{"content_id":"iwjyzvg4t2","slug":"geo-eeat-scoring-system-design","locale":"es","schema_type":"TechArticle","category":"ai_data","category_name":"Datos de IA","title":"Cómo puntuar E-E-A-T de forma reproducible en herramientas de análisis GEO","summary":"E-E-A-T no es una puntuación oficial proporcionada por Google ni una fórmula pública de citación de la IA generativa. En las herramientas de análisis GEO, no se debe permitir que el LLM determine arbitrariamente la puntuación; deben extraerse señales verificables de una misma instantánea web y calcularse la puntuación y el nivel de confianza mediante código con reglas y versiones fijas.","sponsorship_disclosure":null,"affiliate_disclosure":null,"commerce_disclosure":null,"author":{"name":"Equipo editorial de Injoys","url":"https://injoys.com/ko/about"},"key_points":["Para obtener el mismo resultado con la misma entrada, deben fijarse conjuntamente las versiones de la instantánea de la página web, las reglas de evaluación, las ponderaciones y las fuentes de datos.","Experiencia, Conocimiento, Autoridad y Fiabilidad deben evaluarse mediante pruebas diferentes y, en particular, deben separarse las afirmaciones propias de la verificación externa.","El LLM no es adecuado como calculador de la puntuación final, sino para desempeñar la función limitada de explicar las pruebas extraídas y los resultados calculados por el código.","La puntuación E-E-A-T y la puntuación de probabilidad de citación por IA están relacionadas, pero no son idénticas, por lo que deben calcularse en módulos separados.","No debe publicarse únicamente la puntuación, sino también las URL que la sustentan, las frases extraídas, las reglas de decisión, el estado de los datos faltantes y el nivel de confianza de la evaluación."],"content_markdown":"GEO (Generative Engine Optimization) es un concepto práctico destinado a mejorar y analizar la probabilidad de que el contenido sea descubierto y utilizado como fundamento de las respuestas en entornos de IA generativa como ChatGPT y Gemini. Sin embargo, los servicios de IA generativa no han revelado una fórmula completa para seleccionar fuentes, y tampoco existe una puntuación estándar única de GEO aceptada de forma general.\n\nEl E-E-A-T de Google significa Experience, Expertise, Authoritativeness y Trustworthiness, pero no es una cifra oficial que Google publique para cada página web. Por lo tanto, debe aclararse que una «puntuación E-E-A-T de 78» mostrada por una herramienta de análisis no es una valoración de Google, sino una métrica de observación definida por dicha herramienta.\n\n## Por qué no se debe dejar la puntuación directamente en manos de un LLM\n\nIntroducir una página web completa en un LLM y pedirle que valore la experiencia, la especialización, la autoridad y la confiabilidad con 100 puntos cada una permite crear rápidamente un prototipo. Sin embargo, como sistema de medición operativo presenta los siguientes problemas.\n\n- La puntuación puede cambiar entre ejecuciones incluso con el mismo contenido y prompt.\n- Si cambia el modelo o el proveedor, resulta difícil compararla con las puntuaciones anteriores.\n- Pueden producirse alucinaciones que infieran experiencia profesional, credenciales o reputación inexistentes en la página.\n- Es difícil auditar las frases y reglas que influyeron en la puntuación.\n- Sin verificación externa, puede aceptar como cierta la presentación que el propio sitio hace de sí mismo.\n- Si un documento largo se trunca o cambia el orden de extracción, también pueden variar los resultados de la evaluación.\n\nLa estructura recomendada es la siguiente.\n\n```text\nSitio web\n  → Recopilación de una instantánea de un único momento\n  → Extracción de cuerpo, metadatos, entidades y afirmaciones\n  → Verificación cruzada con fuentes externas\n  → Cálculo de puntuaciones mediante reglas con versión fija\n  → Almacenamiento de puntuaciones, evidencias y confianza\n  → El LLM explica los resultados en lenguaje natural\n```\n\nEsto no significa que no deba utilizarse ningún LLM. Puede aprovecharse para clasificar frases, extraer posibles afirmaciones y buscar variantes de nombres, pero los resultados deben vincularse con la evidencia del texto original y almacenarse en caché. Encargar al código el cálculo aritmético final y las reglas de límites máximos y penalizaciones mejora la reproducibilidad y la auditabilidad.\n\n## Objetivo y alcance de la evaluación que deben definirse primero\n\nAntes de calcular una puntuación, debe fijarse qué se evalúa. Las señales del sitio completo, la organización, el autor y cada documento no son intercambiables.\n\n| Unidad de evaluación | Pregunta principal | Evidencia representativa |\n|---|---|---|\n| Documento | ¿Son confiables las afirmaciones y el proceso de elaboración de este artículo? | Cuerpo, citas, fecha de autoría, fecha de modificación, datos experimentales |\n| Autor | ¿Puede confirmarse que posee experiencia o especialización para tratar este tema? | Página del autor, credenciales, trayectoria, historial de investigación y publicaciones |\n| Organización | ¿Puede identificarse la entidad editora y existe una estructura de responsabilidad? | Información de la empresa, contacto, política editorial, datos de Organization |\n| Dominio | ¿Está reconocido externamente como fuente sobre ese tema? | Citas de instituciones independientes, backlinks pertinentes, materiales periodísticos y académicos |\n| Superficie técnica | ¿Pueden los crawlers leer el contenido y la información de las fuentes? | Códigos de estado, políticas de robots, canonical, HTML, datos estructurados |\n\nTambién debe clasificarse el tema. Los ámbitos en los que la información errónea puede causar graves daños, como medicina, finanzas y derecho, requieren pruebas de especialización y confiabilidad distintas de las reseñas sobre aficiones personales. Aplicar una única ponderación fija a todos los ámbitos debilita el significado de la puntuación.\n\n## Cómo recopilar una misma instantánea web\n\nLos analizadores deben compartir una instantánea guardada una sola vez. Si el cuerpo se solicita de nuevo a las 10:00, JSON-LD a las 10:05 y la página del autor a las 10:10, pueden mezclarse estados modificados.\n\nSiempre que sea posible, deben guardarse los siguientes elementos en la instantánea.\n\n- URL final, ruta de redirección, código de estado HTTP y encabezados de respuesta\n- HTML original y, cuando sea necesario, HTML renderizado\n- Cuerpo extraído, título, descripción, canonical e información de idioma\n- Autor, fecha de publicación, fecha de modificación y organización editora\n- Enlaces internos y externos y textos de anclaje\n- Datos estructurados como JSON-LD y Microdata\n- Directivas de robots y URL relacionadas identificadas en el sitemap\n- Momento de recopilación, versión del crawler y hash del contenido\n\nAl explorar varias páginas, no debe dependerse únicamente de la página de inicio. Mediante sitemap.xml y enlaces internos, se exploran con una profundidad limitada candidatos como About, Company, Team, Author, Profile, Editorial Policy, Contact, Privacy y Terms. No deben recopilarse de manera forzada páginas con información personal o restricciones de uso, y también deben revisarse las políticas de robots, los términos del servicio y la legislación aplicable.\n\n## Separación de evidencias onsite y offsite\n\nLos datos onsite son información publicada directamente por el sitio correspondiente. Entre ellos se incluyen la presentación del autor, la descripción del producto, los casos de clientes, la política editorial, los datos de contacto y los datos estructurados de Person y Organization.\n\nLos datos offsite muestran cómo fuentes externas independientes confirman al autor o a la organización. Entre ellos se incluyen materiales de organismos gubernamentales y públicos, instituciones académicas, asociaciones profesionales, medios confiables, fuentes del sector, perfiles externos, backlinks pertinentes y citas.\n\nAmbos tipos de evidencia deben distinguirse en la puntuación.\n\n- Las expresiones autopromocionales como «el mejor del sector» no constituyen evidencia independiente de Authority.\n- Incluso un artículo externo tiene poca independencia si se limita a reproducir un comunicado de prensa.\n- Si el mismo artículo está duplicado en distintas URL, no deben contabilizarse las fuentes más de una vez.\n- Deben comprobarse las entidades para evitar vincular logros de otras personas u organizaciones con el mismo nombre.\n- Los enlaces sameAs son indicios para conectar posibles entidades, no una garantía automática de la veracidad de esa trayectoria.\n\n## Experience: convertir la experiencia directa en evidencia\n\nExperience evalúa la experiencia directa de un autor al utilizar un producto, visitar un lugar, ejecutar un procedimiento o realizar un experimento. Es independiente de Expertise. Un comprador que haya utilizado un portátil durante mucho tiempo puede tener una amplia experiencia real de uso, pero no ser especialista en ingeniería de baterías.\n\n### Señales que deben detectarse\n\n- Expresiones que indiquen uso, compra, visita, instalación, operación o comparación directos\n- Duración del uso, número de pruebas, tamaño de la muestra, entorno y equipos\n- Pasos ejecutados, procesos fallidos, restricciones y excepciones\n- Imágenes tomadas directamente, registros, datos originales y procedimientos de reproducción\n- Resultados anteriores y posteriores a la medición y método de medición\n\nOtorgar una puntuación alta solo por una frase como «lo probé personalmente» facilita la manipulación. Las cifras concretas tampoco demuestran por sí solas que algo sea cierto. Deben tratarse como evidencia más sólida cuando el método de medición, el periodo, los datos originales y el contexto sean coherentes entre sí.