Hacer visible una red de restaurantes en las respuestas de la IA: un proyecto GEO paso a paso

Los comensales ya no solo buscan 'restaurante cerca'. Le piden a ChatGPT un italiano tranquilo para seis el viernes, o dejan que el AI Mode de Google compare tres opciones. Una plataforma europea de hostelería con una gran red de webs de restaurantes quería saber cuántos clientes llegan ya así y cómo meter a sus restaurantes en esas respuestas. Este es el resumen anonimizado de ese proyecto: tres fases, evaluar, seleccionar y sprint, desde la primera línea base hasta diez experimentos priorizados y dos pruebas de concepto funcionando. Qué medimos, qué probamos y qué volvería a hacer igual.

Dominik Heinrich

8 de noviembre de 202610 min de lectura

1. Fase uno, evaluar: medir antes de optimizar

La primera pregunta no fue 'cómo posicionamos en ChatGPT', sino 'cuánto de nuestro tráfico viene ya de la IA y si convierte'. Dos fuentes de datos lo responden sin herramientas nuevas. La analítica web muestra las visitas cuyo referente es un asistente de IA, como chatgpt.com, perplexity.ai, gemini.google.com o copilot.microsoft.com; un grupo de canales propio las separa de la búsqueda orgánica y las redes sociales. Con las funciones de IA de Google la cosa cambia: según Google, las visitas desde AI Overviews y AI Mode se cuentan en el informe de rendimiento de Search Console bajo el tipo de búsqueda 'Web', junto con la búsqueda normal.

Puestas una junto a otra, las visitas que llegan desde la IA y sus reservas frente a la búsqueda clásica dieron la línea base con la que se midió cada experimento posterior. Esa línea base importa más que cualquier demo de herramientas: sin ella, nadie podrá decir dentro de tres meses si algo funcionó.

text

Custom channel group 'AI assistants' (session source matches regex)
^(chatgpt\.com|chat\.openai\.com|perplexity\.ai|gemini\.google\.com|copilot\.microsoft\.com|claude\.ai)$

Google AI Overviews / AI Mode: no separate referrer —
counted in Search Console > Performance > Search type 'Web'

Evaluar, seleccionar, sprint: cada experimento se mide contra la línea base de la fase uno.

2. Investigación de prompts para unas 150 páginas

Las listas de palabras clave describen lo que la gente escribe en un buscador. Los asistentes de IA reciben frases enteras: quién viene, qué quieren comer, la ocasión, el presupuesto, la zona. Así que el segundo paso fue investigar prompts. Para unas 150 páginas, un LLM leyó el sitemap y cada página y generó las preguntas que un comensal real haría plausiblemente a un asistente para acabar justo en esa página. Esos prompts pasaron a Semrush para seguirlos, y así ver con el tiempo si los restaurantes aparecían en las respuestas de la IA y cómo.

Dos detalles importan. Los prompts tienen que sonar a comensales, no a marketing, así que pide a personas que conocen los restaurantes que lean una muestra antes de seguir cientos. Y la generación puede funcionar con un modelo abierto en tu propia infraestructura cuando el contenido de las páginas o los datos de analítica no deben salir de la empresa; ese montaje lo explico en un artículo aparte.

Consejo práctico

Escribe cinco prompts por página a mano antes de generar cien. Se convierten en el listón con el que se juzgan los prompts del modelo.

Interactivo

¿Qué le preguntan tus clientes a una IA?

Elige un sector y las intenciones que te interesan. Los ejemplos salen de plantillas en tu navegador; la investigación real genera cientos por página con un modelo abierto a partir de tu sitemap.

Sector

CiudadTu marca

Intención

¿Cuál es el mejor restaurante de Munich?
¿Qué restaurante de Munich recomienda la gente de allí?
Compara las tres mejores opciones de restaurante en Munich por precio y reseñas
¿Tu marca u otro restaurante en Munich: qué es mejor para un equipo pequeño?
¿Dónde puedo reservar un restaurante en Munich para este fin de semana?
Encuentra un restaurante en Munich con disponibilidad mañana

Todas las calculadoras y checklists

3. Herramientas y las preguntas del departamento legal

El mercado de herramientas de visibilidad en IA cambia cada mes, así que las comparamos con una lista corta de criterios en vez de con fichas de funciones: qué asistentes consultan de verdad, con qué frecuencia, en qué países e idiomas, si se pueden exportar los resultados y cuánto cuestan por prompt seguido. El seguimiento de prompts se hizo en Semrush.

