Glosario

El lenguaje del GEO

Las palabras que encontrará en nuestros informes y conversaciones, definidas con claridad: cómo eligen los motores de IA qué decir, y cómo lo medimos y lo movemos para las marcas de educación.

La fachada de cristal de un edificio universitario moderno

Cómo se relacionan las piezas

Las palabras de abajo trazan un recorrido: una pregunta se convierte en una respuesta que nombra sus fuentes, que Besaid muestrea para medir su visibilidad.

Promptse hace una preguntaRecuperaciónel motor obtiene fuentesrespuesta de la IAcompone una respuestaCitasy nombra sus fuentesθmedido sobre muchas muestras

cómo se forma una respuesta de la IAlo que mide Besaid

(θ)

Mediciónθ (Theta): La notación de Besaid para la visibilidad como probabilidad: la probabilidad estimada de que una respuesta de la IA a una pregunta dada mencione su marca. Escribirla como θ es un recordatorio de que se trata de una estimación extraída de muestras, siempre informada con el tamaño de muestra que la respalda.; Véase tambiénAI Visibility Sample Size Prompt Sampling

(A)

MétodoAEO: Answer Engine Optimization: dar forma al contenido para que los motores de respuestas (asistentes de IA que responden directamente en lugar de devolver enlaces) lo seleccionen y lo citen. A menudo se usa indistintamente con GEO; el AEO pone el acento en la superficie de la respuesta, y el GEO, en el modelo generativo que hay detrás.; Véase tambiénGEO Answer Engine Citations
RecuperaciónAI Overviews: El bloque de respuesta generado por IA de Google que aparece por encima de los resultados de búsqueda tradicionales y resume las fuentes en una respuesta directa. Ser citado dentro de un AI Overview es un objetivo de visibilidad distinto de posicionarse en los enlaces azules que aparecen debajo.; Véase tambiénAnswer Engine Citations Zero-Click
MediciónAI Visibility: El grado de presencia —y de favorabilidad— con que una marca aparece en las respuestas que dan los motores de IA generativa. A diferencia de un posicionamiento de búsqueda, es probabilística: la misma pregunta puede arrojar respuestas distintas, por eso se mide sobre muchas muestras, no en una sola consulta.; Véase tambiénθ (Theta)Share of Voice Sample Size
MétodoAI Visibility Diagnostic: El punto de partida gratuito de Besaid: un muestreo real en los principales motores de IA sobre su marca, devuelto el mismo día como un informe que puede presentar a la dirección: las respuestas reales de la IA, con qué frecuencia le recomiendan y dónde actuar primero.; Véase tambiénManaged GEO AI Visibility
RecuperaciónAnswer Engine: Un sistema de IA que responde a una pregunta con una respuesta sintetizada en lugar de una lista de enlaces: ChatGPT, Gemini, Perplexity, AI Overviews, DeepSeek. Es la unidad para la que optimiza el GEO.; Véase tambiénGEO AEO LLM

(B)

MediciónBenchmark: Una medición repetida y estandarizada de la visibilidad sobre un conjunto fijo de preguntas y competidores, empleada para seguir la evolución en el tiempo y situar a una marca frente a su categoría. Un benchmark solo tiene sentido si el conjunto de preguntas y el tamaño de muestra se mantienen estables entre mediciones.; Véase tambiénShare of Voice Sample Size Prompt Sampling

(C)

RecuperaciónChunking: Cómo un sistema de recuperación divide una página en pasajes más pequeños antes de indexarlos, para poder extraer el fragmento más relevante hacia una respuesta. Una estructura clara —encabezados, párrafos autónomos— hace que tu contenido se segmente de forma limpia, lo que facilita recuperar y citar la parte correcta.; Véase tambiénRetrieval RAG Grounding
ContenidoCitations: Las fuentes que un motor de respuestas enlaza o nombra como base de su respuesta. Las citas son la palanca más directa del GEO: aparecer como fuente citada genera tráfico de referencia y aumenta la probabilidad de que el motor repita su enfoque.; Véase tambiénGrounding Owned Media Zero-Click
ContenidoCrawler Access: Si el rastreador de una empresa de IA (GPTBot, ClaudeBot, Google-Extended, PerplexityBot y otros) tiene permiso para acceder a sus páginas —algo que suele regir el robots.txt. Si se bloquea el rastreador que alimenta el entrenamiento o la recuperación de un motor, el motor no puede fundamentar sus respuestas en su contenido.; Véase tambiénrobots.txt Grounding Freshness

