Os sinais de AEO da web predín a aparición nas respostas de IA? Medimos 62 empresas
Non, polo menos neste estudo. En 62 empresas locais do Xapón, a nosa puntuación AEO da web (datos estruturados, llms.txt, acceso dos rastrexadores e sinais semellantes) non amosou ningunha relación coa frecuencia coa que Perplexity nomeaba ou citaba unha empresa cando se lle pedían recomendacións: ρ de Spearman = 0.03 (IC do 95% de −0.23 a 0.28, p = 0.834). Con 62 empresas, o estudo só podía detectar con fiabilidade correlacións de aproximadamente |ρ| ≥ 0.35, polo que non se pode descartar unha relación máis feble.
Publicado o 28 de outubro de 2026. Datos medidos o 24 de outubro de 2026. Nurevo desenvolve ferramentas de AEO, entre elas a puntuación que aquí se pon a proba; vexa "O noso conflito de intereses" máis abaixo.
Resumo
- Pregunta: as empresas cuxa web obtén unha puntuación máis alta na puntuación de lexibilidade para IA de Nurevo (de 0 a 100) aparecen con máis frecuencia nas respostas de IA a preguntas que non as nomean?
- Resposta: non confirmado. ρ = 0.03 no conxunto, e segue a ser 0.03 tras axustar por sector e cidade.
- No conxunto, as empresas apareceron no 21.0% das respostas ás preguntas de descubrimento; 25 das 62 apareceron polo menos unha vez.
- Ningún compoñente individual da puntuación (datos estruturados, llms.txt, cobertura etc.) amosou relación ningunha, tras a corrección por probas múltiples.
- O que concluímos: os datos estruturados axudan a IA a ler correctamente a información dunha empresa, pero por si sós non deciden se se menciona. Outros factores pesan máis, moi probablemente incluído o que din outras webs sobre a empresa. Este último punto é unha hipótese que este estudo non probou.
Por que fixemos este estudo
Os consellos de AEO (optimización para motores de resposta), incluídos os nosos, din que facer que unha web sexa doada de ler para a IA (datos estruturados schema.org, un ficheiro llms.txt, deixar entrar os rastrexadores de IA, contido renderizado no servidor) axuda unha empresa a aparecer nas respostas de IA. Nurevo vende unha puntuación construída precisamente sobre eses sinais. Queriamos probas honestas de se a puntuación reflicte o que de verdade lles importa aos propietarios: que a IA os nomee. Fixamos a hipótese, a análise e os criterios de decisión antes de recoller ningunha resposta, e comprometémonos a publicar o resultado, fose cal fose.
Método
- Mostra: 72 empresas locais con web oficial propia, seleccionadas mediante busca na web (excluíndo portais), de 5 sectores (clínicas dentais, restaurantes, salóns de beleza, asesores fiscais, aloxamento) e 4 cidades xaponesas (Tokio, Osaka, Fukuoka, Sapporo). Excluíronse 10 porque non se puido calcular a puntuación da súa web, e quedaron 62 para a análise.
- Puntuación: a páxina de inicio, o robots.txt e o llms.txt de cada web avaliáronse co mesmo código que a puntuación pública de Nurevo: datos estruturados (30 puntos), cobertura (25), lexibilidade (20), llms.txt (15) e coherencia (10), cun filtro para o acceso dos rastrexadores, o bloqueo no edge e a renderización no servidor (se non se supera, a puntuación queda limitada a 15).
- Motor: Perplexity, a través da súa Agent API co preset "fast" (unha busca na web e despois unha resposta), o mesmo adaptador que usa o plan de pagamento de Nurevo para a visibilidade en IA. Só un motor; vexa as limitacións.
- Preguntas: tres preguntas de "descubrimento" por empresa que indican a zona e o tipo de negocio pero non a empresa (por exemplo, "Recoméndame un dentista en Umeda"), compartidas por todas as empresas do mesmo sector na mesma zona, máis unha pregunta "nominal" que pide o enderezo e o horario da empresa. Cada pregunta fíxose tres veces.
- Resultado: considérase que unha empresa "aparecía" nunha resposta se o seu nome figuraba nela ou se o seu propio dominio estaba entre as fontes citadas. A taxa de aparición é a proporción de respostas de descubrimento nas que aparecía.
