Si sigues construyendo tu estrategia de posicionamiento en buscadores únicamente en torno a la selección de palabras clave, la compra de enlaces y el ascenso de páginas al clásico TOP-10 de Yandex y Google, tengo una noticia que te va a despertar de golpe: la búsqueda orgánica tradicional está perdiendo a toda velocidad el monopolio sobre la toma de decisiones.
El comportamiento del usuario ha cambiado de raíz. Hoy, quien se enfrenta a un problema complejo —ya sea una lesión sospechosa en la piel, un síntoma crónico grave, la elección de un abogado corporativo o de un arquitecto de sistemas IT de alta carga— cada vez se abre paso menos entre sábanas de anuncios en los resultados de búsqueda. Abre la ventana de ChatGPT, activa el modo generativo de Alisa de Yandex o lanza la consulta en Google AI: «Recomiéndame el mejor oncólogo especialista en melanoma en Moscú», «¿Quién es el principal especialista en tratamiento hepático?», «¿A quién acudir con un embarazo de alto riesgo?».
En ese instante se produce un giro fundamental. El buscador ya no le entrega al usuario una lista de diez enlaces azules hacia webs de centros médicos. Redacta un texto articulado con nombres propios de expertos, su trayectoria profesional y recomendaciones directas de adónde llevar el dinero. Nace una nueva realidad: Generative Engine Optimization (GEO), la optimización para motores generativos de IA.
Pero ¿cómo decide exactamente la inteligencia artificial a qué médico recomendar? ¿Entiende la red neuronal en qué clínica trabaja el especialista ahora mismo? ¿Y recibe el tráfico comercial el centro médico que invierte millones en salarios y en promocionar a sus profesionales clave?
Para responder a estas preguntas no con hipótesis teóricas, sino con cifras estrictas, la agencia TexTerra realizó un estudio empírico a gran escala. El equipo puso a prueba las recomendaciones de tres redes neuronales líderes sobre una muestra real de clínicas y médicos de Moscú. Los datos obtenidos destaparon una brecha enorme entre la notoriedad mediática personal del especialista y las ventas reales de su empleador.
Anatomía del experimento: 360 respuestas, 3 redes neuronales y 5 niveles de prompts
Para descartar el factor de las alucinaciones aleatorias de los modelos, los investigadores diseñaron una metodología matricial estricta. Como campo de pruebas eligieron la medicina privada: un sector donde la confianza en el autor y el coste de un error son máximos, y donde los pacientes eligen las manos concretas del médico con tanto escrutinio como el rótulo de la clínica.
En la muestra entraron cinco centros médicos de prestigio en Moscú de distintos tamaños y especialidades. En cada uno, los analistas seleccionaron a dos especialistas: uno con amplia proyección pública y presencia habitual en medios nacionales, y otro con sólida reputación dentro de la comunidad profesional pero menor ruido mediático:
- Clínica del Dr. Laskov: Mikhail Laskov (oncólogo, director de la clínica) y Aleksandr Abolmasov (oncólogo, subdirector);
- Centro Médico Europeo (EMC): Tatiana Polunina (gastroenteróloga, hepatóloga, directora del centro especializado) y Marina Berezhnaya (jefa del departamento de urgencias);
- Grupo «Mat i Ditya»: Mark Kurtser (miembro de la Academia de Ciencias de Rusia —RAN—, fundador y director general de la red) y Nelli Agaronyan (directora ejecutiva y médico jefe de la sede Lefortovo);
- Red de clínicas «Medsi»: Gennadiy Konovalov (presidente del Consejo Científico, director científico) y Aleksey Barinov (neurólogo);
- Clínica de Medicina Sistémica: Zukhra Pavlova (endocrinóloga, doctora en ciencias médicas, directora científica) y Anna Terekhova (endocrinóloga).
