GEO al día

Qué dice

El estudio investiga cómo detectar páginas web optimizadas para Generative Engine Optimization (GEO) y qué tan frecuente es ese contenido en resultados reales (Google Search y recuperación estilo Gemini), midiendo además cuán verificables son sus citas.

Los datos

• El benchmark GEOFlagBench incluye 3.200 páginas, generadas a partir de 400 consultas, en 4 dominios y con 8 familias de optimizadores GEO
• El mejor detector base del estudio logra F1 agregado de 0,880, pero en un caso concreto (Word TF-IDF) la exactitud del peor grupo es 0,375 y hay una brecha de 0,558 en tasa de falsos positivos entre páginas no-GEO escritas por humanos vs no-GEO editadas por IA
• Con Intervention-Paired Training (IPT), en ModernBERT el F1 sube de 0,862 a 0,944 y la exactitud del peor grupo pasa de 0,725 a 0,883 (y baja la brecha de falsos positivos condicionada por autoría de 0,263 a 0,108)
• Auditar citas: en un benchmark zero-shot de 562 webs (281 pares no-GEO/GEO), el mejor agente (GLM 5.2) logra 84,75% de acierto en “Source Tier” del publicador y 83,00% en verificabilidad de URLs de cita para páginas GEO detectadas
• En datos reales: con 10.095 páginas útiles (de 13.985 URLs) asociadas a 1.000 consultas ORCAS, estiman prevalencia GEO de 8,90% (8,14% en Google Search y 9,09% en Gemini). Entre páginas con “dateModified” parseable, sube de 7,02% (2024) a 12,80% (2025) y 16,36% (2026); y de 6.663 ocurrencias de citas extraídas de páginas GEO, el 69,34% recibe etiqueta LOW de verificabilidad (74,15% en Gemini vs 45,88% en Google)

Conclusión del estudio

El estudio muestra que (1) los detectores actuales pueden parecer buenos en promedio pero fallar por sesgos ligados a autoría/escritura por IA, y (2) las páginas GEO detectadas en tráfico real están asociadas a citas con baja verificabilidad con una prevalencia estimada de 8,90% y aumento claro en 2026.

Qué dice

Modela cómo los buscadores generativos “se comen” el valor del sitio (sin llevar al usuario de vuelta) y muestra qué ocurre con el volumen, la calidad y la vida útil del contenido que sigue siendo rastreable.

Los datos

• Usa como ejemplo que Google AI Overviews reduce en ~15% el tráfico diario de artículos de Wikipedia que aparecen en los resultados (cita [14])
• Encuentra que ~25% de los 1.000 sitios más grandes restringen rastreadores de IA, frente a ~10% de los 1.000.000 más grandes (cita [5])
• En el modelo, hay un “umbral de opt-out” e_out = 1 − (ω − κ)/r: por debajo de ese nivel, no se observa abandono; al superarlo, el modelo predice que empiezan a irse primero los publicadores de mayor calidad (selección adversa)
• Predice un descenso simultáneo del “masa” de sitios abiertos y de la calidad media del corpus cuando e > e_out: en su ecuación, F(θ̄(e)) deja de ser 1 y Q̄(e) deja de ser E[θ] y bajan (con la condición de que θ̄(e) cae al aumentar e)
• El papel afirma que, tras un umbral de “erosión” (no numérico en el extracto), el corpus termina extinguiéndose; y compara: un GSE “miop” cruza antes el umbral, mientras uno orientado a largo plazo se mantiene por debajo

Conclusión del estudio

El estudio demuestra que cuando la IA extrae valor de la web sin devolver visitas, provoca degradación a la vez en volumen rastreable, calidad del contenido disponible y vida útil del corpus; y que existe un régimen crítico con un umbral a partir del cual el corpus puede extinguirse.

Qué dice

El estudio analiza, en dominios políticos (EE. UU. y Japón), qué “tipo” de fuente/proveedor prefieren citar varias IA de búsqueda generativa y cómo eso cambia según el partido (gobierno vs oposición) y el perfil del usuario, midiendo 3.861 respuestas en total.

Los datos

• El experimento genera 3.861 respuestas en 3 GSE con modo búsqueda activado (OpenAI GPT-5, Claude Sonnet 4 y Gemini Flash 2.5), usando 33 plantillas de preguntas, 13 partidos y 3 perfiles de usuario
• Encuentran que la superficie de ataque difiere entre modelos: algunos GSE concentran citas en fuentes “primarias” y evitan fuentes de “barrera baja”, mientras que otros citan fuentes de barrera baja con más frecuencia
• Cuando las respuestas tienen pocas fuentes primarias, los resultados de búsqueda usados por la IA tienden a incluir menos fuentes primarias y más fuentes de “barrera baja”, lo que sugiere que la función de búsqueda (p.ej. cómo la IA genera consultas) influye en la superficie de ataque
• Las respuestas sobre el partido en el poder (ruling party) usan más fuentes con “barrera de inyección” baja que las respuestas sobre la oposición, lo que hace al lado gobernante más vulnerable en este análisis
• El perfil del usuario tiene poco impacto: no cambia de forma relevante el patrón de barreras, ni la “faithfulness” (fidelidad) ni la “domination score” (peso de la cita) al comparar grupos de perfiles

Conclusión del estudio

Con sus mediciones, el estudio demuestra que el riesgo de que una IA cite contenido manipulable en política no depende solo de “si la cita es fiel”, sino sobre todo de qué tipos de proveedores la IA termina priorizando; además, ese patrón cambia por modelo y por si la pregunta es del partido en el poder o la oposición, pero casi no cambia por el perfil del usuario.

Qué dice

El estudio investiga cómo cambia la calidad de los documentos y la utilidad de las respuestas cuando ataques de GEO (optimización para citación) se repiten contra defensas de una plataforma, y prueba un mecanismo llamado VCR para que la plataforma premie contenido verificable.

Los datos

• En simulaciones de 5 rondas en E-commerce, la “calidad de reescritura” pasa a ser negativa después de las primeras rondas, y la “recuperación” de la defensa cae rápidamente: tanto la utilidad de plataforma/usuario como la referencia “sin explotación” quedan por debajo
• Tras esas 5 rondas, los autores reportan acumulación de “claims” no sustentados y detalles fabricados: las reescrituras pasan de cambios leves a reescrituras claramente orientadas a buscar citaciones
• En la evaluación en 3 benchmarks (E-commerce, GEO-Bench y Researchy-GEO), VCR obtiene el mayor “Net defense–utility score” en todos los entornos y supera al baseline más fuerte por un promedio de 12.1 puntos porcentuales
• Además de ese “Net score”, VCR tiene las estimaciones más fuertes directas de “punto de calidad de documento” y de “punto de calidad de respuesta” (direct document- and answer-quality point estimates), y logra un resultado win–win bajo su criterio empírico de equivalencia
• En el análisis local, la defensa de la plataforma (α*) se hace débil o puede dejar de penalizar manipulación cuando la correlación entre calidad real y señales de manipulación (ρ) es alta: el trabajo plantea un umbral ρ* donde, por encima, la penalización deja de activarse (α* = 0)

Conclusión del estudio

El estudio demuestra que, cuando la GEO y las defensas se enfrentan de forma repetida, la dinámica puede empujar al ecosistema a un punto estacionario “malo” donde se agota la mejora honesta y la manipulación termina degradando calidad y utilidad. También muestra que VCR funciona porque al recompensar contenido factualmente verificable compensa la sospecha y alinea incentivos para preservar utilidad y exposición del creador a la vez.

Qué dice

El estudio propone un conjunto de pruebas (GPE) para comprobar cómo se degrada la verificación de hechos cuando, al buscar en la web, se inserta evidencia “envenenada” estilo GEO, y muestra que esa degradación no se ve en evaluaciones “limpias” sin manipulación.

Los datos

• El benchmark GPE cubre 6 categorías: politics, entertainment gossip, science, medicine and health, history y life commonsense
• Cada caso incluye (además de la afirmación y la etiqueta) una lista de evidencia recuperada para ese claim, y la evidencia “envenenada” se inserta como objetos documentales adicionales por métodos de poisoning
• La etiqueta principal usa un espacio de 6 clases: true, mostly_true, half_true, mostly_false, false y uncertain
• El estudio define sub-aseveraciones (subclaims) cuando un claim es compuesto; el ejemplo del texto descompone un claim sobre Tim Cook en dos subclaims (una potencialmente apoyada y otra potencialmente contradicha)

Conclusión del estudio

Con GPE, los autores muestran que al introducir evidencia envenenada se ve una caída de robustez (y compromisos de eficiencia) que no aparece si solo se evalúa con evidencia limpia.

Qué dice

El estudio analiza qué tipos de fuentes y qué señales hacen que motores de búsqueda generativos en chino (Búsqueda Web y App) citen una página y muestren marcas/contac-to en la respuesta, midiendo 614 consultas en 8 interfaces y 160.860 registros de citas.

Los datos

• Solo el 8,3% de las marcas del “pool” de fuentes recuperadas llegan a aparecer seleccionadas dentro de las respuestas (tasa global de selección del 8,3%)
• El 12,4% de las fuentes recuperadas que incluyen información de contacto consiguen que esa información de contacto aparezca efectivamente en la respuesta (tasa global de contribución de datos de contacto: 12,4%)
• La recencia de las páginas citadas cambia según el tipo de consulta: las “media de vida” (half-life) estimadas para consultas muy sensibles al tiempo es ~39 días y para las de baja sensibilidad al tiempo es ~68 días
• Aproximadamente el 13% de las exposiciones de marcas no se pueden emparejar con el “pool” de citas contemporáneas, y aproximadamente el 71% de las exposiciones de información de contacto no se pueden emparejar con el texto del cuerpo de las fuentes rastreadas en ese momento

Conclusión del estudio

Con datos de citas a nivel de fuente, el estudio muestra que la aparición de marcas y datos de contacto en respuestas generadas no depende solo de que una fuente “figure” en el conjunto de citas visibles, y que parte del contenido expuesto parece no estar cubierto por el texto citado tal como se observó en el momento. Además, la recencia de las páginas citadas se ajusta claramente a la sensibilidad temporal de la consulta.

Qué dice

El estudio revisa 45 investigaciones (y trabajos relacionados) sobre GEO y analiza qué condiciones hacen que una IA cite o use una fuente, separando descubrimiento, recuperación dentro del contexto, mención/cita y efecto final en la respuesta.

Los datos

• El trabajo fundamental (Aggarwal et al., 2024) probó 10.000 consultas y, por cada consulta, usó el top 5 de Google como contexto para GPT-3.5-turbo; luego aplicó 9 estrategias modificando una única fuente, midiendo Word Count, Position-Adjusted Word Count (PAWC) y una puntuación tipo evaluación por LLM
• En el experimento base, el PAWC sube de 19.3 a 27.2 con la estrategia “Quotation Addition”, lo que equivale a ~41% de ganancia relativa (y el artículo atribuye el “hasta 40%” principalmente a ese salto)
• También en el experimento base, “Cite Sources” mejora el quinto documento con un +115.1% mientras el primero cae un -30.3%, mostrando que el cambio es redistributivo dentro del conjunto ya presente en el contexto
• El estudio concluye que la evidencia revisada muestra efectos causales principalmente cuando la fuente ya está recuperada/puesta en el contexto: no encuentra una técnica con efecto causal estable y duradero en “descubrimiento orgánico” o en comportamiento posterior a través de plataformas

Conclusión del estudio

Este survey demuestra, con base en los estudios revisados, que lo medible y “movible” de forma consistente es la parte de cita/uso dentro del contexto ya asignado a la IA, no el aumento estable de descubrimiento orgánico. En concreto, las mejoras tipo PAWC se dan en un entorno controlado donde la fuente ya está disponible para el generador.

Qué dice

El estudio prueba cómo cinco motores con IA responden sobre 28 conflictos (5.460 respuestas evaluadas) y mide cuánto se inventan o se equivocan cuando el “archivo” informativo disponible sobre ese conflicto es más o menos grueso.

Los datos

• Analizaron 28 conflictos con 5 motores de IA y 13 preguntas repetidas 3 veces: 5.460 respuestas en mayo-junio de 2026, guardando la versión del modelo, la hora, la respuesta completa y las fuentes citadas
• Encontraron una relación directa: cuanto más “delgado” el material recuperable de un conflicto, más inventan, atribuyen mal y cuentan mal (errores más frecuentes precisamente en conflictos con menos cobertura)
• Al complementar el estudio, citan un resultado previo: las IAs citan la fuente equivocada en más del 60% de los casos al resumir noticias (Jaźwińska y Chandrasekar 2025)
• Hicieron un análisis de 1.048 sitios web de donde los sistemas “sacaron” hechos sobre conflictos, para estudiar si ya existe optimización tipo GEO alrededor de esos resultados
• Dan un ejemplo de consenso en conflictos muy cubiertos: al preguntar por el número de civiles muertos en Ucrania en 2025, los motores convergen en el conteo de la misión de monitoreo de la ONU (mínimo 2.514) dentro del rango 2.514–3.000

Conclusión del estudio

El estudio muestra que la baja disponibilidad de información sobre ciertos conflictos no solo aumenta la probabilidad de alucinaciones: también deja más “superficie” para que se cuele desinformación mediante GEO, porque ese material es más fácil de manipular y sesgar cuando las fuentes son pocas y débiles. Además, observan que ya hay GEO operando en la web y que el objetivo partidista/estado empieza a crecer.

Qué dice

El estudio prueba, en un experimento controlado con una tienda online clonada, si una web “agent-ready” (pensada para agentes de navegador) mejora las tasas de éxito de agentes como GPT-4.1, Gemini-2.5 Flash y Grok-4 Fast frente a una web “human-only”.

Los datos

• Hicieron 300 ejecuciones en total (3 modelos de agente × 5 tareas × 2 versiones de web, según el experimento descrito), con resultados medidos como PASS/PARTIAL/FAIL y también éxito estricto vs funcional
• La versión agent-ready logró 134 PASS de 150, frente a 74 PASS de 150 del baseline (mejora de 60 ejecuciones en PASS)
• Éxito estricto: 89,3% con agent-ready vs 49,3% con baseline
• Bajaron los PARTIAL de 43 a 3 al usar la versión agent-ready
• Redujeron el número medio de pasos de 9,31 a 6,49 (menos pasos para completar)

Conclusión del estudio

Con una tienda online idéntica excepto por los “ajustes agent-ready”, el estudio muestra que esos cambios mejoran mucho la fiabilidad y la eficiencia con agentes de navegador: suben drásticamente los éxitos estrictos, casi eliminan los resultados parciales y recortan los pasos necesarios. Los autores atribuyen estas mejoras a señales extra de claridad estructural, “action cues” y validez/fiabilidad de la información para decisiones (dentro de sus tres dimensiones: interpretabilidad, ejecutabilidad y fiabilidad de decisión).

Qué dice

El estudio analiza, con datos de 30 combinaciones de plataforma y tema (Gemini, SearchGPT y Perplexity), cuántas consultas/respuestas hacen falta para que un ranking de “visibilidad” (qué dominios cita más la IA) sea a la vez estable y suficientemente preciso como para comparar marcas.

Los datos

• La tasa de diversidad entre ejecuciones (Jaccard entre carreras repetidas para el mismo query) es aprox. 0,30 en Gemini, 0,40 en SearchGPT y 0,50 en Perplexity: incluso la “misma” plataforma cita conjuntos distintos con frecuencia
• El estudio estima que el ancho de los intervalos de confianza de la cuota de cita mejora con rendimientos decrecientes: cada duplicación de datos reduce el ancho del IC en ~29% (escala como 1/√M)
• Para dominios más citados en SearchGPT, un rango típico del IC 95% de cuota es de 3 a 6 puntos porcentuales; el paper afirma que para muchos dominios adyacentes las diferencias son indistinguibles del ruido (solapan IC)
• Con un criterio fijo de estabilidad de correlación (ρ ≥ 0,95), el número de respuestas necesario para converger varía muchísimo: va desde 40 respuestas hasta “nunca” en algunas de las 30 combinaciones
• En las combinaciones analizadas, reportan que el sistema no tiene un presupuesto fijo justificable: la convergencia y cuánta precisión hace falta dependen de la estructura de la distribución observada de citas (densidad y cómo se separan/aglomeran las cuotas de dominios establecidos)

Conclusión del estudio

Este estudio demuestra que no basta con esperar a que un ranking “parezca” estable: la IA puede producir rankings con 1) orden aún inestable (en las primeras 20 a 60 respuestas, según tema/plataforma) y/o 2) un orden ya estable pero sin suficiente precisión estadística para distinguir ganadores de segundos. Además, con sus datos la decisión de “cuánto muestrear” no se puede fijar con un presupuesto o umbral único: hay que evaluar la incertidumbre y la estructura directamente en lo observado.

Qué dice

El paper presenta ToE (Tree of Evidence), un sistema de verificación que investiga cómo se hace la búsqueda y la evaluación de evidencias desde múltiples fuentes para frenar desinformación, y mide si mejora frente a métodos competidores (especialmente con inputs “envenenados” tipo GEO).

Los datos

• Reporta mejoras de entre 4 y 24 puntos porcentuales frente a baselines competitivos (y dice que los mayores beneficios aparecen en inputs envenenados)
• Crea un conjunto de datos adversarial llamado AdvFact específicamente para evaluar robustez ante “GEO poisoning” (mencionado como la prueba de ataque contra el sistema)
• Define una acción discreta de recuperación de 8 opciones para el agente de búsqueda, incluyendo tipos de fuente (Wikipedia, arXiv, plataformas de fact-checking, redes sociales) y una acción de “stop”
• El proceso termina cuando el juicio del nodo raíz llega a una condición de convergencia o a un umbral de decisividad, o cuando alcanza un máximo de iteraciones (mecanismo de parada medido en su método)

Conclusión del estudio

Con sus datos, el estudio no prueba “citas de IA” directamente, sino que demuestra que un sistema que aprende a seleccionar evidencias de varias fuentes y evalúa su fiabilidad puede mejorar la verificación del contenido y ser más resistente cuando la evidencia es manipulada (GEO poisoning).

Qué dice

El estudio mide, con datos de producción, qué hace que las IA citen y den visibilidad a marcas en ChatGPT, Claude, Perplexity, Gemini y Grok, analizando 100.000+ respuestas sobre 100+ marcas entre marzo y mayo de 2026.

Los datos

• Ladder de visibilidad (primer tracking): marcas “household names” aparecen en el 73% de las respuestas de IA relevantes; marcas mid-market/regionales en el 44%; marcas nicho/pequeñas en el 11% (cada nivel ~30 puntos por debajo del anterior)
• Cuando las IA citan fuentes, el 78% de esas citas van a webs corporativas (incluida la web de la propia marca y páginas de terceros del mismo sector)
• Dentro de las fuentes no corporativas, YouTube es citado más a menudo que Reddit, medios editoriales y Wikipedia
• A nivel de página, el formato con más “leverage” para citas es el “best-of” listicle ordenado: aporta ~21% de todas las citas
• El sentimiento (si la IA encuadra positivamente o negativamente) cambia unas 6,7 veces más que la simple presencia/ausencia de mención

Conclusión del estudio

Con sus datos, el paper muestra que la probabilidad de que una IA cite una marca depende fuertemente de la “madurez/estatura” de la marca y que las citas se concentran en pocos tipos de fuentes (sobre todo corporativas) y formatos (especialmente listicles best-of). También demuestra que el “sentimiento” es mucho más inestable que el hecho de ser mencionado.

Qué dice

El estudio analiza por qué y en qué condiciones las IA tipo ChatGPT, Claude y Gemini citan o recomiendan marcas (usando productos de skincare), midiendo cuánto sesgo a marcas “conocidas” aparece y cómo cambia con ventajas mínimas, lenguaje de autoridad y competencia entre varias marcas.

Los datos

• En el experimento base, cuando los productos son idénticos salvo el nombre, la marca real fue recomendada el 100% de las veces en 670 pruebas válidas (IAI = 10.0, máximo teórico; p < .001) y ninguna marca ficticia fue recomendada (3 modelos, 2 idiomas, 4 subcategorías)
• Cuando la marca ficticia tiene mejores especificaciones (pero la real es “la conocida”), la tasa de “override” (que aun así gane la real) fue solo 1.7%–4.6% por subcategoría; además, en esos casos 0 de 21 respuestas de “override” mencionaron características que no estaban en el prompt
• Para romper el dominio, basta una ventaja muy pequeña: el umbral del 50% de “quién gana” cayó con una ventaja de +0.075 estrellas de rating; también con 1.6× de número de reseñas o 7.3% de descuento en precio (con transición brusca: desde el nivel mínimo a L1 el salto fue grande, y luego se estabiliza)
• El análisis de qué pesa realmente mostró que los parámetros del producto (rating, precio, reseñas) explican el 82.4% de la variación en el ranking; la identidad de marca por sí sola explica solo el 1.2%, y el resto son interacciones (el efecto de marca se concentra cuando la calidad es ambigua)
• En la parte de “lenguaje de autoridad”, afirma que ese tipo de mensajes (incluyendo reclamos clínicos fabricados) rompe el monopolio con un valor equivalente de +0.17 puntos de rating (Bias Surplus Value = +0.17), y en la competencia entre varias marcas la recompensa individual en su proxy cae de +0.802 a +0.007 cuando todas optimizan a la vez, dejando además a las marcas que no participan con 0 recomendaciones en las pruebas

Conclusión del estudio

Con estos datos, el estudio muestra que las recomendaciones (y el “peso” que reciben las marcas en las respuestas) no dependen de una superioridad real: cuando no hay señales comparables, la IA cae en reconocimiento de marca; pero señales mínimas de calidad y especialmente lenguaje de autoridad pueden desplazar ese sesgo, y cuando todas las marcas hacen lo mismo aparece una dinámica tipo “dilema del prisionero”.

Qué dice

El estudio audita con un experimento controlado qué señales de reputación (y también la posición del listado) hacen que una IA recomiende un hotel concreto, midiendo el efecto promedio en la probabilidad de elección en 12 modelos y con miles de consultas simuladas.

Los datos

• El rating domina: cuando el hotel tiene el “top rating”, la probabilidad de recomendación sube en +31.6 puntos porcentuales (pp)
• El precio domina pero al revés: un precio “alto” reduce la probabilidad de recomendación en -30.0 pp
• Otras señales tienen efectos menores: certificación eco sube +11.6 pp y el volumen de reseñas sube +8.3 pp; affiliation/cadena apenas penaliza -1.8 pp y la respuesta de la gerencia es +0.1 pp (prácticamente cero)
• La “list position” importa aunque no tenga contenido: estar en el primer puesto da una ventaja de ~+12 USD por noche (aprox. una décima parte de un “paso” de rating), con heterogeneidad fuerte entre modelos (alguno llega a una ventaja 10 veces mayor)
• Las razones que da el modelo no coinciden perfecto con lo que realmente pesa: la concordancia “stated vs revealed” es positiva (Spearman de +0.59 a +0.85 según el modelo), pero con un problema claro: citan la marca más de lo que realmente influye (porque su efecto revelado es casi nulo)

Conclusión del estudio

Con datos experimentales causales, el estudio muestra que las IAs no “reproducen” fielmente el patrón humano de señales (donde rating y volumen/valencia suelen mandar) sino que sobreponderan la certificación eco y prácticamente ignoran la respuesta de la gerencia, y además son sensibles a un factor puramente de posición (listado) aunque no aporte información del hotel.

Qué dice

El paper mide cómo reescrituras tipo GEO hechas por vendedores cambian las decisiones de agentes que recomiendan productos con evidencias, evaluándolo en 600 casos y probando 22 variantes de ataque.

Los datos

• En promedio, las amenazas GEO aumentan en hasta un 83,2% la tasa con la que productos “objetivo” defectuosos entran en el conjunto de recomendaciones (top-3)
• Las amenazas GEO aumentan hasta un 59,3% las recomendaciones que violan restricciones duras del usuario
• Defensas simples en el lado del agente reducen la promoción del objetivo dañino hasta un 15,1% con “defensive prompting”
• La verificación estructurada de evidencia reduce la promoción dañina del objetivo hasta un 39,2%
• Aunque esas defensas mejoran los resultados, no devuelven el rendimiento a los niveles “sin GEO” (el paper lo indica explícitamente como que no lo restauran del todo)

Conclusión del estudio

El estudio demuestra con datos de SafeGEO que cuando se reescribe contenido controlado por el vendedor con técnicas GEO, el agente recomienda más productos defectuosos (y más veces incumpliendo restricciones duras), y que mitigaciones simples solo reducen el daño pero no lo eliminan ni lo igualan a “no GEO”.

Qué dice

El estudio analiza, con datos propios y logs del sitio glasp.co, cuánto de la subida de referencias desde ChatGPT en 2026 se debe a cambios tipo AEO aplicados solo a un grupo de páginas (YouTube Q&A) y cuánto a que ChatGPT creció en el mismo periodo.

Los datos

• El “múltiplo” crudo por pico muestra 38.2× de crecimiento entre el punto más bajo de principios de enero y el pico del 5 de mayo, pero el nivel sostenido en mayo es menos de la mitad de ese pico
• En agregados mensuales, las referencias de ChatGPT suben 5.7× en total (tratadas) mientras las páginas no tratadas del mismo dominio suben 3.5× en el mismo periodo
• En la comparación tratadas/control mediante un modelo de series temporales (semanal), el efecto discreto alineado con la intervención es 1.82× (IC 95%: 1.31× a 2.54×), con HAC p=0.001; no hay evidencia de cambio de pendiente (p=0.53)
• La prueba placebo-in-time más conservadora (reubicando la fecha “supuestamente” del corte dentro del periodo previo) da p=0.16, así que el efecto es “sugerente” y no concluyente con pre-periodo corto y ruidoso
• En SEO, los clics orgánicos de Google a las páginas tratadas /youtube/ caen ~25% desde H2 2025 a 2026, mientras que las impresiones vuelven a rango normal y no hay señales de desindexación; además, el sitio tiene ~20% de caída en clics orgánicos en general, parecido a la tendencia ambiente

Conclusión del estudio

Con su experimento natural en un mismo dominio, el estudio muestra que los titulares de “múltiplos” crudos suelen exagerar el efecto causal: al netear el crecimiento general de la plataforma con un grupo control en el mismo sitio, el salto atribuido a la intervención queda en torno a 1.8×, aunque con evidencia conservadora no plenamente concluyente (p=0.16). También observa que el rediseño del contenido no rompe el rendimiento orgánico existente, al menos en esa ventana.

Qué dice

El paper investiga, con un dataset GEO controlado, qué señales de contenido hacen más probable que una marca/ fuente sea citada por sistemas de respuesta generativa (y con qué orden), y entrena modelos para predecir esa visibilidad.

Los datos

• Usa 43.200 observaciones (query–source–engine–prompt) con 360 consultas, 3.600 fuentes candidatas, 4 motores y 3 variantes de prompt
• El mejor clasificador logra ROC-AUC 0,8890, PR-AUC 0,8995, accuracy 0,8079 y F1 0,8169 (en un test agrupado por consulta)
• Las páginas tipo “research reports”, “comparison articles” y “review pages” tienen las tasas de citación más altas; “product pages” y “pricing pages” tienen tasas de citación más bajas
• Las salidas del modelo incluyen: si la fuente se cita (principal), además de “citation rank”, “brand mention” y un “visibility score” (secundarias)

Conclusión del estudio

Con sus datos, el estudio demuestra que la probabilidad de cita en GEO no depende solo de “autoridad” general, sino de señales operables del tipo de contenido (formato) y señales relacionadas con evidencia, que el modelo puede usar para predecir visibilidad con buen rendimiento.

Qué dice

El estudio revisa y ordena lo que se entiende por Generative Engine Optimization (GEO) y lo compara con SEO, usando literatura académica e informes de industria para explicar cómo y por qué una marca puede ser citada o mencionada en respuestas generadas por IA.

Los datos

• Indica que ChatGPT superó los 900 millones de usuarios activos semanales en 2025 (dato citado en el texto)
• Afirma que los buscadores basados en IA capturaron entre un 12% y 15% de la cuota de búsquedas global a finales de 2025, frente a ~5%–6% al inicio de ese año (rango citado en el texto)
• Señala que el artículo adopta una revisión integradora (no incluye tests propios) y que las afirmaciones sobre efectividad de GEO provienen de la literatura analizada, no de experimentos directos

Conclusión del estudio

A partir de la revisión, el estudio concluye que GEO no sustituye a SEO: busca aumentar la probabilidad de que una fuente o contenido aparezca citado, mencionado o utilizado dentro de las respuestas de motores generativos, es decir, la visibilidad “no es solo rankear links”, sino ser seleccionado para la respuesta.

Qué dice

El estudio construye y prueba la extensión Lighthouse++ para VS Code y analiza si mejora métricas de SEO y GEO tras aplicarse a 80 páginas de 18 sitios distintos.

Los datos

• Evalúa y mejora métricas en 80 páginas de 18 webs diferentes
• El resultado reportado es que las métricas “suben” en todos los indicadores medidos (sin detallar porcentajes o valores por métrica)
• El enfoque del sistema usa Google Lighthouse como base y añade sugerencias con ayuda de IA y métricas personalizadas, más un componente “GEO” de tipo heurístico (no predictivo de ranking)

Conclusión del estudio

El estudio demuestra que, con Lighthouse++ (Lighthouse + IA + métricas y un componente GEO heurístico), se pueden obtener mejoras medibles en métricas de calidad SEO/GEO en un conjunto de páginas. Pero con el texto disponible no prueba qué factores hacen que las IAs citen fuentes específicas (no hay análisis de citas por modelos como ChatGPT/Perplexity).

Qué dice

El estudio analiza, con casos en instituciones públicas de Indonesia, cómo el GEO (Generative Engine Optimization) cambia las estrategias de comunicación pública y qué efecto tiene en cuánta autoridad mantiene la institución al ser “mediatizada” por algoritmos.

Los datos

• El trabajo usa una investigación cualitativa de “caso crítico”, con datos recogidos mediante 1) entrevistas semiestructuradas, 2) observación de contenidos digitales y 3) análisis de documentos de política pública
• Concluye que en el entorno GEO se priorizan tres cosas para la representación: datos estructurados, interoperabilidad semántica y “machine readability” (lectura por máquina), lo que disminuye el control institucional sobre cómo se enmarca el mensaje (en el texto: “reducing institutional control over message framing”)
• Propone que la comunicación pública queda bajo un sistema de doble mediación: una mediación simbólica y otra computacional; el estudio dice que la síntesis algorítmica afecta la visibilidad, la coherencia y la legitimidad percibida de la información
• Formula un modelo propio (“Navigating the Architecture of Truth”) con 3 dimensiones: transparencia normativa, estandarización tecnológica y alfabetización algorítmica para el público

Conclusión del estudio

A partir de sus observaciones en instituciones públicas, el estudio demuestra que en GEO la cita/legitimidad de la información no depende solo de la autoridad institucional, sino de qué tan “procesable” y estandarizada es la información para los sistemas que sintetizan contenido (datos estructurados, legibilidad para máquinas e interoperabilidad).

Qué dice

El estudio prueba una técnica de GEO (Mind Reader) que optimiza contenidos para motores de búsqueda generativos usando demandas latentes del usuario, y mide cuánto mejora la “visibilidad” de esos contenidos en las respuestas.

Los datos

• Reporta mejoras de hasta 2.44x en métricas objetivas de visibilidad frente a baselines
• Reporta mejoras de 1.23x en métricas subjetivas “en promedio” (además de las objetivas)
• Evalúa la técnica con experimentos extensos en GEO-Bench y también con su propio conjunto PC-GEO

Conclusión del estudio

Con sus experimentos, el estudio muestra que alinear el contenido con las “demandas latentes” de búsqueda (no solo con preferencias o heurísticas de consulta) incrementa de forma medible la visibilidad del contenido en las respuestas generadas por motores de búsqueda generativos.

Qué dice

El estudio analiza, para una misma consulta turística genérica, cómo distintos sistemas de IA muestran hoteles y qué fuentes citan al responder, comparando esas respuestas en tres momentos distintos.

Los datos

• Reporta “elevada volatilidad” en la presencia de marcas hoteleras (cambian de una respuesta a otra en el tiempo) al comparar tres momentos temporales
• Detecta “notable variabilidad” en las fuentes informativas citadas por las IA (no hay un conjunto estable de fuentes) en esas mismas respuestas repetidas en el tiempo

Conclusión del estudio

A partir de sus observaciones con respuestas repetidas en tres momentos, el estudio concluye que la visibilidad de marca y el listado de fuentes citadas por la IA no son estables: dependen del contexto de generación y cambian con el tiempo.

Qué dice

El estudio hace un mapeo bibliométrico (con metodología PRISMA 2020) del cruce entre SEO y GEO, y propone un modelo de cómo se pasa de visibilidad basada en ranking a visibilidad basada en citaciones en plataformas de IA.

Los datos

• Identifica 3 clusters temáticos sobre la intersección SEO–GEO
• Encuentra una red de coautoría fragmentada (no concentrada) en los trabajos analizados
• Plantea un cambio de enfoque: de visibilidad por ranking en buscadores tradicionales a visibilidad por citación en motores generativos

Conclusión del estudio

A partir de su análisis bibliométrico, el estudio concluye que en GEO la “visibilidad” se gana más por citaciones (no por rankings), y que la optimización debe adaptarse para ser legible/usable por sistemas de IA generativa.

Qué dice

El paper investiga cómo mejorar el posicionamiento/ranking en motores de búsqueda con IA generativa (GEO) a la vez que se mantiene la calidad del texto y se reduce la percepción de intención manipuladora, usando una técnica de generación de perturbaciones del texto.

Los datos

• Plantea GEO como un problema de optimización con restricciones (no solo buscar subir ranking, también respetar otras condiciones del texto)
• Usa “Langevin dynamics” para generar perturbaciones del texto orientadas a mejorar el ranking
• Combina tres componentes para proteger calidad y coherencia: “evidence-based initialization”, “multi-objective energy optimization” y “gradient masking”
• El objetivo explícito del estudio es subir ranking sin debilitar la confianza del usuario al reducir la percepción de “manipulative intent” (intención manipuladora)

Conclusión del estudio

El estudio demuestra un enfoque de GEO que busca mejorar el ranking en búsquedas con IA generativa sin caer en cambios adversarios que suelen bajar la calidad y aumentar el escepticismo, porque integra restricciones y técnicas para conservar consistencia factual y reducir la señal de manipulación percibida.

Qué dice

El paper analiza cómo evoluciona el SEO con la llegada del buscador generativo y cómo eso afecta la visibilidad/citas de marcas, poniendo foco en riesgos como el “zero-click”, la falta de transparencia de algoritmos y la homogeneización del contenido.

Conclusión del estudio

Con la evidencia presentada, el estudio sostiene que al pasar de resultados con enlaces a respuestas generativas, la visibilidad depende de integrar enfoques tradicionales con estrategias diseñadas para ecosistemas de búsqueda generativa, pero no aporta métricas concretas sobre “cuándo” o “cuánto” cita una IA a cada tipo de fuente.

Qué dice

El paper estudia, con un modelo económico, cuándo las IA tipo ChatGPT/Google deciden mostrar anuncios dentro de sus respuestas vs mantenerlas sin anuncios para maximizar ingresos y conversiones a suscripción, analizando cómo eso cambia con el tiempo según los parámetros del sistema.

Los datos

• Propone que la política óptima de “con anuncios o sin anuncios” sigue una regla de corte: se muestran anuncios solo cuando el beneficio inmediato del anuncio supera el valor a largo plazo de dar respuestas sin anuncios
• El resultado se mueve hacia respuestas con anuncios cuando la monetización por anuncios es alta
• El resultado se mueve hacia respuestas con anuncios cuando los usuarios son menos sensibles a los anuncios
• El resultado se mueve hacia respuestas sin anuncios cuando la conversión a suscripción gana relativamente más valor
• Cuando hay IA rivales, la política óptima se desplaza adicionalmente hacia respuestas sin anuncios (porque la monetización con muchos anuncios se vuelve menos sostenible si el usuario puede cambiarse a alternativas)

Conclusión del estudio

A partir de sus datos/modelo, el paper concluye que una IA que sintetiza respuestas maximiza su sostenibilidad cuando decide mostrar anuncios solo bajo una condición clara (beneficio inmediato mayor que el valor futuro de calidad sin anuncios) y que la presencia de competidores empuja aún más a evitar anuncios.

Qué dice

El estudio revisa qué es el generative engine optimization (GEO) en marketing de inmobiliaria comercial y propone cómo medir si una IA cita correctamente (o se equivoca) al representar marcas y propiedades en búsquedas generativas.

