10 tips para optimizar una web en buscadores IA (GEO)

Implementa schema @graph en JSON-LD con los nodos que los LLMs priorizan

Los LLMs no rastrean webs como Googlebot — acceden a ellas a través de sus crawlers propios y procesan el contenido construyendo un grafo de entidades: quién creó este contenido, sobre qué tiene autoridad, qué relación tiene con otras entidades conocidas. El schema markup en JSON-LD es el protocolo estándar para proveer ese grafo de forma estructurada y no ambigua.

La clave técnica es usar @graph en lugar de tipos aislados. Un @graph agrupa todos los nodos del documento en un único bloque JSON-LD que el parser puede procesar como un grafo coherente, estableciendo las relaciones entre nodos mediante sus @id. Los nodos esenciales para GEO son: Article (o WebPage), Person como autor, Organization como publisher, FAQPage, HowTo (si aplica) y BreadcrumbList.

{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Article",
      "@id": "https://ejemplo.es/pagina/#article",
      "headline": "Título exacto del artículo",
      "author": { "@id": "https://ejemplo.es/#autor" },   // referencia por @id
      "publisher": { "@id": "https://ejemplo.es/#org" }
    },
    {
      "@type": "Person",
      "@id": "https://ejemplo.es/#autor",           // mismo @id en TODAS las páginas
      "name": "Nombre Apellido",
      "jobTitle": "Especialista en GEO y Google Ads",
      "knowsAbout": ["GEO", "LLM Optimization", "Schema.org"],
      "sameAs": ["https://www.linkedin.com/in/tu-perfil"]
    },
    {
      "@type": "FAQPage",
      "mainEntity": [
        {
          "@type": "Question",
          "name": "¿Cuáles son los mejores tips de GEO para una web?",
          "acceptedAnswer": {
            "@type": "Answer",
            "text": "Respuesta completa de al menos 80 palabras..."
          }
        }
      ]
    }
  ]
}

Estructura cada página con una respuesta directa en los primeros 100–150 palabras

Cuando un LLM decide citar una fuente, extrae el fragmento más relevante del documento para incluirlo (literal o parafraseado) en su respuesta. Este fragmento suele venir del inicio del contenido, porque es donde los modelos buscan la "respuesta directa" al prompt del usuario.

La arquitectura correcta para GEO es la inversa de la narrativa periodística clásica: primero la respuesta, luego el desarrollo. La página debe responder la pregunta principal de forma completa y autónoma en el primer párrafo o bloque de contenido — sin introducción, sin contexto previo, sin "en este artículo vamos a ver". Un LLM que rastrea la página debe poder extraer ese primer bloque y usarlo como respuesta completa sin necesitar leer más.

Construye FAQs visibles con preguntas conversacionales reales — nunca ocultas en acordeón

Las FAQs son el componente de contenido con mayor densidad de "fragmentos citables" para los LLMs. Cada par pregunta-respuesta es un mini-documento autocontenido que responde exactamente a un prompt concreto. Los modelos generativos las recuperan con alta frecuencia porque están en el formato exacto en que los usuarios formulan sus queries.

Hay dos errores frecuentes que eliminan este valor: usar acordeón JavaScript (el contenido no es visible en el HTML inicial y muchos crawlers de LLMs no ejecutan JS para renderizarlo) y formular las preguntas en lenguaje de marketing en lugar de lenguaje conversacional real ("¿Cuáles son las ventajas de nuestro servicio?" no es una pregunta que un usuario hace a ChatGPT; "¿Cuánto cuesta un servicio de GEO?" sí lo es).

Criterios para las preguntas de una FAQ orientada a GEO: deben estar en lenguaje natural del usuario, deben cubrir intenciones distintas (informacional, comparativa, de precio, de proceso, de tiempo), y cada respuesta debe tener al menos 80-120 palabras para ser suficientemente completa como fragmento de citación autónomo.

