Un equipo de Panamá, España, Nicaragua y Estados Unidos publica la primera revisión de alcance sobre medición en GEO

En las páginas del volumen 2, número 24 (2026) de la publicación académica Latitude: Multidisciplinary Research Journal —bajo el sello de Quality Leadership University (QLU) en Ciudad de Panamá— ha visto la luz el estudio «Medición de la presencia de marca en la optimización para motores generativos: una revisión de alcance sobre métricas y validez», cuya autoría corresponde a Néstor Romero-Ramos, Yulianna Lobach, David Abreu-Abreu, Isaac Castillo-Hernández, Juan Carlos García-Cordero y Daniel García-Cordero. Dicha investigación, de libre acceso para la ciudadanía, constituye el debut bibliográfico de la agenda de estudio centrada en la Generative Engine Optimization (GEO) que Centria Group impulsa en colaboración con diversos centros de educación superior y universidades de cuatro naciones.

El artículo da respuesta a una incógnita que el marketing digital aún no logra resolver con precisión: cuando un asistente de inteligencia artificial recomienda un banco, un seguro o un hotel, ¿cómo se mide si una marca está presente en esa respuesta, con qué prominencia y con qué fiabilidad? Para darles solución, el equipo llevó a cabo una revisión de alcance (scoping review) basada en la metodología del Joanna Briggs Institute (JBI) y divulgada según la extensión PRISMA-ScR, la cual examina de manera metódica el modo en que la bibliografía reciente evalúa la aparición, la visibilidad y el posicionamiento de fuentes y marcas dentro de los motores generativos.

«Durante casi dos décadas, la visibilidad digital se midió por una capacidad muy concreta: aparecer —y ser pulsado— en una lista de resultados. Hoy el usuario ya no recibe diez enlaces azules: recibe una respuesta sintetizada que integra y reformula varias fuentes, y que las cita de forma parcial o desigual. La pregunta relevante ha dejado de ser si mi enlace aparece y se pulsa, y ha pasado a ser si mi contenido está presente dentro de la respuesta que el usuario realmente lee», explica Néstor Romero, autor corresponsal del estudio y COO de Centria Group.

Del clic a la respuesta: por qué las métricas del SEO dejan de servir

El artículo parte de una constatación que el propio corpus revisado respalda con evidencia empírica: las fuentes que cita un motor generativo se solapan poco con las que posicionan en la búsqueda tradicional, y la lógica de selección varía de un motor a otro. Dicho de otro modo, la visibilidad en Google no predice la visibilidad en un asistente generativo, lo que invalida la transferencia directa de indicadores y obliga a repensar qué se mide y cómo. A ello se suma el fenómeno «cero clics», acelerado por los resúmenes generativos integrados en los buscadores: una parte sustancial de las consultas se resuelve hoy sin que el usuario visite ningún sitio web.

«La cuota de citación es la métrica que la práctica profesional trata como central, y en la literatura académica está formalizada en un único estudio. Esa brecha entre industria y academia es en sí misma un hallazgo», dijo Néstor Romero.

¿Qué varía del SEO al GEO?

Cómo se hizo: cuatro rutas de búsqueda y una política explícita de preprints

Para compensar los puntos ciegos particulares de cada método, el proceso integró cuatro vías complementarias: un sistema de hallazgo impulsado por inteligencia artificial, búsquedas multilingües y replicables en OpenAlex, seguimiento de referencias a partir de nodos clave, y comprobación en un repertorio indexado (Web of Science; Scopus no estuvo disponible). Una vez eliminados los duplicados mediante DOI —evitando el título debido a los frecuentes conflictos en denominaciones genéricas dentro de esta disciplina—, dos investigadores examinaron los resúmenes por separado, solucionando cualquier desacuerdo de común acuerdo. Finalmente, se revisaron 36 documentos íntegros, seleccionando 23 investigaciones originales, además de dos revisiones catalogadas de manera independiente a modo de contexto teórico.

«Gran parte del saber producido en nuestro idioma acerca de este asunto no trasciende a las redes internacionales. Rescatarlo va más allá de un simple afán de completitud; pone al descubierto un prejuicio idiomático oculto en la disciplina», subrayó Néstor Romero.

Siete grupos de indicadores y ningún modelo que los agrupe

El mapeo identifica siete familias de métricas parcialmente solapadas —aparición/citación, prominencia/posición, absorción/influencia, ranking en listas, estabilidad, sentimiento/encuadre y cuota de citación— que conviven sin un marco integrador compartido. El estudio destaca además que la frontera conceptual más fértil del campo es la distinción entre citación (que una fuente sea seleccionada) y absorción (que su contenido se incorpore efectivamente al texto de la respuesta), un desdoblamiento en dos capas de lo que antes se medía como un binario.