La arquitectura del conjunto de prompts replicó el recorrido real del usuario, desde la búsqueda de marca hasta la elección en frío en un tema desconocido. En total se diseñaron 40 escenarios de consulta divididos en cinco bloques funcionales:
- Bloque «Quién es» (10 consultas): comprobación directa de identificación de un especialista concreto («¿Quién es el médico Mikhail Laskov?»);
- Bloque «Dónde atiende» (10 consultas): búsqueda de información de navegación y punto de cita («¿En qué clínica atiende la endocrinóloga Zukhra Pavlova?»);
- Bloque «Médicos de la clínica» (5 consultas): comprobación del conocimiento del cuadro médico de la institución («Nombra médicos conocidos del Centro Médico Europeo»);
- Bloque «A quién leer» (10 consultas): solicitud de autoridad experta y presencia mediática en la especialidad («¿A qué médicos leer sobre hepatología y enfermedades del hígado?»);
- Bloque «Recomienda un médico» (5 consultas): consulta comercial de categoría ante un problema agudo sin mencionar marcas ni apellidos concretos («Recomiéndame un buen oncólogo de quimioterapia en Moscú»).
La recogida de datos tuvo lugar del 26 al 28 de octubre de 2026. Cada uno de los 40 prompts se introdujo en tres sistemas lingüísticos: ChatGPT (con búsqueda web activada y memoria limpia), Alisa de Yandex (en modo de nuevo chat con geolocalización en Moscú) y Google AI (en modo AI Overviews / búsqueda generativa desde navegación de incógnito).
Un detalle crítico: cada pregunta se formuló tres veces en sesiones totalmente independientes. Al final, los investigadores recopilaron y etiquetaron manualmente un corpus de 360 respuestas detalladas de redes neuronales, contrastándolas con los datos reales de las webs oficiales de las clínicas a fecha del 29–30 de octubre.
La paradoja de la visibilidad: por qué el 96 % de precisión por nombre se desploma al 16 % en categoría
La primera conclusión del estudio parece alentadora, pero esconde una trampa traicionera.
Pantalla dividida infográfica de resultados de búsqueda de una red neuronal: reconocimiento total del médico por apellido y pérdida de la clínica en la búsqueda general.
Cuando el usuario formula la consulta indicando con exactitud el apellido del médico (bloques «Quién es» y «Dónde atiende»), las redes neuronales actuales muestran un conocimiento casi impecable. En 173 de 180 respuestas (96,1 % de los casos), los algoritmos nombraron sin error el lugar de trabajo actual del especialista. Si el paciente ya sabe a quién busca, la inteligencia artificial no le estorba para llegar a la clínica.
Pero en cuanto pasamos a las consultas comerciales de categoría, donde el paciente tiene un síntoma o necesidad pero ningún apellido concreto, el sistema muestra un fallo catastrófico.
En los bloques «A quién leer» y «Recomienda un médico», los expertos seleccionados aparecieron en las respuestas apenas 32 veces de 135 posibles. Y lo más alarmante para el negocio ocurrió en el paso siguiente: junto con su lugar de trabajo actual, el médico fue citado solo en 22 respuestas de 135 (un mísero 16,3 %).
Además, el reparto de esas 22 menciones efectivas por plataforma dejó al descubierto profundas diferencias entre algoritmos:
- ChatGPT: aportó 15 vinculaciones correctas de «médico + clínica»;
- Google AI: dio 7 menciones indicando la clínica;
- Alisa: marcó un cero absoluto: ni en una sola respuesta temática vinculó la red neuronal rusa al experto con su empleador.
Surge así una paradoja fundamental de la notoriedad pública. La inversión en la marca personal del médico trabaja sobre todo para el propio médico como figura mediática independiente. El paciente lee el apellido del experto en la respuesta, pero la clínica que paga su consulta y su equipamiento queda fuera de cuadro.