Define la autoridad del autor con un nodo Person semánticamente rico

En el modelo conceptual de los LLMs, una entidad Person tiene una autoridad temática definida: la lista de temas sobre los que ese individuo es una fuente fiable. El campo knowsAbout del tipo Person en Schema.org es el mecanismo formal para declarar esa autoridad de forma que los modelos puedan procesarla.

El campo sameAs es igualmente crítico: apunta a los perfiles verificables de la misma persona en plataformas de alta autoridad (LinkedIn, Wikipedia si existe, Google Scholar, perfiles en medios). Cada URL en sameAs es una señal de que la entidad declarada en el schema es la misma que aparece en esa fuente externa — reforzando la identidad como entidad real y verificable, no como texto sin ancla.

{
  "@type": "Person",
  "@id":   "https://joseredondo.es/#jose-redondo",
  "name":  "José Redondo",
  "url":   "https://joseredondo.es",
  "jobTitle": "Especialista en GEO, LLM Optimization y Google Ads",
  "description": "Especialista en Generative Engine Optimization...",
  "knowsAbout": [               // declaración explícita de autoridad temática
    "GEO",
    "Generative Engine Optimization",
    "LLM Optimization",
    "Share of Answer",
    "Schema.org",
    "Google Ads",
    "GA4",
    "n8n"
  ],
  "sameAs": [                   // verificación de identidad externa
    "https://www.linkedin.com/in/jose-redondo-601a072a8/",
    "https://joseredondo.es"
  ]
}

Usa HowTo schema para marcar todos los procesos, tutoriales y listas numeradas

Los prompts del tipo "cómo hacer X paso a paso" son extremadamente frecuentes en herramientas como ChatGPT y Perplexity, y los LLMs los responden construyendo una lista de pasos. Si tu página describe un proceso y tiene HowTo schema correctamente implementado, el modelo puede extraer directamente los pasos estructurados sin necesitar interpretar el texto libre.

Cada HowToStep debe tener un name (el título del paso, que es lo que el LLM incluye como elemento de la lista en su respuesta) y un text descriptivo (el desarrollo del paso, del que el LLM puede extraer más detalle si el usuario lo pide). Lo importante es que el name sea descriptivo y autónomo — que se entienda fuera de contexto.

{
  "@type": "HowTo",
  "name":  "Cómo implementar GEO en una web paso a paso",
  "step": [
    {
      "@type":  "HowToStep",
      "position": 1,
      "name":  "Audita el Share of Answer de partida",  // descriptivo y autónomo
      "text":  "Lanza 20-50 prompts en ChatGPT y Perplexity...
               registra en cuántos aparece tu marca."
    },
    {
      "@type":  "HowToStep",
      "position": 2,
      "name":  "Implementa schema @graph en las páginas principales",
      "text":  "Añade JSON-LD con @graph incluyendo Article,
               FAQPage, Person y BreadcrumbList."
    }
  ]
}

Construye menciones externas en las fuentes que los LLMs usan como corpus de referencia

Los modelos de lenguaje aprenden de texto. El texto que han procesado mayoritariamente proviene de fuentes como Wikipedia, libros digitales, medios de comunicación de referencia, foros académicos y plataformas de publicación profesional como LinkedIn o Medium. Una marca o profesional que aparece citado en esas fuentes es, para el modelo, una entidad verificada con autoridad en su campo.

La estrategia de menciones externas para GEO no es link building tradicional — no se trata de obtener backlinks para mejorar PageRank, sino de construir un grafo de menciones en fuentes de alta confianza para LLMs. Las plataformas con mayor impacto en el corpus de los principales LLMs son, por orden de prioridad: Wikipedia (máxima autoridad si es relevante), LinkedIn Pulse (artículos propios indexados con nombre de autor), medios sectoriales de referencia en el nicho (entrevistas, menciones, artículos como autor invitado), Medium y Substack (publicaciones técnicas propias), y directorios profesionales de autoridad (colegios profesionales, asociaciones del sector).

Aplica el principio de especificidad semántica: una URL = una intención semántica específica

En SEO tradicional, la estrategia de palabras clave determina la estructura de URLs. En GEO, la unidad de optimización es la intención semántica: la pregunta concreta que un usuario podría hacer a un LLM y para la que esta página debería ser la respuesta citada.