Los datos

• El artículo propone separar 3 cosas en la medición: (1) menciones de la entidad, (2) atribución de fuentes (si se puede conectar lo dicho con un origen) y (3) riesgo de error (desviaciones frente a datos canónicos)
• Define un protocolo de observación donde, para cada intención de búsqueda, se evalúa: presencia de la mención, si hay atribución a fuentes y las discrepancias con datos canónicos de la propiedad (usando un conjunto de fuentes “S_e” consideradas autoritativas en el dominio)
• No reporta experimentos ni datos propios: explícitamente indica que “no se usa evidencia empírica primaria” y que no hay resultados de encuestas u experimentos

Conclusión del estudio

El estudio demuestra, con su revisión y su propuesta de métricas, que para que una IA sea fiable no basta con “aparecer”: la cita/atribución debe medirse por separado de la mención y del riesgo de errores frente a datos canónicos, porque en sistemas RAG la parte de recuperación y la generación pueden fallar de forma distinta.

Qué dice

El estudio prueba un método (CORE) para controlar cómo los motores de búsqueda generativos ordenan recomendaciones de productos y mide cuánto logra “promocionar” un producto dentro de los Top-5/Top-3/Top-1 en 15 categorías usando 4 modelos con búsqueda.

Los datos

• Consiguen una Promotion Success Rate media de 91.4% en Top-5, 86.6% en Top-3 y 80.3% en Top-1, en 15 categorías
• Evalúan CORE en un conjunto llamado ProductBench con 15 categorías de producto y 200 productos por categoría (cada producto enlazado a sus Top-10 recomendaciones desde la interfaz de búsqueda de Amazon)
• Probaron CORE con 4 LLM con capacidades de búsqueda: GPT-4o, Gemini-2.5, Claude-4 y Grok-3
• CORE usa 3 tipos de contenido de optimización añadido al material recuperado: string-based, reasoning-based y review-based; el estudio reporta que esos tipos son efectivos para reordenar las salidas (sin dar aquí cifras por tipo)

Conclusión del estudio

El estudio demuestra que en motores de búsqueda generativos, el orden de salida puede manipularse fuertemente (hasta 91.4% de éxito medio en Top-5) controlando el contenido que el sistema recupera y devuelve al modelo, no solo el “ranking” interno del LLM.

Qué dice

El estudio entrevista a estrategas digitales para analizar cómo perciben que los buscadores generativos influyen en la imagen de marca desde un punto de vista de gestión.

Los datos

• El trabajo usa un enfoque cualitativo basado en entrevistas semiestructuradas a profesionales que trabajan en la intersección entre gestión de marca y estrategia de negocio impulsada por IA (número de participantes no aparece en el texto compartido)
• Los hallazgos atribuyen a los buscadores generativos una reducción de la visibilidad de los canales controlados por la empresa (lo describen como causa de debilidad del control de gestión sobre la imagen)
• El estudio indica que estos buscadores aumentan la dependencia de contenido de terceros para formar la representación de marca
• También sostienen que los buscadores generativos sintetizan información fragmentada en representaciones de marca, elevando riesgos de inexactitud, sesgo y fragmentación

Conclusión del estudio

Con base en las percepciones recogidas en entrevistas, el estudio concluye que los buscadores generativos cambian la formación de la imagen de marca: la vuelven más “co-creada” por sistemas de IA a partir de fuentes de terceros, reduciendo el control gerencial y amplificando riesgos, aunque a la vez abre oportunidades nuevas (p. ej., visibilidad por recomendaciones y enfoques como GEO).

Qué dice

El estudio propone “Knowledge Formation Optimization (KFO)” y lo contrasta con “GEO”, analizando cómo una mejora de citación por consultas directas puede no traducirse en atribución espontánea estable en consultas cercanas y de decisión comercial, tras aplicar un caso documentado.

Los datos

• En un estudio previo citado de GEO, al optimizar contenido se logra “hasta un 40%” de mejora en visibilidad/citación en respuestas de motores generativos (sobre un total de 10.000 consultas)
• El paper distingue dos resultados medidos/observados en el caso: (1) mejora de citación en consultas directas (“retrieval visibility” alta) y (2) aparición posterior de “atribución espontánea estable” y generación de respuesta orientada a decisión comercial en clases de consulta adyacentes
• El paper afirma una predicción discriminante: con optimización tipo GEO, puedes ver mejoras de citación en consultas objetivo, pero “no por sí sola” lograr atribución espontánea estable en clases adyacentes cuando el “baseline” está ausente o dominado por señales intermediarias; con KFO se espera que ocurran ambos
• Define 3 condiciones concretas del problema de “formation layer”: ausencia, dominancia de señales intermediarias y “conceptual dilution” (dilución conceptual)
• Presenta 5 principios operativos de KFO (5 “operating principles”) como base del método para tratar el problema de formación antes de cualquier recuperación/citación

Conclusión del estudio

El paper muestra que mejorar la citación en consultas directas (lo que GEO optimiza) no garantiza atribución espontánea estable y uso consistente de la marca como marco evaluativo en consultas adyacentes y comerciales; esos resultados aparecen solo cuando el “baseline” de representación se construye con el enfoque KFO. Con sus datos observacionales, el estudio sostiene que el fallo de la “formation layer” es un problema distinto al fallo de visibilidad por recuperación, y por eso KFO define resultados de éxito diferentes a GEO.

Qué dice

El estudio analiza cómo los sistemas publicitarios basados en IA generativa pueden influir al usuario y qué tipo de intervenciones (desde menciones de producto hasta cambios de preferencia a largo plazo) son más difíciles de detectar y medir.

Los datos

• El paper propone una taxonomía de influencia en 4 niveles: (1) menciones de producto, (2) encuadre de la información, (3) redirección del comportamiento, y (4) moldeado de preferencias a largo plazo
• Afirma que los sistemas publicitarios desplegados mantienen una “frontera visible” entre contenido comercial y respuestas generadas por IA (según lo que se describe en el estudio)
• El estudio señala evidencia empírica de que cuando los anuncios quedan integrados dentro de las salidas del modelo de lenguaje, a menudo los usuarios no los detectan (sin dar porcentaje en el texto proporcionado)
• Concluye que tanto sistemas desplegados como mecanismos diseñados concentran la intervención en el nivel más “observable” y “fácil de gobernar”, mientras que las formas de influencia más relevantes para la autonomía del usuario quedan “poco entendidas” y sin herramientas de detección, medición ni divulgación (sin cifras en el texto proporcionado)

Conclusión del estudio

Con los datos que aporta, el estudio demuestra que en IA generativa la influencia comercial no depende solo de “poner anuncios en un sitio” visible, sino de intervenir en el proceso de generación; y que, en la práctica, la parte más importante para la autonomía del usuario es la menos medida y menos detectable.

Qué dice

El estudio revisa qué señales hacen que los motores con IA (tipo ChatGPT/Gemini/Perplexity) citen una marca y analiza, con datos de millones de sesiones, cómo cambia esto respecto al SEO tradicional, además de proponer un “auditoría de preparación GEO”.

Los datos

• Analizó 1,96 millones de sesiones mediadas por LLM (entre noviembre de 2024 y noviembre de 2025) provenientes de varios sectores (e-commerce, SaaS, legal, salud y publishing)
• Según el informe de industria “AI Visibility Report”, el estudio usa datos de más de 680 millones de citas de LLM para estudiar patrones de citación
• Los visitantes que llegan vía citas de LLM convierten hasta 9 veces más que los que llegan desde búsqueda orgánica tradicional (cita atribuida a Bell, 2025)
• Aunque la conversión de LLM es mucho mayor, solo el 16% de las marcas monitorea de forma sistemática su presencia en búsquedas con IA (dato del propio resumen del estudio)
• En el experimento citado (GEObench, 10.000 consultas), las señales clásicas de SEO como la densidad de palabras clave tuvieron influencia mínima en la probabilidad de cita; en cambio, señales ligadas a “autoridad epistémica” (estadísticas y citas/fragmentos de autoridades) mejoraron la visibilidad hasta en un 40%

Conclusión del estudio

El estudio demuestra que en motores generativos la citación no depende tanto de señales típicas de SEO (como keyword density), sino de señales de “evidencia y autoridad”, y además que el tráfico citado por LLM puede convertir mucho mejor. Aun así, la mayoría de marcas no está monitoreando su visibilidad en IA (solo 16%), lo que sugiere un desajuste entre impacto real y control/medición.

Qué dice

El estudio analiza, con 43 entrevistas a líderes de marketing e IA en firmas industriales multinacionales, cómo se usa la IA generativa en procesos de marketing B2B y qué cambios produce en tareas y habilidades.

Los datos

• Se basó en 43 entrevistas semiestructuradas a líderes de IA y marketing (tanto de firmas industriales multinacionales como de proveedores de tecnología)
• El impacto de la IA generativa es “desigual”: afecta sobre todo la fase de implementación, aumentando la automatización y la personalización
• El uso de IA generativa para “gestión de la información” y para “planificación” se describe como poco sistemático (no aparece como un cambio organizado en esos pasos)

Conclusión del estudio

Con sus datos, el estudio muestra que en marketing B2B industrial la IA generativa se está aplicando de forma más transformadora en la ejecución (automatiza y personaliza más) que en la información y la planificación (donde el patrón es menos organizado).

Qué dice

El texto no contiene el contenido del estudio, solo metadatos/página de IEEE Xplore, así que no se puede saber qué investigó ni qué mide.

Conclusión del estudio

Con el material proporcionado no hay datos verificables del estudio, por lo que no puedo extraer hallazgos concretos sobre por qué esas IA citan una fuente.

Qué dice

El paper estudia cómo una estrategia llamada Generative Engine Optimization (GEO) mejora que las IAs citen un contenido en respuestas generadas, probándolo con dos casos reales (incluida una página de reseñas de un curso, SOYA) y midiendo tasas de citación en ChatGPT y Perplexity.

Los datos

• En el caso SOYA, la tasa de citación pasa de 0% a 77,1% en ChatGPT y Perplexity, a pesar de que el posicionamiento tradicional en buscadores era débil o pobre
• El paper reporta que “solo” las señales de SEO (posicionamiento/autoridad tradicionales) no fueron suficientes para generar citas en motores generativos (es decir, las clasificaciones por sí solas no produjeron citaciones)
• El modelo GEO se descompone en 3 capas semánticas (Semantic Anchoring, Context Triggering y Pragmatic Recomposition) y el estudio mide el papel de cada capa en la visibilidad de la cita dentro de respuestas generadas
• Presentan 5 métricas cuantitativas para medir “la preparación” del contenido para GEO (GEO readiness) y así orientar cómo ajustarlo para IA-buscadores generativos

Conclusión del estudio

Según los datos del estudio, las IAs empiezan a citar mucho más cuando el contenido está semánticamente preparado para ser “extraíble” y entendible (las capas de GEO), incluso si el SEO tradicional no está funcionando. El propio caso muestra que el aumento de citaciones (hasta 77,1%) ocurre pese a que las clasificaciones orgánicas por sí solas no impulsaron citas.

Qué dice

El estudio revisa la literatura sobre Generative Engine Optimization (GEO) y muestra qué criterios y estrategias se repiten para que contenidos influyan en las respuestas de buscadores basados en LLM (visibilidad, influencia y verificabilidad).

Los datos

• La revisión concluye que hay una “convergencia” alrededor de 3 tipos de métricas: visibilidad, influencia y verificabilidad (las analiza como foco recurrente en los trabajos revisados)
• Entre las estrategias que más se repiten, el estudio identifica mejora de calidad y estructura del contenido como un eje recurrente (aparece como estrategia central en la literatura GEO revisada)
• También se repite el uso de datos estructurados como estrategia recurrente para mejorar la atribución/uso por los sistemas generativos (medida como parte del set de estrategias GEO)
• Otra estrategia recurrente identificada es el refuerzo de la autoridad y la optimización basada en entidades (vinculada a mejorar la influencia/atribución del contenido en respuestas)

Conclusión del estudio

Con los datos de su revisión, el paper sostiene que en GEO ya no basta con “posicionarse”: lo que se busca es que el contenido sea usado y atribuible por los sistemas generativos, medido sobre todo con visibilidad, influencia y verificabilidad, y logrado mediante calidad/estructura, datos estructurados, autoridad y trabajo por entidades.

Qué dice

El texto no es un estudio sobre citaciones de IA: explica un sistema anti-scraping (Anubis) basado en “proof-of-work” para frenar el acceso automatizado de empresas de IA a sitios web.

Los datos

• El sistema se basa en un esquema de “Proof-of-Work” tipo Hashcash para encarecer el scraping a gran escala
• Indica que el coste extra es “ignorable a escala individual”, pero “se acumula” cuando el scraping es masivo, causando que sea mucho más caro
• Aclara que es una solución provisional que busca dar tiempo para “fingerprinting” (identificar navegadores sin cabeza), por ejemplo mediante cómo se renderizan las fuentes
• Se menciona que Anubis requiere JavaScript moderno y que no funciona si plugins como JShelter lo bloquean, porque “sadly, you must enable JavaScript to get past this challenge”

Conclusión del estudio

Este texto no mide qué hace que una IA cite fuentes, sino que describe cómo un sitio intenta evitar que rastreadores automatizados (incluidos los de empresas de IA) accedan y provoquen caídas o indisponibilidad.

Qué dice

El texto pegado no contiene el contenido de un estudio ni resultados medibles: parece solo una captura/ruido de una página de Google Scholar sin datos sobre por qué o cuántas veces citan fuentes las IA.

Conclusión del estudio

Con este material no es posible afirmar hallazgos del estudio sobre qué hace que una IA cite una fuente, porque no hay métricas, análisis ni resultados incluidos en el texto proporcionado.

Qué dice

El estudio mide cómo varía la “visibilidad por citación” (qué dominios citan las respuestas) en tres motores de búsqueda generativa—Perplexity, OpenAI SearchGPT y Google Gemini—repitiendo consultas sobre tres temas de productos y comparando mediciones de un solo muestreo frente a muestreo repetido.

Los datos

• Usa dos regímenes de muestreo: recopilaciones diarias durante 9 días y muestreo de alta frecuencia cada 10 minutos
• Encuentra que las distribuciones de citaciones siguen una forma tipo ley de potencias (power-law), en lugar de concentrarse alrededor de un valor único estable
• Con intervalos de confianza bootstrap, una parte de las diferencias “aparentes” entre dominios cae dentro del “ruido” del proceso de medición (o sea, no son estadísticamente concluyentes)
• La estabilidad del ranking por citaciones es baja: los rankings cambian entre muestras, tanto entre los dominios mejor posicionados como dentro del conjunto de dominios que aparecen con más frecuencia

Conclusión del estudio

El paper demuestra que, en búsquedas generativas, medir visibilidad con una sola ejecución produce una imagen con precisión engañosa: las citaciones cambian lo suficiente como para que rankings y diferencias entre dominios no sean consistentes sin estimar incertidumbre. Por eso, la “visibilidad” por citación debe reportarse con medidas de incertidumbre y no como un número fijo.

Qué dice

El estudio analiza, con una revisión de literatura y tendencias 2024–2026 (y citando normativa indonesia 2024), cómo cambia la forma en que se atribuyen y citan marcas en resúmenes generados por IA y qué mide (o deja de medir) la “visibilidad” de PR y medios.

Los datos

• Plantea que métricas tradicionales como “page views” e “impressions” quedan “obsoletas” porque el usuario recibe el resumen directamente (zero-click), en vez de hacer clic a la fuente
• Usa un marco propuesto llamado “Symbiotic Data Supply Chain” para redefinir el intercambio entre PR y medios como suministro de datos estructurados para que la IA otorgue autoridad/citas
• Introduce una competencia específica para sostener atribución: “Brand Citation Authority (BCA)” (autoridad para ser citado por marca) y lo vincula a “Generative Engine Optimization (GEO)”
• Afirma que la investigación sintetiza literatura y tendencias “de 2024 a 2026” e incluye un análisis de la Regulación Presidencial de Indonesia No. 32 de 2024 (mencionada como insumo, sin cuantificar resultados en el texto proporcionado)

Conclusión del estudio

Este trabajo no prueba con un experimento cuantitativo qué porcentaje de veces citen las IAs, pero sí sostiene (con base en su revisión conceptual) que, en modo zero-click, la citación/atribución depende menos de métricas de tráfico y más de que PR y medios ofrezcan datos de calidad y estructurados para que los resúmenes generados por IA asignen autoridad a la marca.

Qué dice

El estudio encuestó a 1.596 personas en Indonesia (marzo 2026) para medir cómo el uso de herramientas de IA (ChatGPT, Google AI Mode, Gemini y Perplexity) cambia su búsqueda de información y decisiones de compra.

Los datos

• El 74,6% de los consumidores en Indonesia dijo haber usado herramientas de IA para investigar productos
• El 26,4% de los encuestados fueron clasificados como “usuarios intensivos” de IA
• El 52,3% afirmó que menciones de marcas generadas o mencionadas en IA influyen en su consideración de marca
• El 79,8% percibe que la IA acelera su proceso de decisión

Conclusión del estudio

Según los datos del estudio, la adopción de IA está muy extendida y se asocia a mayor influencia en la consideración de marcas y a una percepción de decisiones más rápidas, lo que indica que la IA ya está cambiando el comportamiento de búsqueda e información que precede a la compra.

Qué dice

El texto define qué hace que una marca sea citada por asistentes de IA (ChatGPT, Gemini, Perplexity y Google AI Overviews) y lo aterriza con métricas y datos que dicen usar Creo, centrados en entidad/markup, “Answer-First” y señales locales.

Los datos

• Menciona 38% como “primera estimación” del porcentaje de consultas que ya pasan primero por asistentes de IA antes de que abra un buscador tradicional
• Indica 88 “Ciudades del condado de Los Ángeles” con declaraciones de entidades geográficas enlazadas a Wikidata dentro del @graph (no como texto plano)
• Afirma “127+” entidades Schema.org por cliente como mínimo de Creo, frente a un promedio de “3–5” tipos de schema básico en la industria
• Para crawl, cita una “75% Crawl Waste Rule” (gestión del presupuesto de rastreo) como criterio SEO de su estrategia
• Para contenido AEO, dice que el contenido debe resolver la consulta en los “primeros 150 palabras” (y usar TL;DR + FAQ con “10+ preguntas” + SpeakableSpecification)

Conclusión del estudio

Este estudio (tal como está en el texto) sostiene que las citas de IA dependen sobre todo de que la marca esté estructurada como entidad verificable y “listada” en un grafo (Schema.org @graph + mapeo semántico) y que el contenido esté diseñado como respuesta directa (Answer-First, con foco en primeros 150 palabras) y anclado a geografía consistente. Con esos requisitos, la “Generative Citation Rate (GCR)” sería el equivalente a ser citado como fuente en resúmenes generados por IA.

Qué dice

El estudio revisa décadas de investigación para explicar qué factores hacen que una idea se adopte y se difunda (confianza, posición social del mensajero y estructura de la red), conectándolo con el modelo de Rogers y la teoría de redes de Granovetter y Burt.

Los datos

• Rogers clasifica adopción en 5 grupos con estos porcentajes: Innovators 2.5%, Early Adopters 13.5%, Early Majority 34%, Late Majority 34% y Laggards 16%
• El modelo indica que Early Adopters (13.5%) actúan como líderes de opinión y su adopción dispara el comportamiento en cascada del Early Majority (34%)
• Granovetter (1973) encuentra que la información novedosa cruza límites sociales sobre todo por “weak ties” (conocidos), mientras los “strong ties” (amigos cercanos) tienden a circular información redundante dentro de grupos cerrados
• En el estudio citado de Granovetter (1973), los empleos se consiguen principalmente mediante conocidos, no mediante amigos cercanos (por la diferencia de mundos sociales a los que acceden)
• Burt (1992) sostiene que quienes puentean “structural holes” entre clusters desconectados obtienen ventaja competitiva desproporcionada (acceso más temprano a información no redundante y más control del flujo entre mundos)

Conclusión del estudio

El artículo concluye que la adopción y la “difusión” no dependen solo de que algo sea nuevo, sino de la confianza y, sobre todo, de la estructura: qué tipo de conexiones llevan la información y en qué posición de la red actúa el mensajero.

Qué dice

El texto pegado no es un estudio con resultados: parece una página/ruido de Google Scholar (mensajes de carga, ajustes e interfaz) y no contiene mediciones sobre qué hace que una IA cite fuentes.

Conclusión del estudio

Con este contenido no se puede extraer qué investiga el estudio ni qué encontró: no hay datos ni resultados específicos sobre citas de IA.

Qué dice

El estudio revisa cómo la IA está cambiando la evolución de e-commerce y compara el paso desde SEO hacia GEO y desde competir por precio hacia competir por valor, apoyándose en proyecciones de mercado de IA en retail.

Los datos

• Proyecta que el mercado de IA en e-commerce retail crecerá de 19,98 mil millones de dólares (2025) a 398,65 mil millones de dólares (2034), con un crecimiento anual compuesto del 40,3%
• Afirma que el papel de la IA en e-commerce cambia de “herramienta asistiva” a “agente autónomo” y que “Agentic Commerce” pasa de lo conceptual a implementación práctica
• Señala un cambio del foco competitivo de “captación de tráfico” a “calidad y estructuración de datos”, vinculándolo a la evolución operativa desde SEO hacia GEO
• Describe el cambio de competencia de “precio” a “valor”, afectando producto, experiencia de servicio y eficiencia de la cadena de suministro

Conclusión del estudio

Con los datos que aporta, el paper no mide qué hace que una IA cite una fuente, sino que concluye que la IA está reordenando la lógica competitiva de e-commerce (incluyendo el giro de SEO a GEO y de precio a valor).

Qué dice

El texto que has compartido no contiene un estudio sobre IA y citaciones: es solo una página/fragmento de Google Scholar con mensajes de interfaz, sin datos ni resultados de investigación.

Conclusión del estudio

Con este material no se puede determinar qué hace que las IA citen una fuente, porque no hay metodología, mediciones ni hallazgos del estudio.

Qué dice

El estudio revisa, con datos de 2019 a 2024, cómo cambia el proceso de marketing digital en un caso B2B de FinTech (FinTech Products) al pasar de un funnel lineal a un modelo de crecimiento, y mide qué impacto tiene en métricas como tráfico web y generación de leads.

Los datos

• La eficacia global del proceso pasa de 5,5 a 8,2 sobre 10 entre 2019–2024
• El tráfico anual del sitio web aumenta un 167%
• La generación de leads crece un 214%
• El trabajo enmarca el cambio desde funnels tradicionales hacia un modelo de “growth flywheel” y la aparición de GEO (Generative Engine Optimization)

Conclusión del estudio

El estudio concluye que una operación digital más madura y estructurada, con enfoque data-driven, se asocia a mejoras claras en rendimiento (eficacia, tráfico y leads) en el caso analizado. No aporta mediciones directas de citas por IA (por ejemplo, cuántas veces cita ChatGPT/Perplexity/Gemini/Claude/Google AI una fuente), así que su evidencia es sobre resultados de marketing digital, no sobre “ser citado”.

Qué dice

El estudio analiza cómo la búsqueda generativa en Google (SGE y AI Overviews) cambia el consumo de contenido y reduce el tráfico orgánico, comparando métricas globales con el caso del sitio zembaron.ru.

Los datos

• En el caso zembaron.ru, el tráfico diario desde Google pasó de ~4000 visitas/día a ~40 visitas/día en 2025-2026: una caída del 99% (según el análisis con Yandex.Metrika)
• Para zembaron.ru, los picos del periodo 2016-2021 fueron de 120.000 visitas/mes (aprox. 3800-4000 visitas/día), antes del desplome
• El estudio macro citado (University of Washington) analizó 52.262 artículos de Wikipedia en inglés y encontró que AI Overviews reduce el tráfico orgánico diario en promedio un 15-17%
• En ese análisis de 52.262 artículos, la pérdida estimada asociada a AI Overviews equivale a 4,2 mil millones de visitas/año
• Según el mismo estudio macro, las caídas fueron mayores en temas de tipo cultural-bытовой y legal, y las instrucciones/guías fueron las más afectadas (mencionan que las instrucciones como categoría sufrieron la máxima canibalización; en el caso zembaron.ru el efecto llegó al 99%)

Conclusión del estudio

Con sus datos, el estudio muestra que la búsqueda generativa en Google canibaliza el tráfico orgánico: sustituye el clic al origen por respuestas/resúmenes en la propia SERP (zero-click) y deja especialmente dañadas las páginas de instrucciones y contenido procedimental.

Qué dice

El paper revisa literatura sobre SEO en e-commerce y explica qué factores (técnicos, de experiencia de usuario y de relevancia semántica) influyen en la visibilidad orgánica, pero no aporta datos específicos sobre citas de IA (ChatGPT/Perplexity/Gemini/Claude) ni mide ese efecto.

Los datos

• No hay resultados medidos en el documento: se indica que es una “revisión sistemática de literatura” y el estudio dice que “Downloads / Download data is not yet available”
• En el texto no aparece ninguna métrica cuantitativa sobre IA citando fuentes (por ejemplo, % de menciones, tasa de cita, modelos analizados o corpus de páginas)
• Las fuentes listadas en referencias son sobre e-commerce/SEO y otros temas, pero el paper no presenta un análisis empírico propio que relacione una fuente concreta con que una IA la cite
• La contribución descrita es síntesis y “futuras líneas de investigación”, sin experimentos ni conteo de citas por modelo de IA

Conclusión del estudio

Este estudio no demuestra qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen una fuente; su foco es SEO en e-commerce y la relevancia orgánica, sin datos propios que midan el comportamiento de citación por IA.

Qué dice

El estudio compara 5 servicios rusos de GEO (optimización para visibilidad en búsquedas generativas) con una metodología de 13 criterios y muestra cuánto cubre cada uno el ciclo completo desde diagnóstico hasta prueba de aumento de menciones en respuestas de IA.

Los datos

• Se evaluaron 5 servicios (GeoWatch, GEO Scout, VisioBrand, Rush Analytics, Metricore) con 13 criterios ponderados (suma de pesos = 100) y una escala de cobertura: + = 1,0; ± = 0,5; - = 0,0
• El ciclo completo (incluyendo “engineering technical assignment” y resultado medido en respuestas de redes neuronales) lo cubre solo 1 servicio en la muestra
• GeoWatch logra el mejor puntaje integral de “completitud funcional”: 76/100, pero obtiene 0 en 2 criterios clave: no hay análisis multilingüe (K11) y no hay atribución de tráfico desde IA con analítica web (K12)
• En la muestra, la mayoría de productos se limita a monitoreo y análisis de tono: el estudio indica que “la mayoría” está limitada a esas funciones (con el ciclo completo siendo la excepción)
• Un criterio donde la atribución está confirmada solo parcialmente: el estudio reporta que la atribución de tráfico desde IA (K12) la asegura confirmadamente solo VisioBrand vía integración con Yandex.Metrika; Rush Analytics lo tiene “parcialmente”

Conclusión del estudio

Según los datos del estudio, los servicios GEO rusos están mucho más cerca del monitoreo (mencione y tono) que de un ciclo completo con entrega técnica y prueba medible dentro de respuestas de IA. Incluso el líder por puntaje (GeoWatch) falla en capacidades concretas como multilingüismo y atribución de tráfico desde IA (0 en esos criterios).

Qué dice

El estudio revisa qué condiciones hacen que sistemas de IA citen una fuente (en ChatGPT/Bing AI/Gemini/Google AI/Claude), y usa datos de investigación y de medición (citas, dashboards y estudios de clics) para mostrar cómo cambia la visibilidad desde “rank” a “cita correcta”.

Los datos

• En los experimentos citados sobre “GEO”, ciertos cambios de contenido pueden mejorar la visibilidad en respuestas de motores generativos hasta en un 40%; también reporta que el “keyword stuffing” rinde mal o puede empeorar
• Microsoft mostró en su preview (10-feb-2026) reporting específico de IA (páginas citadas, frases de grounding y actividad a nivel de página); y luego añadió métricas en el dashboard (rolling alrededor del 16-jun-2026) como Citation Share, que se expresa como porcentaje de citas para una consulta de grounding (ejemplo del estudio: 3 citas de 10 visibles = 30% de share)
• Pew Research encontró que cuando los usuarios vieron un AI summary en Google, el clic a un resultado tradicional ocurrió en el 8% de las visitas vs 15% cuando no hubo AI summary; además, los enlaces dentro del AI summary se clicaron solo en el 1% de las visitas
• El estudio de Pew analizado se basó en 68.879 búsquedas de 900 adultos durante un mes, donde 12.593 búsquedas produjeron un AI summary

Conclusión del estudio

Con los datos y ejemplos del propio estudio, se concluye que la “cita” de una IA no depende de trucos técnicos exclusivos, sino de si la organización es una fuente recuperable y representable con material identificable y verificable; y que el éxito real se mide por cita correcta (no solo por menciones o presencia) y por el impacto de esa representación.

Qué dice

El texto no incluye el contenido del estudio (solo una vista previa de ProQuest), así que no se puede saber qué analiza ni qué resultados mide sobre cuándo las IA citan fuentes.

Conclusión del estudio

Con el material proporcionado no hay datos del paper para concluir qué hace que las IA citen una fuente, porque el estudio no está incluido en el texto que compartiste.

Qué dice

El texto pegado no contiene información del estudio sobre IA (ChatGPT/Perplexity/Gemini/Google AI/Claude) ni datos medidos; es solo contenido de una página de Google Scholar (mensajes de carga/ajustes/idiomas).

Conclusión del estudio

Con este fragmento no se puede determinar qué hace que las IA citen una fuente, porque no aparecen resultados, metodología ni cifras del estudio.

Qué dice

El paper revisa tendencias y estrategias de marketing digital y cómo medir su efectividad, pero no realiza un estudio empírico propio y usa varios gráficos “hipotéticos” para ilustrar relaciones como gasto vs ROI.

Los datos

• El trabajo declara 5 objetivos: examinar estrategias (social media, contenido, SEO, programática), evaluar efectividad en notoriedad e interacción, analizar desarrollos como personalización/influencers, revisar tendencias con “datos hipotéticos” y proponer recomendaciones
• Incluye el “Figura 1. Global Digital Marketing Channel Usage (Hypothetical)” para mostrar uso y rendimiento de canales, pero el texto solo indica que es hipotético (no da porcentajes o métricas reales)
• Incluye el “Figura 2. Global Digital Marketing Spend vs ROI (Hypothetical)” y afirma que “aumenta el gasto global en marketing coincide con un aumento de ROI” por mejor segmentación y medición, pero no aporta cifras ni magnitudes
• Presenta “Figura 3. Global Digital Engagement Growth (Hypothetical)” para ilustrar crecimiento de engagement, también descrito como hipotético, sin datos numéricos en el texto aportado

Conclusión del estudio

Con los datos que aporta este paper, la “prueba” de qué hace que una IA cite una fuente no aparece: el artículo no evalúa citación por modelos (ChatGPT/Perplexity/Gemini/Claude/otras) y además sus figuras clave son solo ilustraciones hipotéticas.

Qué dice

El estudio (en formato de artículo) analiza cómo Google Analytics puede distinguir visitas que vienen de respuestas de IA (ChatGPT, Gemini, Claude) y qué tan grande es ese tráfico medible hoy.

Los datos

• La identificación del tráfico IA se hace en Google Analytics usando el canal “Referral” y el referente del navegador (cabecera HTTP “Referer”)
• Los “orígenes” que el artículo menciona para clasificar visitas son: chat.openai.com, gemini.google.com y claude.ai
• Según un caso citado en el texto, un medio pasó de 0,1% a cerca de 2% de tráfico referent en menos de seis meses (por IA)
• El artículo cita a Forrester (junio 2026) estimando que el tráfico referent desde motores de IA podría llegar a 5% a 10% del tráfico total para sitios con alta experiencia hacia 2028
• El propio texto reconoce límites: si el usuario no hace clic en ningún enlace, esa “impresión” de marca no queda registrada en Google Analytics (solo se mide la parte que termina en clics y atribución)

Conclusión del estudio

El estudio muestra que, aunque el volumen de tráfico IA medible todavía es pequeño, ya se puede cuantificar en Google Analytics a través de “Referral” cuando hay clics, y que ese tráfico crece rápidamente. También evidencia que la medición es incompleta: la falta de clics deja parte del impacto IA fuera de los números.

Qué dice

El trabajo analiza cómo la IA generativa cambia el SEO y compara qué dominios aparecen en Google, ChatGPT y Perplexity para ver en qué se diferencian los sitios “visibles” en buscadores tradicionales de los que “son citados” por modelos de IA.

Conclusión del estudio

El estudio concluye que la IA generativa no elimina el SEO, pero sí lo transforma: la visibilidad y el valor de la presencia pasan a medirse también por citas y reconocimiento en motores generativos. Al hacerlo, propone que el enfoque combine SEO con GEO y AEO, no solo por volumen de tráfico.

Qué dice

El estudio analiza cómo 9 agentes de código y 6 asistentes de IA hacen llamadas a un endpoint de documentación técnica, midiendo patrones HTTP (peticiones, User-Agent y cabeceras) y cómo cambian las métricas de uso real.

Los datos

• Probaron 9 agentes: Aider, Antigravity, Claude Code, Cline, Cursor, Junie, OpenCode, VS Code y Windsurf; y 6 asistentes: ChatGPT, Claude, Google Gemini, Google NotebookLM, MistralAI y Perplexity
• El comportamiento de acceso de estas IA genera firmas identificables en tiempo de ejecución a partir de huellas de HTTP: estrategia de pre-carga (pre-fetch), cadenas User-Agent y patrones de cabeceras
• Encontraron que el acceso de agentes de IA “comprime” la navegación típica de varias páginas en 1 o 2 solicitudes, volviendo poco fiables métricas clásicas como profundidad de sesión, tiempo en página, ruta de clics y tasa de rebote

Conclusión del estudio

Según sus mediciones en un endpoint de documentación vivo, los agentes/asistentes de IA no “consumen” la web como un usuario humano: dejan patrones HTTP propios y realizan saltos que hacen que métricas tradicionales no reflejen el consumo real.

Qué dice

El paper prueba una arquitectura RAG para mejorar la probabilidad de que una IA cite fuentes, y la valida en 10 despliegues reales (7 sectores) midiendo tasas de citación, eficacia A/B y reducción de contexto.

Los datos

• En 10 despliegues de producción, la tasa media de atribución (que el texto generado cite una fuente) fue 77,1% con rango 74%-81%
• La evaluación A/B compara IA sin RAG (control) vs IA con RAG (tratamiento) usando la misma tarea y prompts; reporta que el tratamiento con RAG supera al control en tasa de atribución (con la medición humana como métrica binaria)
• La atribución se midió con anotadores humanos (n=3) con métrica binaria (1 si citó una fuente del set, 0 si no) y acuerdo entre anotadores Cohen’s Kappa > 0,85
• El sistema comprimió el contenido para el contexto reduciendo el número de caracteres en ~83% frente al contenido chunk “crudo”, para bajar coste de inferencia
• En los despliegues donde se listan tasas por sector, construcción obtuvo 74% (dos despliegues) mientras que creatividad/tecnología marcaron 81% y 80% (respectivamente, Filmfolk y Enkronos)

Conclusión del estudio

Este estudio muestra que una arquitectura RAG con (1) múltiples fuentes ponderadas, (2) un ajuste de frescura temporal y (3) reranqueo/revisión de contexto puede sostener tasas altas de citación en producción: 77,1% de media (74–81%) cuando se mide por citación directa de fuentes con anotadores humanos.

Qué dice

El estudio de la ESB Business School (25 entrevistas a directivos de pymes alemanas) analiza cómo perciben el paso de SEO a GEO y qué criterios ven como decisivos para que una IA cite fuentes en sus respuestas.

Los datos

• Se basó en 25 entrevistas cualitativas con representantes de pymes de Alemania (sectores: industria, artesanía, servicios, consultoría, software y e-commerce)
• El estudio describe que en sistemas generativos la visibilidad ya no se mide por “posición” o “clics”, sino por si el contenido es “citable” e integrado en la respuesta (o sea, la cita reemplaza al ranking como señal de presencia)
• Las entrevistas muestran un patrón: las pymes reconocen la relevancia de la IA pero no saben cómo traducirlo a decisiones de marketing (“SEO es importante, pero no sabemos cómo se traslada”; “usamos IA para eficiencia, no para visibilidad”)
• El texto del estudio afirma que prácticas clásicas de SEO como “acumular palabras clave” no aportan mejora en visibilidad en respuestas generativas y, en algunos casos, pueden empeorar la inclusión

Conclusión del estudio

Con sus datos cualitativos, el estudio concluye que para que una IA cite, lo que importa es la relevancia y “citación” del contenido dentro de la respuesta, no su posicionamiento en listados. Además, demuestra que muchas pymes se quedan en el uso de IA como apoyo operativo o en SEO como práctica separada, sin conectar ambos para adaptarse a la lógica de la cita.

