Cómo conseguir que ChatGPT y otros modelos recomienden tu marca

GEO (Generative Engine Optimization) es el conjunto de prácticas para aumentar la probabilidad de que un asistente con IA (ChatGPT, Gemini, Claude, Copilot, etc.) mencione y recomiende tu marca cuando el usuario hace consultas locales (“cerca de mí”, “en Barcelona”, “mejor tienda de… en Madrid”), o consultas “con intención” (comprar, comparar, contratar). La idea central es simple: los LLMs recomiendan lo que pueden “ver” y “confiar” en sus fuentes (buscadores, mapas, knowledge graphs, registros) y lo que pueden atribuir con claridad.

En 2026, la mayoría de experiencias de recomendación “local” en LLMs no dependen solo del entrenamiento del modelo; dependen de si el sistema se apoya en búsqueda/grounding y de señales geográficas (ubicación aproximada, idioma, contexto temporal) para escoger fuentes y generar una respuesta. Por ejemplo, ChatGPT Search puede reescribir tu consulta, usar proveedores de búsqueda y compartir ubicación aproximada para mejorar resultados; también devuelve citas y, en móvil, puede mostrar mapa. 

Supuestos y límites (importante): los pipelines internos (qué indexan, con qué frecuencia, y cómo ponderan señales) son parcialmente opacos y cambian con el tiempo; Google afirma que mantiene confidenciales detalles de ranking para equidad, y OpenAI indica que no hay forma de garantizar el “top placement” en ChatGPT Search.  En consecuencia, GEO debe plantearse como un programa de “probabilidad + verificación”, no como una promesa determinista.

Qué funciona de forma consistente:

• Construir una huella de entidad coherente y verificable (mismo nombre, dirección, teléfono, URL, perfiles oficiales).
• Alinear datos entre Google Business Profile, Bing Places, vuestra web (schema + contenido), y bases “de referencia” (Wikidata, OpenStreetMap, registros oficiales).
• Publicar contenido “entity‑first” y “snippet‑ready” (FAQ, comparativas, páginas por ubicación) y reforzarlo con datos estructurados.
• Instrumentar medición específica: prompts de control, tracking por UTM (ChatGPT), y auditoría de citas y fuentes.
• Incorporar gobernanza legal y de privacidad (GDPR), minimizando datos personales y evitando prácticas de scraping no conformes. 

Cómo los LLMs generan recomendaciones locales

Un modelo mental útil: modelo + grounding + geoseñales

En local, lo que el usuario ve suele venir de la combinación de:

1. Modelo base (conocimiento previo, patrones lingüísticos).
2. Grounding / búsqueda / herramientas (consulta a web, índices, listados).
3. Señales geográficas y de contexto (ubicación, idioma, hora/fecha, historial/conversación).

Este patrón es explícito en varios proveedores: Gemini puede “groundear” en Google Search y devolver metadatos/citas; Claude puede usar herramienta de web search con localización; Copilot puede usar Bing/Custom Search y optimizar la query con contexto como ubicación y tiempo. 

OpenAI / ChatGPT: búsqueda, mapas y control de indexación

ChatGPT Search puede reescribir la consulta del usuario en una o varias queries más específicas y enviarlas a proveedores; también recoge ubicación general por IP y puede compartir ubicación aproximada con terceros para mejorar precisión. 
Para editores, OpenAI indica que cualquier web pública puede aparecer en ChatGPT search, y que para aparecer en “resúmenes y fragmentos” es clave no bloquear OAI‑SearchBot; además, los clics pueden medirse porque ChatGPT añade UTM utm_source=chatgpt.com. 
A nivel técnico, OpenAI documenta sus crawlers: OAI‑SearchBot (para búsqueda) y GPTBot (para entrenamiento), y explica que permitir uno no implica permitir el otro; también publica IPs y señala que la adaptación tras cambiar robots.txt puede tardar ~24h. 

Implicación GEO: si tu marca no está bien representada en las fuentes que ChatGPT Search consulta (y si tu web bloquea OAI‑SearchBot), la probabilidad de recomendación cae drásticamente. 

Google Gemini: grounding con Google Search y control Google‑Extended

Google documenta el Grounding with Google Search: conecta Gemini con contenido web “en tiempo real”, reduce alucinaciones y devuelve citas con metadatos de grounding. 
En Vertex AI, Google afirma que los resultados de búsqueda pueden personalizarse por ubicación usando coordenadas de latitud/longitud del usuario final. 
Además, Google explica que los editores pueden usar el token Google‑Extended en robots.txt para controlar si el contenido puede usarse en entrenamiento de futuros modelos Gemini y para grounding; y que Google‑Extended no afecta a la inclusión ni al ranking en Google Search. 

