La ciencia lo confirma: ser visible en Google no predice ser visible en la inteligencia artificial

La revista científica Latitude: Multidisciplinary Research Journal, editada por Quality Leadership University (QLU) en Ciudad de Panamá, ha publicado en su volumen 2, número 24 (2026), el estudio «Medición de la presencia de marca en la optimización para motores generativos: una revisión de alcance sobre métricas y validez», firmado por Néstor Romero-Ramos, Yulianna Lobach, David Abreu-Abreu, Isaac Castillo-Hernández, Juan Carlos García-Cordero y Daniel García-Cordero. El trabajo, disponible en acceso abierto, es el primer resultado publicado de la línea de investigación sobre Generative Engine Optimization (GEO) que Centria Group desarrolla junto a instituciones académicas y universitarias de cuatro países.

El artículo responde a una pregunta que el marketing digital todavía no sabe contestar con rigor: cuando un asistente de inteligencia artificial recomienda un banco, un seguro o un hotel, ¿cómo se mide si una marca está presente en esa respuesta, con qué prominencia y con qué fiabilidad? Para responderla, el equipo realizó una revisión de alcance (scoping review) siguiendo la metodología del Joanna Briggs Institute (JBI) y reportada conforme a la extensión PRISMA-ScR, que mapea de forma sistemática cómo la literatura emergente mide la presencia, la visibilidad y la citación de fuentes y marcas en los motores generativos.

«Durante casi dos décadas, la visibilidad digital se midió por una capacidad muy concreta: aparecer —y ser pulsado— en una lista de resultados. Hoy el usuario ya no recibe diez enlaces azules: recibe una respuesta sintetizada que integra y reformula varias fuentes, y que las cita de forma parcial o desigual. La pregunta relevante ha dejado de ser si mi enlace aparece y se pulsa, y ha pasado a ser si mi contenido está presente dentro de la respuesta que el usuario realmente lee», explica Néstor Romero, autor corresponsal del estudio y COO de Centria Group.

Del clic a la respuesta: por qué las métricas del SEO dejan de servir

El análisis arranca de una realidad que el propio corpus corrobora mediante datos empíricos: las referencias empleadas por una inteligencia artificial generativa coinciden escasamente con los resultados orgánicos clásicos, y el criterio de elección difiere según la plataforma. En otras palabras, aparecer en los primeros puestos de Google no garantiza presencia en un chatbot conversacional, lo que echa por tierra la traslación automática de métricas y exige replantizar las mediciones y los métodos. A este escenario se une el impacto de las «cero clics», potenciado por las respuestas sintéticas que ofrecen los motores de búsqueda actuales: gran parte de las búsquedas culminan sin que el internauta navegue hacia ninguna página web.

«La cuota de citación es la métrica que la práctica profesional trata como central, y en la literatura académica está formalizada en un único estudio. Esa brecha entre industria y academia es en sí misma un hallazgo», dijo Néstor Romero.

¿Qué varía del SEO al GEO?

Cómo se hizo: cuatro rutas de búsqueda y una política explícita de preprints

Para compensar los puntos ciegos particulares de cada método, el proceso integró cuatro vías complementarias: un sistema de hallazgo impulsado por inteligencia artificial, búsquedas multilingües y replicables en OpenAlex, seguimiento de referencias a partir de nodos clave, y comprobación en un repertorio indexado (Web of Science; Scopus no estuvo disponible). Una vez eliminados los duplicados mediante DOI —evitando el título debido a los frecuentes conflictos en denominaciones genéricas dentro de esta disciplina—, dos investigadores examinaron los resúmenes por separado, solucionando cualquier desacuerdo de común acuerdo. Finalmente, se revisaron 36 documentos íntegros, seleccionando 23 investigaciones originales, además de dos revisiones catalogadas de manera independiente a modo de contexto teórico.

«Gran parte del saber producido en nuestro idioma acerca de este asunto no trasciende a las redes internacionales. Rescatarlo va más allá de un simple afán de completitud; pone al descubierto un prejuicio idiomático oculto en la disciplina», subrayó Néstor Romero.

Siete familias de métricas y ningún marco que las integre

El análisis señala siete grupos de métricas que se superponen en parte —como aparición o citación, visibilidad o posición, asimilación o influencia, clasificación en listados, consistencia, tono o enfoque, y porcentaje de citación— las cuales coexisten careciendo de un criterio unificado común. Asimismo, la investigación subraya que el límite conceptual más fructífero de esta área radica en la separación entre citación —entendida como la elección de una fuente— y asimilación —cuando el mensaje pasa a formar parte real del contenido de la contestación—, dividiendo así en dos planos lo que anteriormente se evaluaba como una simple dicotomía.

