La API de OpenAI solo replica el 26% de las citas de ChatGPT
Un preprint publicado el 11 de octubre por investigadores de la National University of Singapore y Xi’an Jiaotong University ha puesto cifras a algo que muchos sospechábamos: usar la API de OpenAI o los resultados de Google como sustitutos de ChatGPT para auditar citas no funciona. Combinados, ambos métodos solo identifican el 26,2% de las páginas que GPT-5.5 Instant cita realmente en la web app, y un 28,3% en el caso de GPT-5.3 Instant.
La noticia es relevante porque buena parte de las herramientas de monitorización GEO/AIO que están proliferando en el mercado hispanohablante se apoyan precisamente en la API de OpenAI o en rastreos de SERPs para estimar visibilidad en ChatGPT. Si el solape real es inferior a un tercio, muchos informes que estamos entregando a clientes están midiendo una realidad distinta a la que ve el usuario final.
Qué midió exactamente el estudio
Los investigadores grabaron el flujo de datos que recibe la aplicación web de ChatGPT durante sesiones autenticadas, capturando qué búsquedas realiza el modelo, qué páginas devuelven esas búsquedas y cuáles acaban siendo citadas. Se lanzaron 80 preguntas (40 en inglés, 40 en chino) procedentes de Search Arena, repetidas 20 veces cada una sobre GPT-5.3 Instant y GPT-5.5 Instant, entre marzo y julio de 2026.
Como sustitutos, utilizaron hasta cinco páginas de resultados orgánicos de Google vía SerpAPI (unos 43 resultados por consulta de media) y 20 llamadas por pregunta a gpt-5.3-chat-latest y gpt-5.5 a través de la Responses API con web search activado. Todo ejecutado en una ventana de tres días para minimizar sesgos temporales.
Dominios sí, URLs no: la diferencia clave
El dato más accionable para quienes hacemos GEO es la brecha entre cobertura a nivel de sitio y a nivel de página. Combinando Google y API, los investigadores detectaron:
- 48,7% de los sitios citados por GPT-5.5 Instant (50,3% en GPT-5.3)
- 26,2% de las páginas exactas citadas por GPT-5.5 Instant (28,3% en GPT-5.3)
- Google solo: 22,8% de sitios y apenas 6,4% de páginas en GPT-5.5
- API sola: 22,5% de páginas cubiertas
Traducción práctica: si tu herramienta te dice que tal dominio aparece en ChatGPT, probablemente acierte en torno a la mitad de los casos. Si te dice que aparece esa URL concreta, el margen de error se dispara. Para estrategias de contenido donde queremos optimizar un artículo específico, esto es un problema serio.
ChatGPT reescribe tus prompts y, encima, los traduce
Otro hallazgo que confirma lo que veníamos observando: ChatGPT nunca consultó usando la redacción literal de la pregunta original en GPT-5.3 y GPT-5.5 (en GPT-5.2 Instant lo hacía solo el 5,5% de las veces). El modelo reformula siempre, lo que invalida cualquier auditoría basada en «meter el prompt tal cual en Google».
Más grave para el mercado hispanohablante: entre las preguntas en chino con búsquedas visibles, GPT-5.3 Instant usó solo inglés en el 67% de los casos y GPT-5.5 Instant en el 69,6%. Esto conecta con el estudio previo de Peec AI que detectó que el 43% de los fan-out queries para prompts no ingleses se ejecutan en inglés. Para proyectos en español, significa que una parte sustancial de las fuentes que ChatGPT consulta pueden estar en inglés aunque el usuario pregunte en castellano. Tener contenido autoritativo en ambos idiomas deja de ser opcional.
La volatilidad entre ejecuciones es brutal
El 44,5% de las páginas distintas devueltas para una pregunta en GPT-5.5 Instant aparecieron en una sola de las 20 ejecuciones. En GPT-5.3 Instant, el 40,8%. Combinado con el preprint CiteChoice que ya documentó que el 15% de las decisiones de citar o no citar cambian al repetir el input, tenemos un escenario donde un único rastreo diario no sirve para absolutamente nada.
Si vendes servicios de monitorización GEO a precio premium y tu metodología consiste en una ejecución diaria vía API, deberías revisar urgentemente qué estás reportando.
Qué hacer en la práctica
Los autores recomiendan tres cosas que coinciden con lo que llevo defendiendo meses en consultorías:
- Monitorizar en dos capas: dominio y URL. Reportar solo URLs infla el error; reportar solo dominios oculta oportunidades concretas.
- Repetir el mismo prompt múltiples veces (los autores usan 20; en producción, 10 ejecuciones es un mínimo razonable).
- Auditar cómo recoge datos tu herramienta: pregunta explícitamente al proveedor si usa la API, scraping de la app, o SERPs de Google. La diferencia metodológica cambia los resultados.
Y añado una cuarta por mi parte: cualquier benchmark serio en 2026 debería incluir ejecuciones directas contra la interfaz de ChatGPT, no solo contra la API. Es más caro, más lento y más frágil, pero es lo único que refleja lo que ve el usuario.
Conclusión: menos confianza ciega en los dashboards
Todos los modelos testados son anteriores a GPT-5.6 y GPT-6, que ya está desplegándose. La foto cambiará, pero el patrón de fondo —que la API y la app web divergen— difícilmente desaparecerá, porque OpenAI tiene incentivos para optimizar cada superficie por separado. Para equipos SEO hispanohablantes, la lectura es clara: usa las herramientas GEO como señal direccional, no como verdad absoluta, y complementa con auditorías manuales periódicas sobre los prompts críticos de tu negocio.
Fuente original: Search Engine Journal
Autor
Vakho Mtchedlishvili
SEO Lead especializado en ecommerce y AI Search. Ayudo a negocios digitales a crecer en Google y en los nuevos entornos de búsqueda con IA.