Archivo de la etiqueta: Visibilidad

La biblioteca más allá de la biblioteca: reformulando la propuesta de valor de la biblioteca para lograr visibilidad e impacto.

Lavoie, Brian y Rebecca Bryant. The Library Beyond the Library. Hanging Together (OCLC Research Blog), 5 de junio de 2024. Proyecto ampliado posteriormente en el informe de OCLC Research – The Library Beyond the Library (abril de 2026)

Texto completo

Durante décadas, las bibliotecas universitarias han desempeñado un papel claramente definido dentro de las universidades: gestionar colecciones físicas y digitales, organizar recursos documentales y facilitar el acceso a información adquirida externamente para estudiantes, docentes e investigadores. Este modelo tradicional, centrado en la gestión de colecciones y servicios bibliográficos, permitió que las bibliotecas funcionaran de forma relativamente autónoma, siendo percibidas como espacios dedicados principalmente a custodiar conocimiento y proporcionar acceso a materiales académicos. Sin embargo, los profundos cambios experimentados por la investigación científica, la digitalización y las nuevas dinámicas institucionales han provocado una transformación sustancial de este paradigma.

El informe desarrollado por OCLC Research introduce el concepto “The Library Beyond the Library” (“La biblioteca más allá de la biblioteca”), una idea que refleja cómo las bibliotecas universitarias están expandiendo su radio de acción mucho más allá de sus funciones históricas. Ya no se limitan a administrar colecciones o proporcionar servicios de préstamo, sino que participan activamente en áreas estratégicas vinculadas al ecosistema global de investigación institucional. Esto incluye la gestión de datos científicos, repositorios institucionales, apoyo a políticas de ciencia abierta, análisis bibliométricos, visibilidad académica, gestión de perfiles de investigadores, preservación digital, apoyo a la publicación científica y desarrollo de infraestructuras de información para la toma de decisiones universitarias.

Uno de los hallazgos centrales del estudio es que esta evolución está obligando a las bibliotecas a establecer alianzas transversales con otras unidades universitarias. Servicios antes exclusivamente bibliotecarios ahora requieren colaboración con oficinas de investigación, departamentos de tecnologías de la información, unidades de innovación educativa, áreas de gestión institucional y oficinas dedicadas a la captación de fondos o al cumplimiento de políticas científicas internacionales. Estas colaboraciones generan nuevos modelos organizativos en los que la biblioteca deja de ser una unidad aislada para convertirse en una pieza integrada dentro de la infraestructura estratégica de la universidad. El conocimiento especializado de los bibliotecarios comienza así a insertarse en procesos institucionales mucho más amplios relacionados con la producción científica y la reputación académica.

Los investigadores Brian Lavoie y Rebecca Bryant subrayan que este cambio no consiste únicamente en ampliar servicios, sino en redefinir la propuesta de valor de la biblioteca. Tradicionalmente, el valor de la biblioteca se medía por indicadores visibles como número de préstamos, tamaño de la colección o afluencia de usuarios. En el nuevo escenario, buena parte del trabajo bibliotecario ocurre “detrás del escenario”, influyendo en procesos complejos que muchos actores universitarios no identifican inmediatamente como parte del trabajo bibliotecario. Esto genera un desafío importante: cuanto más estratégica se vuelve la biblioteca, más invisible puede parecer su contribución si no se comunica adecuadamente su impacto dentro de la institución. La percepción pública continúa asociando a menudo la biblioteca únicamente con libros, salas de estudio o acceso a recursos electrónicos, ignorando funciones emergentes de enorme relevancia institucional.

El estudio presenta varios casos concretos que ilustran esta transición. En la University of Manchester, por ejemplo, la biblioteca lidera una nueva oficina institucional dedicada a la investigación abierta, centralizando servicios que involucran a múltiples departamentos universitarios. En la Montana State University se creó una alianza de investigación donde unidades bibliotecarias y no bibliotecarias trabajan conjuntamente desde un mismo espacio operativo, posicionando a la biblioteca como nodo central del ecosistema investigador. En la University of Illinois Urbana-Champaign, la biblioteca administra sistemas institucionales de gestión de información científica financiados por el vicerrectorado de investigación, extendiendo su experiencia en metadatos hacia la construcción de infraestructuras que apoyan la planificación estratégica universitaria. Estos ejemplos muestran cómo la biblioteca puede asumir un rol de liderazgo en estructuras institucionales antes alejadas de su ámbito tradicional.

