La visibilidad en IA tiene un problema de vocabulario: tres siglas para un mismo trabajo, "cita" y "mención" usadas como si fueran lo mismo, y formatos de archivo vendidos como estrategia. Este glosario reúne los términos que usamos en el AI Visibility Audit, en su metodología y en los informes para clientes, definidos una sola vez para que un informe se pueda leer sin necesidad de una llamada.
Cada cifra lleva su fuente y su fecha; cuando un dato es un análisis del propio proveedor y no un estudio documentado, se indica. Cada entrada termina con el equivalente en inglés y los sinónimos habituales. Si encuentras un error, escríbenos: preferimos corregir una definición a defenderla.
Términos
Visibilidad en IA
Cuántas veces, en qué posición y en qué términos aparece una marca en las respuestas de los asistentes de IA (ChatGPT, Gemini, Perplexity, Google AI Overviews y AI Mode) cuando la gente pregunta por su categoría. Se mide como tasa de mención, tasa de cita y share of voice sobre un conjunto fijo de prompts, por motor y con intervalo de confianza. No es tráfico: las referencias desde IA fueron el 0,30% de las visitas en España a principios de 2026 en la muestra de SE Ranking, 101.574 webs (junio de 2026), mientras que el 28% de los españoles usaba ChatGPT con regularidad en 2025 (Funcas, enero de 2026). El valor está en entrar en la lista corta, no en el clic.
También AI visibility; AI search visibility; visibilidad de marca en LLM.
GEO (generative engine optimization)
El término viene de un artículo de noviembre de 2023 de Aggarwal y otros investigadores de Princeton y de varias universidades, "GEO: Generative Engine Optimization", que probó cambios de contenido (añadir estadísticas, citas textuales, referencias) y midió su efecto en la visibilidad dentro de respuestas generadas. En la práctica, hoy significa el trabajo de que una marca y sus páginas tengan más probabilidad de ser recuperadas, citadas y nombradas por los motores generativos. Se solapa mucho con el SEO, porque Google afirma que sus funciones de IA se apoyan en el ranking de Search (julio de 2026), y con el PR, porque la mayoría de las citas van a fuentes ganadas y de terceros, entre ellas el periodismo.
También optimización para motores generativos; generative engine optimization.
AEO (answer engine optimization)
Optimizar el contenido para ser la respuesta directa y no un enlace: títulos en forma de pregunta, una respuesta directa de dos frases al principio, bloques de FAQ, datos estructurados. La etiqueta es anterior a la IA generativa (se usaba para los fragmentos destacados y los asistentes de voz) y se adoptó para las respuestas de IA. La diferencia con GEO es de énfasis: AEO en el formato de la respuesta, GEO en la recuperación y la cita. El AEO en tu propia web es necesario, no suficiente: Muck Rack encontró que más del 84% de las citas de la IA sale de fuentes ganadas y de terceros (octubre de 2026).
También optimización para motores de respuesta; answer engine optimization.
LLMO / LLM SEO
Large language model optimization. Mismo objetivo que GEO, con más peso en cómo está representada una marca en el conocimiento propio del modelo (sus datos de entrenamiento y sus descripciones de entidad) y no solo en las páginas recuperadas al responder. Lo usan sobre todo agencias B2B; algunas se presentan como "agencias LLMO". Nosotros lo tratamos como sinónimo de GEO e intentamos no inventar una cuarta sigla.
También LLM SEO; optimización para LLM; large language model optimization.
Optimización para búsqueda con IA (AI search optimization)
El término paraguas que usan Google y las grandes plataformas de SEO para todo lo anterior. La guía de Google "Optimizing your website for generative AI features on Google Search" (publicada en mayo de 2026, actualizada en julio de 2026) fija la posición oficial: ni nuevos archivos legibles por máquina, ni marcado para IA, ni trocear ni reescribir para la IA; se aplican los sistemas de ranking y calidad de siempre; lo que ayuda es contenido no genérico con un punto de vista propio, imágenes y vídeo, los datos del Perfil de Empresa y los datos estructurados como parte del SEO general.
