Recientemente hablé con Jesse Dwyer de Perplexity sobre SEO y búsqueda con IA, centrando la atención en qué deben priorizar los SEOs al optimizar para la búsqueda con IA. Sus ideas ofrecieron una guía valiosa para editores y SEOs hoy en día. ### La búsqueda con IA en la actualidad Jesse destacó que la personalización está trasformando fundamentalmente la búsqueda con IA. Señaló, "El punto más grande y simple sobre AEO (Optimización del Motor de Respuestas) vs SEO es que ya no es un juego de suma cero. Dos usuarios con la misma consulta pueden recibir respuestas diferentes si la herramienta de IA incorpora memoria personal en su ventana de contexto (como en Perplexity, ChatGPT). " Este cambio proviene de las diferencias en la tecnología de indexación, explicando la divergencia entre la optimización tradicional de motores geográficos (GEO) y AEO. Sin embargo, la mayoría de las mejores prácticas tradicionales de SEO siguen siendo aplicables. El mensaje central de Dwyer es que la visibilidad en la búsqueda ya no se trata de resultados consistentes para todos los usuarios. Las respuestas con IA se moldean según el contexto personal, lo que significa que dos usuarios pueden ver respuestas distintas y fuentes de contenido subyacentes diferentes para la misma consulta. Aunque la infraestructura sigue siendo un índice clásico de búsqueda—Perplexity AI utiliza un sistema parecido a PageRank que evalúa la popularidad y relevancia del sitio—lo que se recupera difiere notablemente de la búsqueda tradicional. Cuando pregunté si la búsqueda clásica suele mostrar los mismos sitios principales por consulta, mientras que la búsqueda con IA genera respuestas variadas debido al contexto conversacional, Jesse confirmó esta diferencia. ### Procesamiento de subdocumentos: La clave en la búsqueda con IA Jesse explicó además la tecnología fundamental detrás de la búsqueda con IA: el contraste entre el procesamiento de documentos completos y el procesamiento de subdocumentos. Los motores de búsqueda tradicionales indexan páginas web enteras, puntuándolas y clasificándolas como unidades completas.

Las herramientas de IA que usan este modelo—como la búsqueda en la web de ChatGPT—obtienen los primeros 10 a 50 documentos y luego usan un gran modelo de lenguaje (LLM) para resumir los resultados. Este método, a veces llamado "4 búsquedas en Bing con gabardina", todavía depende de la búsqueda algorítmica en lugar de una recuperación verdadera con IA. Este enfoque se alinea con la GEO o Optimización de Motores Generativos, todavía dependiente de la puntuación de páginas completas. Sin embargo, la tendencia emergente en IA—denominada "procesamiento de subdocumentos"—indexa y recupera fragmentos específicos y altamente granulares en lugar de documentos completos. En términos de IA, un fragmento consiste en aproximadamente 5 a 7 tokens (2 a 4 palabras) convertidos en representaciones numéricas por la arquitectura transformadora que sustenta modelos como GPT. Cuando se realiza una consulta, el sistema extrae alrededor de 130, 000 tokens de los fragmentos más relevantes (unas 26, 000 fragmentos) en la ventana de contexto del modelo—la capacidad total de la mayoría de los LLM actuales—con el objetivo de saturar esta ventana con información pertinente. Saturar la ventana de contexto minimiza la tendencia del modelo a "alucinar" o inventar información, permitiendo que produzca respuestas más precisas. Este indexado de subdocumentos es hacia donde se dirige la industria, justificando el término AEO. Además, la personalización surge porque el LLM puede incorporar datos extensos sobre el usuario en la ventana de contexto completa—mucho más allá del perfil tradicional de un usuario de Google—generando resultados únicos y adaptados. Una empresa como Perplexity se diferencia al optimizar la cadena de procesamiento entre el índice y la recuperación de fragmentos mediante métodos como modulación de cálculo, reformulación de consultas y modelos propios, que en conjunto mejoran la relevancia de los fragmentos y la calidad de las respuestas. Aunque menos crítico para los SEOs, estos avances también explican por qué la API de búsqueda de Perplexity es notablemente avanzada para desarrolladores que integran búsqueda en otros productos. ### Resumen de enfoques de indexación Dwyer destacó el contraste entre: - **Indexación de documentos completos:** Clasificación y recuperación de páginas web completas, con la IA resumiendo el conjunto final. - **Indexación de subdocumentos:** Almacenamiento y recuperación de significado en fragmentos precisos y granulares, con la IA razonando directamente sobre estos fragmentos. Este último enfoque mejora la precisión de las respuestas al saturar completamente la ventana de contexto del modelo con datos relevantes, limitando la fabricación y produciendo respuestas más ricas. Para concluir, Jesse subrayó que “modular el cálculo, ” reformular las consultas y los modelos de indexación propios conforman su “salsa secreta” para una recuperación superior de fragmentos y calidad en la búsqueda con IA. **Imagen destacada** por Shutterstock/Summit Art Creations