- Comprobación do detector: nas respostas ás preguntas nominais, o nome da empresa detectouse o 84.3% das veces, por riba do limiar do 70% que fixaramos para confiar no detector.
- Análise: correlación de rangos de Spearman con valor p por permutación e intervalo de confianza por bootstrap; correlación parcial con sector e cidade como efectos fixos; unha proba de permutación dentro de estratos; e unha regresión loxística con efectos fixos de sector e cidade e corrección cuasibinomial, porque as respostas repetidas á mesma pregunta non son independentes. As seis probas por compoñente corrixíronse polo método de Holm.
O criterio de "confirmado" fixouse de antemán: ρ ≥ 0.3, p < 0.05, un IC do 95% por riba de cero e unha correlación axustada positiva. Non se gardou o texto das respostas; só se aparecía un nome, se se citaba o dominio e a posición da cita.
Resultados
O veredicto é "non confirmado". Todas as probas da puntuación fronte á aparición dan unha correlación próxima a cero:
| Proba | Resultado | Valor p |
|---|---|---|
| Puntuación vs taxa de aparición (ρ de Spearman, principal) | 0.03 (IC do 95% de −0.23 a 0.28) | 0.834 |
| Ídem, axustada por sector e cidade (correlación parcial) | 0.03 | 0.845 |
| Ídem, proba de permutación dentro de estratos | 0.03 | 0.829 |
| Puntuación vs aparición do nome (preguntas de descubrimento) | −0.04 | 0.782 |
| Puntuación vs cita da web propia (preguntas de descubrimento) | 0.18 | 0.149 |
| Puntuación vs cita da web propia (preguntas nominais) | −0.03 | 0.813 |
| Regresión loxística con efectos fixos de sector/cidade, cuasibinomial: odds por +1 DT de puntuación (18.81 puntos) | ×1.01 (IC do 95% de 0.62 a 1.64) | 0.972 |
O coeficiente máis alto, 0.18 entre a puntuación e a cita da web propia da empresa, non se distingue de cero (p = 0.149) e non debe interpretarse como un achado.
Por franxa de puntuación
Nurevo amosa a puntuación en vermello, amarelo ou verde. A maioría das webs da mostra eran vermellas e ningunha chegou ao verde, polo que este estudo non di nada sobre puntuacións moi altas.
| Franxa | Empresas | Taxa media de aparición | Apareceron polo menos unha vez |
|---|---|---|---|
| Vermello | 54 | 20.8% | 22 |
| Amarelo | 8 | 22.2% | 3 |
| Verde | 0 | - | - |
Por compoñente da puntuación
Ningún dos compoñentes da puntuación tivo relación coa aparición. Tras a corrección de Holm, todos os valores p son 1.000. Estas probas foron exploratorias.
| Compoñente | ρ de Spearman coa taxa de aparición |
|---|---|
| Datos estruturados (schema) | 0.08 |
| Cobertura | 0.12 |
| Lexibilidade | −0.17 |
| llms.txt | −0.02 (odds ratio 1.41, IC do 95% de 0.79 a 2.52) |
| Coherencia | 0.06 |
| Filtro (acceso dos rastrexadores, edge, renderización no servidor) | 61 superados: 21.3% de aparición; 1 non superado: 0% |
Por sector e por cidade
A aparición variou máis segundo o sector e a cidade ca segundo a puntuación. Son cifras descritivas de grupos pequenos, non diferenzas contrastadas.
| Grupo | Empresas | Puntuación media | Taxa de aparición |
|---|---|---|---|
| Asesores fiscais | 13 | 27.92 | 10.3% |
| Aloxamento | 13 | 21.08 | 23.9% |
| Clínicas dentais | 13 | 40.15 | 25.6% |
| Salóns de beleza | 8 | 24.25 | 8.3% |
| Restaurantes | 15 | 24.20 | 30.4% |
| Osaka | 15 | 26.27 | 15.6% |
| Sapporo | 17 | 29.41 | 9.8% |
| Tokio | 15 | 25.53 | 31.1% |
| Fukuoka | 15 | 29.27 | 28.9% |
Limitacións
- Estudo transversal: unha soa medición de moitas webs amosa asociación, non causalidade. Para saber se mellorar unha web cambia a súa aparición cómpre un estudo de antes e despois coas mesmas webs.