Implicación GEO: cuando Gemini está “grounded” en Search, tu visibilidad depende de tu capacidad de rankear/ser citado en Google Search y de tu huella de entidad (Knowledge Graph, Business Profile, reseñas, etc.), con una capa adicional de geolocalización. 

Anthropic Claude: web search con citas y localización explícita

Anthropic describe su web search: Claude genera una query, recupera resultados, los analiza y devuelve respuesta con citas; también puede hacer búsquedas progresivas. 
En docs técnicas, Claude incluye parámetros como allowed_domains / blocked_domains y un user_location para localizar resultados (ciudad/país/zona horaria), lo cual es crítico para recomendaciones locales. 

Implicación GEO: en experiencias con web search habilitado, Claude tenderá a citar fuentes más legibles, concretas y “entity‑clear” (listados, páginas locales con NAP, FAQs, directorios fiables).

Microsoft Copilot: grounding en Bing y optimización de queries con contexto

Microsoft explica que Copilot puede consultar la web para mejorar calidad, “grounding” las respuestas en información reciente. 
En Copilot Studio (y arquitecturas afines), Microsoft detalla que una “generative answers node” puede recuperar información de la web y generar respuestas grounded y citadas; y que la optimización de queries agrega contexto de conversación, incluyendo ubicación y tiempo. 
Microsoft también afirma que Copilot Chat es un servicio generativo “grounded” en datos de la web pública procedentes de Bing. 

Implicación GEO: tu visibilidad en Copilot depende de (a) indexación en Bing, (b) listados locales (Bing Places / Bing Maps), (c) contenido estructurado y accesible, y (d) autoridad/credibilidad.

Señales públicas y fuentes “ingestables” que alimentan recomendaciones locales

Por qué la “entidad” es el objeto real de optimización

Para LLMs, tu marca compite no solo por keywords, sino por ser una entidad inequívoca: “esta empresa existe, está en este lugar, ofrece esto, tiene estas pruebas de confianza”. Google lo formaliza en Knowledge Graph/Knowledge Panels: la información proviene del Knowledge Graph y de materiales de la web, además de bases de datos open source y licenciadas; Wikipedia es frecuente, pero no única. 

En local, Google afirma que resultados dependen principalmente de relevancia, distancia y prominencia (esta última influida por enlaces y reseñas).  Eso no solo afecta a Google: si un LLM se apoya en Search/Maps, hereda parte de esas señales.

Checklist priorizado de señales GEO (para maximizar recomendaciones)

Nota operativa: Google recomienda mantener información completa/precisa en el perfil; verificar el negocio; mantener horarios; responder reseñas; añadir fotos; incluso mostrar productos en stock (retail) para enriquecer resultados. 

Diagrama de relación de entidad (cómo “viaja” tu marca hasta un LLM)

mermaidCopiarflowchart LR
  subgraph Fuentes de verdad
    REG[Registros oficiales<br/>RMC/BRIS/VIES]
    GBP[Google Business Profile]
    BINGPL[Bing Places / Bing Maps]
    WD[Wikidata (Q-ID + identificadores)]
    OSM[OpenStreetMap]
    WEB[Web oficial (contenido + schema)]
  end

  subgraph Índices y grafos
    GSEARCH[Google Search + Knowledge Graph]
    BSEARCH[Bing Search + Bing Maps]
    OAIIDX[ChatGPT Search index (OAI-SearchBot)]
  end

  subgraph LLMs con grounding
    GPT[ChatGPT Search / Atlas]
    GEM[Gemini (grounding con Search)]
    COP[Copilot (grounding con Bing)]
    CLA[Claude (web search)]
  end

  REG --> WEB
  GBP --> GSEARCH
  WD --> GSEARCH
  OSM --> BSEARCH
  BINGPL --> BSEARCH
  WEB --> GSEARCH
  WEB --> BSEARCH
  WEB --> OAIIDX

  GSEARCH --> GEM
  BSEARCH --> COP
  OAIIDX --> GPT
  BSEARCH --> GPT
  GSEARCH --> GPT
  GSEARCH --> CLA
  BSEARCH --> CLA

Contenido y “promptability”: tácticas para que un LLM te recomiende

Principio clave: “entity‑first content”

Un LLM recomienda mejor cuando puede construir una frase del tipo:

[Marca] es una [categoría] en [ciudad] que ofrece [propuesta], con [pruebas] (reseñas, certificaciones, inventario, etc.).

