Ajuste de estrategia por LLM: por qué rankeas en ChatGPT y no en Claude
¿Tu contenido aparece citado en las respuestas de ChatGPT pero Claude lo ignora por completo? No estás ante un problema de suerte ni de algoritmo opaco. Estás ante un problema de ajuste de estrategia por LLM: cada motor generativo tiene criterios distintos para recuperar, evaluar y citar fuentes, y optimizar para uno no garantiza visibilidad en el otro. Entender esto es el primer paso de cualquier estrategia por LLM que aspire a resultados consistentes.
Esto importa porque la cuota de tráfico procedente de motores generativos ya no es marginal. Responsables de contenido y SEOs que trabajan a escala están viendo cómo una parte creciente de sus visitas —o de sus pérdidas de visita— se origina en respuestas de ChatGPT, Claude, Gemini o Perplexity. Ignorar la variación de citación entre motores es dejar visibilidad sobre la mesa. Una estrategia por LLM bien diseñada aborda precisamente esta variación.
Lo que sigue es un diagnóstico operacional: por qué ocurre la divergencia, qué señales usa cada motor y qué cambios concretos debes introducir en tu flujo de producción de contenido para que tu estrategia por LLM sea eficaz en todos los motores relevantes.
Por qué dos LLM leen el mismo contenido de forma distinta
La confusión más frecuente es asumir que todos los motores generativos funcionan como un único buscador con una única lógica de ranking. No es así. ChatGPT (en sus versiones con búsqueda web activa), Claude, Gemini y Perplexity son sistemas distintos con pipelines de recuperación diferentes, datos de entrenamiento con fechas de corte distintas y criterios de selección de fragmentos que no están públicamente documentados en su totalidad. Cualquier estrategia por LLM que los trate como equivalentes está perdiendo precisión.
Dicho esto: hay inferencias razonadas que podemos hacer a partir del comportamiento observable. La primera es que cada motor aplica su propia versión de RAG (Retrieval-Augmented Generation), el proceso por el que el sistema recupera fragmentos de texto externos para fundamentar su respuesta. El fragmento que recupera no es siempre el mismo, y el criterio de selección varía. Conocer estas variaciones es esencial para construir una estrategia por LLM diferencial.
El papel del corpus de entrenamiento
Claude, desarrollado por Anthropic, tiende a mostrar mayor cautela ante afirmaciones sin respaldo explícito y a preferir fuentes con señales claras de autoría y atribución. Esto es inferencia razonada a partir de su comportamiento en pruebas sistemáticas, no un criterio publicado por Anthropic. ChatGPT con búsqueda activa, en cambio, parece ponderar más la popularidad de la fuente y su presencia en el índice de Bing, dado que Microsoft es su proveedor de búsqueda web. Esta diferencia de fondo obliga a plantear una estrategia por LLM que contemple ambos perfiles.
La implicación directa es que un contenido optimizado para señales de popularidad web (backlinks, tráfico, menciones en redes) puede rankear bien en ChatGPT y ser ignorado por Claude si no cumple sus criterios de citabilidad estructural. Y viceversa: un artículo con autoría clara, fuentes citadas y estructura semántica sólida puede aparecer en Claude aunque tenga menos autoridad de dominio. Aquí reside el núcleo del problema que una estrategia por LLM bien calibrada debe resolver.
La descomposición de la consulta (query fan-out)
Otro factor diferencial es cómo cada motor descompone la pregunta del usuario. El query fan-out es el proceso por el que un motor generativo convierte una consulta en varias subpreguntas internas para recuperar información más precisa. ChatGPT tiende a generar subpreguntas más amplias y a agregar respuestas de múltiples fuentes. Claude tiende a subpreguntas más específicas y a priorizar fuentes que respondan de forma directa y verificable.
Esto significa que un contenido que responde una pregunta amplia puede rankear en ChatGPT pero no en Claude, mientras que un contenido que responde una pregunta muy concreta con datos verificables tiene más probabilidades de aparecer en Claude. Conocer este patrón te permite diseñar tu estrategia por LLM con criterio, no por ensayo y error. Cada tipo de contenido requiere un enfoque de estrategia por LLM adaptado al patrón de recuperación del motor objetivo.
Diagnóstico de visibilidad diferencial: cómo saber dónde estás y dónde no
Antes de ajustar nada, necesitas un diagnóstico de visibilidad diferencial. El objetivo es mapear en qué motores generativos aparece tu contenido, para qué consultas y con qué frecuencia. Sin este mapa, cualquier ajuste de estrategia por LLM es especulación.
