Si hubiera que elegir un solo tipo de contenido para trabajar GEO, elegiríamos este: los datos propios. Una estadística que sólo tiene una empresa, una encuesta original, un relevamiento de precios o un análisis de casos reales es algo que ningún asistente de IA puede obtener de otro lado. Y cuando un modelo necesita un dato para respaldar una respuesta, tiende a citar la fuente que lo originó. Contamos por qué funciona, qué tipos de datos sirven y cómo publicarlos para que se puedan citar.
Por qué los datos originales se citan más
Los asistentes de IA y los resúmenes con IA de Google responden a partir de lo que encuentran en la web. Cuando una pregunta pide un número (“cuánto cuesta”, “qué porcentaje”, “cuántas empresas”), el sistema busca una fuente que lo respalde. Si cien sitios repiten el mismo dato, la fuente original tiene una ventaja natural: es la referencia de todas las demás.
Hay otra razón, menos obvia. El contenido genérico (definiciones, listas de consejos, explicaciones básicas) es exactamente lo que un modelo ya sabe resolver solo. No necesita citar a nadie para explicar qué es un plan de marketing. En cambio, no puede inventar un dato que no existe, o al menos no debería. Ahí es donde una fuente original se vuelve necesaria.
Google no publica cómo eligen sus sistemas las fuentes que citan, y ninguna plataforma de IA lo hace. Lo que describimos es una lógica consistente con cómo funcionan estos sistemas y con lo que observamos en el trabajo con clientes, no una regla confirmada.
Qué cuenta como dato propio
No hace falta un departamento de investigación. Muchas empresas ya tienen datos valiosos sin explotar:
- Datos operativos agregados: tiempos promedio de entrega, consultas más frecuentes, estacionalidad de la demanda, precios promedio de una categoría. Siempre anonimizados y sin exponer información sensible.
- Encuestas a clientes o al sector: aunque la muestra sea chica, si la metodología es clara y honesta, tiene valor.
- Relevamientos propios: comparar precios de un rubro, revisar cuántos sitios de un sector cumplen con algo, contar cuántas empresas usan una tecnología.
- Análisis de casos: qué pasó con diez proyectos reales, qué se repitió, qué funcionó y qué no.
- Series en el tiempo: el mismo dato medido todos los meses o todos los años. Con el tiempo se vuelven la referencia del tema.
Cómo publicarlos para que se puedan citar
El dato principal, arriba y en una frase
Una página de datos no es un informe para leer de punta a punta. El hallazgo principal tiene que estar en el primer párrafo, en una frase completa que se entienda sola: qué se midió, cuál es el resultado, cuándo y dónde. Por ejemplo, una frase con esta forma: “En [mes y año], el [porcentaje] de las [cantidad] tiendas online que relevamos en [país] no tenía una política de devoluciones visible”. Una frase así puede extraerse y citarse sin perder sentido, porque trae consigo el qué, el cuánto, el cuándo y el dónde.
Metodología visible
Cómo se obtuvo el dato, con qué muestra, en qué período y con qué limitaciones. No sólo da credibilidad ante las personas: también permite que un sistema evalúe si la fuente es confiable. Un dato sin metodología se parece demasiado a una afirmación inventada.
Tablas en HTML, no en imágenes
Los datos dentro de infografías, gráficos en imagen o PDF descargables son más difíciles de procesar. La tabla en HTML, con encabezados claros, es la forma más simple de que el dato sea accesible. El gráfico puede estar, pero como complemento.
Fecha de publicación y de actualización
Los datos envejecen. Una página que muestra cuándo se midió y cuándo se actualizó por última vez es más útil, y más citable, que una sin fecha. Si el dato se actualiza periódicamente, conviene mantener la misma URL y renovar el contenido, en lugar de crear una página nueva cada año.
Una URL propia para cada estudio
Un hallazgo enterrado en el párrafo doce de una nota de blog sobre otro tema es difícil de encontrar. Los estudios importantes merecen su propia página, con un título que describa el dato.
Cómo hacer que circulen
Un dato que nadie ve no se cita. La difusión es parte del trabajo:
- Enviarlo a periodistas y medios especializados del sector, con el hallazgo principal en el asunto del correo.
- Publicarlo en LinkedIn y en las redes donde está la audiencia profesional del rubro.
- Presentarlo en eventos, webinars o newsletters de terceros.
- Usarlo en las propias notas del sitio, enlazando siempre a la página original.
Cada mención en otro sitio refuerza a la fuente original. Y es una de las formas legítimas que tienen las marcas medianas y chicas de competir con las grandes en las respuestas de IA, como vimos en el caso práctico de una marca chica frente a las grandes.
Errores que conviene evitar
- Inflar la muestra o el alcance. Si se encuestó a 80 personas, se dice 80. Un dato exagerado que alguien desmiente daña la reputación de la marca mucho más de lo que suma.
- Presentar opiniones como datos. “La mayoría de las empresas no mide bien su tráfico” no es un dato si no hay una medición detrás.
- Reciclar datos de terceros sin aportar nada. Citar un estudio ajeno está bien; presentarlo como propio, no.
- Publicar y olvidar. Un dato de 2023 sin actualizar pierde valor frente a uno de 2026.
Cuánto esfuerzo requiere
Menos del que parece. Un relevamiento simple puede hacerse en una o dos semanas con una planilla y criterios claros. Una encuesta corta a clientes se arma en un día y se cierra en un mes. Lo que sí requiere es constancia: el valor de una serie de datos crece cada vez que se actualiza, y una marca que publica el mismo indicador todos los años termina siendo la referencia obligada del tema, tanto para los medios como para los sistemas de IA.
Un punto de partida
Para empezar, proponemos un ejercicio simple: listar las cinco preguntas con números que más se hacen los clientes del rubro y revisar si la empresa tiene datos para responder alguna. Casi siempre hay al menos una. Esa es la primera página de datos que vale la pena publicar.
Los datos propios son una de las siete acciones que proponemos en nuestra guía de GEO para aparecer en las respuestas de ChatGPT, Gemini y Google. Si hubiera que empezar por una sola, empezaríamos por esta: es la que mejor resiste los cambios de modelo, porque mientras alguien necesite un dato, va a necesitar una fuente.
