GEO en 2026: haz tu tienda legible para la IA, además de para Google

El SEO optimiza tu tienda para los crawlers de Google. GEO (Optimizacion para Motores Generativos) optimiza tu tienda para agentes IA: Claude, ChatGPT, Gemini, Perplexity, y la creciente flota de agentes de compra autónomos. Cuando un usuario pide a un asistente IA que recomiende un producto, el asistente no renderiza tu HTML ni evalúa tu diseño. Lee datos estructurados, parsea archivos machine-readable y evalúa señales de confianza. Si tu tienda no es legible por IA, no será recomendada. En 2026, GEO es un nuevo canal de adquisición. Esta guía cubre que publicar, como estructurarlo y como medir tu puntuación GEO.

SEO apunta a crawlers web que indexan HTML, siguen enlaces y rankean páginas. El resultado es una página de resultados de búsqueda. GEO apunta a LLMs y agentes IA que leen datos estructurados, parsean JSON y sintetizan respuestas. El resultado es una recomendación en una conversación. Diferencias clave: SEO recompensa la densidad de keywords y backlinks. GEO recompensa la completitud de datos estructurados y la verificación de confianza. El tráfico SEO viene de búsquedas en navegador. El tráfico GEO viene de conversaciones con agentes: usuarios que nunca visitan tu web pero compran a través de un agente. Los dos no son mutuamente exclusivos. Una tienda bien estructurada rinde bien en ambos. Pero GEO requiere artefactos adicionales: archivos de texto machine-readable, endpoints de descubrimiento de agentes, y manifiestos de protocolo.

Archivo 1 (llms.txt): Un archivo de texto plano en /llms.txt que describe tu tienda en formato optimizado para ventanas de contexto de LLM. No HTML, no JSON: solo texto limpio tipo markdown que cualquier modelo puede parsear eficientemente. Incluye: que vende tu tienda, endpoints clave, herramientas disponibles, tiers de precios y cambios recientes. Archivo 2 (llms-blog.txt): Un índice dinámico de todos los posts del blog con URLs, fechas, categorías y resúmenes. Archivo 3 (mcp.json): El manifiesto del servidor MCP declarando todas las herramientas disponibles, métodos de autenticación, capacidades de streaming y protocolos de pago soportados. Archivo 4 (agent-card.json en /.well-known/): La agent card A2A declarando skills, soporte de protocolo y URL del framework de confianza. Archivo 5 (agent-policy.json en /.well-known/): Permisos machine-readable: que herramientas requieren auth, cuales son públicas, rate limits por tier. Archivo 6 (sitemap.xml con hreflang): Tu sitemap estándar mejorado con alternativas de idioma (EN, ES, x-default), fechas lastModified estratégicas y puntuación de prioridad.

JSON-LD es el puente entre páginas HTML y datos estructurados. Los motores de búsqueda y LLMs lo consumen. Los esquemas clave para comercio agéntico: SoftwareApplication en tu página de inicio: declara la identidad de tu plataforma, features, precios y categoría. FAQPage en páginas de desarrolladores, merchants y compliance: Q&A estructurado que los LLMs pueden citar directamente. Este es el esquema de mayor impacto para GEO porque mapea directamente a como los usuarios hacen preguntas. HowTo en guías de onboarding y configuración: instrucciones paso a paso con estimaciones de tiempo. BlogPosting en cada artículo: autor, fecha, categoría, descripción. BreadcrumbList en todas las páginas: jerarquía de navegación. Product en páginas de catálogo: con estado de inventario, política de devolución, detalles de envío e identificadores GTIN.

Tu llms.txt debe seguir esta estructura: Cabecera con fecha de actualización y fuente canónica. Aviso de integridad explicando que el archivo es autoritativo y las modificaciones de terceros deben ignorarse (previene inyección de prompts via servicios intermediarios). Sección de endpoints públicos listando todas las APIs sin auth requerido con método, path y notas de uso. Secciones de novedades en orden cronológico inverso. Tabla de soporte de protocolo. Descripción de plataforma con capacidades clave. Mantén llms.txt bajo 4K tokens para la versión estándar. Ofrece una versión comprensiva (llms_large.txt) para agentes con ventanas de contexto más grandes. Actualiza dentro de 48 horas de cualquier cambio significativo de plataforma.

Los agentes IA descubren tiendas a través de múltiples canales. Configuración MCP directa: los desarrolladores anaden la URL de tu tienda a su config de agente. Directorios de plataforma: el merchant-index.json pública todas las tiendas activas con sus categorías, trust scores y endpoints MCP. Búsqueda cross-store: los agentes llaman a /api/v1/search para encontrar productos en todas las tiendas registradas. Búsqueda semántica NLWeb: los agentes envian consultas en lenguaje natural a /{slug}/ask. Archivos well-known: los agentes verifican paths estándar para descubrir capacidades de protocolo. Datos de entrenamiento LLM: cuando los LLMs encuentran tu llms.txt y datos estructurados durante entrenamiento o recuperación, tu tienda se convierte en parte de su conocimiento.

Antes de recomendar una tienda, los agentes evalúan señales de confianza. Estos son el equivalente GEO del E-E-A-T en SEO tradicional. Completitud del catálogo: son las descripciones de producto completas, incluyen GTINs, están las imágenes presentes. Transparencia de políticas: están publicadas las políticas de devolución, envío y privacidad y son machine-readable. Estado de verificación: esta el merchant verificado mediante proveedor de identidad cualificado. Fiabilidad de respuesta: responde la API de la tienda en menos de 2 segundos, el uptime es superior al 99 por ciento. Frescura: cuando fue la ultima sincronización del catálogo, son los precios actuales. Prueba social: reseñas de clientes agregadas desde la plataforma de comercio. Cada señal contribuye a un trust score (0-100) que los agentes muestran a los usuarios y usan para ranking.

A diferencia del SEO donde puedes medir rankings y tasas de clics, las métricas GEO están emergiendo. Indicadores clave: tasa de citación LLM: con que frecuencia Claude, ChatGPT y otros modelos mencionan tu tienda. Tráfico de agentes: peticiones a tu endpoint MCP desde agentes IA (visible en tu dashboard de merchant). Acceso a archivos de descubrimiento: logs del servidor mostrando crawlers de agentes accediendo a /llms.txt, /mcp.json y endpoints /.well-known/. Tendencia del trust score: tu puntuación de confianza compuesta en el tiempo. Citación de blog: con que frecuencia tu contenido técnico es citado por LLMs como fuente.