SEO para IA: cómo se implementa el AEO en un proyecto real

Resumen ejecutivo: el SEO para IA (lo que se llama AEO o GEO, que en la práctica son lo mismo) no es una disciplina paralela al SEO: es lo que se construye encima cuando el buscador deja de devolver una lista y empieza a redactar una respuesta. Esta guía no explica qué es el AEO, eso ya está en nuestra guía conceptual. Explica cómo se implementa: en qué orden se trabaja, qué se arregla primero, cómo se escribe un pasaje que un modelo pueda extraer, qué papel juegan los datos estructurados y las entidades, por qué la señal más pesada está fuera de tu sitio y cómo se mide sin engañarse con sesiones.

En Milimetrix trabajamos esta capa desde que el SEO y las relaciones públicas empezaron a decidir juntos quién aparece en una respuesta generada. Lo que sigue es el orden real en que abordamos un proyecto, con lo que hemos visto funcionar y con los límites de cada palanca.

¿Qué cambia en la práctica cuando el buscador responde en vez de listar?

Tres cosas cambian, y cada una mueve una parte distinta del trabajo.

La primera es la unidad de optimización. En el SEO clásico se posiciona una página; en una respuesta generada se cita un fragmento. Un modelo no premia la página con mejor estructura general: extrae el pasaje que responde la pregunta y lo usa. Eso convierte a cada sección en una pieza autónoma que gana o pierde por sí sola.

La segunda es la naturaleza del resultado. Una posición en Google se conquista y se conserva por un tiempo. Una mención en un modelo se vuelve a jugar en cada consulta, porque la respuesta se genera de nuevo cada vez y casi nunca es idéntica. El objetivo pasa de asegurar un puesto a subir la probabilidad de aparecer.

La tercera, y la más incómoda, es de dónde viene la señal. El contenido propio presenta a la marca, pero lo que la vuelve elegible suele estar en terceros: medios, comunidades, comparativas, reseñas. Un sitio impecable sobre una marca de la que nadie habla sigue siendo una marca que el modelo no menciona.

La base que no se puede saltar: si no te recuperan, no te citan

Antes de cualquier táctica de citabilidad hay una condición de entrada: la página tiene que ser accesible para el rastreador que alimenta al modelo y tiene que entregar su contenido en el HTML. Es la parte menos glamorosa y la que más veces encontramos rota.

Los puntos de falla que revisamos primero:

1. Acceso de los rastreadores de IA. Cada proveedor tiene varios bots con funciones distintas: uno alimenta la búsqueda en vivo, otro el entrenamiento. Bloquear el equivocado en el robots.txt deja a la marca fuera de las respuestas con enlace sin que nadie se dé cuenta. Y bloquear todo por precaución es una decisión legítima, pero tiene que ser una decisión, no un descuido heredado de una plantilla.
2. Contenido en el HTML, no en el JavaScript. Varios rastreadores de IA no ejecutan JavaScript como lo hace Google. Un catálogo o un cuerpo de artículo que se pinta en el cliente puede llegar vacío. Es el mismo problema que trabajamos en SEO para VTEX, y en la capa de IA pesa todavía más.
3. Descubrimiento por enlaces. Estar en el sitemap no garantiza que un rastreador de IA llegue a la URL. El enlazado interno sigue siendo el camino real, así que las páginas que importan no pueden depender de un solo enlace enterrado.
4. Indexación real, no declarada. Si Google no tiene la página, difícilmente esté en el conjunto de fuentes candidatas de un sistema que se apoya en su índice.

Nada de lo que viene después compensa una falla acá. Es la razón por la que un proyecto de SEO para IA empieza pareciendo una auditoría técnica común.

Contenido citable: escribir en pasajes que se sostienen solos

La prueba que aplicamos a cada sección es simple: si ese bloque se leyera aislado, sin el resto del artículo, ¿se entiende y responde una pregunta completa? Si la respuesta es no, es contenido que se lee bien de corrido pero que no da nada extraíble.

Lo que cambia en la práctica:

• El encabezado dice el sujeto. "Ventajas" no informa nada fuera de contexto. "Ventajas de VTEX para catálogos grandes" sí. Un encabezado que no se entiende solo obliga al modelo a reconstruir el tema, y muchas veces no lo hace.
• La respuesta va primero, el desarrollo después. Empezar la sección con la conclusión y luego explicarla es lo contrario del ensayo escolar, y es lo que permite que las primeras líneas de un bloque funcionen como respuesta.
• El dato propio se atribuye. Una cifra suelta es ruido; una cifra con quién la midió, sobre qué muestra y cuándo, es material citable. Es también la diferencia entre contenido que un competidor replica con un prompt y contenido que no.
• La pregunta real, con las palabras del cliente. Las consultas conversacionales son más largas y más específicas que las keywords. Cubrirlas obliga a nombrar objeciones, comparaciones y casos límite que el contenido comercial suele esquivar.

El filtro de fondo es este: si una página se puede reproducir con un prompt, no hay nada ahí que defender. Lo que se cita es lo irreplicable, y en una agencia eso normalmente significa datos de proyectos, pruebas hechas y casos con números.

Datos estructurados y entidades: que el modelo sepa de qué habla tu marca

Los datos estructurados no hacen que un modelo cite a una marca, pero resuelven algo previo: la desambiguación. Le dicen al sistema qué tipo de cosa es esta página, qué entidad es esta empresa, qué producto es este y con qué se relaciona.

