Diferencia entre GEO y AEO: qué cambia de verdad en 2026

La generative engine optimization (GEO) es el trabajo que consigue que una página aparezca citada dentro de una respuesta escrita por un modelo de lenguaje. La answer engine optimization (AEO) es la práctica más antigua: que la página se convierta en la respuesta, en el featured snippet, en la respuesta de voz, en el recuadro que va encima de los diez enlaces. La GEO busca la bibliografía. La AEO busca la frase.

El objetivo comercial es el mismo: verse donde el clic ya no llega solo. Las diferencias operativas son tres: qué formato de respuesta te paga, qué crawler tiene que llegar a la página y qué puedes medir después. En lo demás los dos manuales se solapan tanto que un equipo puede llevar un único proceso.

La versión de treinta segundos

• AEO apunta a la extracción. Una máquina lee la página, encuentra el pasaje que responde a la consulta y muestra ese pasaje. La unidad de éxito es un párrafo.
• GEO apunta a la síntesis. Un modelo lee varias fuentes, escribe una respuesta nueva y atribuye partes de ella a las fuentes en las que se apoyó. La unidad de éxito es una cita.
• El solape cubre casi todo el trabajo: HTML que los crawlers puedan leer, una respuesta directa arriba, densidad de datos, estructura limpia y fuentes que el lector pueda comprobar.
• La diferencia aparece al medir. Google informa de las impresiones en respuestas de IA dentro de Search Console. ChatGPT, Claude y Perplexity no informan de nada, así que el seguimiento de citas lo montas tú o lo compras.

De dónde sale cada término

La AEO nace del trabajo sobre featured snippets y asistentes de voz de finales de los años diez. La tarea era mecánica: responder a la pregunta en un párrafo, arriba, con las palabras de la consulta, y esperar que Google lo eligiera. Nunca fue un asunto de markup. La documentación de Google sigue diciendo que una página no se puede marcar como featured snippet y que la selección la hacen sus sistemas de forma automática (Google Search Central, featured snippets).

La GEO, en cambio, tiene partida de nacimiento. El término viene de un artículo de Pranjal Aggarwal y colegas en Princeton, presentado en KDD 2024, que construyó GEO-bench (diez mil consultas en nueve dominios) y probó nueve cambios de contenido sobre un motor generativo que imitaba a Bing Chat. Tres movieron la aguja de verdad: añadir citas, añadir frases entrecomilladas y añadir estadísticas, cada uno con hasta un 40% más de visibilidad para la fuente modificada dentro de la respuesta generada (Aggarwal et al., GEO: Generative Engine Optimization). Por eso GEO significa algo concreto, mientras que la mayoría de siglas de este campo no.

Cómo elige un answer engine el fragmento que extrae

Un answer engine primero ordena las páginas y luego busca, dentro de los primeros resultados, un bloque de texto que satisfaga la consulta. La ordenación es la de la búsqueda de siempre. La extracción es un juicio sobre el pasaje: ¿responde este párrafo, esta lista o esta tabla por sí solo, sin la página alrededor?

Las consecuencias no son lucidas. Pon la respuesta en un párrafo independiente de cuarenta a sesenta palabras. Usa la formulación de la pregunta en el encabezado que va justo encima. Deja las listas cortas y paralelas, porque las listas se levantan enteras. No entierres la respuesta bajo un preámbulo sobre lo interesante que es la pregunta.

Cómo elige un motor generativo a quién citar

Un motor generativo recupera un conjunto de documentos candidatos, luego escribe una respuesta y atribuye partes de ella. La recuperación decide si estás en la carrera. La atribución decide si aparece tu nombre. El segundo paso es donde la GEO se gana el sueldo, porque un modelo atribuye los pasajes que llevaban información concreta y comprobable: un número, una fecha, un estándar con nombre, una frase entrecomillada.

Ese es el mecanismo detrás del resultado de Princeton. Un párrafo con una estadística y una fuente se atribuye mejor que un párrafo de buenos consejos, porque el modelo tiene algo a lo que señalar. La autoridad genérica se lee como conocimiento de fondo y se absorbe sin enlace. La versión del primer párrafo la contamos en cómo escribir los primeros 200 tokens.

La cuestión de los crawlers

Aquí las dos disciplinas dejan de ser intercambiables. La AEO corre sobre Googlebot y Bingbot, que casi todos los sitios ya dejan pasar. La GEO corre sobre una lista más larga, y los nombres importan porque hacen trabajos distintos. OpenAI documenta tres: OAI-SearchBot para mostrar sitios en los resultados de ChatGPT, ChatGPT-User para las peticiones que dispara el prompt de un usuario y GPTBot para datos de entrenamiento (OpenAI, Bots). Bloquear GPTBot para quedarte fuera del entrenamiento no bloquea OAI-SearchBot. Bloquear los tres te saca del todo del conjunto de fuentes que ChatGPT puede citar.