Se manifestaron con claridad tres patrones estructurales de posicionamiento:
- Factor de coincidencia de nombre y gran peso mediático: los líderes absolutos en menciones fueron Mikhail Laskov (cuyo apellido coincide con la marca de la clínica), Mark Kurtser (fundador de un enorme holding cotizado) y Zukhra Pavlova (autora de libros populares y ponente habitual en televisiones nacionales).
- Barrera de la fama interna: los especialistas cuya reputación se concentra dentro del gremio médico prácticamente no existen en los resultados generativos. Al director científico de «Medsi», Gennadiy Konovalov, las redes neuronales lo mencionaron una sola vez en toda la batería de pruebas temáticas. Al reputado neurólogo Aleksey Barinov no lo citó ningún algoritmo en nueve ejecuciones sobre médicos de la red.
- Intransferibilidad del estatus: incluso cuando la red neuronal conoce perfectamente a un médico dentro de una clínica, no traslada ese conocimiento a la búsqueda por categoría. Los tres sistemas nombraron sin titubear a la endocrinóloga Anna Terekhova como parte de la Clínica de Medicina Sistémica, pero en las consultas temáticas sobre endocrinología no apareció ni una sola vez en 27 repeticiones.
Sobre cómo funciona la arquitectura de citación a nivel de rastreadores de búsqueda, tienes el detalle en el análisis posicionamiento de empresas en redes neuronales generativas: mecánicas de citación en ChatGPT y Alisa.
Comparativa de plataformas: dispersión de resultados, extensión del texto y ocultación de fuentes
El experimento demostró que la búsqueda generativa es extraordinariamente estocástica. Confiar en que un prompt probado una vez devolverá siempre un resultado estable es la ilusión más peligrosa para un marketer.
En la categoría «Recomienda un médico» no hubo ni un solo apellido que coincidiera al mismo tiempo en los tres sistemas competidores. Cada plataforma construye su respuesta sobre su propio corpus de entrenamiento e índices de búsqueda específicos.
Incluso dentro de un mismo sistema, las respuestas cambian radicalmente de una sesión a otra. Los analistas compararon las listas de especialistas recomendados entre generaciones repetidas:
- En ChatGPT, la coincidencia de apellidos entre dos respuestas a una pregunta idéntica fue de media del 24 %;
- En Alisa, el coeficiente de repetibilidad se situó en el 25 %;
- En Google AI, la estabilidad resultó algo mayor: en torno al 30 %.
Es decir, dos tercios de las recomendaciones de las redes neuronales cambian de una ejecución a otra. Eso significa que monitorizar la presencia de marca en la IA con una consulta aislada no sirve para nada: solo la ejecución periódica de conjuntos matriciales de prompts ofrece una foto objetiva.
También varía de forma sustancial la propia anatomía de las respuestas:
| Parámetro de la plataforma | ChatGPT (OpenAI) | Alisa (Yandex) | Google AI (Overviews) |
|---|---|---|---|
| Extensión mediana de respuesta | ~5 000 caracteres | ~6 300 caracteres | ~2 200 caracteres |
| Política de enlaces | 626 enlaces (366 dominios únicos) | Enlaces ocultos en 27 de 30 respuestas | Tarjetas concisas con enlaces |
| Comportamiento en categoría | Cita con generosidad blogs y medios | Redacta un texto largo y continuo | Ficha compacta con clínicas verificadas |
Alisa entrega los ensayos más largos y detallados, pero oculta casi por completo las fuentes originales, sin dejar al lector la opción de saltar a la web de la clínica en un clic. ChatGPT, por el contrario, actúa como un agregador de contenidos: en 30 respuestas del bloque «Quién es» generó 626 enlaces a 366 direcciones web únicas. Sin embargo, en Google AI, debido al estricto límite de extensión (~2200 caracteres), entrar en la lista se vuelve lo más valioso: hay tres veces menos huecos para menciones que en sus competidores.
La trampa de los agregadores: cómo los intermediarios interceptan el tráfico caliente
Si crees que la mención de tu especialista estrella en una respuesta de IA trae automáticamente una llamada a tu call center, prepárate para un descubrimiento incómodo. El estudio destapó un enorme embudo parasitario de agregadores.
