El método de 5 fases que hace que una empresa sea fácil de encontrar y recomendar por ChatGPT, Claude, Gemini y Perplexity, con el caso completo del cliente cero.
# El camino crítico del método F0 Diagnóstico → la referencia (baseline) F1 Catálogo → el contenido (~50 fichas) F2 Publicação → la exposición (AEO/GEO) F3 Agente → la conversión (chat + leads) F4 Loop → la evidencia (medir la diferencia) # Ninguna fase se cierra «a ojo»: # cada gate es un comando ejecutado.
La mayoría de las empresas simplemente no existe para las IA, y eso se puede medir antes y después. AIV 2026 reúne el método para revertirlo, junto con la ejecución completa y documentada en el cliente cero (INEMA).
Diagnóstico → catálogo → publicación → agente → ciclo. Cada fase con pasos, criterios de salida verificables, presupuesto y los obstáculos reales que ya se han vivido.
El cliente cero partió de un 0% de apariciones en 52 mediciones con prompts neutros. El plan war-game, el registro de lo construido y el informe de decisiones: todo está en el repo.
Chat que guía al visitante por el sitio, califica su interés y capta leads, con gates de seguridad comprobados (suite adversarial, rate limit, schema cerrado).
Reglas que se aplican a todas: nunca inventar datos del cliente (sin confirmación → PENDIENTE), medir antes de cambiar, probar localmente antes de publicar y no poner ningún agente en producción sin aprobación explícita.
~20 preguntas neutrales del sector, 3 ejecuciones en cada IA. Registra quién es citado, con qué fuentes y con qué errores. El baseline es el «antes» del caso.
~50 fichas Markdown+YAML versionadas: institucional, productos, FAQ derivadas del F0, portafolio. Extracción con fuente real, revisión del cliente en lotes de 10.
Generador estático → páginas con respuesta directa en el 1.º párrafo, JSON-LD y sitemap, alojadas en el dominio del cliente, con bots de IA habilitados y probados por user-agent.
Widget en shadow DOM + función serverless + LLM. Navegación y captura mediante tool use con schema cerrado; el catálogo como única fuente: el agente no inventa precios ni URL.
Nueva medición mensual del AI Share of Voice frente al baseline + ciclo semanal sobre las conversaciones reales. Las preguntas sin ficha se convierten en fichas nuevas.
El plan supone que surgirán obstáculos: cada fase declara una suposición optimista y otra pesimista, modos de falla con correcciones predefinidas y un presupuesto para los intentos.
El método es económico de ejecutar: la infraestructura de publicación es estática y gratuita; el agente usa un LLM de bajo costo detrás de una función serverless.
Clona el repo y lee el playbook de principio a fin antes de hacer cualquier cosa.
# punto de partida git clone https://github.com/inematds/aiv2026 cat aiv2026/playbook-aeo-geo.md
Acceso al dominio/sitio (para el proxy y el robots.txt), 1–2 h/semana de revisión durante el catálogo y una persona responsable disponible para aprobar las transcripciones del agente.
Alojamiento estático (GitHub Pages basta), un Postgres serverless (Supabase) para el agente y una clave de LLM —por defecto, mediante OpenRouter— que nunca toca el navegador.
El resumen ejecutable del playbook: de cero a la operación continua. Los detalles, los modos de falla y los criterios completos están en los documentos del repo (el README incluye este mismo paso a paso ampliado).
Clona el repo, lee el playbook de principio a fin y usa el prompt original con los [placeholders] reemplazados por el proyecto del nuevo cliente. Planifica las barreras antes de escribir una sola línea de código.
git clone https://github.com/inematds/aiv2026 cat aiv2026/playbook-aeo-geo.md # el método cat aiv2026/case-inema/prompt-war-game-portugues.md # genera tu plan con él
Recopila ~20 preguntas neutras del nicho junto con el cliente, congela la batería como v1 y ejecuta cada prompt 3× en cada IA. Sin línea de base, ningún resultado posterior se puede demostrar.
