¿Qué es el SEO para LLM (LLMO)? Definición y cómo funciona

El SEO para LLM, también llamado LLMO (optimización para modelos de lenguaje grandes), es el término paraguas que agrupa todo lo que haces para influir en cómo los modelos de lenguaje conocen, describen y recomiendan tu marca, tanto por lo que aprendieron al entrenarse como por lo que encuentran cuando buscan en la web.

Es el cajón de sastre de los profesionales. Mientras la AEO y el GEO describen objetivos concretos (ser la respuesta, aparecer citado), el SEO para LLM da nombre a la disciplina entera, y es la etiqueta que con más probabilidad incluye la memoria que el propio modelo tiene de tu marca.

Las dos capas del SEO para LLM

Un modelo de lenguaje puede hablar de tu marca desde dos sitios:

• El conocimiento del modelo. Lo que el modelo de lenguaje grande absorbió de sus datos de entrenamiento. Se detiene en su fecha de corte del conocimiento, no lleva fuentes y solo cambia cuando se entrena una versión nueva.
• El conocimiento recuperado. Lo que el modelo encuentra cuando busca en la web en el momento de responder. Puede estar al día, suele venir con enlaces a las fuentes y cambia en cuanto cambian las páginas que recupera.

Muchas respuestas mezclan las dos. Un asistente puede decidir que una pregunta no necesita búsqueda y contestar de memoria, o buscar y aun así enmarcar los resultados con lo que ya cree de tu categoría.

Por qué importa el SEO para LLM

Si un modelo aprendió una descripción desfasada de tu empresa (un precio antiguo, un producto retirado, una categoría que ya no es la tuya), puede repetirla en respuestas sin ninguna fuente, así que no hay página que corregir ni enlace que revisar. El SEO clásico no tiene nada parecido: un buscador muestra tu página actual, no el recuerdo que tiene de ella. El SEO para LLM te obliga a mirar las dos capas, porque cada una se corrige de forma distinta.

Cómo aplicar el SEO para LLM

• Para el conocimiento del modelo: que te describan de forma clara y coherente en el tipo de fuentes que más se publican y se citan en tu sector (medios especializados, webs de referencia, reseñas de prestigio). Los mismos datos exactos repetidos en muchas fuentes independientes son lo que un modelo puede aprender.
• Para el conocimiento recuperado: el trabajo habitual de GEO y SEO. Páginas rastreables, contenido que responde primero, datos al día y presencia en las páginas de terceros que citan los motores.
• Para las dos: decide qué rastreadores de IA dejas pasar. OpenAI, por ejemplo, documenta rastreadores distintos para entrenamiento y para búsqueda en su documentación de bots; consulta GPTBot. Puedes probar tus reglas con el comprobador de rastreadores de IA.

Cómo medir el SEO para LLM

Empieza por la frecuencia con que el modelo te nombra y sepárala según la respuesta viniera o no con fuentes. Así sabes qué capa está haciendo el trabajo:

Tasa de mención = respuestas que mencionan la marca ÷ respuestas analizadas × 100

Imagina que lanzas 100 prompts y tu marca aparece en 30 respuestas: una tasa de mención del 30 %. Si 20 de esas 30 respuestas no traían fuentes web, dos tercios de tu visibilidad dependen de lo que el modelo ya sabe, así que tu palanca principal es la presencia en terceros y la coherencia de tus datos. Si la mayoría traía fuentes, céntrate en las páginas que se citan.

Errores habituales en SEO para LLM

• Esperar cambios inmediatos. Actualizar tu web no actualiza un modelo ya entrenado. Solo cambia lo que puede encontrar una respuesta con búsqueda.
• Bloquear por defecto todos los rastreadores de IA. Puede dejar tu contenido fuera de las respuestas en las que quieres salir. Decide rastreador por rastreador.
• Confiar en un solo archivo o truco. llms.txt, el schema o una única «página para la IA» no pesan más que lo que dice de ti el resto de la web.
• Probar en tu propio chat con sesión iniciada. Tu historial y tus ajustes cambian las respuestas. Usa comprobaciones neutras y repetidas.

Cómo te ayuda Mencoro con el SEO para LLM

Mencoro pregunta a ChatGPT, Perplexity, Google AI Overview y Google AI Mode los prompts que eliges, sin cuenta, historial ni contexto personal, y registra las marcas nombradas y las fuentes devueltas. A ChatGPT se le pregunta con la búsqueda web activada, pero el modelo decide si busca: cuando responde con lo que ya sabe no hay fuentes, y tus menciones cuentan igual. Así ves, respuesta a respuesta, si una mención llegó con fuentes o salió de la memoria del modelo. La Cobertura de Mencoro funciona como la tasa de mención de arriba, calculada sobre las comprobaciones que devolvieron respuesta. La función de monitorización de marca en IA la sigue en el tiempo, y la página de metodología explica cada cifra. Para una prueba rápida y gratuita, usa el comprobador de posiciones en ChatGPT.

Términos relacionados del glosario

• Optimización para motores generativos (GEO): aparecer citado y recomendado en las respuestas generadas.
• Optimización para motores de respuesta (AEO): convertirte en la respuesta directa a una pregunta.
• Fecha de corte del conocimiento: la fecha a partir de la cual un modelo no aprendió nada nuevo en su entrenamiento.
• Modelo de lenguaje grande (LLM): el tipo de modelo que hay detrás de ChatGPT y de otros asistentes de IA.