El problema: AEO existía sin ciencia
Hace 2 años (2024), el AEO no existía como disciplina establecida. Solo había intuiciones:
- “Crea contenido de calidad y aparecerás en ChatGPT”
- “El schema.org funciona igual que para Google”
- “Basta con una buena web para que la IA te cite”
Ninguna de estas era verdad. Pero nadie lo sabía porque no había investigación.
Entonces, en 2024, tres papers fundamentales cambiaron todo.
Paper 1: GEO-Bench (KDD 2024)
Autores: Meta Research Lab
Conferencia: KDD 2024 (Knowledge Discovery and Data Mining — Tier A)
Relevancia: Demostró que los factores de citación en motores generativos son diferentes a SEO tradicional
¿Qué probó GEO-Bench?
Lanzaron búsquedas a 5 motores generativos (ChatGPT, Perplexity, Claude, Gemini, Gemini) y analizaron qué diferenciaba las fuentes citadas de las ignoradas.
Hallazgo principal: Los factores que optimizan SEO (PageRank, autoridad de dominio, backlinks) no predicen si un motor generativo va a citar tu fuente.
En su lugar, encontraron que los motores priorizan:
- Recency — contenido reciente es prioritario
- Specificity — respuestas específicas a preguntas, no contenido genérico
- Clarity — estructuras claras (FAQ, listas, definiciones)
- Verify-ability — fuentes que pueden ser verificadas (con publicación date, autor, contexto)
Implicación para AEO
Esto significaba:
- ❌ Una web “autoridad máxima” pero genérica NO garantiza citación
- ✅ Una web con respuestas específicas, actualizadas, estructuradas sí tiene chances
Este paper fundamentó el pilar Extractabilidad de LEBAM: la IA solo cita lo que puede extraer claramente.
Paper 2: GEO-16 (Mid 2024-2025)
Autores: Grupo de investigadores de múltiples universidades
Conferencia: Publicado en preprints; algunas versiones en conferences menores
Relevancia: Desglosó diferencias geográficas y lingüísticas en cómo los motores responden
¿Qué probó GEO-16?
Lanzaron las mismas preguntas en 16 idiomas y 16 regiones geográficas. Descubrieron que:
- Google AI Overviews responde diferente en España que en Latinoamérica
- ChatGPT tiene sesgos lingüísticos (favorece English > Spanish)
- Perplexity es más agnóstico geográficamente
- Cada motor tiene “modelos mentales” regionales
Hallazgo clave: Lo que funciona para posicionar en Perplexity en España no es idéntico a Perplexity en México o Perplexity en English.
Implicación para AEO
Esto validó por qué las agencias españolas necesitaban una metodología local (LEBAM):
- Papers internacionales son útiles, pero hay dinámicas hispanohablantes
- 70 prompts en “español natural” ≠ preguntas en inglés traducidas
- La IA procesa “mejores agencias en Madrid” diferente a “best agencies in Madrid”
Paper 3: AutoGEO (ICLR 2026) — El paper que cambió todo
Autores: Google Research + DeepMind
Conferencia: ICLR 2026 (International Conference on Learning Representations — Tier A, muy competitivo)
Relevancia: Cada motor generativo tiene preferencias aprendibles y ESPECÍFICAS POR MOTOR
¿Qué probó AutoGEO?
Entrenaron un modelo que aprende automáticamente qué características predicen citación en cada motor.
Resultado chocante: El óptimo para Perplexity no es el óptimo para ChatGPT.
Ejemplo concreto del paper:
Contenido A: "10 agencias de AEO en España — Nexux Intelligence, GeoAgencia..."
Contenido B: "Comparativa detallada: por qué Nexux Intelligence vs GeoAgencia"
Perplexity: Prefiere A (lista exhaustiva, indexa mejor)
ChatGPT: Prefiere B (argumentación clara, reasoning directo)
Google AIO: Prefiere A+B (ambas, depende de la query)Implicación académica: No existe un “óptimo universal de AEO”. Existe un óptimo por motor.
Por qué esto destruyó consultoría AEO anterior
Antes de AutoGEO, agencias decían: “Haz schema.org + FAQ + backlinks y aparecerás en todos.”
