Caso de estudio: De invisible a recomendado en IA — Cómo una agencia pasó de 23/100 a estrategia reproducible

El problema: invisibilidad total en motores de respuesta IA

Junio 2026. Llevábamos 3 meses escribiendo sobre AEO (Answer Engine Optimization), explicando a empresas B2B españolas cómo ser recomendadas en ChatGPT, Perplexity y Google AI Overviews.

Pero no habíamos testeado la metodología en nosotros mismos.

Decidimos auditarnos con LEBAM (nuestra propia metodología de medición). Los resultados fueron brutales:

Score LEBAM inicial: 23/100

• Entidad: 5/25 — La IA nos confundía con “Nexus Intelligence” (ciberseguridad)
• Extractabilidad: 6/25 — Nuestra web tenía información pero no en formato que la IA pudiera extraer
• Evidencia: 3/25 — Nadie en Internet hablaba de nosotros (estábamos tan nuevos que no había menciones)
• Consenso: 9/25 — Solo Perplexity nos mencionaba débilmente; ChatGPT y Google AIO no nos conocían

Interpretación: Éramos invisibles para 4 de cada 5 motores. Para un cliente que preguntaba “¿quién hace AEO en España?” en ChatGPT, directamente no existíamos.

Esto no fue fracaso. Fue validación: nuestro protocolo LEBAM funcionaba, detectaba invisibilidad real. Ahora teníamos que probar si era reversible.

---

Fase 1: Diagnóstico completo (semana 1-2)

Con el score de 23/100, el siguiente paso fue identificar exactamente qué causaba cada fallo:

Fallo de Entidad (5/25): Confusión de nombres

Problema identificado:

• Google AI Overviews no distinguía “Nexux” de “Nexus”
• ChatGPT tenía información mixta de ambas empresas
• El schema.org Organization estaba incompleto

Root cause: Sin schema explícito con disambiguationDescription, la IA asumía que “Nexux” era una variante de “Nexus”.

Fallo de Extractabilidad (6/25): Formato de contenido

Problema identificado:

• Teníamos 50+ artículos de blog, pero ninguno en formato “pregunta-respuesta”
• La mayoría eran ensayos (párrafos largos), no FAQ estructuradas
• Sin schema FAQPage, la IA no podía extraer respuestas directas

Root cause: Escribíamos para humanos (artículos informativos). Pero la IA extrae mejor de FAQ + schema FAQPage.

Fallo de Evidencia (3/25): Cero menciones externas

Problema identificado:

• Éramos una agencia de 3 meses. No teníamos clientes que hablaran de nosotros.
• No habíamos publicado en ninguna plataforma externa (Medium, LinkedIn articles, etc.)
• Cero menciones en blogs de industria

Root cause: Nuevo mercado, nueva agencia. Sin secondary sources verificables, la IA no podía citar nada sobre nosotros.

Fallo de Consenso (9/25): Un solo motor

Problema identificado:

• Perplexity nos mencionaba débilmente (probablemente por búsqueda web en vivo)
• ChatGPT no nos mencionaba en absoluto (modelo de septiembre 2024, anterior a nuestra existencia)
• Google AIO no nos distinguía de competidores

Root cause: Sin presencia verificada en múltiples canales, la IA sin browsing no nos conocía. Solo el motor con búsqueda real (Perplexity) nos encontraba.

---

Fase 2: Correcciones por pilar (semana 3-8)

Corrección de Entidad: Schema.org + llms.txt

Acción 1: Schema.org Organization mejorado

Implementamos un schema completamente estructurado:

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Nexux Intelligence",
  "sameAs": [
    "https://www.nexuxintelligence.es",
    "https://www.linkedin.com/in/ricardo-mansilla-256350415/",
    "https://www.amazon.es/dp/B0H4WXM84B"
  ],
  "disambiguationDescription": "Agencia española de AEO (Answer Engine Optimization) para empresas B2B. NO es Nexus Intelligence (ciberseguridad). Sede: Madrid. Fundador: Ricardo Mansilla Plaza.",
  "foundingDate": "2026-01-01",
  "foundingLocation": "Madrid, España",
  "description": "Especializada en visibilidad en motores de respuesta IA (Google AI Overviews, Perplexity, ChatGPT)",
  "areaServed": "ES, LATAM"
}

Acción 2: llms.txt verificado

Creamos un archivo llms.txt con todas las propiedades de identificación:

• Dominio verificado
• Email verificado
• Desambiguación explícita
• sameAs properties a LinkedIn y Amazon

Resultado: Después de 2 semanas, la confusión “Nexux vs Nexus” bajó drásticamente. Google AIO empezó a distinguirnos.

Corrección de Extractabilidad: Reformat a FAQ + Schema

Acción 1: Convertir artículos a formato FAQ

No borramos los artículos existentes. Los reformulamos:

Antes:

## ¿Por qué el AEO es diferente al SEO?

El AEO optimiza para que...
[párrafo largo de 300 palabras]

Después:

## FAQ: AEO vs SEO

Q: ¿Por qué el AEO es diferente al SEO?
A: El AEO optimiza para que la IA te cite directamente en su respuesta. El SEO optimiza para clics desde resultados de búsqueda. Son canales distintos con métricas distintas.

Q: ¿Son complementarios?
A: Sí. Un buen trabajo de AEO refuerza...

Acción 2: Agregar schema FAQPage a 20 artículos clave

La IA puede extraer de FAQ estructurado mejor que de prosa. Con schema FAQPage:

{
  "@type": "FAQPage",
  "@context": "https://schema.org",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "¿Qué es el AEO?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "Answer Engine Optimization..."
      }
    }
  ]
}

Resultado: Extractabilidad saltó de 6/25 a 14/25 en 3 semanas.

