La revista científica Latitude: Multidisciplinary Research Journal, editada por Quality Leadership University (QLU) en Ciudad de Panamá, ha difundido en su volumen 2, número 24 (2026), el estudio «Medición de la presencia de marca en la optimización para motores generativos: una revisión de alcance sobre métricas y validez», rubricado por Néstor Romero-Ramos, Yulianna Lobach, David Abreu-Abreu, Isaac Castillo-Hernández, Juan Carlos García-Cordero y Daniel García-Cordero. Esta investigación, accesible de forma abierta, constituye el primer fruto dado a conocer de la línea investigativa acerca de Generative Engine Optimization (GEO) que Centria Group impulsa en colaboración con centros universitarios y académicos de cuatro naciones.
El artículo da respuesta a una incógnita que el marketing digital aún no logra resolver con precisión: cuando un asistente de inteligencia artificial recomienda un banco, un seguro o un hotel, ¿cómo se mide si una marca está presente en esa respuesta, con qué prominencia y con qué fiabilidad? Para darles solución, el equipo llevó a cabo una revisión de alcance (scoping review) basada en la metodología del Joanna Briggs Institute (JBI) y divulgada según la extensión PRISMA-ScR, la cual examina de manera metódica el modo en que la bibliografía reciente evalúa la aparición, la visibilidad y el posicionamiento de fuentes y marcas dentro de los motores generativos.
«Durante casi dos décadas, la visibilidad digital se midió por una capacidad muy concreta: aparecer —y ser pulsado— en una lista de resultados. Hoy el usuario ya no recibe diez enlaces azules: recibe una respuesta sintetizada que integra y reformula varias fuentes, y que las cita de forma parcial o desigual. La pregunta relevante ha dejado de ser si mi enlace aparece y se pulsa, y ha pasado a ser si mi contenido está presente dentro de la respuesta que el usuario realmente lee», explica Néstor Romero, autor corresponsal del estudio y COO de Centria Group.
Del clic a la respuesta: por qué las métricas del SEO dejan de servir
El análisis arranca de una realidad que el propio corpus corrobora mediante datos empíricos: las referencias empleadas por una inteligencia artificial generativa coinciden escasamente con los resultados orgánicos clásicos, y el criterio de elección difiere según la plataforma. En otras palabras, aparecer en los primeros puestos de Google no garantiza presencia en un chatbot conversacional, lo que echa por tierra la traslación automática de métricas y exige replantizar las mediciones y los métodos. A este escenario se une el impacto de las «cero clics», potenciado por las respuestas sintéticas que ofrecen los motores de búsqueda actuales: gran parte de las búsquedas culminan sin que el internauta navegue hacia ninguna página web.
«El porcentaje de citas representa el indicador clave para el ejercicio profesional, mientras que el ámbito académico lo reduce a una sola investigación. Dicha brecha entre el sector y la academia constituye un descubrimiento por derecho propio», manifestó Néstor Romero.
¿Qué varía del SEO al GEO?
| Dimensión | SEO (búsqueda tradicional) | GEO (motores generativos) |
| Unidad de visibilidad | Un puesto en una lista de diez enlaces | La presencia dentro de una única respuesta sintetizada |
| Métrica central | Posición orgánica, clics, impresiones, CTR | Citación, prominencia, absorción textual, cuota de citación |
| Decisión del usuario | Elige entre varias fuentes que ve | Recibe una respuesta que integra y reformula fuentes, citándolas de forma parcial o desigual |
| Comportamiento del sistema | Determinista y relativamente estable | Estocástico: la misma pregunta puede producir respuestas distintas |
| Transferencia de indicadores | — | No transferible: las fuentes que cita un motor generativo se solapan poco con las que posicionan en la búsqueda tradicional |
Cómo se hizo: cuatro rutas de búsqueda y una política explícita de preprints
La búsqueda combinó cuatro rutas complementarias, diseñadas para compensar los puntos ciegos de cada una: una herramienta de descubrimiento asistida por inteligencia artificial, consultas reproducibles y multilingües en OpenAlex, rastreo de citas desde nodos ancla y verificación en una base indexada (Web of Science; Scopus no resultó accesible). Tras la deduplicación por DOI —y no por título, dada la alta colisión de títulos genéricos en este campo— se cribaron los registros por resumen de forma independiente por dos revisores, y las discrepancias se resolvieron por consenso. Se evaluaron 36 informes a texto completo y se incluyeron 23 estudios primarios, más dos revisiones registradas por separado como marco conceptual.
