Cómo ChatGPT realmente elige fuentes

Sigo recibiendo la misma pregunta de clientes y SEO (¿GEO?).

«¿Cómo aparecemos en ChatGPT?»

La respuesta es siempre la misma. Escribe buen contenido, haz listas, comenta en Reddit.

Lo de siempre.

Pero, ¿cómo sabemos realmente que algo de eso funciona? La mayor parte se repite por fe; un experto cita lo último.

Entonces, en lugar de confiar en ello, pasé unos días leyendo lo que ChatGPT envía a mi navegador debajo de la respuesta. El tráfico de red sin procesar, en JSON legible.

Este es un recorrido por lo que encontré, aproximadamente en el orden en que lo encontré.

Antes de citar un número de esto, lea esto. Es una persona, una cuenta Pro iniciada, unos pocos días de tráfico, no un estudio de población. Registré alrededor de 1240 registros fuente en unas pocas docenas de búsquedas. Los hallazgos estructurales, los campos que usa ChatGPT y cómo se comportan son firmes, porque solo necesitas ver un campo una vez para saber que es real, y los vi una y otra vez. Los números y porcentajes son un asunto diferente. Provienen de un pequeño lote de consultas tecnológicas y en su mayoría SaaS, así que trátelas como una dirección, no como una medición. Señalo cuál es cuál en todo momento.

En qué se diferencia esto de los grandes estudios de visibilidad y qué puede llevar al banco

Hay dos maneras de realizar un estudio de este tipo y apuntan en direcciones opuestas.

Los grandes estudios, los que ejecutan las plataformas y las herramientas bien financiadas, generan miles de indicaciones, registran qué marcas aparecen en las respuestas y las resumen en informes de participación de voz. Muestra grande, pero caja negra. Solo ven la respuesta terminada, por lo que tienen que inferir la maquinaria subyacente a partir de la salida.

Esto es al revés. Leo el tráfico de red, el JSON que el motor envía a mi propio navegador, y levanto las etiquetas internas del motor: result_source imprime en cada resultado, el turn_use_case archiva cada consulta, los nombres de los proveedores, las consultas de búsqueda que escribió, el modelo que realmente ejecutó. No estoy midiendo la frecuencia con la que sucede algo en una población. Estoy documentando que la máquina tiene una cosa y cómo la llama.

Esa diferencia decide en qué puedes confiar aquí, así que seré franco al respecto.

2 niveles de confianza, no los mezcles

Hechos estructurales (nivel de confianza alto)

Eso result_source existe y lleva serp, labrador, bright, oxylabs. Eso bright son datos brillantes y oxylabs es Oxylabs. que hay seis turn_use_case valores. Eso text las consultas se saltan la web por completo. Ese pensamiento dispara docenas de site: y subconsultas de verificación de precios. Estos se leen directamente del cable. Una captura clara demuestra que existe un campo y su nombre, y un estudio de caso rápido, por enorme que sea, no puede ver nada de él.

Observaciones de frecuencia (solo direccionales)

Cualquier cosa con un porcentaje o una clasificación, “70% brillante”, “Reddit es el dominio más citado”, “YouTube nunca es citado”, proviene de decenas de consultas en una sola cuenta, y mi propia elección de consulta lo distorsiona. Elegí SaaS y tecnología, que es exactamente la razón por la que Reddit y los centros de revisión tecnológica lideran aquí; un lote de consultas sobre salud o moda coronarían otras diferentes. Léelos como la forma de la cosa, no como la medida. Cuando una dirección tiene una razón mecánica detrás (Reddit es texto, por lo que se cita, YouTube es video (metadatos), por lo que no), confíe en la dirección e ignore el número exacto.

Primero, la aburrida verdad sobre el ‘análisis de paquetes’

Omita esta sección si no desea entrar en detalles técnicos esenciales.

Mi primer instinto estaba equivocado. No puede rastrear paquetes ni leer consultas, porque la carga útil está cifrada con TLS, por lo que una captura le entrega texto cifrado codificado para los mensajes reales. Lo que sí se filtra la captura son los metadatos.

