02/03/2026
Del SEO al GEO en la búsqueda con IA: nueva edición de la guía de Microsoft
Por Rubén Alcaraz Martínez
Síntesis y comentarios sobre el contenido de la guía
La edición actualizada de la guía AI search demystified: a practical guide for marketers publicada por Microsoft Advertising se presenta como un documento orientado a clarificar, en términos prácticos, cómo funciona actualmente la búsqueda impulsada por inteligencia artificial (IA) y qué implicaciones tiene para el marketing. Su planteamiento parte de la siguiente premisa: el ecosistema digital ha cambiado con rapidez debido a la expansión de los AI overviews, los navegadores con IA integrada y los asistentes multimodales, lo que ha transformado la manera en que las personas buscan información, descubren marcas y toman decisiones en línea. En este contexto, la guía, que cuenta con algunas voces reconocidas dentro del sector del SEO como Lily Ray, Aleyda Solis o Crystal Carter, se propone ofrecer una actualización respecto a enfoques previos centrados en la transición "de palabras clave a conversaciones", incorporando una perspectiva más operativa sobre cómo incrementar la visibilidad y optimizar los contenidos en un entorno definido como AI-first.
El documento parte de una explicación básica del papel de los modelos de lenguaje de gran tamaño (LLMs) en la búsqueda con IA. La guía subraya que se trata de un tema complejo y que su aproximación es necesariamente general, pero considera imprescindible comprender ciertos fundamentos para interpretar correctamente las recomendaciones estratégicas que se ofrecen posteriormente. En este marco, describe los LLMs como sistemas entrenados con grandes volúmenes de datos –lo que incluye una ingente cantidad del internet público–, inicialmente centrados en texto, aunque cada vez más multimodales. Esta multimodalidad se presenta como una capacidad para interpretar y alinear distintos tipos de datos (texto, audio, vídeo, etc.) y responder en el formato que el usuario requiera, incluso cuando la entrada y la salida pertenecen a modalidades distintas.
La guía aborda también, de forma general y simple, el funcionamiento de estos modelos como mecanismos de predicción estadística, capaces de generar respuestas plausibles a partir de patrones aprendidos durante el entrenamiento. Cuando un usuario formula una consulta en un sistema de búsqueda con IA, el modelo analiza la secuencia lingüística, recurre a patrones vistos previamente y produce una respuesta que puede sonar natural y segura. Sin embargo, el texto insiste en que esa aparente coherencia no equivale a una comprensión genuina del lenguaje en el sentido en que las personas lo entendemos. Aun así, el documento no invalida su utilidad; al contrario, reconoce en los LLMs un potencial transformador para tareas como la síntesis, la paráfrasis y la generación de contenidos, al tiempo que advierte sobre sus límites en términos de precisión factual, así como por los posibles sesgos derivados de los datos de entrenamiento.
Para mitigar estas limitaciones, la guía introduce el concepto de Retrieval Augmented Generation (RAG), especialmente relevante en el ámbito de la búsqueda. Según el documento, las arquitecturas RAG permiten conectar el modelo con sistemas de recuperación de la información para incorporar datos más actuales, pertinentes y fiables en el momento de responder. En el contexto de la búsqueda con IA, este proceso se denomina grounding, y se presenta como un componente decisivo para mejorar la exactitud y la fiabilidad de las respuestas. La guía destaca de manera explícita que los repositorios de documentos y los índices de búsqueda generados a partir de estos desempeñan un papel crítico en este contexto, ya que permiten complementar la base derivada del preentrenamiento con contenido recuperado en tiempo real.
Sobre esta base conceptual y tecnológica, el documento describe el funcionamiento general de la búsqueda potenciada por IA en entornos como Bing, Google o asistentes como Copilot, ChatGPT y Gemini. El esquema presentado distingue, en primer lugar, entre consultas que pueden resolverse con conocimiento preentrenado y aquellas que requieren recuperación externa de información. Los sistemas, según la guía, evalúan inicialmente si la pregunta puede responderse con lo ya aprendido o si necesita activar procesos adicionales de RAG. A esta lógica se añade un componente de memoria y personalización, ya que muchas aplicaciones de IA incorporan información sobre preferencias, hábitos, historial de búsqueda, navegación y conversaciones previas. Esa memoria permite respuestas más contextualizadas sin necesidad de reformular datos que el sistema ya conoce sobre el usuario. Finalmente, la respuesta se genera como una síntesis conversacional en lenguaje natural que combina conocimiento preentrenado y contenidos recuperados.
