Generative Engine Optimization (GEO)
revisión de enfoques, métricas y estrategias
DOI:
https://doi.org/10.54886/ibersid.v20i1.5156Palabras clave:
Generative Engine Optimization (GEO), Búsqueda generativa, Visibilidad web, LLM, Literature reviewsResumen
Se presenta un estado de la cuestión sobre la optimización de contenidos para motores de búsqueda generativos basados en grandes modelos de lenguaje (LLM), en un contexto en el que la visibilidad deja de depender del posicionamiento tradicional para centrarse en la integración, influencia y atribución del contenido en las respuestas generadas por estos sistemas. Se realizó una revisión bibliográfica de la literatura reciente sobre Generative Engine Optimization (GEO) y otros enfoques relacionados, analizando sistemas generativos, métricas de evaluación y estrategias de optimización. La revisión muestra una convergencia en torno a métricas de visibilidad, influencia y verificabilidad, así como a un conjunto recurrente de estrategias que incluyen la mejora de la calidad y estructura del contenido, el uso de datos estructurados, el refuerzo de la autoridad y la optimización basada en entidades. La optimización para motores generativos redefine los objetivos del SEO tradicional y plantea nuevos retos en términos de atribución, estabilidad de la visibilidad y calidad informativa. Este trabajo ofrece un marco de referencia para futuras investigaciones y aplicaciones prácticas, especialmente aquellas encaminadas a la optimización del contenido en aras de incrementar la visibilidad en entornos de generación de respuestas producidas por sistemas basados en LLMs.
Citas
Abolghasemi, Amin; Azzopardi, Leif; Hashemi, Seyyed Hadi; Rijke, Maarten de; Verberne, Suzan (2025). Evaluation of attribution bias in generator-aware retrieval-augmented large language models. // Findings of the Association for Computational Linguistics: ACL 2025, 21105-21124. https://doi.org/10.18653/v1/2025.findings-acl.1087
Aggarwal, Pranjal; Murahari, Vishvak; Rajpurohit, Tanmay; Kalyan, Ashwin; Narasimhan, Karthik; Deshpande, Ameet (2024). GEO: Generative Engine Optimization. // Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’24). https://doi.org/10.1145/3637528.3671900
Alipour, Shayan; Kargar, Mehdi; Zihayat, Morteza (2026). When attention becomes exposure in generative search. https://doi.org/10.48550/arXiv.2601.01750
Bagga, Puneet S.; Farias, Vivek F.; Korkotashvili, Tamar; Peng, Tianyi; Wu, Yuhang (2025). E-GEO: a testbed for generative engine optimization in e-commerce. https://doi.org/10.48550/arXiv.2511.20867
Barnard, Jason; Artz, Matt (2023). Search marketing in the age of AI: understanding the marketing implications of search, assistive and answer engines. // Journal of digital & social media marketing. 11:3, 244-260. https://doi.org/10.69554/ZVMD6442
Chen, Qiyuan; Chen, Jiahe; Huang, Hongsen; Shao, Qian; Chen, Jintai; Hua, Renjie; Xu, Hongxia; Wu, Ruijia; Ren; Chuan; Wu, Jian (2025a). CC-GSEO-Bench: a content-centric benchmark for measuring source influence in generative search engines. https://arxiv.org/html/2509.05607v2
Chen, Xiaolu; Wu, Haojie; Bao, Jie; Chen, Zhen; Liao, Yong; Huang, Hu (2025b). Role-augmented intent-driven generative search engine optimization. https://doi.org/10.48550/arXiv.2508.11158
Chen, Xiaolu; Liao, Yong (2025c). Caption injection for optimization in generative search engine. https://doi.org/10.48550/arXiv.2511.04080
Chen, Mahe; Wang, Xiaoxuan; Chen, Kaiwen; Koudas, Nick (2025d). Generative engine optimization: how to dominate AI search. https://doi.org/10.48550/arXiv.2509.08919
Chen, Qiyuan; Chen, Jiahe; Huang, Hongsen; Shao, Qian; Chen, Jintai; Hua, Renjie; Xu, Hongxia; Wu, Ruijia; Ren, Chuan; Wu, Jian (2025e). Beyond keywords: driving generative search engine optimization with content-centric agents. https://arxiv.org/pdf/2509.05607v1
