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.

«Cerca de veinte años atrás, el posicionamiento en la red dependía de una destreza muy específica: salir en un directorio de búsqueda y captar clics. Actualmente, la audiencia ya no se topa con diez enlaces azules, sino que obtiene una contestación elaborada que agrupa y reinterpreta múltiples portales, mencionándolos de manera incompleta o asimétrica. El dilema actual ya no consiste en averiguar si nuestro hipervínculo se muestra y recibe visitas, sino en comprobar si nuestra información figura en el interior de esa contestación que el consumidor consume en realidad», señala Néstor Romero, investigador firmante del informe y director de operaciones de Centria Group.

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

El artículo parte de una constatación que el propio corpus revisado respalda con evidencia empírica: las fuentes que cita un motor generativo se solapan poco con las que posicionan en la búsqueda tradicional, y la lógica de selección varía de un motor a otro. Dicho de otro modo, la visibilidad en Google no predice la visibilidad en un asistente generativo, lo que invalida la transferencia directa de indicadores y obliga a repensar qué se mide y cómo. A ello se suma el fenómeno «cero clics», acelerado por los resúmenes generativos integrados en los buscadores: una parte sustancial de las consultas se resuelve hoy sin que el usuario visite ningún sitio 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 cambios se aprecian entre el SEO y el GEO?

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

Se integraron cuatro vías complementarias en la búsqueda, pensadas para contrarrestar las limitaciones específicas de cada una: 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 una plataforma indexada (Web of Science; Scopus no estuvo disponible). Una vez eliminados los duplicados mediante el DOI —evitando el título debido a la frecuente coincidencia de denominaciones genéricas en esta disciplina—, dos evaluadores analizaron los resúmenes de forma autónoma, alcanzando acuerdos por consenso ante cualquier desacuerdo. Se examinaron 36 documentos íntegros, incorporando 23 investigaciones originales junto a dos revisiones catalogadas de manera independiente a modo de marco teórico.

«Buena parte del conocimiento generado en español sobre esta materia no llega a los circuitos internacionales. Recuperarlo no es una cuestión de exhaustividad: revela un sesgo lingüístico latente en el campo», recalcó 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

La unidad de análisis se mueve: de la URL a la marca y a la trayectoria de los agentes

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 Inteligencia Artificial no contesta de forma idéntica todo el tiempo, y prácticamente nadie evalúa este fenómeno

Dado que los motores generativos funcionan de manera estocástica, son capaces de arrojar contestaciones diferentes frente a una idónea idéntica consulta. Una evaluación certera demanda, por ende, duplicar las pruebas o bien representar de forma explícita la variabilidad. No obstante, tan solo una pequeña parte de las investigaciones procede de este modo riguroso. Dentro del grupo que sí implementa estas prácticas sobresalen iniciativas que realizan cinco corridas por cada petición, completan doscientos exámenes junto a variaciones de secuencia, aplican estudios de sensibilidad para idioma y refraseo, o bien consideran la visibilidad en calidad de distribución en vez de como un dato aislado. El porcentaje restante suele fundamentarse en una única ejecución.

«Una medición de una sola ejecución resulta, en este ámbito, epistemológicamente frágil. Todo instrumento sólido debe integrar la repetición y la modelización de la incertidumbre como una exigencia, jamás como un mero detalle optativo», apunta Romero.

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

La conclusión determinante del estudio es que ningún trabajo del corpus somete su instrumento de medición a validación psicométrica en sentido estricto. Lo que existe son controles adyacentes y aislados —métricas de estabilidad, fidelidad de la atribución, triangulación por diseño o robustez al orden—, y la fiabilidad intercodificadores, requisito básico de cualquier instrumento, apenas se reporta. La validez, cuando se argumenta, descansa en la coherencia interna de benchmarks creados ad hoc antes que en propiedades de medición. De ahí la conclusión central del mapeo: no existe todavía un instrumento integrado y validado para medir la presencia generativa de marca.

«Descubrimos un ámbito donde se mide en exceso pero se valida de manera escasa. No escasean las propuestas para medir, de hecho sobran; lo que realmente escasea es la fiabilidad debidamente documentada y la validez de constructo. Hay que decirlo con total exactitud, puesto que equiparar un benchmark con un test validado magnifica de forma artificial la supuesta madurez metodológica del sector. Justamente ese hueco constituye la gran ocasión 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.

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».

«En este ámbito, evaluar una única ejecución resulta epistemológicamente frágil, ya que los motores generativos son capaces de ofrecer respuestas distintas ante la misma consulta».

Qué sigue ahora: del análisis a la herramienta

Los investigadores deducen que el vacío observado —tanto en validez de constructo como en fiabilidad documentada— representa el hueco que legitima la creación y validación formal de un indicador específico de presencia generativa, planteando esta labor como el paso lógico tras lo ya publicado, más que como una hipótesis comprobada. Justamente en esa dirección avanza el grupo durante la etapa consecuente.

«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 artículo explicita sus propios límites: la inestabilidad de la base de evidencia en un campo tan reciente y dominado por preprints, que hace provisionales sus conclusiones; la no reproducibilidad de la ruta de descubrimiento inicial —mitigada, aunque no eliminada, por OpenAlex, el rastreo de citas y la verificación indexada—; el alcance lingüístico restringido a español e inglés y la imposibilidad de verificar en Scopus por falta de acceso institucional; la codificación parcialmente realizada a nivel de resumen, con cifras de inclusión provisionales; una amenaza de circularidad, dado que numerosos estudios emplean modelos de lenguaje como jueces de su propia medición; y la validez temporal limitada de cualquier fotografía de un campo que opera sobre sistemas propietarios en evolución constante.

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