Mitos de GEO: qué dicen las fuentes primarias y qué queda sin respuesta

Varias recomendaciones frecuentes de GEO no tienen respaldo en fuentes primarias. La documentación consultada de Common Crawl no menciona a Internet Archive como vía de descubrimiento; Google indica que no hacen falta archivos ni marcado especial para sus funciones de IA; y los estudios de proveedores no muestran que llms.txt, el top 10 o la extensión del texto expliquen por sí solos las citas.

Esta guía está pensada para quien debe decidir en qué invertir tiempo, no solo para quien implementa. Los términos técnicos se explican en palabras simples y el detalle va bajo la etiqueta «Para el equipo técnico». CookingMetrics ofrece auditorías y acompañamiento a equipos de desarrollo, y no vende herramientas de visibilidad. Dos de las fuentes citadas son de empresas que sí venden software de SEO; se declara en cada caso. Esta guía no es una lista completa de mitos: incluye solo los que pudimos contrastar con una fuente primaria.

En síntesis

• Una afirmación se llama aquí «mito» solo si una fuente primaria la contradice o si no hay evidencia a favor. Si la evidencia es mixta, se presenta como incertidumbre.
• Mito 1: guardar páginas en Internet Archive no figura en la documentación de Common Crawl como una vía para que las rastree. No hay respaldo oficial; eso no prueba que sea imposible.
• Mito 2: que Common Crawl conozca una dirección no implica que la descargue. Su propia documentación dice que archiva una muestra de la web.
• Mito 3: Google indica que no hace falta crear archivos nuevos, archivos de texto para IA ni marcado especial para aparecer en AI Overviews o AI Mode. Eso vale para las funciones de Google, no para otros asistentes.
• Mito 4: un estudio de un proveedor sobre unos 300.000 dominios no encontró correlación entre tener llms.txt y ser citado. No hay evidencia a favor, y tampoco una prueba definitiva en contra.
• Evidencia mixta: que estar en el top 10 «asegure» citas y que el texto largo se cite más no son mitos probados ni verdades: los estudios disponibles son de proveedores, con métodos que cambian entre versiones.
• Distinguir entre entrenamiento de modelos y recuperación de páginas en tiempo real evita la mayoría de las confusiones.

Cómo se clasificó cada afirmación

Cada afirmación lleva una clase de evidencia, para que se vea cuánto pesa lo que se dice:

• Documentación oficial: la página del propio servicio sobre cómo funciona.
• Estudio con método publicado: un análisis que explica su muestra y su método. Si lo publica una empresa que vende productos relacionados, se dice.
• Sin fuente consultada: la afirmación circula, pero no encontramos una fuente primaria que la sostenga.

Ninguna clase prueba causalidad por sí sola. Una correlación entre dos cosas, por ejemplo tener un archivo y ser citado, no demuestra que una provoque la otra.

Contenido exclusivo

Para lectores con cuenta

Una ficha para revisar una afirmación

Distinga respaldo, contradicción y evidencia insuficiente con un ejemplo de promesa universal de citas.

Ingrese para acceder a esta sección →

Trabajamos para ofrecer contenidos de la mejor calidad; por eso algunas de estas explicaciones no son públicas.

Antes de empezar: entrenar no es recuperar

Gran parte de la confusión sale de mezclar dos procesos distintos:

• Entrenamiento: los modelos aprenden de grandes colecciones de páginas, que se filtran y se procesan antes. Common Crawl es una de las colecciones públicas de ese tipo.
• Recuperación: cuando un asistente con búsqueda responde, consulta páginas en ese momento y puede citarlas. Es otro mecanismo, con otros robots y otras reglas; véase cómo medir el tráfico de asistentes de IA.

Estar en una colección de entrenamiento no explica por sí solo una cita en un asistente con búsqueda, y las fuentes consultadas no dicen lo contrario.

Mito 1: «guardar las páginas en Internet Archive hace que Common Crawl las levante»

• Qué dice la documentación: la FAQ de Common Crawl, consultada el 12/11/2026, indica que su rastreador usa los mapas del sitio anunciados en el archivo robots.txt y que puede encontrar páginas siguiendo enlaces desde otros sitios. No menciona a Internet Archive.
• Qué no dice: no dice que esa lista sea exhaustiva ni que sea imposible. Por eso esta guía no afirma que la práctica no funcione: afirma que no hay documentación oficial que la respalde.
• Clase de evidencia: documentación oficial, por ausencia. Sin fuente consultada para la afirmación.
• Qué conviene hacer en cambio: declarar el mapa del sitio en robots.txt y mantener enlaces de otros sitios hacia las páginas importantes. Son las dos vías que la documentación menciona.

