La investigación en español sobre IA generativa es invisible para las bases indexadas: el hallazgo metodológico de un estudio panameño

En las páginas del volumen 2, número 24 (2026) de la publicación académica Latitude: Multidisciplinary Research Journal —bajo el sello de Quality Leadership University (QLU) en Ciudad de Panamá— ha visto la luz el estudio «Medición de la presencia de marca en la optimización para motores generativos: una revisión de alcance sobre métricas y validez», cuya autoría corresponde a Néstor Romero-Ramos, Yulianna Lobach, David Abreu-Abreu, Isaac Castillo-Hernández, Juan Carlos García-Cordero y Daniel García-Cordero. Dicha investigación, de libre acceso para la ciudadanía, constituye el debut bibliográfico de la agenda de estudio centrada en la Generative Engine Optimization (GEO) que Centria Group impulsa en colaboración con diversos centros de educación superior y universidades de cuatro naciones.

El texto aborda un interrogante que el marketing digital actual todavía no logra resolver con precisión: cuando un asistente de inteligencia artificial sugiere una entidad bancaria, una póliza o un alojamiento, ¿de qué manera se calcula si una firma aparece en dicha contestación, cuán destacada resulta y qué nivel de fiabilidad posee? Con el fin de darle solución, los investigadores llevaron a cabo una revisión sistemática exploratoria (scoping review) basada en la metodología del Joanna Briggs Institute (JBI) y divulgada según la directriz PRISMA-ScR, la cual examina de manera ordenada cómo la bibliografía reciente evalúa la aparición, la relevancia y las referencias a marcas y fuentes dentro de los buscadores conversacionales.

«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 artículo parte de una constatación que el propio corpus revisado respalda con evidencia empírica: las fuentes que cita un motor generativo se solapan poco con las que posicionan en la búsqueda tradicional, y la lógica de selección varía de un motor a otro. Dicho de otro modo, la visibilidad en Google no predice la visibilidad en un asistente generativo, lo que invalida la transferencia directa de indicadores y obliga a repensar qué se mide y cómo. A ello se suma el fenómeno «cero clics», acelerado por los resúmenes generativos integrados en los buscadores: una parte sustancial de las consultas se resuelve hoy sin que el usuario visite ningún sitio web.

«La cuota de citación es la métrica que la práctica profesional trata como central, y en la literatura académica está formalizada en un único estudio. Esa brecha entre industria y academia es en sí misma un hallazgo», dijo Néstor Romero.

¿Qué cambia del SEO al GEO?

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.

«Buena parte del conocimiento generado en español sobre esta materia no llega a los circuitos internacionales. Recuperarlo no es una cuestión de exhaustividad: revela un sesgo lingüístico latente en el campo», recalcó Néstor Romero.

Siete familias de métricas y ningún marco que las integre

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

El foco analítico se desplaza: de la URL hacia la marca y el recorrido de los actores

No hay acuerdo sobre qué se evalúa con precisión. El corpus evidencia un cambio paulatino que va desde el origen o la URL —legado directo del posicionamiento orgánico— hasta la marca o entidad, pasando por el archivo, el artículo y, en las investigaciones más recientes, llegando a estructuras más complejas como el recorrido de navegación de los agentes. Dicha evolución pone de manifiesto el traslado del interrogante dentro de la disciplina, aunque esto conlleva un precio: las investigaciones basadas en elementos diferentes no resultan directamente equiparables, lo que consolida la imposibilidad de llevar a cabo un metaanálisis.

La Inteligencia Artificial no contesta de forma idéntica todo el tiempo, y prácticamente nadie evalúa este fenómeno

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 es, en este dominio, epistemológicamente frágil. Cualquier instrumento robusto tiene que incorporar la repetición y la modelización de la incertidumbre como requisito, no como un refinamiento opcional», señala Romero.

El descubrimiento principal: un terreno que abarca bastante pero comprueba escasamente

El hallazgo principal de la investigación revela que ninguno de los trabajos analizados somete su herramienta de medición a una validación psicométrica rigurosa. En su lugar, se implementan controles periféricos y fragmentados —como índices de estabilidad, precisión en la asignación, contrastación metodológica o resistencia a alteraciones de secuencia—, mientras que la consistencia entre evaluadores, condición elemental para cualquier dispositivo, rara vez se documenta. Por otro lado, la validez se sostiene en la consistencia interna de referencias concebidas para la ocasión, relegando a un segundo plano las características métricas propiamente dichas. De este modo, la premisa fundamental del estudio es contundente: aún no se cuenta con un instrumento consolidado y contrastado que permita evaluar la huella generativa de las marcas.