- Potencia estatística: con 62 empresas, unha correlación máis feble ca aproximadamente |ρ| = 0.35 pasaría a miúdo desapercibida. As empresas da mesma zona e sector comparten as mesmas respostas, polo que a mostra efectiva é aínda menor. Aquí "non atopado" non quere dicir "non existe".
- Un motor, unha semana: Perplexity co preset "fast", medido o 24 de outubro de 2026. ChatGPT, Gemini, os AI Overviews de Google e Copilot usan índices de busca e modelos diferentes; estes resultados non se lles poden extrapolar.
- Factores de confusión non observados: non se mediron as recensións, o recoñecemento de marca, a publicidade, os anos de actividade nin a presenza noutras webs. Só se axustou por sector e cidade.
- Mostra: as empresas atopáronse mediante busca na web, polo que tenden a ser empresas que xa son doadas de atopar. Ningunha web chegou ao verde. 5 sectores e 4 cidades do Xapón poden non ser representativos doutros sectores, rexións ou idiomas.
Que significa para a web dunha empresa
Os datos estruturados, o llms.txt e o acceso dos rastrexadores seguen a cumprir unha función: permiten que a IA lea a información dunha empresa (enderezo, horario, teléfono, servizos) de forma directa e correcta, en vez de adiviñala. Paga a pena cumprir esa función, pero é distinta de ser recomendado. Neste estudo, unha web mellor lida non foi unha web máis mencionada.
A nosa hipótese de traballo é que as fontes externas á web (recensións e fichas en mapas, medios locais, directorios, outras webs que mencionan a empresa) pesan moito en que unha IA nomee unha empresa ao responder unha pregunta de recomendación. Este estudo non mediu esas fontes, polo que se trata dunha hipótese para probar, non dun resultado.
Na práctica: manteña en orde o básico da web, porque fai que o que a IA di de vostede sexa exacto, e mida se a IA realmente o menciona en lugar de deducilo dunha puntuación de lexibilidade.
O noso conflito de intereses e o que estamos a cambiar
Nurevo desenvolve ferramentas de AEO, e a puntuación que aquí se pon a proba é un dos nosos produtos. Un resultado segundo o cal a puntuación non predí a aparición non é o que teriamos escollido, e publicámolo porque os criterios se fixaron antes de chegaren os datos e porque os propietarios deben saber o que unha puntuación pode e non pode dicirlles.
O que estamos a facer: non presentamos a puntuación de lexibilidade para IA como un predictor da aparición nas respostas de IA. En cambio, medimos a aparición directamente: o plan Pro mide con que frecuencia Perplexity nomea ou cita unha web (beta), e estamos a engadir unha pequena comprobación mensual de aparición para as webs dos plans Free e Standard. Tamén estamos a desenvolver unha segunda versión da puntuación que combina a visibilidade en IA medida cos sinais da web, en lugar de depender só deses sinais.
Non se publican os nomes nin as webs das empresas medidas.
Preguntas frecuentes
Os datos estruturados fan que a IA mencione a miña empresa?
Neste estudo de 62 empresas locais en Perplexity non se atopou ningunha relación entre os sinais da web, como os datos estruturados, e a frecuencia coa que se mencionaba unha empresa (ρ = 0.03). Os datos estruturados axudan a IA a ler correctamente a súa información, pero por si sós non predixeron a mención.
O llms.txt axuda unha empresa a aparecer nas respostas de IA?
Neste estudo non atopamos ningunha relación: ρ = −0.02 entre o compoñente llms.txt e a taxa de aparición (p corrixido por Holm = 1.000). O estudo foi pequeno e usou un só motor, polo que isto non demostra que o llms.txt non importe nunca.
Quere isto dicir que o AEO non serve para nada?
Non. O AEO da web fai que o que a IA di dunha empresa sexa exacto. Este estudo suxire que non abonda para ser recomendado e que as mencións deben medirse directamente en lugar de deducirse dunha puntuación de lexibilidade.
Que motor de IA se mediu?
Só Perplexity, a través da súa Agent API co preset "fast", o 24 de outubro de 2026. Os resultados non se poden extrapolar a ChatGPT, Gemini, os AI Overviews de Google nin Copilot.