Cómo aparecer citado en Perplexity

Y para quienes trabajamos en SEO y posicionamiento en buscadores con inteligencia artificial, hay información especialmente interesante que merece la pena analizar.

Perplexity acaba de desvelar parte del funcionamiento de su algoritmo de búsqueda. Lo interesante es que no estamos hablando únicamente de una mejora tecnológica, sino de información que nos permite comprender mejor cómo se seleccionan los contenidos que terminan apareciendo como fuentes en las respuestas de Perplexity.

Y aquí viene algo que me parece especialmente interesante. Aunque a veces hablamos de ChatGPT, Perplexity, Gemini o Microsoft Copilot como si fueran mundos completamente diferentes, muchos de los sistemas que utilizan para buscar información y generar respuestas comparten principios bastante similares. Pueden recuperar documentos, evaluar su relevancia, seleccionar fragmentos de información y utilizarlos como contexto para que un modelo de lenguaje construya una respuesta.

Por eso, entender lo que ocurre detrás de uno de estos sistemas nos puede ayudar a comprender mejor cómo funcionan muchos de los demás. Es como conseguir echar un vistazo detrás del telón: no significa que todos utilicen exactamente el mismo algoritmo, ni que optimizar para uno garantice aparecer en los demás, pero sí nos permite identificar mecanismos comunes y tomar decisiones de posicionamiento mejor fundamentadas.

El 24 de septiembre de 2026, el equipo de ingeniería de Perplexity publicó Photon: Building a Retrieval and Ranking Engine From Scratch, un artículo en el que explica cómo ha desarrollado desde cero su propio motor de recuperación y clasificación de documentos, escrito en Rust. Entre los resultados técnicos más llamativos destaca la reducción de la latencia p99 de aproximadamente 800 a 65 milisegundos en las etapas internas de recuperación y ranking, una mejora considerable que permite procesar candidatos mucho más rápidamente.

Pero lo que realmente me interesa no es la velocidad, sino que Perplexity ha explicado varios de los mecanismos que utiliza para seleccionar y ordenar las páginas que después pueden servir como fuentes a sus modelos de inteligencia artificial. Y algunas de las conclusiones que podemos extraer tienen implicaciones importantes para nuestras estrategias de posicionamiento.

Photon: el SEO tradicional sigue teniendo mucho que decir

Existe cierta tendencia a presentar el posicionamiento en inteligencia artificial como una disciplina completamente diferente del SEO. Se habla de optimizar para LLMs, de embeddings, de similitud semántica o de crear contenidos específicamente diseñados para ser citados por una IA.

Todos estos conceptos tienen su importancia, pero Photon nos recuerda algo fundamental: antes de que un modelo pueda utilizar nuestro contenido para responder, el sistema de búsqueda tiene que encontrarlo y considerarlo relevante. Por muy bueno que sea un artículo, difícilmente podrá convertirse en una fuente si no aparece entre los documentos que el sistema recupera.

De forma simplificada, el proceso sigue una secuencia bastante lógica:

Consulta del usuario → Recuperación de documentos candidatos → Ranking → Selección de resultados → Generación de la respuesta.

Photon participa en las etapas de recuperación y clasificación, pero no es el modelo de lenguaje que finalmente redacta la respuesta. Esta distinción importa porque una página puede ofrecer información excelente y, aun así, no aparecer entre las fuentes utilizadas por Perplexity si no supera las fases anteriores.

Por tanto, si queremos mejorar nuestra visibilidad en los buscadores con inteligencia artificial, necesitamos comprender tanto los fundamentos de la recuperación de información tradicional como el funcionamiento de los sistemas generativos. Y eso nos lleva directamente a los detalles técnicos que Perplexity ha compartido.

Las 6 claves técnicas de Photon que deberíamos conocer

1. La cobertura de los términos de búsqueda sigue siendo fundamental

Uno de los aspectos más interesantes de Photon es que evalúa los documentos candidatos utilizando una combinación de cobertura ponderada de los términos de búsqueda y frecuencia de aparición. Inicialmente, el sistema aplica requisitos estrictos de coincidencia con los términos de la consulta y, si encuentra pocos candidatos, puede relajar esos requisitos para ampliar los resultados.

¿Qué significa esto para quienes trabajamos en SEO? Básicamente, que el vocabulario utilizado en nuestros contenidos sigue importando, incluso cuando el destino final de esa información es una respuesta generada por inteligencia artificial.