Esto funciona porque ChatGPT Search puede reescribir consultas (“near me”) en queries geolocalizadas y usa ubicación aproximada; si el contenido de tu web y perfiles ya está redactado en estructuras equivalentes, la probabilidad de coincidencia sube. 

Tácticas de contenido que mejor “entran” en grounding

1. Página “Entidad” (sobre la marca) + prueba y verificación
   Incluye: nombre legal, marca comercial, dirección, teléfono, zona de servicio, URL canónica, VAT si aplica, y enlaces “sameAs” a perfiles oficiales. (Esto facilita consistencia y reduce errores de identidad.)
2. Páginas por ubicación (una por ciudad/tienda/zona)
   Estructura: NAP, mapa, horarios, cómo llegar, “qué hacemos aquí”, FAQs locales, políticas de devoluciones, y reseñas destacadas.
3. FAQs “snippet‑ready” (preguntas que imitan prompts reales)
   Ejemplos:

• “¿Dónde comprar [producto] en [ciudad] hoy?”
• “¿Qué [categoría] recomendáis en [ciudad] para [caso]?”
• “¿Tenéis stock de [SKU] en [barrio]?”

4. Contenido comparativo “neutral” (sin sonar spam)
   Listas del tipo “mejores opciones de [categoría] en [ciudad]” o “cómo elegir [producto] en España”, siempre con criterios claros, referencias y datos (mejor para ser citables).

Plantillas de prompts para (a) aumentar recomendación y (b) auditar presencia

Consejo práctico: cuando el objetivo es “ser recomendado”, usa prompts que pidan fuentes/citas. Gemini y ChatGPT pueden devolver citas cuando usan grounding/búsqueda. 

SEO técnico y data engineering para GEO‑LLM

Acceso e indexación: lo básico que bloquea todo

ChatGPT / OpenAI

• Para aparecer en resultados de ChatGPT search, OpenAI indica que hay que permitir OAI‑SearchBot y permitir tráfico desde sus IPs publicadas; además, no se puede garantizar el top placement. 
• OpenAI detalla que OAI‑SearchBot es “para search” y que bloquearlo impide aparecer en respuestas de búsqueda (aunque puede salir como enlace navegacional). 
• OpenAI recomienda explícitamente no bloquear OAI‑SearchBot para que el contenido se incluya en resúmenes/snippets. 

Google / Gemini

• Google‑Extended permite controlar si el contenido puede usarse en entrenamiento de Gemini y en grounding; y no afecta al ranking de Search. 
• En Vertex AI, Google señala que el grounding con Search puede personalizarse por ubicación usando lat/long. 

Bing / Copilot

• Copilot Chat se define como “grounded” en la web pública desde Bing; por tanto, indexación en Bing y señales locales de Bing importan. 
• Como acelerador de descubrimiento (especialmente para cambios frecuentes), IndexNow permite notificar URLs actualizadas a motores participantes; Bing describe que puede acelerar crawling/indexing (según su documentación de ayuda). 

Canonicalización, hreflang y sitemaps: evitar “entidades duplicadas” y localización incorrecta

Para marcas multi‑país/multi‑idioma, los LLMs grounded heredan problemas clásicos de SEO internacional:

• hreflang: Google documenta métodos (HTML, headers, sitemaps) para indicar versiones por idioma/región. 
• rel=canonical: Google explica cómo consolidar URLs duplicadas y especificar canónicas. 
• sitemaps: Google aclara que enviar un sitemap es una “hint”, no garantía, pero es esencial para cobertura y depuración. 

Structured data: el “idioma común” entre web y recomendaciones

LocalBusiness (Google + general)
Google tiene guía específica de datos estructurados para empresa local. 
Schema.org define el tipo LocalBusiness como negocio físico. 

Inventario y disponibilidad por localización
Schema.org define:

• availability para estado de stock, 
• availableAtOrFrom para indicar dónde se puede obtener una oferta (ubicaciones), 
• inventoryLevel para nivel aproximado de inventario. 

Para retail, Google Merchant Center permite subir inventario local y actualizar disponibilidad; en español, Google explica que estos sistemas enriquecen resultados con disponibilidad en tienda cercana y actualizaciones automatizadas. 

API y “señales en tiempo real”

• Google Business Profile APIs permiten gestionar listings a escala, recibir notificaciones y actualizar datos de ubicación. 
• Para mapas/geocoding en ecosistemas Microsoft, Bing Maps ofrece APIs de localización. 
• OpenStreetMap/Nominatim permite geocoding sobre datos OSM, con políticas de uso que desalientan bulk geocoding intensivo en su instancia pública (si necesita volumen, considere instalación propia). 

