Cuando sus clientes preguntan algo a ChatGPT o Gemini, el modelo activa silenciosamente un conjunto de búsquedas web tradicionales en segundo plano, recupera las páginas de clasificación y sintetiza la respuesta a partir de ellas. Se citan los sitios que clasifican para esas consultas ocultas. Los que no lo hacen, no lo hacen. QueryFan genera mensajes específicos de cada persona, los ejecuta en ambos modelos y captura las búsquedas exactas que desencadenó cada uno. Esa lista es su verdadero objetivo de visibilidad de la IA. Es gratis.
Las listas de palabras clave son útiles, solo pierden la mitad de la imagen
Permítanme ser preciso al respecto antes de que alguien escriba una respuesta furiosa.
Estoy usando el término «palabras clave» para referirme a las consultas «únicas» que se realizan en los motores de búsqueda tradicionales. Sí, sé que hemos estado en un mundo «semántico» durante más de una década, pero por ahora, pongamos de acuerdo sobre una terminología que todos puedan seguir.
El problema principal de las “listas de palabras clave” en el contexto de la búsqueda con IA tiene tres aspectos:
- Por lo general, las consultas (indicaciones) que se realizan en los LLM tienden a ser más largas, multifacéticas y de naturaleza conversacional. Las búsquedas tradicionales tienden a tener un alcance más limitado.
- La búsqueda tradicional es «de una sola vez». Usted hace su búsqueda, obtiene su información y luego hace otra búsqueda independiente. Las consultas/indicaciones en los LLM tienden a ser de naturaleza conversacional y contienen el contexto de tokens anteriores.
- Los mecanismos que utilizan los LLM para la búsqueda web también conllevan un contexto de personalización. Si el usuario ha declarado previamente que es vegano y le pregunta al LLM sobre (zapatillas para correr), es muy probable que el LLM realice una búsqueda para adaptarse a esto.
En esencia, la búsqueda por IA se ha convertido en una especie de “decodificador de intenciones universal” para los usuarios. Esas grandes conversaciones multifacéticas con la IA se dividen en subconjuntos de consultas que se pueden resolver, que se ejecutan en segundo plano como búsquedas «tradicionales» en Google o Bing, y los sitios resultantes se utilizan para generar una respuesta. El proceso se conoce como “Generación Aumentada de Recuperación” (RAG).
El objetivo de optimización se ha movido. Ya no estás optimizando únicamente lo que el humano escribe en un cuadro de chat. Está optimizando lo que el agente de IA busca silenciosamente en su nombre, en segundo plano, sin que el usuario sepa lo que sucedió.
Esas consultas en segundo plano son las que captura QueryFan. A menudo son bastante diferentes de lo que realmente preguntó el usuario. Y son la lista exacta de cosas que necesitas clasificar para aparecer en las respuestas generadas por IA.
Anexo A: Reddit cayó por un acantilado un martes
El alcance y la profundidad de esta relación secreta quedaron claros cuando Reddit disfrutaba de aumentos meteóricos de visibilidad en Google y la tragedia ocurrió el 10 de septiembre de 2026. Según los datos de seguimiento de citas de PromptWatch, la tasa de citas de Reddit en las respuestas de ChatGPT colapsó casi de la noche a la mañana. Había llegado al 15% de todas las citaciones. En cuestión de días, estaba por debajo del 2%.
La causa no fue nada glamorosa: Google eliminó silenciosamente la capacidad de solicitar 100 resultados de búsqueda simultáneamente (el num=100 parámetro) de su API de búsqueda en esa fecha.
Piensa en lo que esto te dice. Se rastrea la visibilidad de Reddit en las respuestas de ChatGPT Capacidades de búsqueda masiva de Googlenada de lo que hizo Reddit, ni una actualización de datos de entrenamiento, ni un ajuste de alineación. La implicación es tan sutil como un piano caído: ChatGPT estaba obteniendo resultados de búsqueda de Google en masa, Reddit dominaba esos resultados en ese momento, y cuando la extracción en masa desapareció, también desaparecieron las citas de Reddit.