\n\nLa puntuación de experiencia puede organizarse por niveles de la siguiente manera.\n\n| Nivel | Ejemplo | Principio de tratamiento |\n|---|---|---|\n| Débil | Solo existe una declaración de haberlo utilizado | Puntuación base baja |\n| Medio | El periodo, el entorno y el procedimiento son concretos | Añadir puntuación por especificidad |\n| Fuerte | Se proporcionan datos originales, fotografías, registros y criterios comparativos | Añadir puntuación por verificabilidad |\n| Verificado | Coincide con materiales independientes o pruebas de reproducción | Aplicar ponderación de verificación cruzada |\n\n## Expertise: evaluación de una especialización verificable\n\nExpertise examina si se poseen los conocimientos y las capacidades necesarios para tratar correctamente el tema correspondiente. No basta con indicar «especialista» junto al nombre.\n\nLos posibles elementos de análisis son los siguientes.\n\n- Cargo pertinente, afiliación, campo de trabajo y duración de la trayectoria profesional\n- Titulación, credenciales oficiales, licencias y organismos emisores\n- Investigaciones, artículos, libros, clases y proyectos pertinentes\n- Experiencia laboral real relacionada con el tema\n- Exactitud, alcance, límites y fuentes de las explicaciones especializadas\n- Revisor experto y fecha de revisión\n\nSi el valor del autor es un nombre de función como `admin`, `administrator`, `관리자`, `운영자`, `운영팀` o `editor`, no debe confirmarse como una persona real. Aunque existan datos estructurados de Person, debe comprobarse que coincidan con la información del autor mostrada en pantalla.\n\nLa especialización debe reflejar la adecuación temática. Una licencia de abogado puede ser una señal sólida para contenido jurídico, pero no demuestra automáticamente especialización en todos los temas médicos o técnicos. En los ámbitos donde sea necesario verificar las credenciales, el nivel de verificación aumenta cuando pueden vincularse con el organismo emisor o con datos oficiales de consulta.\n\n## Authoritativeness: reconocimiento externo y coincidencia de entidades\n\nAuthoritativeness evalúa en qué medida una persona, organización o sitio recibe reconocimiento externo dentro de un tema concreto. Más que el simple volumen de menciones, importan la calidad de las fuentes, la pertinencia temática, la independencia y la diversidad.\n\nUn analizador de autoridad puede seguir el siguiente procedimiento.\n\n1. Crear entidades canónicas para el nombre de la organización, el nombre del autor, el dominio y la marca.\n2. Vincular alias confirmados, como nombres anteriores, nombres en inglés y abreviaturas.\n3. Determinar si se trata de la misma entidad en documentos externos.\n4. Evaluar la independencia, calidad, pertinencia temática y actualidad de la fuente.\n5. Agrupar las republicaciones de comunicados de prensa y las copias de un mismo documento.\n6. Distinguir si una cita o mención supone un reconocimiento positivo, una simple enumeración o una crítica.\n\nSi al analizar la web en coreano solo se utilizan Wikipedia, Wikidata, Reddit y medios anglófonos, puede subestimarse la autoridad de instituciones y empresas nacionales. Según el mercado evaluado, el registro de fuentes debe incluir organismos gubernamentales y públicos, datos públicos, bases de datos académicas, asociaciones profesionales, medios importantes y publicaciones especializadas del sector. Por el contrario, tampoco debe afirmarse una autoridad mundial basándose únicamente en la visibilidad de un portal de un país concreto.\n\nConviene registrar en el registro de fuentes la jurisdicción, la entidad editora, el alcance temático, la independencia, si se trata de la fuente original, el ciclo de actualización y las condiciones de acceso. Aunque se añadan fuentes de distintos países, las reglas de puntuación y los criterios de selección deben hacerse públicos.\n\n## Trustworthiness: el eje de seguridad más amplio e importante\n\nTrustworthiness sustenta los otros tres factores. Aunque exista experiencia directa y se posean credenciales, si se confirman afirmaciones falsas, ocultación de conflictos de interés o manipulación de fuentes, puede aplicarse un límite máximo a la evaluación total.\n\nEl módulo de confiabilidad debe comprobar los siguientes elementos.\n\n### Entidad editora y responsabilidad\n\n- Si la organización operadora y el autor se muestran claramente\n- Si los métodos de contacto y la información de atención al cliente existen en páginas reales\n- Si pueden consultarse las políticas de edición, revisión y corrección\n- Si se distinguen la publicidad, los patrocinios, las afiliaciones y los conflictos de interés\n\n### Afirmaciones y evidencias\n\n- Si los hechos principales están vinculados a fuentes originales o evidencias adecuadas\n- Si las citas y estadísticas respetan el sentido del texto original\n- Si las fechas de publicación y modificación coinciden con los cambios reales del contenido\n- Si se distinguen claramente los hechos, las opiniones y las afirmaciones publicitarias\n- Si se indican la incertidumbre, el ámbito de aplicación, las excepciones y los límites\n\n### Transacciones y seguridad\n\n- Si la política de privacidad y las condiciones de uso se ofrecen de forma adecuada a la naturaleza del servicio\n- Si las condiciones de pago, reembolso y envío están claras en los sitios que las necesitan\n- Si no existen riesgos técnicos como la ausencia de HTTPS, redirecciones maliciosas o certificados rotos\n- Si en la información médica, financiera o jurídica no se utilizan afirmaciones categóricas peligrosas ni expresiones de garantía\n\nLa mera existencia de HTTPS o de una política de privacidad no hace que el contenido sea exacto. Son señales básicas de seguridad; la confiabilidad de las afirmaciones debe verificarse por separado.\n\n## Datos estructurados y verificación de entidades\n\nLos datos estructurados de Person y Organization proporcionan nombres, afiliaciones, cargos, URL oficiales y relaciones con perfiles externos de una forma comprensible para las máquinas. Los campos author, publisher, datePublished y dateModified de Article también son útiles para representar la estructura de procedencia de un documento.\n\nSin embargo, el marcado Schema debe evaluarse según los siguientes principios.\n\n- Comprobar si los datos estructurados coinciden con el contenido visible en pantalla.\n- No confirmar como ciertas credenciales, premios o reputación por el mero hecho de que existan.\n- Comprobar la coherencia de los identificadores y relaciones entre Person, Organization y Article.\n- Verificar que el destino de sameAs sea realmente un perfil oficial.\n- Distinguir los errores de sintaxis de la ausencia de propiedades obligatorias o recomendadas.\n- No considerar como factor positivo el uso excesivo o irrelevante de tipos de Schema.\n\nLos datos estructurados son una capa de representación que facilita la comprensión y la extracción. No garantizan una posición alta en las búsquedas ni que la IA generativa los cite.\n\n## Diseño de una fórmula de puntuación reproducible\n\nSi cada señal se trata únicamente como «presente o ausente», se pierden las diferencias de calidad. Separar los valores de la siguiente manera facilita el seguimiento de la evidencia.\n\n- `presence`: existencia de la señal o grado de cumplimiento\n- `verification`: grado de verificación independiente\n- `relevance`: relación con el tema evaluado\n- `source_quality`: calidad e independencia de la fuente de evidencia\n- `freshness`: vigencia de las señales que requieren actualidad\n- `weight`: importancia de la señal gestionada mediante versiones\n\nUna fórmula de ejemplo es la siguiente.\n\n```text\nContribución de la señal = weight × presence × verification × relevance × source_quality × freshness\nPuntuación de la dimensión = 100 × suma de contribuciones ÷ suma de weight aplicables\n```\n\nEsta fórmula es un ejemplo de diseño, no una fórmula oficial de E-E-A-T. Cada coeficiente puede normalizarse entre 0 y 1. Solo se excluyen como `N/A` los elementos que no sean aplicables desde un punto de vista lógico, mientras que la falta de evidencia necesaria debe guardarse como `missing`, diferenciándola de una puntuación de 0.\n\n### Mostrar la confianza por separado de la puntuación\n\nIncluso un resultado de 78 puntos es difícil de creer si no se pudo recopilar la mitad de las páginas esenciales. Por tanto, la confianza de la evaluación o la cobertura de la evidencia debe calcularse por separado.\n\n```text\nConfianza de la evaluación = cobertura de recopilación × coincidencia de entidades × proporción de evidencia verificable\n```\n\nLa pantalla de resultados debe mostrar, como mínimo, los siguientes elementos.\n\n- Puntuación por dimensión y puntuación total\n- Confianza de la evaluación\n- Estados confirmado, no confirmado, inconsistente y no aplicable\n- URL de la evidencia y fragmentos del texto original\n- Momento de recopilación y hash de la instantánea\n- Versiones de las reglas, las ponderaciones y el registro de fuentes\n\n## Separar la puntuación total de GEO y E-E-A-T\n\nUn E-E-A-T alto no implica necesariamente que el contenido vaya a citarse en una respuesta de IA. Los sistemas de respuesta también pueden considerar la adecuación a la pregunta, la facilidad de extracción de la información, la actualidad, la posibilidad de crawling y el formato del documento, y el método concreto de selección difiere entre servicios.\n\nEs preferible que una herramienta de GEO separe los siguientes módulos.