También AI search optimization; optimizar para las funciones de IA.
Share of voice en respuestas de IA
La parte de la atención que se lleva una marca en un conjunto fijo de preguntas en un motor, frente a competidores con nombre. lobod.rocks pondera las marcas por su posición en cada respuesta (primera 1,0; segunda 0,6; tercera 0,4; posteriores 0,2), suma los puntos de todas las ejecuciones y divide los puntos de una marca entre los de las seis marcas medidas. Se da por motor y con intervalo de confianza del 95%, nunca como una única "puntuación de visibilidad en IA": Kevin Indig demostró en junio de 2026 que mezclar motores y niveles de razonamiento crea artefactos de hasta 18 puntos. Las fórmulas y un ejemplo resuelto están en la página de metodología.
También share of voice in AI answers; AI share of voice; cuota de voz en IA.
Mención frente a cita
Una mención es la marca nombrada en el texto de la respuesta. Una cita es una URL del dominio de la marca listada como fuente. Las dos cosas divergen mucho según el motor: en el estudio de Semrush y Growth Memo de junio de 2026, ChatGPT citaba la URL de las marcas en el 87% de las apariciones pero las nombraba en el 20,7%, mientras que Gemini nombraba a las marcas el 83,7% de las veces y las citaba el 21,4%. A nivel de tema, menciones y citas correlacionan ligeramente en negativo (−0,229; Semrush, julio de 2026). Las páginas informativas ganan citas; las comparativas y las que llevan precio ganan menciones. Mide las dos.
También mention vs citation; mención de marca; cita de fuente.
Cita fantasma (ghost citation)
Una cita sin mención: la URL aparece como fuente, pero la marca no se nombra en la respuesta. El término sale del estudio de Semrush y Growth Memo de junio de 2026 sobre 3.981 apariciones de marca en 115 prompts, 14 países y cuatro motores, en el que el 61,7% de las citas de la IA eran citas fantasma. Es típico de páginas informativas que los motores citan con gusto pero que nunca dicen quién las escribió. El mismo estudio encontró que los prompts comparativos producen menciones de marca el 43,3% de las veces, frente al 18% de los informativos: ese es el arreglo.
También ghost citation; cita sin mención.
Query fan-out
La técnica por la que un motor descompone una pregunta en varias subconsultas sobre subtemas y fuentes de datos, recupera resultados para cada una y escribe una sola respuesta. Google la nombra en su guía sobre funciones de IA (2026). El estudio de Surfer de diciembre de 2025 sobre 10.000 keywords encontró que las páginas que posicionan para las subconsultas del fan-out tienen un 161% más de probabilidad de ser citadas, y que el 68% de las citas venía de páginas que no estaban en el top 10 ni de la consulta principal ni de una subconsulta del fan-out. Ahrefs (marzo de 2026) encontró que solo el 38% de las citas de AI Overviews sale de páginas del top 10, frente al 76% de julio de 2025. Consecuencia práctica: una URL por cada subpregunta del comprador.
También fan-out de consultas; expansión de consultas; subconsultas.
Grounding / RAG
Generación aumentada por recuperación: el modelo recupera documentos de un índice de búsqueda en el momento de responder, escribe con ellos y cita lo que ha usado. El "Grounding with Google Search" de Gemini genera una o varias consultas, recupera del índice de Google en directo y devuelve citas (Google AI for Developers). ChatGPT con la búsqueda activada y Perplexity hacen lo mismo con sus propios índices. El grounding explica que una página publicada esta semana pueda ser citada esta semana, y también que las citas cambien tanto: otra recuperación da otra respuesta.
También grounding; retrieval-augmented generation; generación aumentada por recuperación.
