Cómo eligen sus fuentes los buscadores con IA: del entrenamiento a la cita

Los buscadores con IA eligen sus fuentes en dos pasos: primero buscan en directo páginas que encajan con la pregunta y después el modelo de lenguaje elige de esas páginas los pasajes que respaldan la respuesta. Solo las páginas que se encuentran en ese primer paso pueden recibir una cita en el segundo. Lo que el modelo leyó durante su entrenamiento cuenta para lo que "sabe", pero no genera ningún enlace.

Este artículo explica qué ocurre entre tu pregunta y la respuesta con fuentes citadas. Es una ampliación de la guía completa sobre GEO. Verás la diferencia entre el entrenamiento y la búsqueda en directo, cómo se divide una pregunta, qué bot recupera tu página en cada plataforma y qué hace que un pasaje sea citable.

Una advertencia previa: los factores de posicionamiento exactos de ChatGPT, Perplexity, Gemini y Google AI Overviews no son públicos. Lo que sigue procede de la documentación de las propias plataformas. Cuando esa documentación no dice nada, lo indicamos.

#Conocimiento del entrenamiento frente a búsqueda en directo

Un asistente de IA obtiene su respuesta de dos fuentes: el conocimiento fijado en el modelo durante el entrenamiento y las páginas que consulta en directo en el momento de la pregunta. Las dos funcionan de forma muy distinta, y solo la segunda le da a tu web una mención de fuente visible.

Entrenamiento. Un LLM (large language model, gran modelo de lenguaje) aprende lenguaje y datos a partir de una gran cantidad de texto, que incluye páginas web. A partir de ahí, ese conocimiento queda fijado hasta la siguiente versión del modelo. El modelo ya no sabe qué página aportó cada dato, así que tampoco puede enlazarla. Rastreadores como GPTBot recopilan contenido para este entrenamiento. OpenAI indica en su documentación sobre bots que GPTBot recopila contenido que puede usarse para entrenar sus modelos generativos.

Búsqueda en directo. Para preguntas sobre temas actuales o concretos, el sistema busca en la web y añade el texto encontrado a la pregunta. Esto se llama RAG (retrieval-augmented generation, generación aumentada por recuperación) o grounding: la respuesta se "ancla" en las fuentes recuperadas. En su resumen de rastreadores, Google describe el grounding como el suministro al modelo de contenido del índice de la Búsqueda de Google en el momento del prompt.

Normalmente es el propio modelo el que decide si busca. Anthropic explica en la documentación de su herramienta de búsqueda web que Claude busca cuando la información es actual, cambia o queda fuera de los datos de entrenamiento, como precios, noticias o datos sobre organizaciones y productos concretos. Con conocimiento estable, como cálculos o conceptos generales, Claude responde sin buscar. OpenAI indica en su documentación sobre la búsqueda web que el modelo decide si busca en función del prompt.

Para ti, como propietario de una web, esto significa que las preguntas sobre tu empresa, tus precios, tus productos y los temas de actualidad son justo aquellas en las que un sistema de IA se pone a buscar. Ahí es donde ganas citas.

#Cómo se divide una pregunta en subpreguntas

Los sistemas de búsqueda con IA no buscan solo la pregunta literal, sino que a menudo la dividen en varias subpreguntas que ejecutan a la vez. Google lo llama query fan-out.

En el anuncio de AI Mode, Google describe que AI Mode divide tu pregunta en subtemas y lanza por ti un gran número de búsquedas simultáneas. Según el mismo anuncio, Deep Search usa la misma técnica, pero de forma aún más amplia. En su documentación sobre las funciones de IA en la Búsqueda, Google indica que tanto AI Overviews como AI Mode pueden usar query fan-out: varias búsquedas relacionadas sobre distintos subtemas y fuentes de datos. Gracias a ello, según Google, pueden mostrar un conjunto de enlaces más amplio y variado que una búsqueda clásica.

