Generative Engine Optimization (GEO) y visibilidad de marcas en recomendaciones turísticas generadas por IA: Un análisis exploratorio

Ángel Quintana-Gómez

doi:10.65598/rps.5975

Autores

Ángel Quintana-Gómez Universidad de Las Palmas de Gran Canaria, España https://orcid.org/0000-0002-5139-8755

DOI:

https://doi.org/10.65598/rps.5975

Palavras-chave:

Generative Engine Optimization, Inteligencia Artificial Generativa, Visibilidad de marca, Mediación algorítimica, Recomendaciones turísticas

Resumo

La irrupción de los sistemas de inteligencia artificial generativa ha transformado los procesos de búsqueda y recomendación de información, dando lugar a nuevos intermediarios capaces de influir en la visibilidad de marcas. En este contexto emerge el concepto de Generative Engine Optimization (GEO), que propone un marco analítico para comprender cómo las marcas son representadas en respuestas generadas por IA. Desde una metodología exploratoria y observacional de tipo black-box, este estudio analiza la visibilidad de marcas hoteleras y las fuentes informativas citadas en recomendaciones turísticas producidas por distintos sistemas de IA ante una misma consulta genérica, a partir de respuestas generadas en tres momentos temporales distintos. Los resultados evidencian una elevada volatilidad en la presencia de marcas hoteleras y una notable variabilidad en las fuentes citadas, lo que pone de manifiesto dinámicas de mediación algorítmica no estables en el tiempo. Desde una perspectiva comunicativa, estos hallazgos sugieren que la visibilidad de marca en entornos generativos se configura de manera contingente y dependiente del contexto de generación. como conclusión, el estudio subraya la necesidad de abordar la IA generativa como un intermediario informativo emergente, capaz de influir en la selección y presentación de marcas y fuentes en las recomendaciones turísticas.

Downloads

Não há dados estatísticos.

Referências

Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K. y Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 5–16. https://doi.org/10.1145/3637528.3671900

Avula, S., Lee, C.-J., Zhang, R. y Murdock, V. (2025). Measuring the Fairness Gap Between Retrieval and Generation in RAG Systems using a Cognitive Complexity Framework. Proceedings of the 48th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2994–2998. https://doi.org/10.1145/3726302.3730230

Beer, D. (2017). The social power of algorithms. Information, Communication y Society, 20(1), 1–13. https://doi.org/10.1080/1369118X.2016.1216147

Bucher, T. (2012). Want to be on the top? Algorithmic power and the threat of invisibility on Facebook. New Media y Society, 14(7), 1164–1180. https://doi.org/10.1177/1461444812440159

Buhalis, D. y Law, R. (2008). Progress in information technology and tourism management: 20 years on and 10 years after the Internet—The state of eTourism research. Tourism Management, 29(4), 609–623. https://doi.org/10.1016/j.tourman.2008.01.005

Filieri, R., Alguezaui, S. y McLeay, F. (2015). Why do travelers trust TripAdvisor? Antecedents of trust towards consumer-generated media and its influence on recommendation adoption and word of mouth. Tourism Management, 51, 174–185. https://doi.org/10.1016/j.tourman.2015.05.007

Genovese, A., Prabha, S., Borna, S., Gomez-Cabello, C. A., Haider, S. A., Trabilsy, M., Tao, C. y Forte, A. J. (2025). From Data to Decisions: Leveraging Retrieval-Augmented Generation to Balance Citation Bias in Burn Management Literature. European Burn Journal, 6(2), 28. https://doi.org/10.3390/ebj6020028

Gillespie, T. (2014). The Relevance of Algorithms. In Media Technologies (pp. 167–194). The MIT Press. https://doi.org/10.7551/mitpress/9042.003.0013

Gillespie, T. (2019). Custodians of the Internet. Yale University Press.

Keskin, B. (2018). The Platform Society: Public Values in a Connective World. Markets, Globalization y Development Review, 03(03). https://doi.org/10.23860/MGDR-2018-03-03-08

Napoli, P. M. (2014). Automated Media: An Institutional Theory Perspective on Algorithmic Media Production and Consumption. Communication Theory, 24(3), 340–360. https://doi.org/10.1111/comt.12039

Rieder, B., Matamoros-Fernández, A. y Coromina, Ò. (2018). From ranking algorithms to ‘ranking cultures.’ Convergence: The International Journal of Research into New Media Technologies, 24(1), 50–68. https://doi.org/10.1177/1354856517736982

Salemi, A. y Zamani, H. (2024). Towards a Search Engine for Machines: Unified Ranking for Multiple Retrieval-Augmented Large Language Models. Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval, 741–751. https://doi.org/10.1145/3626772.3657733

Shi, Y., Xu, M., Zhang, H., Zi, X. y Wu, Q. (2024). A Learnable Agent Collaboration Network Framework for Personalized Multimodal AI Search Engine. Proceedings of the 2nd International Workshop on Deep Multimodal Generation and Retrieval (MMGR ’24), October 2, 2024, Melbourne, VIC, Australia, 1. https://doi.org/10.48550/arXiv.2409.00636

Tang, Y., Zhang, R., Ren, Z., Guo, J. y de Rijke, M. (2024). Recent Advances in Generative Information Retrieval. Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval, 3005–3008. https://doi.org/10.1145/3626772.3661379

van Dalen, A. (2023). Algorithmic Gatekeeping for Professional Communicators. Routledge.

Xiang, Z. y Gretzel, U. (2010). Role of social media in online travel information search. Tourism Management, 31(2), 179–188. https://doi.org/10.1016/j.tourman.2009.02.016

Zamani, H. y Bendersky, M. (2024). Stochastic RAG: End-to-End Retrieval-Augmented Generation through Expected Utility Maximization. Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2641–2646. https://doi.org/10.1145/3626772.3657923