Qué dice

El estudio mide cuánto puede un único resultado web “contaminado” (páginas manipuladas o reseñas falsas) llevar a distintos LLMs a recomendar un producto falso en contextos de recomendación con búsqueda, usando FORGE con 225 productos en 15 categorías y 5 escenarios.

Los datos

• Entre 12 LLMs probados, con una sola “página contaminada” la tasa de recomendaciones del producto falso llega hasta el 27%
• Si la contaminación se aplica a los 3 resultados (top-3), la tasa sube hasta 73.8%
• Los modelos son vulnerables en todos los casos evaluados (“all models are vulnerable”), no solo a algunos
• El daño varía mucho por categoría: la vulnerabilidad aumenta cuando el modelo no tiene conocimiento previo estable del producto
• Agregar “razonamiento” no reduce el problema: a menudo empeora al inventar/justificar con “prueba social” falsa para recomendar el producto incorrecto

Conclusión del estudio

Con datos de FORGE, el estudio demuestra que en recomenadores con búsqueda basta un solo documento contaminado para que LLMs promuevan un producto falso, y que razonar o justificar no arregla el sesgo, incluso pudiendo aumentarlo.

Qué dice

El estudio analiza cómo la IA generativa en Google (SGE y AI Overviews) cambia el comportamiento de consumo de contenido y cómo eso se refleja en métricas globales y en el caso real de zembaron.ru.

Los datos

• Con SGE/AI Overviews, el tráfico orgánico desde Google hacia un sitio de nicho como zembaron.ru cae de ~4.000 visitas/día a 40 visitas/día (una pérdida del 99%) tras el escalado de AI Overviews para consultas en ruso (2025-2026)
• En la fase “buena” del caso (2016-2021), zembaron.ru alcanza picos de 120.000 visitas/mes, equivalente a ~3.800-4.000 visitas/día, manteniéndose en Top-1 a Top-3 para decenas de consultas complejas
• El estudio cita un pronóstico de Gartner: para finales de 2026 el tráfico orgánico tradicional en general se reduciría al menos un 25% por el movimiento de la audiencia hacia chatbots y agentes conversacionales
• Para medir efectos en resultados generativos, el trabajo analiza impacto de AI Overviews sobre visitas relacionadas con 52.262 artículos en inglés de Wikipedia

Conclusión del estudio

Con sus datos, el estudio muestra que la adopción de SGE y AI Overviews en Google se asocia con canibalización del tráfico orgánico, crecimiento de “zero-click” y un colapso en la demanda desde Google para un portal experto de nicho (zembaron.ru). En concreto, demuestra una caída masiva (99%) de visitas provenientes de Google tras el despliegue completo de las funciones generativas.

Qué dice

El texto solo muestra los metadatos (título, autor, revista, fecha) de un artículo sobre cómo ganar en Bol.com sin ser más barato, pero no incluye datos ni resultados del estudio sobre qué hace que las IA citen una fuente.

Conclusión del estudio

Con este fragmento no es posible determinar qué factores hacen que ChatGPT/Perplexity/Gemini/Google AI/Claude citen una fuente, porque no aparecen mediciones, porcentajes ni hallazgos del estudio.

Qué dice

El texto no es un estudio sobre citaciones de IA: explica un sistema antirrobots (Anubis) con prueba de trabajo para frenar el scraping masivo y evitar caídas del servidor.

Conclusión del estudio

No aporta datos ni hallazgos sobre qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen fuentes, porque no mide ese comportamiento; solo describe una medida de protección contra bots y scrapers.

Qué dice

El artículo recopila y relaciona datos sobre cómo los Google AI Overviews (“Modo IA”) impactan el tráfico de los medios y qué consecuencias tienen para el modelo informativo y los derechos de propiedad intelectual.

Los datos

• Estima una caída de hasta el 50% del tráfico web hacia los medios en España a principios de 2026 como efecto de los AI Overviews/“Google Zero click”
• Cita un dato de GFK: “Solo 1 de cada 431 sesiones en herramientas IA culmina en una visita a un medio digital”
• Reproduce un resultado atribuido a Ahrefs: los AI Overviews reducen los clics en un 34,5%
• Incluye el dato de que el estudio o informes que usan esta evidencia hablan de un entorno de “Google Zero click”, es decir, consultas donde la información se resuelve sin llevar al usuario al sitio del medio

Conclusión del estudio

Con los datos que reúne, el estudio sostiene que la lógica de los AI Overviews tiende a reducir clics y visitas a medios (directamente o por “cero clic”), y por tanto presiona el negocio periodístico. La consecuencia inmediata es que los medios pasan a depender menos del tráfico orgánico tradicional y más de su presencia en el ecosistema de IA y sus acuerdos/licencias, al tiempo que se refuerza la discusión legal por uso de obras.

Qué dice

El estudio revisa qué cambia en el SEO cuando la gente busca y cita información a través de IA (p. ej., ChatGPT y Perplexity) y muestra, con datos, cómo influye el “zero-click” y qué rasgos de contenido se asocian a mayor visibilidad/citación en sistemas generativos.

Los datos

• El “zero-click search” ya representa más del 58% de las interacciones de búsqueda (según los datos citados en el texto del estudio: [2, p. 2])
• En interacciones con ChatGPT, el 41,5% de los pedidos se relacionan con crear o procesar contenido (y dentro de eso: 10,6% edición/crítica del texto del usuario; 8,0% redacción de textos/comunicación; 4,5% traducción; 4,2% generación de imágenes; 4,2% código; 3,9% ideas creativas; 3,6% argumentos o resúmenes)
• Aproximadamente el 18,3% de las interacciones con ChatGPT están ligadas a buscar información específica (hechos, recomendaciones y respuestas) ([3, p. 143])
• En una de las líneas del GEO recogidas en el estudio, la inclusión de listas y tablas en un 25–35% del texto se asocia con un aumento del 43% en la precisión del “parseo” del contenido por sistemas de IA ([2, p. 6])
• Otro resultado citado sobre GEO indica que reemplazar descripciones generales por datos/cifras puede aumentar en un 30–40% los indicadores de visibilidad y la percepción subjetiva del contenido por “buscadores generativos” ([10, p. 6])

Conclusión del estudio

El estudio no mide directamente “citación” en un sentido de conteo de referencias por IA, pero sí demuestra que el entorno de búsqueda dominado por zero-click y la forma en que las IA entienden/parsean contenido (estructura + datos cuantitativos) están conectados con mayor visibilidad del contenido en el mundo de la búsqueda generativa, donde las fuentes tienden a usarse dentro de respuestas/sumarios.

Qué dice

El estudio revisa (con una revisión de literatura 2021–2025 y observación de prácticas de la industria) en qué áreas usa la IA generativa las estrategias de marketing digital y qué beneficios, retos y riesgos se reportan.

Los datos

• Identifica 5 áreas de implementación principales de la IA generativa en marketing digital: (1) creación automática de contenido, (2) personalización de la experiencia del cliente, (3) optimización de SEO basada en IA, (4) análisis de sentimiento del consumidor, y (5) automatización de campañas de email marketing
• El material analizado incluye artículos en revistas indexadas en Scopus y IEEE Xplore del periodo 2021–2025, además de documentación oficial de plataformas de IA y reportes de industria de McKinsey, Gartner y Boston Consulting Group
• El estudio concluye que el éxito de la IA generativa en marketing depende de tres condiciones concretas: gobernanza adecuada, alfabetización (literasi) en IA suficiente y políticas éticas claras

Conclusión del estudio

A partir de su revisión, el paper no mide directamente “cuándo o por qué una IA cita una fuente” sino que muestra en qué usos de marketing se aplica la IA generativa y qué condiciones determinan que funcione. Su evidencia respalda que la IA generativa puede mejorar eficiencia y efectividad en marketing, pero solo si se gestionan gobernanza, habilidades y ética.

Qué dice

El estudio reevalúa 7 ataques de prompt-injection en sistemas RAG usando una cadena realista (retriever → reranker LLM → generador LLM) y mide si realmente logran que el documento “ataque” llegue y sea usado por el generador.

Los datos

• De los 7 ataques re-evaluados, los ataques basados en gradientes y los de “instruction override” “se colapsan” antes de llegar al generador en el pipeline retriever→reranker→generator
• Solo los prompt-injections generados por un LLM se mantienen como efectivos “end-to-end” hasta el generador
• El paper indica que los resultados previos sobreestimaban la efectividad de estos ataques cuando el documento se entregaba directamente al generador (saltando retriever y reranker)
• Detectan que los ataques son fácilmente detectables: un guard ligero (prompt-injection guard) afinado con un conjunto pequeño de ataques detecta “cada ataque” (100%)

Conclusión del estudio

En escenarios RAG realistas, gran parte de los ataques GEO que antes parecían muy efectivos dejan de funcionar antes de llegar al generador; el ataque que sobrevive end-to-end es el impulsado por LLM. Además, el estudio muestra que estos ataques pueden detectarse de forma completa con un guard ligero entrenado con pocos ejemplos.

Qué dice

El estudio analiza, en 1.508 agencias inmobiliarias de Alemania, qué atributos de sus webs (incluido JSON-LD/Schema.org) se asocian con que ChatGPT las conozca o las cite al responder.

Los datos

• De las agencias que ChatGPT sí pudo mencionar (“visibles”), el 6.2% tenían marcado FAQPage, frente a solo el 0.8% de las no visibles (p = 0.002)
• El Product schema se asoció con visibilidad: 17.2% en las visibles vs 1.8% en las no visibles (p < 0.001)
• En lo técnico, casi todas las visibles tenían web optimizada para móvil: 99.0% vs 88.8% (p < 0.001); además, tenían robots.txt: 92.3% vs 80.6% (p < 0.001)
• También hubo diferencias de rendimiento y estructura: tiempos de carga media 418 ms (visibles) vs 623 ms (no visibles) (p = 0.014), y uso de encabezados más amplio (h2: 94.7% vs 74.4%; h3: 86.6% vs 61.4%; p < 0.001)

Conclusión del estudio

Con datos de estas 1.508 webs, el estudio muestra que la presencia de Schema.org, especialmente el FAQPage (y también Product), se relaciona con una probabilidad mucho mayor de que ChatGPT reconozca o cite a la agencia. En el modelo estadístico, FAQPage es el predictor positivo más fuerte (OR≈13, p<0.001), seguido de Product (OR≈4, p<0.001).

Qué dice

El estudio analiza cómo agentes de “deep research” que hacen muchas consultas en una sesión llegan a citar repetidamente las mismas páginas de contenido generado por usuarios (por ejemplo Reddit y Wikipedia) y demuestra que eso permite envenenar sus citas y entidades citadas añadiendo un texto manipulado en una sola página.

Los datos

• Los autores observan que, para muchos temas comunes, los agentes “deep-research” recuperan repetidamente las mismas páginas UGC dentro de una misma sesión de investigación
• El trabajo propone que esa repetición crea una superficie de ataque concentrada: si un atacante modifica una página UGC que el agente recupera con frecuencia, puede provocar que el agente cite contenido elegido por el atacante
• Evaluan el ataque en 3 sistemas concretos (STORM, Co-STORM y OmniThink) y lo prueban en varios “clusters” de consultas (es decir, varios grupos de temas)
• Estudian defensas en varias fases del proceso, incluyendo filtrado a nivel de fuente y detección basada en el contenido/resultado generado (output)

Conclusión del estudio

El estudio demuestra que la forma en que estos agentes recuperan e integran web UGC (por reusar repetidamente las mismas páginas) hace posible que una manipulación pequeña en una sola página se propague a múltiples consultas y termine reflejada como citas y entidades promovidas por el agente.

Qué dice

El texto describe planes y requisitos para que la visibilidad/citas de un sitio por IA (ChatGPT, Perplexity, Google AI Overviews, etc.) aumenten, pero no aporta datos medidos sobre “cuántas citas” ni resultados cuantificados; sí da cifras de tareas (contenidos, perfiles, reseñas) y un sistema de monitorización de “reputación narrativa” en IA.

Los datos

• Para el plan de 6 meses, propone: 8-10 materiales nuevos en 2-3 meses (y en el Mes 2 publicar 4-6 unidades), con textos de “al menos 15.000 caracteres”
• En el Mes 4 propone publicar 1-2 artículos como invitado/externos y preparar una lista de 20-30 “plataformas prioritarias” para esos envíos
• Para catálogos IT, propone elegir 5-7 catálogos (ej.: Startpack, G2, Capterra) y llegar a 3-5 perfiles optimizados; además, obtener los “primeros 5-10” reseñas de clientes
• En la parte de reputación en AI search, el texto indica un “auditoría de arranque” con 20-30 consultas reales sobre la marca (incluye explícitamente: ‘[marca] reseñas’, ‘vale la pena trabajar con [marca]’, ‘pros y contras [marca]’, ‘mejores [nicho] en [ciudad]’, ‘a quién le conviene [marca]’)
• También fija un objetivo para reseñas: llegar a 50+ reseñas en 2-3 plataformas clave y mantener el rating entre 4.4 y 4.8, con nuevas reseñas cada mes

Conclusión del estudio

A partir de los datos del texto, la “cita” por IA no se cuantifica con métricas de impacto real, pero el estudio/guía que resume identifica que la IA arma su respuesta apoyándose en señales concretas: reseñas, casos, FAQ, menciones externas y datos estructurados (Schema). Lo que el documento demuestra con sus números es el tipo y volumen mínimo de presencia que busca crear para que la IA tenga material fiable y no rellene con suposiciones.

Qué dice

El texto que compartiste no contiene resultados ni metodología del estudio, solo el título y metadatos de IEEE Xplore, así que no puedo saber qué investigó ni qué encontró con datos.

Conclusión del estudio

Con el contenido disponible no es posible extraer hallazgos medibles sobre por qué estas IA citan una fuente, porque el estudio no aparece (ni cifras, ni resultados, ni experimentos).

Qué dice

El paper estudia cómo optimizar el SEO (y aspectos de GEO) del sitio de un vinero en Bruselas (“Place aux Vins”) y cómo usar la creación de un glosario de términos del vino para mejorar el contenido del sitio, revisando también resultados de esa implementación.

Conclusión del estudio

Con el texto proporcionado no hay datos medidos (porcentajes, número de citas, métricas de rendimiento o resultados cuantificados) sobre qué hace que las IA citen fuentes; el documento descrito se centra más en SEO/GEO del sitio y en la creación de un glosario, pero sin cifras visibles aquí.

Qué dice

El estudio propone y define el ORION Score, un métrico compuesto (0–100) para estimar la probabilidad de que una página sea citada por respuestas generadas por IA, descomponiéndolo en 5 “pilares” y asignando pesos según cómo impactan en el pipeline de recuperación.

Los datos

• Estima la probabilidad esperada de cita como ORION=cite-rate(p)=E_q[c(q,p)] sobre la distribución de consultas para las que la página es relevante (definen el objetivo como la fracción de consultas donde la página acaba citada)
• El ORION Score se calcula agregando 5 pilares con pesos: Originality 0.20, Retrievability 0.15 (en el texto visible también se menciona que el peso puede redistribuirse hacia Observed Visibility cuando hay evidencia de citas en vivo)
• El modelo reporta una puntuación 0–100 interpretada explícitamente como 100×P(cite) (o sea, un ORION de 70 busca corresponder a 0.70 de probabilidad de cita en las consultas objetivo)
• Para justificar el peso de Originality (0.20), el paper cita que las estimaciones de practitioners para esa palanca suelen estar en 0.25–0.35, mientras que en Aggarwal et al. (2024) observan alrededor de ~0.12 en su estudio de intervenciones sobre contenido (explican la discrepancia por cómo diseñaron sus pruebas)
• En el apartado de contexto, el paper afirma que en inicios de 2026 un 25% (conservador) de las consultas está mediado por modelos tipo LLM que sintetizan respuestas a partir de fuentes recuperadas (no una lista de links)

Conclusión del estudio

Este estudio demuestra que se puede medir “ser citado” como una probabilidad (no como un proxy de ranking SERP) y que dicha probabilidad se puede descomponer en pilares ligados a etapas concretas de recuperación y extracción del pipeline RAG, con calibración explícita (100×P(cite)).

Qué dice

El estudio prueba, con 215 prompts de recomendación comercial, si ChatGPT y Claude citan/recomiendan marcas de forma similar y qué “tipo de fallo” comparten cuando no lo hacen.

Los datos

• Con los dos proveedores, las recomendaciones coinciden solo ~2/3 del tiempo de forma negativa: el Jaccard entre lo que recomienda cada uno es 0.35 (comparado con un 0.50–0.61 cuando se repite el mismo prompt en el mismo proveedor)
• Cuando ambos proveedores no recomiendan una marca, clasifican el fallo en 3 modos (discoverability, compellingness, positioning) y coinciden en el mismo modo el 95.1% de las veces (IC 95%: 94.3%–95.7%) en 7,763 casos de fallos conjuntos
• La coincidencia baja para marcas muy visibles y sube para marcas pequeñas: 81% (IC 78.2%–84.0%) en “category leaders” y 99.6% (IC 99.3%–99.9%) en marcas regionales long-tail
• El “camino” para llegar a la recomendación difiere: Anthropic recomienda desde priors el 43–52% de las veces, mientras OpenAI lo hace el 8–29%

Conclusión del estudio

Aunque ChatGPT y Claude divergen bastante en qué marca recomiendan, el estudio muestra que cuando fallan conjuntamente, “diagnostican” el motivo del fallo (en qué etapa se pierde la marca) de forma casi idéntica, especialmente para marcas long-tail.

Qué dice

El texto no es un estudio sobre citas de IA: describe un sistema anti-scraping (Anubis) basado en Proof-of-Work para bloquear a bots de empresas de IA que fuerzan caídas o indisponibilidad del sitio.

Los datos

• Afirma que el problema que intenta frenar es que el scraping agresivo de compañías de IA “puede y de hecho causa downtime” y deja recursos inaccesibles para todos
• Indica que Anubis usa un esquema de “Proof-of-Work” tipo Hashcash (mencionan como origen un sistema para reducir spam de correo)
• Señala que a escala individual la carga extra es “ignorable”, pero a escala masiva “se acumula” y hace que scrapear sea “mucho más caro”
• Aclara que Anubis es una “solución placeholder” mientras desarrollan más “fingerprinting” e identificación de navegadores headless (por ejemplo, cómo hacen el renderizado de fuentes)
• Dice que requiere JavaScript moderno y que no funciona con plugins que lo deshabilitan (por ejemplo JShelter)

Conclusión del estudio

Con este texto no se puede concluir qué hace que una IA cite una fuente, porque no hay mediciones sobre citas ni datos de comportamiento de ChatGPT/Perplexity/Gemini/Claude/Google AI. El único objetivo medible aquí es bloquear/encarecer el scraping automatizado mediante Proof-of-Work y detección de headless.

Qué dice

El estudio (sin datos experimentales propios) explica que hace que la innovacion de marketing sea impulsada por IA y datos, y aporta cifras sobre el impacto de la innovacion en resultados empresariales y sobre el valor concentrado en pocos clientes.

Los datos

• Afirma que las companias centradas en innovacion ven “hasta 2.4 veces” mas crecimiento de ingresos y “3.1 veces” mas beneficio (cifra reportada en la introduccion)
• Cuando usa analisis CLV, indica una regla de concentracion: el “top 20%” de clientes aporta el “80%” del valor de la empresa (cifra reportada en la seccion de tecnicas)
• Menciona mejoras por IA generativa en 2025–2026: pasa de solo crear contenido a actuar como “agentes” que automatizan briefing, pruebas y optimizacion, mejorando “velocidad y eficiencia” (sin porcentaje numerico)
• En los metodos de validacion, lista A/B testing como forma de medir impacto de cambios (sin resultado cuantificado)

Conclusión del estudio

Con base en lo que reporta el texto, el estudio concluye que la innovacion en marketing (impulsada por IA y datos) mejora decisiones y performance al permitir personalizacion hiper-enfocada, analisis predictivo y optimizacion agil. Sin embargo, no mide ni evalua directamente “por que una IA (tipo ChatGPT/Perplexity/Gemini/Claude) cita una fuente”, asi que aporta contexto general sobre marketing con IA, no evidencia de citacion por modelos.

Qué dice

El estudio audita unas 37.000 ejecuciones de asistentes tipo ChatGPT/Claude con prompts de recomendación comercial en 19 sectores para ver cómo se comporta la cita/elección de marcas según su “prominencia” (5 niveles) dentro de un catálogo de 533 marcas.

Los datos

• Analizan ~37.000 “production runs”, 215 prompts y un catálogo de referencia de 533 marcas dividido en 5 niveles de prominencia (L1 a L5)
• Las marcas L1 (líderes de categoría) aparecen en casi todos los resultados relevantes de la recuperación, pero solo ganan el 25%-41% de los puestos de recomendación a los que llegan
• Las marcas L2 logran las mayores tasas de conversión de cualquier nivel, con un 37%-52%, aunque en modelos de Anthropic pierden frente a sustituciones mediadas por persona
• Para marcas L3, la cobertura agregada baja a 88% y la conversión queda en 34%-40%; además, los efectos de “persona” alcanzan su punto más alto
• En L4 y L5 (especialistas y jugadores regionales) existe “invisibilidad catastrófica”: 48%-52% de esas marcas no aparecen en ninguna de las 37.000 ejecuciones

Conclusión del estudio

El estudio muestra que en recomendaciones comerciales de IA la probabilidad de “ser nominado/citado” depende mucho del nivel de prominencia: más visibilidad no garantiza ganar, y en niveles bajos (L4/L5) una parte importante de marcas no logra aparecer nunca, con patrones distintos por nivel.

Qué dice

El estudio analiza, con entrevistas a 25 estudiantes y 218 documentos de conversaciones con IA, cómo se “asigna una persona” (persona) a la IA y cómo eso impulsa la alfabetización en IA y el uso ético en la educación superior digital.

Los datos

• Participaron 25 estudiantes del programa de Relaciones Públicas (D-III) de AKMRTV Jakarta
• Analizaron 218 documentos/conversaciones generadas por IA
• Identifican que los estudiantes ven la IA como: “partner de pensamiento” académico, compañero de discusión y “mentor” virtual
• Proponen un modelo de alfabetización en IA con 5 dimensiones: Persona Awareness, Relational Awareness, Critical Verification, Academic Agency y Ethical Reflection

Conclusión del estudio

Con sus datos, el estudio muestra que la IA es tratada por los estudiantes como un actor casi social (por la asignación de personas y la comunicación “como si fuera humana”), pero esa “relación” va acompañada de verificación crítica y reflexión ética para usarla bien en un contexto académico.

Qué dice

El estudio analiza cómo la “presencia digital” de centros comerciales en Bali se traduce en “visibilidad de marca” cuando las personas hacen búsquedas con IA (tipo ChatGPT), probando el papel mediador de la percepción de la IA generativa en 130 visitantes.

Los datos

• La muestra fue de 130 visitantes de malls en Bali que usan herramientas de búsqueda con IA (ChatGPT y similares)
• La presencia digital tuvo un efecto positivo y significativo sobre la visibilidad de marca, tanto directo como indirecto mediante “utilidad percibida” y “confianza percibida” hacia la IA
• El efecto directo de la presencia digital sobre la visibilidad de marca fue relativamente más débil que los efectos indirectos (los mediadores), es decir, la relación no es “lineal”
• La “confianza percibida” en la IA generada mostró un efecto mediador más fuerte que la “utilidad percibida”

Conclusión del estudio

Con los datos del estudio, la visibilidad de marca en búsquedas con IA se explica mejor por cómo la audiencia percibe la IA (especialmente su confianza) que por la presencia digital por sí sola; por eso la “conversión” desde presencia digital hacia visibilidad pasa por un proceso cognitivo mediado por la IA.

Qué dice

El estudio prueba si usar datos enlazados y estructurados (HTML normal, HTML con JSON-LD y una “pagina de entidad” mejorada) mejora la exactitud y calidad de respuestas cuando una IA hace bœsqueda normal o mediante un agente con multi-hop, en cuatro dominios.

Los datos

• JSON-LD por si solo da mejoras modestas (sin cifra concreta en el texto aportado)
• La “Enhanced” (pagina de entidad mejorada) mejora la exactitud en RAG estandar un +29.6%
• La “Enhanced” mejora la exactitud en el pipeline completo de RAG agente un +29.8%
• Enhanced+ (con mas “affordances” de navegacion) logra la mejor puntuacion absoluta de exactitud: 4.85/5 y completitud: 4.55/5
• El plus Enhanced+ no muestra una ganancia incremental estadisticamente significativa frente a la version Enhanced base (segun el propio resumen)

Conclusión del estudio

El estudio demuestra que, para que las respuestas de una IA sean mas precisas y completas, lo que mas importa no es solo etiquetar con JSON-LD, sino servir una pagina de entidad mejorada con elementos navegables e instrucciones/estructura pensadas para la recuperacion y el razonamiento del agente. Enhanced+ mejora las puntuaciones absolutas, pero no aporta un salto adicional estadisticamente relevante sobre Enhanced.

Qué dice

El paper propone el marco SEAKT y lo valida con un caso de estudio para medir y mejorar la “visibilidad” (citación) de una web en motores de búsqueda generativos, pasando de 73/100 a 89/100 tras una optimización.

Los datos

• El framework SEAKT calcula una puntuación total de visibilidad de 0 a 100, dividida en 4 bandas interpretativas: AI-Unsichtbar, Schwach, Solide y AI-Ready
• En la validación empírica (caso HODL.swiss) el resultado mejora en el pre/post: 73/100 → 89/100 tras la optimización
• SEAKT pesa su score con 5 dimensiones: Estructura de datos (25 puntos), Claridad de entidades (20), Autoridad y confianza (20), Calidad de contenido (20) y Accesibilidad técnica (15)
• El paper indica que, en un trabajo previo citado (Aggarwal et al., 2024), estrategias específicas de GEO pueden aumentar la visibilidad en respuestas generativas “hasta en un 40%”, mientras que palancas clásicas de SEO pierden efecto
• A nivel de mercado, citan que Similarweb (2025) reporta para ChatGPT un crecimiento de 28,5 mil millones de “visits” (abr-2024 a mar-2025) a 47,7 mil millones, y para Perplexity de 388,5 millones a 1,3 mil millones (+243,7% año contra año)

Conclusión del estudio

Este estudio muestra que una medición sistemática de la “AI-visibility” (según SEAKT) es auditable y que una web puede subir de forma medible su puntuación tras optimizaciones alineadas con datos estructurados, entidades, autoridad, calidad de contenido y accesibilidad técnica.

Qué dice

El estudio analiza 167.551 citas URL con las que modelos de lenguaje (en 12 mercados y 13 idiomas) “fundamentan” respuestas sobre reputación de marca, para ver de dónde sacan esa información y qué dominios dominan.

Los datos

• El 85,7% de las citas apuntan a sitios que la marca no es dueña, frente al 14,3% que apuntan a sitios propios
• El origen de las citas es muy concentrado: el 80% de las citas proviene de ~el 18% de los dominios, y encaja con una distribución long-tail (Zipf) con alpha = 0,86 y R² = 0,983
• Wikipedia es el dominio más citado en 11 de los 12 idiomas; la excepción es lituano, donde el medio empresarial local (business daily) queda por delante con 4,38%
• A nivel de mercado, el mix cambia en el margen: para 46 marcas nacionales polacas, YouTube es el dominio más citado; y en portales de RR. HH. y carreras, 4 portales generan 637 citas frente a 297 para la Wikipedia polaca (aprox. el doble)

Conclusión del estudio

El estudio muestra que, cuando una IA responde sobre una marca, su “visibilidad” y reputación dependen sobre todo de terceros (y de pocos dominios muy dominantes) más que del contenido propio de la marca, con diferencias claras según idioma y mercado.

Qué dice

El texto aportado no contiene los resultados ni métricas del estudio sobre qué hace que las IA citen una fuente; es básicamente una página/ruido de un visor de DBpia, con metadatos y mensajes de la plataforma.

Conclusión del estudio

Con el material pegado aquí no es posible extraer hallazgos del estudio (no aparecen porcentajes, conteos, metodología legible ni resultados).

Qué dice

El texto explica una medida anti-scraping en una web (tipo “Proof-of-Work/Hashcash”) para frenar bots y encarecer el scraping masivo, aunque puede afectar la accesibilidad al causar pausas (downtime).

Los datos

• El sistema es un “Proof-of-Work” en la línea de Hashcash (no da cifras de rendimiento, pero sí el mecanismo)
• Afirma que este bloqueo puede “cause downtime” y que recursos del sitio pueden quedar “inaccesibles para todos”
• Indica que el mecanismo necesita “modern JavaScript features”, y que plugins como JShelter pueden deshabilitarlo, impidiendo superar el reto
• Se plantea que a “individual scales” la carga adicional es “ignorable”, pero a “mass scraper levels” “adds up” y hace el scraping “much more expensive”

Conclusión del estudio

Este texto no estudia qué fuentes cita una IA; describe una barrera técnica para evitar scraping automatizado. Aun así, muestra que el acceso al contenido puede depender del JavaScript, lo que puede limitar la recolección automática por parte de sistemas que no ejecuten JavaScript o que operen como “scrapers”.

Qué dice

El estudio construye y evalúa un modelo de creación de contenido con IA (NLG-ACCO) para medir cómo mejora la calidad del texto frente a una base, usando métricas automáticas de redacción y rendimiento del lenguaje.

Los datos

• NLG-ACCO mejora BLEU a 0.79 frente a 0.61 de la base
• NLG-ACCO mejora ROUGE-L a 0.76 frente a 0.36 de la base
• La perplejidad baja de 45.2 a 27.8 (predicciones más coherentes)
• La legibilidad mejora un 24% y el tiempo de post-edición baja un 38.5%
• La detección de sesgos mitiga el 87% de los casos marcados

Conclusión del estudio

Con estos datos, el paper demuestra mejoras cuantificables en calidad, coherencia y control (sesgos) del contenido generado por un modelo de lenguaje, pero no mide ni analiza que “las IAs citen una fuente” (no hay experimentos sobre citas a fuentes).

Qué dice

El texto que compartiste no es un estudio sobre citaciones de IA, sino la ficha/fragmento de un libro (“The AI Marketing Canvas, Second Edition”) de Rajkumar Venkatesan y Jim Lecinski, sin datos de análisis de cuántas veces o por qué las IA citan fuentes.

Conclusión del estudio

Con este fragmento no se puede determinar qué hace que ChatGPT, Perplexity, Gemini, Google AI o Claude citen una fuente, porque no incluye metodología ni resultados medibles del estudio.

Qué dice

El trabajo analiza qué factores determinan la visibilidad/citación de empresas en buscadores tradicionales y en respuestas de sistemas generativos como ChatGPT o Google AI Overviews, y lo contrasta con entrevistas cualitativas a expertos.

Los datos

• El estudio se basa en entrevistas cualitativas a profesionales para validar y completar el planteamiento del “leitfaden” (guía práctica) sobre visibilidad en búsqueda clásica y en sistemas generativos
• Concluye que la visibilidad “exitosa” en el futuro se apoyará “sobre todo” en cuatro pilares: contenido de alta calidad, relevancia semántica, calidad técnica y autoridad externa
• El objetivo del trabajo se centra en que las empresas aparezcan en respuestas de IA generativa como “presente, citado o recomendado” (no solo en rankings de buscadores)

Conclusión del estudio

Este estudio muestra que, para que una empresa sea citada o recomendada por sistemas generativos (además de aparecer en rankings clásicos), la clave está en la combinación de contenido de alta calidad, relevancia semántica, calidad técnica y autoridad externa, tal como se desprende de su validación con expertos.

Qué dice

El estudio prueba qué elementos de los registros de herramientas de LLM hacen que el sistema elija mejor (y/o se sesgue) al usar 17.700+ ensayos con cinco LLM en diez dominios.

Los datos

• El “puffery” legal (frases superlativas subjetivas y framing de beneficios) explica el 100% del efecto de optimización medido
• Las afirmaciones fabricadas (claims inventados) no añaden sesgo adicional: el estudio reporta 0% de incremento de sesgo por claims fabricados
• Las advertencias por prompt del sistema no funcionan: no generan efecto medible en 4 de los 5 modelos probados
• Las “superlatives” (superlativos) son la característica dominante: SBC = +0,35
• La normalización de descripciones en la capa del registro (descripciones controladas por el registro) logra un “primer mejor bienestar” que funciona de forma consistente entre modelos (modelo-independiente)

Conclusión del estudio

Con los datos del estudio, la forma en que están redactadas las descripciones en los registros (sobre todo superlativos) es lo que más afecta a la selección por agentes, mientras que el “aviso” en prompt no corrige de forma medible ni los claims engañosos generan sesgo extra adicional.

Qué dice

El estudio audita durante 48 días, en 5 modelos de IA y 4 sectores del mercado brasileño, qué tan a menudo citan marcas de forma espontánea y demuestra si esas diferencias por sector se explican por 1 “marca ancla”.

Los datos

• La cita espontánea total favorece fintech: 28.15% de respuestas, frente a retail (24.94%), tecnología (14.50%) y salud (13.35%)
• En fintech, 1 sola marca domina: Nubank explica el 49.68% de las menciones fintech y el 59.31% de las respuestas que citan alguna marca fintech citan Nubank y ninguna otra
• Al eliminar Nubank (leave-one-out del “modal”), fintech cae de 28.15% a 11.46% y su efecto ajustado frente a salud se invierte de un odds ratio 4.13 a 0.77; además el sector pasa de 1º a último
• El “gap” fintech vs retail no se sostiene bajo prueba por clúster (Welch t = 0.65, no significativo), pero la reversión por leave-one-out sí se mantiene (t = −3.35) a lo largo de 8 semanas
• El peso del ancla aumenta durante la ventana: la cuota interna de Nubank dentro de fintech sube aproximadamente de 41% (semanas 16–18) a 53%–59% (semanas 19–23)

Conclusión del estudio

Aunque en bruto fintech parece el sector más citado, el estudio muestra que esa “ventaja sectorial” está impulsada por la concentración alrededor de la marca ancla (Nubank). La prueba de eliminación (leave-one-out) hace que fintech pierda su ventaja y la reordene, demostrando que la cita por sector no se comporta como una propiedad difusa del sector sino como un efecto de una entidad dominante.

Qué dice

El estudio prueba métodos de “conversational SEO” (C-SEO) frente a estrategias tradicionales en respuestas conversacionales de LLM, comparando dos tareas (preguntas y recomendaciones de producto), tres dominios por tarea y distintos niveles de adopción por varios “actores”.

Los datos

• La evaluación abarca 2 tareas: question answering y product recommendation
• Incluye 3 dominios por cada tarea (en total, 3 + 3 dominios)
• Concluye que la mayoría de los métodos C-SEO actuales no solo son poco eficaces, sino que a menudo empeoran el ranking de los documentos (efecto contrario al esperado)
• Al aumentar el número de adoptantes de C-SEO, disminuyen las ganancias agregadas, describiendo el problema como “congestión” y de suma cero

Conclusión del estudio

Según los datos del estudio, la mayoría de técnicas C-SEO analizadas no logran que los LLM posicionen mejor la fuente en respuestas conversacionales y, en muchos casos, la empujan hacia abajo. Además, cuando más competidores adoptan C-SEO a la vez, el beneficio total cae, indicando que no es un “wins siempre” individual sino un juego competitivo donde se compensan mejoras.

Qué dice

El estudio analiza, con 1.400 pruebas sobre 100 marcas B2B húngaras y 2.062 fuentes, por qué la visibilidad de menciones en respuestas de IA no depende solo de “cuántas veces se cita”, sino de sesgos distintos por entidad.

Los datos

• Las marcas Tier 1 generan 52,69% de citaciones fabricadas, frente a 37,87% en Tier 3 (diferencia de +14,82 puntos; p=1,67e-11)
• Cuando las preguntas se enmarcan con tono regulatorio, las citaciones fabricadas suben a 56,77% frente a un baseline del 37,59% (+19,2 puntos)
• El estudio identifica que en contextos de cumplimiento la “escalada por rechazo” empeora la confabulación: los filtros de calidad usados por agentes actúan como aceleradores de alucinación en esos prompts (hallazgo cualitativo con mecanismo propuesto)

Conclusión del estudio

A partir de sus datos, el paper demuestra que la probabilidad de que una IA “c ite” algo está fuertemente afectada por el tipo de marca (Tier) y por el marco del prompt (p. ej., regulatorio), no solo por la frecuencia general de menciones.