Las siete familias de métricas identificadas

La unidad de análisis cambia de rumbo: de la URL a la marca y a la trayectoria de los agentes

No existe consenso sobre qué se mide exactamente. El corpus revela un desplazamiento progresivo desde la fuente o la URL —herencia directa del SEO— hacia la marca o entidad, el documento, el producto y, en los trabajos más recientes, hacia unidades de orden superior como la trayectoria de navegación de los agentes. Ese desplazamiento refleja la migración de la pregunta del campo, pero tiene un coste: los estudios con unidades distintas no son directamente comparables, lo que refuerza la imposibilidad de realizar un metaanálisis.

La IA no siempre contesta igual, y prácticamente nadie lo mide

Los motores generativos son estocásticos: pueden ofrecer respuestas distintas ante la misma pregunta. Una medición fiable exige, por tanto, repetir las mediciones o modelar explícitamente la incertidumbre. Sin embargo, solo una minoría de los estudios lo hace de forma sistemática. Entre quienes sí lo aplican destacan trabajos con cinco ejecuciones por consulta, con 200 evaluaciones y permutaciones de orden, con análisis de sensibilidad para idioma y paráfrasis, o que tratan la visibilidad como una distribución en lugar de como un valor puntual. La mayoría restante se apoya en una única ejecución.

«Una medición de una sola ejecución es, en este dominio, epistemológicamente frágil. Cualquier instrumento robusto tiene que incorporar la repetición y la modelización de la incertidumbre como requisito, no como un refinamiento opcional», señala Romero.

El hallazgo central: un campo que mide mucho y valida poco

El estudio arroja un hallazgo concluyente: ninguna de las investigaciones analizadas somete su herramienta de medición a un proceso de validación psicométrica riguroso. En su lugar, se implementan supervisiones periféricas y fragmentadas —como índices de estabilidad, certeza en la atribución, triangulación metodológica o resistencia a alteraciones secuenciales—, mientras que el acuerdo entre evaluadores, que constituye una condición elemental para cualquier dispositivo analítico, rara vez se menciona. Cuando se justifica la validez, esta se sustenta en la consistencia interna de referencias diseñadas específicamente para la ocasión en lugar de apoyarse en atributos métricos consolidados. Por consiguiente, la premisa principal que se desprende del mapeo es categórica: todavía no se cuenta con un instrumento consolidado y contrastado para cuantificar la huella generativa de una marca.

«Nos topamos con un ámbito que cuantifica extensamente y valida de forma escasa. No escasean las propuestas de medición, las cuales proliferan; lo que verdaderamente escasea es la validez de constructo y una fiabilidad debidamente respaldada. Conviene precisarlo sin ambages, dado que equiparar un benchmark con un instrumento debidamente validado eleva artificialmente la supuesta madurez metodológica de la disciplina. Precisamente esa laguna constituye la gran oportunidad científica», sostiene Néstor Romero.

Existe una separación entre la formación académica y la práctica profesional

El texto expone una discrepancia notable entre aquello a lo que el sector otorga máxima prioridad y lo que la investigación científica ha consolidado. Por un lado, la proporción de citas (citation share) —un indicador al que la actividad profesional confiere un carácter determinante y presupone dotado de validez convergente— se reduce, en la práctica, al respaldo de una única investigación. Por otro lado, la categoría de sentimiento y encuadre presenta una escasez similar, a pesar de que el estudio de mayor envergadura dentro del corpus, enfocado en más de un centenar de marcas, la señala como el indicador más voluble de todos.

Aparecer en los resultados de Google no garantiza figurar en un asistente generativo. Dicha circunstancia anula la traslación automática de métricas, lo que exige replantear tanto los objetos de análisis como los métodos de medición.

«La visibilidad generativa es manipulable, y eso traslada a la medición un requisito que normalmente no se le exige: la robustez frente a la manipulación como propiedad del instrumento».

La ciencia en español, invisible: una lección metodológica

Asimismo, el análisis revela un descubrimiento metodológico de suma relevancia para el ámbito hispanohablante. Hay un conjunto de estudios en castellano, difundidos en publicaciones de Biblioteconomía y Documentación, que examinan la visibilidad frente a la inteligencia artificial generativa desde perspectivas diversas —tales como la inestabilidad de la presencia de marcas en recomendaciones de viajes elaboradas por IA, o bien la mejora de repositorios académicos para facilitar su rastreo por parte de motores generativos—, aspectos que los textos en inglés hegemónicos suelen soslayar. Dicha recuperación únicamente se logró a través de consultas multilingües, lo cual pone de manifiesto un sesgo de idioma implícito en esta disciplina.