Legal y protección de datos hicieron las preguntas que deben hacer: qué datos van a qué proveedor, si algún dato de comensales sale de la empresa, dónde se procesa, si un proveedor puede usarlo para entrenar. Tener esas respuestas por escrito antes de la primera prueba ahorró semanas después. Es también la razón por la que el paso de generación de la sección anterior puede funcionar con un modelo abierto en infraestructura propia cuando hace falta.

4. Fichas: los datos que citan los asistentes

Cuando un asistente recomienda un restaurante, cita datos: horario, dirección, tipo de cocina, rango de precios, si se puede reservar mesa para seis. Esos datos vienen de la web del propio restaurante y de portales de terceros, y cuando no coinciden, el asistente elige uno o deja fuera el restaurante. Así que comparamos plataformas de fichas que pueden publicar los datos de restaurantes en muchos portales mediante API, con una única fuente de verdad detrás.

En la web, los datos estructurados hacen el mismo trabajo para los buscadores: un bloque Restaurant o LocalBusiness por local con horario, dirección, enlace a la carta y opciones de reserva, siguiendo la guía de Google para negocios locales. La propia Google dice que sus funciones de IA no necesitan optimizaciones especiales más allá de un buen SEO; los datos coherentes y estructurados son justo eso.

json

{
  "@context": "https://schema.org",
  "@type": "Restaurant",
  "name": "Trattoria Example",
  "servesCuisine": "Italian",
  "priceRange": "€€",
  "address": { "@type": "PostalAddress", "streetAddress": "…", "addressLocality": "…" },
  "openingHoursSpecification": [{ "@type": "OpeningHoursSpecification", "dayOfWeek": ["Friday", "Saturday"], "opens": "18:00", "closes": "23:00" }],
  "acceptsReservations": "True",
  "hasMenu": "https://example.com/menu"
}

5. Fase dos, seleccionar: diez experimentos, priorizados en un taller

La evaluación produce más ideas de las que cualquier equipo puede probar. Escribimos cada una como un experimento con una hipótesis, la métrica de la línea base que debería mover y una estimación de esfuerzo, y ordenamos la lista por impacto y esfuerzo en un taller con las personas que tendrían que ejecutarlos. Pasaron diez. La lista mezclaba a propósito experimentos técnicos, de contenido y de fichas, porque nadie sabe aún qué palanca mueve más las respuestas de la IA para un negocio concreto, y la forma honesta de averiguarlo es probar varias en paralelo.

El taller también decidió qué no hacer. Todo lo que no se podía medir contra la línea base, o tardaba meses en dar el primer resultado, quedó aparcado. Eso evita que un programa GEO se convierta en una fábrica de contenidos que nadie puede evaluar.

6. Fase tres, sprint: pruebas de concepto, no diapositivas

Los mejores experimentos se hicieron en sprints, y dos se convirtieron en pruebas de concepto funcionando. La primera publicaba los datos de los restaurantes automáticamente en portales de terceros mediante una API de fichas, así un cambio en un sitio llega a todos los portales en vez de mantenerse a mano en cada uno. La segunda era un generador de artículos SEO y GEO: redacta páginas que responden al tipo de preguntas de la investigación de prompts, a partir de los datos del propio restaurante. Las páginas generadas siempre deberían pasar una revisión humana antes de publicarse.

El sentido de la línea base de la fase uno es que cada experimento se pueda medir contra ella. Ese bucle, medir, seleccionar, construir y volver a medir, es lo que mantendría en cualquier proyecto GEO, sea del sector que sea. La comprobación de preparación GEO de abajo da una primera puntuación aproximada para tu propia web, y mi guía GEO Adaptation Framework cubre el proceso completo.

Conclusión
El GEO no es un truco de magia nuevo sino medición disciplinada: una línea base con los datos que ya tienes, prompts realistas por página, datos coherentes allí donde miran los asistentes y experimentos que puedes demostrar o descartar.

Proyectos reales relacionados

GEO: hacer visible una red de restaurantes en la búsqueda con IA

Pruébalo tú mismo

¿Lo quieres en tu empresa? Hablemos mail@dominikheinrich.ch

Fuentes y guías oficiales

Más artículos