Las siete familias de métricas identificadas

La unidad de análisis cambia de rumbo: de la URL a la marca y a la trayectoria de los agentes

No existe consenso sobre qué se mide exactamente. El corpus revela un desplazamiento progresivo desde la fuente o la URL —herencia directa del SEO— hacia la marca o entidad, el documento, el producto y, en los trabajos más recientes, hacia unidades de orden superior como la trayectoria de navegación de los agentes. Ese desplazamiento refleja la migración de la pregunta del campo, pero tiene un coste: los estudios con unidades distintas no son directamente comparables, lo que refuerza la imposibilidad de realizar un metaanálisis.

La IA no siempre contesta igual, y prácticamente nadie lo mide

Dado que los motores generativos funcionan de manera estocástica, son capaces de arrojar contestaciones diferentes frente a una idónea idéntica consulta. Una evaluación certera demanda, por ende, duplicar las pruebas o bien representar de forma explícita la variabilidad. No obstante, tan solo una pequeña parte de las investigaciones procede de este modo riguroso. Dentro del grupo que sí implementa estas prácticas sobresalen iniciativas que realizan cinco corridas por cada petición, completan doscientos exámenes junto a variaciones de secuencia, aplican estudios de sensibilidad para idioma y refraseo, o bien consideran la visibilidad en calidad de distribución en vez de como un dato aislado. El porcentaje restante suele fundamentarse en una única ejecución.

«En este ámbito, registrar una única ejecución resulta epistemológicamente frágil. Todo instrumento sólido debe integrar la modelización de la incertidumbre y la repetición como exigencias ineludibles, más allá de considerarlas un simple adorno opcional», puntualiza Romero.

El descubrimiento fundamental: un ámbito que abarca de más y constata de menos

El estudio arroja un hallazgo concluyente: ninguna de las investigaciones analizadas somete su herramienta de medición a un proceso de validación psicométrica riguroso. En su lugar, se implementan supervisiones periféricas y fragmentadas —como índices de estabilidad, certeza en la atribución, triangulación metodológica o resistencia a alteraciones secuenciales—, mientras que el acuerdo entre evaluadores, que constituye una condición elemental para cualquier dispositivo analítico, rara vez se menciona. Cuando se justifica la validez, esta se sustenta en la consistencia interna de referencias diseñadas específicamente para la ocasión en lugar de apoyarse en atributos métricos consolidados. Por consiguiente, la premisa principal que se desprende del mapeo es categórica: todavía no se cuenta con un instrumento consolidado y contrastado para cuantificar la huella generativa de una marca.

«Descubrimos un ámbito donde se mide en exceso pero se valida de manera escasa. No escasean las propuestas para medir, de hecho sobran; lo que realmente escasea es la fiabilidad debidamente documentada y la validez de constructo. Hay que decirlo con total exactitud, puesto que equiparar un benchmark con un test validado magnifica de forma artificial la supuesta madurez metodológica del sector. Justamente ese hueco constituye la gran ocasión científica», sostiene Néstor Romero.

Una brecha entre la práctica profesional y la academia

El texto expone una discrepancia notable entre aquello a lo que el sector otorga máxima prioridad y lo que la investigación científica ha consolidado. Por un lado, la proporción de citas (citation share) —un indicador al que la actividad profesional confiere un carácter determinante y presupone dotado de validez convergente— se reduce, en la práctica, al respaldo de una única investigación. Por otro lado, la categoría de sentimiento y encuadre presenta una escasez similar, a pesar de que el estudio de mayor envergadura dentro del corpus, enfocado en más de un centenar de marcas, la señala como el indicador más voluble de todos.

«La presencia en Google no anticipa el impacto dentro de un asistente generativo. Tal circunstancia anula la traslación automática de métricas, lo que exige replantear tanto los objetos de análisis como las metodologías».

«La visibilidad generativa resulta manipulable, lo que impone a la medición una exigencia ajena a sus estándares habituales: la resistencia a la manipulación concebida como cualidad intrínseca del instrumento».