Una URL como /servicios/ no tiene intención semántica precisa — no hay ningún prompt de usuario que tenga esa URL como respuesta ideal. Una URL como /precios-agentes-telefonicos-vapi-n8n/ responde exactamente al prompt "precios de agentes telefónicos con VAPI y n8n" y tiene autoridad semántica concentrada en esa intención específica.

El principio práctico es: cada URL debe ser la mejor respuesta posible a un prompt concreto y específico. Si una página intenta responder a 3 preguntas distintas, tiene 3 veces menos probabilidad de ser la respuesta citada para cada una de ellas comparado con 3 páginas especializadas.

Optimiza la arquitectura de enlaces internos para reforzar el grafo semántico del sitio

Un LLM que rastrea un sitio web construye un mapa de las relaciones semánticas entre páginas a partir de los enlaces internos y sus anchor texts. Un enlace con anchor text "haz clic aquí" no aporta información semántica. Un enlace con anchor text "10 consejos para crear agentes telefónicos con VAPI y n8n" establece explícitamente que la página enlazada trata ese tema específico y que el sitio tiene autoridad sobre él.

La regla práctica para GEO: el anchor text de cada enlace interno debe ser descriptivo del tema de la página de destino, no del tipo de acción ("ver más", "leer aquí") ni del nombre genérico de la sección ("servicios", "blog"). Un sitio donde todos los enlaces internos tienen anchor text descriptivo le está diciendo al LLM exactamente sobre qué temas tiene contenido y cómo están relacionados entre sí.

Mide el Share of Answer con un proceso sistemático y una cadencia mensual

El Share of Answer (SoA) es el porcentaje de respuestas a prompts relevantes para tu sector en las que tu marca o nombre aparece citado. Es la métrica central del GEO porque mide directamente lo que importa: cuántas veces un LLM te nombra cuando alguien pregunta por lo que ofreces.

El proceso de medición tiene tres componentes: (1) el conjunto de prompts, que debe cubrir las intenciones más relevantes del sector (informacional, comparativa, de precio, de decisión) y permanecer estable de un mes a otro para que los datos sean comparables; (2) los motores a monitorizar (mínimo ChatGPT, Perplexity y Google AI Overviews); y (3) el registro, que debe incluir no solo si apareces sino en qué posición de la respuesta, con qué tono y a qué URL se enlaza si hay citación con fuente.

// Ejemplo de hoja de seguimiento de SoA (estructura mínima)
// Una fila por prompt × motor × fecha

Fecha      | Prompt                          | Motor      | Citado | Posición | URL citada
2026-01-01 | "especialista GEO España"        | ChatGPT    | Sí     | 1ª       | joseredondo.es
2026-01-01 | "especialista GEO España"        | Perplexity | No     | —        | —
2026-02-01 | "especialista GEO España"        | Perplexity | Sí     | 2ª       | joseredondo.es
// SoA en Perplexity para "especialista GEO España": 0% → 50% en 1 mes

Mantén la consistencia de entidad en todas las plataformas (NAP+ para LLMs)

En SEO local, NAP (Name, Address, Phone) es el conjunto de datos que debe ser idéntico en todos los directorios para reforzar la señal de una entidad de negocio. Para GEO, el concepto equivalente es NAP+: además del nombre, la dirección y el teléfono, el conjunto de datos debe incluir el cargo/especialización y la descripción de actividad, que deben ser literalmente idénticos en todas las plataformas donde la entidad tiene presencia.

Un LLM que ve en LinkedIn "Especialista en GEO y Google Ads", en el sitio web "Consultor de marketing digital" y en un artículo de Medium "Experto en SEO" no puede consolidar con certeza que son la misma entidad. El resultado es que la autoridad acumulada en cada plataforma queda fragmentada en lugar de sumarse. La consistencia de entidad no es perfeccionismo — es la diferencia entre construir una identidad reconocida por los modelos y dispersar señales que no se conectan.