El nombre del host de destino, las IP y el hecho de que la aplicación ChatGPT habla a través de QUIC (HTTP/3), no simplemente TCP. Es por eso que, en la captura de pantalla siguiente, Wireshark aún puede mostrar «openai» en el apretón de manos. Lee el nombre del servidor no cifrado, no la conversación. QUIC ofusca su primer paquete con claves fijas de la especificación, por lo que una herramienta puede desenvolver ese paquete de apertura para mostrar ClientHello.

Los cuerpos reales de solicitud y respuesta se encuentran en cargas útiles protegidas posteriores que permanecen ilegibles. Entonces, la capa legible es el propio navegador, después del descifrado, en el panel Red.

Ahí es donde las consultas, las respuestas y todos los metadatos viven como JSON.

Esto es inspección HTTP, no rastreo de paquetes, y vale la pena decirlo porque la mitad de las personas que prueban esto comienzan con Wireshark y se dan por vencidos. (Lo sé jajaja.)

Dos cosas que no funcionaron, así que no las repitas.

1. Conducir un Chrome limpio y automatizado hizo que Cloudflare me bloqueara por completo en unas pocas consultas en un motor diferente: el muro «verificar que eres humano» simplemente se repite para siempre en un navegador automatizado, así que pasé a mi Chrome real con mis sesiones reales.
2. En ChatGPT, la respuesta nunca apareció en mi captura al principio, porque se transmite a través de una conexión de larga duración abierta al cargar la página que un gancho instalado a mitad de la sesión no puede ver. Más sobre ambos más adelante.

El campo que etiqueta cada fuente

Abrí DevTools, activé Conservar registro, ejecuté una consulta normal y busqué en las respuestas cualquier cosa que pareciera una etiqueta.

El campo que regresó fue result_source. Se encuentra en cada resultado web que obtiene ChatGPT; nunca lo ves en la respuesta y toma 1 de 4 valores.

Mark Williams-Cook compartió que había encontrado tres de estos; Me encontré con el cuarto. Luego vi la publicación de Metehan y parece que él también la encontró. Pero, sinceramente, no se trata realmente de quién encontró qué primero. Se trata más de compartir lo que estamos viendo, comparar notas y aprender unos de otros.

Aquí hay una fuente del tráfico, recortada a los campos que importan.

{
 "attribution": "TechRadar",
 "url": "https://www.techradar.com/best/...",
 "snippet": "...",
 "pub_date": "2026-05-09",
 "result_source": "labrador"
}

Los cuatro valores que utiliza:

labrador Parece un nivel con licencia, varios de esos editores han firmado acuerdos de contenido con OpenAI, y no es uno al que se accede a menos que sea propietario de un periódico nacional.

bright y oxylabs son la pareja interesante. Los nombres apuntan a Bright Data y Oxylabs, dos empresas comerciales de scraping que resultan ser rivales directos. No puedo ver un contrato en el tráfico, por lo que no afirmaré que ChatGPT les paga, pero su búsqueda web abierta pasa por ambos y el campo le indica cuál obtuvo cada resultado. (Somos clientes de Oxylabs durante mucho tiempo gracias a nuestro SaaS Keyword Insights).

En todo lo que registré, bright realizó la mayor parte de las búsquedas, especialmente en consultas comerciales, financieras y meteorológicas. oxylabs sesgado regional y local, labrador permaneció en noticias y referencias, y serp apareció principalmente en las noticias. Para poner nombres a los niveles, labrador publicó Reuters, el WSJ, Wikipedia y TechRadar, bright sacó Reddit, Forbes y rtings, y oxylabs trajo la prensa del Golfo como Khaleej Times y Gulf News.

Incluso capté la división dentro de una consulta meteorológica, bright tomando los sitios de datos globales como Met Office mientras oxylabs manejó la prensa local del Golfo. (Por cierto, vivo en Dubai). En esa consulta, el desglose fue el siguiente.

