor y por vertical.
- Los referrals B2B se fragmentan: ChatGPT 62,6 % (a la baja), Claude 18,5 %, Gemini 10,6 %, Perplexity 7,3 % (Goodie, 2026).
- Conclusión operativa: el monitoring monoplataforma es un punto ciego. Medir multi-engine, luego activar.
¿Por qué cada plataforma IA cita fuentes diferentes?
Respuesta corta: porque no existe «la IA», sino pipelines de retrieval distintos. Gemini y AI Mode se apoyan en el grounding de Google. ChatGPT combina su índice, su crawl y sus acuerdos de contenido. Perplexity agrega varias fuentes por claim. Misma pregunta, maquinarias diferentes — y por tanto citas diferentes.
Dos definiciones antes de los números, porque la confusión sale cara. Una cita IA es un enlace fuente mostrado en la respuesta de un motor generativo. Una mención es el nombre de tu marca escrito en el texto de la respuesta. Las dos están desacopladas: Superlines mide que el 73 % de la presencia IA observada corresponde a citas sin ninguna mención de marca — hasta «ghost citations» en Gemini, donde tu dominio alimenta la respuesta sin que tu nombre aparezca por ningún lado. Los estudios AEO de 2026 publican ratios cita/mención distintos para cada motor; los valores exactos varían según la metodología, pero la conclusión es estable: ningún motor tiene el mismo perfil.
La magnitud de la fragmentación es medible. Un análisis de asimetría de citas sobre pares de prompts idénticos arroja un overlap de Jaccard de 0,15 a 0,34 entre los dominios citados por ChatGPT y Gemini — menos de un dominio de cada tres en común. Y en el lado de las marcas, Semrush registra un 62 % de desacuerdo entre ChatGPT, Google AI Mode y AI Overviews: ninguna marca domina en todas partes.
¿Existe una fuente que gane en todas las plataformas?
No — y es el punto que este benchmark tiene que dejar claro. El Citation Source Index 2026 de 5W, que sintetiza más de 680 millones de citas procedentes de seis estudios publicados entre agosto de 2024 y abril de 2026, muestra un solo invariante: Reddit, citado con una frecuencia cercana al 40 % en el conjunto de los motores. Todo lo demás diverge. Wikipedia pesa entre el 26 y el 48 % del top 10 de fuentes de ChatGPT. Perplexity cita aproximadamente tres veces más fuentes por respuesta que ChatGPT: multiplica las puertas de entrada, pero diluye cada cita.
La fragmentación se repite también por vertical. El estudio de Victorious recogido por Search Engine Journal (Q1 2026) testeó 177 marcas en 8 plataformas IA: en SaaS, la visibilidad la sostienen G2, Reddit y LinkedIn; en finanzas, los medios editoriales tipo Bankrate o NerdWallet; en salud, las señales de entidad (nombre, especialidad, afiliaciones). El playbook «publica en LA fuente correcta» no existe — la fuente correcta depende del motor y del mercado.
Fuentes: 5W Citation Source Index 2026 (síntesis de más de 680 M de citas); Superlines; Ahrefs (marzo 2026); Semrush; Victorious vía Search Engine Journal (Q1 2026).
¿Cuánto pesa realmente cada motor en el tráfico B2B?
El peso de las plataformas no es teórico: se lee en los referrals. El informe Goodie 2026 (segunda ola, marzo–abril de 2026) mide el reparto de los referrals IA B2B — y la foto se mueve rápido.
Goodie, AI Search Traffic Report 2026 (segunda ola). Las cuatro plataformas concentran ~99 % de los referrals IA B2B medibles.
La lección no es «ChatGPT declina» — es «el mix se redistribuye más rápido que tus hábitos de medición». Claude multiplicó su cuota por trece en ocho meses. Apostar tu monitoring a la plataforma dominante del momento es medir el mercado de ayer. El contexto de fondo está documentado en nuestro benchmark sobre el giro del search hacia la IA.
¿Por qué el monitoring monoplataforma es un punto ciego?
Porque te hace sacar conclusiones globales de una muestra local. Tres datos lo demuestran.
Uno, la línea de base es brutal: de las 177 marcas analizadas por Victorious (healthcare, SaaS, finanzas, retail, legal), solo 18 tenían una tasa de mención IA superior a cero — cerca del 90 % de las marcas están totalmente ausentes de las respuestas IA. Si formas parte del 10 % visible en algún sitio, saber dónde es exactamente lo que importa.
Dos, la superficie se expande mientras miras hacia otro lado: los AI Overviews se activan en el 48 % de las búsquedas de Google en marzo de 2026, frente al 34,5 % de diciembre de 2025 (Ahrefs) — y la tech B2B pasó del 36 % al 82 % de búsquedas afectadas. Desde que Google AI Mode es el modo por defecto, ignorar la superficie Google ya no es una opción.
Tres, el desacuerdo entre motores es la norma, no la excepción: un 62 % de desacuerdo en las marcas recomendadas (Semrush). Ser el primero en ChatGPT no predice nada sobre tu posición en Gemini.
Que ChatGPT te cite no dice nada de tu visibilidad en Gemini. Cada motor es un mercado en sí mismo, con su propio mix de fuentes.
En concreto: un dashboard que solo trackea ChatGPT ignora ~37 % de los referrals IA B2B, la totalidad de los AI Overviews y todas las ghost citations de los demás motores. No es un monitoring parcial. Es un monitoring falso.
¿Cómo montar un monitoring multi-engine que se sostenga?
La buena noticia: la fragmentación se gestiona con método, no con más personal. Cuatro pasos.
- 011 — Definir un clúster de prompts únicoDe 30 a 80 preguntas que cubren la intención de compra de tu categoría. Es el mismo clúster el que se muestrea en todos los motores — si no, las desviaciones no son comparables.
- 022 — Muestrear todos los motores al mismo ritmoLas cuatro plataformas que concentran ~99 % de los referrals B2B, más la superficie Google. Una medición puntual no vale nada: las respuestas IA son probabilísticas, hacen falta pasadas repetidas.
- 033 — Trackear citas Y menciones, por separadoSon dos métricas desacopladas. Una página citada sin mención alimenta al motor sin construir tu marca; una mención sin cita construye la marca sin tráfico. Las dos curvas cuentan historias diferentes.
- 044 — Pasar de la medición a la acciónEl monitoring constata, no corrige. Una vez identificados los puntos ciegos, es la señal de demanda — las conversaciones y búsquedas en torno a tu marca — la que hace entrar una entidad en el retrieval de los modelos.
Es exactamente la separación de roles que detallamos en monitoring vs LLM Seeding activo: el termómetro no calienta la habitación. Rankfeed hace las dos cosas — medir tu tasa de citación multimodelo sobre tu clúster semántico, y luego activarla vía la señal de demanda. La mecánica completa está descrita en cómo funciona.
FAQ
Para seguir leyendo
- Cómo los LLM eligen a quién citar — la mecánica de selección, motor por motor.
- El search gira hacia la IA en 2026 — los volúmenes detrás de la fragmentación.
- Google AI Mode por defecto — la superficie Google, nueva pieza del puzle.
La fragmentación de las citas IA no es un problema a debatir, es un parámetro a integrar. Rankfeed mide tu tasa de citación multimodelo sobre tu clúster semántico — y luego la activa vía la señal de demanda. Ver precios o entender la mecánica.