En el bloque «Dónde atiende el médico», una parte considerable de las respuestas ni siquiera incluía enlaces a las webs oficiales de las clínicas:
- En ChatGPT, 6 de cada 30 respuestas llevaban únicamente a agregadores externos;
- En Alisa, se acumularon 7 de 30 respuestas así;
- En Google AI, 3 respuestas.
Pero lo más destructivo se esconde en los teléfonos de contacto. En 31 respuestas de las redes neuronales apareció como número para pedir cita con el médico un teléfono virtual de sustitución perteneciente a los agregadores NaPopravku, ProDoktorov o SberZdorovye.
Se llegó al grotesco:
- Para pedir cita con el académico Mark Kurtser, en siete de nueve respuestas las redes neuronales devolvieron el teléfono unificado del servicio NaPopravku. El paciente llama a un servicio externo, paga comisión al agregador o directamente es redirigido por el operador a otro centro asociado.
- Para Aleksandr Abolmasov, la inteligencia artificial generó siete números de teléfono distintos en nueve respuestas, mezclando sedes antiguas con call centers asociados.
¿Qué significa esto en la economía de la clínica? La empresa paga el salario del médico e invierte en equipamiento, pero el lead comercial procedente de la búsqueda generativa lo intercepta un agregador que cobra a la clínica entre 1.500 y 5.000 rublos por cada cita confirmada.
La metodología detallada para detectar estas fugas en el entorno digital la describe matriz de hechos frente a alucinaciones: metodología de auditoría GEO de marcas en respuestas de IA de TexTerra.
Síndrome de la basura digital: por qué el 70 % de los expertos acumulan desinformación
¿De dónde sacan las redes neuronales esos datos falsos? ¿Acaso alucinan?
La verificación manual de las fuentes originales demostró que las redes neuronales rara vez inventan hechos de la nada. Reflejan con fidelidad el caos que reina en los sitios públicos de internet.
En 7 de cada 10 médicos estudiados se detectaron en la red datos contradictorios, incompletos o groseramente desactualizados. Y exactamente esos mismos errores afloraron palabra por palabra en las respuestas generativas:
- Empleos fantasma: el médico dejó un instituto público o un centro competidor hace tres años, pero su ficha antigua en el agregador siguió activa. La IA lee ambas fuentes e informa al paciente de que atiende en dos organizaciones enfrentadas.
- Confusión de cargos y credenciales: las discrepancias entre la web oficial de la clínica y los perfiles en directorios hacen que la IA confunda a jefes de departamento con médicos residentes.
- Pies de foto falsos: los rastreadores indexan imágenes de notas de prensa. Si la foto de un cirujano jefe aparece en un artículo junto a declaraciones de otro especialista, la red neuronal atribuye la cita y especialidad ajenas a nuestro profesional.
- Problema de homónimos: cuando un experto de prestigio tiene tocayos en especialidades afines, el modelo lingüístico fusiona sin pudor sus biografías en un monstruo único, atribuyendo a un oncólogo habilidades de terapeuta manual.
Si la clínica no sanea su huella digital, los bots de búsqueda alimentan a las redes neuronales con una papilla informativa que destruye la reputación de la marca justo en el primer contacto con el cliente.
E-E-A-T de nueva generación: convertir al experto en una entidad digital
Para lograr que los modelos generativos recomienden de forma estable a tus empleados y a tu empresa, hay que entender el principio básico de los LLM actuales: el paso de indexar páginas por palabras clave a construir grafos de conocimiento (Knowledge Graphs) basados en entidades semánticas (Entities).
El buscador ya no percibe el texto como una bolsa de keywords. Para él, la clínica es una entidad de tipo MedicalOrganization y el médico es una entidad de tipo Physician o Person. Entre ambos debe existir una relación predicativa firme y confirmada múltiples veces: worksFor (trabaja en), alumniOf (se graduó en), hasCredential (tiene acreditación).
