Optimización para Motores de Respuesta (AEO)
Haz que ChatGPT, Perplexity, Claude, Gemini y Mistral citen tu contenido como fuente autorizada.
AEO es la práctica de optimizar contenido para la citación en respuestas generadas por LLM — diferente del SEO, que optimiza para rankings de búsqueda. Esta habilidad audita, optimiza y rastrea el rendimiento de AEO.
Diferencias con SEO
| SEO | AEO | |
|---|---|---|
| Optimiza para | Rankings de clics | Ser citado como fuente autorizada |
| Audiencia | Humanos navegando resultados de búsqueda | LLM respondiendo preguntas |
| Métrica de éxito | Posición 1-10, tráfico orgánico | Conteo de citas entre LLM |
| Señales clave | Backlinks, palabras clave, velocidad de página | E-E-A-T, datos estructurados, densidad factual |
| Cadencia de actualización | Semanas a meses | Días a semanas (ciclos de entrenamiento de LLM) |
Ambos pueden coexistir — el mismo contenido puede ser #1 en Google y ser citado por Perplexity. Pero las técnicas difieren: el SEO recompensa densidad de palabras clave + backlinks; el AEO recompensa señales de fuente primaria + hechos estructurados.
Cuándo Usarlo
- Planificar una nueva pieza de contenido para una audiencia centrada en IA
- Auditar contenido existente para detectar brechas E-E-A-T antes del lanzamiento de AI Overview
- Rastrear qué páginas son citadas por qué LLM (registro de citas)
- Investigar qué consultas hacen que los LLM citen fuentes (vs. las que responden desde su entrenamiento)
- Comparar tasas de citación con competidores
- Construir una estrategia AEO a largo plazo alineada con el SEO tradicional
Cuándo NO Usarlo
- SEO puro de clics sin intención de citación LLM — usar
marketing-skill/skills/seo-auditen su lugar - Contenido de voz de marca sin afirmaciones factuales — las citas requieren hechos que citar
- Contenido para un tema donde los LLM ya tienen fuerte señal de entrenamiento (ej. matemáticas elementales) — el beneficio de citación es mínimo
- Contenido sensible al tiempo (noticias de última hora) — el rezago de entrenamiento LLM significa que las citas llegan meses después
Capacidades Principales
1. Auditoría de contenido + puntuación E-E-A-T
El auditor (aeo_audit.py) puntúa el contenido en 4 dimensiones:
- Experiencia: Evidencia de primera persona, ejemplos fechados, casos de estudio, afirmaciones "Realizamos X en 2026"
- Expertise: Biografía del autor, credenciales, citas a fuentes revisadas por pares, profundidad técnica
- Autoridad: Backlinks externos de dominios autoritativos, marcado schema.org, datos estructurados
- Confiabilidad: HTTPS, información de contacto, correcciones transparentes, densidad factual (número de afirmaciones verificables por cada 1000 palabras)
Puntuación compuesta 0-100 con desglose por dimensión. Salida: informe Markdown con recomendaciones de corrección específicas.
2. Optimización de contenido
El optimizador (aeo_optimizer.py) genera variantes mejoradas para AEO:
- Reescritura de estructura — Jerarquía H2/H3 optimizada para análisis LLM
- Aumento de densidad de citas — Añade referencias estilo
[1]con fuentes - Inyección de esquemas — Genera JSON-LD para esquemas FAQ, HowTo, Article
- Inicio con hechos — Mueve afirmaciones verificables a las primeras 200 palabras
Tres modos: conservative (toca <10% de las palabras), balanced (toca <30%), aggressive (reescribe para máximo AEO).
3. Rastreo de citas
El rastreador (citation_tracker.py) mantiene un registro local de citas:
- Entrada manual: pegar una cita encontrada en salida de ChatGPT/Perplexity/Claude/Gemini
- Rastrear qué URL, qué LLM, qué consulta, qué fecha
- Calcular conteo de citas por página, velocidad de citas, cobertura de LLM
- Exportar a CSV para reportes
Almacena en ~/.aeo-data/citations.json (local, sin telemetría).
Flujo de Trabajo
1. Auditar contenido existente
$ python3 scripts/aeo_audit.py --url https://ejemplo.com/blog/post
→ informe Markdown con puntuación compuesta + desglose de 4 dimensiones
2. Aplicar recomendaciones de optimización
$ python3 scripts/aeo_optimizer.py --input post.md --mode balanced --output post-aeo.md
→ variante optimizada con citas + esquemas + correcciones estructurales
3. Publicar + monitorear
$ python3 scripts/citation_tracker.py --action add --url https://ejemplo.com/blog/post \
--llm perplexity --query "qué es AEO" --date 2026-05-17
→ añade entrada al registro local citations.json
4. Reportar
$ python3 scripts/citation_tracker.py --action report --url https://ejemplo.com/blog/post
→ estadísticas de citas por página: conteo, LLMs, consultas, velocidad
Configuración
La habilidad es consciente de la industria mediante el indicador --industry por ejecución. Soportadas: saas, healthcare, finance, legal, ecommerce, b2b, media, education.