Google hace el mismo reparto con Google-Extended, que gobierna el entrenamiento y el grounding de Gemini sin tocar el ranking de la Búsqueda. Un robots.txt escrito en 2023 para dejar fuera a la IA es, en 2026, una estrategia de AEO con la GEO apagada. Es una postura defendible. Debería ser una decisión consciente.

Qué se puede medir de verdad en 2026

La medición es donde las etiquetas por fin se pagan solas, porque los datos disponibles no son simétricos.

Del lado de Google, el 3 de junio de 2026 Search Console añadió los informes de rendimiento en las funciones de IA generativa de la Búsqueda: impresiones y páginas para AI Overviews y AI Mode, desglosadas por país, dispositivo y fecha (Google Search Central Blog). Ese informe no trae clics, y el despliegue fue gradual, no para todas las propiedades a la vez. Así que ves si una página aparece en las respuestas de IA de Google. No ves qué te dejó esa aparición.

En todo lo demás no hay consola. ChatGPT, Claude y Perplexity no publican analítica para editores, así que la tasa de citas sale de probar tu propio conjunto de prompts o de un rastreador externo. Y los resultados no se trasladan de un motor a otro: Semrush comparó 730.000 pares de respuestas y encontró que AI Mode y AI Overviews llegan a la misma conclusión en torno al 86% de las veces, pero comparten solo el 13,7% de las URL citadas (estudio de Semrush sobre AI Mode). Dos productos de Google, un solo índice y casi ninguna bibliografía en común. Entre proveedores distintos espera menos coincidencia, no más. Ese contraste lo desmontamos en AI Overviews y AI Mode, y la parte de KPI en KPI de GEO en 2026.

Dónde coinciden las dos

Casi toda la checklist es compartida, y por eso la pelea de vocabulario importa poco:

• Texto renderizado en el servidor. El contenido detrás de JavaScript de cliente es una lotería para las dos.
• Una respuesta dentro de las primeras doscientas palabras, con las palabras del lector.
• Encabezados en forma de pregunta, porque extracción y recuperación puntúan a nivel de sección.
• Números, fechas, versiones, entidades con nombre. La concreción es la moneda común.
• Enlaces salientes a fuentes primarias que siguen respondiendo.
• Fechas de actualización reales y revisiones honestas.

Los datos estructurados están en ese grupo compartido, con un matiz que conviene decir claro. Google dice que no hay ningún schema especial para las funciones de IA ni markup que añadir a propósito (Google Search Central, AI features and your website), y la guía de optimización que publicó en mayo de 2026 repite los mismos fundamentos (Google, optimizar para las funciones de IA generativa). El schema sigue mereciendo su sitio: desambigua entidades, trae rich results y cuesta unos pocos kilobytes. Lo que no hace es comprar una cita con un bloque FAQPage. Nuestra guía de JSON-LD está aquí.

Dónde la etiqueta cambia el trabajo

Tres casos en los que el marco equivocado cuesta tiempo real.

Longitud y forma del contenido

La AEO premia un pasaje corto y extraíble. La GEO premia una página lo bastante densa como para merecer la recuperación en varias consultas cercanas. Una página de respuesta de trescientas palabras puede ganar un snippet y no entrar nunca en un conjunto de respuesta generativa, porque la recuperación prefiere documentos con más materia dentro. Cuando importan las dos, escribe la página larga y pon el párrafo extraíble arriba del todo.

Marca o URL

Un answer engine manda un clic a una URL. Un motor generativo a menudo nombra la marca en el texto y enlaza una vez, o la nombra sin enlace ninguno. Eso mete el seguimiento de menciones dentro del trabajo y cambia qué cuenta como resultado. Lo vemos en menciones de marca y backlinks.

Ritmo de actualización

Un featured snippet puede aguantar meses. Una respuesta generativa se recompone en cada prompt, contra lo que la capa de recuperación indexó más recientemente. Un número viejo en la página hace algo peor que quedar mal: hace que la página se descarte a favor de una fuente más fresca que dice lo mismo con la cifra de este año.

Qué palabra usar

Hacia dentro, elige una y defínela en el brief. Nosotros usamos GEO, porque los motores que nos interesan sintetizan en vez de extraer, y porque el término tiene un paper detrás. AEO sigue siendo útil cuando el objetivo real es un featured snippet o una respuesta de voz, donde la extracción es todo el juego.

Hacia fuera, la elección es más de posicionamiento que de técnica. Algunos proveedores de herramientas se estandarizaron en AEO, otros en GEO, y unos cuantos escriben ya "AI search optimization" para esquivar la discusión. Nada de eso cambia el trabajo: legible para los crawlers, concreto, con fuentes y al día. La etiqueta sirve para hablar del trabajo. La auditoría sirve para saber si está ocurriendo.