\n\n| Módulo | Objeto de análisis |\n|---|---|\n| E-E-A-T del contenido | Experiencia, especialización, autoridad externa y confiabilidad |\n| Preparación para citas de IA | Frases comprensibles de forma independiente, adecuación a la pregunta, conexión con evidencias y posibilidad de resumen |\n| Autoridad de marca | Reconocimiento independiente de instituciones externas y coincidencia de entidades |\n| Accesibilidad técnica | Crawling, códigos de estado, canonical, renderizado y acceso al cuerpo |\n| Calidad de Schema | Sintaxis, coincidencia con el contenido visible y relaciones entre entidades |\n\nPor ejemplo, puede configurarse con un 30% de preparación para citas de IA, un 20% de autoridad de marca, un 20% de E-E-A-T del contenido, un 20% de accesibilidad técnica y un 10% de Schema. Estas proporciones son únicamente un ejemplo de política de producto. Las ponderaciones reales deben ajustarse con datos de validación específicos para cada tema y mostrar su versión.\n\nEn la preparación para citas de IA no deben preferirse incondicionalmente las frases cortas. Debe evaluarse si la afirmación principal se entiende de forma independiente, si las evidencias y condiciones se encuentran cerca, y si la estructura de tablas, listas y títulos conserva el significado. Los textos ocultos destinados a engañar a motores de búsqueda o a la IA, las frases repetitivas y las páginas masivas sin fundamento deben tratarse como penalizaciones o señales de riesgo.\n\n## Estructura para impedir la propagación de errores entre módulos\n\nSi cada analizador recibe directamente las conclusiones de otro analizador, los errores iniciales pueden amplificarse. Lo que debe compartirse no son tanto las conclusiones como la instantánea original y la evidencia normalizada.\n\n```text\nSnapshot Store\n ├─ Content / Claim Analyzer\n ├─ Author / Expertise Analyzer\n ├─ Entity / Authority Analyzer\n ├─ Trust Analyzer\n ├─ Technical Analyzer\n └─ Schema Analyzer\n          ↓\n Evidence Store → Deterministic Scorer → Explanation LLM\n```\n\nConviene que todos los registros de decisión incluyan `claim_id`, `evidence_id`, la ubicación en el texto original, la regla de decisión y la versión del módulo. Al LLM solo deben proporcionársele el JSON calculado y las frases de evidencia permitidas, imponiendo la restricción de no añadir nuevas credenciales ni reputación externa.\n\n## Problemas que suelen pasarse por alto: incertidumbre y manipulación adversaria\n\nMuchos análisis de GEO se centran en encontrar señales, pero no tratan suficientemente las situaciones en las que un sitio intenta engañar al analizador. Este problema debe gestionarse mediante una capa independiente de calidad y seguridad.\n\n- Pueden insertarse repetidamente experiencias profesionales y palabras clave en zonas no visibles.\n- Pueden crearse autores falsos y datos estructurados de Person.\n- Puede distribuirse el mismo comunicado de prensa en varios dominios para inflar el volumen de menciones externas.\n- Pueden citarse investigaciones, credenciales o cifras inexistentes.\n- Puede actualizarse únicamente la fecha de modificación para presentar un artículo antiguo como contenido reciente.\n- Puede intentarse vincular erróneamente la autoridad de homónimos o marcas similares.\n\nEntre las medidas de respuesta se encuentran la comparación del contenido visible con el marcado, la agrupación de fuentes originales, la verificación de organismos emisores de credenciales, la detección de cambios mediante hashes del contenido, la comprobación cruzada de atributos de entidades y la detección de patrones anómalos de enlaces. Si se detecta una inconsistencia grave, es más seguro aplicar un límite máximo a la puntuación total o un estado de revisión manual que una simple penalización.\n\n## Cómo validar el modelo de evaluación\n\nAunque la fórmula de puntuación sea determinista, eso no garantiza automáticamente la validez de la evaluación. Se necesitan las siguientes pruebas.\n\n1. **Prueba de repetibilidad:** comprobar que la misma instantánea y versión producen exactamente el mismo resultado a nivel de bits.\n2. **Conjunto de referencia de expertos:** comparar la evidencia marcada independientemente por especialistas del ámbito con los resultados del sistema.\n3. **Concordancia entre evaluadores:** identificar los elementos sobre los que incluso los evaluadores humanos tienen dificultades para llegar a un acuerdo y modificar las reglas.\n4. **Prueba de perturbación:** comprobar si el resultado cambia en la dirección esperada al eliminar el nombre del autor, la fecha, Schema o los enlaces de evidencia.\n5. **Prueba de resistencia a la manipulación:** comprobar que los textos ocultos, perfiles falsos y comunicados de prensa duplicados no aumenten excesivamente la puntuación.\n6. **Prueba de sesgo regional:** medir si las entidades de calidad equivalente se ven perjudicadas sistemáticamente según el idioma o el país.\n7. **Calibración de resultados:** si se utilizan datos reales de observación de citas, registrar conjuntamente la pregunta, el momento, el modelo y la ubicación.\n\nLos resultados de las citas de la IA generativa pueden variar según la formulación de la pregunta y las actualizaciones del servicio. Por tanto, en lugar de utilizar la tasa real de citas como una verdad absoluta, conviene tratarla como una métrica de validación externa con un momento claramente especificado.\n\n## Especificación de datos que deben incluirse en los resultados operativos\n\nPara que las personas y otros sistemas puedan volver a verificar los resultados, puede proporcionarse la siguiente estructura.\n\n```json\n{\n  \"snapshot_id\": \"sha256:...\",\n  \"collected_at\": \"ISO-8601 timestamp\",\n  \"scoring_version\": \"eeat-1.3.0\",\n  \"scope\": \"document\",\n  \"topic_class\": \"software-review\",\n  \"scores\": {\n    \"experience\": 72,\n    \"expertise\": 61,\n    \"authoritativeness\": 54,\n    \"trustworthiness\": 80\n  },\n  \"confidence\": 0.74,\n  \"evidence\": [\n    {\n      \"dimension\": \"experience\",\n      \"status\": \"verified\",\n      \"source_url\": \"https://example.invalid/page\",\n      \"rule_id\": \"EXP-METHOD-02\"\n    }\n  ],\n  \"missing\": [\"independent_author_profile\"]\n}\n```\n\nLa URL anterior es una cadena de ejemplo no válida destinada a mostrar la estructura de los datos. En los resultados reales deben incluirse la URL de la evidencia recopilada y su ubicación en el texto original. Si no existe el derecho a redistribuir el texto original completo, deben guardarse únicamente fragmentos breves de evidencia dentro del alcance necesario, junto con el hash y la información de ubicación.\n\n## Lista de comprobación para la implementación\n\n- Distinguir las unidades de evaluación entre documento, autor, organización y dominio.\n- Proporcionar a todos los analizadores una instantánea del mismo momento.\n- Separar las afirmaciones propias de la verificación externa independiente.\n- Calcular la experiencia y la especialización como dimensiones separadas.\n- Gestionar un registro de fuentes de Authority por país e idioma.\n- Comprobar la coincidencia entre los datos estructurados y el contenido visible.\n- Guardar los datos faltantes, las inconsistencias y los elementos no aplicables como estados distintos.\n- Publicar conjuntamente la puntuación y la confianza de la evaluación.\n- Incrementar la versión cuando cambien las ponderaciones o las reglas.\n- Impedir que las explicaciones del LLM añadan hechos ajenos a la evidencia.\n- Establecer vías para la detección de manipulaciones y la revisión manual.\n- Registrar el modelo, la pregunta y el momento al observar resultados reales de citas de IA.\n\nLa clave consiste en no comprimir E-E-A-T en una única puntuación de impresión ambigua. Deben proporcionarse conjuntamente evidencias verificables, las reglas aplicadas, la incertidumbre y el linaje de las fuentes para que los resultados del análisis de GEO se conviertan en datos útiles para la toma de decisiones operativas y las comparaciones a largo plazo.","content_html":"\u003cp\u003eGEO (Generative Engine Optimization) es un concepto práctico destinado a mejorar y analizar la probabilidad de que el contenido sea descubierto y utilizado como fundamento de las respuestas en entornos de IA generativa como ChatGPT y Gemini. Sin embargo, los servicios de IA generativa no han revelado una fórmula completa para seleccionar fuentes, y tampoco existe una puntuación estándar única de GEO aceptada de forma general.\u003c/p\u003e\n\u003cp\u003eEl E-E-A-T de Google significa Experience, Expertise, Authoritativeness y Trustworthiness, pero no es una cifra oficial que Google publique para cada página web. Por lo tanto, debe aclararse que una «puntuación E-E-A-T de 78» mostrada por una herramienta de análisis no es una valoración de Google, sino una métrica de observación definida por dicha herramienta.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#por-qu%C3%A9-no-se-debe-dejar-la-puntuaci%C3%B3n-directamente-en-manos-de-un-llm\" class=\"anchor\" id=\"por-qué-no-se-debe-dejar-la-puntuación-directamente-en-manos-de-un-llm\"\u003e\u003c/a\u003ePor qué no se debe dejar la puntuación directamente en manos de un LLM\u003c/h2\u003e\n\u003cp\u003eIntroducir una página web completa en un LLM y pedirle que valore la experiencia, la especialización, la autoridad y la confiabilidad con 100 puntos cada una permite crear rápidamente un prototipo. Sin embargo, como sistema de medición operativo presenta los siguientes problemas.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eLa puntuación puede cambiar entre ejecuciones incluso con el mismo contenido y prompt.