Latent Space publica su AEO Tracker: qué eligen los modelos

Qué es el AEO Tracker de Latent Space

El AEO (Answer Engine Optimization o AI Engine Optimization) es el trabajo de conseguir que tu marca sea nombrada y recomendada dentro de las respuestas que generan los modelos de IA. No se trata de aparecer en un enlace azul de Google, sino de ser parte de la respuesta sintetizada. El medio especializado Latent Space acaba de publicar su Frontier AEO Tracker, una herramienta que mide exactamente eso: qué producto, servicio o persona recomienda cada modelo de frontera cuando un usuario pregunta por una categoría concreta.

El estudio parte de una observación directa del equipo: si la IA elige, los fundadores necesitan saber qué elige y por qué. La metodología extiende un trabajo previo de AmplifyingAI y se inspira en el análisis "What Claude Code Actually Chooses" para construir un panel auditable, donde cada prompt y cada respuesta son inspeccionables, lo que evita sospechas de contaminación de datos.

Cómo se construyó el estudio

El tracker ejecutó 6 variaciones de prompt sobre 7 modelos (con la búsqueda web activada) en 161 categorías: desde agentes de código hasta podcasts de IA, pasando por sandboxes, bases de datos gestionadas, modelos de reconocimiento de voz e incluso categorías atípicas como inversores ángel, gasto corporativo o software de nóminas.

La extracción de respuestas se hizo con Astra, y cada recomendación recibió un AEO score propietario que pondera:

• La elección como primera opción
• Las menciones como alternativa
• Las menciones sin ser la primera opción
• Penalizaciones por anti-recomendaciones leves o fuertes (raras, pero existentes)

Los sesgos revelados: qué modelo recomienda qué

Uno de los hallazgos más comentados es que los sesgos de cada laboratorio son visibles y medibles. Cuando se preguntó por agentes de código, el patrón fue claro:

• Fable y Opus recomendaron mayoritariamente Claude Code, el agente de Anthropic
• Sol y Astra recomendaron Codex, el agente de OpenAI
• Grok recomendó Cursor
• Muse recomendó Muse Code
• SWE-1.7 recomendó Devin

Latent Space aclara que verificó la posibilidad de contaminación de datos y que todos los pares de prompt-respuesta son públicos. Aun así, los "soft biases" emergieron con claridad.

Lo más llamativo: hubo casos notables de modelos GPT recomendando Claude, algo que los autores describen como una recomendación no sesgada laudable.

28 categorías con un dominante universal

El tracker identificó 28 categorías (de las 161 evaluadas) que tienen una única opción dominante entre todos los modelos de frontera. Son batallas ya cerradas: el nombre que la IA dice cuando le preguntan por esa categoría es siempre el mismo.

El resto son "close contests" o "always the bridesmaid, never the bride", categorías donde varios productos se turnan en el podio según el modelo y el wording. Esos son, según Latent Space, los verdaderos campos de batalla del AEO.

Los flips entre generaciones: Sol→Astra y Opus→Fable

Cada nuevo pre-entrenamiento de un laboratorio es una ventana para ver hacia dónde se mueven sus prioridades de datos y de RL (refuerzo). Latent Space preparó informes especiales analizando los rankings antes y después de cada salto generacional, y encontró cambios de recomendación con consecuencias serias.

El tracker tiene páginas dedicadas para los saltos Opus→Fable y Sol→Astra, con análisis neutrales de qué hicieron mejor los competidores en cada caso. Para un founder, esto significa que una ventaja competitiva construida sobre las recomendaciones de un modelo puede evaporarse en una sola actualización.

Eficiencia vs confianza: Anthropic busca más fuentes

Otro hallazgo sorprendente del estudio: Anthropic parece estar sesgando sus modelos hacia buscar más fuentes antes de responder. La mediana de fuentes consultadas por cada modelo fue:

• Sol: 9 fuentes
• Astra: 5 fuentes
• Opus: 11 fuentes
• Fable: 15 fuentes

Astra, en paralelo, resulta ser mucho más confiable (o eficiente, según cómo se mire): es mucho menos probable que cambie de opinión cuando el usuario parafrasea ligeramente la pregunta. Esto, según los autores, eleva el valor del propio AEO: cuanto más estable es la respuesta, más vale la pena invertir en ella.

Lo que esto significa para tu startup

El AEO Tracker de Latent Space no es un ejercicio académico. Mide tres cosas que cualquier founder debería estar observando:

• Sesgo de modelo: si tu producto compite en una categoría dominada por un laboratorio concreto, los prompts que le hagas a tu IA favorita pueden no reflejar lo que recomendará la IA de tu cliente. La distribución real de uso importa más que tu preferencia personal.
• Estabilidad de respuesta: Astra cambia menos con paráfrasis. Optimizar para ese modelo puede dar resultados más predecibles que optimizar para Fable, que es más sensible al wording.
• Estrategia de fuentes: si tu contenido no aparece entre las 5–15 fuentes que el modelo consulta, no entra en la respuesta. El AEO se juega en el set de fuentes, no en el ranking de Google.

Tres acciones concretas para esta semana

• Ejecuta las 6 variaciones tú mismo: audita manualmente qué responden los modelos en tu categoría. No te quedes con una sola pregunta; parafrasea y compara resultados.
• Audita tus fuentes citadas: identifica los 3–5 dominios que los modelos leen para tu categoría. Si tu marca no aparece en ninguno, ese es el primer gap a cerrar.
• Mide visibilidad de IA, no solo tráfico de IA: según el reporte 2025 State of AI Discovery de Previsible, las sesiones referidas por IA crecieron 527% entre enero y mayo de 2025 (de aproximadamente 17.000 a 107.000), aunque siguen representando menos del 1% del tráfico web total. Aun así, el tráfico de IA convierte mejor porque llega con intención de decisión, no de exploración.

El contexto del sector: AEO ya es una categoría de mercado

El movimiento detrás del tracker de Latent Space no es aislado. El AEO pasó de ser un término académico a un mercado con cifras reales:

• Adobe anunció la adquisición de Semrush por unos US$1.900M en noviembre de 2025, una operación que pone precio a la disciplina del GEO (Generative Engine Optimization).
• OpenAI reportó que ChatGPT alcanzó más de 900 millones de usuarios activos semanales a fines de febrero de 2026, más del doble de los 400 millones reportados un año antes.
• Google publicó en mayo de 2026 su primera guía oficial para optimizar sus funciones de IA generativa, donde sostiene que "optimizar para búsqueda generativa sigue siendo SEO".
• Herramientas dedicadas como Profound, Otterly.ai, Searchable, SE Visible y HubSpot AEO ya aparecen en rankings públicos del sector.
• MentionOS lanzó el 4 de septiembre de 2026 un agente autónomo de AEO que monitoriza cuatro modelos de IA diariamente y publica arreglos en el blog de la marca sin intervención humana.

Para un founder hispano, esto se traduce en una decisión operativa: si tu categoría está bloqueada por un solo actor (28 de las 161 categorías del tracker tienen un dominante universal), la batalla por la respuesta del modelo se decide por cobertura de fuentes, consistencia de claims y autoridad externa, no por tráfico orgánico clásico.

Fuentes

• The Frontier AEO Tracker: What Astra Chooses (Latent Space)
• Generative Engine Optimization (GEO) in 2026 (TechTimes)
• MentionOS AI Launches an Autonomous AEO Agent (Yahoo Finance)
• Best AEO Tools July 2026: Prompt Insider Rankings (Independent Mail)