El 30 de marzo de 2026 tomé una captura de pantalla de mis métricas. Domain Authority: 14. Linking domains: 21. Usuarios mensuales: 206. Pageviews: 819. Páginas indexadas: 48 de 87.

Ese día dejé de pensar en Google como mi audiencia primaria.

No abandoné el SEO. No borré mis meta descriptions ni quemé mi sitemap. Lo que hice fue invertir la prioridad. En vez de preguntarme cómo ranqueo mejor en la posición 3 para esta keyword, empecé a preguntarme cómo hago que ChatGPT me cite cuando alguien pregunte sobre este tema.

Cuatro meses después, tengo suficientes datos para evaluar si la apuesta funcionó.

Lo que construí en 4 meses

El stack completo que implementé incluye: llms.txt en la raíz del dominio. Content Signals en robots.txt. Markdown for Agents con content negotiation. Agent Skills discovery en /.well-known/. agent-permissions.json con reglas granulares. agents.json con contratos de ejecución. JSON-LD Knowledge Graph automático con about, mentions, citation, relatedLink. Auto-linker que agrega internal links automáticamente al publicar. RSS en tres idiomas. Generador de llms.txt como herramienta pública. GEO Tarot como recurso educativo. 22 conceptos de Generative Engine Optimization documentados.

Todo con PHP vanilla en hosting compartido. Sin frameworks. Sin Node. Sin build pipeline.

Los números: marzo vs julio 2026

Domain Authority: 14 → (número actual). Linking domains: 21 → (número actual). Usuarios mensuales: 206 → (número actual). Páginas indexadas: 48 → (número actual). Posts publicados: 52 → (número actual). Plataformas con presencia: 3 → 9 (Dev.to, Hashnode, Medium, HackerNoon, CoderLegion, Qiita, freeCodeCamp, Quora, GitHub).

Estos números los actualizaré con datos reales antes de publicar. Lo importante no son las cifras absolutas sino las tendencias y lo que revelan sobre la estrategia.

Lo que funcionó

El contenido estructurado con definiciones, datos y comparaciones consistentemente genera más engagement que el contenido narrativo puro. Esto confirma exactamente lo que el estudio de 602 prompts predijo.

Los posts técnicos con implementación real (código, configs, resultados medibles) se comparten más que los posts de opinión. Non-commodity content funciona.

La distribución en múltiples plataformas con ángulos diferentes por audiencia multiplica el alcance sin duplicar contenido. Cada crosspost tiene un ángulo único para su audiencia.

Lo que no funcionó como esperaba

La velocidad de adopción de los estándares para agentes es más lenta de lo que anticipé. Ningún agente comercial respeta oficialmente agent-permissions.json aún. Los crawlers de IA no visitan llms.txt con la frecuencia que esperaba.

El impacto directo en citaciones de IA es difícil de medir con precisión. No hay un Google Search Console para LLMs. No puedo ver cuántas veces ChatGPT o Perplexity me citaron en sus respuestas.

Lo que aprendí sobre la diferencia entre optimizar para humanos y para máquinas

La revelación más importante es que no son estrategias opuestas. Cada decisión que tomé para ser más citable por IAs también mejoró la experiencia humana. El JSON-LD no solo ayuda a los LLMs, también genera rich snippets. El contenido estructurado no solo es más extraíble por IAs, también es más legible por humanos. Los internal links automáticos no solo crean topical authority para LLMs, también ayudan a la navegación humana.

Optimizar para máquinas no es abandonar a los humanos. Es elevar el estándar de calidad hasta un punto donde ambos se benefician.

La tesis actualizada

Mi tesis original era: si construyo la infraestructura correcta ahora, cuando los agentes de IA maduren, mi sitio estará en ventaja. Cuatro meses después, la tesis se mantiene pero con un matiz: la ventaja no es solo técnica. Es de aprendizaje.

Cada estándar que implementé me obligó a entender cómo los agentes procesan contenido. Esa comprensión informa cada decisión de contenido que tomo. No solo tengo la infraestructura correcta. Tengo el modelo mental correcto para crear contenido que será relevante en un mundo donde las máquinas median la mayoría de las interacciones con información.

La pregunta no es si vale la pena optimizar para máquinas. La pregunta es cuánto tiempo puedes permitirte no hacerlo.