(D)

RecuperaciónDeep Research: Un modo del motor que responde a una pregunta ejecutando muchas búsquedas durante varios minutos, leyendo decenas de fuentes y componiendo un informe extenso y con citas, en lugar de responder de una sola vez. Amplía enormemente el abanico de búsquedas, de modo que marcas muy alejadas de los primeros resultados aún pueden incorporarse si su contenido es claro y recuperable.; Véase tambiénFan-out Queries Retrieval Citations

(E)

RecuperaciónEmbedding: Una representación numérica de un fragmento de texto que lo sitúa en un espacio de altas dimensiones donde los significados similares quedan cerca unos de otros. Los sistemas de recuperación incrustan (embed) tanto la pregunta como su contenido y luego los emparejan por proximidad; por eso, redactar sus páginas del mismo modo en que los compradores reales formulan sus preguntas le ayuda a ser recuperado.; Véase tambiénRetrieval RAG Knowledge Graph
ContenidoEntity: Algo distintivo que un motor reconoce y sobre lo que razona: una marca, un producto, una persona o un lugar. Los motores de IA resuelven las palabras de una pregunta en entidades; ser una entidad bien definida y descrita de forma coherente hace que sea más fácil de recuperar y más difícil de confundir con otras.; Véase tambiénKnowledge Graph Schema Markup Hallucination
MétodoEvidence Chain: El principio de Besaid según el cual toda métrica se remonta a la materia prima que hay detrás: la respuesta textual de la IA, el prompt exacto, el motor y el modelo, la marca de tiempo. Es lo que separa una medición auditable de una puntuación de caja negra.; Véase tambiénPrompt Sampling Sample Size Mention

(F)

RecuperaciónFan-out Queries: El conjunto de subpreguntas que un motor genera de forma silenciosa a partir de un único prompt del usuario, para recuperar un contexto más amplio antes de responder. El fan-out importa porque su contenido puede incorporarse a través de una consulta reformulada que usted nunca ve.; Véase tambiénRetrieval Deep Research Grounding
RecuperaciónFreshness: El grado de actualidad del contenido en el que se apoya un motor cuando responde. Algunos motores recuperan páginas en vivo; otros te describen a partir de una instantánea de hace meses. La frescura explica por qué un cambio puede aparecer rápido en un motor y demorarse en otro, y por qué importa mantener actualizados los datos clave.; Véase tambiénGrounding Crawler Access Retrieval

(G)

MétodoGEO: Optimización para motores generativos: la disciplina de medir y mejorar cómo los motores de IA generativa representan una marca en sus respuestas. El equivalente al SEO en la era de la IA, pero optimizando para respuestas sintetizadas y citas en lugar de enlaces posicionados.; Véase tambiénAEO AI Visibility Answer Engine
RecuperaciónGrounding: Vincular la respuesta de una IA a fuentes externas concretas recuperadas en el momento de la consulta, en lugar de a un conocimiento memorizado no verificable. Las respuestas fundamentadas (grounded) citan de dónde proceden sus afirmaciones, y los motores fundamentados son donde el contenido fresco y bien estructurado puede ganar visibilidad más rápido.; Véase tambiénRAG Retrieval Citations

(H)

ModeloHallucination: Cuando una IA afirma con seguridad algo falso o sin respaldo —un dato erróneo sobre su marca, un producto inventado, un competidor al que se atribuye su trabajo. En el GEO, una alucinación es a la vez un riesgo que vigilar y, una vez detectada con pruebas, un problema corregible.; Véase tambiénGrounding Entity Evidence Chain