Imagina que alguien pregunta a Perplexity: «¿Cuánto cuesta implementar Dynamics 365 Sales en una pyme?». Una página que únicamente habla de las ventajas de la transformación digital, aunque mencione Dynamics 365, probablemente no responderá tan bien a esa necesidad como otra que explique las licencias, los costes de implantación, los servicios de consultoría, las integraciones y el mantenimiento posterior.

No se trata de repetir continuamente la misma palabra clave, sino de cubrir los conceptos y entidades que forman parte de la intención de búsqueda. Aquí encontramos una primera recomendación práctica: trabajar la cobertura semántica de nuestros contenidos sin olvidarnos de la relevancia léxica, porque ambas dimensiones pueden contribuir a que el sistema identifique una página como candidata.

2. Repetir palabras clave tiene un beneficio limitado

Photon incorpora mecanismos de normalización por longitud del documento y limita la contribución de las repeticiones de términos. Es un comportamiento compatible con principios conocidos de los sistemas de recuperación de información, como BM25, aunque la publicación no permite afirmar que toda su fórmula de ranking sea exactamente ese algoritmo.

La consecuencia práctica es bastante sencilla: repetir treinta veces «Microsoft Copilot» no convierte automáticamente un artículo en más relevante que otro que utiliza el término cinco veces y explica correctamente sus capacidades, requisitos, limitaciones y casos de uso. De hecho, insistir innecesariamente en la misma palabra puede hacernos desaprovechar espacio que podríamos dedicar a resolver otras preguntas relacionadas.

Por eso, cuando reviso un contenido pensando en SEO o GEO, me parece mucho más interesante preguntarme qué conceptos importantes faltan que contar cuántas veces aparece la keyword principal. La cobertura de conceptos relevantes aporta más valor que la repetición artificial de una única palabra clave, algo que encaja perfectamente con una estrategia editorial orientada a responder necesidades reales.

Esto no significa que podamos olvidarnos de las palabras clave, sino que debemos utilizarlas con criterio y dentro de un contexto coherente. El objetivo sigue siendo construir un contenido que el buscador pueda identificar y que, sobre todo, el usuario encuentre realmente útil.

3. No solo importa qué palabras utilizamos, sino dónde aparecen

Photon ejecuta procesos de recuperación separados para diferentes campos del documento y combina los resultados aplicando ponderaciones. Además, registra en qué campos aparece cada término, lo que demuestra que la distribución de la información dentro de una página puede formar parte del proceso de recuperación.

Ahora bien, hay un matiz importante: Perplexity no ha publicado la lista completa de campos ni sus pesos concretos. Por tanto, no podemos asegurar que un H2 tenga una determinada ponderación o que utilizar una tabla nos proporcione automáticamente una ventaja en el ranking.

Lo que sí podemos trasladar a nuestra estrategia editorial es una práctica que tiene bastante sentido: estructurar el contenido de manera que los temas principales resulten explícitos. No es lo mismo utilizar un encabezado genérico como «Aspectos que debes conocer» que uno como «¿Qué licencias de Dynamics 365 Sales necesita una pyme?».

El segundo encabezado permite identificar inmediatamente qué pregunta aborda esa sección, tanto a una persona como a un sistema que analiza el contenido. Además, esta estructura mejora la navegación, la accesibilidad y la comprensión general del artículo, independientemente de cómo valore Photon cada campo.

La conclusión es que los títulos y encabezados no deberían ser simples elementos decorativos, sino una representación clara de la información que ofrecemos. Si somos capaces de organizar nuestros artículos alrededor de preguntas y conceptos relevantes, estaremos facilitando su interpretación sin necesidad de recurrir a técnicas artificiales.

4. La proximidad entre términos también puede influir

Otro detalle técnico interesante es que Photon almacena las posiciones de los términos dentro de los documentos. Esta información permite que los sistemas de ranking evalúen dónde aparecen las palabras y qué proximidad existe entre ellas, algo que puede ayudar a identificar frases y relaciones relevantes.

Esto no demuestra que todas las coincidencias exactas reciban un beneficio fijo, pero sí confirma que el motor dispone de información para valorar términos que aparecen próximos entre sí. Y tiene bastante lógica, porque el significado de una consulta no depende únicamente de las palabras que contiene, sino también de cómo se relacionan.

Pensemos en una búsqueda como «Integrar Microsoft Copilot Studio con Dynamics 365 Customer Service». Es mucho más claro explicar directamente esa integración en un mismo apartado que distribuir las referencias a Copilot Studio, Dynamics 365 y Customer Service por distintas secciones sin llegar a establecer una relación entre los productos.

