Referencia

Glosario SEO GEO, AEO y LLM: términos sensatos

Q: GEO et AEO sont-ils la même chose avec des noms différents ?

No. There is technical overlap in the foundations, but AEO optimises for traditional search engines and their direct answer blocks, while GEO optimises specifically for generative language models.

Q: Dois-je implémenter llms.txt et ai.json séparément ?

Oui, ils servent des objectifs complémentaires mais distincts : llms.txt oriente les crawlers IA sur le site, tandis qu'ai.json fournit des métadonnées structurées sur la marque elle-même.

Q: Une RAG-Readiness élevée garantit-elle un GEO Score élevé ?

Pas nécessairement. La RAG-Readiness mesure la préparation technique du contenu ; le GEO Score mesure si ce contenu a déjà été incorporé dans la connaissance organique des modèles - il peut y avoir un décalage temporel entre les deux.

Este sector inventa vocabulario más rápido de lo que puede definirlo con precisión. Esto es lo que realmente significa cada término, sin inflación de marketing, para que utilice la palabra correcta y sepa exactamente lo que implica.

Conceptos fundamentales

GEO - Generative Engine Optimization

Conjunto de prácticas que hacen que una marca, un producto o un sitio web tengan más probabilidades de ser citados por modelos de lenguaje generativo (como ChatGPT, Gemini, Perplexity o Claude) cuando responden a las preguntas de los usuarios. A diferencia del SEO, no hay una clasificación pública que consultar; sólo se sabe si una marca aparece activando mensajes sistemáticamente y analizando las respuestas.

AEO - Answer Engine Optimization

Practique la optimización para aparecer en respuestas directas de los motores de búsqueda tradicionales: fragmentos destacados, paneles de respuestas y bloques de "la gente también pregunta". Existe una importante superposición técnica con GEO (estructura, claridad, preguntas frecuentes), pero los mecanismos de evaluación y los motores de destino son diferentes: AEO sirve a motores de búsqueda clásicos, GEO sirve a LLM generativos.

LLM Search

Capa de búsqueda donde un modelo de lenguaje realiza búsquedas web en tiempo real antes de responder, por ejemplo, ChatGPT con búsqueda activa o Perplexity. Se diferencia de la capa orgánica (que el modelo ya conoce por su entrenamiento) porque depende del SEO tradicional del sitio web consultado en el momento de la búsqueda.

RAG - Retrieval-Augmented Generation

Tecnología que permite a un modelo de lenguaje acceder a información externa y actualizada en tiempo real, en lugar de depender únicamente de conocimientos fijados en su formación. Es el motor técnico detrás de funciones como la búsqueda web en asistentes de inteligencia artificial y sistemas comerciales que consultan sus propias bases de conocimiento.

Métricas y puntuaciones

GEO Score

Índice de 0 a 100 que mide la visibilidad orgánica de una marca en las respuestas del LLM, combinando frecuencia de mención, posición relativa en la respuesta y calidad de la citación. Calculado únicamente a partir de respuestas orgánicas (sin búsqueda web ni contexto RAG inyectado) para mantener el número estable y comparable. Metodología completa aquí.

RAG-Readiness

Medida de qué tan bien está estructurado el contenido de un sitio web para que los sistemas RAG lo recuperen de manera efectiva, la tecnología que permite a los LLM acceder a información actualizada. Un sitio web puede tener un RAG-Readiness alto pero un GEO Score bajo: esto indica que el contenido existe y está bien preparado, pero aún no se ha incorporado al conocimiento orgánico de los modelos.

IPD-IA: Índice de preparación digital para la IA

Marco independiente que analiza el nivel de preparación digital de los sitios web de las empresas portuguesas para los motores de respuesta de IA, evaluando cinco pilares: estructura técnica, estructura semántica, preparación de IA, autoridad externa y estrategia de posicionamiento. Ver resultados por sector.

Señales técnicas

llms.txt

Archivo publicado en la raíz de un dominio que guía a los rastreadores de IA sobre la estructura del sitio y el contenido prioritario (el equivalente, para los modelos de lenguaje, de lo que sitemap.xml es para motores de búsqueda tradicionales.

ai.json

Archivo de metadatos estructurados en la raíz de un dominio, diseñado para el consumo directo por sistemas de inteligencia artificial: describe la marca, los servicios y el contexto de una manera legible por máquina, complementando los datos estructurados ya presentes en HTML.

Schema Markup / Datos estructurados

Vocabulario estandarizado (Schema.org) insertado en el código de una página para describir explícitamente entidades, productos, servicios o eventos, de modo que los motores de búsqueda y los sistemas de inteligencia artificial puedan interpretar el contenido sin ambigüedad.

Claridad de entidad

Grado en el que un LLM puede identificar sin ambigüedades qué es, qué hace y para quién una marca, sin depender de inferencias o datos contradictorios entre plataformas. Es uno de los factores más determinantes en la probabilidad de que una marca sea citada correctamente.

Preguntas frecuentes

GEO et AEO sont-ils la même chose avec des noms différents ?

No. Existe una superposición técnica en los fundamentos (estructura, claridad, preguntas frecuentes), pero AEO optimiza para motores de búsqueda tradicionales y sus bloques de respuesta directa, mientras que GEO optimiza específicamente para modelos de lenguaje generativo. Vea la comparación completa en GEO vs SEO.

Dois-je implémenter llms.txt et ai.json séparément ?

Sí, tienen propósitos complementarios pero distintos: llms.txt guía la navegación de los rastreadores de IA a través del sitio, mientras que ai.json proporciona metadatos estructurados sobre la propia marca. Ninguno reemplaza el marcado de esquema tradicional en HTML.

Une RAG-Readiness élevée garantit-elle un GEO Score élevé ?

No necesariamente. RAG-Readiness mide la preparación técnica del contenido; GEO Score mide si este contenido ya se ha incorporado al conocimiento orgánico de los modelos. Puede haber un desfase entre tener el contenido correcto y que se refleje en el comportamiento del modelo: los ciclos de reentrenamiento toman meses.