Estructurar tu contenido suma citas, pero no te mete en la respuesta

La mayor parte de las recomendaciones de "GEO" (optimización para motores generativos) se basan en correlaciones: las páginas citadas tienen más listas, más encabezados, aparecen más arriba en los resultados; por lo tanto, agrega listas y sube en los resultados. El problema es que esas variables se mueven juntas. Este paper intenta separarlas con un diseño causal, y lo que sobrevive al control es bastante más modesto que lo que se vende.

El diseño

Los autores corrieron 130 consultas cotidianas con un agente GPT-5.4 que debía buscar antes de responder, usando Exa como recuperador (cinco resultados por llamada). Completaron 129 transcripciones con 1,490 documentos únicos; las respuestas tenían una mediana de 29 marcadores de cita sobre seis documentos distintos. De ahí construyeron:

• Pares de competencia real. 113 pares de documentos, recuperados en la misma llamada, con soporte verificado por cita textual para el mismo hecho preespecificado. Una revisión humana ciega confirmó 103 (91.2%) como competencias estrictas por la misma proposición.
• Un 2×2 congelado. Se cruzó el orden del par con dos versiones del documento objetivo — prosa continua sin encabezados ni listas, y versión estructurada con encabezados, párrafos cortos, listas o tabla — manteniendo el resto de la transcripción idéntico y verificado por hash. 452 ensayos sobre 89 familias independientes de respuesta-objetivo.
• Una ablación mecánica. La misma secuencia exacta de palabras de la versión en prosa, reacomodada como una oración por renglón de lista, sin ningún modelo de por medio.

La calidad de la evidencia no se manipuló: ambos documentos de cada par respaldan el mismo dato. Eso es justo lo que permite aislar el efecto de la presentación.

Los resultados

• Estructura: concentra, no admite. El documento estructurado recibió +0.50 citas por respuesta (Holm p=.033), con medias de 2.69 marcadores en prosa contra 3.12 estructurado. Las citas totales de la respuesta no aumentaron y el competidor no perdió crédito. La probabilidad de ser citado al menos una vez subió +4.5 pp, con un intervalo que cruza cero.
• Posición: mucho menos de lo que parece. 85.1% de incidencia de cita en rank 1 contra 42.8% en rank 5 en los datos observacionales. Con el intercambio controlado, +7.9 pp (IC: +1.1 a +14.9; Holm p=.350) y 0.0 pp (IC: −5.4 a +5.4) en 56 pares de confirmación.
• Listas puras: inestable. La ablación de "una oración por renglón" dio +6.7 pp sobre todos los pares (p=.028), pero −5.0 pp en promedio en el subconjunto repetido (p=.22). Los autores concluyen que no hay una receta estable de marcadores de lista o de posición.
• Ruido de medición. En 120 celdas regeneradas, la decisión binaria de citar o no coincidió 85.0% de las veces; los conteos exactos, 61.7%. El ruido de decodificación explica un estimado de 45% de la varianza del efecto por familia en una sola generación.

Los propios autores lo resumen así: para auditores y publishers, esto es "una advertencia de sensibilidad de la atribución, no una táctica de optimización".

Qué cambia en cómo construimos pipelines de contenido

Nuestra lectura en SmartDevs es que el paper valida estructurar el contenido, pero por una razón distinta a la que suele darse. La estructura no parece ser lo que te mete en la respuesta; es lo que hace que, una vez dentro, el modelo pueda atribuirte más afirmaciones concretas. Eso es coherente con algo que el paper también mide: 93.2% de los textos recuperados ya traía encabezados en markdown y 76.6% líneas de lista. Si casi todo el corpus ya está estructurado, la estructura no te diferencia para entrar; la evidencia sí.

• Primero la evidencia, después el formato. En nuestros pipelines de generación, el paso que decide si una pieza se publica es si contiene un dato verificable y atribuible que no esté en diez páginas más. El formato estructurado se aplica después, como serialización, no como estrategia.
• El extractor es parte del sistema. El paper señala que serializadores y extractores forman parte del pipeline de atribución y deberían versionarse y auditarse. Si tu HTML se convierte en texto plano sin encabezados al pasar por el recuperador, el trabajo de estructura se pierde. Vale la pena revisar cómo se ve tu página en texto plano, no solo en el navegador.
• Mediciones con repeticiones. Si una de cada siete decisiones de cita cambia con solo regenerar, una herramienta que reporta "apareces / no apareces" con una consulta por pregunta está midiendo ruido. Nosotros consultamos cada pregunta varias veces y reportamos frecuencias, no un sí o un no; los autores recomiendan lo mismo para cualquier evaluación de citas.
• Desconfiar de gráficas de "rank vs. cita". La brecha de 42.3 puntos se reduce a 7.9 o a cero cuando se controla. Una correlación entre posición y cita no justifica, por sí sola, invertir en subir posiciones esperando citas proporcionales.

Las limitaciones

Es un preprint de dos autores, sin revisión por pares. Todo está condicionado a un solo recuperador (Exa), un solo agente (GPT-5.4) y transcripciones congeladas: la réplica no puede medir si un cambio en tu página cambia lo que el motor recupera en vivo. El tratamiento de estructura es una reescritura conjunta, no un cambio de formato puro. Y con 89 familias, el análisis solo tiene alrededor de 80% de poder para efectos de 8.5 pp o más, así que el +4.5 pp de incidencia queda sin resolver, no descartado.

Aun con eso, es de los pocos trabajos que separan causalmente formato, posición y evidencia en búsqueda agéntica. Y su mensaje coincide con lo que defendemos: en los motores generativos no se gana con trucos de presentación, se gana siendo la fuente que tiene el dato. La presentación solo decide cuánto crédito te llevas cuando ya estás ahí.