El proceso más operacional que puedes aplicar hoy tiene tres pasos:
- Define un conjunto de consultas de referencia. Selecciona entre 20 y 40 preguntas que tu audiencia objetivo haría a un motor generativo y que tu contenido debería responder. No son las mismas keywords que usas para Google: son preguntas conversacionales, del tipo «¿cómo debo estructurar mi contenido para que lo cite un LLM?» o «¿qué diferencia hay entre GEO y SEO tradicional?». Estas preguntas son la materia prima de tu estrategia por LLM.
- Lanza esas consultas en cada motor generativo de forma sistemática. Registra si tu dominio aparece citado, en qué posición dentro de la respuesta y con qué fragmento. Hazlo en ChatGPT con búsqueda activa, en Claude, en Perplexity y en Gemini por separado. No asumas que el resultado de uno predice el de los demás: tu estrategia por LLM debe contemplar cada motor de forma independiente.
- Cruza los resultados para identificar el patrón de divergencia. ¿Apareces en ChatGPT pero no en Claude? ¿En Perplexity pero no en Gemini? El patrón de ausencia te indica qué criterio de recuperación no estás cumpliendo en cada motor y dónde debe enfocarse tu estrategia por LLM.
Este diagnóstico de visibilidad diferencial no es un proceso de una sola vez. Los modelos se actualizan, los criterios de recuperación cambian y tu contenido evoluciona. Conviene repetirlo cada trimestre como mínimo si produces contenido a escala y quieres que tu estrategia por LLM siga siendo precisa.
Las señales que Claude prioriza y ChatGPT no (y al revés)
Una vez tienes el diagnóstico, el siguiente paso es entender qué señales está leyendo cada motor. Aquí es donde la estrategia por LLM se vuelve concreta y accionable, y donde los ajustes tienen impacto medible.
Lo que favorece la citabilidad en Claude
Claude muestra una preferencia observable por contenido que cumple estas características. Incorporarlas a tu estrategia por LLM es prioritario si detectas ausencia en este motor:
- Autoría explícita y verificable. Nombre del autor visible, con credenciales o contexto profesional. Esto conecta directamente con las señales de E-E-A-T (Expertise, Experience, Authoritativeness, Trustworthiness) que también valora Google, pero Claude parece ponderarlas con más peso relativo.
- Afirmaciones respaldadas por fuentes citadas en el propio texto. No basta con tener backlinks entrantes; Claude prefiere contenido que cita sus propias fuentes de forma explícita, con enlaces o referencias dentro del artículo.
- Estructura semántica clara. Encabezados que describen con precisión el contenido de cada sección, sin ambigüedad. Un H2 que dice «Cómo funciona el RAG en motores generativos» es más recuperable que uno que dice «Cómo funciona todo esto».
- Respuestas directas a preguntas concretas. Claude tiende a recuperar párrafos que responden de forma explícita a una pregunta, preferiblemente en las primeras frases del párrafo. Estructurar el contenido así es una decisión de estrategia por LLM, no solo de UX.
Lo que favorece la citabilidad en ChatGPT
ChatGPT con búsqueda web activa pondera señales distintas. Integrarlas en tu estrategia por LLM es lo que permite ganar citabilidad en este motor de forma predecible:
- Autoridad de dominio y presencia en el índice de Bing. Dado que Microsoft Bing es el proveedor de búsqueda web de ChatGPT, los dominios con buena presencia en Bing tienen ventaja estructural.
- Frecuencia de publicación y frescura del contenido. ChatGPT parece ponderar más la actualidad de la fuente, especialmente para consultas sobre temas en evolución.
- Menciones y popularidad externa. El número de sitios que enlazan o mencionan un contenido influye en su recuperabilidad en ChatGPT más que en Claude.
- Contenido que agrega múltiples perspectivas. ChatGPT tiende a construir respuestas sintéticas; prefiere fuentes que ya ofrecen una visión de conjunto sobre el tema.
La implicación directa de esta divergencia es que no existe una única estrategia de optimización por LLM que funcione igual para todos los motores. Necesitas una estrategia por LLM multi-motor que atienda simultáneamente los criterios de cada uno.
Qué cambiar en tu contenido para ganar visibilidad en ambos motores
Aquí está el núcleo operacional del artículo. Los ajustes que siguen no son teóricos: son cambios concretos que puedes aplicar en tu flujo de producción de contenido a escala y que forman la columna vertebral de una estrategia por LLM eficaz.