\u003c/li\u003e\n\u003cli\u003eSi cambia el modelo o el proveedor, resulta difícil compararla con las puntuaciones anteriores.\u003c/li\u003e\n\u003cli\u003ePueden producirse alucinaciones que infieran experiencia profesional, credenciales o reputación inexistentes en la página.\u003c/li\u003e\n\u003cli\u003eEs difícil auditar las frases y reglas que influyeron en la puntuación.\u003c/li\u003e\n\u003cli\u003eSin verificación externa, puede aceptar como cierta la presentación que el propio sitio hace de sí mismo.\u003c/li\u003e\n\u003cli\u003eSi un documento largo se trunca o cambia el orden de extracción, también pueden variar los resultados de la evaluación.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eLa estructura recomendada es la siguiente.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eSitio web\n\u003c/span\u003e\u003cspan\u003e  → Recopilación de una instantánea de un único momento\n\u003c/span\u003e\u003cspan\u003e  → Extracción de cuerpo, metadatos, entidades y afirmaciones\n\u003c/span\u003e\u003cspan\u003e  → Verificación cruzada con fuentes externas\n\u003c/span\u003e\u003cspan\u003e  → Cálculo de puntuaciones mediante reglas con versión fija\n\u003c/span\u003e\u003cspan\u003e  → Almacenamiento de puntuaciones, evidencias y confianza\n\u003c/span\u003e\u003cspan\u003e  → El LLM explica los resultados en lenguaje natural\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eEsto no significa que no deba utilizarse ningún LLM. Puede aprovecharse para clasificar frases, extraer posibles afirmaciones y buscar variantes de nombres, pero los resultados deben vincularse con la evidencia del texto original y almacenarse en caché. Encargar al código el cálculo aritmético final y las reglas de límites máximos y penalizaciones mejora la reproducibilidad y la auditabilidad.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#objetivo-y-alcance-de-la-evaluaci%C3%B3n-que-deben-definirse-primero\" class=\"anchor\" id=\"objetivo-y-alcance-de-la-evaluación-que-deben-definirse-primero\"\u003e\u003c/a\u003eObjetivo y alcance de la evaluación que deben definirse primero\u003c/h2\u003e\n\u003cp\u003eAntes de calcular una puntuación, debe fijarse qué se evalúa. Las señales del sitio completo, la organización, el autor y cada documento no son intercambiables.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eUnidad de evaluación\u003c/th\u003e\n\u003cth\u003ePregunta principal\u003c/th\u003e\n\u003cth\u003eEvidencia representativa\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unidad de evaluación\"\u003eDocumento\u003c/td\u003e\n\u003ctd data-label=\"Pregunta principal\"\u003e¿Son confiables las afirmaciones y el proceso de elaboración de este artículo?\u003c/td\u003e\n\u003ctd data-label=\"Evidencia representativa\"\u003eCuerpo, citas, fecha de autoría, fecha de modificación, datos experimentales\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unidad de evaluación\"\u003eAutor\u003c/td\u003e\n\u003ctd data-label=\"Pregunta principal\"\u003e¿Puede confirmarse que posee experiencia o especialización para tratar este tema?\u003c/td\u003e\n\u003ctd data-label=\"Evidencia representativa\"\u003ePágina del autor, credenciales, trayectoria, historial de investigación y publicaciones\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unidad de evaluación\"\u003eOrganización\u003c/td\u003e\n\u003ctd data-label=\"Pregunta principal\"\u003e¿Puede identificarse la entidad editora y existe una estructura de responsabilidad?\u003c/td\u003e\n\u003ctd data-label=\"Evidencia representativa\"\u003eInformación de la empresa, contacto, política editorial, datos de Organization\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unidad de evaluación\"\u003eDominio\u003c/td\u003e\n\u003ctd data-label=\"Pregunta principal\"\u003e¿Está reconocido externamente como fuente sobre ese tema?\u003c/td\u003e\n\u003ctd data-label=\"Evidencia representativa\"\u003eCitas de instituciones independientes, backlinks pertinentes, materiales periodísticos y académicos\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Unidad de evaluación\"\u003eSuperficie técnica\u003c/td\u003e\n\u003ctd data-label=\"Pregunta principal\"\u003e¿Pueden los crawlers leer el contenido y la información de las fuentes?\u003c/td\u003e\n\u003ctd data-label=\"Evidencia representativa\"\u003eCódigos de estado, políticas de robots, canonical, HTML, datos estructurados\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eTambién debe clasificarse el tema. Los ámbitos en los que la información errónea puede causar graves daños, como medicina, finanzas y derecho, requieren pruebas de especialización y confiabilidad distintas de las reseñas sobre aficiones personales. Aplicar una única ponderación fija a todos los ámbitos debilita el significado de la puntuación.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#c%C3%B3mo-recopilar-una-misma-instant%C3%A1nea-web\" class=\"anchor\" id=\"cómo-recopilar-una-misma-instantánea-web\"\u003e\u003c/a\u003eCómo recopilar una misma instantánea web\u003c/h2\u003e\n\u003cp\u003eLos analizadores deben compartir una instantánea guardada una sola vez. Si el cuerpo se solicita de nuevo a las 10:00, JSON-LD a las 10:05 y la página del autor a las 10:10, pueden mezclarse estados modificados.\u003c/p\u003e\n\u003cp\u003eSiempre que sea posible, deben guardarse los siguientes elementos en la instantánea.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eURL final, ruta de redirección, código de estado HTTP y encabezados de respuesta\u003c/li\u003e\n\u003cli\u003eHTML original y, cuando sea necesario, HTML renderizado\u003c/li\u003e\n\u003cli\u003eCuerpo extraído, título, descripción, canonical e información de idioma\u003c/li\u003e\n\u003cli\u003eAutor, fecha de publicación, fecha de modificación y organización editora\u003c/li\u003e\n\u003cli\u003eEnlaces internos y externos y textos de anclaje\u003c/li\u003e\n\u003cli\u003eDatos estructurados como JSON-LD y Microdata\u003c/li\u003e\n\u003cli\u003eDirectivas de robots y URL relacionadas identificadas en el sitemap\u003c/li\u003e\n\u003cli\u003eMomento de recopilación, versión del crawler y hash del contenido\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAl explorar varias páginas, no debe dependerse únicamente de la página de inicio. Mediante sitemap.xml y enlaces internos, se exploran con una profundidad limitada candidatos como About, Company, Team, Author, Profile, Editorial Policy, Contact, Privacy y Terms. No deben recopilarse de manera forzada páginas con información personal o restricciones de uso, y también deben revisarse las políticas de robots, los términos del servicio y la legislación aplicable.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#separaci%C3%B3n-de-evidencias-onsite-y-offsite\" class=\"anchor\" id=\"separación-de-evidencias-onsite-y-offsite\"\u003e\u003c/a\u003eSeparación de evidencias onsite y offsite\u003c/h2\u003e\n\u003cp\u003eLos datos onsite son información publicada directamente por el sitio correspondiente. Entre ellos se incluyen la presentación del autor, la descripción del producto, los casos de clientes, la política editorial, los datos de contacto y los datos estructurados de Person y Organization.\u003c/p\u003e\n\u003cp\u003eLos datos offsite muestran cómo fuentes externas independientes confirman al autor o a la organización. Entre ellos se incluyen materiales de organismos gubernamentales y públicos, instituciones académicas, asociaciones profesionales, medios confiables, fuentes del sector, perfiles externos, backlinks pertinentes y citas.\u003c/p\u003e\n\u003cp\u003eAmbos tipos de evidencia deben distinguirse en la puntuación.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eLas expresiones autopromocionales como «el mejor del sector» no constituyen evidencia independiente de Authority.\u003c/li\u003e\n\u003cli\u003eIncluso un artículo externo tiene poca independencia si se limita a reproducir un comunicado de prensa.\u003c/li\u003e\n\u003cli\u003eSi el mismo artículo está duplicado en distintas URL, no deben contabilizarse las fuentes más de una vez.\u003c/li\u003e\n\u003cli\u003eDeben comprobarse las entidades para evitar vincular logros de otras personas u organizaciones con el mismo nombre.\u003c/li\u003e\n\u003cli\u003eLos enlaces sameAs son indicios para conectar posibles entidades, no una garantía automática de la veracidad de esa trayectoria.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#experience-convertir-la-experiencia-directa-en-evidencia\" class=\"anchor\" id=\"experience-convertir-la-experiencia-directa-en-evidencia\"\u003e\u003c/a\u003eExperience: convertir la experiencia directa en evidencia\u003c/h2\u003e\n\u003cp\u003eExperience evalúa la experiencia directa de un autor al utilizar un producto, visitar un lugar, ejecutar un procedimiento o realizar un experimento. Es independiente de Expertise. Un comprador que haya utilizado un portátil durante mucho tiempo puede tener una amplia experiencia real de uso, pero no ser especialista en ingeniería de baterías.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#se%C3%B1ales-que-deben-detectarse\" class=\"anchor\" id=\"señales-que-deben-detectarse\"\u003e\u003c/a\u003eSeñales que deben detectarse\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eExpresiones que indiquen uso, compra, visita, instalación, operación o comparación directos\u003c/li\u003e\n\u003cli\u003eDuración del uso, número de pruebas, tamaño de la muestra, entorno y equipos\u003c/li\u003e\n\u003cli\u003ePasos ejecutados, procesos fallidos, restricciones y excepciones\u003c/li\u003e\n\u003cli\u003eImágenes tomadas directamente, registros, datos originales y procedimientos de reproducción\u003c/li\u003e\n\u003cli\u003eResultados anteriores y posteriores a la medición y método de medición\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eOtorgar una puntuación alta solo por una frase como «lo probé personalmente» facilita la manipulación. Las cifras concretas tampoco demuestran por sí solas que algo sea cierto. Deben tratarse como evidencia más sólida cuando el método de medición, el periodo, los datos originales y el contexto sean coherentes entre sí.