Entender cómo cita fuentes un LLM es, hoy mismo, una de las preguntas más prácticas que puede hacerse un equipo de contenidos. No es magia ni azar: hay factores identificables que aumentan o reducen la probabilidad de que ChatGPT, Perplexity o Gemini extraigan un fragmento tuyo y lo atribuyan a tu dominio. Este artículo los desglosa con honestidad, separando lo que está confirmado de lo que es inferencia razonada.
Por qué los LLM citan unas fuentes y no otras: el mecanismo base
Los LLM no “buscan” fuentes como lo haría un buscador tradicional. En los modelos sin acceso web (GPT-4 base, Claude sin herramientas), el conocimiento está codificado en los pesos del modelo durante el entrenamiento: no hay cita explícita porque no hay recuperación en tiempo real. La cita aparece cuando el modelo tiene acceso a un sistema de recuperación —RAG (Retrieval-Augmented Generation)— que indexa documentos y los inyecta como contexto antes de generar la respuesta.
Perplexity, Bing Copilot y el modo de búsqueda de ChatGPT funcionan así: primero recuperan páginas relevantes, luego las sintetizan y, si el fragmento recuperado es lo bastante informativo, lo atribuyen con un número de cita. El factor decisivo no es solo que tu página esté indexada, sino que el fragmento recuperado sea el más útil para responder la pregunta concreta del usuario.
Esto tiene una implicación directa: puedes tener un dominio con autoridad altísima y aun así no ser citado si el fragmento que el motor recupera de tu página no responde de forma directa y autónoma la pregunta formulada. La relevancia semántica al nivel del párrafo importa tanto como la autoridad del dominio.
Relevancia semántica: el factor número uno
El primer criterio de citación es la coincidencia semántica entre la consulta y el fragmento recuperado. No se trata de que la keyword aparezca en el texto, sino de que el fragmento responda la intención de búsqueda de forma completa y autónoma.
Qué significa “autónomo” en este contexto
Un fragmento autónomo es aquel que tiene sentido al extraerlo de su contexto original. Si tu párrafo empieza con “Como mencionamos antes…” o depende de una tabla que está dos secciones más arriba, el modelo no puede usarlo como cita útil. En cambio, un párrafo que define un concepto, da un dato con su fuente y extrae una conclusión puede funcionar solo.
El equipo de investigación de Princeton, Georgia Tech y otros centros publicó en 2023 el paper GEO: Generative Engine Optimization, que identificó la “estadística y cita de fuentes” como uno de los métodos con mayor impacto en la visibilidad dentro de respuestas generativas. Añadir datos concretos con atribución explícita dentro del propio texto aumentó la frecuencia de citación en sus experimentos.
Densidad de respuesta por párrafo
Los motores de recuperación trabajan con chunks: trozos de texto de longitud fija o semántica. Si distribuyes la información clave en párrafos largos y diluidos, el chunk que recupere el motor puede no contener la respuesta completa. Párrafos cortos, con una idea central por párrafo y la respuesta en las primeras dos frases, maximizan la probabilidad de que el chunk recuperado sea útil.
Autoridad y E-E-A-T: lo que el modelo “sabe” de tu dominio
Los LLM aprenden durante el entrenamiento qué dominios son citados frecuentemente como fuentes fiables en la web. Un dominio que aparece referenciado en Wikipedia, en papers académicos o en medios de referencia tiene más probabilidad de ser recuperado y citado que uno sin esa presencia, incluso si el contenido puntual es similar.
E-E-A-T como señal de entrenamiento
Google definió E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) como marco para evaluar la calidad del contenido. Para los LLM, estas señales no se leen directamente, pero se manifiestan en patrones que el modelo aprende: un autor con nombre real y trayectoria verificable, referencias a fuentes primarias, lenguaje técnico preciso y ausencia de afirmaciones contradictorias con el consenso de la disciplina.
En la práctica, esto se traduce en: firma los artículos con autor real, incluye su bio con credenciales verificables, enlaza a fuentes primarias (no solo a otros artículos de tu propio blog) y evita afirmaciones que el modelo pueda contrastar como erróneas. Un contenido que el modelo “reconoce” como coherente con lo que sabe tiene más probabilidad de ser seleccionado.
