Conseguir que ChatGPT, Gemini o Claude mencionen tu marca ya no basta. El siguiente reto es que, cuando el usuario pregunte «¿me lo recomiendas?», la IA no te descarte por cuatro reseñas negativas sin contexto. Un experimento publicado esta semana en Search Engine Journal por AnswerShare demuestra que sí se puede reeducar a los modelos: pasaron del 23,8% al 100% de recomendaciones en 14 días.

El caso es relevante porque confirma algo que muchos llevamos meses viendo en clientes: los frontier models están sobrecorregidos en materia de riesgo, especialmente en verticales YMYL. Ante la duda, sacan a relucir cualquier queja histórica, ponen un aviso y te sustituyen por un competidor. Tu trabajo de visibilidad se convierte en un tiro por la culata.

Por qué la IA saca lo peor de tu marca

OpenAI, Anthropic y Google han instruido a sus modelos para extremar la prudencia cuando un error pueda tener consecuencias reales en salud, finanzas o seguridad. La política de Gemini es explícita: no generar respuestas que puedan causar daño significativo. Anthropic, en su Constitución de enero de 2026, pide a Claude sopesar la responsabilidad legal.

El resultado práctico es una sobrecorrección. Los modelos disponen del numerador (número de quejas) pero no del denominador (clientes totales, años operando, cómo respondió la marca). Siete quejas sobre 20 clientes son una bandera roja. Siete quejas sobre 35.000 clientes en 13 años suponen un 99,98% de satisfacción, un dato que cualquier empresa publicaría con orgullo. La IA, sin contexto, no distingue.

Los datos del experimento: de 23% a 100% en dos semanas

AnswerShare lanzó prompts neutros vía API a los principales modelos, sin historial ni preguntas sugestivas para evitar sicofancia. La comparativa antes/después es contundente:

• Preocupaciones con contexto o escala: pasó del 2,38% al 100%.
• Respuestas que advertían al usuario: del 64,3% al 0%.
• Respuestas que recomendaban la marca: del 23,8% al 100%.

Las quejas siguieron apareciendo en la conversación —eso es imposible de borrar—, pero ahora se contextualizaban con el historial operativo y la escala del negocio. En tres días ya se veían respuestas equilibradas. En catorce, recomendación total.

Workers en el edge: la jugada técnica que marca la diferencia

Aquí está la parte interesante para quienes trabajamos SEO técnico. Publicaron un llms-full.txt con el relato completo de marca, pero además desplegaron un worker en el edge del CDN para servir ese contenido específicamente a los crawlers de IA, separando la capa máquina de la capa humana (usuarios y Googlebot).

El dato que debería hacernos replantear la estrategia: el archivo llms.txt fue rastreado 154 veces en dos meses. El worker, 744.566 veces. Es una diferencia de casi cinco órdenes de magnitud. Si esperas a que los crawlers de IA descubran tu llms.txt por las buenas, vas a esperar sentado.

Qué implica esto para el mercado hispanohablante

En España y Latinoamérica todavía estamos en fase temprana de GEO (Generative Engine Optimization) y muchas marcas ni siquiera han auditado qué dicen los LLM de ellas. Tres reflexiones desde el terreno:

• Audita antes de actuar: lanza prompts vía API (no en la interfaz web) con preguntas neutras sobre tu marca en ChatGPT, Claude, Gemini y Perplexity. Guarda las respuestas como línea base. Sin esto, no puedes medir mejora.
• El denominador manda: publica cifras concretas y verificables. Años operando, número de clientes atendidos, tasa de resolución, certificaciones. Y siempre con fuente citable (enlace a un tercero cuando sea posible).
• No intentes engañar al modelo: si tu marca tiene reputación mala merecida, ningún llms.txt lo va a arreglar. Los modelos cruzan fuentes. El objetivo es aportar contexto legítimo, no maquillar.

Los límites de esta técnica

Conviene ser honesto: este enfoque funciona porque los modelos actuales confían en el contenido servido desde el dominio propio como una fuente autoritativa sobre la propia marca. Es una ventana que puede cerrarse. Anthropic y OpenAI ya están trabajando en sistemas de verificación cruzada más estrictos, y no sería raro ver en 2027 filtros que penalicen el contenido servido diferencialmente a crawlers de IA (algo parecido al cloaking de la era Google).

Mientras tanto, la ventana está abierta. Y si tu marca aparece en conversaciones de IA pero pierde la recomendación final, este es el vector de trabajo prioritario del último trimestre de 2026.

Conclusión práctica

La visibilidad en IA ya no es solo aparecer, es ganar la recomendación. Empieza por auditar qué dicen los modelos de tu marca con prompts neutros vía API. Después, construye un llms-full.txt con historia, cifras y contexto sobre las quejas existentes. Y si tienes capacidad técnica, sirve ese contenido desde un worker en el edge para asegurar que los crawlers de IA lo consumen con la frecuencia necesaria. La repetición, como demuestra el estudio, funciona. El silencio, no.

Fuente original: Search Engine Journal