Qué dice

El estudio mide cuánto se pueden corromper las recomendaciones de agentes de búsqueda basados en IA cuando una web manipulada intenta que el sistema “endose” contenido malicioso, probando 13 modelos en 308 casos.

Los datos

• El “éxito del ataque” (ASR) varía mucho entre modelos: 0.0% en Claude-Sonnet-4.6 y 31.4% en Gemini-3-Flash
• Prueban 13 backends en 308 casos cada uno (mismo tipo de evaluación para comparar vulnerabilidades entre modelos)
• La modalidad de ataque más efectiva no es la misma para todos: el estudio afirma que “el modo fuerte” cambia según la familia del modelo
• La misma “plantilla” de despliegue puede aumentar o reducir el ASR según el backend (o sea, no hay un comportamiento uniforme entre modelos)
• En una prueba auxiliar donde “el endoso” se convierte en un comando de instalación, se ve una división clara: Claude “sobre-rechaza” mientras GPT “sobre-confía”

Conclusión del estudio

El paper demuestra que la probabilidad de que una IA cite/endoce contenido manipulado en búsquedas web no es igual entre modelos: depende del backend y del tipo de ataque, con diferencias extremas (de 0.0% a 31.4%) y con cambios incluso cuando se ajusta el modo de generar la “recomendación”.

Qué dice

El estudio analiza cómo funciona “System 0” (la capa de IA que pre-filtra y prepara información antes de que el usuario piense), y usa esa idea para explicar qué cambia en la visibilidad/decisión de marca en entornos con asistentes y respuestas generadas.

Conclusión del estudio

Con el material del artículo, no se mide ni se informa un conjunto de números (por ejemplo, porcentajes de citación o proporciones de fuentes) sobre qué hace que una IA cite una fuente; el texto se centra en el rol de “System 0” y en cómo la IA reconstruye información para el usuario, más que en reglas observables de citación.

Qué dice

El paper propone el concepto “System 0” (la capa de IA que prefiltra y resume información antes de que el usuario decida) y traduce esa idea en un modelo de “AI Optimization (AIO)” sobre qué prácticas harían más probable que la IA cite/recomiende información de una marca, pero sin presentar un experimento propio con cifras de citaciones.

Los datos

• El texto no incluye un estudio empírico propio con recuentos de citaciones (no se informan porcentajes, número de consultas, ni distribución de fuentes citadas)
• Menciona evidencia “temprana” de que, con resúmenes de búsqueda generados por IA, los usuarios hacen menos clic y “rara vez consultan las fuentes citadas” (se cita Chapekis & Lieb, 2025, pero el paper aportado no da el dato numérico)
• Define tres mecanismos de “System 0” que influyen en cómo se selecciona y estructura la información: función epistemológica (selecciona/estructura/resume), base computacional (trabaja con tokens/embeddings/metadata, a nivel “pre-semántico”) e “hibridación estructural” (filtra/rankea rápido y a veces hace análisis pesado)

Conclusión del estudio

Con el material mostrado, el estudio sostiene que las IA tienden a “reconstruir” información y a hacerla recuperable/usable para su síntesis antes de que el usuario vea el origen, por lo que la probabilidad de que una marca sea citada o recomendada depende de señales que sobreviven a esa transformación (estructuras, actualidad, contexto y pruebas con prompts/personas). Sin embargo, en el texto facilitado no hay mediciones propias que cuantifiquen directamente cuántas veces citan o qué fuentes ganan frente a otras.

Qué dice

El estudio analiza por qué las IAs citan (o no) URLs en recomendaciones de productos, comparando 6.699 citas vía API con comportamiento de cita en interfaces web, y además midiendo si el consenso de marcas en Reddit predice qué marcas recomienda la IA.

Los datos

• En una muestra de 6.699 URLs citadas por ChatGPT y Perplexity a través de su API en 120 consultas de recomendación, el estudio encontró 0 citas a Reddit
• En las mismas consultas, Reddit ocupaba 38,3% de los Top-3 orgánicos de Google (138 de 360 posiciones), o sea, mucha presencia en resultados tradicionales pero ninguna cita vía API
• Al medir la relación entre el “ranking” de marcas en Reddit y las marcas recomendadas por 4 IAs (ChatGPT, Claude, Perplexity y Gemini), el estudio reporta una correlación media Spearman ρ = 0,554 en 12 categorías; las 12 categorías fueron significativas (p < 0,05) y 8 de 12 siguieron siendo significativas tras corrección Bonferroni
• Para la parte de interfaces web (con scrapers), las tasas de cita de Reddit fueron 44% en Google AI Mode, 20% en Perplexity y 17% en ChatGPT; en consultas de opinión/comparación (intent “opinions and comparisons”) subió a 71% en Google AI Mode y 46% en Perplexity
• En contraste, en el canal API la tasa de cita de Reddit fue 0% en todas las plataformas; además, Claude fue la única que mantuvo 0% en ambos canales (API y UI)

Conclusión del estudio

El estudio demuestra que Reddit no es “invisible” para las IAs: su influencia puede aparecer sin cita en el canal API (porque el modelo absorbe el consenso), pero en interfaces web sí se cita de forma notable (hasta 44%). También confirma que el patrón no es uniforme: Claude no cita Reddit en ningún canal del experimento.

Qué dice

El texto analiza cómo EconStor usa Anubis (un sistema tipo Proof-of-Work) para frenar el scraping masivo de bots de empresas de IA y qué impacto tiene en el acceso a la web.

Los datos

• Anubis está configurado para “proteger el servidor” frente a el “scraping” agresivo de compañías de IA
• El texto afirma que este tipo de protección “puede y de hecho causa downtime” y hace que los recursos sean “inaccesibles” para todos
• Anubis usa un esquema de Proof-of-Work inspirado en Hashcash, propuesto para reducir el spam por correo
• El propio texto indica que Anubis es “un placeholder” y que su objetivo es ganar tiempo para mejorar el “fingerprinting”/identificación de navegadores headless (incluye ejemplo: “cómo renderizan fuentes”)
• Para pasar el reto se requiere “enable JavaScript”; además, menciona que depende de funciones modernas de JavaScript y que plugins como JShelter pueden impedirlo

Conclusión del estudio

El estudio (tal como está descrito en este texto) no mide qué hace que una IA cite fuentes; se centra en cómo se bloquea el scraping automático mediante un reto Proof-of-Work y fingerprinting, y en el efecto de causar indisponibilidad o necesidad de JavaScript.

Qué dice

El paper estudia, en un modelo económico, cómo los sistemas de respuesta con IA pueden desplazar visitas al “open web” de editores y, al debilitar señales de calidad por fuentes, volver ese contenido menos sostenible.

Los datos

• El trabajo modela el efecto de que una plataforma de IA “subvalora” (underinternalizes) la futura reproducción del contenido: con ello retiene demasiado poco tráfico de referencia hacia las fuentes
• Muestra que puede hacer que información del open web “se vuelva subcrítica” (se vuelve inviable/insostenible) incluso si las respuestas de IA son veraces, precisas y los usuarios son racionales
• Propone que el mecanismo es auto-reforzado: si hay menos medición basada en fuentes (less source-level measurement), se debilita la búsqueda convencional y eso aumenta la dependencia de la IA
• Para reparar la sostenibilidad, plantea reemplazar ingresos desplazados y “restituir” la medición perdida mediante: regalías por reemplazo de visitantes, procedencia auditada, auditorías humanas de información y compensación por temas clave (keystone-topic)

Conclusión del estudio

El estudio concluye que la IA puede dejar de citar/derivar al open web no porque invente o responda mal, sino porque, al reducir tráfico y medición desde las fuentes, erosiona la base que hace sostenible que ese web siga siendo referencia.

Qué dice

El estudio analiza por qué algunas páginas web terminan citadas en respuestas de sistemas RAG (búsqueda + IA generativa) y cuáles factores del contenido o la página aumentan o reducen esa citación.

Los datos

• En el benchmark citado de GEO (10.000 consultas), las estrategias clásicas de SEO no aumentaron la visibilidad en la IA, mientras que aumentar la densidad de información de los fragmentos sí dio un efecto medible
• En el trabajo de Karpukhin et al. sobre recuperación, el buscador vectorial denso superó a BM25/TF-IDF en 9–19 puntos porcentuales en precisión de extracción (en benchmarks como NQ, TriviaQA y WebQ)
• Cuando se optimizan estrategias relacionadas con densidad informativa, el estudio reporta mejoras de +41% en Position-Adjusted Word Count y +28% en la valoración subjetiva de visibilidad (según resultados de Aggarwal et al.)
• El paper remarca que la citación solo es posible si el hecho relevante estuvo dentro del Top-K contexto entregado por el sistema de recuperación (Top-K típicamente es pequeño, 3–5, para priorizar precisión, o grande, 10–20+, para priorizar cobertura)
• Se indica que en el proceso de vectorización de un corpus (citado con el ejemplo de Wikipedia), la segmentación se hace en fragmentos de ~100 palabras; si el contenido no tiene estructura textual clara (tablas sin marcar, escaneos ilegibles, PDFs no extraíbles), el “vector” sale degradado y el ranking en búsqueda semántica cae

Conclusión del estudio

Con los datos reunidos, el paper concluye que una página no “aparece” por SEO clásico, sino porque puede ser indexada y recuperada en el paso RAG (en un fragmento relevante y denso) y luego la IA puede atribuir partes del texto generado a esos fragmentos del contexto entregado.

Qué dice

El texto compartido no contiene el estudio sobre citaciones de IA, solo la ficha/portada de un artículo de Springer Nature; por tanto no es posible extraer qué investiga ni qué mide sobre cuándo ChatGPT/Perplexity/Gemini/Google AI/Claude citan fuentes.

Conclusión del estudio

Con el material proporcionado no hay datos del estudio sobre citaciones de IA, así que no se puede concluir nada específico (con cifras o hallazgos) sobre qué hace que esas IAs citen una fuente.

Qué dice

El estudio analiza 1.357 citaciones usadas como “fuente” por Google Gemini en 156 búsquedas de hoteles en Tokio, y mide cómo el tipo de intención (experiencial vs transaccional) cambia qué sitios aparecen citados.

Los datos

• En consultas experienciales, el 55,9% de las citaciones provienen de fuentes no-OTA; en consultas transaccionales es 30,8% (brecha de 25,1 puntos porcentuales; p < 5 × 10^-20)
• El patrón se amplifica en japonés: 62,1% de citaciones no-OTA en experienciales vs 50,0% en inglés
• Las citaciones analizadas son exactamente 1.357 y el estudio se basa en 156 consultas de hoteles en Tokio

Conclusión del estudio

Los datos muestran que, en búsquedas de hoteles, la IA no cita fuentes de forma fija: cambia de manera sistemática hacia fuentes no-OTA cuando la consulta tiene intención experiencial. Eso sugiere que el “control” de la visibilidad via intermediarios basados en comisiones puede debilitarse para ciertos tipos de búsqueda.

Qué dice

El capítulo plantea cómo construir una estrategia de Generative Engine Optimization (GEO) para hacerse visible en respuestas de sistemas de IA, y describe qué tipo de cambios (contenido web, digital PR y ajustes técnicos) se monitorizan usando herramientas de observación basadas en prompts.

Los datos

• El texto no incluye resultados medidos (porcentajes, tasas de citas, número de experimentos o rankings); solo describe el enfoque y las áreas a optimizar
• No hay cifras sobre cuántas empresas/marcas/proyectos analizaron ni sobre cuántas consultas o respuestas de IA se revisaron
• La única información cuantitativa visible en el fragmento es la del acceso del editor (p. ej., “Starting from €37.37 /Month”, “from 10 chapters or articles per month”), que no corresponde a mediciones del estudio

Conclusión del estudio

Con el texto proporcionado no se puede concluir qué hace que las IA citen una fuente, porque no se reportan mediciones ni hallazgos con datos. Lo que sí se ve es que el capítulo propone que la visibilidad en canales de IA se observa y optimiza mediante monitoreo de respuestas a prompts, atacando contenido, digital PR y factores técnicos.

Qué dice

El capítulo analiza qué KPIs deberían medirse para evaluar el éxito de GEO (Generative Engine Optimization) en sistemas de IA, y argumenta que ya no tiene sentido seguir rankings tradicionales sino métricas como menciones de marca y citación.

Los datos

• El texto afirma que “ya no tiene sentido” monitorizar rankings (SEO clásico) como métrica principal en GEO
• Propone medir “Brand Mentions” (menciones de marca), “Quellennennung” (mención/cita de la fuente) y “Clicks aus KI-Systemen” (clics que provienen de sistemas de IA)
• Se señala como reto de medición la “Attribution auf den Umsatz” (atribución del impacto a las ventas), indicando que es un problema pendiente para el tracking en GEO

Conclusión del estudio

Este estudio concluye que la visibilidad y el desempeño en sistemas de IA se deben medir sobre todo con menciones de marca, citación de fuentes y clics desde IA, porque el seguimiento de rankings tradicionales no encaja en este contexto y la atribución a ventas es lo más difícil de medir.

Qué dice

El capítulo resume el cambio de SEO a GEO y explica, con el propio estado del sector, que en sistemas de IA ya no hay “rankings”, sino menciones en la respuesta, pero indica que faltan datos para medir bien qué hace que una IA cite una fuente.

Los datos

• El texto afirma que “faltan datos” (“Hier fehlt es an Daten”) para sostener con evidencia qué determina que una IA cite una fuente en GEO
• Se indica que en GEO “ya no existen posiciones de ranking”, y que lo relevante pasa a ser “la mención o la cita dentro de la respuesta de la IA”
• Se contrasta SEO vs GEO: en GEO “en lugar de enlaces se muestran fuentes” y “en lugar de keywords entran prompts” introducidos por el usuario

Conclusión del estudio

Este estudio/capítulo no aporta métricas sobre qué factores hacen que una IA cite una fuente; lo que demuestra con sus propios datos es que el problema de investigación está incompleto porque faltan datos y que el “objetivo” medible en GEO es la mención dentro de la respuesta, no el ranking.

Qué dice

El estudio describe, con datos de colegios de formacion profesional en China, en que medida estan usando la IA (especialmente en cursos y apoyo a la ensenanza) y que cambios de enfoque trae eso.

Los datos

• Alrededor de la mitad de los colegios de educacion vocacional en China han introducido cursos generales de IA
• Mas de dos tercios de los colegios utilizan la IA para apoyar la ensenanza
• El 60% de los colegios participa en el desarrollo de planes de estudio en colaboracion escuela-empresa orientados a necesidades del sector

Conclusión del estudio

Con los datos aportados, el estudio concluye que la IA en la formacion profesional ya esta en una fase de adopcion a gran escala y esta empujando cambios reales en el modelo educativo, el modo de ensenar y la colaboracion con empresas.

Qué dice

El estudio (no es empírico; es un argumento filosófico) analiza por qué, incluso cuando hay humanos “en el bucle” y el resultado es atribuible a una persona, puede no existir nadie que haya “autorado” la evaluación (el criterio de mérito) que guía la decisión de la IA.

Los datos

• No aporta mediciones propias (no reporta porcentajes, tamaños de muestra ni experimentos); el texto se apoya en ejemplos y en citas a trabajos externos para sostener puntos sobre control/autoría y sobre conciencia/responsabilidad
• Para separar “conciencia” de “responsabilidad”, el autor dice que hay “sin evidencia fuerte” de conciencia en los sistemas actuales según “indicator-based assessment” (Butlin et al., 2023, 2026)
• En el mismo punto sobre conciencia, afirma que los reportes en primera persona de modelos actuales son “evidencia débil” y que pueden alterarse con “reprompting” (Chalmers, 2023)
• Usa como ejemplo concreto el caso de selección de personal: la IA produce un ranking y el reclutador puede anularlo en cualquier momento y la empresa puede identificar quién firmó cada decisión, pero aun así el criterio de mérito que la IA aplica “no fue examinado” ni fijado por ese reclutador (en el ejemplo del propio texto)

Conclusión del estudio

El estudio concluye que la cita o “atribución” a un humano (porque se puede rastrear quién aprobó) no garantiza que exista una autoría del marco evaluativo; en la práctica, el criterio que la IA usa puede quedar “heredado” de datos y decisiones anteriores, de modo que “la decisión” termina sin un autor claro del marco de evaluación.

Qué dice

No hay contenido útil del estudio en el texto que compartiste; solo aparece información de la plataforma (IEEE Xplore) y detalles de cuenta/soporte, sin resultados medidos.

Conclusión del estudio

Con este texto no se puede determinar qué hace que las IA citen una fuente ni extraer hallazgos cuantitativos, porque no se incluyen resultados, metodología ni métricas del paper.

Qué dice

El estudio analiza con datos de 1.440 sesiones de compra si la “evidencia legible para la máquina” (campos y atributos que el sistema puede interpretar) aumenta la probabilidad de selección de productos en interfaces de búsqueda e IA, y si eso pasa vía “persistencia de la atención”.

Los datos

• Trabajaron con 1.440 sesiones, 11.520 observaciones de productos candidatas y 69.120 registros de atención en ventanas cortas, comparando interfaces de resultados de búsqueda, agente conversacional, respuesta generativa y comparaciones híbridas
• El mejor clasificador de selección logró ROC-AUC = 0,884, average precision = 0,548, top-1 accuracy = 60,7% y top-3 accuracy = 92,4% en tareas de compra en prueba
• Las variables de “machine-legibility” siguieron siendo predictivas aun controlando por precio, valoraciones, volumen de reseñas, familiaridad con la marca y condiciones de entrega
• La “persistencia de la atención” mediaba parcialmente la relación entre legibilidad y selección, y el efecto fue más fuerte en interfaces de agente/híbridas que en interfaces normales de resultados de búsqueda

Conclusión del estudio

Con sus datos, el paper muestra que, cuando una tienda/IA selecciona y presenta productos, las evidencias que son “computacionalmente interpretables” aumentan la selección, y parte de ese efecto se explica por que sostienen la atención del usuario. Además, el impacto de esa legibilidad es mayor en interfaces tipo agente y comparaciones híbridas que en búsquedas tradicionales.

Qué dice

Analiza, en 100 preguntas de salud, qué tipo de fuentes (por autor, institución, calidad y autoridad digital) cita ChatGPT 5.2 cuando responde y qué proporción pertenecen a medios sanitarios establecidos.

Los datos

• Usaron 100 preguntas seleccionadas de HealthSearchQA (que contiene 3.173 preguntas) y codificaron las fuentes citadas por ChatGPT; en total registraron 615 fuentes citadas (n=615)
• Más del 75% de las fuentes citadas por ChatGPT en respuestas de salud provienen de fuentes institucionales ya establecidas (ejemplos citados: Mayo Clinic, Cleveland Clinic, Wikipedia, National Health Service, PubMed)
• El resto de las citas (menos del 25%) correspondieron a fuentes alternativas de información de salud sin respaldo institucional “establecido” según el propio estudio

Conclusión del estudio

Con base en sus 100 preguntas y 615 citas analizadas, el estudio muestra que cuando ChatGPT responde salud, la mayoría de las referencias que muestra se concentran en organizaciones y plataformas sanitarias ya reconocidas (más del 75%), no en fuentes alternativas.

Qué dice

El estudio analiza qué tipo de descripciones turísticas generan 5 IA (en francés, con 13 prompts) sobre Agadir y la región Souss-Massa, y cómo convergen o sesgan esa representación (65 respuestas, 38.402 palabras).

Los datos

• Compiló 65 respuestas textuales de las IA, con un total de 38.402 palabras de discurso turístico automatizado
• Encontró una asimetría espacial clara a favor de la zona de la costa (más presencia/atención de la costa que del interior)
• Midió convergencia léxica entre modelos y la mayor coincidencia aparece en prompts con marcadores “enciclopédicos” fuertes, especialmente en historia y cultura amazigh
• Observó una “eliminación espontánea” de la dimensión amazigh: solo se corrigió cuando el prompt lo pedía de forma explícita

Conclusión del estudio

Con sus mediciones de respuestas entre 5 modelos, el estudio muestra que la “cita/atención” o inclusión de temas no depende solo de la disponibilidad de información, sino de patrones aprendidos por la IA: favorecen la costa y tienden a omitir lo amazigh salvo que se fuerce en el prompt, además de compartir un marco interpretativo sobre la autenticidad de Agadir frente a ciudades imperiales.

Qué dice

El estudio analiza, con 2.000 ejecuciones, cómo el contexto del comprador (10 tipos de persona) cambia las marcas recomendadas por asistentes con búsqueda (OpenAI/Anthropic) ante el prompt “best CRM software”.

Los datos

• Al añadir un “persona” en el mensaje, la similitud del set de recomendaciones (Jaccard) baja en Delta = -0.12 a -0.20 frente a usar la misma persona (en todas las celdas medidas los intervalos al 95% excluyen cero)
• El efecto es “prominence-stratified”: los líderes de categoría mantienen ~80% de consistencia de marca entre personas, mientras las marcas de mid-market pueden cambiar hasta un 75% de su set recomendado cuando cambia la persona
• En Anthropic, el efecto por persona tiene un mayor valor puntual que en las configuraciones de OpenAI, pero la comparación directa tiene solapamiento en intervalos para el contraste más cercano; además, el resultado de sonnet usa solo 4 clusters de prompts (intervalos más amplios)
• El modelo Anthropic genera 43%–52% de recomendaciones sin evidencia observable de la capa de recuperación, mientras OpenAI lo hace en 8%–29%

Conclusión del estudio

Este trabajo muestra que una IA cita o recomienda marcas de forma materialmente distinta según la “persona” que cree que hay detrás de la consulta: el contexto del comprador no es un detalle, altera los conjuntos de recomendaciones y sesga más a las marcas mid-market.

Qué dice

El estudio analiza cómo cuatro IA (ChatGPT, Perplexity, Gemini y Claude) “encuadran” recomendaciones de países para estudiar en el extranjero y qué patrones de inclusión/exclusión y orden aparecen en sus respuestas según los prompts y los países.

Los datos

• El estudio usa respuestas generadas por 4 modelos (se mencionan los nombres de ChatGPT, Perplexity, Gemini y Claude en el texto de enfoque del trabajo)
• Las respuestas se analizan con “content analysis” tanto cualitativa como cuantitativa (no se dan en el texto cifras como número de respuestas o porcentaje de cita)
• En los prompts se emplearon modos “incognito/temporary” y se evitó activar opciones de búsqueda tipo “deep research” o “extended thinking” (condición explícita del experimento)
• Para enmarcar “contexto” del fenómeno de movilidad internacional, el texto indica que investigan el volumen de estudiantes terciarios internacionales usando el indicador UNESCO Institute for Statistics: “Total outbound internationally mobile tertiary students studying abroad, all countries, both sexes” (no se reporta en el extracto un valor concreto)

Conclusión del estudio

Con los datos del extracto disponible, el estudio muestra principalmente que las IA recomiendan y presentan oportunidades educativas usando mecanismos de encuadre (inclusión/exclusión, orden y afirmaciones cualitativas). No aporta métricas en el texto pegado que permitan concluir cuántas veces citan fuentes ni qué factor SEO explica esas citas.

Qué dice

El estudio revisa cómo las innovaciones en marketing digital (incluida IA y analítica predictiva) ayudan a las empresas a gestionar la incertidumbre del mercado, pero no mide directamente citas de IA ni hace recuentos de cuántas veces ChatGPT/Perplexity/Gemini/Google AI/Claude citan fuentes.

Los datos

• El texto no incluye métricas propias del estudio sobre “citas” de IA (no hay porcentajes, conteos, ni resultados cuantificados sobre citación)
• El estudio describe que analiza “datos secundarios” con métodos descriptivos y comparativos, pero tampoco aporta resultados numéricos propios (solo marcos conceptuales)
• No aporta datos duros sobre rendimiento (p. ej., “sube X%”) ligados a citar fuentes: se limita a afirmar mejoras de forma general (sin cifras)

Conclusión del estudio

Con el contenido disponible, este paper no demuestra qué hace que una IA cite una fuente, porque no realiza un experimento ni una medición sobre citación. Lo que sí aporta es contexto sobre cómo el marketing digital usa IA/analítica para anticipar y adaptarse, pero eso no se traduce en hallazgos operativos sobre citación por sistemas de IA.

Qué dice

El paper investiga sesgos en sistemas de “AI search overview” (como los que escogen fuentes y luego redactan el resumen) y muestra cómo esos sesgos pueden explotarse manipulando solo los fragmentos (snippets) para influir qué fuentes termina citando/seleccionando el sistema.

Conclusión del estudio

El estudio concluye que los sistemas de AI search overview sí tienen sesgos en la fase de selección de fuentes, y que un aprendizaje por refuerzo puede optimizar snippets para manipular esos resultados; además, la selección depende de ventajas comparativas entre fuentes candidatas más que de “ventajas absolutas”.

Qué dice

El estudio investiga, con 72.000 observaciones, qué señales estructuradas de marketplaces hacen que una marca sea visible en respuestas y elecciones mediadas por IA (búsqueda agente y “shopping” autónomo) y cómo cambia esa visibilidad al mejorar páginas de producto.

Los datos

• El dataset se construyó con 72.000 observaciones a nivel de producto, generadas desde 1.200 intenciones de compra, con 10 alternativas competidoras por intención, 3 condiciones de interfaz mediada por IA y 2 marcos de prompt
• El mejor clasificador de selección (para qué producto acaba elegido) obtuvo un ROC-AUC de 0.892 y una precisión promedio (average precision) de 0.444 en datos de prueba agrupados por intención
• El mejor modelo de ranking logró que el producto seleccionado apareciera en el top 3 en el 82.3% de las tareas retenidas
• Las simulaciones contrafactuales muestran que mejorar la “legibilidad”/calidad de páginas de producto desde el percentil 30 al 70 aumenta la visibilidad predicha “top-three” en 12.4 puntos porcentuales, manteniendo condiciones comparables
• Entre las variables que predicen la visibilidad mediada por IA destacan: densidad de esquema (schema density), completitud de especificaciones, ajuste semántico, volumen de reseñas, precio relativo y densidad de evidencia (evidence density) como predictores conjuntos

Conclusión del estudio

El estudio demuestra que, en un entorno de búsqueda y compra mediada por IA, la visibilidad de marca no depende solo de que el usuario visite la página original, sino de señales estructuradas y de evidencia (especialmente densidad de esquema, completitud y ajuste semántico). Además, muestra que mejoras medibles en la “legibilidad” de producto pueden traducirse en un salto cuantificable en aparecer entre los 3 primeros productos seleccionados.

Qué dice

El estudio analiza ~2 millones de citaciones generadas por ChatGPT, Claude, Google AI Overviews y Gemini durante 6 meses para identificar qué características de las páginas web predicen con más frecuencia que una IA las cite, usando 10.042 URLs y 60+ variables controlando sesgos por dominio.

Los datos

• El predictor dominante es la “alineación prompt–contenido” medida con solapamiento Jaccard de tokens: β = +0.37 (IC 95% [+0.33, +0.41]) y q ≈ 10^-73; en tamaño de efecto, +1 desviación estándar en alineación implica ~+0.37 en log2(1+nc), equivalente a ~+30% en el conteo de citaciones (nc) en la media geométrica
• Los “típicos checklists AEO” (FAQ, TLDR/BLUF, autor bio, Core Web Vitals y datos estructurados) se ven positivos en datos agregados, pero el estudio muestra que al controlar por dominio muchos efectos se anulan: FAQ β = +0.07, TLDR/BLUF β = +0.05, autor bio β = +0.02 (y deja de ser significativo tras controles adicionales de profundidad de contenido), y Core Web Vitals real-user no mantiene efecto significativo con control por dominio
• Al comparar importancia entre tipos de señales, la “autoridad AI” a nivel de dominio supera a la mejor característica de página no ligada a alineación por un factor 6 en SHAP (medida de contribución media absoluta)
• La IA tiende a citar secciones altas del texto: la “mejor coincidencia” (párrafo con más alineación) ocurre con profundidad mediana 0.36 (en una escala 0 arriba a 1 abajo), y un test Wilcoxon contra null uniforme rechaza con p < 10^-20
• El coeficiente de alineación no solo aparece en el corte principal: se mantiene positivo en validación temporal (entrenamiento antes de 1 abril 2026 vs hold de abril 2026) pasando de β̂align = +0.61 (entreno) a β̂align = +0.34 (hold), con ambos intervalos de confianza por encima de cero

Conclusión del estudio

Con datos reales de producción (varias engines) y controles por dominio, el estudio demuestra que la probabilidad de que una IA cite una página depende sobre todo de que el contenido de esa página esté alineado con el “corpus” de prompts del propio workspace; y que señales populares tipo checklist AEO pueden parecer útiles hasta que se corrigen por el sesgo de marca/dominio.

Qué dice

El texto es la ficha promocional de un libro sobre cómo la IA cambia el marketing (contenido, tráfico y conversión), pero no presenta datos medidos sobre por qué las IA citan fuentes.

Los datos

• No incluye resultados cuantitativos ni porcentajes: sólo describe que el libro trata SEO y GEO con IA generativa, además de agentes IA, campañas SEA/GEA y medición de performance
• No indica un estudio empírico: no hay número de experimentos, herramientas analizadas, ni recuento de citas o fuentes
• No aporta cifras sobre citas de IA (ChatGPT, Perplexity, Gemini, Google AI o Claude): el texto no menciona el objetivo de “citar una fuente” ni cómo lo investigan

Conclusión del estudio

Con este texto no se puede concluir nada sobre qué hace que una IA cite una fuente, porque no contiene datos del estudio ni mediciones sobre citas.

Qué dice

El estudio mide cómo la lengua de consulta y el nivel de reconocimiento de marca cambian la reputación “construida” por IA al preguntar por 66 marcas en 12 idiomas, generando 35.640 respuestas con GPT-5.4, Gemini 3.1 Pro y Perplexity Sonar Pro.

Los datos

• La reputación construida por IA es “dependiente del idioma”: similitud media entre idiomas (cosine) = 0.825; dentro de la misma familia lingüística es mayor (0.844) que entre familias (0.820), con tamaño de efecto d = 0.31
• El sentimiento cambia por idioma: efecto F = 268.5 y eta^2 = 0.077; en general, las lenguas urálicas y bálticas salen más positivas y las germánicas (incluido inglés) más críticas
• Cambiar la lengua de consulta altera sobre todo qué marcas recomienda la IA: al pasar de consulta en inglés a la lengua “local” de la marca, la cuota de recomendación sube +0.80 para “local champions”, pero solo +0.15 para multinacionales globales (t = -8.84, p < 0.001)
• El sentimiento apenas invierte con ese cambio: el estudio reporta “sin inversión comparable” del sentimiento cuando se cambia el idioma de consulta
• La estabilidad de las respuestas depende más del modelo que del idioma: eta^2_model = 0.32 frente a eta^2_language = 0.01 (replicación con 5 iteraciones sobre un subconjunto de 20 marcas)

Conclusión del estudio

Con datos de 35.640 respuestas, el estudio demuestra que medir reputación con IA solo en inglés deja un “punto ciego” lingüístico: afecta de forma medible la visibilidad (recomendaciones) de marcas localmente reconocidas, mientras que el sentimiento varía por idioma y la estabilidad cambia sobre todo por modelo, no por lengua.

Qué dice

El estudio analiza, con datos tempranos del “underground” de ciberdelito, qué tan y cómo se están adoptando herramientas de IA generativa y asistentes de código en el ecosistema de cibercrimen, para ver si eso está causando una disrupción real.

Los datos

• Encuentra que la realidad, hasta el momento, es “prosaica”: hay adopción temprana de IA sobre todo en esquemas de “ingresos pasivos” a gran escala con poca rentabilidad y en fraudes triviales
• Afirma que no hay evidencia (todavía) de una disrupción generalizada del cibercrimen: “poca evidencia hasta ahora” de que se estén cambiando de forma amplia las dinámicas del sector
• Sostiene que la IA está sustituyendo tareas típicas de desarrollo en el cibercrimen (pegar código, comprobación de errores y consulta de “cheatsheets”), pero no muestra señales de un cambio profundo en la economía del cibercrimen
• Indica que los “vibe coding tools” aportan utilidad limitada a actores de baja habilidad, mientras que el beneficio principal aparece en actores ya capacitados
• Concluye que el papel de LLMs “jailbreak” como instructores (“Dark AI”) está sobrevalorado: la iniciación se apoya más en subcultura y aprendizaje social, donde las conexiones y la identidad comunitaria pesan tanto como el conocimiento

Conclusión del estudio

Con sus datos tempranos, el paper muestra que la IA generativa en cibercrimen todavía no ha generado una disrupción amplia: su adopción parece acotada a automatizar partes del trabajo y a casos concretos, principalmente para quienes ya tienen habilidad, y con poca evidencia de que esté reconfigurando el ecosistema.

Qué dice

El estudio analiza, con una auditoría propia de 10 casas de lujo y 4 agentes de IA (ChatGPT, Gemini, Perplexity, Claude), qué porcentaje de veces citan una fuente/una marca y cómo cambian las recomendaciones y el “control” de la narrativa frente a una petición de compra.

Los datos

• Se analizaron 680 respuestas (10 casas × 4 agentes × 17 consultas tipo)
• En ChatGPT (78% de cuota de mercado), los enlaces aparecen solo en el 6% de sus respuestas y los precios en el 14%
• Perplexity (7% de cuota) cita precios en el 53% de los casos
• Gemini menciona Vestiaire Collective o The RealReal en el 60% de sus respuestas; Claude en el 51%
• El estudio afirma que 90% de las fuentes “escapan” al control de la casa, y que 36% de los consumidores ya confían en la IA para compras

Conclusión del estudio

Con los datos de su auditoría, el estudio muestra que las IAs no citan/usan información de forma controlable por las marcas: citan “lo que encuentran” y, además, distribuyen la conversión de forma desigual (awareness en un agente, acción en otros), con gran parte de las fuentes fuera del control de la casa.

Qué dice

El estudio analiza, en 11.200 consultas reales, 112.000 respuestas de 10 modelos de 5 proveedores, cuántas citas siguen una cadena correcta y en qué falla la “fidelidad” entre consulta, fuente citada y respuesta.

Los datos

• Crean CITETRACE con 761.495 pares de cita evaluables (consulta → fuente recuperada → respuesta) para medir errores estructurales
• El 30,6% de las citas distorsionan sus fuentes, y el 27,1% provienen de fuentes “inadecuadas” para el dominio correspondiente
• A nivel de respuesta, hasta el 96% de los usuarios se topan con al menos una cita estructuralmente engañosa
• Las diferencias por proveedor explican el 88%–96% de la variación en la calidad de las citas, más que el “modelo” en sí

Conclusión del estudio

El estudio demuestra que, aunque muchas IAs citan fuentes reales y accesibles, una parte grande de esas citas falla en dimensiones clave (distorsión o desajuste de dominio), generando casos frecuentes de desinformación. Además, la calidad de la cita depende sobre todo del proveedor (cómo recupera y selecciona fuentes) más que del modelo generador.

Qué dice

El estudio evalúa CANote (una herramienta de IA para redactar notas de desmentido con evidencias y citas) y compara su impacto frente a la redacción manual, con 52 fact-checkers y 52 usuarios no expertos en una plataforma simulada tipo X.

Los datos

• Participaron 52 fact-checkers y 52 usuarios no expertos (104 personas en total)
• CANote mejora significativamente la calidad de las notas frente a la escritura manual (según la evaluación del estudio)
• Los usuarios no expertos con CANote logran una calidad comparable a la de los expertos al redactar notas
• El tiempo para completar la tarea y la carga cognitiva percibida se mantienen comparables a la redacción manual, pero sube la satisfacción del usuario
• Aun mejorando calidad y satisfacción, aparece un coste: menor sensación de “propiedad” y control sobre la nota de desmentido

Conclusión del estudio

Con los datos de este experimento, el estudio demuestra que una IA que ayuda a organizar subafirmaciones y a enlazar explícitamente cada parte con evidencia recuperada puede elevar la calidad de las notas y reducir la brecha entre expertos y no expertos; lo que genera es una mejora en resultados, no un aumento de carga ni de tiempo.

Qué dice

El paper propone un modelo (Ashta-Ayama 8D) que explica cómo una IA “simula” tareas de las primeras 5 dimensiones de aprendizaje, pero no puede cubrir las 6–8 (Intención, Resonancia y Emergencia), y para sustentar el planteamiento usa una bibliografía de 44 citas.