\u003c/p\u003e\n\u003cp\u003eLa puntuación de experiencia puede organizarse por niveles de la siguiente manera.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eNivel\u003c/th\u003e\n\u003cth\u003eEjemplo\u003c/th\u003e\n\u003cth\u003ePrincipio de tratamiento\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Nivel\"\u003eDébil\u003c/td\u003e\n\u003ctd data-label=\"Ejemplo\"\u003eSolo existe una declaración de haberlo utilizado\u003c/td\u003e\n\u003ctd data-label=\"Principio de tratamiento\"\u003ePuntuación base baja\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Nivel\"\u003eMedio\u003c/td\u003e\n\u003ctd data-label=\"Ejemplo\"\u003eEl periodo, el entorno y el procedimiento son concretos\u003c/td\u003e\n\u003ctd data-label=\"Principio de tratamiento\"\u003eAñadir puntuación por especificidad\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Nivel\"\u003eFuerte\u003c/td\u003e\n\u003ctd data-label=\"Ejemplo\"\u003eSe proporcionan datos originales, fotografías, registros y criterios comparativos\u003c/td\u003e\n\u003ctd data-label=\"Principio de tratamiento\"\u003eAñadir puntuación por verificabilidad\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Nivel\"\u003eVerificado\u003c/td\u003e\n\u003ctd data-label=\"Ejemplo\"\u003eCoincide con materiales independientes o pruebas de reproducción\u003c/td\u003e\n\u003ctd data-label=\"Principio de tratamiento\"\u003eAplicar ponderación de verificación cruzada\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#expertise-evaluaci%C3%B3n-de-una-especializaci%C3%B3n-verificable\" class=\"anchor\" id=\"expertise-evaluación-de-una-especialización-verificable\"\u003e\u003c/a\u003eExpertise: evaluación de una especialización verificable\u003c/h2\u003e\n\u003cp\u003eExpertise examina si se poseen los conocimientos y las capacidades necesarios para tratar correctamente el tema correspondiente. No basta con indicar «especialista» junto al nombre.\u003c/p\u003e\n\u003cp\u003eLos posibles elementos de análisis son los siguientes.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eCargo pertinente, afiliación, campo de trabajo y duración de la trayectoria profesional\u003c/li\u003e\n\u003cli\u003eTitulación, credenciales oficiales, licencias y organismos emisores\u003c/li\u003e\n\u003cli\u003eInvestigaciones, artículos, libros, clases y proyectos pertinentes\u003c/li\u003e\n\u003cli\u003eExperiencia laboral real relacionada con el tema\u003c/li\u003e\n\u003cli\u003eExactitud, alcance, límites y fuentes de las explicaciones especializadas\u003c/li\u003e\n\u003cli\u003eRevisor experto y fecha de revisión\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eSi el valor del autor es un nombre de función como \u003ccode\u003eadmin\u003c/code\u003e, \u003ccode\u003eadministrator\u003c/code\u003e, \u003ccode\u003e관리자\u003c/code\u003e, \u003ccode\u003e운영자\u003c/code\u003e, \u003ccode\u003e운영팀\u003c/code\u003e o \u003ccode\u003eeditor\u003c/code\u003e, no debe confirmarse como una persona real. Aunque existan datos estructurados de Person, debe comprobarse que coincidan con la información del autor mostrada en pantalla.\u003c/p\u003e\n\u003cp\u003eLa especialización debe reflejar la adecuación temática. Una licencia de abogado puede ser una señal sólida para contenido jurídico, pero no demuestra automáticamente especialización en todos los temas médicos o técnicos. En los ámbitos donde sea necesario verificar las credenciales, el nivel de verificación aumenta cuando pueden vincularse con el organismo emisor o con datos oficiales de consulta.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#authoritativeness-reconocimiento-externo-y-coincidencia-de-entidades\" class=\"anchor\" id=\"authoritativeness-reconocimiento-externo-y-coincidencia-de-entidades\"\u003e\u003c/a\u003eAuthoritativeness: reconocimiento externo y coincidencia de entidades\u003c/h2\u003e\n\u003cp\u003eAuthoritativeness evalúa en qué medida una persona, organización o sitio recibe reconocimiento externo dentro de un tema concreto. Más que el simple volumen de menciones, importan la calidad de las fuentes, la pertinencia temática, la independencia y la diversidad.\u003c/p\u003e\n\u003cp\u003eUn analizador de autoridad puede seguir el siguiente procedimiento.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eCrear entidades canónicas para el nombre de la organización, el nombre del autor, el dominio y la marca.\u003c/li\u003e\n\u003cli\u003eVincular alias confirmados, como nombres anteriores, nombres en inglés y abreviaturas.\u003c/li\u003e\n\u003cli\u003eDeterminar si se trata de la misma entidad en documentos externos.\u003c/li\u003e\n\u003cli\u003eEvaluar la independencia, calidad, pertinencia temática y actualidad de la fuente.\u003c/li\u003e\n\u003cli\u003eAgrupar las republicaciones de comunicados de prensa y las copias de un mismo documento.\u003c/li\u003e\n\u003cli\u003eDistinguir si una cita o mención supone un reconocimiento positivo, una simple enumeración o una crítica.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eSi al analizar la web en coreano solo se utilizan Wikipedia, Wikidata, Reddit y medios anglófonos, puede subestimarse la autoridad de instituciones y empresas nacionales. Según el mercado evaluado, el registro de fuentes debe incluir organismos gubernamentales y públicos, datos públicos, bases de datos académicas, asociaciones profesionales, medios importantes y publicaciones especializadas del sector. Por el contrario, tampoco debe afirmarse una autoridad mundial basándose únicamente en la visibilidad de un portal de un país concreto.\u003c/p\u003e\n\u003cp\u003eConviene registrar en el registro de fuentes la jurisdicción, la entidad editora, el alcance temático, la independencia, si se trata de la fuente original, el ciclo de actualización y las condiciones de acceso. Aunque se añadan fuentes de distintos países, las reglas de puntuación y los criterios de selección deben hacerse públicos.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#trustworthiness-el-eje-de-seguridad-m%C3%A1s-amplio-e-importante\" class=\"anchor\" id=\"trustworthiness-el-eje-de-seguridad-más-amplio-e-importante\"\u003e\u003c/a\u003eTrustworthiness: el eje de seguridad más amplio e importante\u003c/h2\u003e\n\u003cp\u003eTrustworthiness sustenta los otros tres factores. Aunque exista experiencia directa y se posean credenciales, si se confirman afirmaciones falsas, ocultación de conflictos de interés o manipulación de fuentes, puede aplicarse un límite máximo a la evaluación total.\u003c/p\u003e\n\u003cp\u003eEl módulo de confiabilidad debe comprobar los siguientes elementos.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#entidad-editora-y-responsabilidad\" class=\"anchor\" id=\"entidad-editora-y-responsabilidad\"\u003e\u003c/a\u003eEntidad editora y responsabilidad\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eSi la organización operadora y el autor se muestran claramente\u003c/li\u003e\n\u003cli\u003eSi los métodos de contacto y la información de atención al cliente existen en páginas reales\u003c/li\u003e\n\u003cli\u003eSi pueden consultarse las políticas de edición, revisión y corrección\u003c/li\u003e\n\u003cli\u003eSi se distinguen la publicidad, los patrocinios, las afiliaciones y los conflictos de interés\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#afirmaciones-y-evidencias\" class=\"anchor\" id=\"afirmaciones-y-evidencias\"\u003e\u003c/a\u003eAfirmaciones y evidencias\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eSi los hechos principales están vinculados a fuentes originales o evidencias adecuadas\u003c/li\u003e\n\u003cli\u003eSi las citas y estadísticas respetan el sentido del texto original\u003c/li\u003e\n\u003cli\u003eSi las fechas de publicación y modificación coinciden con los cambios reales del contenido\u003c/li\u003e\n\u003cli\u003eSi se distinguen claramente los hechos, las opiniones y las afirmaciones publicitarias\u003c/li\u003e\n\u003cli\u003eSi se indican la incertidumbre, el ámbito de aplicación, las excepciones y los límites\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#transacciones-y-seguridad\" class=\"anchor\" id=\"transacciones-y-seguridad\"\u003e\u003c/a\u003eTransacciones y seguridad\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eSi la política de privacidad y las condiciones de uso se ofrecen de forma adecuada a la naturaleza del servicio\u003c/li\u003e\n\u003cli\u003eSi las condiciones de pago, reembolso y envío están claras en los sitios que las necesitan\u003c/li\u003e\n\u003cli\u003eSi no existen riesgos técnicos como la ausencia de HTTPS, redirecciones maliciosas o certificados rotos\u003c/li\u003e\n\u003cli\u003eSi en la información médica, financiera o jurídica no se utilizan afirmaciones categóricas peligrosas ni expresiones de garantía\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eLa mera existencia de HTTPS o de una política de privacidad no hace que el contenido sea exacto. Son señales básicas de seguridad; la confiabilidad de las afirmaciones debe verificarse por separado.