«Gran parte del saber producido en nuestro idioma acerca de este asunto no trasciende a las redes internacionales. Rescatarlo va más allá de un simple afán de completitud; pone al descubierto un prejuicio idiomático oculto en la disciplina», subrayó Néstor Romero.
Siete grupos de indicadores y ningún modelo que los agrupe
El análisis señala siete grupos de métricas que se superponen en parte —como aparición o citación, visibilidad o posición, asimilación o influencia, clasificación en listados, consistencia, tono o enfoque, y porcentaje de citación— las cuales coexisten careciendo de un criterio unificado común. Asimismo, la investigación subraya que el límite conceptual más fructífero de esta área radica en la separación entre citación —entendida como la elección de una fuente— y asimilación —cuando el mensaje pasa a formar parte real del contenido de la contestación—, dividiendo así en dos planos lo que anteriormente se evaluaba como una simple dicotomía.
Las siete familias de métricas identificadas
| Familia | Definición operativa | Ejemplos en la literatura |
| Aparición / citación | La fuente o marca es citada o mencionada | Aggarwal et al. (2024); Khedekar y Bansal (2026) |
| Prominencia / posición | Posición y saliencia de la citación | Aggarwal et al. (2024); Murár (2025) |
| Absorción / influencia | Contribución textual efectiva de la fuente | Zhang et al. (2026) |
| Ranking en listas | Cambio de rango del ítem | Bagga et al. (2025); Nimase et al. (2026); Kumar y Lakkaraju (2024) |
| Estabilidad | Consistencia entre ejecuciones y en el tiempo | Schulte et al. (2026); Chen et al. (2025) |
| Sentimiento / encuadre | Valencia y contexto de la mención | Khedekar y Bansal (2026); Kumar (2026) |
| Cuota de citación | Proporción de citaciones frente a competidores | Khedekar y Bansal (2026) |
La unidad de análisis se mueve: de la URL a la marca y a la trayectoria de los agentes
No hay acuerdo unánime acerca de qué se mide con exactitud. El corpus pone de manifiesto una evolución constante que va desde la procedencia o la dirección web —legado directo del posicionamiento web— hasta la marca o entidad, el archivo, el artículo y, en las investigaciones más recientes, hacia elementos de mayor jerarquía como el recorrido de navegación de los agentes. Dicho cambio pone de relieve la transformación de la incógnita en el ámbito de estudio, aunque esto conlleva un precio: las investigaciones basadas en elementos diversos no resultan directamente equiparables, lo cual afianza la imposibilidad de llevar a cabo un metaanálisis.
La IA no siempre contesta igual, y prácticamente nadie lo mide
Los motores generativos son estocásticos: pueden ofrecer respuestas distintas ante la misma pregunta. Una medición fiable exige, por tanto, repetir las mediciones o modelar explícitamente la incertidumbre. Sin embargo, solo una minoría de los estudios lo hace de forma sistemática. Entre quienes sí lo aplican destacan trabajos con cinco ejecuciones por consulta, con 200 evaluaciones y permutaciones de orden, con análisis de sensibilidad para idioma y paráfrasis, o que tratan la visibilidad como una distribución en lugar de como un valor puntual. La mayoría restante se apoya en una única ejecución.
«Una medición de una sola ejecución resulta, en este ámbito, epistemológicamente frágil. Todo instrumento sólido debe integrar la repetición y la modelización de la incertidumbre como una exigencia, jamás como un mero detalle optativo», apunta Romero.