La ciencia en español, invisible: una lección metodológica

Asimismo, el análisis revela un descubrimiento metodológico de suma relevancia para el ámbito hispanohablante. Hay un conjunto de estudios en castellano, difundidos en publicaciones de Biblioteconomía y Documentación, que examinan la visibilidad frente a la inteligencia artificial generativa desde perspectivas diversas —tales como la inestabilidad de la presencia de marcas en recomendaciones de viajes elaboradas por IA, o bien la mejora de repositorios académicos para facilitar su rastreo por parte de motores generativos—, aspectos que los textos en inglés hegemónicos suelen soslayar. Dicha recuperación únicamente se logró a través de consultas multilingües, lo cual pone de manifiesto un sesgo de idioma implícito en esta disciplina.

A esto se añade otra enseñanza derivada del procedimiento: la comprobación en una plataforma indexada arrojó 360 entradas crudas, de las cuales se examinaron las 136 de libre acceso, compuestas mayoritariamente por distorsión temática debido a la coincidencia de palabras, sin sumarse ningún análisis métrico apto inédito. En resumen, la disciplina opera bajo el modelo preprint-first y su cobertura resulta insuficiente en los índices convencionales; el 64 % del conjunto provisional se divulga mediante arXiv o SSRN, mientras que el 98 % carece de un cuartil catalogado.

«Este resultado lo reportamos como hallazgo metodológico y no como una limitación escondida. En un campo born-digital, la revista no funciona como indicador de calidad, y las herramientas de descubrimiento asistidas por IA tienden a infracubrir precisamente la evidencia revisada por pares y los benchmarks más relevantes. Hay que complementarlas con rastreo de citas y fuentes reproducibles», explica el investigador.

La visibilidad generativa es susceptible de manipulación

Una parte de los análisis examinados evidencia que la visibilidad dentro de los motores generativos es susceptible de alteración adversarial, ya sea por medio de tácticas para alterar el posicionamiento en buscadores conversacionales o a través de la optimización discreta de prompts. Dicha investigación traslada semejantes conclusiones al ámbito métrico, sugiriendo que la solidez ante cualquier manipulación tendría que integrarse entre las características indispensables de toda herramienta de visibilidad.

Un benchmark evalúa si una táctica funciona o si un ítem cambia de rango; no si una métrica mide válidamente un constructo. Confundir los dos niveles infla la madurez aparente del campo

«Una medición de una sola ejecución es, en este dominio, epistemológicamente frágil: los motores generativos pueden responder distinto a la misma pregunta».

Qué sigue ahora: del análisis a la herramienta

Los investigadores deducen que el vacío observado —tanto en validez de constructo como en fiabilidad documentada— representa el hueco que legitima la creación y validación formal de un indicador específico de presencia generativa, planteando esta labor como el paso lógico tras lo ya publicado, más que como una hipótesis comprobada. Justamente en esa dirección avanza el grupo durante la etapa consecuente.

«El propósito fundamental consiste en trascender la fase diagnóstica para materializar un instrumento práctico: elaborar y comprobar la validez de un indicador que permita a entidades de cualquier dimensión evaluar empíricamente, mediante criterios científicos, la visibilidad de su marca ante las respuestas automatizadas de la inteligencia artificial», sostiene Néstor Romero.

Limitaciones señaladas por los autores

El artículo explicita sus propios límites: la inestabilidad de la base de evidencia en un campo tan reciente y dominado por preprints, que hace provisionales sus conclusiones; la no reproducibilidad de la ruta de descubrimiento inicial —mitigada, aunque no eliminada, por OpenAlex, el rastreo de citas y la verificación indexada—; el alcance lingüístico restringido a español e inglés y la imposibilidad de verificar en Scopus por falta de acceso institucional; la codificación parcialmente realizada a nivel de resumen, con cifras de inclusión provisionales; una amenaza de circularidad, dado que numerosos estudios emplean modelos de lenguaje como jueces de su propia medición; y la validez temporal limitada de cualquier fotografía de un campo que opera sobre sistemas propietarios en evolución constante.

Ficha del estudio

Para profundizar en la metodología, los hallazgos y las implicaciones del análisis, puede solicitar el informe completo sobre la banca panameña ante la inteligencia artificial.

Fuentes y referencias del artículo

Las 27 referencias bibliográficas empleadas en la investigación difundida, presentadas conforme al sistema APA. Se encuentran disponibles al completo con el fin de que los medios de comunicación logren vincularse de manera directa con el respaldo documental original.

• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., y Deshpande, A. (2024). GEO: Generative engine optimization. En Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. ACM. https://doi.org/10.1145/3637528.3671900

• Alcaraz Martínez, R., y Sulé, A. (2026). Generative engine optimization (GEO): Revisión de enfoques, métricas y estrategias. Ibersid, 20(1), Artículo 5156. https://doi.org/10.54886/ibersid.v20i1.5156

• Bagga, P., Farias, V. F., Korkotashvili, T., Peng, T., y Wu, Y. (2025). E-GEO: A testbed for generative engine optimization in e-commerce [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2511.20867

• Chen, M., Wang, X., Chen, K., y Koudas, N. (2025). Generative engine optimization: How to dominate AI search [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2509.08919

• Chen, M., Wang, X., Chen, K., y Koudas, N. (2026). Navigating the shift: A comparative analysis of web search and generative AI response generation [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.16858

• Chen, X., y Liao, Y. (2025). Caption injection for optimization in generative search engine [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2511.04080

• Khedekar, P., y Bansal, G. (2026). Strategic GEO: How generative engine optimization reshapes competitive advantage in consumer markets. International Journal of Data Science and Machine Learning, 6(1). https://doi.org/10.55640/ijdsml-06-01-02

• Kim, S., Jeong, W., Kim, S., Lee, S., y Lee, D. (2026). SAGEO Arena: A realistic environment for evaluating search-augmented generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2602.12187

• Kumar, A., y Lakkaraju, H. (2024). Manipulating large language models to increase product visibility [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2404.07981

• Kumar, P. (2026). Generative engine optimization at scale: Measuring brand visibility across AI search engines [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2606.20065

• Liu, Z., y Xu, P. (2026). Think before writing: Feature-level multi-objective optimization for generative citation visibility [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.19113

• Lüttgenau, F., Colic, I., y Ramirez, G. (2025). Beyond SEO: A transformer-based approach for reinventing web content optimisation [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2507.03169

• Ma, L., Qin, J., Xu, X., y Tan, Y. (2025). When content is Goliath and algorithm is David: The style and semantic effects of generative search [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2509.14436

• Munn, Z., Peters, M. D. J., Stern, C., Tufanaru, C., McArthur, A., y Aromataris, E. (2018). Systematic review or scoping review? Guidance for authors when choosing between a systematic or scoping review approach. BMC Medical Research Methodology, 18, Artículo 143. https://doi.org/10.1186/s12874-018-0611-x

• Murár, P. (2025). Reframing SEO for the age of generative engines. Media & Marketing Identity. https://doi.org/10.34135/mmidentity-2025-80

• Nimase, O., Chen, Z., Qi, G., Zhao, Y., y Hu, X. (2026). GEO-Bench: Benchmarking ranking manipulation in generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2605.29107

• Oruesagasti, J. (2026). Algorithmic trust and compliance: Benchmarking brand notability for UK iGaming entities in generative search [Preprint]. ResearchGate. https://doi.org/10.13140/rg.2.2.15316.46721

• Pfrommer, S., Bai, Y., Gautam, T., y Sojoudi, S. (2024). Ranking manipulation for conversational search engines [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2406.03589

• Puerto, H., Gubri, M., Green, T., Oh, S. J., y Yun, S. (2025). C-SEO Bench: Does conversational SEO work? [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2506.11097

• Quintana-Gómez, Á. (2026). Generative engine optimization (GEO) y visibilidad de marcas en recomendaciones turísticas generadas por IA: Un análisis exploratorio. Revista Prisma Social, (52), 21-38. https://doi.org/10.65598/rps.5975

• Rajpoot, P., y Raghuvanshi, D. R. (2026). An exploratory study on the impact of generative AI (Search Generative Experience – SGE) on organic visibility. International Scientific Journal of Engineering and Management. https://doi.org/10.55041/isjem06077

• Reyes-Lillo, D., Morales-Vargas, A., y Rovira, C. (2025). Generative engine optimization en repositorios digitales: Optimización de la visibilidad para la IA generativa. INFONOMY, 3(5), Artículo e25034. https://doi.org/10.3145/infonomy.25.034

• Schulte, J., Bleeker, M., y Kaufmann, P. (2026). Don’t measure once: Measuring visibility in AI search (GEO) [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.07585

• Tang, Y., Fan, Y., Yu, C., Yang, T., Zhao, Y., y Hu, X. (2025). StealthRank: LLM ranking manipulation via stealthy prompt optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2504.05804

• Tian, Z., Chen, Y., Tang, Y., Liu, J., y Jia, R. (2026). Diagnosing and repairing citation failures in generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2603.09296

• Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., … Straus, S. E. (2018). PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467-473. https://doi.org/10.7326/M18-0850

• Zhang, K., He, X., y Yao, J. (2026). From citation selection to citation absorption: A measurement framework for generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.25707