Los datos

• Declara una bibliografía con 44 citas (“supported by a 44citation bibliography”)
• Define que el modelo completo usa 8 dimensiones con un total de 19 sub-ejes (“eight dimensions… described by… 19 sub-axes”)
• Aporta que la transición desde el modelo educativo 5D cubre el ~25% de la vida en aprendizaje institucional, aprox. edades 6–21 (“roughly ages 6–21”; “~25% of a human life”)
• En el modelo, la ecuación 8D C = (S × T)^A(I · R · E) se reduce a la 5D cuando I = R = E = 1: L = (S × T)^A (“When I = R = E = 1… reduces to L = (S × T)^A”)

Conclusión del estudio

Con los datos disponibles en el texto compartido, el estudio no mide “qué hace que las IA citen una fuente” en absoluto; en cambio, usa una bibliografía de 44 entradas para justificar su modelo y afirma cómo las IA no cubren Intención, Resonancia y Emergencia (6–8). Por tanto, este material no permite concluir factores de citación por IA.

Qué dice

El estudio analiza qué determina que una IA recomiende y cite hoteles, y lo muestra con dos casos (Hotel du Mont-Blanc y una simulación para una familia sueca) probando cómo los datos en formato estructurado afectan la interpretación por sistemas de IA.

Los datos

• Propone que la visibilidad en IA depende de alimentar correctamente a los sistemas con datos y sitúa como estrategia central implementar datos estructurados con el vocabulario de Schema.org en JSON-LD
• En la simulación para una familia sueca se realiza una “consulta y respuesta generativa” para evaluar el impacto cuantitativo y cualitativo, pero el texto aportado no incluye los porcentajes o cifras de resultados
• En la sección de caso práctico del Hôtel du Mont-Blanc se hace un “audit” de recursos digitales y semánticos y luego se implementa código JSON-LD optimizado; el texto aportado no incluye métricas (por ejemplo, aumento de citas o cambios en el ranking) asociadas a ese antes/después
• El documento afirma que los asistentes de IA suelen devolver una selección “de 3 a 5 opciones” (y que eso reduce la frecuencia con la que un hotel aparece en resultados) pero no aporta una cifra medida en el estudio sobre cuánto baja o sube la visibilidad por hotel

Conclusión del estudio

Con los elementos del documento aportados, el estudio sostiene que los sistemas de IA solo pueden recomendar/citar correctamente si los hoteles proporcionan datos comprensibles para el modelo, y que el formato de datos estructurados (Schema.org en JSON-LD) es el mecanismo que permite esa interpretación fiable. Aun así, el texto que has compartido no trae las cifras concretas del impacto (por ejemplo, cuánto aumenta la cita) para validarlo numéricamente aquí.

Qué dice

El estudio analiza, en 50 marcas y 5 industrias, qué marca recomienda cada IA en consultas sin marcas (250 categorías) y mide cuánta concentración hay entre “dueños” de categorías en tres modelos (GPT-5.2, Gemini 3 Flash y Perplexity).

Los datos

• Analizaron 3.750 respuestas en total (250 consultas por categoría, repetidas 5 veces) y usaron 50 marcas en el proceso
• La concentración de recomendaciones fue moderada: el Gini medio fue 0.28 (IC 95%: 0.16 a 0.41), por debajo del umbral 0.60 que fijaron para un patrón tipo “winner-takes-all”
• Las “vacantes competitivas” fueron poco frecuentes: 8.0% de las consultas no tuvieron un líder claro (ninguna marca destacaba como una sola dominadora en la categoría)
• El acuerdo entre modelos sobre la marca mejor recomendada fue 41.6%: una marca top en un modelo no se mantiene como top de forma consistente en los otros
• La sustitución entre marcas varió por industria, con ratios que van desde co-recomendación en consultoría (0.4:1) hasta sustitución unidireccional hasta 4.3:1; la media no ponderada entre las 5 industrias fue 2.4:1
• Cuando revisaron temas con BERTopic, solo 4.2% de los clústeres quedaron fuera de las categorías originales (para comprobar que “se movían” sobre las categorías previstas)

Conclusión del estudio

Con sus datos, el estudio muestra que en la recomendación por IA no hay un control absoluto y estable por una sola marca: la concentración es media (Gini 0.28), las vacantes son raras (8.0%) pero el desacuerdo entre modelos sobre quién lidera es alto (solo 41.6% coincide la marca top).

Qué dice

El estudio revisa cómo las empresas están pasando de usar LLM “gigantes” a usar Small Language Models (SLMs) como ejecutores, y muestra con qué arquitectura y criterios de producción se vuelve rentable y controlable para tareas de agentes.

Los datos

• El texto define que los KPIs clave para agentes en producción son p95 latency, coste por transacción, tool-call success rate, validez de salidas estructuradas, precisión contra un “golden test set”, y señales de cumplimiento como filtraciones de PII y violaciones de políticas (y que estos KPIs son los que no encajan con usar un LLM frontal carísimo para todo)
• Describe una arquitectura en “planner–executor”: un LLM en la nube genera planes y razonamiento; SLMs cerca de los datos ejecutan (routing por intención y política, reescritura de queries para RAG, extracción de entidades, selección de herramientas y llamadas a funciones con salidas estructuradas); y un SLM o reglas verifican cada salida antes de llegar a usuarios/sistemas
• Da ejemplos concretos de despliegues de SLM/SLM-like: un asistente de voz en un dispositivo on-device para mantenimiento de motores de avión (para eliminar dependencia de red y fijar la respuesta dentro de un SLA del hangar), y un proof of concept en salud con MedGemma “fine-tuned” con manejo “privacy-aware” probado en “domain-specific evaluation sets” manteniendo el contexto del paciente dentro del entorno controlado
• Enumera “controles no negociables” de gobernanza para que estos sistemas funcionen: (1) política de selección de modelo por sensibilidad de datos, zona de despliegue y tipo de tarea; (2) gates de evaluación que bloquean el release detrás de regresiones en conjuntos golden para precisión/validez de salidas estructuradas/éxito de tool-calls; (3) controles en runtime (límites de contexto, salidas estructuradas, redacción de PII, allow-list de herramientas, y chequeos de política alrededor de cada llamada); y (4) trazabilidad/observabilidad end-to-end con costes/tokens, vigilancia de deriva y logs de auditoría
• Lista tecnologías y familias/ejemplos de SLM citados en el texto: Qwen (open-weight), Mistral (eficiencia/calidad y tool-use), Microsoft Phi (razonamiento denso para clasificación/extracción), Google Gemma (RAG y generación estructurada con restricciones de decodificación), y modelos de dominios regulados como Privacy Guardian (2B), Medical Validator (3B), Med-PaLM 2, BioMistral 7B, además de mini-modelos para BFSI, y “Alan” para resúmenes legales

Conclusión del estudio

El estudio concluye que para que una solución de “agentic AI” sea viable en producción, la cita/uso de inteligencia “cara” del LLM frontal se restringe y se reparte: el plan lo hace el LLM y la ejecución cerca de los datos la hacen SLMs con verificación, bajo métricas y controles de producción y gobernanza (latencia/coste/validez/compliance).

Qué dice

Este estudio revisa 120 artículos (2020-2026) para identificar qué impacto real tiene la IA en la transformación de procesos de negocio y de dónde salen las ideas equivocadas sobre ella.

Los datos

• Analiza 120 artículos publicados entre 2020 y 2026 siguiendo guías PRISMA
• Genera temas a partir de 16 dominios de negocio y resume los resultados en 4 temas principales
• Los 4 temas que identifica sobre el uso de IA en negocio son: (1) automatización operativa, (2) decisiones basadas en datos, (3) experiencia del cliente y personalización, (4) innovación en productos y entrega de servicios
• Atribuye las “concepciones erróneas” y rumores a afirmaciones exageradas en medios “new media” (blogs, vlogs, podcasts y noticias) y en literatura “grey” (no académica)

Conclusión del estudio

El estudio concluye que la IA sí mejora procesos empresariales de forma clara en los artículos revisados, y que los rumores aparecen sobre todo por exageraciones difundidas en medios no académicos. En conjunto, sugiere que los beneficios se sostienen frente a los riesgos de desinformación, según lo que recogen las fuentes revisadas.

Qué dice

El estudio analiza cómo pequeños cambios al reformular una consulta cambian las recomendaciones de marcas en asistentes de IA, comparando ~6.000 ejecuciones con paráfrasis y ~6.000 reruns con el mismo prompt en modelos de OpenAI y Anthropic.

Los datos

• La similitud entre el conjunto de recomendaciones de dos paráfrasis del mismo “intento” (Jaccard) fue 0.288 en reescrituras cosméticas (intervalo 95%: [0.215, 0.361])
• Para paráfrasis que añaden restricciones, la similitud bajó a 0.135 (intervalo 95%: [0.098, 0.175])
• El resultado de comparar “misma consulta, mismo prompt” (rerun baseline) está en 0.50 a 0.61 de similitud, es decir, mucho más alto que 0.288/0.135
• La métrica basada en contar menciones/prominencia por prompt es inestable: dos paráfrasis del mismo intento producen solapes de 14% a 29% (Jaccard), mientras que los reruns con el mismo prompt dan 50% a 61%
• Aumentar el “esfuerzo de razonamiento” no reduce esa brecha: el efecto queda acotado a ±0.05

Conclusión del estudio

El estudio demuestra que en estos sistemas la variación por reformulación (el texto exacto del prompt) domina sobre el “intento” subyacente: por eso los sistemas no son reproducibles a nivel de conjunto de marcas, y las métricas de “AI visibility” basadas en un conjunto fijo de prompts quedan estructuralmente sesgadas por cómo se haga el muestreo.

Qué dice

El estudio explora, en un proyecto con Accenture Song y centrado en productos financieros para Generación Z, qué aporta el “malleable software” para que las respuestas y la adaptación sean más guiadas por el usuario (no solo por el sistema) y cómo eso se traduce en principios y prototipos de producto.

Los datos

• Afirma que “alrededor del 70%” de los consumidores esperan interacciones personalizadas (cita McKinsey, 2021) y que las empresas que cumplen esas expectativas generan “hasta un 40% más” de ingresos que competidores más lentos (según el mismo referente)
• Reporta como resultado clave que pasar de personalización “sistema-dirigida” a “customización dirigida por el usuario” mejora la experiencia del usuario aumentando eficiencia, accesibilidad y “agency” (capacidad del usuario de decidir)
• Describe que el uso de “malleable software” permite validación y desarrollo más rápidos para: validación, desarrollo de conceptos, ideación y co-creación dentro de procesos internos de diseño y desarrollo (mejora en velocidad, aunque el texto no da un porcentaje)
• Indica que el trabajo termina generando un demostrador y un “intervention framework” para integrar la práctica D&DP, además de una hoja de ruta con partes estratégica y táctica (sin métricas cuantitativas adicionales en el extracto)

Conclusión del estudio

Con sus propios resultados, el estudio muestra que el valor de “malleable software” no es solo personalizar, sino cambiar el control: al mover la personalización hacia decisiones del usuario, mejora eficiencia, accesibilidad y “agency”, y acelera ciclos internos de validación e ideación. A partir de ahí, sostiene que también crea una vía para ofrecer a clientes productos y servicios más hiperpersonalizados.

Qué dice

El texto no es un estudio sobre qué fuentes citan las IA: explica un sistema anti-scraping (Anubis) basado en Proof-of-Work para frenar rastreos automáticos de empresas de IA.

Conclusión del estudio

Con este material no se puede concluir qué hace que una IA cite una fuente, porque no hay mediciones ni análisis de citaciones; solo se describe una medida técnica anti-bots para acceder al sitio.

Qué dice

El estudio analiza, con 18.240 observaciones (1.520 páginas de producto, 6 categorías), cómo el formato “estructurado” de una ficha frente a uno “narrativo” afecta a que sistemas con agentes/IA seleccionen la página, la citen y mantengan la atención humana.

Los datos

• Las páginas estructuradas aumentan la probabilidad de que el agente las seleccione en +8,7 puntos porcentuales frente a páginas narrativas
• Las páginas estructuradas incrementan la probabilidad de cita en +6,2 puntos porcentuales frente a páginas narrativas
• La atención humana se retiene más: la “media” de vida media (attention half-life) sube de 2,81 s a 3,46 s con páginas con estructura basada en evidencia
• El efecto de señales de “legibilidad para la máquina” se mantiene incluso controlando precio, rating, volumen de reseñas, reputación de marca, tiempo de entrega y categoría

Conclusión del estudio

Con sus datos, el estudio muestra que las páginas de producto estructuradas tienen más probabilidades de ser seleccionadas y citadas por sistemas tipo agente/IA, y además retienen atención humana por más tiempo. También concluye que la visibilidad para agentes no se logra solo por “valor al usuario” (como precio/ratings), sino por cómo organizan la evidencia en formato legible para máquina.

Qué dice

La investigación analiza, mediante entrevistas a 7 expertos de agencias web suecas, cómo perciben y gestionan la transición desde buscadores tradicionales basados en enlaces a sistemas de búsqueda y respuesta impulsados por IA, y qué oportunidades y retos ven para la visibilidad digital.

Los datos

• El estudio se basa en entrevistas semiestructuradas a 7 expertos (agencias web) especializados en visibilidad digital y estrategias de búsqueda
• En la introducción se cita que “más de la mitad” de los usuarios de IA hacen preguntas usando IA en lugar de buscar con motores tradicionales (Internetstiftelsen, 2025)
• Se afirma que el cambio implica que una parte creciente de búsquedas ya no genera clics a webs externas, porque el usuario puede cubrir su necesidad informativa sin visitar el sitio donde estaba publicado (referenciado en la literatura citada por el trabajo)

Conclusión del estudio

A partir de sus datos cualitativos, el estudio concluye que las agencias ven que la visibilidad en sistemas de IA abre oportunidades (aparecer en respuestas generadas), pero que la falta de transparencia de esos sistemas introduce incertidumbre sobre cómo se logra y cómo se mide esa visibilidad.

Qué dice

El texto reúne datos y ejemplos de un informe de Schwab sobre adopción de IA en firmas RIA y lo contrasta con casos de uso reportados en el sector de wealth management (p. ej., cuánto tiempo ahorra a un asesor y cómo usa fuentes como Perplexity).

Los datos

• Según Schwab IAOS, “más de la mitad” de las firmas RIA ya usan IA y “otro tercio” está explorándola (adopción: >50% + exploración: ~33%)
• El ejemplo de Matt Gagnon indica que recopilar información para su flujo de actualización de mercado “toma alrededor de un minuto” antes de verificarla
• Gagnon dice que su IA (Perplexity) “lista sus fuentes online” y que “no hace cosas inventadas” (su criterio se basa en esa forma de citar fuentes y en que ofrece modos de búsqueda)
• Will Trout (Datos Insights) afirma que un caso de uso de seguimiento/outputs incluye “behavioral profile” para el asesor y menciona que además permite “una visión más amplia” del perfil del cliente (no aporta un número, pero sí el tipo de salida que miden/usan)

Conclusión del estudio

El estudio (tal como lo reporta el texto) no cuantifica “qué hace que una IA cite” de forma directa, pero sí muestra que, en la práctica, cuando una herramienta presenta y enlaza fuentes online y mantiene verificación (p. ej., Perplexity), los asesores las usan porque pueden comprobar que los datos citados son correctos. Además, el texto muestra que la adopción es masiva (>50% usan IA), así que el requisito de “fuente verificable” pesa en cómo se emplean estas salidas.

Qué dice

El trabajo analiza, con Zara como caso, cómo la integración del marketing digital y la omnicanalidad crea ventaja competitiva en fast fashion y qué evidencias encuentra a partir de una revisión y observación de puntos de contacto.

Los datos

• El estudio se basa en un enfoque cualitativo, descriptivo y aplicado, apoyado por revisión de literatura académica, fuentes corporativas y observación estructurada de “principales puntos de contacto” de Zara
• La marca se evalúa en 4 dimensiones: integración entre tienda física, e-commerce y app; construcción de experiencia “phygital”; comunicación y posicionamiento de marca; e incorporación de la sostenibilidad en la relación con el cliente
• Los resultados indican que la ventaja competitiva de Zara “no reside únicamente” en adoptar herramientas digitales, sino en articular un sistema coherente donde marketing, operaciones y experiencia del cliente trabajan coordinados
• La omnicanalidad aparece como elemento estratégico central para “reducir fricciones”, reforzar la coherencia del customer journey y fortalecer el posicionamiento de la marca

Conclusión del estudio

El estudio no mide “citas” de IA ni qué factores hacen que una IA cite fuentes. Lo que sí concluye es que en Zara la omnicanalidad y la coordinación entre áreas generan coherencia en el recorrido del cliente, y que eso es clave para su ventaja competitiva.

Qué dice

El estudio compara, con datos propios de 973 e-commerce durante 12 meses, cómo el tráfico “orgánico” que llega desde ChatGPT (referencias) se traduce en conversiones, gasto y engagement frente a canales tradicionales.

Los datos

• En el periodo analizado, el tráfico orgánico desde LLM (solo ChatGPT) es <0,2% del tráfico total del conjunto de sitios (unas 200 veces menos que el orgánico de Google)
• ChatGPT domina el canal LLM: aporta más del 90% de las sesiones observadas desde plataformas LLM; el resto (Perplexity, Gemini, Copilot, Deepseek, Grok) tiene volúmenes “negligibles”
• Con datos agregados (febrero–agosto 2025), el canal oLLM (ChatGPT) muestra 30,232 observaciones/semana-sitio-dispositivo y 4.1M de sesiones, con 6.1M de dólares de revenue (frente a, por ejemplo, paid search: 44,800 observaciones; 1,530.0M de revenue)
• En conversion y dinero: a un año del lanzamiento, oLLM tiene tasas de conversión y revenue por sesión por encima de paid social, pero por debajo de “todos” los otros canales tradicionales (según los resultados de su modelo)
• En engagement: oLLM tiene mejor tasa de rebote (bounce rate), pero menos duración de sesión y menos páginas vistas (session duration y page views menores que el resto)

Conclusión del estudio

Con sus datos, el estudio muestra que las referencias orgánicas de ChatGPT todavía no actúan como un canal de conversión “amplio”: aunque mejoran el rebote y superan a paid social en conversión y revenue por sesión, se quedan por detrás de los demás canales tradicionales, con efectos más marcados en categorías de producto complejas.

Qué dice

El estudio mide, con AgentWebBench, qué tan bien varios agentes de IA sintetizan respuestas cuando deben coordinarse para usar contenido accesible a través de agentes “del sitio”, comparándolo con el acceso centralizado en tareas de búsqueda, recomendación y preguntas abiertas.

Los datos

• Evalúan 4 tareas (web search, web recommendation, question answering y deep research) y comparan 7 modelos LLM avanzados con 3 estrategias de coordinación
• Reportan que la coordinación multiagente “generalmente” queda por detrás del acceso centralizado, pero la brecha se reduce al aumentar el tamaño del modelo
• En question answering, el mejor caso puede llegar a “superar” al acceso centralizado (cuando el modelo es más grande)
• Miden que el acceso descentralizado concentra el tráfico hacia un conjunto pequeño de sitios web (en vez de distribuirlo ampliamente)

Conclusión del estudio

Con los datos de AgentWebBench, el estudio muestra que las IA citan/usan evidencia de forma distinta cuando la información llega vía coordinación con agentes de contenido: en general rinden peor que con acceso directo, la diferencia se reduce con modelos más grandes y en preguntas puede incluso invertirse. Además, el modo “de acceso descentralizado” tiende a empujar el uso de evidencia hacia pocos sitios.

Qué dice

El paper repasa qué se ha observado en SEO durante 2025 y resume tendencias previstas para 2026, con foco en cómo las tecnologías generativas cambian la creación de contenido y la asignación de presupuesto.

Los datos

• No aporta métricas ni resultados medibles: el texto visible solo incluye objetivo, resumen general y referencias bibliográficas sin porcentajes, números o experimentos
• Plantea como punto central que el “éxito” de SEO depende de “integración profunda del producto”, “atención a la calidad” y “cumplimiento de expectativas del consumidor actual”, pero sin cuantificar el impacto
• Indica que las “tecnologías generativas” exigen cambios en los enfoques de creación de contenido y en cómo se distribuye el presupuesto, sin detallar cuánto cambia ni cómo se mide

Conclusión del estudio

Con el contenido disponible, este estudio no demuestra datos concretos sobre qué hace que una IA cite una fuente; se limita a conclusiones generales de SEO para 2025 y previsiones para 2026.

Qué dice

El estudio analiza, en un gran grupo industrial B2B, cómo el cambio de comunicación del marketing “clásico” al “digital” afecta el éxito de la comunicación y, a su vez, el éxito del mercado, usando literatura y una encuesta online a 198 clientes.

Los datos

• Usan una muestra de 198 clientes y miden el efecto de canales de comunicación sobre el “éxito de la comunicación” mediante análisis PLS-SEM
• Reportan que los canales digitales (marketing por correo, sitio web corporativo y marketing en redes sociales) ya son de alta relevancia dentro del mix de comunicación
• A la vez, indican que los canales clásicos (ferias y trabajo con medios/relaciones con medios) siguen teniendo una influencia grande en el mix
• Afirman que todos los canales mencionados influyen de forma significativa en el éxito de la comunicación, y que este éxito está estrechamente vinculado al éxito de mercado

Conclusión del estudio

El estudio demuestra que, incluso con la digitalización acelerada, la citación/visibilidad y el rendimiento comunicacional no dependen solo de lo “digital”: los canales digitales y los clásicos aportan influencia significativa y el impacto se refleja también en el éxito del mercado según sus datos en ese caso B2B.

Qué dice

El texto no es un estudio sobre citas de IA: explica por qué un sitio usa Anubis (un reto de Proof-of-Work con JavaScript) para bloquear scrapers automatizados de empresas de IA y evitar caídas del servidor.

Los datos

• Dice que Anubis usa un esquema de Proof-of-Work tipo Hashcash para que el scraping masivo sea más caro
• Indica que el reto puede causar downtime: menciona que la protección está para evitar que el sitio quede inaccesible por el scraping de alto volumen
• Aclara que Anubis requiere JavaScript moderno y que plugins como JShelter lo pueden desactivar
• Se describe como solución “placeholder” mientras se invierte en identificar navegadores headless (por ejemplo, mediante cómo hacen font rendering) para que el reto no tenga que mostrarse a usuarios legítimos

Conclusión del estudio

Este material no mide ni analiza qué hace que las IA citen fuentes: trata de barreras técnicas para impedir scraping y reducir carga, destacando que JavaScript y la detección de navegación automatizada son piezas clave. Por tanto, no aporta evidencias sobre el mecanismo de citación de ChatGPT/Perplexity/Gemini/Google AI/Claude.

Qué dice

El estudio analiza de forma cualitativa cómo una estrategia de datos basada en smart contracts puede apoyar el crecimiento de startups en negocios digitales, enfocándose en transparencia, automatización, confianza y escalabilidad operativa.

Los datos

• El trabajo sintetiza literatura académica y casos/documentos sobre implementación de smart contracts, pero no reporta resultados medidos en startups reales (no hay porcentajes, tamaños muestrales ni métricas cuantificadas en el texto aportado)
• Identifica como dimensiones clave lo que aportan los smart contracts: gestión descentralizada de datos, ejecución automatizada de transacciones, mecanismos de transparencia, aseguramiento de seguridad y eficiencia del flujo de trabajo (son los “bloques” que el estudio analiza, no cifras)
• Concluye que los smart contracts se plantean como “mecanismos de datos” (no solo como herramienta de blockchain) para: reducir riesgos operativos, mejorar la fiabilidad de procesos y reforzar la credibilidad del negocio digital (resultado descrito, sin cuantificación)
• Plantea que su efecto sobre el crecimiento se da por mejora de rendición de cuentas de los datos, aumento de la confianza de los interesados y habilitación de operaciones escalables (conclusión cualitativa, sin datos numéricos)

Conclusión del estudio

Este estudio, basado en síntesis cualitativa de literatura y experiencias, no aporta evidencia numérica sobre citas de la IA; sí afirma que los smart contracts mejoran transparencia, confianza y escalabilidad operativa en startups, como mecanismos de gobernanza de datos.

Qué dice

El estudio investiga cómo medir en tiempo real las percepciones sobre la inversión extranjera directa (FDI) en los países bálticos usando señales de medios y búsqueda, y construye un índice de reputación para agencias de promoción inversora comparando los tres países.

Los datos

• Mide percepciones FDI con señales “activas” (visibilidad impulsada por búsqueda y entornos de información “curados”) frente a solo exposición “pasiva” a medios; concluye que las señales activas están más alineadas con la atención relacionada con la inversión que la exposición pasiva
• Construye y compara perfiles de reputación de FDI entre tres países bálticos; identifica a Lituania como el país con mejor desempeño general en el índice construido
• Valida el patrón de desempeño de Lituania comparándolo con evaluaciones independientes de modelos de lenguaje grandes (LLMs) populares, donde coincide con el “mejor rendimiento” en el índice

Conclusión del estudio

El estudio muestra que un monitoreo en tiempo real de percepciones (especialmente usando visibilidad ligada a búsqueda y entornos de información curados) funciona mejor para captar atención de inversión que limitarse a exposición pasiva en medios, y que el índice resultante detecta diferencias reales entre países (con Lituania liderando).

Qué dice

El estudio prueba en un experimento online con 1.248 personas cómo la visibilidad de una marca en respuestas de IA, el tipo de endorsement (humano vs virtual) y la fuerza de los bundles de producto afectan la intención de compra y la confianza.

Los datos

• El “AI-search visibility” alta sube la intención de compra un 9,4% frente a visibilidad baja
• En categorías de alta implicación, el endorsement humano genera más confianza en la marca que el endorsement virtual
• Las señales de “product bundling” fuerte aumentan la utilidad percibida y reducen la incertidumbre de decisión, sobre todo cuando la marca ya es visible en los resultados de búsqueda de IA
• La condición con mejores resultados combina: visibilidad citada en AI-search + endorsement humano + bundling basado en rutinas

Conclusión del estudio

El trabajo demuestra que, en un recorrido de compra mediado por IA, la cita/mención vía búsqueda de IA no actúa sola: su efecto en intención de compra se potencia cuando también hay credibilidad por endorsement humano y una presentación de productos que reduzca incertidumbre (bundling), especialmente si la marca ya aparece en la búsqueda de IA.

Qué dice

El estudio analiza, para 10.831 servidores MCP y mediante experimentos de cambios controlados, qué “olores” en las descripciones de herramientas hacen que las IA elijan unos servidores u otros.

Los datos

• Sobre el dataset de 10.831 servidores, los “description smells” aparecen de forma generalizada: el 73% repite nombres de herramientas
• En miles de casos, las descripciones tienen semántica de parámetros incorrecta o faltan descripciones de retornos (el paper lo describe como “thousands” de instancias)
• Al mutar descripciones, los “olores” afectan de forma significativa la selección de herramientas: el efecto más grande lo tienen funcionalidad (+11,6%) y precisión (+8,8%), con p < 0,001
• En escenarios competitivos entre servidores equivalentes en funcionalidad, las descripciones que cumplen el estándar del estudio alcanzan una probabilidad de selección del 72%, es decir, 260% por encima del 20% de línea base

Conclusión del estudio

El trabajo demuestra que, cuando una IA tiene que escoger entre herramientas MCP parecidas, los problemas en la descripción (funcionalidad/precisión y omisiones o errores semánticos) empujan la elección de forma medible y pueden cambiar el resultado de forma grande.

Qué dice

El estudio revisa la evidencia disponible sobre cómo la IA (tipo ChatGPT y similares) está impactando a personas y responde, entre otras, a preguntas sobre fiabilidad de la información, influencia real en conductas, privacidad, aprendizaje, comunicación, dependencia emocional y salud mental.

Los datos

• Indican que las “alucinaciones” de la IA han ido bajando (dicen que los casos de “knowledge collapse” podrían estar siendo prematuros), y que en su comparación la IA puede ayudar a contrarrestar desinformación frente a buscadores/redes al favorecer “consensos de expertos” frente a algunos entornos
• Señalan que la preocupación por deepfakes como fenómeno a gran escala ya existe, pero en términos de impacto real de estos contenidos “hasta ahora” indican que su impacto en el mundo real ha sido “limitado” (mencionan esto al tratar el riesgo de no poder distinguir verdad/falsedad)
• En el apartado de influencia, citan que la persuasión de la IA es “alta” en estudios de laboratorio, pero que aún no se ha traducido a campañas de influencia importantes “en el mundo real”
• Sobre aprendizaje e “ignorancia/estupidez”: pese a la preocupación, afirman que la evidencia es limitada; además, reportan que los usuarios rinden peor cuando se les retira el apoyo de la IA (consistente con “cognitive offloading”)
• Salud mental: reportan que “la mayoría de los usuarios” no percibe impactos relevantes; aun así, mencionan que comportamientos “súpertimos”/validadores (sycophancy) pueden reforzar creencias dañinas o delirantes en usuarios vulnerables y que se han reportado varios casos de psicosis asociada a IA

Conclusión del estudio

Con los datos revisados, el estudio no respalda la idea de que la IA ya haya provocado un “colapso” total de la verdad ni un cambio masivo por persuasión fuera de laboratorio. Lo que sí muestra la evidencia es un impacto más matizado: mejoras/contrapesos en el acceso a información (por consenso experto), riesgos concretos pero no generalizados (fraude/escams por detectabilidad, privacidad por extracción de datos, validación de creencias en vulnerables).

Qué dice

El texto compartido no corresponde a un estudio medible sobre qué hace que las IA citen fuentes; solo contiene información bibliográfica parcial sobre un libro (“AI Marketing: Potenziare il metodo Seth Godin…”).

Conclusión del estudio

Con este extracto no se pueden identificar hallazgos del tipo “cuántas citas” o “qué fuentes ganan” porque no hay metodología, mediciones ni resultados del paper en el contenido proporcionado.

Qué dice

El documento promete estudiar cómo la publicidad en el entorno digital (incluida la privacidad y la efectividad) se conecta con innovaciones con LLM, pero el texto que compartiste no incluye resultados ni mediciones del estudio.

Conclusión del estudio

Con el extracto disponible no es posible saber qué hace que las IA citen fuentes, ni aportar conclusiones específicas basadas en datos del estudio, porque no hay resultados visibles en el material compartido.

Qué dice

El texto analiza cómo las búsquedas y recomendaciones generadas por IA (ChatGPT, Google AI Overviews y Google AI Mode) influyen en la visibilidad y en la decisión de compra en cosmética, y qué significa eso para la presencia online de las marcas.

Los datos

• El texto afirma que el 89% de las empresas de e-commerce usa herramientas de IA o está en fase de pruebas
• Desde marzo de 2025, la función Google AI Overviews opera en Polonia y muestra resúmenes generativos por encima de los resultados clásicos
• El texto indica que, en la categoría cosmética, con AI Overviews se llega con frecuencia a señalar un producto/ingrediente/marca concreto, lo que “acorta” el camino de compra
• En octubre de 2025, Google lanzó AI Mode (modo conversacional) que puede preguntar por tipo de piel, necesidades, presupuesto y preferencias de fórmulas para recomendar productos
• Se menciona que ChatGPT tiene un módulo shopping que genera listas con descripciones, fotos, precios y enlaces a partir de una consulta (por ejemplo, “krem nawilżający do cery wrażliwej z budżetem do 100 zł”)

Conclusión del estudio

Este texto no mide citas de fuentes por IA (ni cuántas marcas o webs citan), pero sí muestra con datos de despliegue y uso cómo las IA reducen el camino de compra y concentran la recomendación en pocos productos gracias a resúmenes y conversaciones. Por tanto, su aporte sobre “ser citado” es indirecto: apunta que la visibilidad que importa es la que alimenta esas respuestas resumidas o dialogadas en un proceso único de consulta.

Qué dice

El estudio investiga cómo predecir la “visibilidad” de productos en búsquedas de e-commerce mediadas por IA dentro de ventanas de atención muy cortas, modelando y comparando varios tipos de modelos (product, graph, retrieval, attention y su combinación) con un dataset sintético grande.

Los datos

• Usa un dataset sintético con 96.000 observaciones sesión-producto, 12.000 sesiones de búsqueda, 1.500 productos, 540.000 cestas históricas, 1,84 millones de registros de ítems comprados, 218.460 aristas en el grafo y 288.000 trazas de atención de ventana corta
• Define “visibilidad” como inspección visible en la misma sesión: recuperación (retrieval) + visualización (display) + inspección conductual (comportamiento) dentro de la sesión
• El modelo combinado (fused) logra: ROC-AUC = 0,918, PR-AUC = 0,721, recall de visibilidad en top-5 = 0,786 y expected calibration error (ECE) = 0,041
• Las pruebas de “ablation” (quitar partes) muestran que la evidencia estructurada, la proximidad en el grafo y la “half-life” (vida media) de la atención aportan información predictiva distinta (o sea, no es un único factor dominante)

Conclusión del estudio

El estudio demuestra que, en búsquedas con IA y atención de ventana corta, predecir la visibilidad requiere combinar relevancia relacional (grafo y cestas), evidencia legible por máquina (evidencia estructurada) y persistencia conductual de muy poco tiempo (decaimiento de la atención).

Qué dice

El estudio analiza el estado del internet marketing de una empresa de comida rápida (Dominos Pizza Ucrania), estudia el comportamiento de consumidores mediante una encuesta y propone recomendaciones, pero el texto aportado no mide ni explica qué “hace” que una IA cite fuentes.

Conclusión del estudio

Con el material compartido no es posible extraer hallazgos sobre por qué ChatGPT/Perplexity/Gemini/Claude/Google AI citan una fuente, porque el documento descrito trata de marketing digital y no de citaciones de IA.

Qué dice

El estudio propone y prueba una metodología multiparamétrica para evaluar y ordenar stablecoins para incluirlas en un portafolio conservador que genere ingresos por intereses, a partir de factores como reservas, estabilidad del “peg”, liquidez y calidad del rendimiento.

Los datos

• Define una metodología con 5 bloques de evaluación: calidad y transparencia de reservas; historial y robustez de la vinculación (peg); estructura del emisor y estatus regulatorio; profundidad y liquidez del mercado; y calidad del rendimiento obtenido
• Incluye un “indicador integral” (una métrica agregada) de “confiabilidad y rendimiento” para poder clasificar/ordenar stablecoins

Conclusión del estudio

El paper es esencialmente una propuesta de cómo medir confiabilidad y rendimiento para rankear stablecoins; no aporta datos de campañas, conteos de citas, ni mide directamente qué factor hace que una IA cite una fuente.

Qué dice

Este documento es el prólogo de KnowFM 2026 y muestra que el workshop estudia, a lo largo de etapas (preentrenamiento, inyección externa, actualización/edición y uso en inferencia), qué hace que los modelos usen y gestionen conocimiento (incluida la fiabilidad y la citación ligada a fuentes) mediante 38 trabajos aceptados.

Los datos

• KnowFM 2026 aceptó 38 papers en total
• El volumen incluye 14 de esos papers en modo “archival” en la ACL Anthology; los otros 24 se presentaron en base no archivada
• El workshop estructura el ciclo de conocimiento en 4 etapas: cómo emerge en el preentrenamiento, cómo se inyecta desde fuentes externas, cómo se actualiza/edita con el tiempo y cómo se consulta/genera en la inferencia
• El texto enumera líneas de investigación relacionadas con “faithfulness” (fidelidad), mitigación de alucinaciones y conflictos entre memoria paramétrica y recuperación/long-context

Conclusión del estudio

Con base en este texto, KnowFM 2026 no aporta resultados cuantitativos sobre “qué IA cita qué fuente”, sino que define y agrupa explícitamente el tipo de evidencia y experimentos que se necesitan para entender cuándo un modelo usa conocimiento de manera fiel (por ejemplo, alucinaciones, fidelidad y conflictos con recuperación).

Qué dice

El estudio revisa, con datos tomados de un informe de Reuters Institute, ocho cambios del periodismo en 2026 y qué implican esos cambios para la formacion en Uzbekistan.

Los datos

• Se apoya en una encuesta a 280 responsables editoriales de 51 paises realizada en enero de 2026
• Reporta una caida del 43% en el trafico procedente de buscadores a lo largo de tres anos
• Indica que el modelo de economia de creadores llegaria a 500 millones de dolares para 2027
• Mide una expectativa: el 75% de las redacciones espera que la “agent AI” tenga un impacto importante
• Da una cifra historica sobre desinformacion: los deepfakes aumentan un 1780% entre 2019 y 2024

Conclusión del estudio

Con esos datos, el articulo sostiene que las IA (incluida la “agent AI”) y otros cambios del entorno ya estan alterando las redacciones y la distribucion de noticias, y que por eso la formacion debe incluir alfabetizacion en IA y respuestas frente a deepfakes y desinformacion.

