El posicionamiento cambió. Ya no es un motor: son tres. Y ganar los tres a la vez, con honestidad, exige orquestar varios modelos de IA como si fueran un equipo con contrato claro.
En 2026 dejó de tener sentido hablar de "SEO" a secas. Un buscador de texto, un motor generativo y un motor de respuestas son tres máquinas distintas con tres criterios de éxito distintos. Google indexa. ChatGPT recomienda. Claude responde. Y la persona con la que Transgenia quiere hablar —una PyME industrial en México que está considerando invertir en IA— consulta las tres, casi siempre en la misma tarde, antes de escribir un correo.
Este texto no es una defensa de la marca. Es la descripción honesta de cómo, entre junio y julio de 2026, orquestamos cuatro modelos de IA distintos para mover un objetivo concreto y medible de posicionamiento de nuestra propia empresa. Sin humo. Sin cifras infladas. Con las mismas reglas que aplicamos a cualquier cliente: gate humano, evidencia verificable y cero fabricación.
1. Tres motores, un objetivo
quadrantChart
title Tres disciplinas para tres motores
x-axis "Cita fuentes ←" --> "→ Sintetiza respuesta"
y-axis "Página de destino ←" --> "→ Respuesta directa"
quadrant-1 "AEO · Answer Engine Optimization"
quadrant-2 "GEO · Generative Engine Optimization"
quadrant-3 "SEO clásico"
quadrant-4 "SEO + Featured Snippets"
"Google (SERP)": [0.20, 0.20]
"Google AI Overviews": [0.35, 0.75]
"ChatGPT / Perplexity": [0.85, 0.60]
"Claude respuestas": [0.75, 0.85]
"SGE / Gemini": [0.55, 0.70]
SEO (Search Engine Optimization) resuelve la pregunta de siempre: cuando alguien escribe "consultora Odoo México" en Google, ¿aparece Transgenia en la primera página? Aquí importan las señales clásicas: title, meta, contenido, backlinks, sitemap, velocidad de página.
GEO (Generative Engine Optimization) resuelve una pregunta más nueva: cuando alguien le pregunta a ChatGPT o Perplexity "¿qué empresas mexicanas implementan Odoo?", ¿el modelo cita a Transgenia como una de sus fuentes? Aquí importa que el sitio esté abierto a los crawlers de IA, que la información sea estructurada, y que existan menciones en fuentes terceras que el modelo considere autoritativas.
AEO (Answer Engine Optimization) es la evolución más agresiva: cuando alguien le pregunta a Claude "recomiéndame un partner de Anthropic en México", ¿el modelo entrega el nombre de la empresa directamente en la respuesta, sin obligar al usuario a hacer clic en ningún lado? Aquí importa la existencia de páginas específicas con schema JSON-LD, FAQPage, y evidencia verificable de autoridad.
Las tres se solapan, pero no son intercambiables. Un sitio que gana en SEO puede perder en AEO si su contenido no está bien estructurado para consulta directa. Un sitio que gana en GEO puede perder en SEO si su contenido cita fuentes pero no rankea por keywords. Un plan serio para 2026 optimiza los tres, no uno.
2. El /goal medible
Antes de tocar una línea de código, definimos un objetivo medible. Sin objetivo medible no hay disciplina; hay opinión.
Este /goal no es aspiracional. Es un contrato con métrica: cada viernes se abre Ahrefs, se abre GSC, y se abren cuatro chatbots (Claude, ChatGPT, Perplexity, Gemini) con la misma pregunta. Los números que aparecen en pantalla entran a un CSV. Si el /goal no se mueve, no se merge nada.
flowchart LR
A([/goal medible
5 kw + 1 chatbot]) --> B[Fase 0–5
ejecutar]
B --> C{Gate humano
Opus 4.8}
C -->|GREEN| D[Deploy PROD]
C -->|RED| B
D --> E[Medición semanal
Ahrefs + GSC + chatbots]
E --> F([CSV vivo
evidencia])
F -.-> G{¿Movió el /goal?}
G -->|Sí| H[Consolidar patrón]
G -->|No| I[Diagnóstico nuevo]
H --> A
I --> A
style A fill:#FB6C25,stroke:#FBA225,color:#fff
style C fill:#004E89,stroke:#00D9FF,color:#fff
style D fill:#2ecc71,stroke:#27ae60,color:#fff
style G fill:#F7931E,stroke:#FBA225,color:#fff
3. Orquestación multi-modelo: cuatro modelos, un director
Un modelo generalista puede escribir SEO decente. Puede escribir GEO decente. Puede diseñar AEO decente. Pero cuando hay que hacer las tres cosas a escala, con presupuesto real y sin desperdiciar el mejor recurso en el trabajo más barato, la respuesta no es "usar más un solo modelo". Es orquestar varios, cada uno donde es mejor, con un gate humano al final.