A ello se suma una segunda lección del propio proceso: la verificación en una base indexada aportó 360 registros brutos, de los que se revisaron los 136 en acceso abierto, en su mayoría ruido temático por colisión de términos, y no incorporó ningún estudio de medición elegible nuevo. El campo es, en definitiva, preprint-first y está infracubierto por la indexación tradicional: el 64 % del corpus candidato se difunde a través de arXiv o SSRN y el 98 % carece de cuartil indexado.

«Este hallazgo lo presentamos a modo de aportación metodológica y no como una debilidad encubierta. Dentro de un ámbito de naturaleza digital, la publicación periódica deja de operar como baremo de excelencia, mientras que los sistemas de búsqueda apoyados por IA suelen dejar sin la debida cobertura justamente a los datos validados por expertos y a los referentes principales. Conviene combinarlas mediante el seguimiento de referencias y recursos replicables», detalla el especialista.

La visibilidad generativa es susceptible de manipulación

Un porcentaje de las investigaciones analizadas pone de manifiesto que la visibilidad dentro de los motores generativos resulta alterable de manera adversarial, recurriendo a tácticas de manipulación de posiciones en buscadores conversacionales o a través de la optimización discreta de prompts. Dicha investigación traslada esta conclusión al ámbito de la métrica: la solidez ante cualquier intento de manipulación tendría que constituir un atributo indispensable en toda herramienta de visibilidad.

«Una referencia comparativa valora la eficacia de una estrategia o el cambio de posición de un elemento, pero no determina si un indicador refleja fielmente un concepto abstracto. Mezclar ambos planos magnifica el grado de desarrollo aparente de la disciplina».

«Una medición de una sola ejecución es, en este dominio, epistemológicamente frágil: los motores generativos pueden responder distinto a la misma pregunta».

Qué sigue ahora: del análisis a la herramienta

Los autores concluyen que el vacío detectado —en validez de constructo y en fiabilidad documentada— constituye la apertura que justifica desarrollar y validar formalmente un índice específico de presencia generativa, y sitúan esa tarea como la continuación natural del trabajo publicado, y no como una afirmación ya demostrada. Es precisamente la línea en la que el equipo trabaja en la fase siguiente.

«Nuestro objetivo es pasar del diagnóstico a la herramienta: construir y validar un índice que cualquier organización, del tamaño que sea, pueda usar para saber con base científica qué presencia tiene su marca cuando la inteligencia artificial responde por ella», adelanta Néstor Romero.

Limitaciones explicitadas por los creadores

El texto aclara sus propias limitaciones: la fragilidad del soporte empírico dentro de un ámbito tan novedoso y dominado por preprints, lo cual vuelve provisionales las deducciones; la imposibilidad de reproducir el trayecto de hallazgo original —contrarrestada, si bien no del todo, mediante OpenAlex, el seguimiento de citas y el cotejo indexado—; el acotamiento lingüístico al español e inglés junto con la carencia de acceso institucional para validar en Scopus; una codificación llevada a cabo parcialmente sobre los resúmenes, con métricas de incorporación provisionales; un riesgo de circularidad, puesto que bastantes investigaciones utilizan modelos de lenguaje para evaluar su propia ejecución; así como la vigencia temporal acotada de cualquier instantánea sobre una disciplina fundamentada en tecnologías privativas en mutación permanente.

Ficha del estudio

Para profundizar en la metodología, los hallazgos y las implicaciones del análisis, puede solicitar el informe completo sobre la banca panameña ante la inteligencia artificial.

Referencias completas del artículo

Las 27 referencias bibliográficas empleadas en la investigación difundida se presentan completas en estilo APA. De este modo, los medios de comunicación disponen del acceso directo para conectar con la documentación original.

• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., y Deshpande, A. (2024). GEO: Generative engine optimization. En Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. ACM. https://doi.org/10.1145/3637528.3671900

• Alcaraz Martínez, R., y Sulé, A. (2026). Generative engine optimization (GEO): Revisión de enfoques, métricas y estrategias. Ibersid, 20(1), Artículo 5156. https://doi.org/10.54886/ibersid.v20i1.5156

• Bagga, P., Farias, V. F., Korkotashvili, T., Peng, T., y Wu, Y. (2025). E-GEO: A testbed for generative engine optimization in e-commerce [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2511.20867

• Chen, M., Wang, X., Chen, K., y Koudas, N. (2025). Generative engine optimization: How to dominate AI search [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2509.08919

• Chen, M., Wang, X., Chen, K., y Koudas, N. (2026). Navigating the shift: A comparative analysis of web search and generative AI response generation [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.16858

• Chen, X., y Liao, Y. (2025). Caption injection for optimization in generative search engine [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2511.04080

• Khedekar, P., y Bansal, G. (2026). Strategic GEO: How generative engine optimization reshapes competitive advantage in consumer markets. International Journal of Data Science and Machine Learning, 6(1). https://doi.org/10.55640/ijdsml-06-01-02

• Kim, S., Jeong, W., Kim, S., Lee, S., y Lee, D. (2026). SAGEO Arena: A realistic environment for evaluating search-augmented generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2602.12187

• Kumar, A., y Lakkaraju, H. (2024). Manipulating large language models to increase product visibility [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2404.07981

• Kumar, P. (2026). Generative engine optimization at scale: Measuring brand visibility across AI search engines [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2606.20065

• Liu, Z., y Xu, P. (2026). Think before writing: Feature-level multi-objective optimization for generative citation visibility [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.19113

• Lüttgenau, F., Colic, I., y Ramirez, G. (2025). Beyond SEO: A transformer-based approach for reinventing web content optimisation [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2507.03169

• Ma, L., Qin, J., Xu, X., y Tan, Y. (2025). When content is Goliath and algorithm is David: The style and semantic effects of generative search [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2509.14436

• Munn, Z., Peters, M. D. J., Stern, C., Tufanaru, C., McArthur, A., y Aromataris, E. (2018). Systematic review or scoping review? Guidance for authors when choosing between a systematic or scoping review approach. BMC Medical Research Methodology, 18, Artículo 143. https://doi.org/10.1186/s12874-018-0611-x

• Murár, P. (2025). Reframing SEO for the age of generative engines. Media & Marketing Identity. https://doi.org/10.34135/mmidentity-2025-80

• Nimase, O., Chen, Z., Qi, G., Zhao, Y., y Hu, X. (2026). GEO-Bench: Benchmarking ranking manipulation in generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2605.29107

• Oruesagasti, J. (2026). Algorithmic trust and compliance: Benchmarking brand notability for UK iGaming entities in generative search [Preprint]. ResearchGate. https://doi.org/10.13140/rg.2.2.15316.46721

• Pfrommer, S., Bai, Y., Gautam, T., y Sojoudi, S. (2024). Ranking manipulation for conversational search engines [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2406.03589

• Puerto, H., Gubri, M., Green, T., Oh, S. J., y Yun, S. (2025). C-SEO Bench: Does conversational SEO work? [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2506.11097

• Quintana-Gómez, Á. (2026). Generative engine optimization (GEO) y visibilidad de marcas en recomendaciones turísticas generadas por IA: Un análisis exploratorio. Revista Prisma Social, (52), 21-38. https://doi.org/10.65598/rps.5975

• Rajpoot, P., y Raghuvanshi, D. R. (2026). An exploratory study on the impact of generative AI (Search Generative Experience – SGE) on organic visibility. International Scientific Journal of Engineering and Management. https://doi.org/10.55041/isjem06077

• Reyes-Lillo, D., Morales-Vargas, A., y Rovira, C. (2025). Generative engine optimization en repositorios digitales: Optimización de la visibilidad para la IA generativa. INFONOMY, 3(5), Artículo e25034. https://doi.org/10.3145/infonomy.25.034

• Schulte, J., Bleeker, M., y Kaufmann, P. (2026). Don’t measure once: Measuring visibility in AI search (GEO) [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.07585

• Tang, Y., Fan, Y., Yu, C., Yang, T., Zhao, Y., y Hu, X. (2025). StealthRank: LLM ranking manipulation via stealthy prompt optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2504.05804

• Tian, Z., Chen, Y., Tang, Y., Liu, J., y Jia, R. (2026). Diagnosing and repairing citation failures in generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2603.09296

• Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., … Straus, S. E. (2018). PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467-473. https://doi.org/10.7326/M18-0850

• Zhang, K., He, X., y Yao, J. (2026). From citation selection to citation absorption: A measurement framework for generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.25707