AI Overviews frente a AI Mode
AI Overviews es el resumen de IA que aparece encima de los resultados de Google, desplegado en EE. UU. en mayo de 2024. AI Mode es una pestaña completa de búsqueda conversacional; llegó a España en octubre de 2025 (Human Level). Ambos se apoyan en el ranking de Search y ambos pueden usar query fan-out (Google, 2026). Y ambos son volátiles: AI Mode sustituye cada semana el 56% de las fuentes que cita (Indig, junio de 2026), y cuando Gemini 3 pasó a ser el modelo por defecto de AI Overviews en enero de 2026 sustituyó cerca del 42% de los dominios citados hasta entonces (SE Ranking). Los productos de Google favorecen a los periódicos más que los asistentes conversacionales; El País encabeza las citas de AI Mode en España (Ahrefs ES, julio de 2026).
También AI Overviews (resúmenes de IA de Google); AI Mode (Modo IA).
Entidad y entity home
Una entidad es algo que un motor puede identificar sin ambigüedad: una organización, una persona, un producto, un lugar. El entity home, término que Jason Barnard expuso en Search Engine Land en marzo de 2026, es la URL canónica que describe a la entidad y que todos los demás perfiles corroboran: LinkedIn, Perfil de Empresa de Google, Wikidata, Crunchbase, directorios. Los asistentes reconcilian entidades por la coherencia de nombre, URL y descripción entre esas fuentes. Dos grafías del nombre del fundador, dos años de fundación o un sameAs que apunte a la empresa matriz dividen la entidad y hacen que el asistente te describa como algo que no eres.
También entity and entity home; página de referencia de la entidad.
sameAs
Una propiedad de schema.org que afirma que la entidad de esta página es la misma que la de otra URL: una página de LinkedIn, un elemento de Wikidata, un perfil de Crunchbase, una ficha de Google Maps. Afirma identidad, no relación. La empresa matriz va en parentOrganization o memberOf, no en sameAs; el Instagram de una marca hermana no eres tú. Barato, y uno de los pocos elementos de marcado que ayudan de verdad a resolver la entidad. No es una palanca de ranking.
También sameAs (propiedad de schema.org); perfiles equivalentes.
Grafo de conocimiento (knowledge graph)
Una base de datos de entidades y de las relaciones entre ellas, que los motores consultan para responder "quién o qué es X". El Knowledge Graph de Google bebe de Wikidata, Wikipedia, el Perfil de Empresa de Google y la web en general. Para una marca joven, el camino realista es un elemento en Wikidata (su listón es la verificabilidad, no la notabilidad de Wikipedia), un Perfil de Empresa y la misma descripción en todos los perfiles. Un artículo de Wikipedia sobre una empresa pequeña se borrará y puede envenenar la entidad; Wikidata sí, Wikipedia no.
También knowledge graph; Knowledge Graph de Google.
Rastreadores de IA
Los bots que envían los motores de IA para leer las webs, y las reglas de robots.txt que los dejan entrar o no. Hay tres tipos: rastreadores de búsqueda que indexan páginas para las respuestas (OAI-SearchBot de OpenAI, PerplexityBot, Claude-SearchBot de Anthropic), rastreadores de entrenamiento (GPTBot de OpenAI, ClaudeBot de Anthropic) y agentes que descargan una página bajo demanda cuando una acción del usuario lo requiere (ChatGPT-User, Perplexity-User, Claude-User). Google funciona distinto: AI Overviews y AI Mode siguen la indexación normal de Google, y Google-Extended es un token de robots.txt que controla si Gemini puede usar tu contenido para entrenar y para fundamentar (grounding) sus respuestas, sin tocar Search. Lo que tiene que hacer una marca: permitir los rastreadores de búsqueda, porque las webs que bloquean OAI-SearchBot no aparecen en las respuestas de búsqueda de ChatGPT, y permitir Google-Extended si quiere ser visible en Gemini. Bloquear un rastreador de entrenamiento es otra decisión; GPTBot, por ejemplo, se puede bloquear sin afectar a la búsqueda. Dos protocolos son higiene, no palancas de visibilidad: IndexNow envía las URL nuevas o modificadas a Bing, cuyo índice alimenta también a Copilot y a parte de la recuperación de ChatGPT, y es gratis y se configura en media hora; Content-Signal, una extensión de robots.txt de Cloudflare, declara cómo puede usarse tu contenido y no es un estándar.