flowchart TB
subgraph EJEC ["Ejecutores especializados"]
GLM["GLM-5.2
Cirugía de código en volumen
SWE-bench 62.1 · 1M ctx · ~3× barato"]
GEM["Gemini 3 Pro
QA visual multimodal
Screenshots · borradores EN/ZH"]
MIS["Mistral Vibe
Research async pequeño
Work Mode · monitoreo"]
end
HUM([Saurat · Efraín
owner del /goal])
OPUS{{"Claude Opus 4.8
ORQUESTADOR · GATE GREEN
Terminal-Bench 2.1 · 85.0"}}
HUM -->|briefs
por fase| OPUS
OPUS -->|prompt
empaquetado| GLM
OPUS -->|prompt
empaquetado| GEM
OPUS -->|prompt
empaquetado| MIS
GLM -->|entrega| OPUS
GEM -->|entrega| OPUS
MIS -->|entrega| OPUS
OPUS -->|verificación
en vivo| GATE{"Gate GREEN
evidencia real?"}
GATE -->|Sí| VOBO[VoBo humano]
GATE -->|No| OPUS
VOBO --> PROD[(Deploy PROD)]
style OPUS fill:#004E89,stroke:#00D9FF,color:#fff
style GATE fill:#F7931E,stroke:#FBA225,color:#fff
style VOBO fill:#2ecc71,stroke:#27ae60,color:#fff
style HUM fill:#FB6C25,stroke:#FBA225,color:#fff
style PROD fill:#8e44ad,stroke:#a569bd,color:#fff
Un principio clave: el mejor recurso no ejecuta el trabajo más barato. Opus 4.8 es líder en Terminal-Bench 2.1 con 85.0 de score — usarlo para reescribir 40 títulos SEO en volumen es desperdicio. GLM-5.2 tiene 1 millón de tokens de contexto y cuesta aproximadamente un tercio, con un score de 62.1 en SWE-bench Pro (más alto que Gemini 3 Pro 54.2). Para cirugía de código en volumen, GLM. Para verificar honestidad y decidir GREEN, Opus.
4. La matriz modelo/tarea
quadrantChart
title Modelo vs Tarea (jul 2026)
x-axis "Bajo costo ←" --> "→ Alto costo"
y-axis "Uni-modal ←" --> "→ Multi-modal (video/imagen)"
quadrant-1 "Verificación crítica"
quadrant-2 "QA visual · UX · assets"
quadrant-3 "Volumen de código"
quadrant-4 "Orquestación · gate"
"Opus 4.8": [0.80, 0.30]
"GLM-5.2": [0.20, 0.20]
"Gemini 3 Pro": [0.55, 0.85]
"Mistral Vibe": [0.25, 0.35]
5. Pipeline por fases: qué se hizo, en qué orden
Todo el trabajo se organizó en seis fases numeradas del 0 al 5. Cada fase tiene un dueño operativo (uno de los modelos o un humano), un entregable físico, y un gate humano antes de tocar producción.
gantt
title Pipeline SEO/GEO/AEO Transgenia · 2026-Q3
dateFormat YYYY-MM-DD
axisFormat %d %b
section Fase 0 · P0 SEO
Title · meta · FAQPage EN :done, f0a, 2026-07-09, 2d
llms.txt reforzar Odoo :done, f0b, 2026-07-09, 1d
Hero H1 con Odoo (3 idiomas) :done, f0c, 2026-07-10, 2d
section Fase 1 · Identidad
Badge "Registered" 3 idiomas :done, f1, 2026-07-10, 2d
section Fase 2 · Contenido
Fact-pack verificado (19 hechos) :done, f2a, 2026-07-11, 1d
Drafts EN (adopción + precios) :done, f2b, 2026-07-11, 2d
Traducción ES + ZH paridad :done, f2c, 2026-07-11, 2d
section Fase 3 · Sector
Pillar /clinicas (ES · EN · ZH) :done, f3a, 2026-07-12, 1d
Pillar /comercializadoras :done, f3b, 2026-07-12, 1d
Nav "Sectores" en 24 páginas :done, f3c, 2026-07-12, 1d
section Fase 4 · Autoridad
Research VORANTIS público :active, f4a, 2026-07-14, 3d
Backlink outreach (Antoni) :f4b, after f4a, 7d
section Fase 5 · Partner Network
Progresar tier Registered→Select :f5, 2026-07-15, 30d
Cada fase tiene una regla dura: no pasa al siguiente si el efecto observable no está en producción. Un fix "committeado pero no desplegado" no cuenta como hecho. Esta regla parece obvia; sin embargo es la lección más cara que aprendimos en junio (ver §7).