Una buena redacción técnica no consiste únicamente en mencionar las entidades correctas, sino también en explicar cómo se relacionan y qué papel desempeña cada una. Esto resulta especialmente importante cuando queremos que un sistema de IA encuentre una respuesta concreta dentro de un documento más amplio.

5. Photon utiliza una señal de utilidad para priorizar documentos

Aquí encontramos uno de los puntos más interesantes de la publicación y, al mismo tiempo, uno de los más fáciles de interpretar incorrectamente. Perplexity explica que, dentro de determinadas listas de documentos, estos se ordenan utilizando una señal independiente de usefulness, que podemos traducir como utilidad, para evaluar primero los candidatos considerados más prometedores.

La pregunta que inmediatamente nos hacemos desde el SEO es si esa señal tiene algo que ver con los backlinks, las menciones de marca, la autoridad del dominio o las interacciones de los usuarios. La respuesta es que no lo sabemos, porque Perplexity no ha publicado cómo se calcula exactamente.

Es posible que el sistema utilice diferentes características para estimar esa utilidad, pero atribuirle una fórmula concreta basada en enlaces, clics o un grafo de conocimiento sería especular. Y creo que aquí debemos ser especialmente cuidadosos, porque una cosa es interpretar una decisión de arquitectura y otra muy distinta convertir esa interpretación en un supuesto factor de ranking confirmado.

Mi lectura desde el SEO es que no deberíamos limitar nuestra estrategia a mejorar la redacción de los artículos, aunque tampoco podemos asegurar qué señales externas utiliza Photon. Construir una marca reconocible, publicar contenido especializado, aportar experiencia demostrable y conseguir referencias relevantes siguen siendo buenas prácticas para una estrategia de visibilidad digital a largo plazo.

La autoridad y la confianza no se construyen simplemente añadiendo más palabras a una página. Requieren consistencia, especialización y tiempo, aunque todavía no sepamos exactamente cómo se reflejan esos atributos dentro del sistema de Perplexity.

6. Los fragmentos de contenido cobran especial importancia

Cuando hablamos de recuperación de información para sistemas de inteligencia artificial, no siempre estamos hablando de documentos completos. En muchas arquitecturas también trabajamos con fragmentos o chunks, unidades de contenido más pequeñas que pueden recuperarse y utilizarse como contexto para construir una respuesta.

Perplexity ha explicado en sus publicaciones técnicas que su infraestructura puede trabajar con fragmentos y representaciones semánticas de los documentos. De hecho, en su artículo sobre la API de búsqueda de Perplexity describe el análisis de unidades de contenido más pequeñas que una página completa.

Sin embargo, la publicación de Photon no revela una fórmula universal que determine qué fragmento se convierte finalmente en una cita. Sería un error presentar como confirmado que Perplexity siempre selecciona el párrafo con mayor similitud vectorial, porque el proceso puede involucrar diferentes etapas y señales.

Aun así, podemos extraer una recomendación editorial bastante útil: dentro de un artículo completo, las respuestas a las preguntas importantes deberían ser concretas, comprensibles y fáciles de localizar.

Si estamos escribiendo un artículo sobre Dataverse, por ejemplo, una sección titulada «¿Qué es Microsoft Dataverse?» debería contener una explicación suficientemente clara para responder a esa pregunta sin obligar al lector a consultar todo el documento.

Podríamos definirlo así: «Microsoft Dataverse es la plataforma de datos de Microsoft Power Platform que permite almacenar y gestionar información empresarial mediante tablas, relaciones, reglas de negocio y mecanismos de seguridad. Es una pieza fundamental en aplicaciones de Dynamics 365 y Power Apps».

Ese fragmento identifica la entidad principal, ofrece una definición comprensible y establece relaciones con otros productos del ecosistema Microsoft. No garantiza una cita en Perplexity, pero facilita que el contenido pueda resultar útil tanto para una persona como para un sistema de recuperación de información.

Y aquí encontramos una de las oportunidades más interesantes del GEO: crear contenidos suficientemente completos para cubrir un tema en profundidad, pero organizados de forma que las respuestas concretas puedan encontrarse y comprenderse fácilmente.

Cómo optimizar tus contenidos para conseguir más citas en Perplexity: guía práctica

Una vez entendidos estos mecanismos, toca trasladarlos a una metodología de trabajo que podamos aplicar a nuestros contenidos. Y no, no necesitamos rehacer toda nuestra estrategia SEO ni contratar necesariamente una herramienta específica de GEO para empezar a trabajar en esta dirección.