Lo que trabajamos:

• Schema consistente y sin duplicar. Organization con los datos de la empresa, Product con precio y disponibilidad enlazados a datos vivos, FAQPage donde hay preguntas reales, Article con autor verificable. Un plugin que inyecta un segundo schema en conflicto anula el primero, y eso pasa más seguido de lo que parece.
• La marca como entidad, no como palabra. Nombre consistente, mismos datos de contacto en todas partes, perfiles que se refieren entre sí, autoría atribuida a personas que existen y tienen historial. Es lo que permite que el modelo junte las menciones dispersas y las asocie a la misma empresa.
• Catálogo legible para agentes. Cuando la consulta es de compra, lo que se evalúa no es el texto de la ficha sino si los atributos del producto están estructurados y disponibles. Un catálogo mal expuesto queda fuera de la recomendación aunque el producto sea el mejor.

La autoridad no se construye en tu sitio

Esta es la parte que descoloca a quien llega pidiendo "optimización para IA" pensando en cambios on page. La mención se decide en buena medida por lo que hay fuera: prensa, comunidades, comparativas de terceros, contenido de creadores. El sitio propio es la fracción más chica de la ecuación.

Por eso en Milimetrix el AEO no vive en el equipo de SEO solamente. Se trabaja junto a relaciones públicas, contenidos e influencer marketing, porque son las áreas que producen las señales externas que el modelo lee.

El caso donde eso se ve más claro es Silk Perfumes, una marca que compite contra grandes retailers en una categoría donde la marca decide la compra. Ahí trabajan las cinco áreas de la agencia y ninguna opera sola: el influencer marketing crea la demanda, el paid media la captura, el SEO abarata esa captura, y el AEO junto a las relaciones públicas construyen la relevancia que los modelos reconocen. El resultado en la capa de IA fue liderazgo en menciones de su categoría en ocho modelos distintos, con un crecimiento promedio de 21% en menciones por categoría, y en paralelo 43% de crecimiento de ingresos orgánicos interanual. No fue una táctica de citabilidad: fue coordinación entre áreas apuntando a las mismas superficies.

La conclusión operativa es que un proyecto de visibilidad en IA que solo toca el sitio tiene un techo bajo, y conviene decirlo antes de empezar.

Medir en varios modelos, no en sesiones

El error más común es medir esta capa con la herramienta equivocada. Las sesiones que llegan desde un modelo son la punta del iceberg y llegan mal atribuidas, porque buena parte del tráfico referido pierde el origen en el camino. Ese problema lo desarrollamos en el tráfico desde LLMs.

Lo que sí medimos:

• Presencia por prompt y por modelo. La misma pregunta en ChatGPT, Gemini, Perplexity y Claude devuelve conjuntos de fuentes distintos. Un promedio único esconde que la marca puede liderar en uno y no existir en otro.
• Tres escalones que no son lo mismo. Que el modelo recupere la fuente, que la cite con enlace y que recomiende la marca son cosas distintas. Confundirlas infla el reporte.
• Cómo describe a la marca. El encuadre de la mención es información estratégica: no es igual aparecer como opción barata que como especialista. Esto no se mide con un contador.
• Cobertura temática. Qué preguntas de la categoría ya tienen un pasaje competitivo nuestro y cuáles no. Es lo que ordena el plan de contenidos.
• Señales de demanda de marca. Variación en búsquedas por el nombre y en consultas conversacionales atribuibles, que suelen moverse antes que el tráfico.

Sobre los rankings públicos de visibilidad en IA conviene ser prudente: dependen enteramente de qué prompts se eligieron. Un tablero que no muestra su set de prompts no es una medición, es una opinión con formato de dato.

¿Qué revisamos primero en una auditoría de SEO para IA?

Este es el orden real, y no es arbitrario: cada paso habilita al siguiente.

1. Acceso y recuperabilidad. Qué bots están permitidos y cuáles no, si el contenido llega en el HTML, si las páginas clave se descubren por enlaces internos y si están indexadas.
2. Estructura del contenido. Encabezados que se entienden solos, respuesta al inicio de cada sección, y dónde está enterrada la información que hoy no se puede extraer.
3. Datos estructurados y entidad. Schema correcto y sin conflictos, consistencia de los datos de marca, autoría verificable, catálogo expuesto si aplica.
4. Autoridad externa. Dónde se menciona la marca hoy, quién la describe, cómo, y qué brechas hay frente a los competidores que sí aparecen en las respuestas.
5. Medición. Set de prompts por categoría, línea base por modelo, y separación explícita entre recuperación, cita y recomendación.
6. Coordinación entre áreas. Qué puede aportar prensa, qué contenidos, qué influencer, y en qué orden, porque este trabajo no lo cierra un equipo solo.

Los pasos 1 a 3 dan señales tempranas. El paso 4 es el que decide el techo y el que más tarda.

El siguiente paso

Si tu marca no aparece cuando alguien le pide recomendaciones a un modelo en tu categoría, el diagnóstico correcto no empieza por escribir contenido nuevo: empieza por saber si te pueden recuperar, si tu contenido es extraíble y quién habla de ti hoy. Ese trabajo es el que hacemos en nuestro servicio de AEO y GEO, sobre la base técnica de nuestro servicio de SEO y con el punto de partida de una auditoría SEO completa. Si quieres saber en qué modelos aparece hoy tu marca y en cuáles aparece tu competencia, hablemos.