Plan de acción 90 días: ser citado por ChatGPT y Perplexity

Por qué ChatGPT y Perplexity no citan aún su institución

La causa más frecuente no es la falta de reputación, sino la ausencia de señales técnicas que los motores de IA puedan leer e interpretar. ChatGPT y Perplexity sintetizan respuestas a partir de contenidos estructurados, datos verificables y menciones externas de autoridad. Si su web no los proporciona, la IA prescinde de su institución, con independencia de la calidad académica que ofrezca.

En España, solo el 11 % de las respuestas de ChatGPT mencionan una universidad cuando un candidato pregunta sobre educación superior; en Perplexity, esa cifra asciende al 19 %, igualando la media europea (Fuente: Monitoreo GEO Skolbot, 500 consultas × 6 países × 3 motores IA, feb. 2026). El 81 % restante de las respuestas de ChatGPT no nombra ninguna institución española. Ese vacío es la oportunidad que este plan de acción le ayudará a capturar.

Investigaciones independientes respaldan el potencial de mejora: los mejores métodos de optimización GEO mejoran la visibilidad en motores de IA entre un 30 % y un 40 % (Investigación de Princeton sobre Generative Engine Optimization). Para una universidad privada española con acreditación ANECA y programas oficiales verificables, ese margen es completamente alcanzable en 90 días con las acciones correctas.

Para entender los fundamentos del GEO en educación superior antes de iniciar el plan, consulte nuestra guía GEO para universidades.

Los 4 pilares de la visibilidad en IA

La visibilidad en ChatGPT y Perplexity descansa sobre cuatro pilares interdependientes. Ninguno de ellos actúa de forma aislada: la ausencia de uno limita la eficacia de los tres restantes. El plan de 90 días está diseñado para construirlos de forma secuencial, empezando por los que generan el mayor impacto en el menor tiempo.

Antes de iniciar la Fase 1, realice una línea de base: ejecute 20 consultas estratégicas en ChatGPT y Perplexity y registre cuántas veces citan su institución. Ese número es su punto de partida. Para construir esa línea de base de forma sistemática, puede seguir el protocolo de nuestro diagnóstico de visibilidad en ChatGPT.

Fase 1 – Días 1 a 30: Fundamentos técnicos

La prioridad de los primeros 30 días es convertir su sitio web en una fuente legible e identificable para los motores de IA. Sin una base técnica sólida, las mejoras de contenido de las fases siguientes tendrán un impacto limitado.

Semana 1: implementar Schema.org EducationalOrganization

El primer paso es marcar su página de inicio y su página «Sobre nosotros» con el vocabulario EducationalOrganization de schema.org en formato JSON-LD. Este marcado transforma su institución de un bloque de texto en una entidad reconocible: la IA pasa de «hay un sitio web con información sobre una escuela» a «esta es la Universidad X, acreditada por ANECA, con sede en Madrid, 3.200 estudiantes».

Los campos mínimos para un impacto inmediato son: name, url, address, foundingDate, accreditation, numberOfStudents y areaServed. El campo accreditation es especialmente relevante en España: incluir la acreditación ANECA de forma explícita es una señal de autoridad que los motores de IA procesan con mayor fiabilidad que un texto no estructurado.

Las instituciones con Schema.org estructurado obtienen de media +12 puntos de visibilidad en las respuestas de motores IA (Fuente: Monitoreo GEO Skolbot, 500 consultas × 6 países × 3 motores IA, feb. 2026). Es la acción de mayor retorno en el menor tiempo de todo el plan.

Para la implementación técnica completa del marcado estructurado, consulte nuestra guía de datos estructurados para universidades.

Semana 2: Schema.org Course en cada página de programa

Cada página de grado o máster debe incorporar el schema Course con los campos: name, description, provider, educationalLevel, duration, tuitionInfo, accreditation y teaches. Si sus programas son oficiales con verificación ANECA o tienen relevancia para el acceso vía Selectividad/EBAU, inclúyalo en programPrerequisites.

Priorice los tres programas con mayor volumen de consultas externas. Puede identificarlos revisando Google Search Central con sus datos de Search Console: las páginas que más impresiones generan en búsquedas sobre «mejor grado/máster en [disciplina] España» son las que la IA utiliza con más frecuencia como fuente.

Semana 3: auditoría de velocidad y rastreabilidad

Un motor de IA no puede citar lo que no puede rastrear. Verifique que su archivo robots.txt no bloquea páginas de programas ni páginas de datos clave. Compruebe que el sitemap XML está actualizado y enviado en Google Search Central. Asegúrese de que las páginas más importantes cargan en < 2,5 segundos en dispositivos móviles: los motores IA priorizan fuentes con buena experiencia de usuario como señal de credibilidad.