Lo que propongo es utilizar los fundamentos que ya conocemos, complementarlos con los aspectos técnicos que revela Photon y establecer un proceso de medición que nos permita comprobar si estamos mejorando nuestra visibilidad. Para ello, podemos seguir estos ocho pasos.

Paso 1. Identifica qué consultas tienen valor para tu negocio

No empezaría preparando una lista enorme de palabras clave, sino seleccionando preguntas relacionadas con decisiones reales de nuestros potenciales clientes. Al fin y al cabo, aparecer citado en una consulta que no tiene ninguna relación con nuestros objetivos comerciales puede aportar cierta visibilidad, pero probablemente tendrá poco impacto en el negocio.

Para una consultora especializada en el ecosistema Microsoft, podríamos trabajar preguntas como «¿Cuánto cuesta implementar Dynamics 365 Sales?», «¿Qué diferencias existen entre Microsoft 365 Copilot y Copilot Studio?», «¿Cuándo utilizar Dataverse frente a SharePoint Lists?» o «¿Qué requisitos de seguridad debe cumplir un agente de IA empresarial?».

El objetivo es identificar consultas con intención informativa, comparativa o comercial que puedan influir en una decisión. Una cita sobre una pregunta muy específica y relacionada con nuestros servicios puede tener más valor que aparecer en una respuesta genérica sobre inteligencia artificial.

Paso 2. Analiza las fuentes que ya utiliza Perplexity

Una vez seleccionadas las consultas, el siguiente paso consiste en introducirlas en Perplexity y observar qué dominios y páginas aparecen como fuentes. Conviene prestar atención a si utiliza documentación oficial, medios especializados, blogs independientes, comparativas o contenidos publicados directamente por los fabricantes.

También analizaría qué información aportan esas páginas y cómo la presentan. Algunas pueden destacar por sus definiciones, otras por ofrecer ejemplos prácticos, documentación técnica, comparativas detalladas o datos originales que no aparecen en otras fuentes.

La idea no es copiar la estructura de los contenidos que ya reciben citas, sino descubrir qué necesidades informativas están resolviendo que nuestro artículo todavía no cubre. Además, debemos recordar que las respuestas de Perplexity pueden variar entre ejecuciones, por lo que es recomendable repetir las consultas antes de extraer conclusiones.

Paso 3. Amplía la investigación utilizando query fan-out

Una pregunta compleja puede dar lugar a varias búsquedas relacionadas, un mecanismo conocido como query fan-out o ramificación de búsquedas. Google ha documentado explícitamente su utilización en sus experiencias de búsqueda con inteligencia artificial, aunque Photon no explica cómo Perplexity reescribe o ramifica todas sus consultas.

A pesar de esa limitación, investigar preguntas relacionadas sigue siendo una técnica muy útil para planificar contenidos. Si nuestro tema principal es implementar Dynamics 365 Sales, probablemente también deberíamos analizar cuestiones sobre licenciamiento, integración con Outlook, migración desde otros CRM, tiempos de implantación y soporte posterior.

Eso no significa que tengamos que crear una página independiente para cada pequeña variación de búsqueda. En muchos casos será más interesante publicar una guía completa, bien estructurada y organizada alrededor de una intención principal, utilizando artículos complementarios cuando existan necesidades suficientemente diferentes.

Paso 4. Detecta las carencias de cobertura semántica

Con las consultas y sus posibles variantes identificadas, llega el momento de comparar nuestro contenido con las necesidades informativas que hemos descubierto. La pregunta no es simplemente si estamos utilizando las mismas palabras que la competencia, sino si estamos explicando correctamente los conceptos que el usuario necesita comprender.

Si escribimos sobre Microsoft Copilot Studio, por ejemplo, puede tener sentido abordar agentes, herramientas, temas, fuentes de conocimiento, conectores, autenticación o gobernanza. Naturalmente, dependerá de la intención de búsqueda: no todos esos conceptos tienen por qué aparecer en cualquier artículo sobre el producto.

Lo importante es evitar que una página aparentemente completa deje sin responder aspectos fundamentales del tema. No deberíamos optimizar para una lista de términos, sino utilizar esa lista para descubrir qué información le falta a nuestro contenido y cómo podemos hacerlo más útil.

