El tráfico orgánico cae, el tráfico directo sube en Google Analytics, pero no sabes qué consultas ahora se responden en ChatGPT sin que los usuarios lleguen a tu sitio. A mediados de 2026, los LLM capturaron el 23% del tráfico de búsqueda (datos Q2 2026 de SimilarWeb). En lugar de recuperar ese tráfico, necesitas empezar a medir la tasa de citación de tu marca como fuente en los LLM. Añade una nueva capa a tus métricas SEO: citation rate, source prominence, retrieval frequency.

Qué es Citación en LLM y por Qué Medirla Ahora

La citación en LLM es el porcentaje de veces que un modelo generativo referencia tu marca o contenido como fuente al responder a una consulta de usuario. Si ChatGPT escribe "Fuente: roibase.com.tr", Perplexity proporciona un enlace en línea, o Gemini lista tu sitio en una nota al pie, obtuviste una citación.

En el SEO clásico había "ranking" — estar en la posición 3 en Google. En la era de los LLM hay "citation prominence" — si el modelo muestra 4 fuentes, ¿cuál es tu participación? ¿Eres la primera fuente o estás al final de una lista de "fuentes relacionadas"? Esta diferencia puede cambiar la tasa de clics en un 300% (datos internos de Perplexity Labs, Q1 2026).

Si no empiezas a medir ahora, no podrás establecer una línea base. En 6 meses no podrás responder "¿funcionó nuestra estrategia GEO?" El primer paso es crear un conjunto de consultas sintéticas e interrogar regularmente los LLM.

Configurar la Arquitectura de Medición: Pipeline de Consultas Sintéticas

Medir citación en LLM no es suficiente con pruebas manuales. Necesitas hacer las mismas 50-100 preguntas a Perplexity, ChatGPT y Gemini cada día, analizando las referencias de fuentes en las respuestas. Hacemos esto con un pipeline de 3 capas:

Capa 1: Diseño del Conjunto de Consultas
Extrae de GSC las consultas de los últimos 90 días con impresiones, posición 1-20 y CTR por debajo del 5%. Estas consultas significan "aparecemos en Google pero no nos hacen clic" — es probable que los LLM ya estén respondiendo. Selecciona 50-100 consultas. No solo branded queries, sino una mezcla de informativas y transaccionales. Ejemplo: "duración de cookie en server-side GTM", "optimización de costos en BigQuery".

Capa 2: Interrogación Automatizada
Usa un workflow de n8n para interrogar la API de cada LLM una vez al día. Perplexity con parámetro model: sonar-pro, ChatGPT en modo browsing: true, Gemini con grounding: web. Guarda la respuesta como JSON — tanto el cuerpo como el array de sources. Importante: gestiona los límites de tasa (Perplexity free tier 5 req/min, ChatGPT Plus 40 req/3 horas).

Capa 3: Parser de Citaciones
En el JSON de respuesta, busca el key sources — si existe, itera el array y compara dominios (roibase.com.tr o subdominio). Si no hay sources, busca en el cuerpo enlaces en línea ([roibase](...)) o URL simples (con regex). Para cada consulta, registra 3 métricas:

  1. ¿Hay citación: booleano (0/1)
  2. Rango: en qué posición del array sources (1-5, nulo si ausente)
  3. Prominencia: ¿está en línea o solo en nota al pie? (en línea = 2, nota al pie = 1, ausente = 0)

Escribe estos datos en BigQuery en la tabla llm_citations — esquema: query_id, llm_provider, date, cited, rank, prominence.

Calcular Citation Rate y Benchmark

Si ejecutas 50 consultas una vez al día, 30 días, con 3 LLM, tienes 50 × 3 × 30 = 4.500 filas de datos. Ahora calcula las métricas:

1. Citation Rate General

SELECT 
  llm_provider,
  COUNTIF(cited = 1) / COUNT(*) AS citation_rate
FROM `project.dataset.llm_citations`
WHERE date >= DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY)
GROUP BY llm_provider;

Benchmark (Q2 2026, promedio B2B SaaS):

  • Perplexity: 18-24%
  • ChatGPT browsing: 12-16%
  • Gemini grounding: 8-14%

Si estás por debajo del 12% en Perplexity, hay una deficiencia GEO — tu contenido no está estructurado para retrieval.

2. Primary Source Rate

Cuántas veces que te citan eres la primera fuente:

SELECT 
  llm_provider,
  COUNTIF(rank = 1) / COUNTIF(cited = 1) AS primary_rate
FROM `project.dataset.llm_citations`
WHERE cited = 1
GROUP BY llm_provider;

Meta: 40%+ (si te citan, deberías ser la primera fuente en 4 de cada 10 casos). Por debajo del 20% significa que la "relevance signal" es débil — probablemente baja similaridad de embedding en el retrieval.

3. Volatilidad a Nivel de Consulta

Para cada consulta, calcula la varianza de citación en 30 días — si siempre te citan, la volatilidad es baja; si a veces sí y a veces no, es alta. Alta volatilidad significa que el LLM actualiza su índice frecuentemente o el contenido competidor te ha dejado atrás.

SELECT 
  query_id,
  STDDEV(cited) AS citation_volatility
FROM `project.dataset.llm_citations`
WHERE llm_provider = 'perplexity'
GROUP BY query_id
HAVING COUNT(*) >= 20
ORDER BY citation_volatility DESC;

Si volatility > 0.4, revisa manualmente — probablemente hay un problema de "freshness" (tu contenido se publicó hace 6 meses, el LLM prefiere contenido más reciente).

Tradeoff de Atribución: ¿Tráfico Directo o Referencia de LLM?