Qué dice

El estudio crea ConfRAG y mide si modelos como GPT-4.1 y Claude-3-7-Sonnet pueden razonar y responder preguntas cuando los documentos web recuperados dicen cosas incompatibles, analizando 1.814 preguntas con múltiples fragmentos por pregunta.

Los datos

• ConfRAG incluye 1.814 preguntas reales
• Cada pregunta va con un promedio de 9,58 párrafos recuperados de fuentes online heterogéneas
• El 57,2% de las preguntas tienen contradicciones explícitas
• Proponen 3 tareas de evaluación: answer clustering, answer coverage y reason coverage
• Con GPT-4.1 y Claude-3-7-Sonnet encuentran “gaps” de rendimiento sustanciales (brecha grande entre modelos al manejar contradicciones), aunque el texto aportado no da porcentajes concretos de esas mejoras o caídas

Conclusión del estudio

Con base en su conjunto ConfRAG, el estudio muestra que cuando una IA recibe referencias web largas y conflictivas, su capacidad para organizar la información y explicar las contradicciones no es uniforme y hay diferencias claras de rendimiento entre modelos.

Qué dice

El texto describe un Trabajo Fin de Grado que desarrolla y valida una plataforma web (FundScout) para analizar y comparar fondos y ETFs, mostrando sus funciones implementadas y la “viabilidad técnica y comercial” del proyecto, pero no mide ninguna relación con citas de IA.

Los datos

• El proyecto incluye un asistente de inteligencia artificial para interpretar resultados y responder dudas sobre conceptos financieros (función integrada en la plataforma)
• La plataforma permite buscar fondos, consultar métricas principales, comparar alternativas y seguir carteras personalizadas, además de analizar diversificación y simular escenarios futuros
• Se menciona una simulación de Monte Carlo como parte del proyecto (aparece en las palabras clave)
• Indica que no es un prototipo conceptual: la aplicación está “totalmente operativa” con arquitectura frontend-backend, base de datos, sistema de autenticación y procesamiento de datos financieros, y modelo freemium ya implementados

Conclusión del estudio

Este texto no aporta datos ni resultados sobre qué hace que las IA (ChatGPT, Perplexity, Gemini, Google AI, Claude) citen una fuente. Solo documenta el desarrollo de una aplicación de análisis financiero y su validación/viabilidad a nivel de proyecto.

Qué dice

El estudio analiza 141 informes para entender qué hace que las dinámicas con IA “agente” y competencias humanas converjan en 2026 y cómo eso se relaciona con la innovación en organizaciones.

Los datos

• Analiza 141 informes (base empírica del estudio)
• Encuentra un “sistema adaptativo” donde la IA agente y las competencias humanas “coexisten” de forma “complementaria”
• Identifica “organizaciones orientadas por habilidades” como un resultado observado en los informes
• La “fragmentación geopolítica” aparece como moderadora de la innovación (o sea, afecta/condiciona el impacto de la innovación)

Conclusión del estudio

Con sus 141 informes, el estudio concluye que en 2026 hay una inflexión estructural: la IA agente y las competencias humanas no se sustituyen, sino que se combinan de forma complementaria, y la geopolítica influye en cómo se materializa la innovación en las organizaciones.

Qué dice

El estudio plantea una fórmula y estimaciones para medir cómo un “panel” de varias IA mejora la precisión al seleccionar candidatos (comparado con usar una sola IA), usando parámetros como número de IA (n) y similitud entre sus errores (correlación, ρ).

Los datos

• Define una aproximación de precisión para el “top q” seleccionado por un panel: P(q) ≈ (ρ·n^b + q·(1−ρ)) / (1 + (n^b − 1)·ρ)
• La exponente b se estima como b ≈ q* + 0.8·(1−ρ), conectando mejora con correlación promedio entre IA (ρ) y con q*
• q* se ajusta recortándolo al rango [0.07, 0.22], es decir: q* es el valor de q “clipped” entre 0.07 y 0.22
• El propio paper formula un criterio cuantitativo para decidir cuántas IA conviene usar en el panel “dependiendo de la importancia de la decisión”, en función de cómo afectan n y ρ a P(q)

Conclusión del estudio

Este estudio demuestra que la precisión de las decisiones asistidas por IA no depende solo de usar “más IA”, sino de cuántas IA conforman el panel (n) y de lo parecidas que sean entre sí (ρ): la fórmula muestra explícitamente cómo la combinación de diversidad (menor correlación) cambia P(q) para el top q.

Qué dice

El texto resume ponencias de un congreso sobre el marco jurídico del turismo y la recreación en Ucrania (incluido guerra y eurointegración), mostrando qué normas y temas citan y cómo lo argumentan con referencias específicas.

Los datos

• En una ponencia sobre trabajo en turismo durante el estado de guerra se citan explícitamente 4 fuentes legales: Código del Trabajo (artículo/URL “322-08”), Ley “sobre la organización de relaciones laborales en condiciones de estado de guerra” (ley 15.03.2022, “2136-20”), Ley de empleo (05.07.2012, “5067-17”) y Ley de seguridad en el trabajo (14.10.1992, “2694-XII”)
• La misma ponencia indica que el marco laboral se apoya en el Código del Trabajo y en leyes especiales aprobadas durante el estado de guerra, y menciona como tendencia “la expansión de formas flexibles de empleo” incluyendo trabajo a distancia, empleo a tiempo parcial y contratos de trabajo por tiempo determinado (sin dar porcentajes, pero con la categoría legal citada)
• En la ponencia sobre desarrollo sostenible del turismo y eurointegración se señala que la Ley “Sobre el turismo” define bases generales pero “no contiene disposiciones sobre desarrollo sostenible”, por lo que el tema depende de normas de medio ambiente y patrimonio cultural, y también de normas de evaluación de impacto ambiental (se citan como bloques con referencias [4; 5])
• En la ponencia sobre eurointegración se citan artículos concretos del Acuerdo de Asociación UE: mención a desarrollo de la industria turística y protección de derechos de consumidores en los artículos 399 y 401 (con referencia a páginas “200-201”), y se usa como ejemplo la Directiva del Consejo 90/314/CEE sobre viajes combinados para justificar protección financiera a turistas (con referencias a páginas 201 y 164)

Conclusión del estudio

Este material no mide ni evalúa directamente qué hace que una IA cite una fuente: solo muestra qué tipo de fuentes legales y qué puntos concretos (leyes, artículos, directivas, enlaces) usan para sustentar sus argumentos en temas de turismo. Por tanto, aporta evidencia sobre “qué se cita” en trabajos del sector, pero no sobre “por qué lo cita una IA”.

Qué dice

El texto es un capítulo de un libro de marketing (planificación y marketing research) que explica qué pasos y criterios se usan para planificar investigaciones de marketing y cómo se estructuran los tipos de datos, más que medir qué IA cita fuentes.

Los datos

• El capítulo resume “Marketing research” con un 5-D: de la fase de definición a la fase de documentación (plantea esas 5 etapas como concepto organizador)
• Distingue explícitamente entre investigación primaria y secundaria, y entre métodos cualitativos y cuantitativos (categorías que el capítulo enseña como base para decidir)
• Menciona criterios de calidad de la investigación: validez, fiabilidad, objetividad y representatividad (los lista como “Gütekriterien”)
• En el apartado de herramientas/abordajes menciona análisis clásicos (SWOT, portfolio y benchmark) y los vincula con enfoques modernos y apoyados por IA (por ejemplo, panels, feedback “always-on” y datos sintéticos)

Conclusión del estudio

Con este texto no se puede concluir nada cuantitativo sobre qué hace que ChatGPT, Perplexity, Gemini, Google AI o Claude citen una fuente, porque el contenido mostrado describe metodología de investigación y planificación de marketing, no resultados de un experimento de citación por IA.

Qué dice

El estudio analiza, en producción y en 10 despliegues de distintos sectores, cuánto mejora la tasa de que los LLM citen una fuente cuando se usa RAG “Adaptive” con varias reglas de actualización, re-ranking y bucle de feedback.

Los datos

• En 10 despliegues en producción, la tasa de citación con la KB del sistema (condición “B”) es 77,1% de media, con rango entre 74% y 81%
• Por despliegue, las tasas reportadas van de 76% (UEC Energy) y 74% (ABS Void Formwork; ABS Kör Kalıp) hasta 81% (Filmfolk) en el set de 10
• En pruebas A/B embebidas, el control es LLM sin contexto externo (RAG apagado) y el tratamiento es LLM con RAG; la métrica de citación vale 1 solo si la respuesta del LLM cita literalmente una fuente entregada por el sistema
• La concordancia entre evaluadores humanos para esa métrica es alta: el acuerdo (Cohen’s Kappa) se mantuvo continuamente por encima de 0,85

Conclusión del estudio

El estudio muestra que, en entornos reales, un sistema RAG con mecanismos de calidad de contexto (incluyendo re-ranking, “freshness” y feedback) logra que los LLM citen una fuente en alrededor de 77,1% de las respuestas, frente al escenario sin contexto externo (según el planteamiento A/B).

Qué dice

El estudio analiza, con casos y datos de Apple, Coca-Cola y Walmart, qué herramientas de promoción (RMN, social commerce e IA) se aplican de forma distinta según la etapa del ciclo de vida del producto y qué resultados generan.

Los datos

• Apple: durante el lanzamiento del iPhone en 2007 (precio de 499 USD), para mediados de enero de 2008 se vendieron 4 millones de dispositivos y la acción subió de 85 a 179 USD
• Apple: en la fase de saturación, la campaña de Face ID del iPhone 15 bajó la tasa de engagement de 5.0% en la primera semana a 2.0% en la cuarta
• Walmart (fiscal 2T 2024): Walmart Connect creció un 36%, la facturación anual en publicidad llegó a 4.4 mil millones USD ( +27% interanual) y la publicidad explica casi un tercio del beneficio operativo; además, el número de anunciantes subió 60% y las marcas reportaron +30% en ROAS de media
• Social commerce: pronostican que las ventas en redes sociales en EE. UU. llegarán a 87.02 mil millones USD en 2025; TikTok Shop mostró +407% de crecimiento de ventas en EE. UU. en 2024, y su facturación esperada sería 15.82 mil millones USD en 2025
• Gamificación interna: solo el 29% de los managers de ventas dice que sus empleados usan los sistemas CRM al nivel requerido; el estudio menciona que Microsoft implementó FantasySalesTeam para aumentar la implicación y correlacionarlo con crecimiento de ventas (sin dar un porcentaje de mejora adicional)

Conclusión del estudio

El estudio concluye que la IA/algoritmos y la hiperpersonalización se vuelven más necesarios cuando el producto entra en saturación (p.ej., cae el engagement con mecánicas tradicionales), y que las promociones ligadas a datos verificables (RMN con atribución transaccional) y al comportamiento inducido por plataformas (social commerce) muestran los mayores efectos medibles en sus respectivos contextos.

Qué dice

El texto no es un estudio sobre por qué las IA citan fuentes: describe un sistema anti-scraping (Anubis) que usa prueba de trabajo y depende de JavaScript para bloquear a bots, indicando que la automatización puede causar inaccesibilidad del sitio.

Conclusión del estudio

Con el texto proporcionado no se pueden extraer hallazgos sobre qué hace que ChatGPT/Perplexity/Gemini/Claude citen fuentes, porque no mide citaciones ni analiza comportamiento de IA; solo explica un mecanismo técnico anti-bot para proteger un servidor.

Qué dice

El estudio prueba si el “ego” (nudges que activan el autoconcepto) en newsletters B2B por email aumenta la tasa de clic (CTR) frente a formulaciones estándar, comparando dos sectores (revenue/contabilidad y RR. HH.).

Los datos

• El experimento fue un ensayo de campo aleatorizado con 2 newsletters B2B (Rechnungswesen y Personalwesen) y 6 tipos de “ego-nudges” repartidos en 6 olas de envío; la CTR se midió como variable dependiente
• En el newsletter de Rechnungswesen, la “Treatment group” mostró una distribución de frecuencias “ligeramente” más alta (no se da un porcentaje exacto)
• En el newsletter de Personal (RR. HH.) no se encontraron efectos de los “ego-nudges”
• El único indicio de efecto fue “casi estadísticamente significativo” en una sola ola de envío y en un newsletter con el “ego-nudge” específico: «Zukunft gestalten»

Conclusión del estudio

Los resultados muestran que la efectividad de mecanismos psicológicos tipo Choice Architecture para aumentar la CTR en emails B2B depende mucho del público: funciona, como mucho, de forma marginal y no consistente (solo en un sector y bajo condiciones puntuales), y en RR. HH. no se observa efecto.

Qué dice

El estudio analiza qué factores (tipo de apoyo a la investigación, composición de autores, tipo de institución del autor de correspondencia, área temática e impacto del journal) hacen que investigadores coreanos elijan licencias Creative Commons más abiertas o más restrictivas en 3.320 artículos open access publicados en revistas híbridas entre 2020 y 2024.

Los datos

• La muestra analizada es de 3.320 artículos (2020-2024) publicados en revistas híbridas open access
• Por áreas temáticas, “ciencias naturales” concentra el 46,36% (1.539 artículos) y “ingeniería/tecnología” el 23,34% (775); “sociales” tiene solo 3 artículos (y 0 en humanidades)
• El tipo de licencia más usada es la más abierta “CC BY”, y es la opción base en el análisis; el estudio también muestra que en general se prefieren licencias más restrictivas cuando el journal tiene más impacto
• En apoyos a la investigación: 53,64% (1.781) son con apoyo en Corea, 16,05% (533) con apoyo solo en el extranjero, 15,18% (504) mixto (Corea+extranjero) y 15,12% (502) sin apoyo o sin mención
• Hallazgos clave de relación: incluir autores internacionales aumenta la probabilidad de usar licencias CC más abiertas, mientras que publicar en revistas con mayor “impact factor” se asocia a elegir licencias CC más restrictivas

Conclusión del estudio

Con los datos de 3.320 artículos, el estudio demuestra que la “apertura” de la licencia CC elegida por investigadores coreanos no depende solo de que sea open access: cambia de forma sistemática con la presencia de coautores internacionales y con el nivel de impacto de la revista (a mayor impacto, más restrictivo; con autores internacionales, más abierto).

Qué dice

El texto es de un capítulo de un libro de Springer Nature sobre “Führen im Zeitalter der Künstlichen Intelligenz” (etapa 1: “Verstehen”), pero no muestra en el fragmento ningún experimento, recuento de citas de IA ni resultados cuantificados sobre qué hace que ChatGPT/Perplexity/Gemini citen fuentes.

Los datos

• No aparecen medidas ni números propios del estudio (no hay porcentajes, tasas de citación, ni conteos de fuentes citadas por IA) en el texto proporcionado
• El fragmento incluye una lista larga de referencias bibliográficas, pero no incluye el método del estudio ni evidencia de que se haya analizado el comportamiento de citación de IAs
• Se indica metadato editorial del capítulo (p. ej., publicado el 11 January 2026 y DOI 10.1007/978-3-658-50104-4_5), pero no se aportan datos de citación por IA

Conclusión del estudio

Con el texto que compartiste, este capítulo no demuestra con datos qué factores hacen que una IA cite una fuente: solo aporta metadatos editoriales y referencias, sin resultados medidos.

Qué dice

El artículo analiza cómo se transforma la industria de PR con la llegada de algoritmos y IA, y qué retos plantea para los especialistas sobre el futuro de la profesión.

Los datos

• El texto proporcionado solo incluye el resumen y metadatos: no aparecen mediciones, análisis de citas de IA ni resultados cuantitativos del estudio (no hay % u otras cifras)
• El artículo se identifica como: Vol 6, No 5 (2026), páginas 210–214, DOI 10.62257/2782-5329-2026-5-210-214
• La “investigación” descrita en el resumen se centra en tendencias de transformación del PR, direcciones de cambio tecnológico y retos de profesionales en “la era de algoritmos”, pero sin detallar un corpus ni un experimento de citas por IA

Conclusión del estudio

Con el material compartido (resumen y metadatos) este estudio no demuestra nada medible sobre qué hace que una IA cite una fuente: no hay datos, pruebas ni porcentajes sobre patrones de citación. Aporta contexto conceptual sobre retos de PR con algoritmos, pero no evidencia directa para “citación por IA”.

Qué dice

El texto es un сборilto de actas de una conferencia (2026) y no contiene un estudio que mida qué factores hacen que las IA citen una fuente: solo lista contenidos, autores y una nota sobre que los textos completos están disponibles en Elibrary.ru.

Conclusión del estudio

Con este material no se puede concluir nada sobre qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen una fuente, porque no hay datos, mediciones ni resultados del tipo “cuántas citas” o “qué características correlacionan con la citación”.

Qué dice

El texto que compartiste no contiene resultados del estudio: solo aparece el título del paper y el pie de página de IEEE Xplore, así que no se puede saber qué midieron ni qué encontraron sobre por qué las IA citan fuentes.

Conclusión del estudio

Con el material disponible no es posible extraer hallazgos concretos (porcentajes, conteos o patrones medidos) sobre qué hace que ChatGPT/Perplexity/Gemini/Claude citen una fuente, porque no hay datos en el texto proporcionado.

Qué dice

El estudio analiza, en el caso de una firma legal (Mannheimer Swartling), cómo varias descripciones generadas por IA a partir de prompts reflejan o cambian la imagen y la identidad de marca que la empresa pretende comunicar.

Los datos

• El estudio genera y revisa descripciones de la empresa usando 5 “personas” distintas (respuestas dependientes del perfil)
• Encuentra que algunas descripciones de IA se alinean con la marca corporativa intencional, pero otras “reconstruyen” la marca basándose en fuentes externas (es decir, no solo en el posicionamiento deseado por la firma)
• El trabajo reporta reconstrucciones de marca que dependen de la persona (cambia el encaje con la marca según el perfil usado en el prompt)
• Se observan estereotipos y generalizaciones por parte de la IA, además de “relleno de huecos” (gap-filling)
• También detecta alucinaciones/errores y exclusión de información: la IA puede inventar o equivocarse y, además, omitir datos en sus respuestas

Conclusión del estudio

Con los datos del caso, el estudio demuestra que las descripciones generadas por IA pueden tanto acercarse como desviarse de la imagen e identidad de marca pretendidas por la empresa, y que contribuyen activamente a construir esa percepción externa (no solo la repiten).

Qué dice

El estudio revisa 38 trabajos y compara señales de confianza (y su “manipulabilidad”) para ver cuáles terminan siendo recompensadas por motores generativos al recomendar productos, y cuáles casi no se han probado.

Los datos

• En un estudio con 55.936 consultas, 37% de los dominios citados por motores tipo LLM aparecen solo en sistemas basados en LLM (no en el flujo tradicional de búsqueda)
• En experimentos de edición de descripciones hechas por IA, se observan ganancias de cuota de mercado en 33% de los experimentos (entre +3,66 y +14,89 puntos porcentuales)
• En pruebas de “reseñas falsas” generadas por LLM, la detección por humanos queda en 50,8% de precisión (nivel cercano al azar) y los modelos LLM generales no mejoran ese resultado
• En un análisis comparativo de 5 plataformas, el contenido social (Reddit, foros, reseñas de usuarios) explica 0% de las citas en la mayoría de categorías de producto en ChatGPT, frente a 10%–23% en Google Search tradicional
• Presencia en plataformas de reseñas tipo Trustpilot/G2/Capterra se asocia con ~3× más citas de ChatGPT frente a no estar en esas plataformas

Conclusión del estudio

El estudio concluye que las señales que los motores generativos parecen recompensar en descubrimiento de productos son justo las más fáciles de fabricar (o manipular), mientras que las señales más resistentes a la manipulación están poco o nada validadas en contextos de GEO/IA.

Qué dice

El estudio analiza si añadir Schema.org (JSON-LD) en páginas de producto cambia la visibilidad con la que una tienda aparece citada por ChatGPT, usando 20 prompts y midiendo antes y después de implementar el marcado en una sola tienda de e-commerce (4 productos).

Los datos

• La tienda aparece en 9 de 20 respuestas tanto antes como después (presencia binaria sin cambios: 9/20 en T0 y 9/20 en T1)
• La posición media de la tienda en las respuestas mejora de 4.45 a 1.78 tras implementar el JSON-LD
• La visibilidad con ranking (nDCG@3) sube de forma significativa bajo dos escenarios de descuento: +133% y +339%
• El número de URLs citadas se mantiene estable (no cambia) entre T0 y T1

Conclusión del estudio

El estudio demuestra que Schema.org JSON-LD en páginas de producto no aumenta la probabilidad de que la tienda sea citada por ChatGPT, pero sí mejora claramente lo prominente que aparece dentro de la respuesta (mejor puesto y mayor visibilidad nDCG@3), sin alterar cuántas URLs se citan.

Qué dice

El estudio analiza, con datos de encuestas y literatura, cómo cambian las consultas en IA cuando las hace un cuidador (tercera persona, decisión en nombre de otro) y por qué esas preguntas encajan peor con las fuentes que suelen citar las IA.

Los datos

• En EE. UU., cerca de 1 de cada 4 adultos (63 millones) actúa como cuidador de alguien con una condición médica o discapacidad (dato AARP/National Alliance for Caregiving, 2025)
• Un análisis nacional (Health Information National Trends Survey) encuentra que los cuidadores son más propensos que no cuidadores a buscar salud en nombre de otros y a reportar que su búsqueda más reciente servía “a la vez” para ellos y para otra persona: 43% vs 21% (aprox.)
• Una revisión en 2022 que sintetiza 28 estudios concluye que los cuidadores hacen búsquedas proxy de forma más frecuente y sostenida que los no cuidadores (medido como patrón de conducta en los estudios revisados)
• En una encuesta de Pew (octubre 2025), el 22% de los adultos en EE. UU. obtiene información de salud de chatbots de IA al menos a veces, y solo el 18% de quienes han recibido esa información la describen como “muy o extremadamente” precisa
• En un estudio de conducta digital proxy (encuesta nacional de 2025), alrededor de 1 de cada 3 cuidadores que gestionan cuentas de un paciente/beneficiario lo hace de forma informal sin permisos formales: estimado de 18 millones de adultos; dentro de estos, más de la mitad conoce las credenciales y cerca de un tercio usa la cuenta sin que el titular esté presente

Conclusión del estudio

El estudio muestra que la menor citación por IA no depende solo de “si el contenido es clínicamente correcto”, sino de si encaja estructuralmente con la consulta: las preguntas de cuidadores (tercera persona, decisión y escalado de urgencia) combinan peor con el tipo de contenido que domina la web (primera persona del paciente), lo que crea una “brecha de visibilidad” para cuidador.

Qué dice

El estudio compara, para 11.500 consultas reales y variaciones, qué fuentes citan/usan Google (SERP), Google AI Overviews (AIO) y Gemini 2.5 Flash, y mide en qué se diferencian y cuán consistentes son.

Los datos

• En el 51.5% de las consultas reales del dataset, se genera una AIO y se muestra por encima de los resultados orgánicos de Google
• Las fuentes que recuperan SERP, AIO y Gemini son muy distintas entre motores: la similitud media con la métrica Jaccard queda entre 0.11 y 0.18 (y reportan <0.2 en promedio)
• Las AIO recuperan significativamente menos contenido de sitios populares y de instituciones de educación o gobierno; además, cuando un sitio bloquea el rastreador de IA de Google, esas webs son significativamente menos recuperadas por AIOs (aunque el contenido esté disponible)
• La generación es sensible a la consulta: las AIO son menos consistentes entre dos ejecuciones de la misma consulta y menos robustas ante cambios menores en el texto de la consulta (sintaxis/ediciones pequeñas)

Conclusión del estudio

Con estos datos, el estudio muestra que cuando una IA (AIO o Gemini) responde, no solo resume: cambia sustancialmente qué fuentes se recuperan y cita, y además lo hace de forma menos consistente y más dependiente de detalles de la consulta que el buscador tradicional.

Qué dice

El estudio analiza un nuevo tipo de ataque en sistemas RAG con agentes para preguntas multi-hop (ChatGPT/Claude/Gemini/otros), y mide cómo esa “saliencia” puede cambiar el razonamiento aunque las citas recuperadas sean verdaderas y no haya instrucciones maliciosas.

Los datos

• Con un presupuesto de edición del 30%, la inducción de saliencia logra un 83,3% de éxito del ataque (ASR)
• La defensa baseline más fuerte evaluada deja un 75,7% de ASR después de la defensa
• La defensa de entrada “Salience Normalization” reduce el ASR a 15,3% con ataques estándar y a 23,6% con un ataque adaptativo

Conclusión del estudio

Este estudio demuestra que filtrar solo por verdad de las fuentes y por “instrucciones” no basta: aunque lo recuperado sea correcto, una alteración de saliencia (posición, énfasis, framing o proximidad semántica) puede redirigir el encadenado multi-hop y lograr altas tasas de ataque.

Qué dice

Este estudio revisa evidencia sobre cmo los agentes de IA cambian el viaje del cliente (antes, durante y despus de comprar) y cmo eso afecta qu marcas son citadas por sistemas de IA.

Los datos

• Identifica 3 efectos a lo largo del viaje: descubrimiento hiperpersonalizado y asistencia conversacional que "comprime" el conjunto de opciones; soporte transaccional con ayuda en tiempo real que "reduce friccin"; y orquestacin postcompra (recomendaciones, devoluciones y servicio) que influye en satisfaccin, lealtad y valor de vida del cliente
• Seala que la introduccin de AI Overviews en Google Search y acuerdos de acceso a datos con comunidades cambian qu informacin de marca se muestra y, por tanto, co puede citarse
• Afirma que existe variacin entre modelos sobre qu fuentes citan los sistemas de IA, lo que sugiere requisitos distintos de "visibilidad" segn la herramienta

Conclusión del estudio

El estudio concluye que las IA citan o muestran informacin de marca condicionada por cm00 los agentes gestionan el viaje del cliente (descubrimiento, compra y postcompra) y por cambios del ecosistema (AI Overviews y datos de comunidades), adems de que la eleccin de fuentes difiere segn el modelo.

Qué dice

El estudio analiza cómo el paso de Web 1.0 a Web 2.0 y Web 3.0 cambia la formación del discurso político en medios, y pone el foco en cómo las tecnologías (incluida la IA y sistemas de recomendación) influyen en qué temas y relatos llegan a la gente.

Los datos

• Usa una revisión por etapas: Web 1.0 (estructura “uno a muchos” y poca interacción), Web 2.0 (más participación y agendas “de abajo arriba”), y Web 3.0 (alivio/filtrado mediante algoritmos, burbujas de información y agentes de IA)
• En un piloto sobre un agente de IA (Glif) en la app Yandex Zen: participaron n=42 usuarios con perfiles distintos; se les dio acceso a 10 temas de noticias con interpretaciones mediante el botón “¿qué significa esto?” y la mayoría de respuestas tenían tono emocional neutral incluso cuando el texto original era muy expresivo
• En la comprobación de muestreo de cómo cambian las interpretaciones: el estudio afirma que el “tema vigente” afecta la respuesta de Glif y da un ejemplo del 20 de mayo de 2026, donde la interpretación pasó de una formulación más limitada a una expansión que además menciona diferencias en el enfoque de la UE ante la crisis de Ucrania (sin explicar causalidad)
• Comparan reglas de recomendación/orden en varios servicios (Telegram, VK, Max, Instagram (bloqueado en Rusia), etc.) y reportan cambios clave: por ejemplo, Instagram prioriza contenidos de alto componente emocional para aumentar participación (se describe como “filtrado invisible”)
• Citan un estudio del que extraen un dato directo sobre “Arab Spring”: al analizar 3 millones de tuits con la etiqueta “Jan 25”, la mayoría de usuarios no pertenecía ni a la región ni al país origen de esa etiqueta

Conclusión del estudio

A partir de los datos del piloto con Glif y de la comparación de mecanismos de recomendación, el estudio muestra que en Web 3.0 la lógica de la conversación la determina la plataforma y la sustancia la define el “medio principal”, con poca diferenciación real entre usuarios aunque sus perfiles sean distintos.

Qué dice

El estudio propone una estrategia “Optimisation des Moteurs Génératifs (OMG)” para el periodo post-SEO, y compara cómo un contenido estructurado con esa lógica se adapta mejor a cómo las IA integran información en sus respuestas.

Los datos

• El artículo define un modelo OMG con 4 elementos: “Contenu Atomique”, una organización en formato Preguntas-Respuestas, un formato pensado para la extracción automática y “Renforcement Sémantique”
• Afirma que, en una “comparación detallada”, el contenido estructurado con los principios OMG “supera ampliamente” al contenido que sigue los principios antiguos de SEO cuando interactúa con sistemas generativos (sin cifras reportadas en el texto proporcionado)
• El texto enmarca el objetivo en que el contenido sea “identificado, extraído e integrado directamente” en las respuestas de IA (ChatGPT, Perplexity y Google AI Overviews se mencionan como ejemplos)

Conclusión del estudio

El estudio sostiene que pasar de optimizar para rankings en buscadores a optimizar para extracción e integración por sistemas generativos mejora el encaje del contenido con cómo citan o usan información las IA, según su comparación. Sin embargo, el texto que compartiste no incluye métricas numéricas (porcentaje, tamaño del efecto o número de pruebas) para cuantificar cuánto mejora.

Qué dice

El estudio analiza qué características de una consulta y del contenido (voz en primera vs tercera persona, contexto de cuidador) hacen que sistemas de IA citen o no una fuente, y lo aterriza con datos sobre cuidadores y su forma de buscar.

Los datos

• En una encuesta nacional (Health Information National Trends Survey), los cuidadores tuvieron más del doble de probabilidad que los no cuidadores de decir que su última búsqueda de salud fue para ellos y para otra persona a la vez: 43% vs 21%
• Un análisis 2022 de métodos mixtos que sintetiza 28 estudios concluye que los cuidadores hacen búsquedas de información “proxy” más frecuentes y sostenidas que los no cuidadores (por la responsabilidad percibida sobre el resultado de salud de otra persona)
• Una encuesta de Pew Research (octubre 2025) reporta que el 22% de los adultos en EE. UU. obtiene información de salud de chatbots de IA al menos a veces, y solo el 18% de los usuarios de esos chatbots describe esa información como “muy” o “extremadamente” precisa
• Un estudio nacional (EE. UU.) sobre comportamiento digital de proxy (2025) estima que unos 18 millones de adultos usan informalmente las cuentas médicas o financieras de un tercero sin permisos de proxy formales; entre estos proxies informales, más de la mitad sabe las credenciales de inicio de sesión y cerca de un tercio usa la cuenta sin que esté la persona presente
• Para 2025, Caregiving in the US (AARP y National Alliance for Caregiving) estima 63 millones de adultos estadounidenses (casi 1 de cada 4) cuidando de forma continua a un adulto o a un niño con condición médica o discapacidad

Conclusión del estudio

El estudio muestra que la citación desde sistemas de IA depende mucho del encaje estructural entre la consulta y el contenido: cuando las consultas del cuidador están en tercera persona y con lógica de decisión “proxy”, el contenido de enfermedad escrito mayoritariamente en primera persona del paciente encaja peor y queda menos visible para que la IA lo cite.

Qué dice

El estudio revisa evidencias sobre cómo el aviso de que un anuncio fue generado con IA (vs. no avisarlo) cambia la confianza del consumidor y qué efectos económicos y de reputación aparecen en publicidad.

Los datos

• Encontraron un efecto llamado “trust penalty”: el hecho de revelar directamente que se usó IA reduce de forma significativa el nivel de confianza en el mensaje publicitario
• El tamaño del impacto del “trust penalty” varía según la categoría de producto y las características de la audiencia
• Reportan que el efecto es más fuerte en categorías emocionalmente intensas (lujo, cosmética, arte) que en bienes más utilitarios
• El texto indica que el efecto (menos confianza) se asocia a una caída en la intención de compra, el impago de la imagen de marca y la confianza en la marca (en el encadenamiento “autenticidad percibida → confianza → intención de compra/imago”)

Conclusión del estudio

Con los datos compilados, el estudio sostiene que informar sobre el uso de IA en publicidad tiende a erosionar la confianza y que esa confianza actúa como eslabón clave entre el uso de IA y la eficacia económica final. También muestra que el daño reputacional no depende solo de la tecnología: depende de cómo la empresa la aplica (responsable, transparente y con control humano).

Qué dice

El trabajo analiza, a partir de respuestas generadas por ChatGPT, Gemini, AI MODE, AI Overviews y Google, cómo esos sistemas organizan y sintetizan la información para distintas intenciones de búsqueda, y qué significa eso para el posicionamiento orgánico de marcas en Google.

Conclusión del estudio

Con el texto disponible no se aportan resultados medibles (por ejemplo, porcentajes de citas, frecuencia por dominio o diferencias entre sistemas). El estudio plantea el análisis de cómo se redacta y sintetiza la información, pero no se ve en el extracto qué patrones concretos encontró.

Qué dice

El paper propone un marco para explicar cómo el contenido generado por IA puede influir en la confianza del consumidor y la “autenticidad de marca”, especialmente para emprendedores y marcas sostenibles, pero es conceptual (no reporta mediciones empíricas).

Los datos

• No incluye datos numéricos ni resultados medidos: el estudio es una propuesta conceptual con tres capas (Generation, Perception, Outcome)
• Plantea como mecanismo central el “Authenticity Dilution Effect” (el exceso/oversaturación de señales de autenticidad generadas por IA reduce gradualmente su credibilidad), pero sin cuantificar el efecto
• Afirma que, para marcas sostenibles, el desafío se “complica” porque los consumidores ya son escépticos al greenwashing y por eso exigen más al evaluar reclamaciones de sostenibilidad generadas o presentadas mediante IA
• Recalca que en pymes/emprendedores la diferenciación auténtica puede ser ventaja competitiva… pero que simular autenticidad con IA puede “neutralizar” esa ventaja (sin cifras)

Conclusión del estudio

El paper demuestra, con un razonamiento conceptual, que la confianza y la autenticidad percibidas no dependen solo de “parecer humano”, sino de que las señales de autenticidad generadas por IA pueden perder credibilidad si se vuelven demasiado frecuentes u “homogéneas”. También sostiene que, en sostenibilidad, el escepticismo previo del usuario hace que las señales de autenticidad por IA sean más vulnerables.

Qué dice

El estudio analiza si implementar Schema.org (JSON-LD) en una tienda e-commerce afecta a que ChatGPT cite la tienda y, sobre todo, a qué tan arriba aparece dentro de sus respuestas, midiendo 20 prompts de intención de compra antes y después.

Los datos

• La tienda apareció en 9 de 20 respuestas antes (T0) y también en 9 de 20 después (T1): la “presencia” binaria no cambió
• La posición media de la tienda en las respuestas mejoró de 4.45 (T0) a 1.78 (T1)
• La visibilidad medida con nDCG@3 subió de forma significativa en dos especificaciones de descuento: +133% y +339%
• El número de URLs citadas se mantuvo estable entre T0 y T1 (no cambió)

Conclusión del estudio

Este estudio demuestra que Schema.org no aumenta la probabilidad de que una tienda sea citada por ChatGPT en este caso, pero sí mejora claramente lo prominente que queda su citación dentro de la respuesta (mejor ranking/visibilidad), sin afectar cuántas URLs cita.

Qué dice

El estudio investiga cómo una herramienta de sugerencias de palabras clave puede aumentar el tráfico orgánico de KAIA Media.id y qué tan útil resulta para generar ideas de keywords alineadas con búsquedas.

Los datos

• El trabajo desarrolla y prueba una aplicación “Keyword Tool Suggestion” para generar sugerencias de palabras clave basadas en tendencias y en el funcionamiento de motores de búsqueda
• No reporta cifras del efecto en tráfico orgánico: el texto indica “Downloads Download data is not yet available”
• Se plantea que la herramienta produce “opciones de alta oportunidad” para palabras clave relevantes para el público objetivo, pero no aporta métricas (porcentaje de mejora, volumen de búsquedas, ni incremento de rankings) en el texto recibido

Conclusión del estudio

Con los datos presentados, el estudio solo muestra que construyen y validan una herramienta para generar sugerencias de keywords, y afirma que el enfoque de optimización por palabras clave ayuda al crecimiento orgánico, pero no mide resultados concretos en el texto proporcionado.

Qué dice

El estudio analiza qué factores hacen que una marca sea incluida y posicionada en las respuestas generadas por IA (ChatGPT, Perplexity, Gemini, Claude, etc.), midiendo especialmente cómo cambios en optimización a nivel de “pasajes” afectan la probabilidad de aparecer en esas respuestas.