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#datos-estructurados-y-verificaci%C3%B3n-de-entidades\" class=\"anchor\" id=\"datos-estructurados-y-verificación-de-entidades\"\u003e\u003c/a\u003eDatos estructurados y verificación de entidades\u003c/h2\u003e\n\u003cp\u003eLos datos estructurados de Person y Organization proporcionan nombres, afiliaciones, cargos, URL oficiales y relaciones con perfiles externos de una forma comprensible para las máquinas. Los campos author, publisher, datePublished y dateModified de Article también son útiles para representar la estructura de procedencia de un documento.\u003c/p\u003e\n\u003cp\u003eSin embargo, el marcado Schema debe evaluarse según los siguientes principios.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eComprobar si los datos estructurados coinciden con el contenido visible en pantalla.\u003c/li\u003e\n\u003cli\u003eNo confirmar como ciertas credenciales, premios o reputación por el mero hecho de que existan.\u003c/li\u003e\n\u003cli\u003eComprobar la coherencia de los identificadores y relaciones entre Person, Organization y Article.\u003c/li\u003e\n\u003cli\u003eVerificar que el destino de sameAs sea realmente un perfil oficial.\u003c/li\u003e\n\u003cli\u003eDistinguir los errores de sintaxis de la ausencia de propiedades obligatorias o recomendadas.\u003c/li\u003e\n\u003cli\u003eNo considerar como factor positivo el uso excesivo o irrelevante de tipos de Schema.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eLos datos estructurados son una capa de representación que facilita la comprensión y la extracción. No garantizan una posición alta en las búsquedas ni que la IA generativa los cite.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#dise%C3%B1o-de-una-f%C3%B3rmula-de-puntuaci%C3%B3n-reproducible\" class=\"anchor\" id=\"diseño-de-una-fórmula-de-puntuación-reproducible\"\u003e\u003c/a\u003eDiseño de una fórmula de puntuación reproducible\u003c/h2\u003e\n\u003cp\u003eSi cada señal se trata únicamente como «presente o ausente», se pierden las diferencias de calidad. Separar los valores de la siguiente manera facilita el seguimiento de la evidencia.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003ccode\u003epresence\u003c/code\u003e: existencia de la señal o grado de cumplimiento\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003everification\u003c/code\u003e: grado de verificación independiente\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003erelevance\u003c/code\u003e: relación con el tema evaluado\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003esource_quality\u003c/code\u003e: calidad e independencia de la fuente de evidencia\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003efreshness\u003c/code\u003e: vigencia de las señales que requieren actualidad\u003c/li\u003e\n\u003cli\u003e\n\u003ccode\u003eweight\u003c/code\u003e: importancia de la señal gestionada mediante versiones\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eUna fórmula de ejemplo es la siguiente.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eContribución de la señal = weight × presence × verification × relevance × source_quality × freshness\n\u003c/span\u003e\u003cspan\u003ePuntuación de la dimensión = 100 × suma de contribuciones ÷ suma de weight aplicables\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eEsta fórmula es un ejemplo de diseño, no una fórmula oficial de E-E-A-T. Cada coeficiente puede normalizarse entre 0 y 1. Solo se excluyen como \u003ccode\u003eN/A\u003c/code\u003e los elementos que no sean aplicables desde un punto de vista lógico, mientras que la falta de evidencia necesaria debe guardarse como \u003ccode\u003emissing\u003c/code\u003e, diferenciándola de una puntuación de 0.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#mostrar-la-confianza-por-separado-de-la-puntuaci%C3%B3n\" class=\"anchor\" id=\"mostrar-la-confianza-por-separado-de-la-puntuación\"\u003e\u003c/a\u003eMostrar la confianza por separado de la puntuación\u003c/h3\u003e\n\u003cp\u003eIncluso un resultado de 78 puntos es difícil de creer si no se pudo recopilar la mitad de las páginas esenciales. Por tanto, la confianza de la evaluación o la cobertura de la evidencia debe calcularse por separado.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eConfianza de la evaluación = cobertura de recopilación × coincidencia de entidades × proporción de evidencia verificable\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eLa pantalla de resultados debe mostrar, como mínimo, los siguientes elementos.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003ePuntuación por dimensión y puntuación total\u003c/li\u003e\n\u003cli\u003eConfianza de la evaluación\u003c/li\u003e\n\u003cli\u003eEstados confirmado, no confirmado, inconsistente y no aplicable\u003c/li\u003e\n\u003cli\u003eURL de la evidencia y fragmentos del texto original\u003c/li\u003e\n\u003cli\u003eMomento de recopilación y hash de la instantánea\u003c/li\u003e\n\u003cli\u003eVersiones de las reglas, las ponderaciones y el registro de fuentes\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#separar-la-puntuaci%C3%B3n-total-de-geo-y-e-e-a-t\" class=\"anchor\" id=\"separar-la-puntuación-total-de-geo-y-e-e-a-t\"\u003e\u003c/a\u003eSeparar la puntuación total de GEO y E-E-A-T\u003c/h2\u003e\n\u003cp\u003eUn E-E-A-T alto no implica necesariamente que el contenido vaya a citarse en una respuesta de IA. Los sistemas de respuesta también pueden considerar la adecuación a la pregunta, la facilidad de extracción de la información, la actualidad, la posibilidad de crawling y el formato del documento, y el método concreto de selección difiere entre servicios.\u003c/p\u003e\n\u003cp\u003eEs preferible que una herramienta de GEO separe los siguientes módulos.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eMódulo\u003c/th\u003e\n\u003cth\u003eObjeto de análisis\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Módulo\"\u003eE-E-A-T del contenido\u003c/td\u003e\n\u003ctd data-label=\"Objeto de análisis\"\u003eExperiencia, especialización, autoridad externa y confiabilidad\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Módulo\"\u003ePreparación para citas de IA\u003c/td\u003e\n\u003ctd data-label=\"Objeto de análisis\"\u003eFrases comprensibles de forma independiente, adecuación a la pregunta, conexión con evidencias y posibilidad de resumen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Módulo\"\u003eAutoridad de marca\u003c/td\u003e\n\u003ctd data-label=\"Objeto de análisis\"\u003eReconocimiento independiente de instituciones externas y coincidencia de entidades\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Módulo\"\u003eAccesibilidad técnica\u003c/td\u003e\n\u003ctd data-label=\"Objeto de análisis\"\u003eCrawling, códigos de estado, canonical, renderizado y acceso al cuerpo\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Módulo\"\u003eCalidad de Schema\u003c/td\u003e\n\u003ctd data-label=\"Objeto de análisis\"\u003eSintaxis, coincidencia con el contenido visible y relaciones entre entidades\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003ePor ejemplo, puede configurarse con un 30% de preparación para citas de IA, un 20% de autoridad de marca, un 20% de E-E-A-T del contenido, un 20% de accesibilidad técnica y un 10% de Schema. Estas proporciones son únicamente un ejemplo de política de producto. Las ponderaciones reales deben ajustarse con datos de validación específicos para cada tema y mostrar su versión.\u003c/p\u003e\n\u003cp\u003eEn la preparación para citas de IA no deben preferirse incondicionalmente las frases cortas. Debe evaluarse si la afirmación principal se entiende de forma independiente, si las evidencias y condiciones se encuentran cerca, y si la estructura de tablas, listas y títulos conserva el significado. Los textos ocultos destinados a engañar a motores de búsqueda o a la IA, las frases repetitivas y las páginas masivas sin fundamento deben tratarse como penalizaciones o señales de riesgo.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#estructura-para-impedir-la-propagaci%C3%B3n-de-errores-entre-m%C3%B3dulos\" class=\"anchor\" id=\"estructura-para-impedir-la-propagación-de-errores-entre-módulos\"\u003e\u003c/a\u003eEstructura para impedir la propagación de errores entre módulos\u003c/h2\u003e\n\u003cp\u003eSi cada analizador recibe directamente las conclusiones de otro analizador, los errores iniciales pueden amplificarse. Lo que debe compartirse no son tanto las conclusiones como la instantánea original y la evidencia normalizada.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003eSnapshot Store\n\u003c/span\u003e\u003cspan\u003e ├─ Content / Claim Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Author / Expertise Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Entity / Authority Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Trust Analyzer\n\u003c/span\u003e\u003cspan\u003e ├─ Technical Analyzer\n\u003c/span\u003e\u003cspan\u003e └─ Schema Analyzer\n\u003c/span\u003e\u003cspan\u003e          ↓\n\u003c/span\u003e\u003cspan\u003e Evidence Store → Deterministic Scorer → Explanation LLM\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eConviene que todos los registros de decisión incluyan \u003ccode\u003eclaim_id\u003c/code\u003e, \u003ccode\u003eevidence_id\u003c/code\u003e, la ubicación en el texto original, la regla de decisión y la versión del módulo. Al LLM solo deben proporcionársele el JSON calculado y las frases de evidencia permitidas, imponiendo la restricción de no añadir nuevas credenciales ni reputación externa.