Mito 2: «si Common Crawl conoce una dirección, la descarga»

• Qué dice la documentación: la misma FAQ indica que no suele archivar un sitio completo, sino un subconjunto elegido al azar, y que el conjunto de datos es una muestra de la web.
• Qué dice el estudio: un artículo de investigación, Host-Aware Web Crawling for LLM Pretraining Data (Malte Ostendorff, 9 de octubre de 2026), cuyo autor figura afiliado a Common Crawl Foundation, analiza cómo se reparte el rastreo entre sitios. Con datos de un rastreo de 2024:
  • la correlación entre cuánto se rastrea de un sitio y su «densidad de calidad» es de −0,08 sobre 5.654.186 sitios; es decir, casi no hay relación;
  • los autores estiman, para ese rastreo, unos 58 millones de páginas de alta calidad entre las direcciones conocidas que quedaron sin descargar. Es una estimación que supone que las páginas no descargadas se parecen a las descargadas;
  • una política alternativa lograría, en simulación, hasta 7,8 veces más páginas de alta calidad por página descargada con presupuestos pequeños, y 1,7 veces al crecer el presupuesto.
• Qué significa «calidad» aquí: la predicción de un clasificador sobre su utilidad para entrenar un modelo. El propio artículo la trata como una aproximación, no como calidad en sentido editorial.
• Qué no dice: que Common Crawl haya cambiado su rastreador, ni que lo vaya a hacer. La propuesta se probó en simulación. No explica citas en asistentes con búsqueda.
• Clase de evidencia: documentación oficial y estudio con método publicado. No se leyó la sección de limitaciones del artículo; no se afirma nada sobre ella.

Para el equipo técnico. La correlación citada es de Spearman, una medida de cuán parecido es el orden de dos listas, entre −1 y 1; un valor cercano a 0 indica poca relación. El estudio usa una muestra de archivos WARC (el formato en que Common Crawl guarda las páginas) y un índice de sitios para el análisis completo.

Mito 3: «hay que crear un archivo o un marcado especial para aparecer en las funciones de IA de Google»

• Qué dice la documentación: la página de Search Central «AI features and your website» indica que no hace falta crear archivos nuevos legibles por máquinas, archivos de texto para IA ni marcado, y que no hay un formato de datos estructurados especial que añadir. Para aparecer, la página debe estar indexada y poder mostrarse con un fragmento de texto. Aparecer no está garantizado. La página no muestra fecha de actualización.
• Alcance: vale para AI Overviews y AI Mode. No dice nada sobre otros asistentes, que tienen su propia documentación.
• Clase de evidencia: documentación oficial.
• Qué conviene hacer en cambio: las prácticas habituales de SEO que esa misma página recomienda; véase qué es GEO.

Mito 4: «llms.txt hace que los asistentes citen más el sitio»

• Qué es llms.txt: una propuesta de Jeremy Howard, publicada en septiembre de 2024 y actualizada en agosto de 2026 en llmstxt.org, para ofrecer a los agentes información que les ayude a usar un sitio. Su autor dice que esperaba que fuera útil sobre todo cuando el agente consulta el sitio, más que para el entrenamiento. La página no afirma ningún efecto sobre posiciones, citas ni tráfico.
• Qué dicen las empresas: no encontramos documentación oficial de Google que diga que lo lee, y la página de Google del mito 3 indica que no hace falta. La página de OpenAI sobre sus rastreadores no menciona llms.txt al describirlos. No consultamos documentación de Anthropic sobre el tema.
• Qué dice el único estudio consultado: SE Ranking, una empresa que vende software de SEO, publicó el 15 de octubre de 2026 un estudio sobre unos 300.000 dominios. Solo el 10,13 % tenía el archivo. El estudio informa que no hay correlación entre tenerlo y ser citado, y que quitar esa variable de su modelo mejoró su precisión. La página no indica qué asistentes consultó, cuántas respuestas, en qué fechas ni los valores de las correlaciones, y sus autores advierten que los resultados dependen del modelo y del conjunto de datos.
• Qué se puede concluir: no hay evidencia a favor de que llms.txt aumente las citas, y el único estudio consultado no encontró relación. Tampoco es una prueba definitiva en contra: el estudio es de un proveedor, con método incompleto en la página, y los asistentes cambian. El archivo puede tener otros usos para quien desarrolla agentes, como indica su propuesta. Cloudflare, en su evaluación de preparación para agentes, lo trata como opcional; véase qué mide isitagentready.com.
• Clase de evidencia: propuesta del autor del formato, ausencia en documentación oficial y estudio de un proveedor.

Evidencia mixta 5: «estar en el top 10 asegura que a uno lo citen»

Esta afirmación no es un mito probado ni una verdad. Lo que hay son dos estudios de Ahrefs, una empresa que vende software de SEO, sobre AI Overviews de Google:

• Julio de 2025: el 76,10 % de las páginas citadas estaba entre los diez primeros resultados, sobre 1,9 millones de citas de 1 millón de AI Overviews, tomando las tres primeras citas de cada respuesta.
• Marzo de 2026: el 37,9 % de las direcciones citadas estaba entre los diez primeros, sobre 863.000 consultas y 4 millones de direcciones. El propio artículo compara «~76 % frente a ~38 %», pero indica que mejoró su método de análisis; por eso no es una comparación directa. Los datos provienen de la herramienta de visibilidad del propio proveedor.

