Cómo aparecer citado en ChatGPT en 2026

ChatGPT cita fuentes de dos formas distintas: con browsing, navegando la web en tiempo real y mostrando las URLs, y sin browsing, respondiendo con lo que tiene entrenado. Aparecer en una y otra requiere optimizaciones distintas, y trabajar las dos en paralelo es lo que pone tu dominio en respuestas reales.

Soy Ignacio (IGNAX) y mi propio sitio, ignax.dev, está construido sobre estas técnicas. El marco general está en qué es AEO y el caso de estudio bilingüe en el motor de crecimiento de ignax.dev.

¿Cómo lee ChatGPT tu sitio?

ChatGPT con browsing usa GPTBot para crawlear y Bing como motor de búsqueda subyacente. Cuando un usuario hace una query informacional ambigua, el modelo:

1. Decide si la query necesita browsing (versus responder con conocimiento entrenado).
2. Hace una búsqueda en Bing con queries derivadas.
3. Selecciona 3 a 6 resultados para visitar.
4. Lee el contenido extractable de cada uno.
5. Genera la respuesta sintetizando esos resultados y cita las URLs.

Cada uno de esos pasos es una oportunidad. Si no aparecés en Bing, no podés ser citado. Si Bing te muestra pero tu Quick Answer está enterrada, el modelo no te extrae. Si te extrae pero tu autoridad es baja, te pone como fuente secundaria.

¿Qué señales mira el modelo concretamente?

Midiendo sitios propios y de clientes, hay cuatro señales que terminan moviendo la aguja por encima de las demás.

1. Contenido extractable al inicio

Quick Answer de 40 a 60 palabras al principio, autocontenida, sin anáfora. El modelo lee los primeros tokens del cuerpo del artículo, si la respuesta está ahí, la extrae.

Mal:

"Este artículo cubre todo lo que necesitás saber sobre AEO. Vamos a ver primero qué es, después por qué importa, y al final cómo implementarlo en SvelteKit."

Bien:

"AEO (Answer Engine Optimization) es optimizar contenido y schema para que motores de respuesta como ChatGPT, Perplexity y Gemini te citen como fuente. Difiere del SEO: no buscás clics, buscás aparecer en la respuesta generada."

La segunda versión es citable tal cual. La primera necesita parsing.

2. Schema estructurado

JSON-LD con Article, FAQPage y Person/Organization mínimo. El schema le dice al modelo qué es cada bloque sin que tenga que adivinar. Mi setup default en SvelteKit:

<script>
  const articleSchema = {
    "@context": "https://schema.org",
    "@type": "Article",
    "headline": data.title,
    "description": data.description,
    "author": { "@type": "Person", "name": "Ignacio Salom", "url": "https://ignax.dev" },
    "datePublished": data.publishedAt,
    "dateModified": data.updatedAt,
  };
</script>

<svelte:head>
  {@html `<script type="application/ld+json">${JSON.stringify(articleSchema)}</script>`}
</svelte:head>

Lo mismo para FAQ schema con las 5 a 6 preguntas que están en tu front-matter.

3. Autoridad de entidad consistente

ChatGPT construye un grafo interno de entidades (personas, empresas, productos) durante el entrenamiento. Para que tu marca exista en ese grafo:

• Wikidata con tus datos correctos (si calificás, gestioná tu propia entrada).
• GitHub con el mismo display name y bio que en tu sitio.
• LinkedIn con URL canónica que apunte a tu dominio.
• Schema.org sameAs en tu schema, listando todas tus URLs sociales.

Inconsistencias rompen la entidad. Si en LinkedIn sos "Nacho Pérez", en GitHub "ignaciop" y en el sitio "Ignacio Salom", el modelo no sabe si sos la misma persona.

4. Permisos a crawlers de IA

Tu robots.txt debe permitir explícitamente:

User-agent: GPTBot
Allow: /

User-agent: ClaudeBot
Allow: /

User-agent: PerplexityBot
Allow: /

User-agent: Google-Extended
Allow: /

User-agent: CCBot
Allow: /

Sin estos permisos, los crawlers no pueden leer tu sitio. Bloquearlos es una decisión legítima si querés excluir tu contenido del entrenamiento, pero entonces no esperes citas.

¿Cómo gana cita una URL versus las otras?

Cuando ChatGPT con browsing tiene 6 candidatos a citar para una query, los rankea por:

• Relevancia semántica del fragmento extraído vs la pregunta del usuario.
• Autoridad del dominio (similar a SEO clásico: backlinks, age, signal).
• Frescura (dateModified reciente cuando la query implica actualidad).
• Diversidad de fuentes (el modelo trata de no citar 4 URLs del mismo dominio).
• Confianza en la entidad (sitios con schema completo y entidad clara ganan sobre sitios sin schema).

Si optimizás las cuatro señales de la sección anterior, ganás cita versus competidores que solo tienen autoridad de dominio. Es exactamente el caso de ignax.dev: dominio nuevo, baja autoridad clásica, pero schema completo + Quick Answers + entidad consistente → citas en Perplexity dentro del primer mes.