Semana 4: página de acreditaciones y datos institucionales

Cree o actualice una página dedicada a las acreditaciones y datos institucionales de su universidad. Esta página debe incluir: todas las acreditaciones vigentes (ANECA, AACSB, EQUIS, AMBA, EUR-ACE según corresponda), posiciones actuales en rankings (QS, CYD, El Mundo), número de estudiantes, número de países representados y tasa global de inserción laboral con metodología y año. Marque esta página con EducationalOrganization y añada también el schema AboutPage.

Fase 2 – Días 31 a 60: Contenido citable

Con la base técnica en marcha, los días 31 a 60 se centran en producir el tipo de contenido que los motores de IA extraen y citan en sus respuestas. Para un análisis detallado de los formatos más efectivos, consulte nuestra guía sobre contenido citado por ChatGPT para universidades.

Crear cápsulas de respuesta en cada H2

Una cápsula de respuesta es un párrafo de 40 a 60 palabras que responde directamente a una pregunta concreta en las dos primeras frases de cada sección. Los LLM extraen estos fragmentos como respuestas autónomas. Si su contenido empieza con contexto general antes de responder, la IA descarta el fragmento.

Ejemplo incorrecto: «La Universidad X tiene una larga tradición en la formación de profesionales del ámbito económico y empresarial, con décadas de experiencia en la enseñanza superior española.»

Ejemplo correcto: «El Grado en ADE de [Universidad X] dura 4 años, tiene una tasa de empleo del 89 % a los 6 meses (encuesta de egresados ANECA 2025, 412 encuestados) y un salario mediano de primer empleo de 24.500 € brutos anuales. Está acreditado por la ANECA y la nota de corte en la EBAU 2025 fue de 9,1.»

Publicar tablas de datos por programa

Las tablas son el formato más eficientemente extraído por los motores de IA. Para cada uno de sus programas principales, publique una tabla que incluya: duración, precio de matrícula, tasa de inserción laboral, salario mediano de primer empleo, nota de corte EBAU, número de plazas y acreditaciones. Actualícela cada curso académico con la fecha de actualización visible.

Crear páginas FAQ estructuradas

Cada página de programa necesita una sección FAQ con markup FAQPage de schema.org. Las preguntas deben ser las que los futuros candidatos formulan realmente a los motores de IA: «¿Cuánto cuesta el MBA de [universidad] en 2026?», «¿Qué nota hace falta para entrar en [grado]?», «¿El título de [universidad] está reconocido por la ANECA?». Evite las FAQ de marketing: «¿Por qué elegir nuestra universidad?» no será extraída por ningún motor de IA.

Señales de frescura

Perplexity y los sistemas de indexación que alimentan a ChatGPT favorecen el contenido actualizado. Publique o actualice al menos dos piezas de contenido por semana durante esta fase: puede ser una actualización de datos de empleabilidad, una entrada de blog con datos del último proceso de admisión, o una página de programa con datos de la convocatoria EBAU vigente. Incluya siempre la fecha de publicación y de última modificación en el metadato dateModified.

Para comprender cómo estos esfuerzos se articulan con Google AI Overviews, lea nuestro análisis sobre los AI Overviews y su impacto en universidades.

Fase 3 – Días 61 a 90: Amplificación y menciones externas

La tercera fase aborda el factor que más diferencia a Perplexity de ChatGPT: la corroboración externa. Perplexity cruza fuentes para validar sus afirmaciones. Si su universidad solo aparece referenciada en su propia web, el motor no puede corroborar la información con independencia, lo que reduce la probabilidad de cita.

Consolidar su presencia en agregadores de autoridad

Los motores de IA conceden un peso especial a las menciones en plataformas que ellos mismos consideran fuentes fiables. Para el mercado español de educación superior, los agregadores más relevantes son:

• ANECA: asegúrese de que todos sus programas acreditados están actualizados en el registro oficial y accesibles públicamente.
• Rankings El Mundo / QS: participe en los procesos de recogida de datos. Una posición en el ranking de El Mundo, aunque no sea en el top 10, genera una mención externa que Perplexity y ChatGPT procesan como señal de autoridad.
• Universia: actualice o cree su ficha institucional con datos completos, incluyendo acreditaciones y tasas de inserción laboral.
• LinkedIn School Pages: los motores de IA indexan LinkedIn. Una página de institución completa, con número de egresados y datos de empleabilidad, refuerza la señal.

Relaciones con medios sectoriales

Publique artículos de opinión o datos de investigación propios en medios de referencia para la educación superior española: El Mundo, El País (sección educación), Expansión, o publicaciones sectoriales como Universia Knowledge@Wharton para escuelas de negocios. Cada artículo con mención de su institución y enlace a su web actúa como una cita externa que refuerza su credibilidad ante la IA.

Gestión de menciones no solicitadas

Busque menciones existentes de su institución en foros, directorios y plataformas de opinión (Emagister, educaweb, Trustpilot educativo). Si hay información incorrecta —precio desactualizado, datos de acceso erróneos— reclame el perfil y corrija los datos. Una mención con información incorrecta puede ser citada por la IA y dañar su reputación ante los candidatos.