Los datos

• En interacciones de búsqueda, el peso de la búsqueda mediada por IA pasa de “menos del 10% en 2023” a “aproximadamente 30% a inicios de 2026”
• El estudio afirma que ChatGPT procesa “más de 2.000 millones de consultas al día” y tiene “unos 800 millones de usuarios activos semanales”; además, Gemini supera “750 millones de usuarios activos mensuales”
• Un estudio “Princeton GEO” (citado por el paper) encuentra que optimizar solo la fluidez (“fluency optimization”) mejora la visibilidad de pasajes entre “15% y 30%” según el tipo de consulta
• El estudio “Princeton-Georgia Tech” que el paper detalla prueba “9 estrategias” sobre “10.000 consultas” y encuentra que añadir estadísticas relevantes aumenta la visibilidad “hasta un 40%” (la intervención más efectiva)
• En ese mismo experimento, la técnica de keyword stuffing muestra “mejora” considerada “negligible” (insignificante)

Conclusión del estudio

Según los datos que aporta el paper, la visibilidad en respuestas de IA depende menos de “rankear” una página completa y más de que los pasajes sean recuperables y extractables, y de que incluyan señales verificables (como estadísticas y citaciones). En concreto, las mejoras sobre legibilidad de pasajes y el uso de estadísticas relevantes se asocian con saltos de visibilidad medibles (15–30% y hasta 40%).

Qué dice

El paper investiga si instrucciones ocultas dentro de un manuscrito pueden manipular evaluaciones hechas por IAs (ChatGPT y Gemini) en un flujo de revisión tipo “sube el PDF a un chatbot”, y también si esas mismas técnicas sirven para detectar manipulación.

Los datos

• En experimentos con 100 artículos de OpenReview, generaron 42.000 salidas del modelo (5 ejecuciones por condición)
• Con instrucciones ocultas ofensivas, la “manipulación positiva”, la “negación/refusal” y la “redirección a un sitio externo” superan el 98% de éxito en ambos sistemas (ChatGPT y Gemini)
• Las marcas de agua funcionan bien pero menos: alcanzan 94,27% en ChatGPT y 88,17% en Gemini
• La “manipulación negativa” está casi al 100% en ChatGPT, pero es menor en Gemini (el paper lo describe como cerca del techo en ChatGPT y más baja en Gemini)
• La vulnerabilidad cambia según el diseño del payload y la posición de la instrucción dentro del documento, y también según el modelo usado

Conclusión del estudio

Los resultados muestran que, en este flujo de revisión, las IAs no separan de forma fiable el contenido del manuscrito de las instrucciones ocultas: lo llaman “contextual blindness”. Por eso, la IA puede ser guiada o hacer redirecciones por texto incrustado, lo que pone en riesgo la validez de revisiones asistidas.

Qué dice

El artículo investiga cómo aplicar generative engine optimization (GEO) para controlar cómo una marca y propiedades de real estate comercial aparecen en respuestas de búsqueda generativa, proponiendo un “contorno” del proceso y métricas para evaluar menciones, atribución de fuentes y riesgo de errores.

Los datos

• El estudio define métricas para separar 3 niveles en respuestas generativas: visibilidad como mención, calidad como corrección/precisión y “confiabilidad” como capacidad de enlazar afirmaciones con fuentes
• El artículo propone evaluar para cada intención del usuario: (1) si la entidad (marca/propiedad) se menciona, (2) si existe atribución a fuentes y (3) si hay diferencias frente a datos “canónicos” del objeto; esas diferencias se tratan como “riesgo de errores” de representación
• Para validar los datos canónicos usa un conjunto de fuentes “S_e” construido con materiales considerados autoritativos en el dominio, y los desvíos entre fuentes se usan como indicador de riesgo de error
• La investigación no incluye evidencia empírica propia: no hay experimentos, resultados de encuestas ni mediciones directas; es un resumen estructurado de literatura y conceptualización posterior
• El artículo señala una limitación clave: la mayoría de sistemas generativos son “black box” y sus respuestas varían con ajustes, versión del modelo y con el contenido disponible en el índice de fuentes

Conclusión del estudio

Con base en la revisión de literatura, el estudio demuestra que ser “citado” por una IA no se reduce a aparecer en documentos, sino que depende de una cadena: qué fuentes recupera el sistema y cómo la generación las interpreta. Por eso propone medir separadamente mención, atribución y riesgo frente a datos canónicos, usando indicadores que reflejen esa dependencia.

Qué dice

El estudio analiza cómo lanzar y escalar funciones de IA generativa en productos B2B SaaS y qué impacto tiene la automatización de decisiones en métricas operativas (latencia, estabilidad de salida) y en costes al crecer la carga de usuarios.

Los datos

• En 2025, 88% de los encuestados dijeron que usaban IA de forma regular en al menos una función de negocio (dato citado en el artículo)
• El artículo plantea evaluar el rendimiento de la inferencia con métricas concretas de MLPerf Inference v5.0 para LLM: TTFT, TPOT, throughput y cost per request
• Para la arquitectura escalable, el estudio identifica como cuellos de botella de ingeniería la tail latency (p95/p99), token throughput y el cost per request
• El texto define controles de escalado y resiliencia a nivel de arquitectura: colas y smoothing (backpressure), circuit breakers y degradación controlada (por ejemplo: token caps, modelos de fallback o modo asíncrono)

Conclusión del estudio

Con los datos y métricas que usa el artículo, queda claro que para que una IA generativa sea “escalable” en un SaaS B2B no basta con el modelo: la automatización de decisiones debe traducirse en objetivos medibles de inferencia (latencia y estabilidad) y en costes por solicitud bajo carga, usando una plataforma de inferencia con gobernanza, observabilidad y degradación segura.

Qué dice

Analiza, con datos de benchmarks y encuestas, qué factores técnicos y operativos hacen que una infraestructura de inferencia de LLM (ChatGPT/Gemelos/Claude, etc.) sea eficiente y qué límites aparecen al ponerla en producción con alta demanda.

Los datos

• En contextos largos, el benchmark MLPerf Inference v5.0 muestra un salto grande de carga: por ejemplo Llama 3.1 405B usa ventana de contexto de 128.000 tokens, con 9.400 tokens de salida (implica mucha más demanda de memoria, ancho de banda y latencia que Llama 2 70B con 4.096 tokens de contexto)
• La escalabilidad práctica también está limitada por la densidad energética del data center: el paper cita que en 2025 la mayoría de operadores se queda por debajo del umbral de power density necesario para despliegues grandes de cargas de IA en racks de alta densidad (según Uptime Institute)
• En observabilidad, una encuesta (Grafana Observability Survey 2025) reporta que 95% de organizaciones usan métricas, 87% logs, 57% trazas y solo 16% profiling; además trabajan con 8 tecnologías de observabilidad en promedio y los equipos SRE con 18 fuentes de datos dentro de Grafana
• Por el lado económico, Deloitte Tech Trends 2026 indica que al pasar de pilotos a producción los costes de infraestructura de IA se vuelven un gran freno para escalar inferencia LLM, y que 86% de los encuestados espera que los presupuestos de infraestructura de IA aumenten en los próximos tres años

Conclusión del estudio

Este estudio demuestra que la eficiencia (y la capacidad de manejar picos) de la inferencia de LLM no depende solo del modelo, sino también de la arquitectura de servicio: batching, gestión de colas, uso de aceleradores, organización de memoria y madurez de observabilidad, todo condicionado por densidad del data center y costes.

Qué dice

El estudio hace un análisis bibliométrico de la literatura (2023–2026) sobre el paso de SEO a GEO para ver cómo evolucionan los temas y qué tipo de publicaciones dominan el campo al hablar de citaciones/visibilidad en respuestas de IA.

Los datos

• En Scopus, la búsqueda inicial con coincidencia exacta de frase dio 51 documentos; tras filtros por tipo de publicación/fechas y el proceso PRISMA, quedaron 32 (precisión post-filtro: 62,7%)
• De 32 documentos analizados, solo 1 se publicó en 2023; en 2024 sube a 14 y en 2025 se mantiene similar con 15 (campo en fase temprana, con salto rápido de interés)
• El 65,6% de la muestra (21 de 32) son trabajos de congreso, no artículos de revista (conferencia como vía principal de circulación del tema)
• El propio texto del estudio, apoyándose en otros datos citados, indica que las respuestas tipo AI Overviews aparecen en casi la mitad de las consultas monitorizadas y que el aumento interanual es del 58% (BrightEdge, 2026)
• También citado: en Google EE. UU., de 1.000 búsquedas solo 374 terminan con clic a páginas del “open web”; cuando la consulta activa AI Overviews, la tasa de “zero-click” llega a ~83% (SparkToro & Datos, 2024; Barenholtz, 2025)

Conclusión del estudio

Con sus 32 documentos del periodo 2023–2026, el estudio muestra que la literatura SEO→GEO todavía está en fase temprana (pocas publicaciones en 2023 y predominio de congresos), pero crece con fuerza desde que se popularizan ChatGPT y las AI Overviews, alineándose con la idea de visibilidad basada en citación dentro de respuestas de IA.

Qué dice

El estudio analiza qué hace que los motores generativos (tipo ChatGPT, Perplexity y Google AI Overviews) elijan y citen fuentes de marcas, y qué criterios de contenido favorecen esa citación frente al SEO tradicional.

Los datos

• Experimentos a gran escala en 28 idiomas (Chen et al., 2025): los sistemas de AI Search muestran un sesgo sistemático y marcado hacia earned media, fuentes de terceros y contenido de naturaleza editorial, frente a contenidos propios de las marcas
• Aggarwal et al. (2024): el estudio sostiene que ciertas estrategias de contenido aumentan la frecuencia con la que una fuente es citada en respuestas generadas (no da un % concreto en el texto que compartiste)
• McKenzie (2026): los sistemas generativos extraen fragmentos concretos y tienden a favorecer textos bien estructurados (secciones identificables y párrafos que funcionen de forma autónoma)
• Aggarwal et al. (2024): la inclusión de estadísticas y citas se asocia con mejor visibilidad en motores generativos (el texto no aporta una cifra exacta)

Conclusión del estudio

Con los datos que cita el artículo, la citación en motores generativos depende menos de “estar rankeado” y más de ser una fuente creíble y reutilizable: el estudio muestra un sesgo hacia earned media/terceros y, además, que la citación mejora cuando el contenido está estructurado y respaldado por datos verificables.

Qué dice

El estudio compara, con una encuesta a 266 personas, cómo valoran las personas las búsquedas en buscadores tradicionales (Google/Bing) frente a herramientas de IA generativa (tipo ChatGPT) en búsquedas informativas, y qué factores explican esa intención de uso.

Los datos

• La encuesta es cuantitativa con 266 participantes (n = 266)
• Los buscadores tradicionales reciben valoraciones significativamente más altas en: utilidad percibida, facilidad de uso, confianza en la información e intención de uso
• Las herramientas de IA generativa puntúan más alto en: disfrute percibido; además se perciben con menos sobrecarga de información y con menos resultados irrelevantes
• La información generada por IA se verifica con más frecuencia usando fuentes adicionales
• No se encuentran diferencias significativas en: confianza en la tecnología, satisfacción ni actitud general hacia el uso

Conclusión del estudio

Con los datos de este estudio, la IA generativa no muestra señales de sustituir a corto plazo a los buscadores tradicionales en búsquedas informativas: los usuarios las usan con lógicas distintas (complementarias). El motivo no es “qué tecnología gusta más” a nivel general, sino que cambian los impulsores: utilidad/confianza favorecen a buscadores y disfrute/menos irrelevancia favorecen a la IA, además de empujar a verificar más lo que genera la IA.

Qué dice

El paper presenta AutoGEO para aprender qué contenidos “gustan” a motores de búsqueda generativos (tipo Google AI overview y ChatGPT) y reescribir páginas para ganar “tracción” usando consultas reales de usuarios.

Los datos

• Entrena las preferencias pidiendo a “frontier LLMs” que expliquen preferencias de los motores generativos y luego extrae “reglas de preferencia” desde esas explicaciones
• Evalúa AutoGEO en GEO-Bench estándar y en 2 benchmarks nuevos basados en “real user queries”
• Afirma que AutoGEO mejora la tracción del contenido mientras mantiene la utilidad de la búsqueda (search utility) en sus experimentos
• Incluye análisis de que las reglas aprendidas son “robustas” y capturan preferencias distintas en dominios variantes

Conclusión del estudio

El estudio concluye que se puede predecir y aplicar qué prefiere un motor de búsqueda generativo mediante reglas aprendidas por LLMs a partir de explicaciones, y que esas reglas se traducen en mejoras de tracción sin degradar la utilidad de búsqueda, según sus pruebas con consultas reales.

Qué dice

El estudio hace un mapeo bibliométrico (32 trabajos, 2023-2026) sobre cómo pasa la visibilidad de SEO a GEO y qué autores/temas dominan esa transición, usando análisis de palabras clave y redes de coautoría.

Los datos

• El corpus final incluye 32 documentos (de 51 recuperados inicialmente en Scopus): 40 tras filtros y 32 tras aplicar PRISMA 2020 (precisión 62,7% post-screening)
• Solo 1 documento fue publicado en 2023; en 2024 sube a 14 y en 2025 se mantiene en niveles similares con 15 (datos 2026 parciales, recogidos en marzo 2026)
• El 65,6% del corpus son papers de congreso: 21 de 32 (frente a artículos)
• Para GEO/SEO con búsquedas por frase exacta: en Web of Science, la consulta TS devuelve 138 resultados pero solo 3 (2,2%) resultan relevantes; en Scopus, con frase exacta, 51 y se quedan 32 (según el proceso descrito)

Conclusión del estudio

A partir de sus datos, el estudio muestra que el campo SEO→GEO todavía está en fase temprana (poca producción en 2023, salto fuerte en 2024-2025) y que su conversación académica se concentra mayoritariamente en congresos, lo que sugiere una terminología y líneas de investigación en construcción más que un área ya consolidada.

Qué dice

El estudio modela y simula cómo los editores compiten por que una IA generativa les cite (atribución en la respuesta) y analiza cuándo ese sistema termina siendo estable o se vuelve inestable.

Los datos

• El trabajo contrasta “mecanismos que representan sistemas modernos en el mundo real” y concluye que esos mecanismos “son inestables”
• En cambio, identifica un tipo de mecanismo (sin dar cifras en el texto compartido) que “induce un ecosistema estable”
• Las simulaciones muestran un “interplay” entre estabilidad, bienestar de editores y bienestar de usuarios, y que los mecanismos estables “no necesariamente maximizan el bienestar”

Conclusión del estudio

Con base en su modelo y simulaciones, el paper demuestra que, en sistemas de IA generativa donde los editores compiten por atribución, la estabilidad del ecosistema depende del mecanismo usado por la plataforma, y que ser “citable” no implica que el sistema produzca siempre el mejor resultado social.

Qué dice

El estudio prueba, en recomendaciones generadas por Claude con Web-RAG, que tipo de ediciones sobre las mismas webs recuperadas consiguen que una IA suba un elemento elegido hasta el puesto 1 (y con qué frecuencia lo replica).

Los datos

• En dos modelos de Claude en produccion, SIREN logro rank 1 en 62 de 124 ensayos de tecnicas (en 8 contextos pregunta-modelo)
• Los payloads que llegaron a rank 1 se re-ensayaron en sesiones nuevas y reprodujeron el resultado con una tasa de exito media de 0.805
• El estudio usa un catalogo interpretable de 23 tecnicas de “content poisoning” para editar las mismas paginas recuperadas y medir el cambio en el ranking sin cambiar el conjunto de fuentes
• En general, afirmaciones declarativas de ranking y listas “sembradas” fueron mas efectivas que inyecciones en formato directivo, pero la magnitud de la diferencia dependio del modelo objetivo

Conclusión del estudio

Con el contexto de fuentes mantenido fijo (mismas paginas recuperadas y mismo orden), el estudio demuestra que editar contenido dentro de esas fuentes puede manipular de forma medible el ranking que genera el LLM, y que esos efectos se repiten en sesiones nuevas con exito medio 0.805.

Qué dice

El trabajo crea GEO Analyzer y mide la visibilidad del Máster en Big Data de ICAI en ChatGPT, Claude y Gemini usando 86 prompts, comparándola con competidores como UC3M y UPM.

Los datos

• Analiza 86 prompts × 3 modelos (ChatGPT, Claude y Gemini) para evaluar cómo se representa el máster en las respuestas
• Obtiene un Score GEO global de 2,4/10 para el Máster en Big Data de ICAI
• Detecta una “brecha estructural” de visibilidad orgánica frente a competidores (menciona UC3M y UPM) en los resultados del sistema

Conclusión del estudio

Con las mediciones del GEO Analyzer, el estudio muestra que la visibilidad orgánica de un programa formativo en respuestas de LLMs puede quedar significativamente por debajo de la de competidores, reflejándose en un Score GEO bajo (2,4/10). Además, demuestra que se puede medir y monitorizar esa visibilidad con un sistema reproducible para distintos programas.

Qué dice

El estudio analiza, con 30 consultas del sector y 285 enlaces citados, cómo las relaciones con medios (earned media) influyen en la visibilidad y en la probabilidad de que una IA cite una fuente en ChatGPT Search, Perplexity AI y Google Gemini.

Los datos

• De las fuentes citadas, el 86.7% correspondió a elementos de Generative Engine Optimisation estructurados; el 37.8% se atribuyó específicamente a datos numéricos directos, mientras que el texto no estructurado fue solo el 13.3%
• El volumen de citaciones por consulta varió según motor: Perplexity AI lideró con 4.20 citas por consulta
• Las menciones con alta autoridad (Domain Authority 80 a 100) generaron el 56.8% de todas las citaciones
• Se identificaron 101 menciones únicas de marca (de un total de 285 enlaces citados) mediante un muestreo de auditoría experimental sistemática

Conclusión del estudio

Según los datos del estudio, los motores de búsqueda generativos priorizan con consistencia el earned media de terceros que está estructurado para extraer información factual rápido, por encima del contenido corporativo autopublicado. Además, las fuentes con alta autoridad y los datos numéricos aparecen como especialmente favorecidos por la probabilidad de cita.

Qué dice

El estudio propone un método (QIO) para reescribir contenidos según la intención inferida del lector y medir si eso mejora la “visibilidad” en buscadores generativos, comparado con el contenido sin cambios.

Los datos

• No se aportan cifras concretas: el texto solo afirma que “se logró un aumento de visibilidad” frente al contenido sin modificar, pero no indica cuánto ni con qué porcentaje
• El método “funciona consistentemente bien” con “diferentes frases de la misma consulta”, pero no detalla cuántas variantes probaron ni el nivel de variación medido
• El texto describe que QIO identifica la intención del público objetivo, busca “huecos” de información que podrían interesarles y reescribe el contenido para cubrirlos (sin métricas numéricas asociadas)

Conclusión del estudio

Con los datos que da el documento (solo en forma cualitativa en el texto incluido), QIO mejora la visibilidad en buscadores generativos frente a dejar el contenido igual y lo hace de manera robusta ante reformulaciones de una misma consulta. Aun así, en el material compartido no aparecen números, así que no se puede cuantificar el impacto ni su magnitud real.

Qué dice

El texto compartido no es el estudio en sí, sino el encabezado/páginas de IEEE Xplore, así que no permite identificar qué investigó ni qué resultados midió.

Conclusión del estudio

Con el material proporcionado no es posible extraer hallazgos cuantificables sobre qué hace que una IA cite una fuente, porque no aparecen objetivos, método ni resultados del paper.

Qué dice

El estudio mira cómo recuperar visibilidad y leads para una marca (Nook, coliving premium en Indonesia) cuando Google AI Overview reduce los clics orgánicos, probando una estrategia donde TikTok financia la “awareness” y empuja búsquedas con marca.

Los datos

• Tras AI Overview, en Nook cayeron los clics del blog un 59.9% (a nivel URL/blog) mientras el sitio principal apenas se movió, y en 12 meses también bajaron impresiones orgánicas 9% y clics orgánicos 21.3%
• En una encuesta interna a 460 inquilinos, el 63% conocía la marca al menos un mes antes de reservar, señalando que el “tope del embudo” perdido por AI Overview impacta reservas semanas después
• El estudio define un experimento con presupuesto total plano: el gasto en TikTok awareness subió de USD 1,380 a USD 1,610 al re-cortar SEO (backlinks y contenido del blog a la mitad) y mantener el resto (incluida Instagram) estable
• En el Cycle 1 (diciembre 2025) TikTok reach subió 48.3% vs noviembre y las brand search impressions subieron 5%; aun así, los brand clicks bajaron 18.8% y SEO leads llegaron a ~10,400
• En el resultado de enero 2026, SEO leads alcanzaron un máximo histórico de 12,247, un +24.6% vs el baseline (promedio de octubre y noviembre 2025)

Conclusión del estudio

Con datos de dos ciclos (diciembre 2025 y enero 2026) en una única empresa, el estudio muestra que al mover presupuesto hacia TikTok (presupuesto total plano) aumentan las búsquedas con marca y los leads orgánicos, incluso cuando caen los clics del blog por el efecto de AI Overview.

Qué dice

El estudio propone un método de 12 pasos (GKAI) para establecer la “autoridad experta” digital de recursos web y que los sistemas de búsqueda generativa los citen, explicando qué etapas enlazan conocimiento, atribución y preparación para citas.

Los datos

• El paper es “conceptual y metodológico”: no ejecuta una implementación empírica, sino que construye GKAI a partir de síntesis documental y modelado estructural-funcional
• Define una secuencia reproducible de 12 etapas para construir la autoridad experta digital en entornos de búsqueda generativa
• Las etapas incluidas abarcan: dominio de autoridad, desarrollo de la posición del experto, arquitectura semántica, arquitectura de contenido, atribución por expertos verificados, optimización de citación generativa, alineación con grafo de conocimiento, refuerzo de señales de autoridad y reconocimiento de autoridad por IA
• Incluye que la “autoridad” se evalúa y alinea usando indicadores económicos, institucionales y regulatorios (no solo calidad textual)

Conclusión del estudio

Este estudio demuestra que la cita en búsqueda generativa no se trata solo de que el contenido “sea bueno”, sino de que el recurso web tenga una autoridad experta digital construida y empaquetada para ser interpretada y atribuida (por expertos verificables y estructura semántica/conocimiento).

Qué dice

El estudio analiza, en turismo de Vietnam, cómo distintas plataformas de búsqueda con IA generativa (ChatGPT, Perplexity, Gemini, Google AI y Claude) muestran destinos y qué fuentes terminan citadas en sus respuestas.

Conclusión del estudio

Con el texto que compartiste no aparecen los resultados numéricos (solo el índice y la descripción del método), así que no se pueden extraer hallazgos concretos sobre “qué hace que citen” en base a cifras del estudio.

Qué dice

El estudio RADAR mide, en 166 países, si las IA pueden (1) explicar correctamente servicios públicos con fuentes oficiales (legibilidad informativa) y (2) llegar a esos servicios para usarlos con un agente automatizado (operabilidad).

Los datos

• En los 166 países, las puntuaciones de legibilidad informativa de RADAR superan a las de operabilidad de agentes, y ese hueco “no se reduce” con la riqueza nacional (es decir, no mejora la capacidad de acceso a la vez que mejora la explicación)
• El índice separa dos modos y los trata como problemas distintos: en el modo chat evalúa 20 servicios con conversaciones de 3 turnos, y en el modo agente evalúa 1 servicio con navegación automatizada del agente; ambos componen el resultado en dos tercios separados (en la tabla: 1/3 para legibilidad y 1/3 para operabilidad, con el resto distribuido por los otros componentes/runs del marco)
• En el modo chat, usaron 4 modelos (GPT-5, Claude, Gemini y DeepSeek) y luego puntuaron con LLM-as-judge; en total generaron 19.917 evaluaciones de jueces para calificar las respuestas
• Para el control de consistencia del “juez”, DeepSeek y Gemini fueron jueces distintos (ninguno juzga sus propias salidas) y se observó un sesgo fijo de leniencia: Gemini puntúa en promedio ~1,4 puntos más que DeepSeek (ej.: para GPT-5: 8,51 vs 7,04; para Claude: 7,44 vs 6,10)
• El estudio reporta dos patrones explicativos diferentes: que la legibilidad informativa se asocia con qué tan representado está el idioma administrativo principal del país en “corpus” web a gran escala (algo que el gobierno no cambia rápido), mientras que la operabilidad del agente se asocia con la presencia web del país (algo que el gobierno sí puede cambiar ahora)

Conclusión del estudio

Los datos de RADAR muestran que, tal como se mide aquí, las IA son mucho mejores describiendo servicios públicos que accediéndolos de forma operable por agentes. Además, el estudio demuestra que los factores que explican “que la IA lo sepa” y “que pueda llegar” son distintos y no se corrigen igual con el nivel de ingresos.

Qué dice

El trabajo estudia, para la web oaarc.vn de 618 Architects, qué aspectos de SEO se consideran para mejorar su rendimiento, pero en el texto proporcionado no se analiza explícitamente qué “fuentes” cita una IA ni cómo se relaciona con la citación.

Los datos

• El documento es una tesis de SEO para oaarc.vn en 618 Architects Company Limited (menciona el objetivo de “improve efficiency search engine optimization (SEO)”)
• Detalla el proceso de SEO con áreas concretas: SEO técnico (crawling e indexación, velocidad de carga, mobile friendly, UX/UI, structured data, sitemap, robots.txt), SEO on-page (estructura del sitio, title tag, meta description, ALT e imágenes, headings, URL, enlaces internos y externos, contenido) y SEO off-page (backlinks, offsite entity/social entity, local SEO)
• Define métricas de rendimiento a medir: organic traffic, SERP visibility, click-through rate, bounce rate, Domain Authority (DA), time on page, page load time y keyword ranking (aparecen como variables a evaluar)
• Indica una metodología de análisis con: análisis descriptivo, análisis de tendencias, análisis comparativo y análisis por eventos

Conclusión del estudio

Con el texto aportado, este estudio no demuestra nada cuantitativo sobre qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen fuentes: no aparecen mediciones, porcentajes ni resultados sobre citación por IA. Lo que sí muestra es qué componentes y métricas SEO se usan para evaluar/optimizar una web (oaarc.vn) en un contexto empresarial.

Qué dice

El texto reúne un estudio/revisión sobre qué impulsa que la gente emprenda con IA y plataformas digitales, pero no contiene datos medidos sobre “cuándo y por qué las IA citan fuentes”, solo menciona literatura previa sobre emprendimiento digital.

Los datos

• No hay métricas del estudio sobre citas por IA (por ejemplo, porcentaje de citas, tasa de citación, o diferencias por tipo de fuente/autor/website)
• El texto solo afirma resultados narrativos de estudios previos: por ejemplo, atribuye a Maryati y Masriani (2022) que el uso de redes sociales y mercados en línea “puede ser una estrategia efectiva” para competir con “modal relativamente pequeño”, sin cuantificar el efecto
• Cita varios trabajos (Gulo, Laia y Bello 2024; Zahra et al. 2024; Mu’minah et al. 2025; Maryati y Masriani 2022; Sinulingga 2024), pero no aporta números propios ni resultados con cifras del “comportamiento de citación” de ChatGPT/Perplexity/Gemini/Claude/Google AI
• La segunda parte del texto trata sobre marketing digital (funnel, métricas de vanidad, identidad visual) y tampoco presenta datos duros: no hay experimentos, porcentajes, ni comparativas con resultados

Conclusión del estudio

Con el material incluido aquí no se puede demostrar nada específico sobre qué hace que las IA citen una fuente, porque el texto no mide ni reporta datos sobre citación por IA; solo resume ideas y resultados cualitativos de estudios sobre emprendimiento digital.

Qué dice

El texto compara Perplexity y ChatGPT (y menciona otros estudios) para ver qué tan bien citan fuentes y qué tan fiables son sus respuestas, y en qué casos uno supera al otro.

Los datos

• Perplexity logra una “akurasi sitasi” del 97% en respuestas basadas en fuentes para preguntas de investigación (según el estudio comparativo citado en el texto)
• En pruebas de escritura larga, el texto afirma que ChatGPT entrega una salida “más suave y estructurada” que Perplexity (sin cifras)
• ChatGPT alcanza 58.6% en SWE-Bench Pro (métrico para resolución de problemas tipo GitHub en la vida real) y se menciona Codex Agent para codificación
• ChatGPT está descrito como con conocimiento actualizado hasta 2025, mientras que Perplexity se apoya en búsqueda web “real-time” para información más reciente (sin porcentaje)

Conclusión del estudio

Este texto sostiene que la razón principal por la que una IA cita mejor una fuente (y reduce el riesgo de información inventada) es su enfoque: Perplexity integra citación y búsqueda web en la respuesta, y por eso reporta 97% de precisión en sus citaciones; ChatGPT, aunque puede buscar, no incluye fuentes de forma automática según el propio texto.

Qué dice

El texto aportado parece ser una tesis sobre cómo mejorar el rendimiento de SEO del sitio de NAPA Global (Vietman/Korea University of Information and Communication Technology), pero no incluye resultados ni mediciones sobre por qué las IA citan fuentes.

Los datos

• La tesis define métricas SEO a evaluar: organic traffic, SERP visibility, CTR, bounce rate, page load time, conversion rate y time on the site
• Describe un proceso de SEO dividido en: keyword research y análisis, technical SEO, on-page SEO y off-page SEO
• En la parte técnica propone acciones específicas como: schema structured data, sitemap, robots.txt, reparación de enlaces rotos y DMCA
• También propone “create llms.txt file con guías de contenido específicas para IA” dentro de las mejoras de SEO técnico

Conclusión del estudio

Con el texto que compartiste no es posible concluir nada sobre cómo/por qué ChatGPT, Perplexity, Gemini, Google AI o Claude citan fuentes, porque no aparecen datos, experimentos, análisis o porcentajes relacionados con citaciones de IA. Lo único relevante de tu material para el tema de IA es que la tesis incluye la idea de un archivo llms.txt con guías para contenido orientado a IA, pero sin resultados medidos en el fragmento.

Qué dice

El estudio investiga cómo un “agente de búsqueda” basado en IA puede ser manipulado para citar o usar pruebas falsas a través de resultados web controlados durante consultas sucesivas, y mide la tasa de éxito del ataque en tests de SafeSearch.

Los datos

• Con Authority-Chain Hijack (ACH) el ataque logra el mayor Overall ASR: 55.9% (y además reporta 83.3% ASR en la métrica ASR/MaxN ASR en SafeSearch)
• En el split completo de test SafeSearch, ACH alcanza 55.9% / 83.3% ASR / MaxN ASR
• Con Trace-Guided Strategy Evolution (TGSE), la mejor configuración reportada llega a 71.4% / 95.0% en evaluación en held-out
• El paper plantea que con un modelo de amenaza “con intermediario” (herramienta interpuesta), con solo agregar un resultado controlado por consulta se puede aumentar de forma sustancial el éxito del ataque si las evidencias se coordinan a lo largo de la trayectoria del agente

Conclusión del estudio

Este estudio demuestra que no solo una página “envenenada” aislada puede afectar al agente: cuando la IA usa una interfaz de búsqueda mediada y hace consultas y comprobaciones en cadena, una manipulación pequeña y repetida puede convertirse en una “cadena de evidencia” coherente y elevar mucho la probabilidad de que el agente acabe usando contenido manipulado.

Qué dice

El estudio analiza por qué los productos acaban siendo citados/recomendados por interfaces de búsqueda con IA, y sostiene que esa “autoridad” puede ser fabricada mediante estrategias de optimización más que por mérito real.

Los datos

• En el trabajo citado como base (Aggarwal et al., 2024), la “inserción de citas, estadísticas y citas textuales” (señales de credibilidad en el contenido) fue lo que más movió la visibilidad en respuestas generadas; además, las tácticas clásicas de palabras clave tuvieron “efecto nulo o negativo” en la citación del modelo
• El artículo concluye que el resultado reportado por el sistema tiende a reflejar “el mejor optimizador” cuando varios competidores usan la misma estrategia, y no necesariamente “el producto mejor”
• Afirma que marcas retadoras pueden superar a incumbentes si ganan en señales de “autoridad” y claridad estructural (según Aggarwal et al., 2024), no por superar en la calidad del producto

Conclusión del estudio

El estudio muestra que la IA tiende a citar/recomendar en función de señales de autoridad que pueden ser manipuladas (p. ej., citas y estadísticas) y que, si la competencia optimiza igual, la “mejor respuesta” pasa a ser la del que optimiza mejor. Además, el impacto es especialmente fuerte donde no hay verificación independiente (“verification vacuum”), porque la IA no puede distinguir autoridad ganada de autoridad comprada.

Qué dice

El estudio audita, con un censo completo de 4.776 locales (cafés, restaurantes y bares en Canggu y Ubud, Bali), qué marcas y qué datos hacen que 2.208 respuestas de ChatGPT, Claude, Gemini y Perplexity recomienden esos sitios.

Los datos

• 85,6% de los locales nunca fueron recomendados por ninguno de los sistemas; incluso 72,6% tampoco fueron recomendados aunque fueran “establecidos” (con 50 o más valoraciones)
• Para entrar en las respuestas, la visibilidad se asocia con documentación: volumen de reseñas (OR 1,64), tener web propia (OR 1,92), mostrar precios (OR 1,54) y menciones en terceros (OR 1,44)
• La calidad/nota (estrellas) no aumenta la probabilidad de aparecer en la respuesta en ese primer paso: OR 0,89 (sin efecto positivo en el margen de entrada)
• Dentro de los locales que sí se recomiendan, el ranking cambia: las valoraciones/puntaje sí predicen mejor la primera posición (OR 1,17)
• Fabricación directa es rara (0,08% de menciones), pero el principal fallo práctico es “staleness”: los sistemas recomendaron locales permanentemente cerrados 93 veces; además, la coincidencia entre sistemas es baja (Jaccard top-20 entre 0,33 y 0,54)

Conclusión del estudio

Con un censo completo, el estudio demuestra que la cita/recomendación en asistentes de IA para locales locales no depende solo de “ser bueno”, sino sobre todo de señales públicas de información (reseñas, web propia, precios y menciones). También muestra que, cuando aparecen, las estrellas influyen más en el orden interno, y que los errores suelen ser de actualidad (locales cerrados) más que invenciones.

Qué dice

El texto no es un estudio sobre cuándo las IA citan fuentes; es un texto educativo que explica el programa “Simak, Reka, Raga (SIRAGA)” para aumentar el interés por la lectura en niños, usando pre-test y post-test, y con datos de mejora reportados por otro artículo.

Los datos

• El estudio citado (Prayoga et al., 2023) reporta que con “15 minutos antes de estudiar” y una mini-biblioteca en cada clase, el alumnado que lee más de 60 minutos al día sube su lectura un 33% (y se mide “minat baca”, según el texto)
• En ese mismo estudio citado, la “ketertarikan siswa dalam membaca” (interés por leer) sube un 64% y la “kesadaran membaca siswa” sube un 12.5%
• El programa SIRAGA usa un “PPT interaktif” como medio de medición, con “pre-test” y “post-test”
• El texto menciona que SIRAGA incluye temas y dinámica con juegos populares (ej.: Minecraft y Roblox) y que el PPT tiene efectos (como sonido de aplauso) cuando el niño acierta

Conclusión del estudio

Con los datos aportados, este texto no demuestra nada sobre qué hace que ChatGPT/Perplexity/Gemini/Google AI/Claude citen una fuente. Solo muestra resultados de un programa educativo para aumentar el interés lector y cómo se mide su impacto con pre-test y post-test.

Qué dice

El estudio mide, con datos de GA4, cuánto perjudica a una empresa nueva “la falta de marca” (tax on obscurity) y cuánto mejora un enfoque de automatización publicitaria y GEO en términos de consultas e impacto en resultados.

Los datos

• En un experimento con dos entidades (marca establecida vs empresa nueva) con estrategias pagadas iguales, la tasa de conversión en paid search fue 2.24% para la marca A vs 0.31% para la empresa B (7.2x)
• En redes tipo Google Shopping y Performance Max, para cohortes equivalentes la marca A logró 49 “Add to Cart” vs 2.5 para la empresa B (19.6x de diferencia)
• En tráfico directo (proxy de lealtad/recuerdo), el tiempo medio de sesión fue ~9 minutos para la marca A vs ~1 minuto para la empresa B (la brecha es 9.0x)
• En un meta-análisis de 5 cuentas multi-mercado (e-commerce, medical, home services), reportan un aumento agregado de 220.10% en “inbound inquiries”, bajan el CPA hasta el 80.15% del nivel histórico (reducción a 0.8015x del baseline), suben el valor transaccional total 225.42% y aumentan el ROI neto 124.45%

Conclusión del estudio

Con sus propios datos, el estudio muestra que la IA (en los flujos de compra y conversión ligados a la búsqueda y la navegación) refleja una ventaja clara de las marcas establecidas frente a empresas nuevas por una brecha cuantificable en conversión, engagement y señal de intención. Además, su enfoque combinado de automatización de pujas basadas en valor y GEO se asocia a mejoras grandes y medibles en consultas entrantes, CPA, valor transaccional y ROI en esas cuentas.

