StateGlobe: 50.000 datos falsos que ChatGPT sigue citando

Un sitio con 50.000 estadísticas inventadas que ChatGPT sigue citando

En los últimos 30 días, stateglobe.com recibió más de 600.000 requests de bots. Unos 72.000 vinieron de ChatGPT-User, el agente que abre páginas en tiempo real mientras responde una pregunta. El detalle incómodo: ninguna de las 50.000 estadísticas de ese sitio es real. Las inventó todas GPT-4.1.

El experimento lo corrió el equipo de investigación de Peec AI y lo publicó en su blog. Para un founder, la lección no es publicar datos falsos, algo que el propio autor desaconseja de forma explícita, sino entender cómo los modelos de lenguaje eligen qué citar. Ese criterio decide si tu contenido entra o no en la respuesta que ve tu próximo cliente.

El experimento: US$50 y un solo día de trabajo

La mecánica fue deliberadamente barata. El autor compró un dominio nuevo y generó 50.000 páginas de estadísticas en un día con GPT-4.1, a partir de un prompt que era poco más que una lista de países y temas. El sitio decía cubrir SEO, content marketing, redes sociales, e-commerce y tecnología web en 200 países. Ningún número fue verificado.

El costo inicial: alrededor de US$30. Después sumó 15.000 listicles por unos US$20 adicionales. Total: cerca de US$50. El trabajo arrancó en marzo de 2026.

Google lo enterró, ChatGPT nunca dejó de buscarlo

El arranque fue prometedor en buscadores. Con herramientas de indexación, casi todo el sitio quedó indexado en una semana y empezó a aparecer en resultados. Después llegaron dos actualizaciones de Google y la visibilidad se derrumbó: hoy las páginas indexadas oscilan entre 5 y 20 impresiones. En la práctica, el sitio es invisible en Google.

Del lado de los LLM la historia es la opuesta. En los últimos 30 días, más de 600.000 requests de bots, con unos 72.000 de ChatGPT-User. No son crawls de entrenamiento: cada uno es el modelo abriendo una página para responder una pregunta real.

Los números que sostienen el caso: 330+ dominios de referencia según Ahrefs y Semrush, con marcas conocidas como Shopify, DHL y Bluehost entre ellos. Y más de 10.000 sesiones desde ChatGPT en GA4 desde marzo. En un tablero de visibilidad con prompts monitoreados, el dominio aparecía segundo, solo detrás de Statista.

Por qué los LLM citan datos que nadie verificó

La primera lección es que posicionar en Google y ser recuperable por un LLM son dos problemas distintos. Cuando ChatGPT busca, reescribe el prompt en subconsultas propias (fanout queries), junta candidatos de sus fuentes y de su caché, los reordena y abre unas pocas páginas para anclar la respuesta. Una página invisible en Google puede rendir bien en cada uno de esos pasos.

La segunda es el mecanismo por el cual las estadísticas ganan:

• La investigación dispara subconsultas. Si alguien pide un artículo sobre trabajo remoto, el modelo busca remote work statistics 2026. Las páginas alineadas con lo que buscan los modelos aparecen más que las escritas para humanos.
• Un número parece evidencia. La frase el trabajo remoto crece no aporta nada citable. Un porcentaje específico es concreto, citable y aditivo.
• El modelo no verifica. Hay un presupuesto acotado de latencia y costo. Verificar una estadística implicaría encontrar fuentes independientes, compararlas y resolver conflictos, algo inviable en miles de millones de prompts.
• Los rerankers puntúan relevancia, no verdad. Si el pasaje coincide con la consulta y parece autoritativo, se usa.
• Las estadísticas tienen frescura incorporada. El año aparece en el título, en los encabezados y en la URL: tres señales de que la página está actualizada.

Del dato inventado al dato con fuente: el blanqueo de citas

Acá está la parte que debería preocupar a cualquier equipo que publica investigación. Un sitio construido sobre datos inventados terminó citado en un paper académico, usado en research de inversión del mayor grupo financiero de Qatar, citado por una publicación económica de India y como fuente en un informe de una comunidad de influencers canadiense. Y esas son solo las citas que enlazaron de vuelta al sitio.

El día uno, un número inventado no tenía autoridad. Después lo citó un paper. Después un banco. Para el próximo lector, o el próximo modelo, ese dato ya tiene una fuente, y esa fuente está citada por instituciones serias. El número no se volvió verdadero: se volvió creíble por acumulación. El riesgo escala cuando esas páginas entran en crawls y de ahí en datos de entrenamiento.

El autor es explícito: esto se publica como investigación, con un disclaimer en el sitio, y no como un manual. La recomendación va en sentido contrario: verificar fuentes debería ser parte esencial del flujo de trabajo de quien escribe e investiga.

¿Cuánto pesa hoy la búsqueda con IA?

El experimento no cae en el vacío. Según Tech Times, Adobe acordó adquirir Semrush por unos US$1.900 millones en una operación anunciada el 19 de noviembre de 2025 y enmarcada en la visibilidad de marca en la era de la IA agéntica. Es el precio que el mercado le puso a una disciplina que hace dos años no tenía nombre.

