Cómo eligen sus fuentes los modelos de IA
Ninguna de las ocho superficies publica su criterio de selección. Esta página recoge lo que sí es observable desde fuera, superficie a superficie, con la fecha de la última comprobación y con el procedimiento para que lo repitas tú mismo.
Publicado 8 de septiembre de 2026
Respuesta corta
Los modelos de IA eligen sus fuentes en dos momentos distintos: cuando buscan en vivo, en cuyo caso citan páginas que su crawler ha podido descargar, y cuando responden de memoria, en cuyo caso repiten lo que su corpus de entrenamiento contenía sobre una entidad. DoGeo trabaja los dos por separado, porque lo primero se arregla en semanas con acceso y renderizado, y lo segundo depende de que muchas fuentes de fuera describan tu empresa de la misma manera.
Qué se puede saber de verdad y qué es invento
HonestidadDoGeo distingue entre tres tipos de afirmación sobre estos sistemas, y solo publica las dos primeras.
Comprobable
se publicaQué user-agent descarga tu página, con qué código de estado le respondes, si la superficie enseña o no sus fuentes, y si esa superficie se apoya en un índice de búsqueda público. Todo esto se ve en tus logs de servidor y en la propia respuesta. Es la base de esta página.
Documentado por el fabricante
se publica citando la fuenteLos nombres de los crawlers, los rangos de IP que cada compañía publica para verificarlos y los controles que ofrece para excluirse. Cambian, y por eso esto se vuelve a revisar cada mes en lugar de darse por sabido.
Mecánica interna del ranking
no se publicaCómo pondera un modelo una fuente frente a otra, qué peso da a un dominio, qué le hace preferir una página a otra ante la misma pregunta. Nadie fuera de esas empresas lo sabe, y quien te lo cuente con seguridad se lo está inventando.
Si una agencia te explica el algoritmo de ChatGPT, no lo sabe. La parte útil del trabajo no está en adivinar el ranking: está en las tres cosas que sí controlas, que son que puedan leerte, que entiendan lo que dices y que las fuentes de fuera cuenten lo mismo que tú.
Los dos modos: buscar en vivo y responder de memoria
MecanismoDoGeo mide los dos por separado porque se arreglan con trabajo distinto y en plazos distintos.
Cuando un asistente busca en vivo, lanza una consulta a un índice o a un buscador, descarga un puñado de páginas y escribe la respuesta a partir de ellas. Ahí aparecen las citas, con enlace, y ahí tu web tiene una vía directa: si el fetcher puede descargarte y el contenido está en el HTML, eres candidato. Esta es la parte rápida. Desbloquear un crawler cambia lo que responde una superficie en cuanto vuelve a pasar.
Cuando el asistente responde de memoria, no descarga nada. Repite lo que aprendió durante el entrenamiento, que terminó hace meses y que no incluye tu página nueva. Aquí no hay cita ni enlace, y tu web no interviene en el momento de responder. Lo que interviene es cuánta gente ajena a ti escribió sobre tu empresa antes de esa fecha, y si todas esas fuentes decían lo mismo.
La consecuencia práctica de esta distinción es la que más veces hay que explicar en una primera llamada: una empresa puede arreglar su acceso técnico en una tarde y aparecer citada en Perplexity la semana siguiente, y seguir sin ser nombrada en una respuesta de ChatGPT que no busca. No es un fallo del trabajo. Son dos canales dentro del mismo producto.
| Busca en vivo | Responde de memoria | |
|---|---|---|
| Enseña fuentes | Sí, con enlace | No |
| Depende de tu web | Directamente | Indirectamente |
| Qué lo mueve | Acceso del crawler, renderizado, claridad de la página | Consenso entre fuentes de terceros a lo largo del tiempo |
| Plazo de reacción | Días o semanas | Meses, y ligado al siguiente entrenamiento |
| Cómo se mide | Aparición y posición en la respuesta, con la cita | Aparición y exactitud de la descripción, sin cita |
Superficie a superficie: qué es observable en cada una
Las nueveDoGeo trabaja ocho superficies de respuesta. Lo que sigue es el comportamiento observable de cada una, revisado por última vez el 2026-09-08. La lista es una afirmación sobre el alcance y es comprobable: si una superficie sale de aquí, sale de todas las páginas a la vez.