Ajustes estructurales (funcionan en todos los motores)
Escribe párrafos de respuesta directa al inicio de cada sección. El primer párrafo tras cada H2 debe responder la pregunta implícita del encabezado en dos o tres frases. Esto mejora la recuperabilidad en todos los motores, porque el fragmento que suele recuperarse es el que aparece inmediatamente después del encabezado. Es uno de los ajustes más rentables en cualquier estrategia por LLM.
Usa encabezados descriptivos y específicos. Evita encabezados genéricos como «Ventajas» o «Cómo funciona». Sustitúyelos por encabezados que incluyan el concepto nuclear: «Ventajas de la estructura semántica para la citabilidad en LLM» o «Cómo funciona el RAG en motores generativos». Un encabezado específico es una señal de recuperación, no solo un elemento de UX.
Añade una sección de preguntas frecuentes al final. Las FAQ con preguntas formuladas de forma conversacional son fragmentos altamente recuperables por todos los motores generativos. No las escribas como marketing («¿Por qué elegirnos?»); escríbelas como las preguntas reales que tu audiencia haría a un LLM. Este formato es una herramienta de estrategia por LLM subestimada por la mayoría de equipos de contenido.
Ajustes de autoridad (críticos para Claude)
Haz visible la autoría en cada artículo. Nombre del autor, cargo o área de especialización y, si es posible, un enlace a su perfil profesional. Esto no es solo una buena práctica de E-E-A-T para Google: es una señal de citabilidad para Claude y una pieza clave de tu estrategia por LLM orientada a ese motor.
Cita tus fuentes dentro del texto. Si afirmas algo verificable, enlaza la fuente o menciona explícitamente de dónde procede el dato. Claude penaliza implícitamente el contenido que hace afirmaciones sin respaldo; ChatGPT es más tolerante, pero citar fuentes nunca perjudica y refuerza cualquier estrategia por LLM.
Ajustes de distribución (críticos para ChatGPT)
Asegúrate de que tu contenido está indexado en Bing. Verifica en Bing Webmaster Tools que tus páginas más importantes están indexadas. Si no lo están, ChatGPT no puede recuperarlas, independientemente de su calidad. Este paso es previo a cualquier otra acción de estrategia por LLM orientada a ChatGPT.
Trabaja la presencia externa de tu contenido. Las menciones en otros sitios, los enlaces entrantes y las referencias en publicaciones del sector aumentan la señal de popularidad que ChatGPT pondera. Esto no es nuevo en SEO, pero su impacto en la citabilidad por motores generativos lo hace más urgente dentro de una estrategia por LLM completa.
Actualiza el contenido con regularidad. Para consultas sobre temas en evolución —como la propia estrategia por LLM, que cambia cada trimestre—, la frescura del contenido es un factor diferencial en ChatGPT. Un artículo actualizado hace tres meses tiene más probabilidades de aparecer que uno publicado hace dos años sin revisión.
Estrategia multi-LLM: cómo organizar tu producción de contenido
El error más común que cometen los equipos de contenido al enfrentarse a este problema es intentar crear contenido distinto para cada motor. Eso no escala y no es necesario. La estrategia por LLM eficiente funciona de otra manera: un contenido base de alta calidad, con capas de optimización diferencial que atienden los criterios específicos de cada motor sin duplicar esfuerzo.
El modelo operacional tiene tres niveles:
- Nivel base (universal). Estructura semántica clara, encabezados descriptivos, párrafos de respuesta directa, autoría visible y fuentes citadas. Esto mejora la citabilidad en todos los motores simultáneamente y también refuerza el posicionamiento en Google. No es un coste adicional: es el estándar mínimo de calidad editorial que cualquier estrategia por LLM debe garantizar.
- Nivel de autoridad (orientado a Claude y Gemini). Credenciales del autor desarrolladas, referencias bibliográficas o de investigación explícitas, y afirmaciones diferenciadas entre hechos confirmados e inferencias razonadas. Añadir una nota al pie del artículo que distinga ambas categorías es un ajuste pequeño con impacto desproporcionado en motores que priorizan la verificabilidad. Es la capa de estrategia por LLM más valorada por Claude.
- Nivel de distribución (orientado a ChatGPT y Perplexity). Indexación en Bing verificada, estrategia de enlaces entrantes activa y calendario de actualización de contenido existente. Este nivel no cambia el contenido en sí: cambia cómo el contenido existe en la web y qué señales externas lo acompañan. Es la capa de estrategia por LLM más valorada por ChatGPT.