La escala también ayuda a explicar el interés. OpenAI informó que ChatGPT superó los 900 millones de usuarios activos semanales, cifra divulgada a fines de febrero de 2026, según Tech Times. El informe State of AI Discovery 2025 de Previsible, que analizó 1,96 millones de sesiones con modelos de lenguaje, encontró que las sesiones referidas por IA crecieron 527% entre enero y mayo de 2025. El propio informe aclara que todo el tráfico de plataformas de IA sigue siendo menos del 1% del tráfico web total: un crecimiento explosivo, pero desde una base chica.

En paralelo, Gartner proyectó en febrero de 2024 que el volumen de búsquedas tradicionales caería 25% hacia 2026. Es una proyección de erosión, no una medición de cuota actual, y conviene leerla como tal.

En agosto de 2026, la Comisión Europea designó a ChatGPT como Very Large Online Search Engine bajo la Ley de Servicios Digitales, la misma categoría legal que Google y Bing, según el anuncio recogido por GlobeNewswire. La plataforma supera los 1.000 millones de usuarios activos semanales a nivel global, según cifras de OpenAI citadas en ese mismo anuncio.

Google, por su parte, publicó en mayo de 2026 su primera guía oficial para optimizar sus funciones generativas. Su posición, según Tech Times, es directa: optimizar para búsqueda generativa sigue siendo SEO, y GEO funciona como una capa adicional sobre una base sólida, no como un reemplazo.

Cómo construir una página de estadísticas que sí funcione

La segunda prueba del equipo le dio la vuelta al experimento. Con una página nueva, esta vez con datos reales, verificados y citados, el sitio de Peec AI empezó a recibir enlaces casi de inmediato de páginas que se sospecha se escriben con IA. El mecanismo era el mismo; el contenido, legítimo.

El checklist que funcionó:

• Una afirmación por oración. Cada dato debe entenderse solo, fuera de contexto. La recuperación opera sobre pasajes, no sobre páginas: si un número necesita el párrafo anterior para tener sentido, probablemente no se use.
• Fuente y año junto a cada número. Ayuda al modelo, al editor humano y a tu credibilidad.
• Encabezados alineados a las fanout queries. Piensa en las consultas que corren los modelos, no solo en las palabras que teclea la gente.
• Fecha de actualización visible y real. Una página de estadísticas vieja pierde contra una nueva.
• HTML renderizado en servidor. Nada de esconder datos detrás de JavaScript, pestañas o imágenes.
• Simple. Una lista alcanza. Reserva el diseño para activos que realmente lo aprovechen.
• Suma datos originales. Los datos agregados dan algunas citas; cuando dices algo que nadie más dice, te vuelves la fuente primaria.

¿Cómo saber si ChatGPT está usando tu contenido?

Google Search Console no muestra qué hacen los bots de IA en tu sitio. Lo que el autor monitorea en su lugar:

• Actividad de bots de IA en los logs del servidor o en Cloudflare, buscando agentes de recuperación como ChatGPT-User, OAI-SearchBot y PerplexityBot, no solo crawlers de entrenamiento.
• Sesiones de referencia de IA en GA4, desde chatgpt.com, perplexity.ai y similares.
• Citas y visibilidad en un set de prompts monitoreados.
• Nuevos dominios de referencia en Ahrefs o Semrush.
• Menciones sin enlace: busca tus cifras exactas entre comillas.

Qué significa esto para tu startup

Si tu equipo publica contenido para ser encontrado, el canal cambió de forma y de reglas. Tres movimientos concretos:

1. Audita si estás bloqueando a los bots de recuperación. Revisa robots.txt, las reglas del CDN y el WAF. Es el error más silencioso de la lista: tu sitio puede estar cerrándole la puerta a ChatGPT sin que nadie lo sepa.
2. Construye una página de datos con lo que ya tienes. No necesitas 50.000 estadísticas. Necesitas 20 o 30 cifras propias de tu producto, tu industria o tus clientes, cada una con fuente, año y encabezado alineado a la consulta que haría un modelo. Los datos originales son la mejor jugada: te convierten en fuente primaria en lugar de repetidor.
3. Mide la recuperación, no solo el ranking. Suma a tu reporte los referidos de IA en GA4 y las menciones sin enlace. Si un dato tuyo aparece citado en otro sitio, eso es señal de que el sistema te está usando como fuente.

Esto es una táctica, no una estrategia completa. El propio autor lo aclara. Como resume Joseph Levi, CEO de Noise Media Group, en declaraciones a FoodNavigator, los agentes de IA confían más en lo que otros dicen de ti que en lo que dices de ti mismo, y las marcas más propensas a beneficiarse son las que ya tienen confianza construida.

Conclusión

El experimento de StateGlobe muestra dos cosas al mismo tiempo. Una, que la recuperación por LLM es un canal independiente del buscador, capaz de sostener tráfico y enlaces incluso cuando Google te ignora. Dos, que hoy no existe verificación en el camino entre un número inventado y una respuesta que un cliente toma como cierta.

Las buenas noticias están del lado de los datos verificados: cuando el equipo repitió la prueba sin inventar nada, los enlaces llegaron igual de rápido. Publicar estadísticas bien citadas no solo es lo ético; también es la versión de esta táctica que sobrevive.

Fuentes

• Publish fake stats, get cited in LLMs (fuente original)
• Generative Engine Optimization (GEO) in 2026: How to Get Your Content Cited by ChatGPT and AI Overviews
• AI SEO and GEO Tools: What Brands Need as the EU Officially Classifies ChatGPT as a Search Engine
• Why thinking like an AI agent matters to marketing