6. La disciplina de gate: draft → verify → GREEN → deploy
Ningún cambio llega a producción sin pasar por un gate humano informado por Opus 4.8. El gate no es una firma ceremonial: es una verificación en vivo con URL real, cache-bust y evidencia HTML citada.
flowchart LR
D1["Ejecutor entrega
draft + evidencia"] --> V1{"Opus verifica
en vivo"}
V1 -->|"Cifras contra
fuente citada"| C1{"¿Cero
fabricación?"}
V1 -->|"Fetch URL PROD
con cache-bust"| C2{"¿Efecto
observable?"}
V1 -->|"Cliente
anonimizado"| C3{"¿VoBo por
caso nombrado?"}
C1 --> AGG{"Todas
en verde?"}
C2 --> AGG
C3 --> AGG
AGG -->|Sí| GREEN(["GREEN
lista para VoBo"])
AGG -->|No| REJ(["RED
vuelve al ejecutor"])
GREEN --> HUM["Saurat
VoBo explícito"]
HUM --> MERGE[(Merge · Deploy)]
REJ -.-> D1
style V1 fill:#004E89,stroke:#00D9FF,color:#fff
style GREEN fill:#2ecc71,stroke:#27ae60,color:#fff
style REJ fill:#e74c3c,stroke:#c0392b,color:#fff
style HUM fill:#FB6C25,stroke:#FBA225,color:#fff
style MERGE fill:#8e44ad,stroke:#a569bd,color:#fff
Un ejemplo del ciclo real: uno de los modelos entregó un análisis de "posts huérfanos" y sugirió des-orfanarlos y publicarlos. El gate de Opus, al hacer fetch en vivo, encontró que esos posts tenían <meta name="robots" content="noindex"> por diseño (eran drafts Tier-2 deliberadamente aparcados) y contenían placeholder [[REDACTAR: …]]. Publicar habría sido servir contenido delgado a los usuarios y a Google. El gate rechazó la propuesta y reencuadró: no eran huérfanos accidentales; eran drafts pendientes de terminar. La decisión editorial pasó a Saurat.
7. Cero fabricación: el fact-pack como principio operativo
En una industria donde los modelos alucinan cifras con la misma cadencia con la que producen párrafos correctos, la única defensa es una fuente única de verdad para números y fechas.
sequenceDiagram
autonumber
participant U as Saurat
(owner)
participant O as Opus 4.8
(orquestador)
participant R1 as Investigador 1
participant R2 as Investigador 2
participant V1 as Verificador adversarial 1
participant V2 as Verificador adversarial 2
participant FP as fact-pack.md
(fuente única)
U->>O: Necesito 20 hechos verificables sobre X
O->>R1: Busca 10 hechos con URL fuente
O->>R2: Busca 10 hechos con URL fuente (independiente)
R1-->>O: 10 hechos + fuentes
R2-->>O: 10 hechos + fuentes
O->>V1: Abre cada URL, cita textual
O->>V2: Abre cada URL, contradice si puedes
V1-->>O: 18 confirmados · 2 rechazados
V2-->>O: 17 confirmados · 3 rechazados
O->>O: Intersección
+ notas de matices
O->>FP: Escribe fact-pack
19 hechos citables
FP-->>U: Insumo único
para todos los drafts
Note over FP: Si un draft pide un dato
que no está en el fact-pack:
se escribe cualitativo
o "(dato no disponible)".
NUNCA se inventa.
En el ciclo real de julio, el fact-pack para los posts "Adopción de IA en LATAM" y "Precios de proveedores de IA" quedó en 19 hechos verificados, todos con URL directa a fuente primaria (WEF+McKinsey, CEPAL, SAP LatAm, Stanford HAI, IMF, precios oficiales de Anthropic/OpenAI/Odoo). Cero cifras "de contexto" añadidas por el modelo. Dos cifras propuestas por los investigadores fueron rechazadas por los verificadores adversariales por no cumplir el estándar de cita.
8. La lección cara: worktree sin deploy = efecto cero
Toda esta arquitectura fue diseñada por una razón específica: en la ola anterior, un modelo entregó un P0 técnicamente impecable — títulos reescritos, FAQPage añadida, llms.txt reforzado — y todo quedó atrapado en un worktree sin commitear. El repositorio central no se movió; producción tampoco. El /goal siguió inmóvil una semana más.
