GEO, AEO y LLMO: tres siglas, un problema de medición

Circulan tres siglas para algo que, por debajo, es el mismo problema. GEO. AEO. LLMO. Aparecieron con pocos meses de diferencia, hay quien las usa como sinónimos y quien las define de forma mutuamente excluyente, y lo único en lo que todos coinciden es en que deberías estar preocupado.

La versión corta, antes de la larga: describen miradas solapadas sobre una única situación. Los sistemas de IA generativa contestan nombrando a un puñado de marcas, y la mayoría de las empresas no tiene ni idea de si está entre ellas. Todo lo demás es vocabulario.

Qué afirma cada una en realidad

GEO: Generative Engine Optimization

GEO es el término con el origen más claro. Salió de la investigación académica y no de una agencia de marketing, y se acuñó para nombrar una pregunta concreta: dado que un motor generativo sintetiza una respuesta en vez de devolver enlaces, ¿qué hace que una fuente tenga más probabilidades de ser usada y mencionada dentro de esa síntesis?

El planteamiento habla de motores entendidos como sistemas: algo que recupera, ordena por dentro, resume y emite prosa. Cubre ChatGPT, Claude, Gemini y Perplexity, además de los resúmenes generados que se cosen encima del buscador de siempre. La unidad de éxito ya no es una posición. Es si tu nombre entra en un párrafo donde caben poquísimos nombres.

AEO: Answer Engine Optimization

AEO es una idea vieja con ropa nueva. Es anterior a la oleada actual de asistentes conversacionales y describía en su origen la optimización para los fragmentos destacados, los asistentes de voz y cualquier otra cosa que devolviera una respuesta en lugar de una página de opciones. Datos estructurados, encabezados con forma de pregunta, la respuesta directa en la primera frase de cada sección. Eso era AEO antes de que nadie hubiera oído hablar de un modelo de lenguaje.

Desde entonces la etiqueta se ha estirado hasta abarcar también las interfaces de chat generativas, y por eso hoy convive de forma incómoda con GEO. Cuando alguien use AEO, léelo con atención y casi siempre distinguirás cuál de las dos cosas quiere decir: la versión de los esquemas y los fragmentos, o la versión de los modelos. A menudo quiere decir las dos, sin percatarse de que son máquinas distintas que fallan de maneras distintas.

LLMO: Large Language Model Optimization

LLMO apunta al blanco más estrecho y más literal: influir en lo que dice el propio modelo de lenguaje, por oposición a lo que le sirve una capa de recuperación. Merece la pena entender la distinción, porque es el único punto donde estas siglas señalan mecanismos de verdad diferentes.

Un modelo puede contestarte de dos maneras muy distintas. Puede hacerlo con lo que absorbió durante el entrenamiento, y entonces no hay fuente en vivo, no hay cita y nada de lo que publicaste la semana pasada tiene la menor incidencia sobre el resultado. O puede contestar a partir de documentos recuperados en el momento de la consulta, y entonces lo que hay ahora mismo en la web abierta pesa muchísimo. Casi todos los sistemas hacen un poco de las dos cosas, y no te dicen qué modo produjo cada frase.

LLMO, tomada al pie de la letra, apunta al primer modo, y el primer modo es prácticamente inabordable. No puedes enviar una página a los pesos de un modelo. No puedes editar lo que aprendió. Diga lo que diga la sigla, nadie está optimizando un modelo de lenguaje desde fuera.

Por qué hay tres

Las categorías nuevas generan vocabulario, y eso es normal. Lo que merece atención es la dirección en la que corre ese vocabulario.

Las tres siglas terminan en optimización. Las tres describen una intervención. Ninguna describe una medición. Es un cimiento raro para una disciplina, porque el lado de la intervención es justo aquel en el que nadie puede demostrar todavía que controla nada, mientras que el lado de la medición está al alcance de cualquiera dispuesto a mirar.

El estado real del asunto: se puede observar, y de forma fiable, qué dicen hoy los sistemas generativos sobre una marca, a qué otras marcas nombran en su lugar y cómo cambia todo eso según la plataforma y según el idioma. Lo que nadie puede es garantizar que una acción concreta modifique nada de ello. El sector ha producido tres nombres para un método y casi nada para aquello que el método necesitaría para funcionar siquiera: una línea de base.

Un mercado que vende método antes de tener medición está vendiendo confianza. Las siglas son el envoltorio.

La confusión que hay que desarmar: GEO no es geografía

Está por todas partes y conviene decirlo sin rodeos. GEO significa Generative Engine Optimization. No significa geolocalización, ni segmentación geográfica, ni resultados de mapas, ni búsqueda local.

La colisión es accidental. El prefijo «geo» lleva siglos significando tierra, así que un artículo titulado «estrategia GEO para tu negocio» podría hablar razonablemente de cualquiera de los dos asuntos, y hay material publicado a montones que mezcla ambos. Una parte la escribió gente que no lo comprobó. Otra parte la escribieron máquinas que no lo sabían.