Autoridad de dominio vs. autoridad del fragmento
Aquí hay una distinción importante que a menudo se pasa por alto: la autoridad del dominio ayuda a entrar en el índice de recuperación, pero la autoridad del fragmento determina si ese fragmento específico se usa como cita. Puedes tener un DA alto y aun así perder la cita ante un artículo más específico de un dominio menor, si ese artículo responde mejor la pregunta exacta. Ambas dimensiones son necesarias.
Estructura extraíble: cómo el formato afecta a las citaciones IA
La estructura del contenido no es solo una cuestión de UX o de SEO técnico: es un factor directo en cómo los motores de recuperación procesan y fragmentan tu texto. Un contenido bien estructurado produce chunks más coherentes y útiles.
Encabezados como señales de intención
Los H2 y H3 actúan como etiquetas semánticas: le dicen al sistema de recuperación de qué trata el chunk que sigue. Un H2 formulado como pregunta (“¿Qué factores determinan las citaciones de IA?”) o como afirmación directa (“Los cinco factores que determinan las citaciones de IA”) produce chunks más fácilmente asociables a consultas conversacionales que un encabezado genérico (“Introducción” o “Más información”).
Listas, tablas y definiciones
Las listas numeradas y los bloques de definición son especialmente recuperables porque tienen estructura interna clara. Un párrafo que enumera tres factores en prosa corrida puede perder información al ser cortado; una lista con tres ítems bien redactados puede recuperarse íntegra. Las tablas comparativas son útiles para consultas de tipo “¿cuál es la diferencia entre X e Y?”, pero solo si las celdas contienen información autónoma, no referencias cruzadas.
Frescura del contenido: cuándo importa y cuándo no
La frescura importa mucho en motores con acceso web en tiempo real y poco en LLM puros sin retrieval. Esta distinción es crítica para priorizar esfuerzos.
Perplexity y Bing Copilot recuperan páginas en tiempo real: para ellos, una página actualizada recientemente tiene ventaja en consultas sobre temas cambiantes (normativas, herramientas, precios, eventos). Para ChatGPT en modo sin búsqueda, la fecha de publicación es irrelevante porque el modelo usa su conocimiento de entrenamiento, que tiene una fecha de corte.
La implicación práctica: si tu objetivo es aparecer en respuestas de Perplexity sobre temas con alta velocidad de cambio (actualizaciones de algoritmos, nuevas funcionalidades de plataformas, regulación), la fecha de última actualización visible en la página y el marcado de fecha en el esquema JSON-LD son señales que el crawler de Perplexity puede leer. Para temas evergreen —definiciones, marcos conceptuales, metodologías— la frescura pesa menos que la profundidad.
Presencia en las fuentes que el motor consulta: el factor menos visible
Ser citado por un LLM también depende de si tu dominio forma parte del conjunto de fuentes que ese motor indexa o prioriza. Este es el factor más opaco, pero hay patrones identificables.
Indexación en Common Crawl y corpus de entrenamiento
Los grandes LLM (GPT, Llama, Gemini) se entrenan sobre corpus que incluyen Common Crawl, libros digitalizados, Wikipedia y fuentes curadas. Si tu dominio no estaba bien indexado en Common Crawl en las fechas de corte del entrenamiento, el modelo tiene menos “memoria” de él. Esto no es fácil de corregir retroactivamente, pero sí influye en la probabilidad de que el modelo genere atribuciones espontáneas a tu dominio (sin retrieval).
Presencia en fuentes que Perplexity prioriza
Perplexity tiene su propio índice web y, según análisis publicados por investigadores independientes en 2024, tiende a recuperar con más frecuencia dominios con alto número de backlinks de calidad, contenido estructurado con schema markup y páginas con buena velocidad de carga. En este sentido, el SEO técnico clásico sigue siendo relevante para la visibilidad en motores generativos con retrieval.