Source Pipeline

metoffice.gov.uk bright
accuweather.com bright
timeanddate.com bright
khaleejtimes.com oxylabs
gulfnews.com oxylabs
whatson.ae oxylabs

La conclusión de AI SEO/GEO

Principalmente estás compitiendo en el nivel raspado, así que sé limpiamente descartable. Coloque sus datos y números en texto HTML simple, nunca detrás de un guión o dentro de un PDF o una imagen. El nivel de licencia está prácticamente cerrado, por lo que la palanca que tienes es la cobertura de terceros, relaciones públicas, menciones de marca, enlaces y Reddit, para llegar a las páginas a las que realmente llegan los scrapers.

Las consultas que nunca llegan a la web

Lo siguiente que noté fue que algunas consultas no produjeron ninguna búsqueda en la red. Antes de que ChatGPT realice una búsqueda, archiva su pregunta en un depósito, en un campo llamado turn_use_case. Vi seis de ellos en las preguntas que probé: búsqueda instantánea, compras, texto, local, pensamiento y generación de imágenes.

El que debe preocuparse es text. Cuando ChatGPT presenta su pregunta como textno busca. Responde desde su corpus de entrenamiento y se detiene.

Los casos obvios terminan aquí: “¿Cómo cambio una llanta pinchada?“, “escribir una función de Python para fusionar dos listas ordenadas,» y «traducir esto a 4 idiomas“todos regresaron text con una pestaña de red vacía.

Lo que debería preocuparle es que las “últimas pautas de tratamiento para la diabetes tipo 2” también aparecieron en el texto, una pregunta actual y de alto riesgo que asumiría que investiga. No fue así; respondió desde el entrenamiento. No hay EEAT aquí. ¡Ups!

De las 10 preguntas deliberadamente actuales que intenté, tres se manejaron de esta manera sin realizar ninguna búsqueda.

La redacción decide el tema, no el tema.

«El mejor café cerca de mí» pasa a la canalización local, «Los mejores televisores 4K para comprar» activa las compras, pero «Los mejores televisores 4K con reseñas» siguen siendo una búsqueda normal.

Una pregunta de matemáticas saltó silenciosamente a un modelo de razonamiento bajo pensamiento, mientras que «el precio de las acciones de Tesla esta semana» permaneció en la búsqueda instantánea.

Tenga en cuenta que estos son resultados de mis pruebas limitadas. Haré más pruebas cuando tenga más tiempo.

La conclusión de AI SEO/GEO

Antes de gastar un centavo en una página, verifique la consulta, incluso las búsquedas. Si se trata de un tutorial o una definición, se puede responder desde la formación, donde ninguna página puede entrar, por muy buena que sea. Dedica tu esfuerzo a donde realmente te convenga.

Si desea que lo mencionen para este tipo de consultas, tendrá que dedicar mucho tiempo a desarrollar autoridad y esperar a que su marca se incluya en futuros datos de capacitación. (Por ejemplo, asegúrese de que los rastreadores como Common Crawl puedan ver su sitio).

Cómo una pregunta se distribuye en docenas de búsquedas (consultas distribuidas)

ChatGPT también expone las búsquedas que ejecuta por usted, si extrae la conversación completa de su propia API. En el modelo rápido, es mínimo: una consulta reformulada y lista, tal vez optimizada para velocidad sobre profundidad. En el modelo de pensamiento, al que se le pidió que comparara algunos productos, ejecutó aproximadamente entre 15 y 40 subconsultas de una sola pregunta. (El número dependía de la complejidad de la pregunta).

A continuación se muestra una parte de lo que realmente ejecutó para una tarea de comparación.

"Profound AI search visibility pricing AI engines tracked 2026"
"AthenaHQ pricing AI search visibility tool"
"site:peec.ai/pricing Peec AI Starter Pro Advanced 50 prompts 150 prompts"
"Peec AI pricing $95 $245 $495 official" (a guessed price, then searched to confirm)
"Scrunch AI pricing" (not in my prompt, found mid-research)
...around 40 of these for one comparison

Allí destacan tres cosas. se dispara site: explora directamente las páginas de precios de los proveedores.

Adivina un precio y luego busca para confirmarlo. Y sigue ampliándose a medida que avanza, eligiendo herramientas que nunca nombró y persiguiendo sus precios también.