# registrar en CSV: fecha, herramienta, prompt, ejecución, # ¿se cita al cliente?, competidores, fuentes citadas, errores de la IA resultado do cliente-zero: 0% de aparição em 52 medições
Fichas Markdown+YAML en lotes de 10, siempre con una fuente real. La FAQ nace de la propia batería F0: preguntas con demanda comprobada, no inventadas.
# front matter obligatorio por ficha slug, tipo, titulo, resumo, status, fonte, confianca, atualizado_em # regla estricta: sin confirmación → confianca: PENDENTE # el validador rechaza publicar una ficha PENDENTE
Genera páginas estáticas con respuesta directa en el 1.º párrafo, JSON-LD y canonical en el dominio del cliente. Habilita los bots de IA en robots.txt y compruébalo con curl.
# el gate no es una opinión, es un comando: curl -A "OAI-SearchBot" https://dominio-do-cliente/conhecimento/ # 200 curl -A "ClaudeBot" https://dominio-do-cliente/conhecimento/ # 200 # + JSON-LD validado + sitemap enviado a Google Search Console # y en Bing Webmaster Tools (configuración única; después vuelven a rastrear por sí solos)
Widget ligero en el sitio, función serverless en el medio, catálogo como única fuente de verdad. La navegación y la captura de leads son tools con schema cerrado: el modelo no puede inventar URL. El cerebro llama al OpenRouter por defecto: un endpoint con formato de OpenAI para cientos de modelos; cambiar de modelo es cambiar una cadena, y el costo por conversación aparece listo en el dashboard.
# gates antes del go-live (ninguno es opcional) suíte adversarial ≥20 ataques # 0 filtraciones, 0 acciones fuera del schema flood de requisições # rate limit devuelve 429 lead de teste # confirmado con una query en la base de datos 10 transcrições # aprobadas por el cliente
Instala las 4 señales de medición (sitio, páginas de conocimiento, agente, share of voice) y vuelve a ejecutar la batería v1 cada mes. El delta respecto a la línea de base es la cifra del caso.
# ¿share of voice estancado después de 3 meses? # la palanca deja de ser el contenido y pasa a ser la autoridad # externa: las fuentes que las IA citan en lugar del cliente re-medição mensal → delta vs baseline → relatório de 10 linhas
Cada cambio de contenido pasa por tres destinos: el sitio público, la base de datos del agente y los buscadores. Olvidar cualquiera deja una superficie desactualizada: el agente responde desde la base de datos, no desde los archivos.
# edita la ficha en catalogo/ (sin confirmación → PENDENTE), después: node scripts/gerar-site.mjs # 1. sitio: HTML+JSON-LD+sitemap → push node scripts/sync-catalogo-supabase.mjs # 2. base de datos del agente (catalogo_fichas) # 3. buscadores: el sitemap sale con lastmod nuevo y Google/Bing # vuelven a rastrear por sí solos; si cambió una página estratégica → solicitar # reindexación manual en Search Console (Inspección de URL)
Todo verificado con comandos reales y documentado en el repo: el plan war-game original, el registro de lo que se construyó (con runbook) y el informe de decisiones y riesgos.
de apariciones en las 52 mediciones del baseline: la evidencia del problema y el «antes» del caso.
del catálogo se convirtieron en páginas públicas indexables, con JSON-LD, sitemap y bots de IA probados uno por uno.
en la suite adversarial contra el agente publicado: 0 filtraciones de instrucciones, 0 acciones fuera del schema.
de medición instalados para el ciclo: sitio, páginas de conocimiento, conversaciones del agente y AI Share of Voice mensual.
El prompt original que generó el plan, reutilizable: reemplaza los [placeholders] por el proyecto del nuevo cliente.
El plan war-game completo, con las tablas de 22 escenarios de falla que se pueden transferir casi íntegramente a cualquier cliente.
Lo que ya está construido + el runbook operativo: cómo regenerar el sitio, sincronizar el catálogo y volver a medir la batería.
El cliente cero ejecutó las 5 fases en 2026-07; la ventana de indexación y la medición mensual están en curso.