La IA puede responder distinto a la misma pregunta y casi nadie lo está midiendo

En las páginas del volumen 2, número 24 (2026) de la publicación académica Latitude: Multidisciplinary Research Journal —bajo el sello de Quality Leadership University (QLU) en Ciudad de Panamá— ha visto la luz el estudio «Medición de la presencia de marca en la optimización para motores generativos: una revisión de alcance sobre métricas y validez», cuya autoría corresponde a Néstor Romero-Ramos, Yulianna Lobach, David Abreu-Abreu, Isaac Castillo-Hernández, Juan Carlos García-Cordero y Daniel García-Cordero. Dicha investigación, de libre acceso para la ciudadanía, constituye el debut bibliográfico de la agenda de estudio centrada en la Generative Engine Optimization (GEO) que Centria Group impulsa en colaboración con diversos centros de educación superior y universidades de cuatro naciones.

El texto aborda un interrogante que el marketing digital actual todavía no logra resolver con precisión: cuando un asistente de inteligencia artificial sugiere una entidad bancaria, una póliza o un alojamiento, ¿de qué manera se calcula si una firma aparece en dicha contestación, cuán destacada resulta y qué nivel de fiabilidad posee? Con el fin de darle solución, los investigadores llevaron a cabo una revisión sistemática exploratoria (scoping review) basada en la metodología del Joanna Briggs Institute (JBI) y divulgada según la directriz PRISMA-ScR, la cual examina de manera ordenada cómo la bibliografía reciente evalúa la aparición, la relevancia y las referencias a marcas y fuentes dentro de los buscadores conversacionales.

«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

La búsqueda combinó cuatro rutas complementarias, diseñadas para compensar los puntos ciegos de cada una: una herramienta de descubrimiento asistida por inteligencia artificial, consultas reproducibles y multilingües en OpenAlex, rastreo de citas desde nodos ancla y verificación en una base indexada (Web of Science; Scopus no resultó accesible). Tras la deduplicación por DOI —y no por título, dada la alta colisión de títulos genéricos en este campo— se cribaron los registros por resumen de forma independiente por dos revisores, y las discrepancias se resolvieron por consenso. Se evaluaron 36 informes a texto completo y se incluyeron 23 estudios primarios, más dos revisiones registradas por separado como marco conceptual.

«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 familias de indicadores parcialmente interconectadas —aparición/citación, relevancia/ubicación, absorción/influencia, clasificación en listados, consistencia, tono/marco y porcentaje de citación— que operan careciendo de un estándar unificado común. Asimismo, la investigación subraya que el límite teórico más fructífero de esta disciplina radica en la separación entre citación (la elección de una referencia) y absorción (la integración real de sus datos dentro del texto generado), dividiendo así en dos planos lo que tradicionalmente se evaluaba como una simple dicotomía.

Las siete familias de métricas identificadas

El foco analítico se desplaza: de la URL hacia la marca y el recorrido de los actores

No hay acuerdo unánime acerca de qué se mide con exactitud. El corpus pone de manifiesto una evolución constante que va desde la procedencia o la dirección web —legado directo del posicionamiento web— hasta la marca o entidad, el archivo, el artículo y, en las investigaciones más recientes, hacia elementos de mayor jerarquía como el recorrido de navegación de los agentes. Dicho cambio pone de relieve la transformación de la incógnita en el ámbito de estudio, aunque esto conlleva un precio: las investigaciones basadas en elementos diversos no resultan directamente equiparables, lo cual afianza la imposibilidad de llevar a cabo un metaanálisis.

La IA no responde siempre lo mismo, y casi 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 descubrimiento principal: un terreno que abarca bastante pero comprueba escasamente

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.

Una brecha entre la práctica profesional y la academia

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.

«La visibilidad en Google no predice la visibilidad en un asistente generativo. Eso invalida la transferencia directa de indicadores y obliga a repensar qué medimos y cómo».

La visibilidad generativa es susceptible de manipulación, lo cual transfiere a la medición una exigencia que habitualmente no se le pide: la solidez ante la manipulación en calidad de atributo del instrumento.

La ciencia en español, invisible: una lección metodológica

La revisión aporta además un hallazgo metodológico de interés directo para la comunidad hispanohablante. Existe un estrato de investigación en español, publicado en revistas de Biblioteconomía y Documentación, que aborda la visibilidad ante la IA generativa desde ángulos complementarios —la volatilidad de la presencia de marca en recomendaciones turísticas generadas por IA, o la optimización de repositorios académicos para su rastreo por motores generativos— y que la literatura anglófona dominante tiende a pasar por alto. Su recuperación solo fue posible mediante búsqueda multilingüe, lo que evidencia un sesgo lingüístico latente en el campo.

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 resultado lo reportamos como hallazgo metodológico y no como una limitación escondida. En un campo born-digital, la revista no funciona como indicador de calidad, y las herramientas de descubrimiento asistidas por IA tienden a infracubrir precisamente la evidencia revisada por pares y los benchmarks más relevantes. Hay que complementarlas con rastreo de citas y fuentes reproducibles», explica el investigador.

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 resulta, en este ámbito, epistemológicamente frágil; al fin y al cabo, los motores generativos son capaces de emitir respuestas diferentes ante un mismo interrogante.

Próximos pasos: del diagnóstico al instrumento

Los investigadores señalan que la carencia hallada —en lo referente a la validez de constructo y la consistencia documentada— representa el hueco que legitima la creación y validación formal de un indicador propio de presencia generativa. Del mismo modo, consideran este cometido como la evolución lógica de lo ya investigado, descartándolo como un hecho ya contrastado. Dicha dirección marca precisamente el rumbo que el grupo aborda en la etapa venidera.

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 declaradas por los autores

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.

Fuentes y referencias 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