Checklist técnico de implementación (prioridad)

Ejemplo JSON‑LD (LocalBusiness + producto + inventario por ubicación)

Ejemplo genérico (adáptelo a su caso). Incluye 2 tiendas con Offer localizadas mediante availableAtOrFrom y stock con inventoryLevel.

jsonCopiar{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Organization",
      "@id": "https://www.example.com/#org",
      "name": "Marca Ejemplo",
      "url": "https://www.example.com/",
      "sameAs": [
        "https://www.instagram.com/marcaejemplo/",
        "https://www.linkedin.com/company/marcaejemplo/"
      ]
    },
    {
      "@type": "Store",
      "@id": "https://www.example.com/tiendas/barcelona/#store",
      "name": "Marca Ejemplo Barcelona",
      "parentOrganization": { "@id": "https://www.example.com/#org" },
      "url": "https://www.example.com/tiendas/barcelona/",
      "telephone": "+34-930-000-000",
      "address": {
        "@type": "PostalAddress",
        "streetAddress": "Carrer Exemple 1",
        "addressLocality": "Barcelona",
        "postalCode": "08001",
        "addressCountry": "ES"
      },
      "geo": { "@type": "GeoCoordinates", "latitude": 41.387, "longitude": 2.170 },
      "openingHoursSpecification": [
        { "@type": "OpeningHoursSpecification", "dayOfWeek": ["Monday","Tuesday","Wednesday","Thursday","Friday"], "opens": "10:00", "closes": "20:00" },
        { "@type": "OpeningHoursSpecification", "dayOfWeek": ["Saturday"], "opens": "10:00", "closes": "14:00" }
      ]
    },
    {
      "@type": "Store",
      "@id": "https://www.example.com/tiendas/madrid/#store",
      "name": "Marca Ejemplo Madrid",
      "parentOrganization": { "@id": "https://www.example.com/#org" },
      "url": "https://www.example.com/tiendas/madrid/",
      "telephone": "+34-910-000-000",
      "address": {
        "@type": "PostalAddress",
        "streetAddress": "Calle Ejemplo 99",
        "addressLocality": "Madrid",
        "postalCode": "28001",
        "addressCountry": "ES"
      },
      "geo": { "@type": "GeoCoordinates", "latitude": 40.4168, "longitude": -3.7038 }
    },
    {
      "@type": "Product",
      "@id": "https://www.example.com/productos/cochecito-x/#product",
      "name": "Cochecito X",
      "sku": "CX-001",
      "brand": { "@id": "https://www.example.com/#org" },
      "url": "https://www.example.com/productos/cochecito-x/"
    },
    {
      "@type": "Offer",
      "@id": "https://www.example.com/ofertas/cx-001-barcelona/#offer",
      "itemOffered": { "@id": "https://www.example.com/productos/cochecito-x/#product" },
      "priceCurrency": "EUR",
      "price": "399.00",
      "availability": "https://schema.org/InStock",
      "availableAtOrFrom": { "@id": "https://www.example.com/tiendas/barcelona/#store" },
      "inventoryLevel": { "@type": "QuantitativeValue", "value": 7, "unitCode": "C62" }
    },
    {
      "@type": "Offer",
      "@id": "https://www.example.com/ofertas/cx-001-madrid/#offer",
      "itemOffered": { "@id": "https://www.example.com/productos/cochecito-x/#product" },
      "priceCurrency": "EUR",
      "price": "399.00",
      "availability": "https://schema.org/OutOfStock",
      "availableAtOrFrom": { "@id": "https://www.example.com/tiendas/madrid/#store" },
      "inventoryLevel": { "@type": "QuantitativeValue", "value": 0, "unitCode": "C62" }
    }
  ]
}

Propiedades relevantes según Schema.org: availability, availableAtOrFrom e inventoryLevel. 

Medición y validación: cómo demostrar “presencia” en recomendaciones LLM

Qué medir (y qué no)

No se mide bien con “ranking SEO clásico”. Se mide mejor con:

• Share of Recommendations: % de prompts donde tu marca aparece.
• Citas/enlaces: si la respuesta grounded te cita (mejor que “mención sin fuente”).
• Exactitud entity: si el modelo dice bien dirección, horario, categoría y propuesta.
• Tráfico referido y conversiones: visitas con UTM, leads, llamadas, rutas.

Métodos de test por plataforma

ChatGPT

• ChatGPT Search incluye citas y panel de Sources; además, OpenAI indica que se puede rastrear tráfico desde ChatGPT porque añade utm_source=chatgpt.com en URLs de referencia. 
• ChatGPT Search puede usar ubicación general y reescribir consultas; por tanto, su suite de tests debe incluir prompts con “cerca de mí” y con ciudad explícita. 