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#problemas-que-suelen-pasarse-por-alto-incertidumbre-y-manipulaci%C3%B3n-adversaria\" class=\"anchor\" id=\"problemas-que-suelen-pasarse-por-alto-incertidumbre-y-manipulación-adversaria\"\u003e\u003c/a\u003eProblemas que suelen pasarse por alto: incertidumbre y manipulación adversaria\u003c/h2\u003e\n\u003cp\u003eMuchos análisis de GEO se centran en encontrar señales, pero no tratan suficientemente las situaciones en las que un sitio intenta engañar al analizador. Este problema debe gestionarse mediante una capa independiente de calidad y seguridad.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003ePueden insertarse repetidamente experiencias profesionales y palabras clave en zonas no visibles.\u003c/li\u003e\n\u003cli\u003ePueden crearse autores falsos y datos estructurados de Person.\u003c/li\u003e\n\u003cli\u003ePuede distribuirse el mismo comunicado de prensa en varios dominios para inflar el volumen de menciones externas.\u003c/li\u003e\n\u003cli\u003ePueden citarse investigaciones, credenciales o cifras inexistentes.\u003c/li\u003e\n\u003cli\u003ePuede actualizarse únicamente la fecha de modificación para presentar un artículo antiguo como contenido reciente.\u003c/li\u003e\n\u003cli\u003ePuede intentarse vincular erróneamente la autoridad de homónimos o marcas similares.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eEntre las medidas de respuesta se encuentran la comparación del contenido visible con el marcado, la agrupación de fuentes originales, la verificación de organismos emisores de credenciales, la detección de cambios mediante hashes del contenido, la comprobación cruzada de atributos de entidades y la detección de patrones anómalos de enlaces. Si se detecta una inconsistencia grave, es más seguro aplicar un límite máximo a la puntuación total o un estado de revisión manual que una simple penalización.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#c%C3%B3mo-validar-el-modelo-de-evaluaci%C3%B3n\" class=\"anchor\" id=\"cómo-validar-el-modelo-de-evaluación\"\u003e\u003c/a\u003eCómo validar el modelo de evaluación\u003c/h2\u003e\n\u003cp\u003eAunque la fórmula de puntuación sea determinista, eso no garantiza automáticamente la validez de la evaluación. Se necesitan las siguientes pruebas.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003e\n\u003cstrong\u003ePrueba de repetibilidad:\u003c/strong\u003e comprobar que la misma instantánea y versión producen exactamente el mismo resultado a nivel de bits.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eConjunto de referencia de expertos:\u003c/strong\u003e comparar la evidencia marcada independientemente por especialistas del ámbito con los resultados del sistema.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eConcordancia entre evaluadores:\u003c/strong\u003e identificar los elementos sobre los que incluso los evaluadores humanos tienen dificultades para llegar a un acuerdo y modificar las reglas.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePrueba de perturbación:\u003c/strong\u003e comprobar si el resultado cambia en la dirección esperada al eliminar el nombre del autor, la fecha, Schema o los enlaces de evidencia.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePrueba de resistencia a la manipulación:\u003c/strong\u003e comprobar que los textos ocultos, perfiles falsos y comunicados de prensa duplicados no aumenten excesivamente la puntuación.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePrueba de sesgo regional:\u003c/strong\u003e medir si las entidades de calidad equivalente se ven perjudicadas sistemáticamente según el idioma o el país.\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eCalibración de resultados:\u003c/strong\u003e si se utilizan datos reales de observación de citas, registrar conjuntamente la pregunta, el momento, el modelo y la ubicación.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eLos resultados de las citas de la IA generativa pueden variar según la formulación de la pregunta y las actualizaciones del servicio. Por tanto, en lugar de utilizar la tasa real de citas como una verdad absoluta, conviene tratarla como una métrica de validación externa con un momento claramente especificado.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#especificaci%C3%B3n-de-datos-que-deben-incluirse-en-los-resultados-operativos\" class=\"anchor\" id=\"especificación-de-datos-que-deben-incluirse-en-los-resultados-operativos\"\u003e\u003c/a\u003eEspecificación de datos que deben incluirse en los resultados operativos\u003c/h2\u003e\n\u003cp\u003ePara que las personas y otros sistemas puedan volver a verificar los resultados, puede proporcionarse la siguiente estructura.\u003c/p\u003e\n\u003cpre\u003e\u003ccode\u003e\u003cspan\u003e{\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003esnapshot_id\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003esha256:...\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003ecollected_at\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eISO-8601 timestamp\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003escoring_version\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eeeat-1.3.0\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003escope\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003edocument\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003etopic_class\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003esoftware-review\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003escores\u003c/span\u003e\u003cspan\u003e\": {\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003eexperience\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e72\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003eexpertise\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e61\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003eauthoritativeness\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e54\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e    \"\u003c/span\u003e\u003cspan\u003etrustworthiness\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e80\n\u003c/span\u003e\u003cspan\u003e  },\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003econfidence\u003c/span\u003e\u003cspan\u003e\": \u003c/span\u003e\u003cspan\u003e0.74\u003c/span\u003e\u003cspan\u003e,\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003eevidence\u003c/span\u003e\u003cspan\u003e\": [\n\u003c/span\u003e\u003cspan\u003e    {\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003edimension\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eexperience\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003estatus\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003everified\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003esource_url\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003ehttps://example.invalid/page\u003c/span\u003e\u003cspan\u003e\",\n\u003c/span\u003e\u003cspan\u003e      \"\u003c/span\u003e\u003cspan\u003erule_id\u003c/span\u003e\u003cspan\u003e\": \"\u003c/span\u003e\u003cspan\u003eEXP-METHOD-02\u003c/span\u003e\u003cspan\u003e\"\n\u003c/span\u003e\u003cspan\u003e    }\n\u003c/span\u003e\u003cspan\u003e  ],\n\u003c/span\u003e\u003cspan\u003e  \"\u003c/span\u003e\u003cspan\u003emissing\u003c/span\u003e\u003cspan\u003e\": [\"\u003c/span\u003e\u003cspan\u003eindependent_author_profile\u003c/span\u003e\u003cspan\u003e\"]\n\u003c/span\u003e\u003cspan\u003e}\n\u003c/span\u003e\u003c/code\u003e\u003c/pre\u003e\n\u003cp\u003eLa URL anterior es una cadena de ejemplo no válida destinada a mostrar la estructura de los datos. En los resultados reales deben incluirse la URL de la evidencia recopilada y su ubicación en el texto original. Si no existe el derecho a redistribuir el texto original completo, deben guardarse únicamente fragmentos breves de evidencia dentro del alcance necesario, junto con el hash y la información de ubicación.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#lista-de-comprobaci%C3%B3n-para-la-implementaci%C3%B3n\" class=\"anchor\" id=\"lista-de-comprobación-para-la-implementación\"\u003e\u003c/a\u003eLista de comprobación para la implementación\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003eDistinguir las unidades de evaluación entre documento, autor, organización y dominio.\u003c/li\u003e\n\u003cli\u003eProporcionar a todos los analizadores una instantánea del mismo momento.\u003c/li\u003e\n\u003cli\u003eSeparar las afirmaciones propias de la verificación externa independiente.\u003c/li\u003e\n\u003cli\u003eCalcular la experiencia y la especialización como dimensiones separadas.\u003c/li\u003e\n\u003cli\u003eGestionar un registro de fuentes de Authority por país e idioma.\u003c/li\u003e\n\u003cli\u003eComprobar la coincidencia entre los datos estructurados y el contenido visible.\u003c/li\u003e\n\u003cli\u003eGuardar los datos faltantes, las inconsistencias y los elementos no aplicables como estados distintos.\u003c/li\u003e\n\u003cli\u003ePublicar conjuntamente la puntuación y la confianza de la evaluación.\u003c/li\u003e\n\u003cli\u003eIncrementar la versión cuando cambien las ponderaciones o las reglas.\u003c/li\u003e\n\u003cli\u003eImpedir que las explicaciones del LLM añadan hechos ajenos a la evidencia.\u003c/li\u003e\n\u003cli\u003eEstablecer vías para la detección de manipulaciones y la revisión manual.\u003c/li\u003e\n\u003cli\u003eRegistrar el modelo, la pregunta y el momento al observar resultados reales de citas de IA.