Desde la perspectiva del marketing, se establece que las marcas pueden aparecer en los resúmenes generados por los buscadores mediante IA a través de las dos vías tradicionales: pagando o a través de la visibilidad orgánica. En relación con el posicionamiento de pago, se mencionan formatos como respuestas patrocinadas o anuncios integrados en determinadas plataformas. En cuanto a la visibilidad orgánica, esta se describe como el resultado de la incorporación de marcas en respuestas y fragmentos generados por IA, elaborados a partir de fuentes web consideradas fiables. La guía insiste en que estas experiencias no sustituyen por completo los fundamentos del SEO, sino que se apoyan en ellos, usando contenido indexado como base sobre el que se añade nuevas señales durante la construcción de la respuesta.
El documento desarrolla el proceso por el cual la IA incorpora marcas de forma orgánica, y lo presenta como un flujo en tres etapas. La primera corresponde a una comprensión basada en el conocimiento entrenado del modelo sobre categorías de productos, atributos comunes y marcas conocidas. La segunda es una fase de refinamiento de tipo grounded, en la que se recupera contenido web indexado y autorizado para validar detalles, reforzar la credibilidad y reflejar descripciones de marcas y productos presentes en fuentes de confianza. La tercera etapa introduce señales de precisión procedentes de datos estructurados de primera mano –por ejemplo, feeds de producto–, con el fin de incorporar información actualizada y concreta como puede ser el precio, la disponibilidad o especificaciones técnicas.
Junto con esta explicación, se identifica una serie de errores comunes que perjudican la visibilidad en estos nuevos entornos de búsqueda. Entre ellos figuran los bloques extensos de texto que dificultan la segmentación de ideas, la ocultación de respuestas importantes en pestañas o menús desplegables, el uso de PDFs para publicar la información principal y la ubicación de datos clave únicamente en imágenes de texto. El hilo conductor de estas advertencias es que la IA necesita contenido accesible, estructurado y fácilmente interpretable; cualquier barrera de formato o de presentación puede reducir la probabilidad de que la información sea recuperada, comprendida o reutilizada con precisión, algo que no es precisamente nuevo y con lo que los profesionales del SEO llevan lidiando desde hace décadas.
En este punto, la guía plantea la transición del SEO al GEO (Generative Engine Optimization), proponiendo una relación de continuidad, pero con ciertos matices y diferencias entre ambas técnicas. Por un lado, reconoce que muchas prácticas asociadas al GEO prolongan métodos consolidados del SEO (SEO técnico, SEO de contenidos, reputación…). Por otro, subraya que sería un error limitarse a continuar con estrategias SEO tradicionales sin llevar a cabo ningún tipo de adaptación, ya que la experiencia de búsqueda basada en IA difiere sustancialmente del modelo tradicional basado en páginas de resultados con listas de enlaces. Esta diferencia implica prestar atención a nuevos comportamientos de búsqueda, nuevas formas de interacción y nuevas señales de visibilidad. La guía recalca, no obstante, que el SEO tradicional sigue siendo esencial, precisamente porque los sistemas de IA realizan búsquedas web en tiempo real y, por tanto, dependen de la capacidad del sitio para ser descubierto, evaluado y recomendado.
Se destacada la importancia de la redacción de contenido claro y estructurado para mejorar la visibilidad. La guía sostiene que, aunque esto no es algo nuevo, en el contexto del GEO adquiere una importancia mayor si cabe. Ya no basta con incorporar palabras clave, sino que ahora alinear el contenido con la intención de búsqueda del usuario es todavía mucho más necesario. En este sentido, la investigación de palabras clave debe evolucionar también hacia la consideración de nuevos tipos de consultas, tanto las formuladas por los usuarios, como las consultas sintéticas que una página puede resolver con ciertos bloques de contenido extraíbles. Otras recomendaciones relacionadas son evitar un lenguaje vago o promocional sin datos concretos o mensajes directos, así como emplear sinónimos y términos relacionados que ayuden a reforzar las relaciones semánticas en el contenido.
En cuanto a las prácticas formales, se aconseja prudencia con ciertos signos de puntuación como los guiones largos ya que pueden dificultar el análisis automático de la estructura oracional. También recomienda mantener una puntuación simple y consistente, evitar símbolos decorativos que interfieran con el procesamiento del contenido y utilizar listas cuando resulte útil separar ideas, pasos o comparaciones. El objetivo de estas recomendaciones no es estilístico, sino que lo que se persigue es que la IA pueda interpretar, segmentar y reutilizar el contenido con mayor fiabilidad. En sentido contrario, ciertos errores de escritura pueden reducir la visibilidad. Entre ellos destacan las oraciones sobrecargadas con múltiples afirmaciones, los símbolos decorativos y las afirmaciones sin contexto o sin un soporte documental claro.