Tampoco sólo busca; la lectura de la página es igual de literal. corrió find para $, €, 99 e incluso «Agencia», luego utilizó la propia herramienta de navegación open y click comandos para obtener los resultados que deseaba, ejecutarlos en el lado del servidor, no en un agente en su pantalla.

Lo mismo sucede con su propio sitio. Pregúntele «precios de información de palabras clave» y ejecutará un site:keywordinsights.ai/pricing sonda, adivina algo como “Inicial $58, Pro $145, Avanzado $299”, luego abre la página y lee el HTML del símbolo de moneda para confirmar.

La conclusión de AI SEO/GEO

Coloque sus números clave y datos en texto HTML plano, nunca dentro de una imagen, porque en este caso, con el precio, se busca la página. $ y € y no puedo leer un gráfico. Además, debes asegurarte de sobrevivir a una site:yourdomain.com/pricing investigue en este caso de uso y escriba para la consulta limpia que realmente ejecuta, no para la frase confusa que escribe una persona. Evite las alternancias basadas en JavaScript y la carga dinámica de datos.

Buscar, citar y mencionar no son lo mismo

Ésta es la distinción que más confunde la gente, por lo que vale la pena ser exacto. A una fuente le pueden pasar tres cosas diferentes.

• Obtenido. El modelo pone su página en contexto. Este es el result_source objeto. El lector nunca lo ve.
• Citado. Adjunta su página como fuente detrás de una oración específica, la nota al pie en la que puede hacer clic.
• Mencionado. El nombre de su marca aparece en la respuesta, a menudo como un enlace a su sitio, pero no es la fuente del reclamo.

Son tres resultados separados y puedes ganar o perder cada uno por separado.

Para ver la brecha entre ellos, tomé un lote de consultas comerciales y de recomendaciones y separé lo que ChatGPT obtuvo de lo que citó.

Esta es una muestra pequeña y sesgada por la tecnología, así que lea lo que sigue como un patrón, no como un número en el que confiar.

En ese lote, Reddit y YouTube obtuvieron grandes resultados, 278 y 201 veces. Pero Reddit fue citado 11 veces y YouTube ni una sola vez.

Creo que la razón es mecánica. Una cita debe vincularse al texto que el modelo realmente extrajo, y cuando busca una página de YouTube en la búsqueda, obtiene los metadatos, no la transcripción del video real.

Hay un hilo de Reddit en la página. Esta tampoco es sólo mi muestra. Ahrefs, a través de 1,4 millones de mensajes de ChatGPT, encontró que Reddit fue citado con un 1,93% frente al 0,51% de YouTube, y Profound encontró la misma brecha.

Algunos otros patrones, la misma advertencia sobre el tamaño de la muestra. Reddit fue el dominio más citado, por poco, y después de eso nadie se quedó con él. Las citas se distribuyen entre centros de revisión como rtings y TechRadar y páginas de proveedores citadas por sus propias especificaciones.

Aquí está la parte superior de la lista citada en ese lote.

Las páginas de los proveedores también se citan, pero por sus propios datos, precios y especificaciones. Zoho, Semrush y las VPN obtuvieron citaciones de esa manera. El veredicto sobre cuál es mejor aún se cita a un tercero. Puedes ser mencionado sin ser citado y citado sin ser mencionado.

Debajo se sientan dos mecánicos. Las citas se vinculan a una oración específica, no a la respuesta completa, por lo que ser relevante por tema no lo es. suficiente; hay que ser el mejor soporte para un reclamo preciso.

Y los resultados se desduplican por dominio, por lo que 20 páginas delgadas de su sitio se unen en una sola.

Una página sólida por reclamo supera a un montón de páginas débiles.

Por lo tanto, no ande creando miles de páginas delgadas/de baja calidad para abordar cada consulta distribuida.

La conclusión de AI SEO/GEO

No puedes citarte a ti mismo. El reclamo sobre usted proviene de otra persona, así que obtenga cobertura de terceros en sitios de reseñas y Reddit, gane en texto en lugar de video y coloque una página sólida detrás de cada reclamo, porque deduplica por dominio.