Aplicar esta estructura a tu flujo de producción a escala no requiere triplicar el equipo. Requiere añadir un checklist de citabilidad multi-LLM al proceso editorial existente y revisar el contenido ya publicado con ese criterio en las próximas iteraciones. La estrategia por LLM más sostenible es la que se integra en el flujo de trabajo, no la que lo interrumpe.
Lo que aún no sabemos: honestidad sobre la incertidumbre
Este artículo sería deshonesto si no incluyera esta sección. La estrategia por LLM es un campo en construcción, y parte de lo que circula como «buenas prácticas» es inferencia razonada, no certeza documentada.
Lo que está confirmado: los motores generativos usan variantes de RAG para recuperar fragmentos externos. La indexación en Bing afecta la recuperabilidad en ChatGPT. Las señales de E-E-A-T influyen en la citabilidad en al menos algunos motores. La estructura semántica clara mejora la probabilidad de recuperación. Estas son las bases sobre las que cualquier estrategia por LLM sólida puede construirse con seguridad.
Lo que es inferencia razonada: los pesos específicos que cada motor asigna a cada señal. La preferencia de Claude por autoría explícita frente a popularidad externa. El impacto exacto de la frecuencia de actualización en ChatGPT. Ninguno de estos motores ha publicado su criterio de recuperación de forma completa y verificable. Por eso toda estrategia por LLM debe incluir un componente de experimentación y revisión periódica.
La implicación práctica es que debes tratar tu estrategia por LLM como un proceso de experimentación continua, no como un conjunto de reglas fijas. Aplica los ajustes descritos, mide el impacto en tu diagnóstico de visibilidad diferencial cada trimestre y ajusta. El campo evoluciona demasiado rápido para asumir que lo que funciona hoy seguirá funcionando igual en seis meses.
Lo que sí puedes asumir con seguridad: el contenido de alta calidad editorial, con autoría clara, fuentes verificables y estructura semántica sólida, tiene más probabilidades de mantenerse citable en cualquier motor generativo, independientemente de cómo evolucionen sus criterios. La calidad no es una estrategia por LLM específica; es la condición de base sobre la que cualquier estrategia por LLM funciona de forma duradera.
Preguntas frecuentes
¿Por qué mi contenido aparece en ChatGPT pero Claude no lo cita nunca?
La causa más frecuente es que tu contenido tiene buena autoridad de dominio y presencia en Bing (señales que ChatGPT pondera), pero carece de autoría explícita, fuentes citadas dentro del texto o estructura semántica suficientemente clara (señales que Claude prioriza). Revisa si tus artículos incluyen el nombre del autor con credenciales, si citas las fuentes de tus afirmaciones y si tus encabezados son descriptivos y específicos. Estos son los ajustes de estrategia por LLM más directamente relacionados con la citabilidad en Claude.
¿Necesito crear contenido distinto para cada motor generativo?
No. La estrategia por LLM eficiente parte de un contenido base de alta calidad y añade capas de optimización diferencial: señales de autoridad para Claude y Gemini, y señales de distribución y frescura para ChatGPT y Perplexity. Un solo artículo bien construido puede ser citable en todos los motores si cumple los criterios estructurales mínimos de una estrategia por LLM multi-motor.
¿Con qué frecuencia debo repetir el diagnóstico de visibilidad diferencial?
Como mínimo cada trimestre. Los modelos generativos se actualizan con frecuencia, los criterios de recuperación evolucionan y tu contenido cambia. Un diagnóstico anual es insuficiente si produces contenido a escala y la visibilidad en motores generativos es relevante para tu negocio. La revisión trimestral es parte del ciclo de vida de cualquier estrategia por LLM bien gestionada.
¿Qué es el RAG y por qué importa para mi estrategia por LLM?
RAG (Retrieval-Augmented Generation) es el proceso por el que un motor generativo recupera fragmentos de texto externos para fundamentar su respuesta antes de generarla. Importa porque determina qué contenido aparece citado en las respuestas: si tu contenido no es recuperable (por problemas de indexación, estructura o autoridad), el motor no lo usará aunque sea relevante para la consulta. Entender el RAG es entender el mecanismo central sobre el que opera cualquier estrategia por LLM.
¿La optimización por LLM sustituye al SEO tradicional?
No. La estrategia por LLM amplía el SEO tradicional, no lo reemplaza. Las señales que mejoran la citabilidad en motores generativos (E-E-A-T, estructura semántica, autoridad de dominio) son en gran medida las mismas que Google valora. Optimizar para motores generativos sin descuidar el posicionamiento en Google es la estrategia correcta para equipos que producen contenido a escala.