Otros sistemas también buscan en varias rondas. Anthropic indica que la búsqueda puede repetirse varias veces dentro de una misma petición. OpenAI explica que, en los modelos de razonamiento, el modelo busca, analiza los resultados y luego decide si sigue buscando.

Un ejemplo de cómo se traduce esto. Imagina que alguien pregunta: "¿Qué software de contabilidad le conviene a un autónomo de la construcción?" Un sistema que aplica fan-out puede convertirlo en búsquedas separadas, por ejemplo sobre precios, sobre la conexión con el banco y sobre experiencias de otros autónomos. Es solo una ilustración: las plataformas no hacen públicas las subpreguntas exactas que elige un sistema.

La consecuencia práctica es enorme. Tu página no tiene que posicionarse para la pregunta original. Puede entrar a través de una de las subpreguntas. Una página que responde de forma clara y completa a una subpregunta tiene, por tanto, sus propias opciones de ser elegida como fuente.

#Qué rastreador recupera tu página en cada plataforma

Cada plataforma de IA usa sus propios bots, y solo el bot de búsqueda o el de peticiones de usuario determina si tu página puede servir como fuente en directo. Un rastreador de IA para entrenamiento es un bot distinto del que se usa para los resultados de búsqueda. Si bloqueas el equivocado en robots.txt, desapareces de las respuestas sin darte cuenta.

• ChatGPT. Según OpenAI, OAI-SearchBot se usa para mostrar webs en las funciones de búsqueda de ChatGPT. Las webs que excluyen a OAI-SearchBot no se muestran en las respuestas de búsqueda de ChatGPT. ChatGPT-User visita páginas cuando un usuario inicia una acción, por ejemplo al hacer una pregunta. OpenAI indica que en ese caso las reglas de robots.txt pueden no aplicarse, porque es el usuario quien inicia la acción.
• Perplexity. Según la documentación de Perplexity, PerplexityBot sirve para mostrar y enlazar webs en los resultados de búsqueda de Perplexity y no se usa para entrenar modelos. Perplexity-User recupera páginas cuando un usuario hace una pregunta y, según Perplexity, por lo general ignora robots.txt.
• Google AI Overviews y AI Mode. Estas funciones forman parte de la Búsqueda de Google. Google señala las reglas de robots.txt para Googlebot como el medio para controlar el acceso. Google-Extended es un token aparte de robots.txt sin user-agent propio. Determina si el contenido puede usarse para entrenar los modelos de Gemini y para el grounding en las apps de Gemini y en Vertex AI. Según Google, no influye en la inclusión en la Búsqueda de Google.
• Claude. En su artículo de ayuda sobre rastreadores, Anthropic describe tres bots: ClaudeBot para contenido que puede contribuir al entrenamiento, Claude-User para páginas que se recuperan cuando un usuario le hace una pregunta a Claude, y Claude-SearchBot para mejorar la calidad de los resultados de búsqueda.

Cómo permitir o bloquear cada uno de estos bots por separado lo explica el artículo sobre rastreadores de IA en robots.txt.

#Diferencias entre plataformas de un vistazo

Las plataformas se diferencian en el origen de sus resultados en directo, el bot que lee tu página y la forma de mostrar las fuentes. La tabla solo recoge lo que documentan las propias plataformas. Un guion significa que no hemos podido confirmarlo en documentación primaria.

Ten en cuenta que el formato de las citas de ChatGPT y Claude procede de la documentación de la API para desarrolladores. Las apps para el público pueden mostrar las fuentes de otra manera.

#Qué dice Google sobre AI Overviews

Google afirma que no hacen falta requisitos técnicos adicionales ni optimizaciones especiales para aparecer en AI Overviews o AI Mode. Lo dice literalmente en su documentación sobre las funciones de IA. Una página tiene que estar indexada y cumplir los requisitos para mostrarse con un fragmento en la Búsqueda de Google. Según Google, eso no garantiza que la página se vaya a usar.