Dos correcciones de lectura:

• Es una proporción de las páginas citadas, no de las páginas del top 10. Que una parte de las páginas citadas esté en el top 10 no dice cuántas páginas del top 10 son citadas.
• Las dos cifras son de AI Overviews. No sirven para ChatGPT ni para AI Mode. En la guía sobre query fan-out se comenta otro estudio de un proveedor, según el cual cerca de dos tercios de las páginas citadas no estaban en el top 10 ni para la consulta principal ni para ninguna subconsulta.

Lo prudente es decir que posicionar bien ayuda a ser considerado, sin garantía, y que los porcentajes varían según el método.

Evidencia mixta 6: «el contenido largo se cita más»

Un estudio de Ahrefs del 3 de diciembre de 2025 analizó 560.346 AI Overviews y 1.677.876 direcciones citadas, y obtuvo una correlación de Spearman de 0,04 entre la cantidad de palabras y la cita: prácticamente ninguna. El artículo usa la misma cifra para ser citado y para la posición de la cita. La página citada promedio tenía 1.282 palabras; el 53,4 % tenía menos de 1.000.

Una limitación que señala esta guía, no el estudio: la muestra incluye solo páginas citadas. No compara con páginas que no se citaron, de modo que no permite concluir si la extensión influye en ser citado o no. Es un estudio de un proveedor, sobre AI Overviews, y no hay datos de longitud para ChatGPT en los materiales leídos. La evidencia es «sin relación observada en esos datos», no una regla.

Contenido exclusivo

Para lectores con cuenta

Laboratorio de tres recomendaciones

Evalúe tres frases ficticias y transforme cada una en una decisión con límites explícitos.

Ingrese para acceder a esta sección →

Trabajamos para ofrecer contenidos de la mejor calidad; por eso algunas de estas explicaciones no son públicas.

Qué hacer en cambio

Recomendación de CookingMetrics, no una garantía:

• Asegurar lo básico: que las páginas estén indexables, con contenido en el HTML inicial y accesibles para los robots que se quiere permitir. Véase qué buscar en un proveedor de diseño y desarrollo web.
• Medir lo propio: visitas, rastreo y citas del propio sitio, antes de apoyarse en cifras de terceros.
• Preguntar siempre por la fuente: quién lo dice, con qué muestra, qué vende, y si es documentación oficial o un estudio de proveedor.
• Tratar lo mixto como incertidumbre: probar con un cambio por vez y registrar la fecha, sin atribuirle el resultado.

Contenido exclusivo

Para lectores con cuenta

Un registro de decisiones que se puede revisar

Documente cuándo adoptar, ensayar, posponer o descartar una práctica y qué evidencia cambiaría la decisión.

Ingrese para acceder a esta sección →

Trabajamos para ofrecer contenidos de la mejor calidad; por eso algunas de estas explicaciones no son públicas.

Qué no concluir

• Que una práctica «no funciona» porque no encontramos respaldo oficial: es ausencia de documentación, no prueba de lo contrario.
• Que lo dicho para las funciones de IA de Google valga para otros asistentes.
• Que una correlación de un proveedor demuestre causalidad.
• Que esta lista agote los mitos de GEO.

Qué hacer después

Para contrastar afirmaciones sobre la búsqueda tradicional, consulte qué dice Google sobre los mitos de SEO.

Antes de implementar una recomendación de GEO, escriba en una línea qué fuente la respalda y de qué clase es. Si desea que revisemos qué recomendaciones de su sitio tienen sustento y cómo medir su efecto, conozca nuestro servicio de SEO para búsquedas con IA: revisamos y acompañamos a su equipo, y no vendemos herramientas de visibilidad.

Preguntas frecuentes

¿Qué es Common Crawl y por qué importa en GEO?

Es una colección pública de páginas web que se usa, entre otras cosas, para entrenar modelos. Su documentación describe un rastreo de una muestra de la web. Estar en esa colección no explica por sí solo una cita en un asistente con búsqueda.

¿Necesito un archivo llms.txt para aparecer en AI Overviews?

No. Google indica que no hace falta crear archivos nuevos ni archivos de texto para IA para aparecer en AI Overviews o AI Mode. El archivo es una propuesta pensada para agentes que consultan un sitio.

¿Estar en el top 10 garantiza que Google me cite en AI Overviews?

No hay fuente que lo garantice. Los estudios de Ahrefs miden qué proporción de las páginas citadas estaba en el top 10, con resultados de 76,10 % y 37,9 % según la versión y el método, y no la probabilidad de ser citado estando en el top 10.

¿Un texto más largo se cita más?

Un estudio de Ahrefs sobre AI Overviews no encontró relación entre la cantidad de palabras y la cita (correlación de 0,04). Solo analizó páginas citadas, así que no permite concluir sobre ser citado o no.

¿Cómo distingo un mito de una recomendación con sustento?

Pregunte quién lo afirma, con qué muestra, si vende algo relacionado y si hay documentación oficial. Si no hay fuente primaria, es una hipótesis; si la evidencia es de un proveedor, es un indicio, no una prueba.