ChatGPT
GPTBot · OAI-SearchBot · ChatGPT-UserTres user-agents con tres trabajos: GPTBot rastrea de forma general, OAI-SearchBot alimenta la búsqueda y ChatGPT-User descarga una página concreta cuando el usuario lo pide en esa conversación. Cita cuando busca y no cita cuando responde de memoria. Bloquear GPTBot y dejar pasar a OAI-SearchBot es una combinación frecuente y produce resultados contradictorios entre sesiones.
Gemini
Googlebot · Google-ExtendedSe apoya en el índice de Google, así que si Googlebot no te indexa, no hay nada aguas abajo. Google-Extended no es un crawler: es un control que dice si tu contenido, ya rastreado por Googlebot, puede usarse para entrenar y para responder en Gemini. Se desactiva a veces sin querer al copiar un robots.txt de otro sitio.
AI Overviews y modo IA
GooglebotVan encima de los resultados clásicos y beben del mismo índice, así que aquí SEO y GEO comparten sustrato por completo. No hay una puerta aparte a la que llamar ni un crawler específico que permitir: si tu SEO técnico está mal, esto está mal. Es la superficie donde el trabajo clásico sigue rindiendo entero.
Claude
ClaudeBot · Claude-User · Claude-SearchBotTambién tres agentes, con la misma división que OpenAI: rastreo general, descarga a petición del usuario y búsqueda. Muestra las fuentes cuando busca. Se lleva el HTML tal y como se lo sirves, así que lo que solo aparezca después de ejecutar JavaScript queda fuera de lo que puede citar.
Perplexity
PerplexityBot · Perplexity-UserNumera sus fuentes en cada respuesta y casi siempre busca en vivo, así que es la superficie donde antes se ve si el trabajo técnico ha funcionado. DoGeo la usa como señal temprana: si el acceso y el renderizado están bien, Perplexity suele reaccionar antes que ninguna otra.
Grok
sin user-agent documentado estableTira mucho de contenido reciente y de la conversación pública en X, más que de páginas estables. Por eso aquí DoGeo mide mención de marca en lugar de cita de página: contar citas en una superficie que apenas cita produce un número que parece malo y no significa nada.
DeepSeek
pesos abiertosAl ser de pesos abiertos aparece dentro de productos de terceros tanto o más que en su propia interfaz, y muchas de esas integraciones no buscan en vivo. Lo que se diga de tu empresa ahí sale casi entero de las fuentes de fuera, no de tu web, lo que la convierte en un buen indicador del trabajo de consenso.
Mistral (Le Chat)
búsqueda con citasLa superficie europea, y busca mostrando fuentes. DoGeo la mide en cada idioma en el que vende el cliente, sobre las mismas preguntas, que es donde más se nota la diferencia entre idiomas: es habitual que la respuesta en español se apoye en páginas en inglés porque el corpus en inglés sobre un tema es mayor.
Los cuatro filtros que atraviesa tu página antes de ser citada
Qué controlasDoGeo trabaja sobre cuatro cosas, y las cuatro son controlables por el cliente. Fallar cualquiera de ellas hace irrelevantes las siguientes.
- 01 / ACCESO
¿Puede descargarte el crawler?
robots.txt es la parte fácil y casi nunca es la que falla. Lo que falla es la capa de protección del CDN, que devuelve un desafío a un user-agent que no reconoce. Googlebot pasa porque está en las listas blancas por defecto; GPTBot y ClaudeBot muchas veces no. El síntoma es una web que rankea bien y a la que ningún asistente cita.