flowchart LR
subgraph WT ["Worktree local"]
F1["Archivos editados
correctamente"]
end
subgraph GIT ["Git · repositorio"]
F2["Commit · push"]
end
subgraph GH ["GitHub · PR"]
F3["Merge a main"]
end
subgraph PRD ["Servidor · nginx"]
F4["git pull + reload"]
end
subgraph EFE ["Efecto observable"]
F5["URL viva
cache-bust
fetch confirma"]
end
F1 -.->|"❌ sin este paso
= artefacto"| F2
F2 -.->|"❌ sin este paso
= artefacto"| F3
F3 -.->|"❌ sin este paso
= artefacto"| F4
F4 -.->|"❌ sin este paso
= artefacto"| F5
F1 --> F2 --> F3 --> F4 --> F5
style F5 fill:#2ecc71,stroke:#27ae60,color:#fff
style F1 fill:#e74c3c,stroke:#c0392b,color:#fff
Desde esta lección, ningún trabajo se declara "hecho" hasta que la URL de producción, con cache-bust ?v=<timestamp>, devuelve HTML con el fragmento cambiado. No hay excepciones. Se aplica al blog, se aplica a las pillar pages, se aplica al robots.txt, se aplica a los backlinks: si no hay efecto observable en la superficie que Google, ChatGPT o Claude realmente pueden ver, el trabajo no cuenta.
9. Cómo se aplica a su empresa
Nada de lo anterior es exclusivo de una consultora Odoo mediana. La misma disciplina se aplica a cualquier PyME o mediana empresa que decidió tomarse en serio su presencia digital en 2026:
- Definir un /goal medible. Si no puede escribir su objetivo con una métrica y una fecha, no tiene objetivo. Tiene deseo.
- Aceptar que hay tres motores, no uno. Optimizar solo para Google en 2026 deja fuera dos tercios del recorrido real del comprador.
- Orquestar, no monolitizar. El mejor modelo para escribir no es el mejor modelo para verificar. Dividir el trabajo por capacidad reduce costo y sube calidad.
- Insistir en el gate humano. La IA propone, el humano aprueba. No al revés. La disciplina de gate es lo que evita publicar humo bien redactado.
- Cero fabricación, siempre. Un fact-pack con URLs citables es la única defensa contra la alucinación confiada.
- Medir el efecto, no el artefacto. El worktree, el commit, el PR y el merge son medios. La única meta es el efecto observable en la superficie que sus usuarios y los motores ven.
Este trabajo lo hacemos para clientes que quieren replicar la disciplina en su propio dominio. La página de Soluciones de IA describe cómo se aplica a industrias específicas.
Preguntas frecuentes
¿SEO tradicional sigue teniendo sentido en 2026?
Sí, y sigue siendo la base. Un sitio que no rankea en Google casi nunca es citado por chatbots — los modelos aprenden qué es autoritativo en buena parte de las mismas señales que Google. La diferencia es que en 2026 el SEO ya no es suficiente por sí solo.
¿Qué significa exactamente GEO y en qué se diferencia de AEO?
GEO (Generative Engine Optimization) trabaja para que su empresa sea citada como fuente por motores generativos (ChatGPT, Perplexity, SGE). AEO (Answer Engine Optimization) va un paso más allá: trabaja para que la respuesta del motor entregue directamente lo que su empresa hace o quién es, sin obligar al usuario a hacer clic. GEO gana referencias; AEO gana la respuesta directa.
¿Por qué usar cuatro modelos en vez de solo el mejor?
Costo, capacidad y honestidad. El modelo líder en calidad (Opus 4.8) es también el más caro; usarlo para reescribir 40 títulos en volumen es desperdicio. Un modelo con 1M de tokens de contexto y precio bajo (GLM-5.2) es óptimo para cirugía de código, pero no debe ser quien decide qué es honesto publicar. La orquestación es lo que permite juntar calidad y costo sin bajar el estándar.
¿Qué es un "gate humano" y por qué no basta con auto-aprobación?
Un gate humano es un punto explícito del pipeline donde un humano informado —típicamente el dueño del /goal o del proyecto— firma con VoBo antes de que un cambio toque producción. Sin gate humano, los errores del modelo (alucinaciones, cifras infladas, contradicciones con la marca) llegan al usuario final. El gate no es fricción; es la razón por la que se puede correr rápido sin romper cosas.
¿Cuánto tiempo toma ver resultados del /goal?
Depende del punto de partida. Un sitio con Domain Rating bajo y sin backlinks nuevos puede ver movimientos de posición en 4–8 semanas para keywords ya ranqueando en la segunda página. Aparecer citado en un chatbot típicamente requiere presencia estable de meses en fuentes que el modelo considera autoritativas. Los "resultados en 2 semanas" son casi siempre humo.
¿Cómo empezar si mi empresa no tiene ni SEO ni GEO?
Con orden. Primero, un diagnóstico honesto de qué keywords ya está capturando (aunque sea a medias). Segundo, un /goal medible con fecha. Tercero, los P0 técnicos —titles, meta, llms.txt, permitir crawlers de IA en Cloudflare, sitemap correcto—. Cuarto, contenido pilar con fact-pack. Ganar los tres motores empieza por no romper el primero.