(K)

ContenidoKnowledge Graph: Una red estructurada de entidades y de las relaciones entre ellas de la que un motor se sirve para responder preguntas factuales. Unas descripciones de su marca coherentes y legibles por máquina mejoran cómo se la representa en estos grafos.; Véase tambiénEntity Schema Markup Grounding

(L)

ModeloLLM: Large Language Model (modelo de lenguaje grande): la red neuronal, entrenada con enormes cantidades de texto, que da a un motor generativo la capacidad de entender una pregunta y componer una respuesta. El modelo detrás de nombres como GPT, Gemini y DeepSeek.; Véase tambiénAnswer Engine Token Temperature
Contenidollms.txt: Un archivo de texto plano propuesto para la raíz de un sitio que indica a los grandes modelos de lenguaje qué es el sitio, qué importa en él y cómo describirlo: llms.txt es para los motores de IA lo que robots.txt para los rastreadores de búsqueda. Besaid publica el suyo como demostración.; Véase tambiénrobots.txt Crawler Access Grounding

(M)

MétodoManaged GEO: GEO entregado como servicio en lugar de como herramienta: el equipo de Besaid dirige todo el programa —midiendo cómo habla de ti la IA, haciendo el trabajo de optimización y demostrando el cambio con pruebas de antes y después—. Tú lees informes; nunca operas un panel.; Véase tambiénGEO AI Visibility Diagnostic
MediciónMention: Una aparición individual de su marca en la respuesta de una IA, esté o no enlazada como cita. Contar las menciones a lo largo de muchas muestras es la materia prima de las métricas de visibilidad y de cuota de voz.; Véase tambiénCitations Position Share of Voice

(O)

ContenidoOwned Media: Contenido en dominios que usted controla —su sitio, su centro de ayuda, su blog— frente a las páginas de terceros que hablan de usted. La cuota de territorio propio, la fracción de las citas de un motor que apuntan a sus propios dominios, es el campo de batalla más directo del GEO: es el contenido que puede cambiar mañana.; Véase tambiénCitations Share of Voice Schema Markup

(P)

MediciónPersona: La identidad de usuario desde la que se formula una pregunta al muestrear un motor; por ejemplo, un futuro estudiante de grado en su país frente a una madre o un padre investigando desde el extranjero. Como los motores adaptan las respuestas a quien parece estar preguntando, la persona forma parte del punto de observación y cambia la historia que cuenta una medición.; Véase tambiénVantage Prompt Sampling Sentiment
MediciónPosition: En qué lugar cae su marca dentro del orden de la respuesta de una IA —nombrada primera, enterrada en tercer lugar o listada al final. Como los lectores dan más peso a lo que aparece primero, la posición se sigue junto con si se le menciona siquiera.; Véase tambiénMention Share of Voice Sentiment
MediciónPrompt Sampling: Hacer a un motor la misma pregunta, o preguntas relacionadas, muchas veces, en distintos modelos y condiciones, para estimar una respuesta probabilística en lugar de fiarse de una única respuesta. Es el método que convierte una interfaz de chat en un instrumento de medición, y su rigor es tan bueno como el tamaño de muestra que declara.; Véase tambiénSample Size θ (Theta)Temperature

(R)

RecuperaciónRAG: Retrieval-Augmented Generation (generación aumentada por recuperación): una arquitectura en la que un motor primero recupera documentos relevantes y luego genera su respuesta a partir de ellos. RAG es la razón por la que publicar contenido claro y recuperable puede influir en las respuestas sin ningún cambio en el modelo subyacente.; Véase tambiénRetrieval Grounding Chunking
RecuperaciónRetrieval: El paso en el que un motor recupera documentos relevantes en el momento de la consulta, antes de redactar una respuesta, mediante búsqueda en vivo, un índice vectorial o ambos. La recuperación es el momento en que su contenido entra o no en la respuesta, lo que convierte el ser recuperable en el objetivo práctico de la mayor parte del trabajo de GEO.; Véase tambiénRAG Embedding Chunking
Contenidorobots.txt: El archivo de texto plano en la raíz de un sitio que indica a los rastreadores automáticos qué rutas pueden recuperar. En la era de la IA determina si los rastreadores de los motores pueden leerle siquiera: bloquee el bot equivocado y se elimina a sí mismo del grounding de ese motor, a menudo sin darse cuenta.; Véase tambiénCrawler Access llms.txt Grounding

