06-4
Por qué aparecer y ser recomendado no son lo mismo
Lectura MIIAGuillermo Vallejo
La respuesta corta
Un motor de IA puede apoyarse en tu contenido y no nombrarte en la respuesta que el lector ve. Son dos cosas distintas: ser citado como fuente y ser recomendado como marca. Y el orden entre ellas es el contrario del que parece: no es la cita la que produce la mención, es la mención la que produce la cita.
Los dos fenómenos, que casi nadie separa
| Qué es | Qué ve el usuario | |
|---|---|---|
| Aparecer (ser citado) | Qué esEl modelo usa tu página como fuente para construir la respuesta | Qué ve el usuarioUn enlace, un número de referencia, a veces nada |
| Ser recomendado (ser mencionado) | Qué esEl modelo te nombra dentro del texto de la respuesta como una opción | Qué ve el usuarioTu marca, escrita, dentro de la recomendación |
Parecen lo mismo y se miden como si lo fueran. No lo son, y entre el 40 % y el 62 % de las citas de IA no nombran la marca en la respuesta que el lector ve. El porcentaje varía mucho según el motor y el tipo de consulta, por eso se da como rango y no como cifra suelta.
Dicho en corto: tu contenido puede estar haciendo el trabajo de fundamentar una respuesta que recomienda a otro.
El dato que le da la vuelta al orden
Aquí está lo que importa, y no es el porcentaje anterior:
Cuando una marca sí aparece mencionada en la respuesta, su tasa de citación es del 53,1 %. Cuando no aparece mencionada, del 10,6 %. Cinco veces más.
La lectura mecánica de ese dato es la que cambia cómo se trabaja: el modelo decide primero a quién recomienda y después busca con qué respaldarlo. La cita no es la causa de la mención, es su consecuencia.
Fuente: Seer Interactive, febrero de 2026, sobre 362.188 respuestas y seis tests conductuales. El rango del 40-62 % sale de cruzar ese estudio con mediciones de Writesonic (julio de 2026) y Semrush (junio de 2026).consultada el (copia archivada)
El caveat que viaja con el dato, y que no se omite: los autores declaran que esto es evidencia conductual, no arquitectura demostrada. Nadie tiene acceso a los registros internos de generación de un modelo, así que lo que se observa es un patrón consistente en las salidas, no un mecanismo verificado por dentro. Es lo que separa esta lectura de la especulación.
Qué implica para quien decide
Optimizar tu página no mueve la mención por sí solo. Si el orden es mención → cita, entonces trabajar exclusivamente sobre tu web actúa sobre el segundo paso y deja el primero intacto. Es la razón por la que una estrategia que solo toca tu propio sitio se queda a medias, por buena que sea la ejecución.
Los dos fenómenos piden trabajos distintos. Que te citen depende sobre todo de que tu contenido sea accesible, legible por máquina y útil para fundamentar. Que te mencionen depende de lo que el modelo ha aprendido sobre tu categoría, y eso se construye fuera de tu web: en lo que otros publican sobre ti y en lo consistente que sea tu identidad a través de las fuentes que el modelo consulta.
Y hay que medirlos por separado, porque un cuadro de mando que los suma da una cifra que sube cuando cualquiera de los dos se mueve, y no dice cuál. Una marca puede estar mejorando su tasa de citación mientras pierde menciones, y ese es exactamente el caso en el que el informe mensual se ve bien y el negocio no se mueve.
Qué se puede medir de cada uno
Sin entrar en fórmulas, que son otro asunto: de aparecer se puede medir la frecuencia con que tu dominio se usa como fuente y en qué tipo de consultas. De ser recomendado, con qué frecuencia tu marca aparece nombrada en respuestas de tu categoría, y en qué posición dentro del conjunto de marcas que el modelo propone.
Las dos mediciones tienen la misma condición para ser creíbles: se hacen sobre respuestas reales de los motores y con consultas repetidas. Una sola consulta a un modelo generativo es una foto que miente, porque el mismo prompt devuelve respuestas distintas en dos ejecuciones seguidas. Sin repetición y sin margen de error declarado, cualquier número es una anécdota con decimales.
Lo que todavía no está claro
Tres cosas, y conviene decirlas.
No sabemos cuánto de esto es estable. Las mediciones disponibles son de 2026 y de un campo que cambia con cada actualización de modelo. Un reparto medido en febrero puede no ser el de diciembre.
El rango 40-62 % es ancho por un motivo que no está resuelto: no está claro cuánto de esa variación se explica por el motor y cuánto por el tipo de consulta. Quien ofrezca un número único para todos los motores y todas las categorías está promediando cosas que no se promedian.
Y el mecanismo sigue siendo inferido. La secuencia mención → cita es la explicación que mejor encaja con lo observado, no un hecho verificado desde dentro del modelo. Si alguien publica evidencia contraria, esta lectura se corrige. Está fechada precisamente para eso.