Otro concepto clave asociado al informe es el de interoperabilidad social, entendido como la capacidad de crear relaciones funcionales sostenibles entre personas, departamentos e instituciones distintas para facilitar colaboración efectiva. Las bibliotecas necesitan hoy no solo competencias técnicas en organización del conocimiento o gestión documental, sino también habilidades para negociar, coordinar proyectos interdisciplinarios, liderar redes institucionales y construir puentes entre comunidades académicas diversas. El bibliotecario contemporáneo evoluciona así hacia un perfil híbrido donde conviven capacidades tecnológicas, analíticas, comunicativas y estratégicas. La gestión de información sigue siendo central, pero ahora inserta dentro de un ecosistema mucho más interdependiente y colaborativo.

En última instancia, el informe advierte que las bibliotecas que no logren adaptarse a esta transformación corren el riesgo de perder relevancia institucional, recursos económicos e influencia dentro de sus organizaciones. A medida que universidades y centros de investigación priorizan productividad científica, ciencia abierta, colaboración interdisciplinaria y financiación competitiva, las bibliotecas deben demostrar de manera clara cómo contribuyen directamente a estos objetivos estratégicos. El futuro bibliotecario ya no depende únicamente de preservar colecciones o garantizar acceso a información, sino de posicionarse como un actor imprescindible dentro de la infraestructura intelectual y científica de la institución. “La biblioteca más allá de la biblioteca” representa precisamente esta transición: pasar de ser un espacio de servicios tradicionales a convertirse en un socio estratégico esencial para la creación, gestión y circulación del conocimiento en la universidad del siglo XXI.

La búsqueda en IA para la ciencia aún depende de los metadatos

Man searching academic articles with AI software on computer in library
A man uses AI-powered research software in a library setting.

Hansen, Stephanie Lovegrove. 2026. “Scholarly AI Search Shortcomings and the Need for Better Metadata.” The Scholarly Kitchen, 29 de mayo de 2026. https://scholarlykitchen.sspnet.org/2026/05/29/guest-post-scholarly-ai-search-shortcomings-and-the-need-for-better-metadata

El artículo defiende que el futuro de la búsqueda académica no será una sustitución de los sistemas actuales, sino un modelo híbrido en el que coexistan la búsqueda por palabras clave, la IA generativa y los sistemas de metadatos enriquecidos. En este escenario, la calidad, estandarización y estructura de los metadatos se convierten en un elemento clave: sin ellos, incluso los sistemas de IA más avanzados no pueden ofrecer resultados fiables ni plenamente utilizables en entornos científicos.

Se analiza las limitaciones actuales de los sistemas de búsqueda académica basados en inteligencia artificial y sostiene que su rendimiento depende de forma crítica de la calidad de los metadatos subyacentes. A partir de la evaluación de herramientas de descubrimiento científico impulsadas por IA, la autora argumenta que estos sistemas aún no logran sustituir de manera fiable a la búsqueda tradicional basada en palabras clave, especialmente cuando se trata de consultas precisas, técnicas o altamente estructuradas.

Uno de los problemas centrales es la dificultad de las herramientas de IA para manejar con precisión información exacta como fórmulas, datos químicos, identificadores o referencias bibliográficas específicas. Aunque la IA destaca en tareas de síntesis y en la exploración de preguntas abiertas en lenguaje natural, tiende a fallar en escenarios donde la exactitud, la reproducibilidad y la trazabilidad son esenciales. Esto genera una tensión entre dos modelos de descubrimiento: el tradicional, basado en control y precisión, y el emergente, centrado en interpretación y síntesis automática.

El texto subraya además la opacidad de muchos sistemas de IA, que dificulta comprender por qué un resultado es recuperado o no. Esta falta de transparencia afecta directamente a la confianza de los usuarios y complica su uso en contextos académicos formales, como revisiones sistemáticas o investigación regulatoria.

Google publica una guía oficial para optimizar contenidos en la búsqueda generativa basada en IA

Two people at a table reviewing a guide titled Optimizing for Generative AI, with a screen showing structured data concepts
Two Google employees discuss strategies for optimizing generative AI using a detailed guide

Google Developers. “Optimizing Your Website for Generative AI Features on Google Search.” Google Search Central. Consultado el 24 de mayo de 2026.