Qué dice

El estudio investiga qué señales de “confianza” hacen que las IA de compra/descubrimiento (ChatGPT, Perplexity, Gemini y similares) citen o recomienden productos, y mide cómo esas señales se comportan frente a manipulación y falsificación.

Los datos

• En un estudio con 55.936 consultas, el 37% de los dominios citados por buscadores de LLM son únicos de sistemas basados en LLM (no aparecen en la misma forma en rutas tradicionales)
• La optimización puramente “estilística” (tono/keyword stuffing/fluidez) logra mejoras mínimas o nulas: [1] prueba 9 estrategias y reporta que las de solo estilo rinden muy poco o cero, mientras que funcionan mejor las que aportan evidencia verificable
• En un experimento de manipulación a descripciones de producto, las ediciones generadas por IA aumentan la cuota de mercado en 33% de los experimentos ( +3,66 a +14,89 puntos porcentuales)
• En reseñas falsas con IA, la detección por jueces humanos se queda en 50,8% de acierto (prácticamente nivel de azar) y con modelos generalistas no mejora; con detectores entrenados específicamente se llega a 96–98% pero eso no está disponible en agentes de compra en producción
• En un estudio cross-plataforma, el contenido social (Reddit/foros/reseñas de usuarios) explica 0% de citas en la mayoría de categorías para ChatGPT, frente a 10–23% en Google Search tradicional; a la vez, tener presencia en plataformas de reviews tipo Trustpilot/G2/Capterra se asocia con ~3× más citas de ChatGPT vs no estar

Conclusión del estudio

El paper muestra que las señales que hoy suelen premiar las generadoras (y por tanto tienden a llevar a citas) son precisamente las más fáciles de fabricar, mientras que las señales más resistentes a la manipulación no están suficientemente probadas en el contexto real de descubrimiento por IA. También identifica las “credenciales verificables” criptográficas (W3C Verifiable Credentials) como la opción más prometedora para cerrar esa brecha, alineada con el Digital Product Passport europeo que exigiría atestaciones verificables y legibles por máquina desde 2027.

Qué dice

El estudio compara, en un mismo entorno y con los mismos criterios, cómo varias técnicas de “generative engine optimization” (incluyendo ataques y reescrituras tipo C-SEO) logran que un modelo de ranking suba resultados, y qué tan detectables son sus cambios en 5 datasets.

Los datos

• Usan 5 datasets con tamaños (items): Ragroll (399), STSData (30), RewriteToRank (10,000, evaluado en un subsample de 20 categorías con 10 items por categoría), LLM Rank Optimizer (40) y C-SEO Bench (16,360; 6 dominios)
• Promete@α con α=0.1: TAP llega hasta 0.92, mientras RAF y Zero-Shot no superan 0.28 y 0.02 respectivamente (y además RAF/Zero-Shot fallan más en mover al top decil)
• Regla de “fluidez vs detección” en ataques: STS puede mantener baja detección por keywords (KVR entre 0.03 y 0.20), pero empeora fuerte la fluidez con PPL-R hasta 12.72; en contraste, TAP mantiene buena promoción pero con KVR ≥ 0.83 en todas las partes
• Caso “mejor de ambos mundos” (no adversarial): en C-SEO Bench, Authoritative (reescritura white-hat) empata el mejor NRG con 0.83, con KVR=0.00 y PPL-R=0.74 (o sea, evade los dos detectores a la vez según sus métricas)
• El modelo de “acceso” no predice fuerza: los 3 métodos con mayor NRG promedio (TAP, Authoritative y Content Improvement) son black-box (no usan gradientes), y los gradient-based quedan en medio o en la parte baja

Conclusión del estudio

El estudio muestra que, en su comparación unificada, los ataques adversariales no logran a la vez promoción fuerte, evitación de keywords y buena fluidez; en cambio, la optimización de contenido “benigna” (white-hat C-SEO) puede igualar o superar la promoción y, en su mejor caso en C-SEO Bench, evadir a la vez los detectores por keywords y por fluidez.

Qué dice

El estudio analiza, en pruebas controladas con 252.000 ejecuciones en 6 IA, qué características de dos fuentes competidoras hacen que una sea citada primero por motores de respuesta con IA.

Los datos

• “On-topic vs off-topic” (relevancia temática) domina: el odds ratio (A vs B) es >10.000 en la mayoría de modelos y llega a 221 en uno de ellos, o sea que la fuente más relevante casi siempre gana la primera cita
• El “missing query terms” (tener las palabras/consultas clave vs no tenerlas) también pesa mucho: odds ratio 9,41 a 40,0 según el modelo
• Incluir “price” (precio explícito) frente a no incluirlo mejora la cita con odds ratio que van desde 6,26 hasta 36,1, dependiendo del modelo
• “Deep vs shallow coverage” (cobertura más profunda vs más superficial) es un factor fuerte: odds ratio 1.480 en un modelo, y también valores altos como 132 (otro modelo) y 19,5 (otro)
• Los cambios solo de formato “Organized vs Scattered”/“Structured vs Dense” tienen efecto pequeño o inconsistente: en varios modelos el odds ratio cae alrededor de 0,79–1,68 y no se comporta como un driver principal

Conclusión del estudio

Según sus 18 factores probados en un escenario competitivo de dos fuentes, la IA cita primero sobre todo la fuente con mayor relevancia al tema y la que aparece en una mejor posición de la lista (además, ayuda tener precio y un contenido más completo/profundo). En cambio, los ajustes que solo mejoran el formato sin cambiar contenido relevante aportan poco para ganar la primera cita en este test.

Qué dice

El estudio audita 4 motores de “búsqueda generativa” (ChatGPT, Copilot, Gemini y Perplexity) con 712 preguntas reales para medir si citan fuentes con texto generado por IA y desde qué dominios web las obtienen.

Los datos

• Analizaron 712 consultas en inglés (temas: política, salud y medioambiente) y, en las respuestas citadas, estimaron que ~16% de las fuentes únicas citadas contenían contenido generado por IA
• Detectaron que la proporción de contenido de fuentes citadas generado por IA era mayor en las consultas relacionadas con el medioambiente (es el caso con la mayor presencia relativa de IA en las fuentes citadas)
• Encontraron evidencia de fuentes generadas por IA siendo citadas en los 4 motores: ChatGPT, Copilot, Gemini y Perplexity (no fue un caso aislado en uno solo)
• Observaron un patrón de citación: un conjunto relativamente reducido de dominios aparece repetidamente, mientras que la mayoría de dominios solo aparecen con pocas citaciones (muchos dominios “mínimamente citados” en las respuestas)

Conclusión del estudio

Con su auditoría basada en 712 preguntas reales, el estudio demuestra que los motores de búsqueda generativa sí citan fuentes con contenido generado por IA, en torno a ~16% de las fuentes únicas citadas, y que el fenómeno varía por tema (con más presencia en medioambiente).

Qué dice

El estudio evalúa qué señales permiten a una defensa detectar Manipulación “GEO” (ataques en descripciones para influir el ranking por IA) en 600 descripciones de Amazon y 600 pasajes web, y mide con qué precisión evita falsas alarmas para distintos tipos de ataque.

Los datos

• Con 600 descripciones de Amazon (6 categorías), SCI-Defense logra Precision = 1.000 y FPR = 0.000, con Recall = 1.000 en ataques tipo String y Recall = 0.952 en ataques tipo Reasoning; y Recall = 0.830 en ataques tipo Review
• En 600 pasajes de MS MARCO, los ataques tipo String se bloquean con Recall “perfecto” (según el texto) y los ataques tipo Review tienen “near-zero recall” porque esos pasajes no traen señales de persuasión que el método busca
• Contra defensas previas, el paper reporta que PPL-only, clasificadores de contenido tipo “SafetyClf” y paraphrasing tienen “zero recall” contra los ataques semánticos de GEO (String/Reasoning/Review), es decir, no detectan la manipulación que intenta parecer natural
• El artículo cuantifica señales: en ataques String, la perplexidad supera 500; en texto legítimo se mantiene por debajo de 100 (y en ataques “fluentes” la perplexidad queda cerca/bajo 50). Para “persuasión”, en Reasoning/Review el paper reporta que Narrative Purposiveness (NP) ≥ 0.5 aparece en más del 90% de los casos de ataque y Comparative Claims (CA) aparece en más del 75%, mientras que menos del 12% del texto legítimo llega a esos umbrales
• La similitud entre candidatos (ICD) por sí sola no basta: el paper indica FPR = 0.74 (standalone) porque los productos legítimos del mismo sector suelen ser naturalmente parecidos; por eso combinan ICD con PPL y SIS

Conclusión del estudio

Este estudio muestra que las IA de ranking pueden ser manipuladas con texto semánticamente fluido (GEO) que evade filtros clásicos, y que la detección efectiva depende de encontrar una “estructura de persuasión” medible (SIS) más que solo rareza estadística (PPL) o intención dañina. Con esa combinación, el método reporta precisión perfecta y FPR cero en las 1.200 evaluaciones (Amazon + MS MARCO) según sus métricas.

Qué dice

El estudio compara cómo se pasa de SEO a GEO en motores que generan respuestas con IA y identifica riesgos de concentración de influencia, influencia comercial no declarada y “puntos ciegos” entre lo que se evalúa en laboratorio y lo que pasa en despliegue.

Los datos

• Encuesta AP-NORC (Associated Press, 2024) con 1.437 adultos en EE. UU.: 60% dijo que usa IA para encontrar información al menos “a veces”
• Salesforce Shoppers Report (Salesforce, 2025): 39% de 8.350 compradores en 21 países usa IA para descubrir productos y tareas relacionadas
• Sensor Tower (Bain & Company, 2025): aumento interanual del tiempo dedicado en apps de asistentes de IA entre 2024 y 2025 (el paper cita el cambio como señal de crecimiento, pero no da el % en el fragmento que compartiste)
• A nivel técnico, el paper propone que GEO puede actuar con dos mecanismos: (a) “retrieval booster” para mejorar la recuperabilidad (aumentar similitud/encaje con consultas) y (b) “ranking shifter” para cambiar cómo el modelo ordena/da visibilidad al tema cuando ya está en el contexto (medido como cambio de “rank/exposure” en respuestas IA)
• El resumen de trabajos académicos que revisan (tabla 1) indica que, en los estudios GEO académicos, la suposición común es que los pares de mensajes para GEO ya están en el conjunto recuperado, por lo que a menudo se ignora la parte de “retrievability/booster” y se centra la optimización sobre el “ranking shifter”

Conclusión del estudio

Con sus observaciones y la comparación de prácticas, el estudio sostiene que la citación y la visibilidad en respuestas de IA no dependen solo de “calidad” o ranking clásico, sino de cómo el contenido entra al conjunto de evidencia y cómo el modelo lo sintetiza, con riesgo de sesgos por influencia concentrada y comercial no transparente. Además, muestra que gran parte de la investigación académica modela GEO bajo supuestos que no reflejan todo el proceso en producción (especialmente la recuperabilidad), creando puntos ciegos para medir efectos reales en sistemas desplegados.

Qué dice

El paper investiga si, en bsquedas con agentes LLM que navegan por mltiples pginas, importa el “ecosistema” de evidencias (entrada + pginas de apoyo conectadas) para que el agente acabe recomendando el producto objetivo, y lo mide en OPR-Bench con 3.124 pares consulta-producto.

Los datos

• Crean OPR-Bench con 3.124 pares consulta–producto (consultas filtradas para necesidades abiertas de recomendacin/seleccin) y 3 fuentes de queries: SafeSearch (64 pares), E-Commerce (121 pares) y E-GEO (2.939 pares)
• El mtodo propuesto (TRACE) construye un “entorno” de evidencias con una pgina de entrada para el agente y varias pginas de apoyo (incluyen oficiales, reviews, expertos, noticias, foros y redes sociales), coordinadas con terminologa compartida, enlaces internos y atributos consistentes del producto
• Reportan que TRACE “supera de forma consistente” a baselines de GEO a nivel de pgina en el resultado final de recomendacin del producto objetivo (ganancia en el desenlace final, no solo en visibilidad de una pginas)
• En mtricas a nivel de trayectoria, observan ms: “crawls” iniciales al resultado objetivo, bsquedas de seguimiento especficas del producto objetivo, y “crawls” de enlaces internos; el paper atribuye la mejora a moldear el proceso de adquisicin de evidencia durante la navegacin, no a “aadir ms contenido” del objetivo

Conclusión del estudio

Con sus datos en OPR-Bench, el paper muestra que para que una IA acabe citando/integrando evidencia que termina en una recomendacin del objetivo, no basta optimizar una pgina suelta: lo que cuenta es cmo el agente encuentra y recorre un conjunto coordinado de evidencias a lo largo de su trayectoria.

Qué dice

El estudio investiga qué partes internas de varios LLM hacen que cambien de una respuesta correcta a otra incorrecta cuando se añade un texto persuasivo, y mide esa “vulnerabilidad” probando parches causales en cabezas de atención y un pequeño conjunto de rasgos internos.

Los datos

• En el benchmark de preguntas con texto persuasivo (NQ2/FARM), el cambio a la respuesta objetivo incorrecta ocurre con tasas reportadas de 29–62% en dominios “high-stakes” (mencionan resultados previos para contexto)
• En sus pruebas de intervención (reemplazar la actualización de un componente con la versión “limpia”), el efecto de restaurar la respuesta correcta es muy disperso en casi todo, pero se concentra de forma “muy escasa” en un puñado de cabezas de atención de capas medias (los “decision heads”)
• El efecto más fuerte que reportan está concentrado en una cabeza concreta: cabeza 24 de la capa 17 (L17H24), que es donde aparece el mayor score de restauración
• Dicen que las capas MLP muestran efectos uniformemente débiles (o sea, restaurar desde MLP casi no devuelve la respuesta correcta), mientras que las cabezas de atención sí lo hacen de forma marcada

Conclusión del estudio

Con sus datos de intervenciones, el estudio demuestra que la persuasión no “corrompe” el razonamiento de manera general, sino que redirige la decisión mediante unas pocas cabezas de atención de capas medias y una ruta interna estrecha. Además, identifican que el control no es un “razonamiento sobre evidencia”, sino la copia del token de opción al que la atención dirige al modelo.

Qué dice

El estudio compara, para 11.500 consultas de usuarios, qué fuentes listan y citan Google (SERP tradicional), Google AI Overview (AIO) y Gemini Flash 2.5, y mide en qué se diferencian y con qué consistencia lo hacen.

Los datos

• En el 51.5% de las consultas reales analizadas, los AI Overviews (AIO) se generan y aparecen por encima de los resultados orgánicos
• La lista de fuentes recuperadas entre motores es muy distinta: la similitud promedio Jaccard entre sistemas va de 0.11 a 0.18 (y reportan “<0.2”)
• Los motores generativos recuperan mucho más contenido “propiedad de Google” que Google Search tradicional, y además recuperan con menor frecuencia fuentes de webs populares o institucionales de gobierno/educación (el estudio lo expresa como diferencia “significativamente menos probable”)
• Los sitios que bloquean el rastreador de IA de Google tienen menos probabilidad de aparecer como fuentes en AIO, incluso si el contenido está accesible (según el estudio, “significantly less likely”)
• Los AIO son menos consistentes entre dos ejecuciones del mismo query y menos robustos ante cambios menores del query

Conclusión del estudio

Con estos datos, el estudio muestra que ser “citado” por una IA (AIO/Gemini) no depende solo de aparecer en el ranking tradicional: los motores generativos cambian mucho qué dominios recuperan, y además penalizan señales como el bloqueo del crawler y muestran menor estabilidad ante variaciones pequeñas de la consulta.

Qué dice

Analiza 602 prompts en ChatGPT, Google AI Overview/Gemini y Perplexity para medir qué tan a menudo se elige una fuente (selección) y cuánto influye realmente la página citada en la respuesta generada (absorción), con 21.143 citas “search-layer” válidas y 18.151 páginas recuperadas.

Los datos

• Citas medias por prompt (breadth): ChatGPT 6.88 vs Google 12.06 vs Perplexity 16.35
• Influencia media de páginas recuperadas (depth/absorción proxy): ChatGPT 0.2713 vs Google 0.0584 vs Perplexity 0.0646
• Formato Q&A: la influencia media en páginas Q&A es 0.0947 vs 0.1005 en páginas no-Q&A, una diferencia relativa de -5.74% (o sea, Q&A por sí solo no mejora la absorción)
• Tipo de fuente (dominio) en absorción: páginas “news_media” tienen influencia media 0.0726 mientras que páginas tipo “encyclopedia” tienen 0.2144
• Efecto del idioma en selección (C-layer): ChatGPT cita más en prompts en chino (7.77) que en inglés (7.03), mientras que Google hace lo contrario (11.57 en inglés vs 7.53 en chino)

Conclusión del estudio

El estudio muestra que en motores generativos no basta con “ser citado”: hay una gran divergencia entre cuántas fuentes se citan (ChatGPT/Google/Perplexity) y cuánto influyen las páginas citadas en el texto generado. Además, el formato Q&A no incrementa la absorción; la absorción se asocia más a páginas con evidencia “usable” (como definiciones, datos numéricos, comparaciones y pasos).

Qué dice

El estudio propone MAGEO y mide, en tres motores de IA generativa, cómo optimizar contenido para aumentar la visibilidad y la fidelidad de las citas usando un protocolo que aísla el efecto de los cambios del contenido.

Los datos

• Usan un protocolo Twin-Branch que mantiene la lista de recuperación fija y crea dos ramas: una sin edición (baseline) y otra con una variante optimizada del documento objetivo reemplazando ese único ítem en la lista
• La evaluación se apoya en la métrica DSV-CF, definida como un “doble eje” que combina visibilidad semántica con exactitud de atribución y penaliza citas espurias/mal atribuidas (miscitation)
• Reportan mejoras “substanciales” frente a baselines heurísticas en dos frentes a la vez: visibilidad y fidelidad de citas (sin que el texto compartido incluya porcentajes concretos)
• El benchmark MSME-GEO-Bench incluye datos con formato (Query, Engine, Source, Response) y cubre 5 dominios principales, 15 tipos de consulta (escenarios) y múltiples motores; en el paper también muestran distribuciones de intención de usuario y fuentes de ejemplo (sin cifras numéricas adicionales en el fragmento)

Conclusión del estudio

Con su medición controlada (Twin-Branch) y la métrica DSV-CF, el estudio demuestra que se puede mejorar la presencia de una fuente en respuestas generadas sin aumentar errores de citación, y que la reutilización de estrategias por motor es clave para esos ganhos.

Qué dice

El estudio propone FeatGEO para aumentar la probabilidad de que una web sea citada por motores de respuestas generativas, y lo prueba con experimentos en GEO-Bench contra varios motores y baselines basados en cambios a nivel de texto.

Los datos

• El estudio define la “visibilidad” como si la página aparece o no en el conjunto de fuentes citadas por el motor en la respuesta generada (no como un ranking)
• Modela la preferencia de citación a “nivel de tema” generando para cada tema un conjunto de consultas semánticamente relacionadas (Qτ = {q1,…,qM}) y calcula una frecuencia de citación por fuente: f(s)=∑q∈Qτ 1[s∈S(q)]
• Representa cada página por vectores de características interpretables con 3 capas (estructura, contenido y lenguaje): estructura (has_intro_summary, headings_level, list_density, length_level), contenido (content statistics_level, cite_sources_level, quotation_level, unique_info_level, technical_terms_level) y lenguaje (authoritative_level, easy_to_understand_level, fluency_level, keyword_focus_level)
• A nivel de resultados, afirma que en GEO-Bench FeatGEO “mejora consistentemente la visibilidad” y “mantiene o mejora la calidad del contenido”, y que supera “de forma sustancial” los baselines que operan a nivel de tokens

Conclusión del estudio

Con sus pruebas en GEO-Bench, el estudio demuestra que optimizar para citación usando propiedades de documento (estructura, contenido y estilo) funciona mejor que editar directamente texto a nivel de tokens, logrando más citas sin sacrificar calidad. Además, sostiene que el comportamiento de citación depende más de propiedades del documento que de ediciones léxicas aisladas.

Qué dice

El estudio mide durante 45–46 días cuánta estabilidad (y volatilidad) tienen las fuentes y marcas que citan/nombran en sus respuestas ChatGPT, Gemini, Google AI Mode y Perplexity, usando 8 prompts por campaña y analizando la visibilidad como una distribución, no como un único valor.

Los datos

• La similitud día a día de las fuentes citadas (Jaccard) promedia entre 0.34 y 0.42: por ejemplo, en Consumer Electronics es 0.336 (≈65% de fuentes cambian de un día a otro) y en Telecommunications sube a 0.423
• La similitud ordenada de fuentes (RBO, p=0.9) es consistentemente más baja: rangos medios de 0.206–0.253, señal de que no solo cambian las fuentes, también el orden en el que aparecen
• A nivel de marcas (solo campañas con tasa media de detección ≥70%), la similitud día a día de marcas (Jaccard) es más alta que la de fuentes: 0.557 en Consumer Electronics, 0.453 en Sporting Goods y 0.589 en Telecommunications
• La concentración de citas es muy desigual: el coeficiente Gini medio es 0.715; Google AI Mode llega a 0.782 (más concentración) y Perplexity a 0.671 (menos concentración)

Conclusión del estudio

Con sus datos, el estudio demuestra que la visibilidad en búsqueda por IA es inestable: tanto las fuentes citadas como las marcas mencionadas cambian de un día a otro, y además se concentran en pocas webs/dominios, por lo que medir “una vez” no refleja el comportamiento real.

Qué dice

El estudio analiza, con un modelo matemático y pruebas en un producto industrial, cómo la confianza en salidas de GEO/RAG decae con el tiempo y qué cambio de arquitectura (del LLM generador a un router de intención con agentes deterministas) elimina casi por completo ciertas alucinaciones verticales.

Los datos

• Modelan “Semantic Entropy Drift” (SED) como un aumento irreversible de la entropía condicional del modelo con el tiempo, y derivan una función de “confidence decay” donde la confianza cae por un término exponencial exp(-λ·t) que, al crecer t, hace que la confianza tienda a 0 (C(t, D_t) → 0)
• Demuestran que las estrategias pasivas basadas en inyección estática (p. ej., etiquetas Schema.org) solo elevan la confianza inicial C0, pero no afectan el parámetro de decaimiento temporal λ, por lo que el efecto es transitorio en su ecuación
• Para evaluar en motores cerrados, proponen IAR y penalizan la atribución cuando la discrepancia topológica entre el grafo generado y el grafo “verdadero” (Graph Edit Distance) supera un umbral, con supresión hacia 0 de la probabilidad de atribución (evitar “vanity metrics” por fabricaciones)
• En su validación empírica usando EasyNote (actas de reuniones de Yishu Technology), al encaminar la intención del usuario a un agente especializado vía DAH, reportan una “reducción de vertical task hallucination rates a near zero” (casi 0) para ese tipo de tareas

Conclusión del estudio

Este estudio sostiene que en GEO basado en RAG la confianza se degrada de forma inevitable con el tiempo (por el decaimiento exponencial que no arreglan las inyecciones estáticas), y que al cambiar el rol del LLM a “router de intención” y delegar ejecución a agentes deterministas se pueden eliminar prácticamente las alucinaciones en tareas verticales, según su prueba con EasyNote.

Qué dice

El estudio propone y evalúa GEO-SFE, una forma de medir y optimizar el formato/estructura del contenido (sin tocar el significado) para mejorar cuánto citan fuentes distintas IA de búsqueda generativa, comparándolas en 6 motores.

Los datos

• En las pruebas con 6 motores generativos, lograr “mejoras de cita” consistentes fue del 17.3% en promedio
• Además de la mejora en citas, las valoraciones subjetivas de “calidad perceptual” mejoraron un 18.5% de media
• El método separa la estructura en 3 niveles jerárquicos para medir su impacto: macro-estructura (arquitectura del documento), meso-estructura (cómo se trocean en bloques) y micro-estructura (énfasis visual)

Conclusión del estudio

Con sus datos, el estudio demuestra que la estructura del contenido por sí sola (independiente del contenido semántico) puede aumentar de forma medible la probabilidad de que las IA citen esa fuente, con un efecto medio de +17.3% en 6 motores.

Qué dice

El paper investiga por qué páginas relevantes no llegan a ser citadas por motores generativos (tipo ChatGPT/Perplexity/Gemini) y prueba un sistema que diagnostica el fallo y aplica reparaciones dirigidas, midiendo si sube la tasa de cita y cuánto cambia el contenido.

Los datos

• Con condiciones base, el 43% de las páginas que son topicamente relevantes no reciben ninguna cita
• AgentGEO logra más de un 40% de mejora relativa en la tasa de citación frente a métodos base, tocando solo el 5% del contenido, mientras que los baselines alteran el 25% en promedio
• El estudio identifica que reglas genéricas pueden empeorar la citación en categorías de temas “long-tail”: en esas páginas, la optimización genérica no solo no ayuda, sino que degrada el resultado, mientras que la optimización diagnosticada sí da ganancias consistentes en el mismo conjunto

Conclusión del estudio

El estudio demuestra que muchos fallos de citación no son un problema global de “calidad” del texto, sino fallos específicos en el proceso (en qué parte se rompe el pipeline y por qué), y que cuando el sistema diagnostica ese tipo de fallo puede mejorar la citación con cambios muy pequeños. También muestra que hay casos donde ni la optimización diagnosticada logra arreglar la citación, porque el desventaja viene de competidores dominantes que el contenido no puede superar.

Qué dice

El estudio analiza qué señales hacen que motores de búsqueda generativos (tipo ChatGPT, Perplexity y Gemini) citen más a marcas del iGaming en Reino Unido, y mide cómo distintas mejoras de contenido y el peso de medios ganados afectan la “visibilidad” citada.

Los datos

• Las estrategias de optimización que más aumentan la visibilidad citada en respuestas de motores generativos son: “Cite Sources” (+40,0%, p < 0,01), “Statistics Addition” (+37,0%, p < 0,01) y “Quotation Addition” (+22,0%, p < 0,05)
• “Keyword Stuffing” (rellenar con palabras clave) apenas aporta: +3,0% y no es significativo (p no indicado como significativo)
• En el análisis de distribución de citas (SparkToro 2024), el contenido controlado por la marca (web corporativa, landings promocionales y blogs) representa típicamente menos del 15–20% de las citaciones en consultas comerciales; el resto se lo llevan fuentes independientes de terceros
• El estudio define un criterio de “posición ajustada por conteo de palabras” para medir visibilidad en respuestas generativas: las citaciones de frases más tempranas pesan más por un decaimiento exponencial por posición (e^(-pos(s)))

Conclusión del estudio

Según los datos del estudio, en búsquedas generativas la marca no gana solo por optimización tradicional, sino por señales citables y verificables (fuentes, estadísticas y citas textuales). Además, hay un sesgo estructural medible: para consultas comerciales se cita mucho más a medios ganados y fuentes de terceros que a contenido propio de la marca (solo 15–20% o menos).

Qué dice

El estudio propone y evalúa AgenticGEO, un sistema que busca maximizar si una IA generadora incluye y cita un contenido al reescribirlo, midiendo mejora de rendimiento frente a 14 métodos en 3 datasets y su uso de pocas señales de feedback del motor (GE).

Los datos

• En el análisis de sensibilidad, afirman que las estrategias existentes no logran optimizar “casi la mitad” de los casos (en su figura se describe como instancias en zonas grises y rojas)
• AgenticGEO logra “46,4%” de ganancia media frente a los baselines (lo reportan como “46.4% average gains”)
• Conserva el 98,1% del rendimiento usando solo el 41,2% de feedback “sparse” del motor (GE) para optimización
• Dicen que superan a 14 baselines en experimentos dentro de dominio y además hay transferencia a dominios no vistos

Conclusión del estudio

Los datos del estudio muestran que no basta con usar una estrategia fija: la probabilidad de que una IA incluya/cite mejora cuando el sistema selecciona estrategias según el contenido y además aprende con un “crítico” que aproxima el feedback del motor con pocas consultas. También demuestran que su enfoque mantiene casi todo el rendimiento incluso cuando reduce mucho la cantidad de feedback del motor necesaria durante la optimización.

Qué dice

El estudio propone SAGEO Arena y comprueba, en un entorno de búsqueda generativa completa, qué señales (solo texto del cuerpo vs información estructurada) hacen que un documento “pase” por recuperación, reordenado y generación y acabe citado.

Los datos

• El corpus usado tiene 170.000 documentos web de 9 dominios, con información estructural (meta descriptions, headings y schema markup) además del texto del cuerpo
• En condiciones realistas del pipeline, optimizar solo el texto del cuerpo (la práctica típica en trabajos previos) no solo no mejora la visibilidad en la etapa de generación: también degrada la recuperación, haciendo que los documentos optimizados se caigan de los resultados de recuperación y no lleguen al generador
• El estudio muestra que la información estructural es el mecanismo principal para que un documento sobreviva a las primeras etapas (recuperación y/o reordenado) y llegue a generación
• Los autores concluyen que cada etapa del pipeline prioriza cualidades distintas del documento, y por eso diseñan un método “stage-aware” (adaptado por etapa) para conseguir la mejor visibilidad global frente a las estrategias evaluadas

Conclusión del estudio

Con datos de SAGEO Arena, el estudio demuestra que en sistemas de búsqueda generativa la citación/visibilidad depende fuertemente de pasar primero recuperación y reordenado; por eso, la optimización solo de texto del cuerpo suele fallar al no resolver el cuello de botella temprano. La información estructural ayuda a mitigar esa degradación y hace posible que el documento llegue a la etapa donde entonces puede ser usado en respuestas.

Qué dice

El estudio analiza qué impulsa que Pinterest sea citado por motores de búsqueda generativos y mide cómo un sistema que traduce imágenes a “consultas con intención” (más páginas agregadoras y enlaces internos) aumenta el tráfico orgánico en una escala de miles de millones de imágenes.

Los datos

• Procesa un corpus con “billones” de imágenes de Pinterest y genera “decenas de millones” de páginas de aterrizaje (colecciones) con el sistema desplegado
• Reporta +20% de crecimiento de tráfico orgánico atribuible al sistema GEO en producción
• Indica que el despliegue contribuye a crecimiento de “multi-millones” de MAU (usuarios activos mensuales), sin dar el número exacto en el texto incluido
• Afirma una mejora del 19% en la alineación entre tópicos generados y consultas de búsqueda frente a “baselines” de producción (medida interna de alineación)
• Define que las consultas generadas por la VLM se reparten en tres tipos: descripciones (30%), estilo/detalles (30%) y casos de uso/ocasiones (40%), y sostiene que “los casos de uso” aportan el tráfico incremental desproporcionado (sin cifra adicional en el extracto)

Conclusión del estudio

Este estudio muestra que, para un buscador generativo que sintetiza respuestas y cita fuentes, no basta con describir imágenes: al entrenar VLMs para producir consultas con intención (y luego agregarlas en páginas coherentes con señales de autoridad e interlinking), el sistema logra mejoras medibles en tráfico orgánico y en alineación con la demanda de búsqueda.

Qué dice

El estudio analiza, con 1.000 consultas de ranking y además pruebas separadas por “popular” vs “nicho”, qué dominios, tipos de fuentes y fechas (frescura) citan GPT-4o, Claude, Perplexity y Gemini frente a Google.

Los datos

• En las 1.000 consultas de ranking, el solapamiento de dominios citado por IA vs los top-10 de Google es muy bajo: GPT-4o 4,0% (mediana 0,0%), Gemini 11,1%, Claude 12,6% y Perplexity 15,2%
• En consultas “nicho” (216 comparaciones: 108 populares + 108 nicho), el solapamiento sube 3–4 puntos para la mayoría de modelos: por ejemplo, a GPT-4o solo le sube de forma pequeña (entre +1,3% y +1,9%) mientras que Claude/Gemini/Perplexity tienen incrementos estadísticamente significativos
• Cuando clasifican el tipo de fuente en 300 consultas (100 informacionales, 100 de consideración, 100 transaccionales), Google queda relativamente equilibrado: 41% earned, 34% social, 26% brand; pero las IAs favorecen “earned”: Claude 65% earned y solo 1% social (GPT-4o: 57% earned y 8% social)
• Frescura (consumer electronics): Claude tiene la mejor extracción de fecha (0,925; 745/805) y mediana de 62,3 días; GPT-4o 0,930 (623/670) con mediana 79,8; Perplexity 0,630 (383/608) con mediana 90,4; Google mediana 130,4 con cobertura 0,615 (579/941)
• Frescura (automóvil): Google es el más antiguo (mediana 492,9 días; cobertura 0,443; 413/932). Claude 148,0 días (0,609; 515/845) y GPT-4o 162,2 (0,734; 477/650); Perplexity marca más antigüedad (216,6; 0,426; 280/657)

Conclusión del estudio

Con datos de dominios, tipología de fuentes y fechas, el estudio muestra que las IA citan ecosistemas distintos a Google (poco solapamiento) y tienden a sobre-representar contenido “earned”/brand y a citar información más fresca (según las medianas y la cobertura de fechas) que Google. La diferencia es consistente, pero cambia por intención (informacional vs consideración vs transaccional) y por si el entity es popular o nicho.

Qué dice

El paper estudia cómo optimizar documentos para que distintas consultas los citen en respuestas generadas, y mide qué estrategia mantiene la visibilidad citada de forma estable entre queries cuando hay “presiones” contradictorias para editar el mismo contenido.

Los datos

• Define la ganancia por consulta como Δv_i = v(D’, q_i) − v(D, q_i), donde la visibilidad v(D,q) se mide solo con el texto de la respuesta y las señales de citación/atribución
• Para priorizar qué ediciones tienen más impacto, calcula un “global priority score” por petición: g_{i,j} = w_i · s_{i,j}, usando w_i en escala 0–100 (popularidad de la consulta) y s_{i,j} en escala 0–100 (necesidad crítica del cambio)
• En la fase de fusión, filtra peticiones de baja prioridad eliminando las que no superan un umbral τ (el paper controla el nivel de “perturbación” con ese filtro)
• Aclara que el objetivo no lo evalúa solo con media: introduce tres métricas de estabilidad/riesgo para capturar degradaciones “de la cola”: Worst-Case Performance (WCP), Downside Risk (DR) y Win-Tie Rate (WTR)

Conclusión del estudio

El estudio muestra que, cuando varias consultas piden ediciones potencialmente incompatibles bajo un presupuesto limitado, optimizar “en promedio” no garantiza que el documento siga siendo citado de forma consistente; por eso proponen y evalúan estabilidad explícita entre consultas con WCP, DR y WTR. Además, su diseño de prioridades (g = w·s) y la resolución/deduplicación de peticiones hace que el proceso sea controlable para reducir efectos competitivos entre queries.

Qué dice

El estudio investiga cómo se puede manipular la clasificación de productos en un sistema de búsqueda basado en modelos visión-lenguaje (VLM) alterando a la vez la imagen y la descripción, y muestra que ese ataque conjunto logra mejoras de ranking mayores que ataques solo-texto, solo-imagen y un baseline con modelos generativos comerciales.

Los datos

• El paper plantea que un adversario puede promover un producto objetivo a rank 1 (σ(t)=1) modificando su imagen, su texto o ambos, manteniendo cambios “imperceptibles” y texto “fluente y on-topic”
• En la evaluación comparan MGEO contra: (1) ataques unimodales de texto, (2) ataques unimodales de imagen y (3) un baseline heurístico que imita comportamiento real usando modelos generativos comerciales para retocar descripción e imagen; reportan que MGEO consigue “substantially larger rank improvements” que los tres enfoques (sin cifras numéricas en el texto que compartiste)
• La optimización de texto evita palabras/expresiones overt de posicionamiento usando una penalización de n-gramas, desalentando keywords del tipo “top”, “must rank” o “recommend”
• El ataque de imagen se hace con Projected Gradient Descent (PGD) incorporando límites de magnitud y suavidad espacial para que la perturbación sea imperceptible

Conclusión del estudio

Con base en sus experimentos comparativos, el estudio concluye que en rankers multimodales de VLM no basta con que el contenido “parezca de calidad” en superficie: para subir posiciones hace falta alinear la perturbación directamente con cómo el modelo usa (acopla) la información visual y textual al puntuar productos.