- 02 / RENDERIZADO
¿Existe el contenido antes de JavaScript?
Google renderiza JavaScript. Los fetchers de los asistentes, en general, no: se llevan el HTML que reciben en la primera respuesta. Si tu argumento de venta, tus precios o tus preguntas frecuentes aparecen cuando arranca el framework, para ellos esa página está vacía. Se comprueba desactivando JavaScript en el navegador y leyendo lo que queda.
- 03 / EXTRACCIÓN
¿Se puede sacar una frase completa de tu página?
Un modelo cita fragmentos, no páginas. Un fragmento es útil si se entiende solo: sujeto explícito, unidad incluida, sin depender del párrafo anterior ni de una tabla que está tres pantallas más arriba. «Lo entregamos en dos semanas» no se puede citar, porque fuera de la página no se sabe ni quién lo entrega ni qué es «lo». Escribe el sujeto y el objeto dentro de la frase, siempre, aunque suene repetitivo al leerlo seguido.
- 04 / CONSENSO
¿Dicen lo mismo de ti en otros sitios?
Cuando varias fuentes describen tu empresa igual, un modelo afirma. Cuando cada fuente dice una cosa, el modelo se cubre o cambia de tema. Por eso la descripción de tu empresa tiene que ser literalmente la misma cadena de texto en tu web, en tus perfiles, en los directorios y en cada artículo firmado. La incoherencia es la razón más común de que un asistente prefiera no mojarse.
Cómo comprobar todo esto tú mismo, sin contratar a nadie
ReproducibleDoGeo publica el procedimiento entero porque un método que no se puede repetir no es una prueba, es una promesa.
Cinco comprobaciones, ninguna de las cuales requiere una herramienta de pago:
- Abre tu robots.txt y busca GPTBot, OAI-SearchBot, ChatGPT-User, ClaudeBot, Claude-User, Claude-SearchBot, PerplexityBot, Perplexity-User y Google-Extended. Si no aparece ninguno y la regla general permite el rastreo, estás permitiendo por defecto, que es correcto. Si aparece un Disallow para alguno, es una decisión y conviene saber quién la tomó.
- Pide tu página con el user-agent de un crawler y mira el código de estado. Un 403 o un 503 con un desafío significa que tu CDN está bloqueando lo que tu robots.txt permite, que es el caso más frecuente y el más caro de no ver.
- Desactiva JavaScript en el navegador y recarga tu página principal. Lo que quede visible es aproximadamente lo que puede citar un asistente. Si queda una cabecera y un pie, ese es tu problema.
- Busca en tus logs de servidor los hits por user-agent de esos nueve agentes durante los últimos treinta días. Cero hits de un agente que permites significa que el bloqueo está en otra capa o que nunca te han encontrado.
- Pregunta a ChatGPT, Gemini, Claude y Perplexity las cinco preguntas de compra reales de tu sector, en tu idioma, sin nombrar tu marca. Anota si sales, en qué lugar sales y si lo que cuentan de ti es correcto. Repite exactamente las mismas cinco preguntas dentro de un mes.
El paso cinco es el método de medición de DoGeo, reducido a lo que cabe en una tarde. La versión que se contrata es el mismo procedimiento con un conjunto de preguntas acordado y congelado, ejecutado sobre las ocho superficies, en cada idioma en el que vende el cliente y con el histórico al lado. La diferencia es el rigor y la constancia, no el secreto.
Qué se revisa de esta página cada mes
MantenimientoDoGeo vuelve a comprobar esta página entera cada mes, porque el comportamiento de estas superficies cambia y una guía sin fecha envejece sin avisar.
- Los nombres de los user-agents y los controles de exclusión que publica cada fabricante.
- Si cada superficie sigue mostrando o no sus fuentes, y si ha cambiado cuándo busca en vivo.
- Si ha aparecido una superficie nueva con suficiente uso como para entrar en la lista, o si alguna ha dejado de tener sentido y sale.