Chen, Mahe; Wang, Xiaoxuan; Chen, Kaiwen; Koudas, Nick (2026). Navigating the shift: a comparative analysis of web search and generative AI response generation. https://doi.org/10.48550/arXiv.2601.16858
Cook, Niall (2025). Mind the invisibility gap: an analysis of 80 leading global brands in LLM answers. https://dx.doi.org/10.2139/ssrn.5698748
Couto dos Santos, Vinicius Henrique; Mouco Junior, Emerson Aparecido (2025). Inteligencia artificial e comportamento do consumidor: um guia prático de generative engine optimization. // Laranjeira Amorim, Nhatallia (ed.). Novas perspectivas da administraçao: transformações e tendências. https://editora.editoraomnisscientia.com.br/artigoPDF/4-10598925457-20122025114545.pdf
Du, Yixuan; Yu, Chenxiao; Xu, Haoyan; Wang, Ziyi; Zhao, Yue; Hu, Xiyang (2026). Multimodal generative engine optimization: rank manipulation for vision–language model rankers. https://doi.org/10.48550/arXiv.2601.12263
Enache, Maria Cristina (2025). From SEO to AEO for optimizing LLM output in e-commerce applications. // Annals of “Dunarea de Jos” University of Galat. 3, 91-96. https://doi.org/10.35219/eai15840409551
Google (2026). Introducing search generative AI performance reports in Search Console. Google Search Central. https://developers.google.com/search/blog/2026/06/gen-ai-performance-reports
Hajmohammed, Mustafa; Chountas,Panagiotis; Chaussalet, Thierry J. (2025). Concept drift in large language models: challenges of evolving language, contexts, and the web. // 2025 1st International Conference on Computational Intelligence Approaches and Applications (ICCIAA). 1-6. https://doi.org/10.1109/ICCIAA65327.2025.11013692
Hu, Xiyang (2025). Dynamics of adversarial attacks on large language model-based search engines. https://doi.org/10.48550/arXiv.2501.00745
Karamuk, Hidayet (2025). From SEO to answer engine optimization (AEO): generative AI and the transformation of search visibility. // Gürdin, Bahar (ed.). Pazarlamanın Genişleyen Ufukları: Dijitalleşme, Tüketici ve Stratejik Dönüşümler. 278-295 http://doi.org/10.70269/10.70269/7348479369
Kim, Soyoung; Priluck, Randi (2025). Consumer responses to generative AI chatbots versus search engines for product evaluation. // Journal of theoretical and applied electronic commerce research. 20:2, 93. https://doi.org/10.3390/jtaer20020093
Kumar, Arlen; Palkhouski, Leanid (2025). AI answer engine citation behavior: bringing the GEO-16 framework in B2B SaaS. https://doi.org/10.48550/arXiv.2509.10762
Li, Xiaoxi; Jin, Jiajie; Zhou, Yujia; Zhang, Yuyao; Zhang, Peitian; Zhu, Yutao; Dou, Zhicheng (2025). From matching to generation: a survey on generative information retrieval. // ACM Transactions on Information Systems. 43:3, 1-62. https://doi.org/10.1145/3722552
Liu, Nelson F.; Zhang, Tianyi; Liang, Percy (2023). Evaluating verifiability in generative search engines. // Findings of the Association for Computational Linguistics: EMNLP 2023, 7001-7025. https://doi.org/10.18653/v1/2023.findings-emnlp.467
Liu, Xu; Wang; Zhe; Liu, Dengpan (2025). Generative engine optimization and sponsored search bidding: strategic implications of AI overviews for the search ecosystem. https://ssrn.com/abstract=5365040
Lopezosa, Carlos; Codina, Lluís; Guallar, Javier (2025). Google AI Overviews: retos y oportunidades para los estudiosos y académicos en Información y Comunicación. // Anuario ThinkEPI. 19, e19a08. https://doi.org/10.3145/thinkepi.2025.e19a08
Lüttgenau, Florian; Colic, Imar; Ramirez, Gervasio (2025). Beyond SEO: a transformer-based approach for reinventing web content optimisation. https://doi.org/10.48550/arXiv.2507.03169