Paso 5. Revisa títulos, encabezados y organización

Una vez identificados los temas principales, revisaría la estructura del artículo para comprobar si refleja correctamente las preguntas que queremos responder. El título debe describir el contenido y estar alineado con la intención de búsqueda, mientras que los H2 y H3 deberían facilitar la identificación de los diferentes apartados.

Evitaría los encabezados excesivamente genéricos, pero también aquellos que parecen escritos únicamente para acumular palabras clave. Una estructura clara tiene que ayudar al lector a orientarse, entender qué encontrará en cada sección y acceder rápidamente a la información que necesita.

También puede resultar útil emplear tablas para las comparativas, separar las explicaciones extensas en bloques coherentes y utilizar ejemplos cuando aporten claridad. No sabemos si Photon premia específicamente esos formatos, pero sí podemos afirmar que mejoran la organización del contenido y facilitan su interpretación.

Paso 6. Escribe respuestas autónomas y verificables

Este es probablemente uno de los pasos a los que dedicaría más atención. Para cada pregunta importante, intentaría incluir una respuesta que pueda comprenderse sin necesidad de leer los cinco párrafos anteriores, pero sin sacrificar el contexto necesario para que resulte correcta.

Una estructura que suele funcionar bien consiste en comenzar con una explicación directa, desarrollar los detalles relevantes y añadir un ejemplo o una limitación cuando sea necesario. Así conseguimos que una persona encuentre rápidamente lo que busca y, al mismo tiempo, ofrecemos información suficiente para profundizar.

También incorporaría documentación oficial, fuentes fiables y referencias que permitan comprobar las afirmaciones. Esto es especialmente importante cuando hablamos de soluciones Microsoft, donde las capacidades pueden variar dependiendo de la licencia, la versión, la región o la disponibilidad de determinadas funcionalidades.

Los sistemas de IA necesitan información relevante para construir sus respuestas, pero nuestros lectores necesitan algo todavía más importante: información correcta, actualizada y aplicable a sus circunstancias. Por eso, la precisión técnica debe estar siempre por encima de cualquier intento de optimización.

Paso 7. Comprueba la accesibilidad y la calidad técnica

De poco sirve optimizar un artículo si el contenido no puede recuperarse correctamente. Por eso, revisaría que las páginas importantes sean accesibles, que el texto principal pueda extraerse del HTML y que la arquitectura de enlaces internos facilite su descubrimiento.

También comprobaría posibles bloqueos de rastreo, configuraciones de seguridad y problemas de renderizado que puedan dificultar el acceso al contenido. Estas cuestiones forman parte del SEO técnico tradicional, pero siguen siendo relevantes cuando hablamos de motores de recuperación utilizados por sistemas de IA.

Eso sí, no debemos asumir que todos los buscadores con inteligencia artificial utilizan exactamente los mismos rastreadores, índices o reglas de acceso. Conviene revisar los requisitos de cada plataforma y distinguir entre permitir el rastreo de una página y conseguir que finalmente aparezca citada en una respuesta.

Paso 8. Mide las citas y su impacto real

Este es el paso que convierte una iniciativa GEO en una estrategia de marketing medible. Una vez realizadas las optimizaciones, necesitamos comprobar si estamos consiguiendo mayor presencia en las respuestas de Perplexity y, sobre todo, si esa visibilidad aporta algún beneficio a nuestro negocio.

Definiría un conjunto estable de preguntas y observaría qué ocurre antes y después de los cambios. Podemos medir la frecuencia con la que aparece citado nuestro dominio, qué URLs consiguen visibilidad, qué competidores aparecen y cómo evoluciona la presencia de nuestra marca en las respuestas.

Pero no me quedaría únicamente con las citas, porque aparecer en una respuesta de IA no equivale automáticamente a generar oportunidades comerciales. Intentaría relacionar esa visibilidad con sesiones referidas, visitas cualificadas, formularios completados, solicitudes de información y conversiones, siempre que dispongamos de datos suficientes.

Además, debemos tener cuidado al atribuir resultados a nuestras optimizaciones. Los modelos, las fuentes y las respuestas pueden cambiar con el tiempo, por lo que una mejora puntual no demuestra necesariamente que una modificación concreta del contenido haya sido la causa.

Lo que Photon todavía no nos dice

Aunque el artículo técnico de Perplexity es especialmente interesante para quienes trabajamos en posicionamiento, conviene dejar claros sus límites. No conocemos la fórmula exacta de usefulness, los pesos concretos de cada campo, todos los factores del ranking posterior ni las reglas completas que determinan qué URLs aparecen finalmente como citas.