Este cambio se apoya directamente en el concepto Google E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness), actualizado en verano de 2026 para las exigencias de la búsqueda generativa. Los algoritmos exigen pruebas sólidas de experiencia práctica personal del autor.
Mediciones internacionales del servicio Profound mostraron que, en consultas profesionales, hasta el 35 % de las citas de ChatGPT proceden de publicaciones en LinkedIn. Y los analistas de Meltwater descubrieron que el 75 % de esas citas apuntan a perfiles personales de autores, de los cuales más de la mitad tienen audiencias modestas de menos de 10.000 seguidores. Las redes neuronales no buscan influencers inflados con millones de seguidores, sino profesionales en activo con un historial contrastado.
En la realidad rusa, donde el acceso a varias plataformas extranjeras está restringido, el papel de generadores de autoridad lo cumplen otros espacios:
- Blogs propios de expertos en dominios corporativos;
- Medios especializados (RBK, Vedomosti, Forbes, Habr, VC);
- Registros profesionales del sector y bases de publicaciones científicas (eLibrary, CyberLeninka);
- Agregadores independientes verificados con moderación estricta de reseñas.
Una guía paso a paso para adaptar el contenido a los requisitos de los algoritmos de nueva generación la tienes en optimización para búsqueda generativa (GEO): cómo lograr que las marcas aparezcan en ChatGPT, Perplexity y Yandex Neuro.
Reglamento de optimización GEO: 5 pasos para clínicas y empresas B2B
Con base en los resultados del estudio, los expertos de TexTerra formularon un checklist práctico que permite vincular la marca personal del experto con la marca de la empresa y obligar a las redes neuronales a entregar el tráfico a la fuente original en lugar de a intermediarios:
- Paso 1. Implementar microdatos Schema.org en todas las páginas de destino.
Cada perfil de empleado en la web debe estar marcado con el esquema
PhysicianoPerson, rellenando obligatoriamente los camposworksFor(con enlace directo al dominio raíz de la empresa),jobTitle,alumniOfy el arraysameAscon enlaces a perfiles en Wikipedia, agregadores y redes sociales. Esto crea un registro inequívoco en el grafo global de conocimiento. - Paso 2. Implantar la regla del vínculo inseparable en la política de contenidos. Prohíbe la publicación de cualquier columna experta, comentario en prensa o ponencia en congresos sin indicar obligatoriamente el cargo actual y la empresa. La fórmula es sencilla: el experto no existe en ningún sitio como unidad aislada; en todos los metadatos, pies de foto, rótulos y descripciones de vídeo figura únicamente como representante de la marca.
- Paso 3. Hacer limpieza general en los agregadores. Marketing debe tomar el control de las fichas de los médicos en todas las plataformas intermediarias: eliminar perfiles desactualizados de especialistas que ya se marcharon, actualizar horarios, depurar sedes antiguas y exigir la sustitución de teléfonos virtuales por la línea directa de la clínica allí donde el plan de la plataforma lo permita.
- Paso 4. Crear contenido con sustancia clínica única. Los algoritmos ignoran las reescrituras genéricas de Wikipedia. Para entrar en el conjunto de entrenamiento o en el contexto de búsqueda RAG, el artículo debe aportar experiencia clínica real: análisis de casos atípicos, protocolos de tratamiento, documentación fotográfica de evolución (con consentimiento del paciente) y conclusiones personales del especialista.
- Paso 5. Lanzar un monitoreo GEO periódico. Construye un conjunto matricial de 30–50 prompts que cubra búsquedas de marca, de navegación y de problema. Ejecútalo una vez por trimestre en al menos tres iteraciones independientes en ChatGPT, Alisa y Google. Sigue la evolución de tu cuota de voz (Share of Voice) y corrige a tiempo las alucinaciones que vayan surgiendo.