Ma, Lijia; Qin, Juan; Xu, Xingchen; Tan, Yong (2025). When content is Goliath and algorithm is David: the style and semantic effects of generative search engine. https://doi.org/10.48550/arXiv.2509.14436
Matomo (2026). How to track and analyse traffic from AI assistants (like ChatGPT) in Matomo reports. https://matomo.org/faq/reports/how-to-track-and-analyse-traffic-from-ai-assistants-like-chatgpt-in-matomo-reports
Menick, Jacob; Trebacz, Maja; Mikulik, Vladimir; Aslanides, John; Song, Francis; Chadwick, Martin; Glaese, Mia; Young, Susannah; Campbell-Gillingham, Lucy; Irving, Geoffrey; McAleese, Nat. (2022). Teaching language models to support answers with verified quotes. https://doi.org/10.48550/arXiv.2203.11147
Mochizuki, Riku; Komatsu, Shusuke; Noguchi, Souta; Ataka, Kazuto (2025). Exposing citation vulnerabilities in generative engines. https://doi.org/10.48550/arXiv.2510.06823
Namdev, Rahul (2025). Generative engine optimization (GEO) & AI-first search in healthcare. https://dx.doi.org/10.2139/ssrn.5715542
Pfrommer, Samuel; Bai, Yatong; Gautam, Tanmay; Sojoudi, Somayeh (2024). Ranking manipulation for conversational search engines. https://doi.org/10.48550/arXiv.2406.03589
Pol, Tushar; Skopec, Christine; Lahey, Connor (2025). What is LLMs.txt & should you use it? https://www.semrush.com/blog/llms-txt
Puerto, Haritz; Gubri, Martin; Green, Tommaso; Oh, Seong Joon; Yun, Sangdoo (2025). C-SEO bench: does conversational SEO work?. https://doi.org/10.48550/arXiv.2506.11097
Quintana-Gómez, Ángel (2026). Generative Engine Optimization (GEO) y visibilidad de marcas en recomendaciones turísticas generadas por IA: un análisis exploratorio. // Prisma social: revista de ciencias sociales. 52, 21-38. https://doi.org/10.65598/rps.5975
Rajaguguk, Sabar Aritonang; Heriyanni, Eileen; Hertiandito, Longinus Tito; Setiawan, Yanto (2025). Intelligent algorithm optimization for AI-powered search engines: enhancing business visibility in Indonesian digital markets. // 2025 Tenth International Conference on Informatics and Computing (ICIC), 1-6. https://doi.org/10.1109/ICIC68054.2025.11309664
Raju, P. T.; Reddy, S.S.R.; Riyaz, S.; Nausheen, S.; Manasa, G. (2025). Optimizing for the artificial intelligence driven search era: an integrated framework for search engine optimization, generative engine optimization, and answer engine optimization. International journal of scientific research in engineering and management. 9:10, 1-10. https://doi.org/10.55041/ijsrem53069
Reyes-Lillo, Danilo; Morales-Vargas, Alejandro; Rovira, Cristòfol (2025a). Generative Engine Optimization en repositorios digitales: optimización de la visibilidad para la IA generativa. // Infonomy. 3:5, e25034. https://doi.org/10.3145/infonomy.25.034
Reyes-Lillo, Danilo; Morales-Vargas, Alejandro; Rovira, Cristòfol (2025b). Factores para aumentar la visibilidad en repositorios digitales: metadatos, interoperabilidad, identificadores persistentes y optimización SEO-GEO. // . Guallar, M. Vállez, & A. Ventura-Cisquella (coords). Comunicación digital. Tendencias y buenas prácticas. Ediciones Profesionales de la Información. 126-141. https://doi.org/10.3145/cuvicom.09.esp
Rosen, Timothy de (2025). From GEO to AIVO: rethinking visibility in the AI era: a strategic transition from generative engine optimization to AI visibility optimization. https://dx.doi.org/10.2139/ssrn.5361531
Samet, Uri (2025). From noise to narrative: building reputation in AI dominated search and discovery environments. // Journal of emerging technologies and innovative research. 12:8, 35-49. https://doi.org/10.56975/jetir.v12i8.568287
Schanbacher, Peter (2025). The impact of JSON-LD metadata on ChatGPT visibility. https://dx.doi.org/10.2139/ssrn.5641050