Además, si tu contenido es referenciado por otros dominios que sí están en el índice del motor (es decir, si tienes backlinks de fuentes que Perplexity ya consulta), aumentas la probabilidad de ser recuperado por asociación. El link building no ha muerto para GEO: ha cambiado de función.
Schema markup y datos estructurados
El marcado de schema (Article, FAQPage, HowTo, Person) no garantiza la citación, pero facilita que el crawler entienda la naturaleza del contenido y lo clasifique correctamente. Un bloque FAQPage bien marcado puede ser recuperado directamente como respuesta a una pregunta conversacional. Es un factor de accesibilidad para el motor, no un factor de ranking directo.
Cómo auditar el contenido de un cliente con estos factores
Aplicar estos criterios a una auditoría de contenidos es más directo de lo que parece. El proceso tiene cuatro pasos concretos.
Primero, identifica las consultas conversacionales objetivo. No las keywords de SEO clásico, sino las preguntas que un usuario haría a un LLM sobre el sector del cliente. Herramientas como “People Also Ask” de Google o el propio Perplexity son útiles para mapearlas. Para cada consulta, define cuál debería ser el fragmento ideal de respuesta.
Segundo, evalúa la autonomía de los fragmentos actuales. Coge los párrafos de apertura de cada sección y comprueba si tienen sentido fuera de contexto. Si requieren leer lo anterior para entenderse, reescríbelos con la respuesta directa en las primeras dos frases. Este es el cambio con mayor retorno inmediato.
Tercero, audita la estructura de encabezados. Comprueba que los H2 y H3 son descriptivos y orientados a intención, no genéricos. Revisa que cada sección tiene al menos un párrafo que podría funcionar como cita autónoma.
Cuarto, verifica las señales de autoridad. Autor firmado con bio, enlaces a fuentes primarias, datos con atribución explícita, schema markup de Article y Person. Estas señales son auditables en minutos con una revisión manual o con herramientas de análisis de schema.
Para profundizar en la optimización para motores generativos, consulta los artículos del blog sobre qué es GEO y cómo funciona y sobre cómo estructurar contenido para ser citado por IA. Ambos desarrollan con más detalle aspectos que aquí hemos tratado de forma necesariamente resumida.
Preguntas frecuentes
¿Puede un artículo nuevo ser citado por un LLM o hace falta antigüedad de dominio?
En motores con retrieval en tiempo real como Perplexity, un artículo recién publicado puede ser citado si está indexado y responde bien la consulta. La antigüedad del dominio ayuda como señal de autoridad acumulada, pero no es un requisito excluyente. Un artículo muy específico y bien estructurado en un dominio nuevo puede superar a uno genérico en un dominio veterano para consultas de nicho.
¿El SEO técnico clásico (velocidad, Core Web Vitals) influye en las citaciones de IA?
Sí, de forma indirecta. Los motores con retrieval propio (Perplexity, Bing) rastrean páginas web: una página lenta o con errores de rastreo puede no estar en su índice o tener una versión desactualizada. Los Core Web Vitals no son un factor de ranking directo para citaciones, pero una mala experiencia técnica puede impedir la indexación correcta, que sí es un prerequisito.
¿Hay diferencias entre cómo cita fuentes ChatGPT y cómo lo hace Perplexity?
Sí, y son diferencias importantes. ChatGPT en modo sin búsqueda genera respuestas desde sus pesos de entrenamiento y no cita fuentes en tiempo real; las “atribuciones” que produce son memorísticas, no recuperadas. ChatGPT con búsqueda activada y Perplexity sí recuperan páginas en tiempo real y citan con número de referencia. Perplexity es actualmente el motor más transparente en sus citas, lo que lo hace el banco de pruebas más útil para auditar visibilidad GEO.
¿El contenido en otros idiomas compite con el contenido en español para citaciones?
Depende de la consulta y del motor. Para consultas en español, los motores tienden a priorizar fuentes en español. Sin embargo, si no existe contenido de calidad en español sobre un tema, el motor puede recuperar y traducir fuentes en inglés. Esto supone una oportunidad real para dominios en español que produzcan contenido técnico riguroso en áreas donde la cobertura en castellano es escasa.
Leave a Reply