Autoridad antes que contenido

Princeton publicó el año pasado lo que cualquier estratega honesto ya sabía. En los motores generativos de IA, la autoridad supera al contenido. El paper se llama GEO: Generative Engine Optimization (Aggarwal et al., KDD 2024) y el número que incomoda a medio sector es cuarenta — el porcentaje de aumento en visibilidad cuando una fuente tiene señales de autoridad verificables frente a una que no las tiene.

No es un margen menor. Es la diferencia entre existir y no existir en una respuesta generada.

Karl Friston lleva describiendo desde 2010 lo mismo aplicado al cerebro, y aplica igual a cualquier sistema que procesa información: los sistemas no registran, predicen. El cerebro no espera los datos para construir una imagen del mundo — construye la imagen primero y la ajusta cuando los datos la contradicen. Google hace lo mismo. Tiene un modelo previo de qué fuentes son confiables, y cuando alguien consulta algo, ese modelo predice la respuesta antes de leer nada. Si no estás en ese modelo previo, no importa cuánto publiques.

Lo que te mete en ese modelo previo no es el contenido. Son las citas. Los identificadores verificables — ORCID, DOI, Wikidata, perfiles institucionales. La coherencia entre lo que declaras ser y lo que fuentes independientes pueden confirmar que eres. Eso es autoridad en términos que los sistemas de recuperación de información entienden y ponderan.

El otro dato que vale la pena nombrar viene de Nature Communications este año (Wu et al., 2025): entre el 50% y el 90% de las respuestas generadas por LLMs tienen problemas reales de soporte en sus citas. Los modelos citan, pero no siempre citan con precisión. La consecuencia directa es que las fuentes con estructura verificable se vuelven más escasas y más valiosas en la medida en que los modelos se vuelven más cuidadosos con la atribución.

La pregunta que siempre aparece es la misma: ¿cómo me posiciono mejor? La respuesta que nadie quiere escuchar es que el posicionamiento no es una táctica de contenido. Es una decisión de arquitectura. Qué nodos externos te reconocen. Qué identificadores apuntan hacia ti. Qué coherencia existe entre tu identidad declarada y lo que el grafo puede verificar de forma independiente.

He visto el mismo patrón en clientes con nichos muy distintos. El perfil que no escribiste → El que llega a construir esa arquitectura no pregunta cuánto cuesta. Pregunta cuándo puede empezar. La pregunta ya cambió — y eso es exactamente lo que los sistemas predictivos, humanos o algorítmicos, detectan antes que cualquier otra cosa.

Referencias

  1. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of KDD 2024. Princeton University. doi:10.1145/3637528.3671900
  2. Friston, K. (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 11(2), 127–138. UCL. doi:10.1038/nrn2787
  3. Wu, K. et al. (2025). An automated framework for assessing how well LLMs cite relevant medical references. Nature Communications. doi:10.1038/s41467-025-58551-6
EN