Tampoco podemos extrapolar directamente su arquitectura a ChatGPT, Gemini, Microsoft Copilot o Google AI Overviews. Cada producto puede utilizar fuentes, índices, sistemas de recuperación y estrategias de generación diferentes, así que encontrar una coincidencia técnica no significa que todos utilicen el mismo algoritmo.

Por eso, afirmar que Perplexity ha publicado un manual definitivo para posicionarse en todos los LLMs sería una exageración. Lo que sí tenemos es una explicación técnica que nos ayuda a comprender mejor determinadas decisiones de diseño y a fundamentar algunas recomendaciones SEO que antes dependían más de la observación que de información publicada por el propio buscador.

SEO y GEO: ¿realmente necesitamos dos estrategias diferentes?

Esta es probablemente la reflexión que más me interesa de todo este análisis. Durante años, el SEO ha trabajado aspectos como la relevancia, la intención de búsqueda, la arquitectura de la información, la cobertura temática, la autoridad y la accesibilidad, y la llegada de la inteligencia artificial no ha hecho desaparecer ninguno de esos fundamentos.

Lo que está cambiando es la forma en que los usuarios descubren y consumen la información. Antes competíamos principalmente por aparecer en una página de resultados y conseguir un clic; ahora también competimos por convertirnos en una fuente que los sistemas de IA consideran útil para construir sus respuestas.

Este cambio introduce nuevas necesidades de medición, nuevas superficies de descubrimiento y nuevas formas de relacionar la visibilidad con los resultados empresariales. Sin embargo, no implica necesariamente que tengamos que construir dos estrategias editoriales completamente independientes.

De hecho, la guía oficial de Google sobre optimización para funciones de búsqueda con IA generativa insiste en que los fundamentos del SEO siguen siendo relevantes y recomienda crear contenido original, útil y no genérico. Es un planteamiento que encaja bastante bien con las conclusiones que podemos extraer de Photon, aunque estemos hablando de plataformas y arquitecturas diferentes.

Mi conclusión es que no necesitamos abandonar el SEO para hacer GEO, sino ampliar nuestra estrategia para incorporar la recuperación de información, la visibilidad en respuestas generadas por IA y la medición de menciones y citas. Todo ello sin perder de vista que el objetivo final sigue siendo conectar con personas que tienen una necesidad y ofrecerles una respuesta valiosa.

Mi conclusión: antes de conseguir una cita, tienes que ser una buena fuente

Photon confirma algo que merece la pena recordar: los sistemas de búsqueda con inteligencia artificial siguen necesitando encontrar, seleccionar y clasificar información antes de generar respuestas. Por eso, tener un contenido bien escrito es importante, pero no necesariamente suficiente para conseguir visibilidad.

Debemos explicar los conceptos adecuados, responder a las preguntas relevantes, estructurar los contenidos de forma comprensible y aportar información fiable y diferenciada. Además, necesitamos trabajar la especialización de nuestra marca y construir una presencia digital coherente que no dependa únicamente de publicar más artículos.

Tampoco deberíamos obsesionarnos con conseguir una cita aislada, porque para una empresa la oportunidad real está en convertirse de forma consistente en una fuente relevante dentro de su especialidad. Eso requiere combinar conocimiento técnico, experiencia, calidad editorial y una estrategia de posicionamiento orientada a las necesidades de nuestros clientes.

Creo que ahí tenemos uno de los retos más interesantes del marketing digital de los próximos años. Estamos pasando de preguntarnos únicamente «¿en qué posición aparece mi web?» a plantearnos una cuestión bastante más amplia: «««Cuando alguien consulta a una inteligencia artificial sobre mi sector, ¿mi marca forma parte de las fuentes que utiliza para construir su respuesta?«»«.

Esa pregunta merece estar presente en cualquier estrategia de visibilidad digital, especialmente si nuestro negocio depende de la confianza, la especialización y la capacidad de demostrar conocimiento. Y aunque Photon no nos proporciona todas las respuestas, sí nos ayuda a comprender una parte importante del camino que recorren nuestros contenidos antes de convertirse en una fuente para la inteligencia artificial.

¿Quieres saber más sobre las soluciones de inteligencia artificial generativa de Microsoft? Yo te asesoro. ¿Por qué no me preguntas cómo puedo ayudarte?

Información basada en las publicaciones Photon: Building a Retrieval and Ranking Engine From Scratch, API de búsqueda de Perplexity y la guía oficial de Google sobre optimización para funciones de búsqueda con IA generativa.