Google ha publicado una nueva guía oficial destinada a explicar cómo deben adaptarse los sitios web al nuevo ecosistema de búsqueda impulsado por inteligencia artificial. El documento forma parte de la documentación de Google Search Central y está centrado en las funciones generativas de búsqueda, especialmente los denominados “AI Overviews” y el “AI Mode”, sistemas que utilizan modelos de IA para sintetizar respuestas directamente en el buscador.

La guía representa uno de los posicionamientos más claros de Google sobre el futuro del SEO en la era de la IA generativa y busca desmontar muchas prácticas especulativas que habían proliferado en torno al llamado GEO (Generative Engine Optimization) o AEO (Answer Engine Optimization).

El mensaje central del documento es que la optimización para la IA no constituye una disciplina independiente del SEO tradicional. Google insiste en que las funciones generativas continúan utilizando los mismos sistemas de indexación, calidad y clasificación que alimentan la búsqueda convencional. Según la compañía, no existe un “índice especial para IA” ni un algoritmo paralelo destinado exclusivamente a las respuestas generadas automáticamente. En consecuencia, las prácticas fundamentales del SEO —como la creación de contenido útil, original, fiable y técnicamente accesible— siguen siendo el núcleo de la visibilidad digital en los nuevos entornos de búsqueda asistida por IA.

La guía también dedica un espacio importante a desmontar ciertos mitos que se habían popularizado entre consultores y empresas de marketing digital. Google afirma explícitamente que no son necesarias estrategias específicas como el uso de archivos “llms.txt”, la creación de marcado estructurado exclusivo para IA, la fragmentación artificial de contenidos (“chunking”) o la reescritura de textos para adaptarlos a supuestos patrones de lectura de modelos generativos. La empresa considera que muchas de estas prácticas no aportan beneficios reales y, en algunos casos, pueden derivar en estrategias artificiales o spam.

Otro aspecto relevante del documento es la importancia que Google concede al contenido “no commodity”, es decir, a la información original, experiencial y difícilmente replicable por sistemas automáticos. La guía sugiere que la IA tenderá a valorar especialmente testimonios, experiencias directas, análisis especializados y contenidos elaborados desde una perspectiva humana auténtica. Esto implica que los materiales genéricos, fácilmente reproducibles por herramientas de IA, podrían perder visibilidad frente a contenidos con mayor profundidad contextual y autoridad temática.

La publicación de esta guía se enmarca dentro de una transformación mucho más amplia del buscador de Google. En los últimos meses, la compañía ha anunciado cambios profundos en Search mediante la integración de modelos Gemini y nuevas experiencias conversacionales capaces de interpretar consultas complejas, imágenes, documentos y contextos personalizados. Estas funciones convierten progresivamente el buscador en una plataforma híbrida entre motor de búsqueda y asistente conversacional inteligente.

El debate generado alrededor de estas tecnologías también ha despertado preocupación en el ámbito académico y editorial. Investigaciones recientes advierten de que las respuestas generadas por IA modifican profundamente la relación entre usuarios, buscadores y medios de comunicación, ya que el sistema sintetiza información procedente de múltiples fuentes reduciendo potencialmente el tráfico hacia los sitios originales. Algunos estudios señalan además que una parte significativa de las afirmaciones generadas por los sistemas AI Overviews pueden contener omisiones o referencias insuficientemente respaldadas.

En conjunto, la nueva guía de Google supone un intento de estabilizar el ecosistema SEO frente a la proliferación de tácticas oportunistas surgidas con el auge de la IA generativa. La empresa reafirma que la calidad del contenido, la experiencia del usuario, la autoridad temática y la accesibilidad técnica continúan siendo los pilares fundamentales de la visibilidad digital, incluso en una etapa en la que las respuestas automatizadas y los agentes inteligentes están redefiniendo el funcionamiento tradicional de la web.

Google publica una guía clave para optimizar contenidos en la era de la búsqueda generativa

Infographic on optimizing website for generative AI features on Google Search
A detailed infographic explaining optimization strategies for generative AI features on Google Search.