Desde un punto de vista estratégico, la guía sostiene que todo lo anterior es indispensable, pero no suficiente. Para muchos sitios web será necesario replantear su estrategia de contenidos en un contexto en el que muchas de las consultas que antes generaban tráfico, ahora se resolverán directamente en las páginas de resultados a través de respuestas instantáneas. En este sentido, no se plantea su eliminación, sino una reevaluación de su función. Estos contenidos pueden seguir siendo útiles para reforzar la percepción de la marca como un recurso valioso, acompañar al usuario en su recorrido y demostrar conocimiento y experticia sobre un producto o sector, aunque con retornos de tráfico mucho más limitados.
La segunda gran vía de visibilidad mediante anuncios se aborda en relación con la transformación del recorrido del consumidor en entornos conversacionales. Según la guía, la secuencia clásica de conciencia, consideración y conversión se reconfigura en un nuevo marco en el que la IA mantiene el contexto entre etapas y acelera la transición de la intención a la acción. Se recomienda, por tanto, alinear la estrategia con estos nuevos customer journey para incrementar impresiones y clics, a través de la integración de contenido patrocinado dentro de una respuesta sintetizada por IA en lugar de ocupar varias posiciones visibles en una página de resultados tradicional. En el caso de Copilot, el documento describe un modelo en el que los anuncios patrocinados se sitúan al final de la respuesta orgánica, a veces enlazados mediante un contenido generado denominado Ad Voice, que actúa como un puente contextual entre la respuesta y el anuncio. A partir de esta reconfiguración del entorno publicitario, la guía formula varias buenas prácticas orientadas a configurar las campañas en entornos y tecnologías propios de Microsoft.
En el tramo final, se introduce una reflexión sobre la necesidad de mantener la humanidad en el centro en un contexto de creciente automatización. Tras describir una década de aceleración digital y varios años de adopción rápida de la IA, el documento afirma que emerge con fuerza una demanda de conexión humana, pertenencia y comunidad. Esta idea se apoya en una serie de estudios y datos citados que apuntan a la importancia de las relaciones personales en el trabajo, al problema de la soledad laboral y al interés por formatos como microeventos, comunidades privadas o experiencias más íntimas. El argumento no se formula como oposición a la IA, sino como la posibilidad de articular estrategias simultáneas.
El documento cierra con una exposición de capacidades y herramientas de Microsoft para operar en este nuevo escenario. Se presentan los anuncios en Copilot y el papel de Performance Max para optimizarlos. También el binomio de herramientas como Copilot y Microsoft Advertising Platform, propuestas como los Brand Agents, concebidos como agentes de IA para acompañar al consumidor durante el proceso de compra mediante conversación natural, comparación de productos, asistencia en durante el pago y sugerencias complementarias, así como Copilot Checkout, orientado a facilitar la conversión mediante experiencias de compra integradas para comercios.
Finalmente, la guía recomienda el uso de Bing Webmaster Tools y Microsoft Clarity para definir y observar nuevas señales de visibilidad y engagement relevantes para cada negocio, mapeándolas con métricas de rendimiento existentes. También menciona Copilot Studio y su agente de enriquecimiento como apoyo específico para mejorar descripciones de productos, con vistas a su envío a Microsoft Merchant Center.
Más allá del marketing: implicaciones para contenidos editoriales y bases de datos jurídicas
Aunque la guía de Microsoft está explícitamente orientada al marketing, varias de las ideas que desarrolla resultan útiles para contextualizar transformaciones más amplias en la producción, organización y recuperación de los contenidos digitales.
Desde el punto de vista de los contenidos editoriales, el desplazamiento desde una lógica de "ranking de enlaces" hacia experiencias de respuesta sintetizada por IA no afecta únicamente a marcas comerciales, sino también a medios, publicaciones especializadas, repositorios digitales, entre otros. Google (2005a), por ejemplo, señala que las prácticas SEO tradicionales siguen siendo pertinentes para la aparición en funciones de IA (AI Overviews y AI Mode), y subraya aspectos como la rastreabilidad, la indexabilidad, la disponibilidad del contenido en formato texto junto a imágenes y vídeos en alta calidad y el uso de datos estructurados.
A esta optimización clásica se le suma la necesidad de plantear contenidos reutilizables, modulares y altamente citables, para facilitar su integración en los ecosistemas de búsqueda asistida por IA. Esto pasa por pensar en estructuras más granulares con bloques claramente diferenciados y con una sola idea principal, un mayor número de definiciones explícitas, la integración de más datos y fuentes verificables, entre otras técnicas que facilitan la segmentación y reutilización efectiva del contenido.
Por otro lado, las directrices EEAT (Experiencia, Pericia, Autoridad y Confianza) son un marco de evaluación de la calidad propuesto por Google en sus Search quality rater guidelines (Google, 2005b), introducidas en 2014 en su lógica algorítmica y que en el contexto de las búsquedas asistidas por IA adquieren una mayor relevancia si cabe. En este sentido, la explicitación de autoría, la fecha de actualización de los contenidos y la procedencia de la información adquiere mayor relevancia en un entorno en el que la respuesta final puede ser una síntesis generada por terceros sistemas.