El descubrimiento principal: un terreno que abarca bastante pero comprueba escasamente
La conclusión determinante del estudio es que ningún trabajo del corpus somete su instrumento de medición a validación psicométrica en sentido estricto. Lo que existe son controles adyacentes y aislados —métricas de estabilidad, fidelidad de la atribución, triangulación por diseño o robustez al orden—, y la fiabilidad intercodificadores, requisito básico de cualquier instrumento, apenas se reporta. La validez, cuando se argumenta, descansa en la coherencia interna de benchmarks creados ad hoc antes que en propiedades de medición. De ahí la conclusión central del mapeo: no existe todavía un instrumento integrado y validado para medir la presencia generativa de marca.
«Descubrimos un ámbito donde se mide en exceso pero se valida de manera escasa. No escasean las propuestas para medir, de hecho sobran; lo que realmente escasea es la fiabilidad debidamente documentada y la validez de constructo. Hay que decirlo con total exactitud, puesto que equiparar un benchmark con un test validado magnifica de forma artificial la supuesta madurez metodológica del sector. Justamente ese hueco constituye la gran ocasión científica», sostiene Néstor Romero.
Una brecha entre la práctica profesional y la academia
El artículo documenta un desajuste llamativo entre lo que la industria considera central y lo que la ciencia ha formalizado. La cuota de citación (citation share) —métrica que la práctica profesional trata como decisiva y candidata natural a validez convergente— está formalizada en esencialmente un solo estudio. Y la familia de sentimiento y encuadre es igualmente escasa, pese a que el trabajo de mayor escala del corpus, que analiza más de un centenar de marcas, la identifica como la señal más inestable de todas.
Aparecer en los resultados de Google no garantiza figurar en un asistente generativo. Dicha circunstancia anula la traslación automática de métricas, lo que exige replantear tanto los objetos de análisis como los métodos de medición.
«La visibilidad generativa es manipulable, y eso traslada a la medición un requisito que normalmente no se le exige: la robustez frente a la manipulación como propiedad del instrumento».
La ciencia en español, invisible: una lección metodológica
Asimismo, el análisis revela un descubrimiento metodológico de suma relevancia para el ámbito hispanohablante. Hay un conjunto de estudios en castellano, difundidos en publicaciones de Biblioteconomía y Documentación, que examinan la visibilidad frente a la inteligencia artificial generativa desde perspectivas diversas —tales como la inestabilidad de la presencia de marcas en recomendaciones de viajes elaboradas por IA, o bien la mejora de repositorios académicos para facilitar su rastreo por parte de motores generativos—, aspectos que los textos en inglés hegemónicos suelen soslayar. Dicha recuperación únicamente se logró a través de consultas multilingües, lo cual pone de manifiesto un sesgo de idioma implícito en esta disciplina.
A esto se añade otra enseñanza derivada del procedimiento: la comprobación en una plataforma indexada arrojó 360 entradas crudas, de las cuales se examinaron las 136 de libre acceso, compuestas mayoritariamente por distorsión temática debido a la coincidencia de palabras, sin sumarse ningún análisis métrico apto inédito. En resumen, la disciplina opera bajo el modelo preprint-first y su cobertura resulta insuficiente en los índices convencionales; el 64 % del conjunto provisional se divulga mediante arXiv o SSRN, mientras que el 98 % carece de un cuartil catalogado.
«Este resultado lo reportamos como hallazgo metodológico y no como una limitación escondida. En un campo born-digital, la revista no funciona como indicador de calidad, y las herramientas de descubrimiento asistidas por IA tienden a infracubrir precisamente la evidencia revisada por pares y los benchmarks más relevantes. Hay que complementarlas con rastreo de citas y fuentes reproducibles», explica el investigador.
La visibilidad generativa se puede manipular
Un subconjunto de los trabajos revisados demuestra que la visibilidad en motores generativos es manipulable de forma adversarial, mediante técnicas de manipulación del ranking en buscadores conversacionales o mediante optimización sigilosa de prompts. El estudio traslada esa evidencia al terreno de la medición: la robustez frente a la manipulación debería formar parte de las propiedades exigibles a cualquier instrumento de presencia.
Un benchmark evalúa si una táctica funciona o si un ítem cambia de rango; no si una métrica mide válidamente un constructo. Confundir los dos niveles infla la madurez aparente del campo
Una medición de una sola ejecución resulta, en este ámbito, epistemológicamente frágil; al fin y al cabo, los motores generativos son capaces de emitir respuestas diferentes ante un mismo interrogante.
