{"id":66430,"date":"2025-07-16T11:14:45","date_gmt":"2025-07-16T11:14:45","guid":{"rendered":"https:\/\/morningscore.io\/?p=66430"},"modified":"2025-07-16T11:14:45","modified_gmt":"2025-07-16T11:14:45","slug":"llmo-es-dificil-para-pymes-y-marcas","status":"publish","type":"post","link":"https:\/\/morningscore.io\/es\/llmo-es-dificil-para-pymes-y-marcas\/","title":{"rendered":"LLMO es dif\u00edcil para las peque\u00f1as marcas y empresas"},"content":{"rendered":"

LLMO = Optimizaci\u00f3n de LLM, que b\u00e1sicamente significa hacer SEO para IA chatbots como ChatGPT para optimizar la cantidad de visibilidad que tu empresa obtiene en los LLM.<\/p>\n

Si sigues los consejos de las mejores gu\u00edas pr\u00e1cticas de LLMO que existen, como esta de Ahrefs<\/a>, obtienes muchos consejos que funcionan principalmente para marcas m\u00e1s grandes.<\/p>\n

Esto me hizo pensar que probablemente es un juego dif\u00edcil de jugar para las peque\u00f1as empresas actualmente.<\/p>\n

Los LLM como ChatGPT actualmente (principios de 2025 al momento de escribir) no tienen suficientes datos sobre todas las peque\u00f1as empresas que existen.<\/p>\n

Probando si las marcas peque\u00f1as aparecen en los LLM<\/h2>\n

Para poner a prueba esa hip\u00f3tesis, pregunt\u00e9 a varios LLM importantes si conocen 10 marcas danesas m\u00e1s peque\u00f1as simplemente preguntando \u00ab\u00bfConoces la empresa danesa OnRobot?\u00bb (ejemplo con OnRobot).<\/p>\n

Y aqu\u00ed est\u00e1n los resultados:<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
\u00bfConoces?<\/th>\nmistral-small<\/th>\nmistral-large<\/th>\ngpt-4o-mini<\/th>\ngpt-4o<\/th>\ngemini-1.5-flash<\/th>\ngemini-2.0-flash<\/th>\nclaude-3-5-sonnet<\/th>\nclaude-3-5-haiku<\/th>\n<\/tr>\n<\/thead>\n
Morningscore<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u274c<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n<\/tr>\n
Morningtrain<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u274c<\/td>\n\u2705<\/td>\n\u274c<\/td>\n\u274c<\/td>\n<\/tr>\n
Morningbound<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n<\/tr>\n
Twentyfour<\/td>\n\u274c<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u274c<\/td>\n<\/tr>\n
Vestas<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n<\/tr>\n
Sandgrav Solutions<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u2705<\/td>\n\u274c<\/td>\n\u274c<\/td>\n<\/tr>\n
Fenerum<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u2705<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n\u274c<\/td>\n<\/tr>\n
Roccamore<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n<\/tr>\n
Flatpay<\/td>\n\u274c<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u274c<\/td>\n\u2705<\/td>\n<\/tr>\n
Onrobot<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n\u2705<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Esto se prob\u00f3 a trav\u00e9s de las API, as\u00ed que estaba seguro de que no usar\u00edan datos de b\u00fasqueda (la API solo se basa en los datos del modelo listos para usar y no se conecta a \u00abInternet\u00bb).<\/p>\n

Gemini 2.0 es el ganador<\/h2>\n

Gemini-2.0-Flash y GPT-4o conoc\u00edan la misma cantidad de marcas, pero Gemini tuvo las respuestas m\u00e1s detalladas en general, casi siempre acertando en los detalles.<\/p>\n

\u00bfTal vez Google podr\u00eda aprovechar su enorme base de datos local de Google Business<\/a>? No s\u00e9. ChatGPT tambi\u00e9n lo hizo bastante bien.<\/p>\n

\u00bfQu\u00e9 determina si un LLM encuentra una marca?<\/h2>\n

Hay muchos estudios al respecto. Mi propia experiencia es que estas m\u00e9tricas importan:<\/p>\n