Al mismo tiempo, el giro hacia la búsqueda generativa abre tensiones estructurales para el ecosistema editorial que debe replantear ciertas estrategias. Tras décadas preocupados por el tráfico, las visitas y las interacciones dentro de los medios. La discusión en los próximos años se centrará en el "cómo optimizar" contenidos para ser citados, pero también sobre cuestiones –no necesariamente nuevas– relacionadas con la dependencia de plataformas, la atribución del crédito o la pérdida de tráfico de referencia que implicará para muchos medios la necesidad de encontrar nuevas fuentes de ingresos ahora en gran parte dependientes de las visitas. En este sentido, el año pasado un grupo de editores independientes presentó una queja antimonopolio ante la Comisión Europea contra Google precisamente por sus AI Overviews, ya que según esta parte podría estar abusando de su posición dominante en la búsqueda web al usar contenido de los editores para generar los resúmenes, reduciendo así el tráfico, la audiencia y los ingresos de los medios (Che, 2025).
Comprender y abordar esta tensión entre medios y plataformas resulta capital en un contexto en el que no solo se trata de adaptar formatos y ciertos aspectos técnicos, sino también de comprender los cambios en la intermediación y sus consecuencias para la sostenibilidad de las publicaciones afectadas.
En paralelo, el ámbito jurídico es un claro ejemplo a través del cual es posible observar aplicaciones concretas relacionadas con algunas de las tecnologías descritas en la guía: sistemas RAG, grounding, recuperación en tiempo real, la importancia de los repositorios o bases de datos de documentos y la disponibilidad de índices para acceder a éstos. Las principales plataformas de información jurídica están integrando este tipo de funciones sobre corpus cerrados o controlados, poniendo énfasis en la citación enlazada, la verificación y el acceso a fuentes autorizadas. En un dominio donde la exigencia de exactitud y verificabilidad son especialmente importantes estos mecanismos se erigen como piezas indispensables en sus propuestas comerciales.
En definitiva, más allá de su orientación comercial, la guía de Microsoft puede entenderse como un síntoma de una transición más amplia: el paso de estrategias centradas exclusivamente en visibilidad en páginas de resultados, sea cual sea el entorno de búsqueda, a estrategias de legibilidad computacional, estructuración semántica, autoridad documental y reutilización en entornos de búsqueda generativa, en los que además las consultas formuladas por los usuarios evolucionan de ecuaciones de búsqueda a interacciones conversacionales más complejas, contextuales y encadenadas, donde la capacidad de un contenido para ser interpretado, extraído, citado y recontextualizado con fiabilidad pasa a ser tan importante como su capacidad para posicionarse.
Referencias
Che, Foo Yun (2025). Exclusive: Google's AI Overviews hit by EU antitrust complaint from independent publishers. Reuters. https://www.reuters.com/legal/litigation/googles-ai-overviews-hit-by-eu-antitrust-complaint-independent-publishers-2025-07-04/ ↩ Vuelve a la referencia 3
Google (2025a). AI features and your website. Google Search Central. https://developers.google.com/search/docs/appearance/ai-features ↩ Vuelve a la referencia 1
Google (2025b). Search quality raters guidelines. https://static.googleusercontent.com/media/guidelines.raterhub.com/en//searchqualityevaluatorguidelines.pdf ↩ Vuelve a la referencia 2
Sobre el autor
Rubén Alcaraz Martínez es doctor en Ingeniería y Tecnologías de la Información, máster en Gestión de Contenidos Digitales y diplomado en Biblioteconomía y Documentación. Es profesor del Departamento de Biblioteconomía, Documentación y Comunicación Audiovisual de la Universidad de Barcelona. Imparte docencia en el grado en Información y Documentación Digital y en diversos másteres como el de Gestión de Contenidos Digitales, Humanidades Digitales y Bibliotecas Públicas. Forma parte del grupo de innovación docente consolidado Adaptabit y del Centro de Investigación en Información, Comunicación y Cultura de la Universidad de Barcelona.
Radar EcoEdiLex
ISSN 3137-6037
Artículo // 003
Los contenidos de este blog están sujetos a una licencia Creative Commons BY 4.0
Proyecto EcoEdiLex (PID2024-156073OB-I00) financiado por MICIU/AEI/10.13039/501100011033 y por FEDER, UE.
Cofinanciado por la Unión Europea
Proyecto EcoEdiLex (PID2024-156073OB-I00) financiado por MICIU/AEI/10.13039/501100011033 y por FEDER, UE.