Cómo las marcas manipulan los chatbots con 'sloptimización' y la respuesta de Google

El funcionamiento de RAG consiste en recuperar información relevante mediante un emparejamiento semántico y luego alimentar con ella a un modelo de lenguaje extenso (LLM) para generar la respuesta final . El proceso suele incluir múltiples puntos de control —reformulación de la consulta, reordenamiento, diseño del prompt y selección de referencias— que determinan juntos qué fuentes entran en la ventana de contexto del modelo . Una marca que publica cientos de páginas de comparación bien estructuradas y autorreferenciales aumenta las probabilidades de que su enfoque llegue a esa ventana para consultas de tipo comercial.

La investigación sobre la estructuración de contenidos para chatbots RAG trata explícitamente la organización del contenido como un factor relevante para que estos sistemas ofrezcan respuestas precisas y contextualmente adecuadas . Las listas numeradas, las tablas comparativas, los encabezados claros y los resúmenes concisos son más fáciles de segmentar y reutilizar para los sistemas de recuperación. Esto convierte a los listados altamente estructurados —especialmente aquellos que sitúan al editor en el número uno— en un vehículo natural para manipular las recomendaciones de la IA.

El juego de dos capas: SEO tradicional y optimización para RAG

Esto no sustituye al SEO, sino que se superpone a él.

Las empresas siempre han optimizado su contenido para los rankings de búsqueda. La propia documentación de actualización del núcleo de Google aconseja a los propietarios de sitios web que evalúen los cambios de tráfico una vez que la actualización se haya completado, comparando el rendimiento antes y después . Ese juego es bien conocido. La novedad es que el mismo contenido puede ser optimizado simultáneamente para los resultados de Google y para la recuperación por parte de chatbots RAG: dos superficies de descubrimiento con vulnerabilidades diferentes.

Google ha empezado a responder. Tras su actualización del núcleo de diciembre de 2025 —que se implementó entre el 11 de diciembre de 2025 y el 1 de enero de 2026—, varias marcas de SaaS y B2B experimentaron caídas de visibilidad orgánica del 30 % al 50 %, concentradas en subcarpetas de blogs, guías y tutoriales donde residían los listados autopromocionales . Se estima que entre el 40 % y el 60 % de los sitios web a nivel mundial experimentaron cambios de clasificación significativos durante esa actualización, siendo los sitios de afiliados los más afectados, con un 71 % de impacto negativo .

Search Engine Land informó que las mayores pérdidas se produjeron en las páginas autopromocionales del tipo "los mejores", donde el editor se situaba a sí mismo en la cima, lo que sugiere que Google podría estar aplicando señales de confianza más estrictas a las comparativas de productos con ranking . Por el contrario, las marcas de comercio electrónico y minoristas sin estrategias de listados autorreferenciales se posicionaron como algunas de las grandes ganadoras de la misma actualización .

Por qué los problemas de integridad van más allá del spam SEO

El spam del SEO tradicional es visible. Puedes ver las páginas de la competencia en los resultados de búsqueda, comparar sus afirmaciones y juzgar su fuente. La búsqueda impulsada por IA elimina gran parte de esa transparencia:

• Las respuestas de RAG son sintetizadas. El usuario ve una única respuesta, no el conjunto de recuperación, la lógica de reordenamiento o los documentos fuente. El que un chatbot muestre o no las referencias depende de la implementación específica .
• RAG no evalúa el motivo de la fuente. Los sistemas RAG dan prioridad a la coincidencia semántica, el diseño del prompt y la generación de respuestas, no a las evaluaciones sobre si una fuente tiene un conflicto de intereses comercial. Las investigaciones confirman que los sistemas RAG aún pueden ser engañados por la información que recuperan, sobre todo cuando las instrucciones contradicen directamente la comprensión preentrenada del modelo .
• La manipulación es más difícil de detectar. En una búsqueda tradicional, el usuario puede ojear varios resultados y navegar a sitios de la competencia. Con la búsqueda asistida por IA, el usuario solo ve la síntesis final del chatbot. Si las páginas de comparación 'sloptimizadas' dominan el conjunto de recuperación, la respuesta sintetizada puede parecer autorizada siendo fundamentalmente promocional.

La estructura de incentivos ya está cambiando. Las marcas que reconocen que las páginas de comparación estructuradas funcionan bien en la recuperación RAG tienen un claro incentivo para producir más, no necesariamente mejores. Y dado que el contenido generado por IA es una herramienta común para producir este tipo de páginas a escala, el bucle de retroalimentación se acelera.

Los consumidores se enfrentan a un creciente problema de confianza. Si un usuario no puede saber si la mejor recomendación de un chatbot refleja el mérito del producto o una exitosa optimización para la IA, la principal propuesta de valor de la investigación de productos asistida por IA —una síntesis rápida y fiable— queda socavada antes de haberse consolidado.