Google también menciona los controles para limitarlo: nosnippet, data-nosnippet, max-snippet y noindex. Si usas alguna de esas instrucciones, también limitas lo que las funciones de IA pueden mostrar de tu página. Comprueba, por tanto, que no las tengas activadas por error en páginas importantes.

#Qué hace que un pasaje sea citable

Un pasaje se cita con más facilidad si responde por completo a una pregunta sin depender del resto de la página. En el grounding, el modelo procesa fragmentos de texto, no webs enteras. Asocia una fuente a una afirmación concreta de la respuesta.

Anthropic lo muestra bien: según su documentación, cada cita incluye la URL, el título y hasta 150 caracteres del texto citado. Es decir, el sistema cita a nivel de frase. De ahí se derivan unas cuantas características prácticas que no son una garantía, pero sí encajan con cómo funcionan estos sistemas:

1. Una frase inicial autónoma. Empieza cada sección con una frase que responda a la pregunta sin que el lector conozca el párrafo anterior. Evita "esto", "como hemos visto" y otras referencias a otras partes.
2. Datos concretos y verificables. Una frase con un nombre, un precio, una fecha o una definición sirve mejor como respaldo que una afirmación genérica.
3. Encabezados que nombran la pregunta. Un encabezado en forma de pregunta o de afirmación clara ayuda a vincular el pasaje con una de las subpreguntas del query fan-out.
4. Texto en el HTML sin procesar. Un bot que recupera tu página tiene que poder leer el texto. Con el renderizado en el servidor, el contenido está directamente en el HTML, sin necesidad de ejecutar antes JavaScript.
5. Entidades claras. Con schema markup para IA dejas explícito quién eres, qué ofreces y qué perfiles te pertenecen.
6. Señales de fiabilidad. Un autor, una fecha, fuentes citadas y una página de contacto son la base del E-E-A-T.

Cómo aplicar todo esto en tus textos lo explica el artículo sobre contenido que cita la IA.

#Lo que no es público

Ninguna de las grandes plataformas ha publicado los factores de posicionamiento que determinan cuál de las páginas encontradas acaba citando un sistema de IA. Google, OpenAI, Perplexity y Anthropic sí describen qué bots usan y qué aspecto tienen las citas, pero no cómo comparan unas fuentes con otras.

Por eso, desconfía de las listas que prometen "los 10 factores de posicionamiento de ChatGPT". Se basan en observaciones desde fuera, no en documentación. Lo que sí está claro es el orden: una página que no se rastrea, no se indexa o no se puede leer nunca podrá elegirse como fuente. Así que empieza por ahí.

#Cómo comprobarlo en tu propia web

Puedes revisar tú mismo en unos pocos pasos la base técnica para las citas en directo.

1. Abre tu robots.txt en tuempresa.es/robots.txt y comprueba que OAI-SearchBot, PerplexityBot, Claude-SearchBot y Googlebot no están bloqueados. Bloquear GPTBot o Google-Extended afecta al entrenamiento y al grounding en las apps de Gemini, no a tu inclusión en la Búsqueda de Google.
2. Prueba tu cortafuegos. Algunos cortafuegos y CDN bloquean a los bots de IA por su user-agent aunque robots.txt los permita. Pregunta a tu proveedor de hosting o a tu administrador si lo tienes configurado así.
3. Mira el HTML sin procesar de una página importante con "Ver código fuente de la página". ¿Está ahí tu texto principal o aparece solo después de ejecutar JavaScript?
4. Busca nosnippet y noindex en el código fuente de las páginas que quieres ver en AI Overviews.
5. Lee tus encabezados y frases iniciales por separado. ¿Responde cada primera frase bajo un H2 a la pregunta por sí sola?
6. Haz tus propias preguntas a ChatGPT con búsqueda, a Perplexity y a Google AI Mode, y anota qué fuentes muestran.

El análisis gratuito de Flowproof comprueba automáticamente los pasos 1 a 3, incluida una prueba del cortafuegos con el user-agent de GPTBot, y te muestra en cada apartado qué puedes mejorar. Puedes empezarlo con un registro gratuito.