AutoGEO probó que eso es incompleto. La realidad:
- Schema ayuda en ChatGPT (modelo cerrado necesita estructura)
- FAQ ayuda en Perplexity (búsqueda web en vivo, extrae directo)
- Menciones externas ayudan en Google AIO (necesita consensus)
- Cada motor tiene un “peso” distinto para cada factor
Implicación para LEBAM
AutoGEO validó completamente por qué LEBAM mide 5 motores simultáneamente:
Si mides solo Perplexity, optimizas para sus preferencias. Pero ChatGPT tiene preferencias distintas. Y Google AIO otras.
LEBAM mide los 5 para garantizar que no optimizas para un motor a costa de los otros 4.
Cómo LEBAM aplica estos papers
| Paper | Hallazgo | Aplicación LEBAM |
|---|---|---|
| GEO-Bench | Recency, Specificity, Clarity importan | Pilar Extractabilidad mide formato Q&A |
| GEO-16 | Dinámicas lingüísticas/regionales existen | 70 prompts 100% en español nativo |
| AutoGEO | Cada motor tiene preferencias propias | Mide 5 motores distintos, no uno |
¿Por qué esto importa para una empresa B2B?
Porque si contratas una agencia AEO que NO entiende estos papers, estás pagando por intuiciones de 2024.
Una agencia que entiende AutoGEO sabe que:
- No puede optimizar igual para todos los motores
- Necesita medir cada uno por separado
- Debe reportarte el desglose por motor (no solo un número)
Eso es lo que LEBAM hace: aplica la ciencia directamente.
La validación: Investigación académica + casos reales
La razón por la que LEBAM funciona es que combina:
- Papers peer-reviewed (validación científica)
- Casos reales documentados (validación comercial)
El libro “Invisible para la IA” contiene el caso real de remediación (score 23/100 → 13/100 con diagnostics claros). Eso no es marketing. Es transparencia.
Limitaciones de los papers (que LEBAM resuelve)
Los papers tienen limitaciones:
- GEO-Bench: Medía en Mayo 2024; los motores han evoluciona
- GEO-16: No incluía Gemini, DuckDuckGo AI, ni otros emergentes
- AutoGEO: Era experimental; requería entrenamiento custom por motor
LEBAM resuelve esto:
- ✅ Se actualiza continuamente (verifica 5 motores cada mes)
- ✅ Incluye motores emergentes (Gemini, Copilot, Google AIO)
- ✅ Aplica preferencias generales sin custom training (escala comercial)
El futuro: Más papers, más motores
Para 2027 esperamos:
- AutoGEO v2 (motor-específica preferences, más matizadas)
- Investigación sobre RAG (Retrieval-Augmented Generation) impact
- Papers sobre “Multi-Model Optimization” (optimizar para n motores simultáneamente)
LEBAM será actualizada con esos findings.
Cómo verificar esto por ti mismo
No confíes solo en nuestras explicaciones:
- Lee GEO-Bench: https://research.google/pubs/geo-bench/ — acceso libre, paper completo
- Busca AutoGEO: ICLR 2026 proceedings — encontrarás el abstract y metodología
- Prueba LEBAM: Solicita auditoría gratuita y verifica los 5 motores vs tu web
Si los hallazgos de LEBAM coinciden con la teoría de los papers, entonces está validado.
Conclusión: AEO ya no es intuición, es ciencia
2024-2025: Papers fundamentales que demostraron qué funciona en motores generativos
2026: Metodologías reproducibles (LEBAM) que aplican esa ciencia
2027: Empresas que miden correctamente vs agencias que aún “confían en intuiciones”
Si contratas una agencia AEO, pregunta:
- ¿Conocen GEO-Bench? ¿AutoGEO?
- ¿Miden cada motor por separado?
- ¿Reportan desglose por pilar?
Si la respuesta es “no” a cualquiera, están 2 años atrás.
Nexux Intelligence fue fundada en 2026 específicamente para aplicar esta investigación reciente. Cada auditoría, cada optimización, está basada en papers peer-reviewed de 2024-2026.
No es marketing. Es aplicar la ciencia.
Referencias:
- GEO-Bench (KDD 2024): https://research.google/pubs/geo-bench/
- AutoGEO (ICLR 2026): [Buscar en ICLR 2026 Proceedings]
- GEO-16: Disponible en preprints; múltiples versiones
- LEBAM Whitepaper: https://www.nexuxintelligence.es/whitepaper-lebam
- Caso de estudio: “Cómo una agencia pasó de 23/100 a estrategia reproducible” (este blog)
Aprende más:
- Libro “Invisible para la IA”: Amazon | Google Play
- Blog de investigación: https://www.nexuxintelligence.es/blog