- El resultado de las cinco comprobaciones de arriba sobre esta misma web, que es la que se usa como caso de prueba.
Última revisión completa: 2026-09-08. Cuando una afirmación de esta página deja de ser cierta, se corrige y se cambia la fecha, en lugar de dejarla estar. Una página de método sin fecha visible es exactamente el tipo de fuente que un modelo cita mal y que un comprador deja de creerse a la segunda.
Preguntas frecuentes sobre el mecanismo
Última revisión: 2026-09-08¿Cómo eligen ChatGPT, Gemini, Claude y Perplexity qué fuentes citar?
Citan páginas que su crawler ha podido descargar y de las que pueden extraer una afirmación completa, cuando buscan en vivo. Ninguna de las cuatro publica cómo pondera unas fuentes frente a otras, así que DoGeo no lo afirma. Lo que sí es observable y controlable son cuatro cosas: si el crawler puede acceder, si el contenido existe antes de ejecutar JavaScript, si cada afirmación se entiende fuera de su párrafo, y si las fuentes de terceros describen la empresa igual.
¿Qué es llms.txt y necesita mi web uno?
llms.txt es un archivo de texto en la raíz de un sitio que resume qué es la empresa y enlaza sus páginas importantes, pensado para que un modelo lo lea. DoGeo lo publica y lo recomienda, con una advertencia: ninguna de las ocho superficies ha confirmado que lo use, así que no es una palanca de posicionamiento. Sirve porque obliga a escribir una definición única de la empresa y cuesta una tarde. Esta web tiene el suyo en /llms.txt.
¿Bloquear los crawlers de IA protege mi contenido o me hace invisible?
Te hace invisible en las respuestas, y protege menos de lo que parece. DoGeo lo plantea así: bloquear GPTBot o ClaudeBot impide que esa empresa descargue tu web, pero no impide que un modelo hable de ti a partir de lo que otros han escrito, ni retira lo que ya se entrenó. El resultado habitual es lo peor de las dos opciones: el asistente sigue describiendo tu empresa, y ahora solo con fuentes que no controlas.
¿Los datos estructurados influyen en que la IA cite mi web?
Influyen de forma indirecta y merecen el trabajo igualmente. Ninguna superficie ha confirmado que el JSON-LD sea una señal de selección, así que DoGeo no lo vende como tal. Lo que hace el marcado es declarar sin ambigüedad qué tipo de entidad eres, cómo te llamas y qué vendes, y eso es exactamente lo que un modelo tiene que resolver antes de poder recomendarte. Con una condición: el marcado tiene que coincidir con lo que se ve en la página.
¿Las reseñas y las menciones de terceros afectan a lo que la IA dice de mi empresa?
Afectan más que tu propia web cuando el asistente responde de memoria. DoGeo lo trata como uno de los cuatro filtros: la mayor parte de lo que un modelo sabe de una empresa lo aprendió de artículos, directorios, reseñas y conversaciones que esa empresa no escribió. Cuando esas fuentes coinciden entre sí, el modelo afirma; cuando se contradicen, se cubre. Comprar enlaces no cuenta y hoy hace daño.
¿La IA puede recomendar un negocio local o solo marcas nacionales?
Puede recomendar negocios locales, y con menos competencia que una marca nacional. DoGeo lo ve funcionar bien cuando los datos básicos son coherentes: mismo nombre, misma dirección, mismo teléfono y misma descripción en la ficha de Google, en los directorios del sector y en la propia web. En consultas locales el volumen de contenido importa menos y la coherencia de la ficha importa más, así que un negocio pequeño y ordenado gana a uno grande y descuidado.
Seguir por aquí
Y si prefieres que lo comprobemos nosotros
DoGeo hace estas cinco comprobaciones sobre tu web y te devuelve lo que ha encontrado. Hacen falta cuatro datos: tu nombre, tu empresa, tu web y un email de trabajo.