Si algo en este terreno empieza a hablarte de fichas de empresa, horarios de apertura o radio de proximidad, estás leyendo sobre búsqueda local. Es una disciplina real. No es esta. Las dos no comparten nada más que tres letras.

Debajo de las etiquetas, el problema es uno solo

Quita el vocabulario y esto es lo que ocurre de verdad. Alguien le pregunta a un asistente qué herramienta, qué proveedor o qué producto debería considerar. El asistente no devuelve la lista de todos. Escribe una frase o dos de prosa y nombra a unas pocas empresas. No hay segunda página, no hay «ver más resultados». Las marcas que se quedan fuera no perdieron por poco: no estaban en la conversación, y quien preguntaba no tiene manera de enterarse de que existen.

Ese es el problema entero, y ninguna sigla lo cambia. Así que las preguntas que necesitas contestar son las mismas, se llame como se llame la disciplina.

• ¿El sistema te nombra cuando alguien hace la pregunta que hacen de verdad tus compradores, y no la pregunta que ya lleva dentro el nombre de tu marca?
• ¿Te cita, con enlace, o solo te menciona? Son resultados distintos. Un modelo puede describir tu producto con exactitud y no mandarte ni una visita, y por eso las herramientas de analítica son estructuralmente incapaces de ver esto.
• ¿A quién nombran en tu lugar? Suele ser la respuesta más incómoda, porque a menudo no es la competidora que figura en tu mapa de mercado. Los modelos agrupan marcas según cómo habla de ellas la web, no según cómo segmentas tú tu categoría.
• ¿En qué idioma? La visibilidad no cruza fronteras. Una marca a la que un asistente recomienda con soltura en español puede quedar completamente ausente ante la misma pregunta formulada en alemán, sencillamente porque la web en alemán habla menos de ella. No existe una respuesta global que baste con consultar una vez.

Qué hacer con eso

Puedes comprobar las cuatro cosas a mano, hoy y gratis. Abre un asistente, haz la pregunta que haría alguien que todavía no sabe que existes y lee a quién nombra. Luego vuelve a preguntar. La respuesta no será idéntica, porque estos modelos son probabilísticos y una respuesta suelta es una anécdota, no un hallazgo. Después traduce la pregunta a cada idioma en el que vendes y repite.

Hazlo con honestidad y aprenderás más en una tarde que con cualquier sigla. También descubrirás por qué no escala: las comprobaciones que necesitas son preguntas multiplicadas por repeticiones, multiplicadas por plataformas, multiplicadas por idiomas, y eso crece más deprisa que tu paciencia.

Esa multiplicación es la razón de que existan herramientas, y es la parte que automatiza PSentry: lanzar un conjunto de preguntas en ChatGPT, Claude, Gemini y Perplexity, en todos los idiomas y mercados donde operas, e informar de dónde te nombran, dónde te citan y a quién nombran en tu lugar.

Dos límites dichos con claridad, ya que este artículo acaba de acusar a una categoría entera de prometer de más. Los análisis se lanzan según calendario, dos veces al mes, y no en tiempo real. Y medir es medir: no manipula lo que dice ningún modelo, y quien afirme lo contrario te debe una demostración que no puede darte. Lo que obtienes es una línea de base. Visto que el sector ha producido tres siglas y ninguna línea de base, parece el orden correcto de hacer las cosas.

Preguntas Frecuentes

¿Qué sigla debería usar al hablar con mi equipo?

GEO es la que tiene un origen rastreable y la que menos ambigüedad arrastra sobre aquello a lo que se refiere, así que es la opción más segura en un documento que va a sobrevivir a la lectura de otras personas. Elijas la que elijas, defínela en el primer párrafo. Si no, la mitad de tus lectores dará por hecho que hablas de geografía.

Si nadie puede demostrar que una intervención funciona, ¿tiene sentido hacer algo?

Medir sí lo tiene, porque no se puede evaluar ninguna intervención sin una línea de base, y ahora mismo la línea de base falta en todas partes. La postura razonable es averiguar dónde estás, seguir publicando contenido claro y factual sobre lo que haces y desconfiar de quien diga tener una palanca.

¿AEO ha quedado obsoleta ahora que existe GEO?

Obsoleta no: más antigua y más estrecha. Ese estilo de escritura estructurada y directa, que contesta preguntas, siempre fue más fácil de reutilizar para un modelo que la prosa de posicionamiento apelmazada. Ese consejo no dejó de ser sensato. Solo dejó de ser suficiente.

¿Por qué cambian las respuestas si hago siempre la misma pregunta?

Porque un modelo de lenguaje muestrea de una distribución en vez de consultar un resultado guardado. La misma pregunta puede producir listas de proveedores recomendados distintas en dos intentos seguidos. No es un defecto que se pueda afinar, y es exactamente la razón por la que la repetición, y no una comprobación suelta, es lo que separa una medición de una corazonada.

¿Aparecerá una sigla nueva que sustituya a las tres?

Puede, y dará lo mismo. La pregunta de fondo es la misma en todas las versiones: cuando una máquina contesta en tu nombre, ¿lo pronuncia?, ¿y en qué idiomas deja de pronunciarlo?