«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 texto expone una discrepancia notable entre aquello a lo que el sector otorga máxima prioridad y lo que la investigación científica ha consolidado. Por un lado, la proporción de citas (citation share) —un indicador al que la actividad profesional confiere un carácter determinante y presupone dotado de validez convergente— se reduce, en la práctica, al respaldo de una única investigación. Por otro lado, la categoría de sentimiento y encuadre presenta una escasez similar, a pesar de que el estudio de mayor envergadura dentro del corpus, enfocado en más de un centenar de marcas, la señala como el indicador más voluble de todos.

«La presencia en Google no anticipa el impacto dentro de un asistente generativo. Tal circunstancia anula la traslación automática de métricas, lo que exige replantear tanto los objetos de análisis como las metodologías».

«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

La revisión aporta además un hallazgo metodológico de interés directo para la comunidad hispanohablante. Existe un estrato de investigación en español, publicado en revistas de Biblioteconomía y Documentación, que aborda la visibilidad ante la IA generativa desde ángulos complementarios —la volatilidad de la presencia de marca en recomendaciones turísticas generadas por IA, o la optimización de repositorios académicos para su rastreo por motores generativos— y que la literatura anglófona dominante tiende a pasar por alto. Su recuperación solo fue posible mediante búsqueda multilingüe, lo que evidencia un sesgo lingüístico latente en el campo.

A ello se suma una segunda lección del propio proceso: la verificación en una base indexada aportó 360 registros brutos, de los que se revisaron los 136 en acceso abierto, en su mayoría ruido temático por colisión de términos, y no incorporó ningún estudio de medición elegible nuevo. El campo es, en definitiva, preprint-first y está infracubierto por la indexación tradicional: el 64 % del corpus candidato se difunde a través de arXiv o SSRN y el 98 % carece de cuartil indexado.

«Este hallazgo lo presentamos a modo de aportación metodológica y no como una debilidad encubierta. Dentro de un ámbito de naturaleza digital, la publicación periódica deja de operar como baremo de excelencia, mientras que los sistemas de búsqueda apoyados por IA suelen dejar sin la debida cobertura justamente a los datos validados por expertos y a los referentes principales. Conviene combinarlas mediante el seguimiento de referencias y recursos replicables», detalla el especialista.

La visibilidad generativa se puede manipular

Un porcentaje de las investigaciones analizadas pone de manifiesto que la visibilidad dentro de los motores generativos resulta alterable de manera adversarial, recurriendo a tácticas de manipulación de posiciones en buscadores conversacionales o a través de la optimización discreta de prompts. Dicha investigación traslada esta conclusión al ámbito de la métrica: la solidez ante cualquier intento de manipulación tendría que constituir un atributo indispensable en toda herramienta de visibilidad.

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 es, en este dominio, epistemológicamente frágil: los motores generativos pueden responder distinto a la misma pregunta».

Próximos pasos: del diagnóstico al instrumento

Los autores concluyen que el vacío detectado —en validez de constructo y en fiabilidad documentada— constituye la apertura que justifica desarrollar y validar formalmente un índice específico de presencia generativa, y sitúan esa tarea como la continuación natural del trabajo publicado, y no como una afirmación ya demostrada. Es precisamente la línea en la que el equipo trabaja en la fase siguiente.

«El propósito fundamental consiste en trascender la fase diagnóstica para materializar un instrumento práctico: elaborar y comprobar la validez de un indicador que permita a entidades de cualquier dimensión evaluar empíricamente, mediante criterios científicos, la visibilidad de su marca ante las respuestas automatizadas de la inteligencia artificial», sostiene Néstor Romero.

Limitaciones explicitadas por los creadores

El artículo explicita sus propios límites: la inestabilidad de la base de evidencia en un campo tan reciente y dominado por preprints, que hace provisionales sus conclusiones; la no reproducibilidad de la ruta de descubrimiento inicial —mitigada, aunque no eliminada, por OpenAlex, el rastreo de citas y la verificación indexada—; el alcance lingüístico restringido a español e inglés y la imposibilidad de verificar en Scopus por falta de acceso institucional; la codificación parcialmente realizada a nivel de resumen, con cifras de inclusión provisionales; una amenaza de circularidad, dado que numerosos estudios emplean modelos de lenguaje como jueces de su propia medición; y la validez temporal limitada de cualquier fotografía de un campo que opera sobre sistemas propietarios en evolución constante.

Ficha del estudio

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.

Fuentes y referencias 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