Cuando haces una pregunta a un asistente de AI, rara vez realiza una sola búsqueda y lee una sola página. Los motores de respuestas modernos ejecutan un pipeline: deciden si buscar o no, desglosan tu pregunta en múltiples consultas más pequeñas, recuperan y vuelven a clasificar las páginas candidatas, empaquetan los mejores fragmentos en el contexto del modelo, luego escriben una respuesta y adjuntan citas. Comprender cada etapa explica el dato más importante para cualquier marca: ser mencionado en la respuesta y ser citado como fuente son dos resultados distintos, y puedes ganar uno sin el otro. Esta es la maquinaria documentada detrás de la "caja negra", con la práctica inferida de la industria señalada como tal.
Etapa uno: el motor decide si buscar o no
Antes de que ocurra cualquier recuperación, el modelo toma una decisión de enrutamiento: responder a partir de sus datos de entrenamiento o ir a buscar información en tiempo real. En la práctica, los motores tienden a buscar para consultas sensibles al tiempo, comparativas o fácticas (precios, noticias, reseñas) y se inclinan por el conocimiento interno para preguntas estables y atemporales. Esta decisión es situacional y varía según la plataforma: Perplexity basa casi todas sus respuestas en fuentes en tiempo real, mientras que ChatGPT busca de manera más selectiva. La conclusión clave es que, si el motor nunca realiza una búsqueda, tu contenido no podrá ser citado por muy bueno que sea.
Etapa dos: el "fan-out" convierte una pregunta en muchas
En lugar de buscar tus palabras exactas, el motor descompone el prompt en múltiples subconsultas relacionadas y las ejecuta en paralelo, una técnica que Google llama públicamente "query fan-out" en su anuncio de AI Mode, impulsada por una versión personalizada de Gemini (Gemini 2.5 en el lanzamiento de AI Mode en mayo de 2025), una línea de modelos que sigue evolucionando a través de nuevas versiones. Diferentes subconsultas pueden dirigirse a diferentes fuentes: la web abierta, un grafo de conocimiento, datos locales o de compras, y feeds estructurados. La consecuencia práctica es que ya no estás compitiendo por una sola palabra clave. Estás compitiendo en un abanico de subpreguntas que el usuario nunca escribió.
Etapa tres: recuperar, volver a clasificar y empaquetar el contexto
Cada subconsulta devuelve un conjunto de páginas candidatas. Se cree que la mayoría de los motores vuelven a clasificar a esos candidatos según su relevancia y calidad y se quedan solo con un pequeño subconjunto, descartando la mayor parte de lo que recuperaron. Los fragmentos sobrevivientes, no las páginas completas, se empaquetan en la ventana de contexto del modelo como la evidencia que este leerá. Los análisis de la industria coinciden en que la gran mayoría de las páginas recuperadas nunca se utilizan, por lo que el simple hecho de ser recuperable es necesario, pero dista mucho de ser suficiente.
Etapa cuatro: generar la respuesta y luego adjuntar las citas
El modelo escribe la respuesta a partir de los fragmentos empaquetados, y la citación puede ocurrir de dos maneras. Algunos sistemas generan la respuesta y sus fuentes juntas, de modo que el texto queda ligado a la evidencia a medida que se escribe; otros generan la respuesta primero y adjuntan los enlaces de respaldo después, un enfoque documentado en investigaciones sobre sistemas como RARR. El segundo método, a veces llamado atribución post-hoc, puede generar una cita que respalde una afirmación sin ser el origen real de la redacción. Por eso, un enlace citado no siempre significa que esa página sea el lugar donde el asistente "aprendió" el dato.
La idea clave: ser mencionado no es lo mismo que ser citado
Dos cosas distintas le pueden pasar a tu marca en una respuesta de AI. Puedes ser mencionado, donde el modelo te nombra en la recomendación misma, o puedes ser citado, donde tu URL aparece como un enlace de origen. Esto se decide en diferentes etapas mediante diferentes señales, por lo que no avanzan de la mano. Los análisis de la industria sobre la visibilidad en AI sugieren que relativamente pocas marcas logran ambas cosas de manera constante, lo que significa que tu investigación puede servir para dar forma a una respuesta que luego recomiende a un competidor por su nombre.
- Las respuestas de AI provienen de un pipeline, no de una sola búsqueda: decisión de buscar, fan-out en subconsultas, recuperar, volver a clasificar, empaquetar, generar y luego atribuir. Optimiza para toda la cadena, no para una sola palabra clave.
- El "fan-out" significa que eres evaluado a través de muchas subpreguntas que el usuario nunca llegó a escribir. Google documenta esto como "query fan-out" en AI Mode, ejecutado en un modelo Gemini personalizado.
- La mayoría de las páginas recuperadas nunca se utilizan. Ser localizable te permite ingresar al grupo de candidatos; sobrevivir a la reclasificación y lograr entrar en el contexto empaquetado es el listón más difícil de superar.
- Las citas no siempre son prueba de origen. Algunos motores adjuntan las fuentes después de escribir la respuesta, por lo que un enlace citado puede respaldar una afirmación sin ser el lugar de donde provino la redacción.
- Ser MENCIONADO en la respuesta y ser CITADO como fuente son resultados distintos regidos por señales diferentes. Monitorea ambos, porque puedes ganar uno y perder el otro, y la marca mencionada suele ser la que capta al comprador.