Próximos pasos: del diagnóstico al instrumento
Los investigadores señalan que la carencia hallada —en lo referente a la validez de constructo y la consistencia documentada— representa el hueco que legitima la creación y validación formal de un indicador propio de presencia generativa. Del mismo modo, consideran este cometido como la evolución lógica de lo ya investigado, descartándolo como un hecho ya contrastado. Dicha dirección marca precisamente el rumbo que el grupo aborda en la etapa venidera.
Nuestro objetivo es pasar del diagnóstico a la herramienta: construir y validar un índice que cualquier organización, del tamaño que sea, pueda usar para saber con base científica qué presencia tiene su marca cuando la inteligencia artificial responde por ella», adelanta Néstor Romero.
Limitaciones declaradas por los autores
El texto aclara sus propias limitaciones: la fragilidad del soporte empírico dentro de un ámbito tan novedoso y dominado por preprints, lo cual vuelve provisionales las deducciones; la imposibilidad de reproducir el trayecto de hallazgo original —contrarrestada, si bien no del todo, mediante OpenAlex, el seguimiento de citas y el cotejo indexado—; el acotamiento lingüístico al español e inglés junto con la carencia de acceso institucional para validar en Scopus; una codificación llevada a cabo parcialmente sobre los resúmenes, con métricas de incorporación provisionales; un riesgo de circularidad, puesto que bastantes investigaciones utilizan modelos de lenguaje para evaluar su propia ejecución; así como la vigencia temporal acotada de cualquier instantánea sobre una disciplina fundamentada en tecnologías privativas en mutación permanente.
Ficha técnica del estudio
| Campo | Información |
| Título | Medición de la presencia de marca en la optimización para motores generativos: una revisión de alcance sobre métricas y validez |
| Título en inglés | Measuring brand presence in Generative Engine Optimization (GEO): A scoping review of metrics and validity |
| Autoría | Romero-Ramos, N.; Lobach, Y.; Abreu-Abreu, D.; Castillo-Hernández, I.; García-Cordero, J. C.; García-Cordero, D. |
| Revista | Latitude: Multidisciplinary Research Journal (Quality Leadership University, Panamá) |
| Volumen y número | Volumen 2, número 24 (2026), julio-diciembre |
| Páginas | 23-39 |
| DOI | https://doi.org/10.55946/latitude.v2i24.295 |
| Enlace al artículo | https://revistas.qlu.ac.pa/index.php/latitude/article/view/295 |
| Recepción / aceptación / publicación | 15 de julio de 2026 / 8 de agosto de 2026 / 17 de agosto de 2026 |
| Licencia | Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 (CC BY-NC-SA 4.0). Acceso abierto. |
| Diseño metodológico | Revisión de alcance (scoping review) según metodología del Joanna Briggs Institute (JBI), reportada conforme a PRISMA-ScR |
| Autor corresponsal | Néstor Romero-Ramos (nromero@qlu.pa) |
Para profundizar en la metodología, los hallazgos y las implicaciones del análisis, puede solicitar el informe completo sobre la banca panameña ante la inteligencia artificial.
Referencias completas del artículo
Las 27 fuentes citadas en el estudio publicado, en formato APA. Se ofrecen íntegras para que los medios puedan enlazar directamente a la evidencia primaria.
- Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., y Deshpande, A. (2024). GEO: Generative engine optimization. En Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. ACM. https://doi.org/10.1145/3637528.3671900
- Alcaraz Martínez, R., y Sulé, A. (2026). Generative engine optimization (GEO): Revisión de enfoques, métricas y estrategias. Ibersid, 20(1), Artículo 5156. https://doi.org/10.54886/ibersid.v20i1.5156
- Bagga, P., Farias, V. F., Korkotashvili, T., Peng, T., y Wu, Y. (2025). E-GEO: A testbed for generative engine optimization in e-commerce [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2511.20867
- Chen, M., Wang, X., Chen, K., y Koudas, N. (2025). Generative engine optimization: How to dominate AI search [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2509.08919
- Chen, M., Wang, X., Chen, K., y Koudas, N. (2026). Navigating the shift: A comparative analysis of web search and generative AI response generation [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2601.16858
- Chen, X., y Liao, Y. (2025). Caption injection for optimization in generative search engine [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2511.04080
- Khedekar, P., y Bansal, G. (2026). Strategic GEO: How generative engine optimization reshapes competitive advantage in consumer markets. International Journal of Data Science and Machine Learning, 6(1). https://doi.org/10.55640/ijdsml-06-01-02
- Kim, S., Jeong, W., Kim, S., Lee, S., y Lee, D. (2026). SAGEO Arena: A realistic environment for evaluating search-augmented generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2602.12187
- Kumar, A., y Lakkaraju, H. (2024). Manipulating large language models to increase product visibility [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2404.07981
- Kumar, P. (2026). Generative engine optimization at scale: Measuring brand visibility across AI search engines [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2606.20065
- Liu, Z., y Xu, P. (2026). Think before writing: Feature-level multi-objective optimization for generative citation visibility [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.19113
- Lüttgenau, F., Colic, I., y Ramirez, G. (2025). Beyond SEO: A transformer-based approach for reinventing web content optimisation [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2507.03169
- Ma, L., Qin, J., Xu, X., y Tan, Y. (2025). When content is Goliath and algorithm is David: The style and semantic effects of generative search [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2509.14436
- Munn, Z., Peters, M. D. J., Stern, C., Tufanaru, C., McArthur, A., y Aromataris, E. (2018). Systematic review or scoping review? Guidance for authors when choosing between a systematic or scoping review approach. BMC Medical Research Methodology, 18, Artículo 143. https://doi.org/10.1186/s12874-018-0611-x
- Murár, P. (2025). Reframing SEO for the age of generative engines. Media & Marketing Identity. https://doi.org/10.34135/mmidentity-2025-80
- Nimase, O., Chen, Z., Qi, G., Zhao, Y., y Hu, X. (2026). GEO-Bench: Benchmarking ranking manipulation in generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2605.29107
- Oruesagasti, J. (2026). Algorithmic trust and compliance: Benchmarking brand notability for UK iGaming entities in generative search [Preprint]. ResearchGate. https://doi.org/10.13140/rg.2.2.15316.46721
- Pfrommer, S., Bai, Y., Gautam, T., y Sojoudi, S. (2024). Ranking manipulation for conversational search engines [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2406.03589
- Puerto, H., Gubri, M., Green, T., Oh, S. J., y Yun, S. (2025). C-SEO Bench: Does conversational SEO work? [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2506.11097
- Quintana-Gómez, Á. (2026). Generative engine optimization (GEO) y visibilidad de marcas en recomendaciones turísticas generadas por IA: Un análisis exploratorio. Revista Prisma Social, (52), 21-38. https://doi.org/10.65598/rps.5975
- Rajpoot, P., y Raghuvanshi, D. R. (2026). An exploratory study on the impact of generative AI (Search Generative Experience – SGE) on organic visibility. International Scientific Journal of Engineering and Management. https://doi.org/10.55041/isjem06077
- Reyes-Lillo, D., Morales-Vargas, A., y Rovira, C. (2025). Generative engine optimization en repositorios digitales: Optimización de la visibilidad para la IA generativa. INFONOMY, 3(5), Artículo e25034. https://doi.org/10.3145/infonomy.25.034
- Schulte, J., Bleeker, M., y Kaufmann, P. (2026). Don’t measure once: Measuring visibility in AI search (GEO) [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.07585
- Tang, Y., Fan, Y., Yu, C., Yang, T., Zhao, Y., y Hu, X. (2025). StealthRank: LLM ranking manipulation via stealthy prompt optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2504.05804
- Tian, Z., Chen, Y., Tang, Y., Liu, J., y Jia, R. (2026). Diagnosing and repairing citation failures in generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2603.09296
- Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., … Straus, S. E. (2018). PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467-473. https://doi.org/10.7326/M18-0850
- Zhang, K., He, X., y Yao, J. (2026). From citation selection to citation absorption: A measurement framework for generative engine optimization [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2604.25707