(S)

MediciónSample Size: El número de muestras —prompts, motores, ejecuciones— que hay detrás de una métrica reportada, y el denominador que la hace fiable. Una cifra de visibilidad sin su tamaño de muestra es un número sin escala; Besaid adjunta uno a cada porcentaje.; Véase tambiénθ (Theta)Prompt Sampling Benchmark
ContenidoSchema Markup: Datos estructurados (a menudo Schema.org / JSON-LD) añadidos a una página que explican, en forma legible por máquina, de qué trata la página: una organización, un curso, una reseña. Ayudan a los motores a asociar su contenido con la entidad correcta y citarlo bien, y son una de las palancas más fiables de los medios propios.; Véase tambiénEntity Knowledge Graph Owned Media
MediciónSentiment: El tono que adopta un motor hacia su marca cuando la menciona: positivo, neutral, cauto, negativo. Como una respuesta puede nombrarle y aun así presentarle de forma desfavorable, el sentimiento se mide por separado de si usted aparece.; Véase tambiénMention Position Hallucination
MediciónShare of Voice: La proporción de respuestas relevantes de la IA en las que aparece su marca, medida frente a los competidores del mismo conjunto: su parte de la conversación total. Replantea la visibilidad como una posición competitiva, no como un recuento absoluto.; Véase tambiénMention Benchmark AI Visibility
ModeloSystem Prompt: Las instrucciones ocultas que el operador de un motor da al modelo antes de que su pregunta llegue a él: definen su persona, sus salvaguardas y su estilo por defecto. No se pueden ver, pero moldean cada respuesta, lo que explica en parte por qué un mismo modelo puede comportarse de forma distinta dentro de productos diferentes.; Véase tambiénLLM Prompt Sampling Temperature

(T)

ModeloTemperature: Un ajuste que controla cuán aleatoria es la salida de un motor: una temperatura baja hace las respuestas más repetibles; una alta, más variadas. Es una de las razones por las que una misma pregunta genera respuestas distintas, y una de las razones por las que la visibilidad debe estimarse sobre muestras en lugar de leerse de una sola ejecución.; Véase tambiénPrompt Sampling Sample Size LLM
ModeloToken: La unidad de texto que un modelo de lenguaje lee y escribe: aproximadamente un fragmento de palabra. Los modelos procesan y tarifan por token, y su contexto está limitado en tokens, razón por la que un contenido conciso y bien estructurado le resulta más fácil de asimilar y reutilizar a un motor.; Véase tambiénLLM Chunking Embedding

(V)

MediciónVantage: La perspectiva desde la que se formula una pregunta: el idioma, la ubicación y la persona simulados o realmente usados al muestrear un motor. Las respuestas cambian según el punto de observación, así que una vista del mercado local y un nodo real en el extranjero pueden contar historias muy distintas sobre la misma marca.; Véase tambiénPersona Prompt Sampling Sentiment

(Z)

MediciónZero-Click: Cuando una IA responde una pregunta de forma tan completa que el usuario nunca llega a hacer clic hacia una fuente. El «cero clic» es la razón por la que ser mencionado y descrito con precisión dentro de la respuesta importa ahora tanto como —a veces más que— conseguir el clic, ya que el clic quizá nunca llegue.; Véase tambiénCitations AI Visibility Answer Engine

Vea lo que la IA les dice a sus futuros estudiantes.

Obtén un diagnóstico gratuito