La búsqueda generativa no reemplaza la recuperación: la reordena, y eso cambia dónde debe estar tu contenido.

El caso más revelador es el de la recuperación multi-hop en grafos de conocimiento. Wang et al. documentan que los sistemas recuperadores actuales para RAG basado en grafos "clasifican tripletas de forma independiente mediante emparejamiento semántico global", lo que provoca que hechos estructuralmente necesarios pero con alineamiento semántico débil sean omitidos [9]. Su solución —KAMR— no mejora el generador; mejora el recuperador, distinguiendo entre tripletas ancla (fuertemente ligadas a la consulta) y tripletas conectadas (débiles en similitud semántica pero estructuralmente imprescindibles). La lectura que hacemos es directa: si el contenido no es recuperado, no existe para el generador. La batalla por la visibilidad en motores generativos empieza antes de que el LLM escriba una sola palabra.

El mismo patrón aparece en e-commerce. Xin et al. describen un sistema de discovery-augmented search que usa LLM no para generar respuestas al usuario final, sino para expandir el conjunto de candidatos recuperados mediante intenciones implícitas [11]. La arquitectura es híbrida y en dos etapas: un LLM de pesos cerrados maximiza la descubribilidad en consultas frecuentes (head), y un SLM fine-tuneado con LoRA extiende ese beneficio a consultas de cola larga (tail) por destilación. El generador es una herramienta de recall, no de respuesta. Para quien produce contenido, esto significa que la descubribilidad ya no depende solo del match léxico con la query, sino de si un modelo de intención considera tu contenido semánticamente adyacente a lo que el usuario realmente busca.

Zhang et al. proponen el paradigma fuzzy-function programming (PAW), donde un compilador de 4B parámetros emite adaptadores eficientes para un intérprete ligero y congelado, citando el ranking de resultados de búsqueda por intención como caso de uso central [12]. Un intérprete Qwen3 de 0,6B ejecutando programas PAW iguala el rendimiento del prompting directo de Qwen3-32B usando aproximadamente 1/50 de la memoria de inferencia. Lo que esto implica para SEO es que el reranking por intención puede ejecutarse a coste marginal casi nulo, lo que hace viable desplegarlo en capas donde antes no existía. Más capas de reranking generativo significan más puntos donde el contenido puede ser promovido o descartado por criterios que no son los del índice invertido clásico.

Google introdujo en 2024 su site reputation policy para detener la práctica de publicar contenido de terceros en sitios de buena reputación con el fin de explotar esa reputación para posicionarse [6]. En 2026, la política fue actualizada. Que Google refuerce esta señal en paralelo al despliegue de funcionalidades generativas en Search no es casual: cuanto más depende el sistema de LLM para sintetizar respuestas, más crítico se vuelve que las fuentes que alimentan esa síntesis sean genuinas. La reputación de sitio parasitaria contamina tanto el ranking clásico como el RAG generativo.

Al mismo tiempo, Search Console ha expandido su superficie de monitorización. La funcionalidad platform properties —ahora globalmente disponible— integra Instagram, TikTok, X y YouTube, permitiendo rastrear cómo el contenido publicado en esas plataformas se descubre a través de Google Search, Discover y Google News [7]. Esto confirma que Google trata el contenido social y de vídeo como fuente indexable con métricas de rendimiento equiparables a las del sitio propio. Para la estrategia SEO+GEO, el perímetro de lo que hay que monitorizar ya no es tu dominio: es tu presencia distribuida en todas las superficies que Google indexa.