El modelo explica su propia estrategia

Primero fui a buscar una puntuación de clasificación oculta y no encontré nada. Ese tipo de lógica (un número de autoridad de dominio, un peso de confianza, una fórmula) nunca llega a su navegador porque permanece en los servidores de OpenAI.

Entonces, cualquiera que le venda “factores de clasificación de ChatGPT” le está vendiendo aceite de serpiente.

Lo que sí tiene el tráfico es la cadena de pensamiento del modelo de pensamiento, guardada en la conversación, donde describe su propio abastecimiento en palabras sencillas.

Para conocer los datos, los precios y las especificaciones, primero va a la página oficial y así lo dice.

Al comparar Ahrefs, lee la página oficial, señala que «enumera Lite a $129, Standard a $249 y Advanced a $449» y decide que «la página de precios parece más actual, por lo que debería citarla». Quiere la fuente en la que confía y la actual.

Entonces choca contra la pared de la que trata toda esta publicación.

En Profound, razona que «el precio no aparece directamente en el resultado de la búsqueda, posiblemente porque está cargado con JavaScript». Lo mismo ocurre con Peec, donde «el precio no se muestra directamente, posiblemente oculto con JavaScript».

Entonces, deja de intentar leerlos y retrocede. «Puedo citar fuentes de terceros ya que la página oficial es difícil de analizar y no muestra los precios», escribe, y señala que debería «utilizar citas de G2 cuando corresponda».

Ese es todo el juego en un solo trazo. El modelo quería los propios números de Profound y Peec. Sus precios estaban detrás de JavaScript, por lo que no podía leerlos y en su lugar citó a G2. Tus datos, la página de otra persona, porque la tuya no se analizaría.

Esas citas son del modelo, del razonamiento guardado, no mías.

La conclusión de AI SEO/GEO

Sea dueño de sus datos, en HTML simple. Sus números de precios y especificaciones deben estar en texto rastreable, no cargados por JavaScript ni integrados en una imagen, porque el modelo lee la página por sí mismo y se da por vencido cuando no puede. Una tabla de precios de JavaScript no sólo tiene una mala clasificación; entrega sus números a G2.

La opinión se obtiene por separado, a través de reseñas, Reddit y contenido de comparación honesto, que es de donde se cita la recomendación. Una página de precios clara y legible sin cobertura de terceros permite leer sus datos y recomendar a otra persona.

Lo que no pude ver

No hay una lógica de clasificación visible, como la anterior, por lo que el motivo por el que una fuente supera a otra, más allá de la propia narración del modelo, queda en el lado del servidor.

La personalización es real y selectiva.

En una consulta que se superpuso a mi propio trabajo, ChatGPT extrajo mis conversaciones pasadas, con las fuentes enumeradas como personal_sources: ("convo_search", "gmail", "files").

Usó uno de mis chats antiguos dentro de una respuesta genérica de «mejores herramientas», pero solo en una de las tres conversaciones que revisé, la que coincidía con mi historial.

Entonces, parte de algunas respuestas se construye a partir de datos privados de un usuario que nunca se pueden optimizar, lo cual es una de las razones por las que dos personas obtienen respuestas diferentes y los puntajes de visibilidad tambalean.

El local tiene tope. Hay un valor de configuración, local_results_limitestablecido en 2.

Pregunte por el mejor café cerca de usted y ChatGPT le devolverá dos lugares, no un top 10. Para local, está entre los 2 primeros o no está allí.

Una cosa que realmente no puedo llamar todavía. Mi lectura sobre compras proviene de una única consulta de compras y contradice rotundamente lo que Mark vio en su única consulta, por lo que la combinación de compras no se estabiliza hasta que alguien ejecuta un lote adecuado.

Y la advertencia más amplia, dicha claramente. Estoy seguro de la estructura, porque la vi en aproximadamente 1240 registros. Los porcentajes provienen de un pequeño lote de consultas comerciales, en su mayoría SaaS y tecnología, por lo que necesitan un análisis más amplio en verticales reales antes de que alguien apueste por ellos.