Google Search Central. “Optimizing Your Website for Generative AI Features on Google Search.” Search Engine Land (cobertura periodística del documento oficial de Google). https://searchengineland.com/google-publishes-guide-on-optimizing-for-generative-ai-features-477671

Google acaba de publicar una nueva guía oficial destinada a ayudar a editores, responsables de SEO y creadores de contenido a optimizar sus sitios web para las nuevas funciones de búsqueda generativa, como las AI Overviews y el AI Mode. Este documento representa un paso importante en la consolidación del ecosistema de búsqueda impulsado por inteligencia artificial, ya que por primera vez Google ofrece directrices unificadas sobre cómo debe estructurarse y publicarse el contenido para aparecer de forma efectiva en resultados generativos. La guía no plantea una ruptura con el SEO tradicional, sino que lo reinterpreta dentro del nuevo contexto de la inteligencia artificial aplicada a la búsqueda.

Uno de los elementos centrales del documento es la afirmación de que las prácticas clásicas de optimización para buscadores siguen siendo plenamente válidas. Google subraya que los sistemas de IA generativa se apoyan en los mismos mecanismos de indexación, clasificación y recuperación de información que el buscador tradicional. En este sentido, conceptos emergentes como AEO (Answer Engine Optimization) o GEO (Generative Engine Optimization) no constituyen disciplinas independientes, sino extensiones del SEO convencional. El objetivo sigue siendo el mismo: producir contenido útil, accesible, bien estructurado y orientado a las necesidades reales de los usuarios, más que a la manipulación de los sistemas algorítmicos.

La guía también aclara varias ideas erróneas que se habían extendido en el sector del marketing digital durante los últimos años. Google señala explícitamente que no es necesario crear archivos especiales como llms.txt, ni desarrollar versiones del contenido pensadas exclusivamente para modelos de lenguaje. Tampoco es obligatorio introducir marcado estructurado adicional para “optimizar” la visibilidad en sistemas de IA generativa. Según la compañía, estos elementos no influyen directamente en la aparición del contenido en las respuestas generadas por IA, ya que los sistemas se basan principalmente en la comprensión del contenido visible y en señales de calidad general del sitio web.

Otro aspecto relevante es la insistencia en la calidad y utilidad del contenido como factor decisivo. Google destaca que los sistemas generativos están diseñados para identificar información fiable, clara y relevante, priorizando páginas que aporten valor real frente a aquellas que simplemente repiten información genérica. Esto refuerza la idea de que la estrategia más efectiva no es técnica, sino editorial: crear contenidos originales, con estructura clara, autoridad temática y utilidad demostrable para el usuario final.

Finalmente, el artículo subraya que esta guía supone una consolidación del enfoque de Google hacia la integración de la inteligencia artificial en la búsqueda. Lejos de sustituir el SEO, la búsqueda generativa lo amplía y lo redefine dentro de un marco más complejo, donde la calidad del contenido, la intención del usuario y la comprensión semántica juegan un papel más relevante que nunca. En conjunto, el documento marca un punto de referencia importante para entender cómo evolucionará la visibilidad en la web en la era de la inteligencia artificial aplicada a los motores de búsqueda.

Un estudio cuestiona el impacto del marcado en las citas y visibilidad de las páginas en la IA generativa

Diagram showing schema markup flow leading to AI citation and attribution with terms like JSON-LD, knowledge transfer, and algorithms.
Visual diagram illustrating schema markup and AI citation integration processes.

Schwartz, Barry. “Study: Adding Schema Did Not Improve AI Citations On Google, ChatGPT & More.” Search Engine Roundtable. Publicado el 13 de mayo de 2026. Consultado el 19 de mayo de 2026.

El artículo recoge los resultados de un estudio realizado por Ahrefs que cuestiona una de las creencias más extendidas dentro del SEO y del emergente ámbito del GEO (Generative Engine Optimization): la idea de que añadir marcado Schema o datos estructurados mejora la probabilidad de que una página web sea citada por sistemas de inteligencia artificial como Google AI Overviews, Google AI Mode o ChatGPT.

La investigación analizó 1.885 páginas web que incorporaron marcado JSON-LD Schema entre agosto de 2025 y marzo de 2026 y las comparó con un grupo de control formado por unas 4.000 páginas similares que no añadieron este tipo de marcado. El objetivo era determinar si existía una relación causal entre el uso de Schema y la frecuencia con la que las plataformas de IA citaban esos contenidos en sus respuestas generadas automáticamente. Según el estudio, los resultados no mostraron mejoras estadísticamente significativas en ninguna de las plataformas analizadas.