Sharma, Apoorav; Dhiman, Prabhjot (2025). The impact of AI-powered search on SEO: the emergence of answer engine optimization. https://doi.org/10.13140/RG.2.2.20046.37446
Sharma, Amit Prakash (2026). The discovery gap: how product hunt startups vanish in LLM organic discovery queries. https://doi.org/10.48550/arXiv.2601.00912
Soukaina, Bekkari (2025). Le zero-clic comme nouvelle norme en marketing digital: approches algorithmiques et transformations comportementales. // International journal of marketing and strategic management. 7:1, 413-437. https://doi.org/10.34874/PRSM.rimms-vol7iss1.63187
Tan, Constance (2026). What is Brand Radar, and how to use it? Learn how to use Brand Radar to monitor any brand's AI visibility. https://help.ahrefs.com/en/articles/11064852-what-is-brand-radar-and-how-to-use-it
Tripathi, Avinash (2025). A strategic outlook on LLM SEO: using file-format logic to guide AI-optimized content design. https://dx.doi.org/10.2139/ssrn.5375528
Wan, Alexander; Wallace, Eric; Klein, Dan (2024). What evidence do language models find convincing? // Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics, 7468-7484. https://doi.org/10.18653/v1/2024.acl-long.403
Wen, Yizhu; Zhang, Nan; Yuan, Haohan; Chen, Xun; Zhan, Haopeng; Guo, Hanqing (2025). Position: on the risks of generative engine optimization in the era of LLMs https://doi.org/10.36227/techrxiv.176620816.64043115/v1
Wu, Yujiang; Zhong, Shanshan; Kim, Yubin; Xiong, Chenyan (2025). What generative search engines like and how to optimize web content cooperatively. https://doi.org/10.48550/arXiv.2510.11438
Zheng, Jingjie; Pradipta Gema, Aryo; Hong, Giwon; He, Xuanli; Minervini, Pasquale; Sun, Youcheng; Xu, Qiongkai (2025). GRADA: graph-based reranking against adversarial documents attack. // Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, 22244–22266. https://doi.org/10.18653/v1/2025.emnlp-main.1132
Zhou, Heyang; Chen, JiaJia; Chen, Xiaolu; Bao, Jie; Chen, Zhen; Liao, Yong (2026). IF-GEO: conflict-aware instruction fusion for multi-query generative engine optimization. https://doi.org/10.48550/arXiv.2601.13938.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Los autores y autoras conservan sus derechos de autor, aunque ceden a la revista de forma no exclusiva los derechos de explotación (reproducción, distribución, comunicación pública y transformación) y garantizan a esta el derecho de primera publicación de su trabajo, el cual estará simultáneamente sujeto a la licencia CC BY-NC-ND. Los autores aceptan la responsabilidad legal de cumplir plenamente con los códigos éticos y leyes apropiadas, y de obtener todos los permisos de derecho de autor debidos. Se permite y se anima a los autores y autoras a difundir electrónicamente la versión editorial (versión publicada por la editorial) en la página web personal del autor y en el repositorio de la institución a la que pertenece.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
© 2007- . Los autores y autoras conservan sus derechos de autor, aunque ceden a la revista de forma no exclusiva los derechos de explotación (reproducción, distribución, comunicación pública y transformación) y garantizan a esta el derecho de primera publicación de su trabajo, el cual estará simultáneamente sujeto a la licencia CC BY-NC-ND. Los autores aceptan la responsabilidad legal de cumplir plenamente con los códigos éticos y leyes apropiadas, y de obtener todos los permisos de derecho de autor debidos. Se permite y se anima a los autores y autoras a difundir electrónicamente la versión editorial (versión publicada por la editorial) en la página web personal del autor y en el repositorio de la institución a la que pertenece.
