GEO no reemplaza SEO: la capa generativa amplifica las señales estructurales, no las elimina.

El caso más documentado de búsqueda agentiva en nuestro cuerpo de conocimiento procede de Yu et al., que despliegan un sistema de tres capas sobre el NASA Earth Observation Knowledge Graph. Su hallazgo central es preciso: la fusión de un scorer neuronal con BM25 eleva Recall@10 y MRR en más de 5× respecto a cualquiera de las dos señales por separado [9]. Sobre ese pipeline ya potente, una etapa de reranking agentivo sin entrenamiento adicional suma un 28% de MRR adicional [10]. La lectura que hacemos es directa: el LLM no fabrica relevancia; la detecta mejor cuando la estructura subyacente ya la codifica.

Quienes diseñan contenido pensando en cómo un LLM lo procesará deben enfrentar un dato incómodo del estudio VeyraBench de Eliav: la tasa de respuesta perfecta colapsa a cero antes de N=80 instrucciones simultáneas, en todos los modelos, formatos y ubicaciones de prompt evaluados [1]. Esto tiene implicaciones concretas para GEO: inyectar más metadatos, más schema markup, más directivas en una misma página no garantiza que el modelo siga todas esas señales. Existe un techo de atención que es independiente del formato elegido.

Los pipelines RAG que alimentan respuestas generativas suelen asumir que la evidencia recuperada es fiable, pero Nichols et al. documentan que en escenarios reales la información puede ser contradictoria, estar desactualizada o proceder de fuentes no fiables o sesgadas [8]. Su propuesta —MEDIAREF, un almacén de conocimiento público que cubre 200 fuentes mediáticas para evaluar media background checks— apunta hacia un futuro en el que los motores generativos no solo rankeen por relevancia semántica sino por credibilidad verificable de la fuente. Para la práctica SEO/GEO, la implicación es que las señales de autoridad (E-E-A-T en vocabulario de Google) adquieren peso computacional concreto dentro del pipeline generativo, no son solo heurísticas editoriales.