Los datos obtenidos fueron especialmente llamativos porque contradicen gran parte del discurso dominante en el sector SEO. En Google AI Overviews, las páginas que añadieron Schema incluso mostraron una ligera disminución del 4,6 % en las citas respecto al grupo de control. En Google AI Mode se registró un aumento del 2,4 %, mientras que en ChatGPT el incremento fue del 2,2 %, aunque ambos valores fueron considerados estadísticamente irrelevantes y posiblemente atribuibles al azar. Los investigadores concluyeron que no puede afirmarse que el Schema produzca un aumento real de visibilidad en sistemas de IA generativa.

El estudio también introduce una distinción importante entre correlación y causalidad. Ahrefs observó inicialmente que las páginas citadas por sistemas de IA tenían casi tres veces más probabilidades de incluir marcado Schema que las páginas no citadas. Sin embargo, los autores sostienen que esto probablemente se debe a que los sitios web técnicamente mejor mantenidos suelen aplicar simultáneamente buenas prácticas SEO, contenido de calidad, autoridad de dominio y estrategias de enlazado más sólidas. En otras palabras, el Schema sería un indicador indirecto de calidad técnica general, pero no el factor que impulsa directamente las citas de la IA.

Otro aspecto relevante es que algunos experimentos citados dentro del informe mostraron que varios sistemas de IA no utilizan directamente el marcado JSON-LD durante la extracción inmediata de información, sino que priorizan el contenido HTML visible de la página. Esto cuestiona la idea de que los modelos generativos “lean” o dependan necesariamente del Schema para interpretar el contenido web.

La noticia tuvo una fuerte repercusión dentro de la comunidad SEO y GEO. En diversos debates en Reddit y redes profesionales, numerosos especialistas interpretaron el estudio como un golpe a ciertas estrategias de “optimización para IA” que se habían popularizado rápidamente durante 2025 y 2026. Algunos comentarios destacan que muchas recomendaciones sobre Schema y visibilidad en IA se habían difundido más como hipótesis comerciales que como conclusiones respaldadas por evidencia empírica sólida.

No obstante, el estudio no concluye que el Schema carezca completamente de utilidad. Los autores recuerdan que los datos estructurados siguen siendo importantes para otros contextos: resultados enriquecidos en buscadores, interoperabilidad semántica, organización de contenidos, accesibilidad de datos y construcción de knowledge graphs. Además, reconocen que la investigación se centró únicamente en páginas ya visibles para los sistemas de IA y no pudo determinar si el Schema podría ayudar a páginas nuevas o menos visibles a ser descubiertas inicialmente.

En conjunto, el informe refleja una transformación profunda del SEO tradicional hacia un entorno dominado por motores generativos y asistentes conversacionales. La principal conclusión es que las estrategias centradas exclusivamente en optimizaciones técnicas aisladas parecen perder peso frente a factores más amplios como la autoridad temática, la calidad del contenido, la claridad informativa y la confianza del dominio. El debate abierto por este estudio muestra que el ecosistema GEO todavía se encuentra en una fase experimental, donde muchas prácticas consideradas “buenas estrategias” aún carecen de validación científica robusta.

Redefinir la publicación científica: por qué avanzamos más allá del artículo

Diagram showing knowledge ecosystems including living documents, multimedia narratives, augmented reality overlays, interactive explorations, and community dialogue.
Visualization of interconnected knowledge ecosystems transforming publishing beyond traditional articles.

Hrynaszkiewicz, Iain. “Redefining Publishing: Why We’re Moving Beyond the Article.” Research Information, October 2, 2025. Research Information

El artículo de Iain Hrynaszkiewicz plantea una crítica de fondo al modelo tradicional de comunicación científica, centrado casi exclusivamente en el artículo académico y en el prestigio de la revista donde se publica. Según el autor, este sistema ya no refleja cómo se produce realmente la ciencia contemporánea ni cómo debería evaluarse. La investigación actual es más colaborativa, abierta, interdisciplinar y distribuida en múltiples fases, mientras que los mecanismos de reconocimiento siguen premiando sobre todo el resultado final: el paper. Esta desconexión genera incentivos distorsionados y dificulta valorar contribuciones esenciales como los datos, el código, los protocolos, la mentoría o la ciencia en etapas tempranas.