También AI crawlers; OAI-SearchBot; GPTBot; ChatGPT-User; PerplexityBot; Perplexity-User; ClaudeBot; Claude-SearchBot; Claude-User; Google-Extended; IndexNow; Content-Signal.
llms.txt
Una propuesta de Jeremy Howard de septiembre de 2024: un archivo Markdown en /llms.txt que resume una web para los modelos de lenguaje, con un llms-full.txt opcional que lleva el texto completo. La evidencia sobre su efecto es coherente: la guía de Google (julio de 2026) afirma que Search ignora llms.txt; el estudio de SE Ranking de noviembre de 2025 sobre unos 300.000 dominios encontró un 10,13% de adopción y ninguna relación con la frecuencia de cita; la documentación de rastreadores de OpenAI y Anthropic ni lo menciona. Tenlo porque es barato y útil para agentes y personas; no esperes ningún efecto en las citas. lobod.rocks tiene uno y lo dice.
También llms.txt (archivo de resumen para modelos de lenguaje).
Datos estructurados / schema.org
Marcado legible por máquinas, normalmente JSON-LD, tomado del vocabulario schema.org que fundaron los grandes buscadores en 2011, que dice de qué trata una página: Organization, Person, Service, Article, FAQPage, Dataset. Google dice que no hace falta ningún marcado para las funciones de IA y recomienda los datos estructurados como parte del SEO general (julio de 2026). Cifras de proveedores como "2,3 veces más citas" son correlaciones sobre datos del propio proveedor. Úsalos para desambiguar la entidad y para ser elegible, no como palanca de citas.
También structured data; schema.org; marcado semántico.
FAQPage
El tipo de schema.org para una página que contiene una lista de preguntas con sus respuestas. El marcado hace el bloque explícito para las máquinas; el bloque en sí responde a las subpreguntas que lanza la recuperación con fan-out, en el formato de dos frases que los asistentes recogen. Un análisis de proveedor indica que las páginas con bloques de FAQ se citan 1,9 veces más (BrightEdge, 2026, dato de proveedor).
También FAQPage (schema de preguntas frecuentes); bloque de FAQ.
Earned media en respuestas de IA
Cobertura de terceros que la marca no ha pagado: periodismo, prensa sectorial, reseñas, páginas de analistas y directorios. La edición de octubre de 2026 de What Is AI Reading?, de Muck Rack, cuenta un conjunto más amplio al que llama "earned and third-party sources": periodismo, webs de administraciones y ONG, investigación académica, fuentes enciclopédicas y contenido corporativo de terceros. Ese conjunto se lleva más del 84% de las citas de la IA; el periodismo por sí solo, el 22%; los medios propios, el 15,2%, y el contenido pagado o publirreportaje, el 0,3% (septiembre de 2026, ChatGPT, Claude, Gemini y Perplexity). En la edición de mayo de 2026, las notas de prensa aparecían 3,5 veces más en respuestas sobre tendencias que en respuestas de "los mejores". El PR es una parte de ese conjunto, no el todo, y la cobertura no garantiza una mención. Los medios en los que confía cada motor en España son distintos (El País, La Vanguardia, El Español, Xataka y otros; Ahrefs ES, julio de 2026).
También earned media in AI answers; cobertura ganada; medios ganados.