Esa carrera es la siguiente pieza.

Ejecútelo usted mismo

Nada de esto necesita un acceso especial ni requiere que usted esté conectado a Matrix y se convierta en operador, solo su propio navegador.

Abra ChatGPT, presione Cmd+Opción+I para DevTools, abra Red, marque Conservar registro, ejecute una consulta y luego presione Cmd+Opción+F y buscar las respuestas para result_source.

Solo eso le muestra el proceso detrás de cada enlace.

Para el resto, el despliegue y las citas y el razonamiento, abra la Consola, escriba allow pasting una vez y ejecútelo en una conversación que buscó en la web.

const t = (await (await fetch('/api/auth/session')).json()).accessToken;
const c = await (await fetch('/backend-api/conversation/' + location.pathname.split('/c/')(1), {headers: {Authorization: 'Bearer ' + t}})).json();
const rows = ();
JSON.stringify(c, (k, v) => {
 if (v && v.result_source) {
 const d = (v.attribution || v.url || '?').toString();
 rows.push({source: d.replace('https://', '').replace('www.', '').split('/')(0), pipeline: v.result_source});
 }
 return v;
});
console.table(rows);

Sólo lee su propia sesión, por lo que nada sale de su máquina. El resultado es una tabla simple de cada fuente y la canalización que la obtuvo.

source pipeline
techradar.com labrador
whathifi.com labrador
soundguys.com bright
rtings.com bright
khaleejtimes.com oxylabs
streetinsider.com serp

Cambie lo que recopila el bucle y podrá realizar las búsquedas, las citas y el razonamiento de la misma manera.

Una extensión gratuita ahora captura la mayor parte de esto

Si pegar scripts en su propia consola no es lo suyo, ahora existe una ruta más sencilla. Olivier de Segonzac ya ejecutó una extensión gratuita de Chrome que extrae los datos de búsqueda y distribución de ChatGPT.

Leyó esta investigación y la amplió para capturar tres de las señales que analicé anteriormente.

• El turn_use_case balde. La etiqueta de intención de los archivos ChatGPT se encuentra debajo de cada turno, para que pueda detectar cuándo una consulta cambia a compras, local o text incluso antes de que responda.
• La mezcla de tipos de referencia. ¿Cuántas de las citas de la respuesta fueron productos versus resultados de búsqueda, noticias o imágenes, analizadas directamente a partir de los tokens de referencia?
• El result_source tubería. El raspador detrás de cada resultado citado, registrado por conversación, por lo que la división de Bright Data, Oxylabs, Labrador y SERP aparece sin que usted lea una línea de JSON.

Se ejecuta localmente en su propia sesión y exporta directamente a Excel. Consíguelo en Chrome Web Store y Olivier escribió la actualización aquí.

Entonces, volvamos a la pregunta con la que abrimos. ¿Se mantienen los consejos habituales? Principalmente. Reddit obtiene citas y encabezó mi lista de citas. Las listas y los sitios de reseñas constituyen la mayor parte del resto. El buen contenido sigue siendo importante, pero sólo la mitad que el modelo realmente puede leer. El resto lo lee en la página de otra persona.

Cuál es la verdadera lección. ChatGPT no es un motor de búsqueda, así que deja de optimizar para uno.

Lee su propia página en busca de hechos, si puede analizarlos, y la de todos los demás en busca de opiniones, y sólo cuando vale la pena buscar la pregunta. Construye para eso.

Y trate todo esto, incluido el mío, como una instantánea de un sistema que cambia semana a semana. La estructura se mantiene. Los números se mueven.

Mientras estaba en el tráfico, también encontré un montón de cosas que no tienen nada que ver con el abastecimiento: el muro de bots que te impide escribir scripts, un motor de compras oculto y 573 experimentos en vivo ejecutándose en la cuenta. Estos se publicarán por separado.

También hice análisis similares sobre Perplexity, Gemini, etc., así que los compartiré pronto.

Más recursos:

Esta publicación se publicó originalmente en Suganthan.

Imagen de portada: Viktoriia_M/Shutterstock