Hay un efecto secundario de obtener citaciones en LLM: en Google Analytics sube el tráfico directo pero no puedes saber que vino de un LLM. Porque los clics desde la interfaz web de ChatGPT aparecen como (direct) / (none) — sin header de referrer.

Para resolver esto, hay 2 métodos:

Método 1: Inyección de UTM (en API de LLM)
Si envías contenido a la API de un LLM (por ejemplo, Perplexity Publisher API), añade ?utm_source=perplexity&utm_medium=llm&utm_campaign=citation a tus URLs. Así el source aparece en GA4. Pero este método solo funciona en LLM que usan APIs — en ChatGPT web crawling no puedes inyectar UTM.

Método 2: Fingerprinting del Lado del Servidor
Los bots de LLM usan patrones específicos de user-agent:

  • Perplexity: PerplexityBot
  • ChatGPT: ChatGPT-User o GPTBot
  • Gemini: Google-Extended

Filtra estos user-agent en los logs del servidor e integra con Arquitectura de Medición First-Party para enviar eventos a GA4 del lado del servidor. Nombre del evento: llm_visit, parámetro: llm_provider. De esta forma puedes distinguir los LLM dentro del tráfico "directo".

MétodoVentajaDesventaja
Inyección de UTMSource automático en GA4Solo en APIs
Fingerprint ServidorFunciona en todos los LLMRequiere parsing de logs

Sea cuál sea el que elijas, el objetivo es: ver la correlación entre citation rate y tráfico referido de LLM. Si la citación sube el 20% pero el tráfico LLM no sube, significa que aunque te citan, los usuarios no hacen clic — problema de prominencia o calidad del snippet.

Prominencia de Citación: Diferencia Inline vs Nota al Pie

El LLM te citó, pero ¿cómo? ¿Perplexity te dio un enlace en línea (con [1] dentro de la frase), o solo apareces en una lista "Fuentes Relacionadas" al final? Esta diferencia afecta el CTR en un 400% (test A/B interno de Roibase, n=2.300 consultas).

Ejemplo de citación inline:

"La duración de cookie en server-side GTM se puede aumentar a 730 días [1]."

Ejemplo de citación en nota al pie:

"...hay varios métodos disponibles.
Fuentes:

  1. roibase.com.tr/...
  2. competitor.com/..."

En citación inline, el usuario hace clic mientras lee la frase — hay contexto. En nota al pie, solo hace clic si busca "más detalles" después de leer la respuesta — intent de conversión bajo.

Cálculo de prominence score:
Registra position_type cada vez que te citen (inline / footnote / sidebar). Toma el promedio de 30 días:

SELECT 
  AVG(CASE 
    WHEN position_type = 'inline' THEN 3
    WHEN position_type = 'footnote' THEN 1
    ELSE 0
  END) AS avg_prominence_score
FROM `project.dataset.llm_citations`
WHERE cited = 1;

Meta: 2.0+ (si te citan, más de la mitad debería ser inline). Por debajo de 1.5 significa que el LLM te ve como "fuente complementaria", no "fuente principal". Solución: estructura tu contenido para que el LLM pueda citar directamente — definiciones de una línea, fact boxes, snippets de código.

Análisis de Competencia: Solapamiento de Fuentes a Nivel de Consulta

¿En qué consultas no te citan pero tus competidores sí? Para verlo, parsea todas las fuentes que muestra el LLM en cada respuesta, no solo la tuya.

Ejemplo: en la consulta "optimización de costos en BigQuery", Perplexity muestra estas fuentes:

  1. competitor-a.com
  2. roibase.com.tr
  3. competitor-b.com

Escribe todos los datos en la tabla llm_all_sources — esquema: query_id, llm_provider, date, source_domain, rank. Ahora calcula una "matriz de solapamiento":

SELECT 
  a.source_domain AS source_1,
  b.source_domain AS source_2,
  COUNT(DISTINCT a.query_id) AS co_citation_count
FROM `project.dataset.llm_all_sources` a
JOIN `project.dataset.llm_all_sources` b 
  ON a.query_id = b.query_id 
  AND a.llm_provider = b.llm_provider
  AND a.date = b.date
WHERE a.source_domain != b.source_domain
GROUP BY source_1, source_2
HAVING co_citation_count > 5
ORDER BY co_citation_count DESC;

Esta consulta te muestra: "somos citados juntos con competitor-a en 47 consultas." Ahora divide co_citation_count por el número total de consultas donde competitor-a es citado — esto es tu "citation overlap ratio". Si es mayor al 60%, compiten directamente; si es menor al 30%, están en nichos diferentes.

Convertir a acciones:
Si el solapamiento es alto pero no te citan (competitor-a sí, tú no), cierra el gap de contenido de esa consulta. Lee la página del competidor — ¿qué facts menciona, qué formato usa (tabla / lista / código)? Da los mismos facts pero más estructurados (JSON-LD, tabla, bullets) — el retrieval de LLM prefiere estas estructuras.

Qué Empezar a Medir Ahora

Para configurar métricas de citación en LLM, primero diseña un conjunto de consultas sintéticas — extrae de GSC las consultas de bajo CTR y alta impresión. Luego, crea un pipeline de sondeo diario con n8n, escribe las respuestas en BigQuery. En los primeros 30 días, establece la línea base: citation rate, primary source rate, prominence score. Después, mide el impacto de tus trabajos en Generative Engine Optimization — qué cambios de contenido subieron el citation rate, cuáles lo bajaron. Si obtuviste citaciones pero no tráfico, es un problema de prominencia — apunta a referencias inline. Analiza los patrones de co-citación para ver dónde te ganan los competidores y cierra esos gaps. Añade estas métricas a tu dashboard SEO — a finales de 2026, mirarás "tráfico orgánico + visibilidad en LLM" en lugar de solo tráfico orgánico.