Protocolo de difusión de nuevo contenido

Cada vez que publique una pieza citable (tabla de datos, FAQ de programa, encuesta de egresados), actívela en tres canales: redes sociales institucionales con enlace directo, newsletter para alumni y prospecto, y comunicado a medios si los datos son de interés periodístico (por ejemplo, «el 93 % de los egresados de nuestro MBA encuentran empleo en 6 meses»). Este protocolo acelera la indexación y multiplica las probabilidades de mención externa.

Para completar su estrategia de visibilidad en Perplexity con una auditoría detallada, consulte nuestra guía de auditoría de visibilidad en Perplexity.

Medir los resultados en el día 90

Al finalizar los 90 días, la medición debe compararse con la línea de base registrada antes de iniciar la Fase 1. Una mejora estructural real requiere datos sistemáticos, no impresiones puntuales.

Protocolo de medición en el día 90

Ejecute el mismo conjunto de 20 consultas estratégicas que utilizó al inicio, en los mismos motores (ChatGPT, Perplexity, Google AI Overviews) y en condiciones equivalentes (sesión limpia, sin historial de usuario). Registre para cada consulta: si su institución aparece citada, mencionada o ausente; si la información es correcta; y si Perplexity enlaza a páginas de su web como fuente.

Qué hacer si los resultados están por debajo del objetivo

Si tras 90 días la tasa de cita en consultas genéricas sigue siendo inferior al 15 %, las causas más probables son: Schema.org no validado correctamente (verifique con schema.org y el Rich Results Test de Google), páginas de programa sin tablas de datos cifrados, o ausencia de menciones externas en agregadores de autoridad. El diagnóstico más eficiente es una auditoría GEO específica: revise cuáles de las 20 consultas de prueba muestran fuentes de sus competidores y analice qué tienen esas fuentes que sus páginas no tienen.

Tras el día 90, la visibilidad en IA requiere mantenimiento: actualice los datos de cada programa al inicio de cada curso académico, publique la encuesta de inserción laboral en cuanto esté disponible, y repita el ciclo de amplificación externa con los nuevos datos. Las instituciones que ganan terreno en visibilidad IA no son las que hacen un esfuerzo puntual, sino las que incorporan el GEO como parte de su calendario editorial ordinario.

FAQ

¿Cuánto tiempo se tarda en ver los primeros resultados?

Los primeros resultados visibles suelen aparecer entre las semanas 4 y 8, una vez que el Schema.org está correctamente implementado y las nuevas páginas de contenido comienzan a ser indexadas. Perplexity reacciona más rápido que ChatGPT, en ocasiones en 2 a 3 semanas, porque consulta la web en tiempo real. ChatGPT actualiza sus corpus con menos frecuencia, por lo que los cambios pueden tardar entre 6 y 10 semanas en reflejarse de forma consistente.

¿Este plan es válido para una universidad pequeña sin presencia en rankings?

Sí, y con frecuencia las instituciones más pequeñas tienen más que ganar que las grandes. Los motores de IA responden a consultas de nicho — «mejor grado en fisioterapia acreditado por ANECA en Andalucía», «universidad con doble titulación Franco-española en Valencia» — donde las instituciones especializadas tienen una ventaja real sobre las grandes marcas. La clave es producir contenido factual y estructurado sobre su especialidad, no competir en consultas genéricas de alto volumen.

¿Qué diferencia hay entre optimizar para ChatGPT y para Perplexity?

Las técnicas son mayoritariamente las mismas: Schema.org, contenido factual, FAQ estructuradas. La diferencia principal es que Perplexity muestra sus fuentes explícitamente con enlaces clicables, lo que facilita el seguimiento y el diagnóstico. Perplexity también reacciona antes a los cambios de contenido. Si necesita priorizar, empiece por Perplexity: las optimizaciones que mejoran su visibilidad allí también benefician a ChatGPT. Para una auditoría específica de Perplexity, consulte nuestra guía de auditoría de visibilidad en Perplexity.

¿Es necesario contratar recursos técnicos externos para implementar Schema.org?

No necesariamente. El markup JSON-LD puede añadirse directamente en el <head> de cada página sin modificar el código de la plantilla en muchos CMS (WordPress, Drupal, HubSpot CMS). Existen plugins y módulos nativos que generan el JSON-LD a partir de los campos del CMS sin necesidad de desarrollo personalizado. En caso de un sitio a medida, la implementación de los schemas básicos EducationalOrganization y Course representa habitualmente un esfuerzo de <3 días de desarrollo para un equipo técnico interno.

¿Cómo sé si el Schema.org está correctamente implementado?

Utilice el Rich Results Test de Google Search Central para validar cada página después de la implementación. Esta herramienta gratuita muestra los errores y advertencias del markup de forma detallada. También puede usar el Validador de Schema.org disponible en schema.org. Ambas herramientas no requieren registro y proporcionan un diagnóstico inmediato. Compruebe al menos las páginas de inicio, programas principales y FAQ: son las que los motores de IA rastrean con mayor frecuencia.