Las superficies de búsqueda de IA son, en gran parte, envoltorios de la búsqueda tradicional. La parte “IA” es real (la síntesis, la personalización, la coherencia conversacional) pero la recuperación de información Este paso es notablemente familiar. Google indexa y clasifica la web; la IA consulta ese índice. Tu contenido aún necesita clasificarse.
Cómo funciona QueryFan
Paso 1: sus palabras clave «tradicionales»
Su lista tradicional de palabras clave para el término «zapatillas para correr» puede incorporar varias variaciones sugeridas de este término, de una fuente como Google Suggest.
Para QueryFan, podemos simplemente tomar el tema de “zapatillas para correr” y usarlo como nuestro primer paso, ya que vamos a generar indicaciones en torno a esto.
Paso 2: definir personas
Sus personajes son cómo vamos a personalizar las indicaciones que generamos. Esto alterará nuestro recorrido por el espacio simbólico, alineándonos con datos de capacitación de millones de comunidades, publicaciones en foros, hilos de Reddit y discursos de Internet donde usuarios reales hacen preguntas reales con estas identidades.
QueryFan envía su combinación de persona + tema al LLM para generar el tipo de preguntas que esa persona realmente haría a una herramienta de inteligencia artificial. No palabras clave. Preguntas. Preguntas reales, conversacionales y cargadas de contexto. Para el ejemplo (hombre vegano de mediana edad que acaba de empezar a correr), producirá cosas como:
- «¿Qué zapatillas para correr veganas son buenas para los hombres de mediana edad que recién comienzan a correr?»
- «¿Dónde puedo comprar zapatillas para correr veganas online en el Reino Unido?»
- “¿Qué debo buscar al elegir mi primer par de zapatillas para correr como principiante?”
Paso 3: Selección de LLM y enriquecimiento también solicitado
Rama de conversaciones de IA. Alguien que pregunte sobre zapatillas para correr veganas hará preguntas de seguimiento: sobre costos, marcas, prevención de lesiones. QueryFan pasa las indicaciones generadas a través de la API AlsoAsked para capturar las preguntas de seguimiento más cercanas a cada una. Los datos de People Also Ask son el instrumento adecuado aquí porque fueron creados para modelar la proximidad de las preguntas, que es precisamente lo que necesitas cuando intentas predecir hacia dónde seguirá una conversación.
Por ejemplo, una búsqueda en el Reino Unido de “zapatillas para correr” generaría preguntas de seguimiento sobre marcas específicas, cómo elegir un zapato e incluso consultas médicas comunes.
También puedes seleccionar si deseas utilizar ChatGPT, Gemini o ambos. Cada LLM maneja y distribuye las consultas de manera ligeramente diferente, por lo que si está optimizando para una plataforma específica, es mejor obtener los datos desde allí.
Paso 4: Distribución de consultas
QueryFan envía la lista de mensajes enriquecidos a GPT-5 con la búsqueda web habilitada (a través de la API OpenAI Responses) y a Gemini con la conexión a tierra de la Búsqueda de Google activa (a través de la API de conexión a tierra de Gemini). Ambos modelos, cuando deciden que un mensaje requiere información actual, realizan búsquedas reales en Google detrás de escena.
Este proceso captura las consultas distribuidas, ya que ambas API son, lo que resulta bastante útil, transparentes sobre lo que buscaron. La API de Gemini devuelve un webSearchQueries matriz en el groundingMetadata campo de cada respuesta fundamentada. La API de respuestas de OpenAI registra las consultas de búsqueda reales en el web_search_call producción. QueryFan cosecha ambos.
El resultado es una tabla: indicaciones específicas de la persona, las consultas de búsqueda reales de Google que la IA disparó. No es lo que escribió su cliente. Lo que la IA buscó en su nombre. Esos son sus nuevos objetivos de SEO y hasta ahora no ha habido ninguna herramienta gratuita que los muestre a escala.
La pregunta fundamental: no todos los mensajes desencadenan una búsqueda
Una breve pero importante advertencia antes de lanzarse a clasificar todo como una oportunidad de SEO.
No todos los mensajes hacen que la IA realice una búsqueda en la web. Los modelos toman una decisión basada en el consenso de la predicción del token sobre si se requiere información en vivo.