Para explicar que el cambio es posible, el texto recuerda innovaciones previas que transformaron la comunicación académica. Entre ellas destacan los identificadores persistentes como el DOI, que estabilizaron las citas digitales; ORCID, que permite identificar autores de forma inequívoca; la taxonomía CRediT, que reconoce distintos tipos de contribución; y el auge de los preprints y de la compartición de datos. Todas estas herramientas surgieron para resolver carencias del sistema y prosperaron gracias a la cooperación entre editoriales, universidades, financiadores e infraestructuras técnicas. El mensaje central es que la evolución de la ciencia depende menos de actores aislados y más de consensos colectivos sostenidos en el tiempo.

En ese contexto, el autor presenta la iniciativa de PLOS para replantear el ecosistema editorial mediante un proyecto de dieciocho meses financiado por fundaciones filantrópicas. Su propuesta principal es el denominado knowledge stack o “pila de conocimiento”: un sistema donde los distintos productos de investigación —datos, software, métodos, hipótesis, resultados parciales, revisiones y artículos finales— sean visibles, enlazables, atribuibles y evaluables como partes de un mismo proceso. Esto supone pasar de una lógica centrada en un único documento final a otra basada en un registro completo y continuo de la actividad científica.

El artículo también subraya que la ciencia abierta no debe entenderse solo como una obligación normativa impuesta por agencias financiadoras, sino como una oportunidad estratégica para universidades y centros de investigación. Compartir métodos, datos y resultados mejora la transparencia, facilita la reproducibilidad y fortalece la integridad científica. Además, puede aumentar la visibilidad institucional, acelerar descubrimientos y favorecer la competitividad internacional. Desde esta perspectiva, abrir la ciencia no es solo una cuestión ética, sino también una ventaja organizativa y reputacional.

Otro aspecto relevante del texto es su mirada comparada sobre distintas regiones del mundo. El autor observa que Europa y Reino Unido avanzan más rápidamente en políticas de evaluación responsable y ciencia abierta, mientras que Asia y Norteamérica muestran progresos más desiguales o descentralizados. Aun así, en casi todos los contextos persiste la dependencia del artículo de revista como medida principal del mérito académico. Las inercias culturales, la presión competitiva por financiación y la dificultad de comparar disciplinas frenan reformas más profundas. Incluso quienes desean cambiar el sistema temen perjudicar a investigadores jóvenes si se apartan demasiado pronto de las reglas vigentes.

Finalmente, Hrynaszkiewicz concluye que el futuro de la publicación científica pasa por reconocer el conjunto del ciclo investigador y no solo su desenlace editorial. Un sistema más rico en metadatos, señales de impacto, trazabilidad de contribuciones y conexiones entre outputs permitiría premiar la colaboración, el riesgo intelectual, los resultados negativos y las prácticas responsables. No obstante, advierte que para lograr un cambio real se necesita adopción masiva: no basta con que una editorial innove, sino que deben sumarse financiadores, instituciones, infraestructuras y comunidades científicas de todo el mundo. En suma, el artículo defiende una transformación estructural del modelo académico, desde la cultura del paper hacia una ecología más abierta, justa y representativa del trabajo científico real.

¿Cómo decide ChatGPT qué páginas citar en sus respuestas? la la claridad y el posicionamiento en buscadores sigue siendo decisivo

Goodwin, Danny. “ChatGPT Citations Reward Ranking and Precision Over Length: Study.” Search Engine Land, 16 de abril de 2026. https://searchengineland.com/chatgpt-citations-ranking-precision-length-study-474538

En un ecosistema donde la visibilidad ya no depende únicamente de Google, sino también de aparecer como fuente en sistemas de inteligencia artificial, comprender los criterios de selección se ha convertido en una nueva prioridad estratégica. ChatGPT parece premiar una mezcla de autoridad previa y claridad práctica. Para bibliotecas, universidades, medios y creadores de contenido, la lección es clara: en la nueva economía de la información no basta con estar en internet; hay que ser fácilmente seleccionable como fuente fiable.

La investigación citada por Search Engine Land, elaborada por AirOps, examinó 16.851 consultas únicas, ejecutadas tres veces cada una, generando más de 50.000 respuestas y analizando centenares de miles de páginas potencialmente recuperadas por ChatGPT. El objetivo era detectar patrones entre las páginas finalmente citadas y aquellas que fueron ignoradas. Se trata de uno de los análisis empíricos más amplios publicados hasta la fecha sobre este fenómeno emergente.