¿Qué hago si tengo dominio chico?

El sesgo de autoridad es real, pero hay tres jugadas que nivelan el campo:

1. Buscá nichos con baja competencia AEO. Queries muy específicas ("RAG vs fine-tuning para chatbots de soporte en español") tienen menos competencia que queries amplias ("RAG chatbots"). Empezá ahí y construí backwards.
2. Acumulá citas en sitios de mayor autoridad. Un guest post en un dominio fuerte, una mención en HackerNews. Un comentario referencial en Reddit/StackOverflow con tu URL. Cada cita externa entra en el grafo del modelo.
3. Sé la fuente primaria de algo. Publicá un dataset, un benchmark, un código fuente abierto, una herramienta. Si sos primary source, los modelos te citan porque no hay alternativa.

La guía oficial de OpenAI sobre GPTBot explica los headers que el crawler envía y los rate limits que respeta. Para el lado de Anthropic mirá la documentación de ClaudeBot y la referencia general de Schema.org FAQPage para validar el markup antes de publicar.

¿Cómo medís resultados de manera no-mágica?

Mi rutina semanal (15 minutos los lunes):

1. 10 queries de control en ChatGPT con browsing. Mismas queries cada semana. Anoto si aparece ignax.dev en las citas. Llevo planilla.
2. 10 queries en Perplexity. Mismo método. Perplexity es el termómetro más rápido: feedback en días, no semanas.
3. 5 queries en Claude con browsing. Claude se demora más en incorporar dominios nuevos pero cuando los incorpora dan citas de calidad.
4. Revisión de tráfico por referrer. En analytics: chat.openai.com, perplexity.ai, claude.ai, you.com, bing.com/chat. Crecimiento mes a mes.

La medición manual suena tediosa pero es la única honesta. Las herramientas que dicen "tu rank en ChatGPT" en 2026 están adivinando.

¿Hay algo automatizable?

Sí, dos cosas:

• IndexNow + ping a Bing. Cuando publicás contenido nuevo, le avisás a Bing en milisegundos. Como ChatGPT usa Bing como motor de browsing. Esto acelera la indexación. Mirá el tutorial de IndexNow.
• Sitemap separado para contenido IA. llms.txt + llms-full.txt en raíz del sitio. Es opcional pero la adopción crece. Detalle en llms.txt explicado.

¿Por dónde arrancás esta semana?

Tres acciones concretas, ordenadas por ROI:

1. Agregá Quick Answer de 40 a 60 palabras al inicio de tus 5 páginas con más tráfico. 60 minutos de trabajo.
2. Verificá que robots.txt permita GPTBot, ClaudeBot, PerplexityBot, Google-Extended y CCBot. 5 minutos.
3. Implementá FAQ schema con 5 a 6 preguntas reales en esas mismas 5 páginas. 2 a 3 horas. Si querés verificar uno por uno, seguí el checklist de citación AEO.

¿Qué diferencia hay entre ser citado y aparecer en una respuesta sin cita?

Distinción importante que muchos clientes confunden. Hay tres modos en que tu contenido influye una respuesta:

1. Cita visible. El modelo te lista como fuente con un link clickeable. Es la mejor: trae tráfico directo.
2. Influencia sin cita visible. El modelo usó tu contenido pero no lo mostró en las fuentes (puede pasar con varios bots o con respuestas sintetizadas). Trae tráfico solo si el usuario hace follow-up.
3. Entrenamiento. Tu contenido fue parte del corpus de entrenamiento y el modelo lo "sabe" sin browsing. Sin cita pero presente en respuestas.

El item 1 es lo que medís con queries de control. El item 3 es lo que construís con autoridad de largo plazo. El item 2 es ruido: difícil de medir, difícil de optimizar específicamente.

¿Qué patrones de contenido extractable funcionan mejor?

Mirando datos de mis sitios y de clientes, los patrones de contenido más citados son:

• Definiciones precisas al inicio. Cuando alguien busca "qué es X". El modelo prefiere citar al sitio que dice "X es Y" claramente.
• Listas con criterios. "Las 5 razones para…", "Los 3 pasos…", "Las 4 diferencias…". Listas estructuradas son fáciles de extraer.
• Tablas comparativas. Especialmente para queries de comparación ("X vs Y"). Una tabla bien estructurada se cita literal.
• Pricing concreto con números. Para queries P (precio). El modelo prefiere citar al que da números reales sobre al que dice "depende".
• Código real con explicación. Para queries técnicas, snippets de código + 1-2 párrafos de contexto se citan bien.

Si tu artículo tiene una de estas estructuras al inicio. El modelo lo extrae más fácilmente que un artículo narrativo libre.

Si querés que te haga el setup completo o auditemos juntos qué te falta, escribime a [email protected]. El servicio formal está en setup SEO + AEO con rango USD 1.500 a 6.000.