Gemini

• En API, el grounding devuelve groundingMetadata con queries y citas. Esto permite construir un “monitor” programático si usted opera una app/agent propio. 
• Para capacidades geo, Vertex AI permite ajustar por lat/long. Útil si quiere auditar cómo cambian recomendaciones por ciudad. 

Copilot

• Microsoft explica que, cuando Copilot usa web search, puede mostrarse un botón de “sources” y la query enviada a Bing y fuentes usadas (en Copilot Chat). 
• En Copilot Studio, se describe cómo la query puede optimizarse con contexto (ubicación/tiempo) y cómo se generan respuestas con citas. 

Claude

• Claude web search documenta citas y la posibilidad de localización de resultados con user_location. Muy útil para auditorías por ciudad/país. 

Protocolo de auditoría mensual (recomendado)

1. Defina un set de 30–60 prompts por mercado (10 informativos + 10 transaccionales + 10 comparativos + 10 “near me”).
2. Ejecútelos con ubicación fija (p. ej. Madrid/Barcelona/Valencia) y registre:
   • ¿Aparece la marca?
   • ¿Con cita/enlace?
   • ¿En qué posición (1/2/3)?
   • ¿Datos correctos?
3. Construya un índice: GEO‑LLM Visibility Score = (apariciones ponderadas) + (citas) – (errores).
4. Cruce con analítica: sesiones con utm_source=chatgpt.com (ChatGPT) y conversiones. 

Ética y automatización: evite scraping agresivo de interfaces consumidor. Use APIs cuando existan (Gemini API grounding, Claude API web search, OpenAI web search tool) y respete términos y políticas. Para fuentes geográficas abiertas (OSM/Nominatim), respete políticas anti‑bulk de la instancia pública. 

Riesgos, políticas y privacidad: lo que puede salir mal

Riesgos técnicos y de marca

Alucinación y atribución errónea
Los sistemas grounded reducen alucinaciones al basarse en fuentes web, pero no eliminan el riesgo; Google posiciona grounding como forma de aumentar precisión y dar citas verificables. 
Mitigación: diseñe contenido con datos verificables, forzando “pruebas” (reseñas, horarios, políticas) y estructurando NAP.

Colisión de entidades
Dos fichas con NAP distinto o datos desalineados generan respuestas inconsistentes. Google recalca que la información completa/precisa ayuda a aparecer en resultados; y que prominencia se apoya en enlaces y reseñas. 

Privacidad, GDPR y proveniencia de datos

Ubicación y datos del usuario
ChatGPT Search puede compartir ubicación aproximada derivada de IP con Bing (sin compartir la IP en sí) para mejorar resultados. 
Copilot Studio describe intercambio con Bing Search y optimización de query con contexto (incluida ubicación/tiempo), y documentación sobre visibilidad/citas de queries. 

Procesamiento de datos personales en IA
La orientación del EDPS sobre GenAI destaca que la recogida de datos para sistemas generativos puede incluir obtención desde fuentes públicas en internet y que suele implicar procesamiento a gran escala, a veces sin conocimiento de los afectados; también enfatiza necesidad de evaluación de roles, base legal, y cautelas específicas en RAG (evitar fugas de datos personales). 
El Dictamen 28/2024 del EDPB trata aspectos de protección de datos en desarrollo/despliegue de modelos de IA bajo RGPD, incluyendo expectativas razonables y evaluación del impacto sobre interesados. 

Implicación para GEO: si su estrategia implica recolectar datos (reviews, UGC, listados, scraping de fuentes) o personalizar respuestas con datos sensibles, necesitará gobernanza GDPR: minimización, finalidad, base legal, DPIA cuando aplique, y control de terceros.

Fuentes prioritarias utilizadas (selección)

OpenAI (ChatGPT Search, Publishers FAQ, crawlers OAI‑SearchBot/GPTBot): 
Google (Grounding with Search, Google‑Extended, Local ranking factors, LocalBusiness schema): 
Anthropic (web search tool y blog; localización user_location): 
Microsoft (Copilot grounding/citas/queries, web context location/time): 
Schema.org (availability, availableAtOrFrom, inventoryLevel, LocalBusiness): 
Wikidata (identifiers): 
OpenStreetMap / Nominatim (geocoding + policy): 
Guía UE (registros/BRIS/VIES) y España (RMC/Ministerio de Justicia): 
EDPS + EDPB (privacidad y modelos de IA):