Uno de los hallazgos más contundentes es que la posición en buscadores sigue siendo decisiva. Las páginas que ocupaban el primer puesto en los resultados de búsqueda fueron citadas un 58,4% de las veces, mientras que las situadas en la posición diez apenas alcanzaban el 14,2%. Esto sugiere que, lejos de romper completamente con la lógica del SEO tradicional, ChatGPT todavía depende en gran medida de señales previas de autoridad y relevancia ya consolidadas en la web. En otras palabras: quien domina el buscador parte con ventaja también en la IA conversacional.

Sin embargo, el estudio indica que no basta con posicionar bien. También importa mucho la coincidencia semántica entre la consulta del usuario y los encabezados del contenido. Las páginas cuyos títulos y subtítulos se alineaban claramente con la intención de búsqueda obtuvieron una tasa de citación del 41%, frente a cifras cercanas al 30% en contenidos menos precisos. Esto confirma que ChatGPT parece valorar estructuras claras, preguntas bien formuladas y respuestas directamente vinculadas al problema planteado.

Otro resultado especialmente interesante es que la IA prefiere páginas enfocadas y específicas antes que guías largas y generalistas. Durante años, muchas estrategias de contenido apostaron por artículos enciclopédicos del tipo “guía definitiva”, repletos de apartados y miles de palabras. Según este análisis, ChatGPT tiende a premiar respuestas más estrechas y concretas, centradas en resolver una sola necesidad con claridad. La amplitud temática no siempre equivale a utilidad para un modelo que necesita sintetizar rápidamente información relevante.

En relación con la extensión, el estudio detectó una franja óptima entre 500 y 2.000 palabras. Los textos excesivamente largos —por encima de 5.000 palabras— rindieron peor incluso que páginas breves de menos de 500 palabras. Esto cuestiona la antigua idea de que “más contenido siempre es mejor”. En entornos de IA, parece importar más la densidad informativa, la claridad estructural y la facilidad de extracción que la mera longitud.

También se observó que ciertos elementos técnicos ayudan, aunque de forma moderada. Las páginas con marcado estructurado JSON-LD lograron una tasa de citación superior (38,5%) frente a aquellas sin este tipo de datos enriquecidos (32%). Del mismo modo, los artículos con entre 4 y 10 subtítulos funcionaron mejor que los extremadamente fragmentados o demasiado compactos. Esto apunta a que la organización formal sigue siendo valiosa para sistemas automáticos que interpretan documentos a escala.

La variable temporal ofreció otro matiz interesante. El contenido publicado entre 30 y 89 días antes del análisis fue el más citado, mientras que páginas muy recientes (menos de 30 días) obtuvieron peores resultados. La explicación propuesta es que el contenido nuevo necesita tiempo para generar señales de confianza, enlaces, interacción o posicionamiento. A su vez, los textos con más de dos años perdían fuerza relativa, lo que sugiere la importancia de actualizar información ya existente.

Desde una perspectiva estratégica, el artículo concluye que la visibilidad en IA exige una combinación de factores: buen posicionamiento previo, estructura clara, encabezados alineados con la consulta, enfoque específico y contenido suficientemente reciente. No se trataría tanto de “escribir para robots”, sino de producir materiales que respondan con precisión a preguntas reales y que puedan ser comprendidos con facilidad por sistemas automatizados

Gestión de la comunicación científica: 25 ideas para mejorar tu investigación

Noguera-Vivo, J.M. [José Manuel]. (2022). Gestión de la comunicación científica: 25 ideas para mejorar tu investigación. Editorial UOC. https://hdl.handle.net/10609/154642

Texto completo

Comunicar con éxito no es un talento reservado para unos pocos, sino una destreza que se aprende. Y la comunicación es una parte inherente a cualquier investigación, sea cual sea la fase en la que se encuentre el autor (grado, máster, doctorando o investigador consolidado). Comunicar correctamente un trabajo científico influye en su credibilidad, su alcance o sus posibilidades de obtener financiación, ya que determinará el grado de percepción de su utilidad. En este libro, el autor comparte consejos prácticos para que lleves a otro nivel tu investigación gracias a una comunicación óptima.

Gestión de la reputación online.