La industria afecta:
- Requisitos de señal de autoridad — healthcare/finance necesitan citas de fuente más estrictas
- Rigor de verificación de hechos — legal/healthcare marcan afirmaciones no verificables como críticas
- Estilo de citación — convenciones académicas vs. de revista comercial vs. de blog
Ejemplo:
python3 scripts/aeo_audit.py --url <url> --industry healthcare
# → umbrales E-E-A-T más estrictos; marca cualquier afirmación de salud sin cita primaria
Formato de Salida
Informe Markdown de auditoría (predeterminado)
# Informe de Auditoría AEO — [Título de la Página]
**URL:** https://ejemplo.com/blog/post
**Fecha:** 2026-05-17
**Industria:** saas
**Puntuación Compuesta:** 72/100 (B+)
## Desglose por Dimensión
| Dimensión | Puntuación | Verdicto |
|---|---|---|
| Experiencia | 80/100 | Fuerte — caso de estudio en primera persona presente |
| Expertise | 65/100 | Falta biografía del autor con credenciales |
| Autoridad | 75/100 | 4 backlinks de dominios autoritativos |
| Confiabilidad | 68/100 | No hay enlace a política de correcciones |
## Top 3 Correcciones
1. Añadir biografía del autor con credenciales (Expertise +15)
2. Enlazar a política de correcciones desde el pie de página (Confiabilidad +12)
3. Inyectar esquema FAQ para las 5 preguntas implícitas en los H2 (Autoridad +8)
## Todas las Recomendaciones
[...]
## Registro de Auditoría
[3 conteos de pasos de análisis, fuentes citadas, tiempo tomado]
JSON para flujos de trabajo
python3 scripts/aeo_audit.py --url <url> --output json
Devuelve datos estructurados completos para integración con flujos de trabajo de gestión de contenido.
Umbrales E-E-A-T Específicos por Industria
| Industria | Compuesto Mínimo | Señales Críticas |
|---|---|---|
| Healthcare | 85 | Firma de revisor médico, citas revisadas por pares, divulgación FDA |
| Finance | 85 | Credenciales CFA/CPA del autor, descargo "no es asesoramiento de inversión", ejemplos fechados |
| Legal | 85 | Jurisdicción divulgada, biografía del abogado, descargo "no es asesoramiento legal" |
| SaaS | 70 | Firma del gerente de producto, caso de estudio con métricas, calculadora ROI |
| E-commerce | 65 | Reseñas de productos agregadas, política de devolución, schema.org Product |
| B2B | 70 | Citas de analistas de la industria, logotipos de clientes, datos ROI |
| Media | 70 | Política editorial, enlace de verificación de hechos, reportaje original |
| Education | 75 | Biografía del instructor, resultados de aprendizaje, acreditación si aplica |
Antipatrones Rechazados
- Relleno de palabras clave para IA — Los LLM ya extraen el tema de la semántica; la densidad de palabras clave no aumenta la probabilidad de citación
- Contenido puramente generado por IA sin revisión humana — El resultado genérico de LLM es despriorizado por algoritmos de recuperación RAG que buscan señal distintiva
- Granjas de citas / redes de enlaces — El RAG moderno de LLM penaliza redes de enlaces de baja autoridad
- Spam de esquemas — Las afirmaciones falsas o no verificables de schema.org son filtradas; solo marque afirmaciones reales y verificables
- Optimizar para un LLM a expensas de otros — Las distribuciones de citas están altamente correlacionadas entre los principales LLM porque comparten fuentes de datos de entrenamiento; optimice para las señales compartidas (E-E-A-T), no para trucos por LLM
- Ignorar el SEO por completo — Las citas AEO a menudo se originan en fuentes que ya tienen buen ranking orgánico; AEO y SEO son complementos, no sustitutos
Dependencias
- Solo stdlib para los 3 scripts — no requiere
pip install - Opcional:
requests+beautifulsoup4si se usa el modo--url(de lo contrario, pasar Markdown mediante--inputpara auditorías basadas en archivos) - Opcional: cualquier clave de API LLM para el modo
query_research(actualmente solo esqueleto — la investigación de consultas completamente impulsada por LLM está en la hoja de ruta)
Almacenamiento
Todos los datos son locales primero:
~/.aeo-data/citations.json— registro de citas~/.aeo-data/patterns.json— biblioteca de patrones de éxito~/.aeo-data/audits/<hash>.md— informes de auditoría guardados
Sin telemetría. Sin sincronización en la nube. Exportar a CSV en cualquier momento mediante citation_tracker.py --action export.
Frases de Activación
- "AEO audit", "AEO check"
- "optimize for ChatGPT / Perplexity / Claude / Gemini"
- "get cited by [LLM]"
- "LLM citation strategy"
- "answer engine optimization"
- "content for AI search"
- "E-E-A-T audit"
- "track AI citations"
- "schema for AI"
Habilidades Relacionadas
marketing-skill/skills/seo-audit— SEO tradicional de clicsmarketing-skill/skills/programmatic-seo— SEO basado en plantillas a escalamarketing-skill/skills/content-strategy— planificación de contenido más ampliamarketing-skill/skills/copywriting— voz y tonomarketing-skill/skills/schema-markup— implementación de datos estructurados
Versión: 2.7.3
Fuente: Portado de alirezarezvani/aeo-box (answer-engine-optimization/ skill, 2,464 LOC en 9 módulos). Este port destila el toolkit Python de 9 módulos en 3 herramientas CLI de stdlib según la convención claude-skills; preserva la metodología de puntuación E-E-A-T, el esquema de rastreo de citas y los umbrales específicos por industria textualmente.
Licencia: MIT (coincide con upstream + este repositorio).