Astra domina el nuevo rastreador AEO, Anthropic prefiere una investigación más amplia

Latent Space ha lanzado un nuevo Frontier AEO Tracker que rastrea cómo los principales modelos de IA recomiendan herramientas y servicios en 161 categorías. La metodología involucró miles de millones de tokens y 6 variaciones de indicaciones en 7 modelos diferentes con búsqueda web activa. El objetivo es proporcionar a fundadores y desarrolladores datos concretos sobre cómo se clasifican sus productos a los ojos de la IA generativa cuando los usuarios piden recomendaciones en áreas que van desde agentes de codificación hasta software de nómina.

Menos fuentes conducen a una mayor asertividad

Mientras que los modelos de Anthropic tienden a buscar en más fuentes (Fable con una mediana de 15 fuentes, Opus 11), los modelos Astra prefieren la eficiencia y confían en menos fuentes (mediana de Astra 5, Sol 9). La prueba muestra que Astra es mucho más asertivo y menos propenso a cambiar su respuesta cuando se modifica ligeramente la indicación. Para las empresas, esto significa que la optimización AEO es aún más crítica para modelos más seguros, ya que las variaciones de respuesta aleatorias disminuyen.

Fuerte sesgo en las herramientas para desarrolladores

El rastreador reveló interesantes sesgos suaves. En la categoría de agentes de codificación, por ejemplo, Fable y Opus prefieren lógicamente Claude Code, Sol y Astra recomiendan Codex, Grok se inclina hacia Cursor y SWE-1.7 destaca a Devin. Por otro lado, los modelos GPT de OpenAI mostraron una neutralidad encomiable, a veces recomendando al propio Claude. De las 161 categorías, 28 tienen un claro y universal favorito en todos los modelos, mientras que el resto sigue siendo un campo de batalla altamente competitivo para AEO.

Los que no leen contenido formateado pierden

El análisis confirmó que los modelos sí evalúan y consumen el contenido en función de su estructura. Las prácticas como la negociación de contenido en Markdown, medidas por servicios como Ora o Vercel, tienen un impacto real. Si los modelos no pueden leer técnicamente su sitio web debido a errores o un formato deficiente, lógicamente no lo citarán ni lo recomendarán, lo que da una señal clara para el mantenimiento técnico de blogs corporativos y documentación.

Pérdida de diversidad en las recomendaciones

Los modelos excesivamente confiados pueden limitar la variedad de herramientas que los usuarios conocen. Si las empresas emergentes no logran situarse entre las opciones más recomendadas en estos sistemas altamente asertivos, quedarán excluidas de una parte cada vez mayor del tráfico y los clientes potenciales.

El veredicto de Lilith

Enseñar a la IA a decir tu nombre ahora es más valioso que comprar AdWords. Quienes no optimicen para las máquinas dejarán de existir para los humanos.