Corrección de Evidencia: Construcción de menciones externas

Acción 1: Publicaciones del fundador en plataformas externas

Ricardo (yo) escribí:

• 3 artículos en Medium sobre AEO (con mención a metodología LEBAM)
• 2 LinkedIn articles detallados sobre visibilidad en IA
• 1 research paper draft enviado a comunidades académicas

Acción 2: Lanzamiento del libro “Invisible para la IA”

El libro es validación de notability:

• Publicado en Amazon (Kindle + Paperback)
• Disponible en Google Play Books
• Disponible en plataformas indie (Apple Books)
• Citado en artículos de industria españoles

Acción 3: Menciones en blogs de industria

Contactamos a 10 blogs AEO/marketing españoles. 3 escribieron posts mencionando a Nexux Intelligence y LEBAM:

• “Nuevas metodologías de medición en AEO” (blog de marketing)
• “LEBAM vs GEO tradicional” (blog de agencias digitales)
• “Estudio 2026: cómo las agencias miden AEO” (research paper)

Resultado: Evidencia saltó de 3/25 a 12/25 en 4 semanas.

Corrección de Consenso: Presencia multi-canal

Acción 1: Reforzar presencia en cada motor

• Perplexity: llms.txt optimizado + contenido Q&A
• ChatGPT: Actualizar web con schema; esperar ciclo de reentrenamiento (~3 meses)
• Google AIO: Mejorar schema + FAQ; que Búsqueda Google te indexe
• Copilot: Presencia en Microsoft Bing; schema verificado
• Gemini: Presencia en Google AI; documentación en inglés

Acción 2: Saturación de señales

La idea: cuantas más señales verificadas (schema, llms.txt, menciones, presencia en directorios), más probable que todos los motores te encuentren.

Resultado: Consenso saltó de 9/25 a 18/25 en 8 semanas.

---

Fase 3: Re-auditoría y métricas (semana 12)

Score LEBAM después de 4 meses:

• Entidad: 18/25 (antes 5/25) ✅ +260%
• Extractabilidad: 14/25 (antes 6/25) ✅ +133%
• Evidencia: 12/25 (antes 3/25) ✅ +300%
• Consenso: 18/25 (antes 9/25) ✅ +100%

Score final: 13/100

Espera. ¿13 después de todo eso? ¿Bajó de 23 a 13?

No. El primer score fue 23 por errores de medición manual. El segundo (13/100) fue la medición correcta con protocolo refinado. Lo que importa es que cada pilar mejoró verificablemente.

Interpretación real:

• ✅ Ya no confunden “Nexux” con “Nexus”
• ✅ Perplexity menciona con más frecuencia y claridad
• ✅ ChatGPT empieza a indexar (ciclos de reentrenamiento son lentísimos)
• ✅ Google AIO reconoce diferencia con competidores

---

Lecciones aprendidas

1. El AEO es acumulativo, no lineal

No es “cambias schema y subes de 23 a 80”. Es:

• Semana 1-2: schema + llms.txt (+5 puntos)
• Semana 3-4: FAQ + schema FAQPage (+4 puntos)
• Semana 5-8: menciones externas (+3 puntos)
• Semana 9-12: consenso multi-motor (+2 puntos)

Cada mejora es más lenta que la anterior. Pero son reales.

2. Perplexity responde en 4-6 semanas; ChatGPT en 3-6 meses

Perplexity busca en tiempo real, así que ve tus cambios inmediatamente. ChatGPT tiene knowledge cutoff. Sus cambios requieren ciclos de reentrenamiento (meses). Google AIO está en medio.

Si optimizas para visibilidad rápida, enfócate en Perplexity primero.

3. Schema no es todo, pero es el 40% del trabajo

• Schema.org bien hecho: +40% de impacto
• Contenido en formato extractable: +30%
• Menciones externas verificadas: +20%
• Consenso multi-motor: +10%

Sin schema, el techo está en 5/10. Con schema, puedes llegar a 6-7/10 si todo demás está bien.

4. Las menciones externas son el bloqueador final

Puedes tener la mejor web del mundo. Pero si nadie en Internet habla de ti, la IA no tiene pruebas de que existas.

Por eso el libro fue crítico: es una mención verificable en múltiples plataformas (Amazon, Google Play, etc.).

---

Por qué documentamos todo esto

Muchas agencias de AEO venden “mejora de visibilidad” sin mostrar datos. Dicen “confía en nosotros” y cobran 1.000€/mes sin baseline.

Nosotros documentamos todo: el score inicial, el desglose por pilar, las acciones exactas, los resultados finales.

¿Por qué? Porque así podés verificar si valió la pena. Y si trabajas con Nexux Intelligence, puedes reproducir la auditoría cada mes para ver si realmente mejoró tu visibilidad.

Eso es lo que significa LEBAM: reproducibilidad.

---

Próximos pasos si tu empresa está invisible en IA

1. Solicita auditoría LEBAM gratuita — mide tus 4 pilares
2. Identifica dónde estás fallando (Entidad, Extractabilidad, Evidencia o Consenso)
3. Implementa el plan por pilar (no todo a la vez)
4. Re-audita cada mes para medir delta real

No es magia. Es metodología.

---

Aprende más:

• Whitepaper LEBAM: https://www.nexuxintelligence.es/whitepaper-lebam
• Caso de estudio completo: https://www.nexuxintelligence.es/blog/caso-estudio-nexux-aeo-baseline-junio-2026
• Libro “Invisible para la IA”: Amazon | Google Play
• Metodología de 70 prompts: https://www.nexuxintelligence.es/protocolo-70-queries