LLMO · Optimización de búsqueda generativa
Large Language Model Optimization
¿Qué es LLMO?
- Optimización para que nuestra marca sea citada en las respuestas de la IA
- Prácticamente la misma problemática y el mismo método que GEO y AEO
- Las claves son las respuestas claras, la estructura y las señales de confianza
Al llevar LLMO a la práctica, cambia primero la unidad con la que se evalúa el contenido. En la época del SEO, lo que competía en el ranking era la “página”, pero la IA no muestra la página completa: toma solo dos o tres frases que sirven para responder. Por eso, antes que las etiquetas de título o la densidad de palabras clave, lo que pesa es si “este párrafo, aislado, tiene sentido por sí mismo”. Es más eficaz añadir a una pregunta frecuente una respuesta de tres líneas que retocar cinco veces la página de presentación de la empresa para aumentar la probabilidad de cita. Y el indicador también debe pasar de las visitas a cuántas veces aparecemos mencionados en 100 preguntas.
La IA puede mencionar una marca por dos vías principales. Una es el conocimiento que el modelo ya aprendió durante su entrenamiento; la otra son los documentos en tiempo real que busca y trae en el momento de responder. La primera no podemos tocarla ni actualizarla con rapidez, pero la segunda puede citar un texto publicado este mes ya el próximo mes. Por eso, en la práctica, el LLMO consiste sobre todo en «gestionar los documentos que el buscador en tiempo real puede encontrar». Además, si el SEO veía los backlinks como señal de confianza, la IA también toma en cuenta una frase que menciona el nombre sin enlace. Entrevistas en medios, informes de asociaciones y reseñas en comunidades, es decir, las menciones fuera de nuestro propio dominio, pesan más que rediseñar la página de inicio.
No hace falta discutir mucho la frontera terminológica con GEO y AEO, pero conviene fijar desde ya las reglas de medición. La forma es definir entre 30 y 50 preguntas que un cliente podría hacer, ejecutarlas una vez al mes en las mismas condiciones y registrar, además de si aparece la mención, si fue como recomendación o solo como parte de una lista. Como las respuestas de IA cambian cada vez que se ejecuta la misma pregunta, no se debe juzgar el ranking con una sola consulta. Hacer tres ejecuciones por pregunta y promediar los resultados es el mínimo de diseño de medición.
En la práctica, el error más frecuente es crear «páginas para la IA» aparte. Si se producen cientos de preguntas frecuentes que nadie lee, los sistemas de búsqueda las clasifican como de baja calidad y también se pierde el tráfico de búsqueda que ya llegaba. También hay un malentendido frecuente en sentido contrario: cuando la IA empieza a mencionar a la empresa, nadie verifica si lo que dice es correcto. Es común que la IA afirme como hechos un historial de premios que no existe o una lista de precios de hace tres años. Si no se localizan y corrigen el comunicado de prensa antiguo que sirvió de fuente o la oferta laboral olvidada, el mismo error se repite durante meses. Conviene incluir en el calendario una revisión trimestral en la que se pregunte directamente a la IA por el nombre de su empresa.
John KimAutor de «Diseño de marketing B2B» y CEO de Nanum Consultoría, instructor John Kim
Hyerang ParkEspecialista en storytelling de contenidos y contenidos de marca con IASurgió en 2023-2024, cuando crecía la búsqueda con IA generativa, como un concepto que, junto con GEO y AEO, busca ampliar el SEO tradicional a la era de las respuestas de la IA.
Veámoslo con un caso hipotético. Se trata de la Empresa A, una compañía de soluciones de evaluación de desempeño B2B con 40 colaboradores e ingresos anuales de KRW 8,000,000,000 (≈ US$5,987,800). En seis meses, las consultas entrantes desde el sitio web bajaron de 35 a 18 al mes, casi a la mitad. Sin embargo, no habían reducido la inversión publicitaria ni la cantidad de contenidos publicados, así que no encontraban la causa. Durante dos meses, el equipo de marketing se preguntó: «Si el posicionamiento en buscadores no ha cambiado, ¿por qué bajan las consultas?».
- Al revisar 12 registros de consultas del equipo de ventas, el gerente de marketing comprobó que 5 de esas personas dijeron en la primera llamada: «Le pregunté a ChatGPT y solo salían otras empresas».
- Al preparar 47 preguntas que probablemente harían los clientes, organizarlas en una tabla y ejecutarlas tres veces cada una en ChatGPT, Gemini y Perplexity, la Empresa A apareció mencionada en 3 de las 47 preguntas (6%), mientras que la competidora B apareció en 16.
- Al revisar 210 artículos del blog, un editor de contenido descubrió que la mayoría empezaba con «Hoy vamos a hablar de la evaluación del desempeño» y no tenía una frase que definiera el tema. Reescribió los 40 artículos con más visitas con una estructura en la que la respuesta aparece en las tres primeras oraciones.
- En la página de producto se incluyó una tabla comparativa con planes tarifarios, plazos de implantación y sistemas con los que se puede integrar. Además, se publicaron 18 «preguntas frecuentes del responsable de RR. HH.», cada una separada en un par de pregunta y respuesta.
- En cinco meses, el CEO consiguió dos artículos de opinión en una revista de una asociación de recursos humanos y cuatro entrevistas de prensa sobre la implantación en clientes, aumentando las menciones fuera de nuestro propio dominio. Además, solicitó la corrección de una lista de precios errónea del comunicado de prensa de 2021.
- Al volver a medir con las mismas 47 preguntas cinco meses después, la tasa de menciones subió del 6% al 38%. El tráfico que llega desde servicios de IA pasó de 4 a 61 visitas al mes, y las consultas entrantes se recuperaron de 18 a 29.