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eLa clave consiste en no comprimir E-E-A-T en una única puntuación de impresión ambigua. Deben proporcionarse conjuntamente evidencias verificables, las reglas aplicadas, la incertidumbre y el linaje de las fuentes para que los resultados del análisis de GEO se conviertan en datos útiles para la toma de decisiones operativas y las comparaciones a largo plazo.\u003c/p\u003e\n","tags":["IA","IA generativa","Protección de datos","Desarrollo de IA","Estrategia tecnológica","GEO"],"faqs":[{"question":"¿La puntuación E-E-A-T es una métrica oficial proporcionada por Google?","answer":"No. Google describe E-E-A-T como un concepto para comprender la calidad del contenido, pero no publica una puntuación oficial para cada página web. La puntuación E-E-A-T de una herramienta de análisis es una métrica propia basada en las señales, las ponderaciones y el alcance de los datos definidos por dicha herramienta."},{"question":"Si se establece la temperature del LLM en 0, ¿se le puede encargar directamente la puntuación?","answer":"Puede reducir la variabilidad, pero no garantiza una reproducibilidad ni una veracidad completas. La versión del modelo, el truncamiento de la entrada y la configuración del sistema pueden variar, y también existe el riesgo de inferir hechos que no aparecen en la página, por lo que es más seguro realizar el cálculo final mediante código con una versión fija."},{"question":"¿Por qué deben evaluarse Experience y Expertise por separado?","answer":"Experience es la experiencia de haber usado, visitado, probado u operado algo directamente, mientras que Expertise son los conocimientos, la trayectoria profesional, las cualificaciones y la capacidad de investigación pertinentes. Un reseñador con amplia experiencia de uso real no es necesariamente un experto técnico, y alguien con una cualificación profesional puede no haber usado directamente el producto en cuestión."},{"question":"Si el autor afirma que lo ha usado directamente, ¿se puede aumentar la puntuación de Experience?","answer":"Es recomendable tratar una mera declaración propia como una señal débil. Debe aplicarse una ponderación mayor cuando vaya acompañada de pruebas concretas y verificables, como el período, el entorno, el procedimiento seguido, el método de medición, los datos originales o materiales de elaboración propia."},{"question":"Si no hay artículos de Wikipedia o de prensa, ¿la Authority es baja?","answer":"No necesariamente. Las fuentes externas importantes varían según el país y el sector. También deben evaluarse fuentes independientes adecuadas para la región y el ámbito, como organismos gubernamentales y públicos, instituciones académicas, asociaciones profesionales y medios sectoriales, y deben eliminarse los duplicados de las republicaciones de comunicados de prensa."},{"question":"¿Añadir mucho Schema aumenta la puntuación GEO?","answer":"La precisión y la concordancia con el contenido mostrado son más importantes que la cantidad de Schema. Los datos estructurados ayudan a comprender las relaciones entre las entidades y los documentos, pero no garantizan la aparición en los resultados de búsqueda ni las citas de la IA, y un marcado falso o irrelevante puede suponer un riesgo para la confianza."},{"question":"Si el E-E-A-T es alto, ¿se citará necesariamente en ChatGPT o Gemini?","answer":"No. Los métodos de selección de fuentes de cada servicio no se han divulgado por completo, y pueden influir diversos factores, como la adecuación a la pregunta, la actualidad, la accesibilidad y la estructura de la expresión. El E-E-A-T y el grado de preparación para las citas de la IA pueden estar relacionados, pero deben gestionarse como puntuaciones independientes."},{"question":"Si las puntuaciones son iguales, ¿puede considerarse que los resultados del análisis tienen la misma calidad?","answer":"No. Una puntuación de 80 obtenida tras recopilar suficientes páginas y otra de 80 con la mitad de los datos ausentes tienen significados distintos. Junto con la puntuación, debe mostrarse la fiabilidad de la evaluación teniendo en cuenta la cobertura de recopilación, el grado de coincidencia de las entidades y la proporción de pruebas verificadas."},{"question":"¿Cómo deben determinarse las ponderaciones de la puntuación GEO?","answer":"Las ponderaciones iniciales deben establecerse como una política explícita del producto, pero deben calibrarse mediante conjuntos de referencia de expertos, pruebas de factores de confusión, pruebas de resistencia a la manipulación y datos de observación reales. Se necesitan perfiles diferentes para ámbitos con distintos riesgos temáticos e intenciones de los usuarios, como la medicina, las finanzas y las reseñas de productos."},{"question":"¿Qué función es adecuada para el LLM en un sistema de análisis GEO?","answer":"Puede utilizarse para extraer posibles afirmaciones, clasificar oraciones, buscar variantes de nombres y explicar en lenguaje natural los resultados calculados por el código. Sin embargo, es recomendable vincular todos los resultados con pruebas del texto original y dejar que el código determinista se encargue del cálculo de la puntuación final y de las reglas de límites máximos y penalizaciones."}],"sources":[{"url":"https://developers.google.com/search/docs/fundamentals/creating-helpful-content","title":"Creación de contenido útil, fiable y centrado en las personas","type":"source"},{"url":"https://developers.google.com/search/docs/appearance/ai-features","title":"Las funciones de IA y tu sitio web","type":"source"},{"url":"https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data","title":"Introducción al marcado de datos estructurados en la Búsqueda de Google","type":"source"},{"url":"https://developers.google.com/search/docs/crawling-indexing/sitemaps/overview","title":"Información sobre los mapas del sitio","type":"source"},{"url":"https://schema.org/Person","title":"Persona de Schema.org","type":"source"},{"url":"https://schema.org/Organization","title":"Organización de Schema.org","type":"source"},{"url":"https://www.w3.org/TR/prov-o/","title":"PROV-O: la ontología PROV","type":"source"},{"url":"https://arxiv.org/abs/2311.09735","title":"GEO: optimización para motores generativos","type":"source"}],"images":[{"id":902,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIwOTYsInB1ciI6ImJsb2JfaWQifX0=--085c51ba6ec88e1b1f3d7efa109fae3f43e51b14/ai-9f49d198.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"사무실에서 대형 터치스크린 분석 대시보드를 조작하는 여성","caption":"분석가가 대형 대시보드에서 데이터와 평가 항목을 검토하고 있다.","description":null},"en":{"alt":"Woman using a large touchscreen analytics dashboard in an office","caption":"An analyst reviews data and evaluation criteria on an interactive dashboard.","description":null},"ja":{"alt":"オフィスで大型タッチスクリーンの分析ダッシュボードを操作する女性","caption":"分析担当者が対話型ダッシュボードでデータと評価項目を確認している。","description":null},"es":{"alt":"Mujer usando un panel analítico táctil de gran tamaño en una oficina","caption":"Una analista revisa datos y criterios de evaluación en un panel interactivo.","description":null},"id":{"alt":"Perempuan menggunakan dasbor analitik layar sentuh besar di kantor","caption":"Seorang analis meninjau data dan kriteria penilaian pada dasbor interaktif.","description":null},"pt":{"alt":"Mulher usando um painel analítico em uma grande tela sensível ao toque","caption":"Uma analista revisa dados e critérios de avaliação em um painel interativo.","description":null},"zh-hant":{"alt":"女子在辦公室操作大型觸控分析儀表板","caption":"分析人員透過互動式儀表板檢視資料與評估項目。","description":null},"de":{"alt":"Frau bedient ein großes Touchscreen-Analyse-Dashboard in einem Büro","caption":"Eine Analystin prüft Daten und Bewertungskriterien auf einem interaktiven Dashboard.","description":null}}},{"id":903,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIxMDIsInB1ciI6ImJsb2JfaWQifX0=--899ddbc79483c66a1ff40af5062b06b2fc48617a/ai-79b1d31e.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"웹페이지 데이터를 보안 서버와 4개 평가 모듈로 분석해 점수 대시보드로 출력하는 흐름도","caption":"콘텐츠, 작성자, 연결망, 신뢰도 신호를 통합해 E-E-A-T 점수를 산출하는 분석 과정을 보여준다.","description":null},"en":{"alt":"Flowchart of webpage data passing through a secure server and four modules into scoring dashboards","caption":"The diagram shows content, author, network, and trust signals being combined into reproducible E-E-A-T scores.","description":null},"ja":{"alt":"ウェブページのデータを安全なサーバーと4つの評価モジュールで処理し、スコア画面へ送るフロー図","caption":"コンテンツ、著者、ネットワーク、信頼性のシグナルを統合してE-E-A-Tスコアを算出する流れを示している。","description":null},"es":{"alt":"Diagrama del paso de datos web por un servidor seguro y cuatro módulos hasta paneles de puntuación","caption":"El diagrama muestra cómo se combinan señales de contenido, autoría, red y confianza para puntuar E-E-A-T.","description":null},"id":{"alt":"Diagram alur data halaman web melalui server aman dan empat modul menuju dasbor penilaian","caption":"Diagram ini menunjukkan penggabungan sinyal konten, penulis, jaringan, dan kepercayaan untuk menghasilkan skor E-E-A-T.","description":null},"pt":{"alt":"Fluxograma de dados de página web passando por servidor seguro e quatro módulos até painéis de pontuação","caption":"O diagrama mostra a combinação de sinais de conteúdo, autoria, rede e confiança para gerar pontuações de E-E-A-T.","description":null},"zh-hant":{"alt":"網頁資料經安全伺服器與四個評估模組處理後輸出至評分儀表板的流程圖","caption":"此圖呈現內容、作者、網路與信任訊號如何整合為可重現的 E-E-A-T 分數。","description":null},"de":{"alt":"Flussdiagramm: Webseitendaten laufen über einen sicheren Server und vier Module zu Bewertungs-Dashboards","caption":"Das Diagramm zeigt, wie Inhalts-, Autoren-, Netzwerk- und Vertrauenssignale zu E-E-A-T-Werten kombiniert werden.","description":null}}}],"published_at":"2026-08-26T15:49:11+09:00","updated_at":"2026-08-26T15:49:11+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/es/articles/geo-eeat-scoring-system-design"}