Intervalo de confianza en los informes de visibilidad
El rango en el que probablemente está la tasa real, dado que toda tasa se estima a partir de una muestra de ejecuciones. Al 95%: tasa ± 1,96 × √(tasa × (1 − tasa) ÷ ejecuciones). Con 30 preguntas y cinco ejecuciones (150 por motor), una tasa de mención del 32% lleva unos ±7,5 puntos. Una sola ejecución no tiene intervalo; Kevin Indig (junio de 2026) llama astrología a los informes de una sola ejecución y encontró que solo el 2,2% de las citas de ChatGPT sobrevivía a tres ejecuciones. Informa por motor, pon la barra de error en cada gráfico y no celebres un movimiento de tres puntos.
También confidence interval; margen de error.
Conjunto de prompts
La lista fija de preguntas que se lanza en cada oleada de medición. Las auditorías de lobod.rocks usan 30 preguntas en cuatro grupos (categoría, problema, comparación, marca), construidas con el cliente y congeladas tras su aprobación. La redacción es corta y conversacional, porque Semrush encontró que los prompts cortos y conversacionales producen entre 30 y 50 veces más menciones de marca que los largos y estructurados (junio de 2026). Cualquier cambio en el conjunto se registra, para que las oleadas sigan siendo comparables.
También prompt set; question set; conjunto de preguntas.
Ejecución (run)
Una pasada de una pregunta en un motor en una sesión limpia: sin login, sin memoria, sin conversación previa. Es la unidad del dataset. Cada ejecución registra motor, versión del modelo, fecha, las marcas mencionadas en orden, las marcas citadas con URL, la mención y la posición de la marca del cliente, el sentimiento, un indicador de cita fantasma y los dominios citados. Cinco ejecuciones por pregunta y motor es el mínimo que usa lobod.rocks, siguiendo el método de Indig de junio de 2026; más ejecuciones estrechan el intervalo.
También run; pasada.
Localización en España (Spain locale)
Lanzar el conjunto de prompts desde una ubicación española, en el idioma del comprador (español para casi todos los clientes, inglés si venden fuera), en google.es y con la versión española de AI Mode. Los motores localizan sus fuentes: para prompts en español lanzados desde España, El País es el quinto dominio más citado en ChatGPT y encabeza AI Mode, y los dominios más citados por Perplexity son YouTube, la Wikipedia en español, Reddit y TikTok (Ahrefs ES, 2025 a 2026). La mezcla de motores sigue el reparto del tráfico de referencia en España: ChatGPT 70%, Gemini 12%, Perplexity 12%, Copilot 3%, Claude 2% (SE Ranking, junio de 2026). Una ejecución desde EE. UU. mide otro mercado.
También Spain locale; configuración regional de España.
Cómo encaja todo
Los rastreadores (OAI-SearchBot, PerplexityBot, Claude-SearchBot, Googlebot con Google-Extended) deciden qué entra en el índice de cada motor. Al responder, el grounding recupera de ese índice, normalmente mediante query fan-out en subpreguntas, y el modelo escribe una respuesta que nombra a algunas marcas (menciones) y lista algunas URL (citas), muchas veces sin conectar las dos cosas (citas fantasma). La visibilidad en IA es la medición de ese resultado: un conjunto de prompts, varias ejecuciones por pregunta, una localización en España y un share of voice por motor con intervalo de confianza. Lo que mueve los números es que la entidad esté clara (entity home, sameAs, grafo de conocimiento), que haya páginas que respondan a las subpreguntas (los datos estructurados y FAQPage ayudan a la máquina a leerlas) y la cobertura en fuentes que la marca ni posee ni paga, que se llevan la mayoría de las citas: más del 84% sale de fuentes ganadas y de terceros, y el periodismo por sí solo, el 22% (Muck Rack, octubre de 2026). Lo que no los mueve, con la evidencia actual, es llms.txt, Content-Signal o IndexNow por sí solos. Todo esto se aplica en el AI Visibility Audit y el AI Visibility Program; la página de inicio reúne todos los productos de lobod.rocks, y las agencias pueden hacer el mismo trabajo en co-branded o white-label a través del programa de partners.