Leiva-Aguilera, J. [Javier]. (2012). Gestión de la reputación online. Editorial UOC. https://hdl.handle.net/10609/154644

La reputación es algo que todos tenemos, queramos o no. En la calle tiene un alcance limitado, pero las características de la comunicación en internet facilitan que cualquier mensaje sobre nosotros pueda tener un alcance mundial en apenas unas horas. Esta realidad nos obliga a trabajar proactivamente para la construcción y gestión de nuestra reputación online. Este libro te dará las claves para desarrollar de forma práctica y fácil una estrategia de presencia en la Red.

Evaluación de las ventajas del acceso abierto para las citas y las altmetrías

Taylor, Michael. Evaluating Open Access Advantages for Citations and Altmetrics (2011–2021): A Dynamic and Evolving Relationship. Quantitative Science Studies. MIT Press, 2024. https://doi.org/10.1162/QSS.a.470

El artículo analiza de manera exhaustiva el denominado “Open Access Advantage” (OAA), es decir, la supuesta ventaja en términos de citas y visibilidad que obtienen los artículos científicos publicados en acceso abierto frente a aquellos restringidos por suscripción. A diferencia de estudios anteriores más limitados, este trabajo se basa en un análisis a gran escala que abarca 38,7 millones de artículos publicados entre 2011 y 2021, incorporando tanto indicadores tradicionales de citación como diversas métricas alternativas (altmetrics), lo que permite una visión más amplia y matizada del impacto científico.

Uno de los hallazgos principales es que no existe una ventaja universal del acceso abierto. Aunque en ciertos campos —especialmente en las ciencias de la salud, las ciencias de la vida y algunas áreas de humanidades— los artículos en acceso abierto tienden a recibir más citas, esta ventaja no es constante ni homogénea entre disciplinas. De hecho, el estudio demuestra que el impacto del acceso abierto varía considerablemente según el área del conocimiento, lo que cuestiona la idea simplista de que publicar en abierto garantiza automáticamente mayor visibilidad o reconocimiento académico.

El estudio analiza más de 33 millones de artículos (2011–2021) y muestra que el acceso abierto crece del 32% al 55%, consolidándose como modelo dominante. La ventaja en citas disminuye claramente: pasa de 1,62 a 1,08, prácticamente desapareciendo en los trabajos recientes. En cambio, las altmetrics presentan ventajas fuertes y estables, especialmente en noticias. En conjunto, el OA ya no garantiza más citas, pero sí una mayor visibilidad y alcance social sostenido

Además, el análisis longitudinal revela un aspecto especialmente relevante: la ventaja en citas del acceso abierto tiende a disminuir en los trabajos más recientes. Este fenómeno puede interpretarse como un efecto de normalización del acceso abierto dentro del sistema científico, donde su creciente adopción reduce las diferencias respecto a la literatura tradicional. En otras palabras, a medida que el acceso abierto se convierte en una práctica más extendida, su capacidad diferencial para generar impacto en citas se atenúa.

En contraste, el estudio sí identifica una ventaja más consistente en términos de altmetrics, especialmente en indicadores como menciones en redes sociales, blogs o medios de comunicación. Estos resultados sugieren que el acceso abierto facilita la difusión y el alcance social del conocimiento científico, incluso cuando su impacto en citas académicas no es uniforme. Sin embargo, otros indicadores —como citas en patentes, documentos políticos o Wikipedia— presentan patrones más complejos y variables, lo que indica que el impacto del acceso abierto depende también del tipo de uso del conocimiento.


Otro aspecto clave del trabajo es su énfasis en la naturaleza multifactorial del impacto científico. El artículo subraya que las diferencias observadas entre publicaciones en acceso abierto y no abierto no pueden atribuirse exclusivamente al modelo de acceso. Factores como la disciplina, el año de publicación, las prácticas de difusión, la financiación o la visibilidad previa de los autores influyen significativamente en los resultados. Esto implica que el OAA no es un fenómeno causal simple, sino el resultado de múltiples variables interrelacionadas.


En conclusión, el estudio ofrece una visión crítica y matizada del acceso abierto, alejándose de posturas deterministas. Si bien confirma que el acceso abierto puede favorecer la visibilidad y, en ciertos contextos, las citas, también demuestra que su impacto es dinámico, desigual y dependiente del contexto. Por tanto, las políticas científicas y editoriales deben considerar esta complejidad, evitando asumir beneficios universales y promoviendo análisis más específicos por disciplinas y tipos de impacto.