Por dar un ejemplo, la pregunta “¿Qué hacen los glóbulos rojos?” no desencadena una búsqueda. La razón es que hay una curva de campana muy pronunciada sobre qué tokens aparecerán a continuación. En los miles de millones de documentos de capacitación, la respuesta se ha mantenido muy estable, por lo que se puede generar con confianza una respuesta «en el modelo».
En el extremo opuesto de la escala, una pregunta como “¿Qué pasó hoy en las noticias?” desencadenaría una búsqueda en la web. Habría una curva muy plana de «¿qué tokens son los siguientes?», ya que no hay una respuesta «estable» dentro de los datos de entrenamiento; siempre cambia, requiere datos en vivo. Es otra versión del concepto Query Deserve Freshness (QDF) que los SEO han utilizado durante años.
Si está interesado en la conexión a tierra, Dan Petrovic ha realizado un trabajo excelente en esta área e incluso lanzó modelos entrenados en Hugging Face para predecir si las consultas se establecerán cuando alcancen un umbral de confianza.
QueryFan muestra qué mensajes activaron búsquedas y cuáles no. Sólo los que están fundamentados (los que realmente provocaron que se realizara una búsqueda en Google) son procesables a través de SEO. Las respuestas del modelo están, por ahora, en gran medida fuera de su alcance. Necesitaría influir en los datos de entrenamiento para mover la aguja allí, lo cual es un proyecto completamente diferente, con un horizonte mucho más largo.
Qué haces con los resultados
Ahora tiene una lista de consultas de búsqueda reales que las herramientas de inteligencia artificial activan al responder preguntas de sus personas específicas. Ejecute un análisis de brechas estándar:
- ¿Para cuál de estas consultas tienes contenido?
- ¿Para cuál ya estás clasificado?
- ¿Cuáles tienen cobertura cero, ya sea en su sitio o en cualquier lugar donde sea probable que lo mencionen?
Las dos primeras categorías son diagnósticas. La tercera es tu lista de acciones.
Una distinción importante del SEO tradicional: su propio La clasificación no es el único camino hacia la visibilidad de la IA. Los LLM escanean los 10, 20 y a veces 50 resultados principales en busca de una consulta fundamentada y los sintetizan. Un sitio de reseñas confiable que se ubique en la posición 3 es una ruta legítima para aparecer en una respuesta generada por IA, incluso si su propio dominio nunca aparece en la primera página. Obtener una reseña de un producto en un sitio especializado de alta autoridad, obtener una mención en un artículo resumen, aparecer en contenido relevante de la comunidad, todo esto cuenta.
La visibilidad de LLM es un enfoque de múltiples sitios. Esto significa que el análisis de brechas tiene dos resultados: contenido a crear en tu propio sitioy ubicaciones para ganar en sitios de otras personas.
El remate
Vuelva a pensar en ese gráfico de citas de Reddit. El que se cayó por un precipicio cuando Google cambió un único parámetro de API. La visibilidad de la IA de una empresa totalmente independiente rastreó el comportamiento de una API de búsqueda que no controlaba y que probablemente no sabía que existía.
Ésa es la forma de la dependencia. Y la implicación no es que el SEO esté muerto; es casi lo contrario. El SEO ahora funciona con una distancia adicional: en lugar de optimizar para la consulta humana, debe optimizar para la consulta traducida por IA que ocurre entre el humano y Google.
QueryFan le ofrece una manera de ver lo que realmente produce esa traducción. Su lista de palabras clave le indica lo que las personas escribieron en una barra de búsqueda. QueryFan te dice lo que ChatGPT y Gemini buscaron en su nombre, en segundo plano, sin que nadie les pida que lo anuncien.
Esas son listas diferentes. La brecha entre ellos no es un refinamiento menor de su estrategia de contenido. Es la parte de la búsqueda de IA que nadie ha estado midiendo porque nadie ha tenido una herramienta gratuita para medirla.
Divulgación: El autor es el creador de Queryfan.
Más recursos:
Esta publicación se publicó originalmente en Mark Williams-Cook Substack.
Imagen de portada: Roman Samborskyi/Shutterstock
