Caso de Estudio
Sector: Consultoría Financiera B2B · España
De 0 a 50 leads
mensuales mediante
optimización de
respuestas de IA
Cómo llevamos a una consultora financiera B2B de ser completamente invisible para los sistemas de inteligencia artificial a convertirse en la fuente más citada de su nicho en ChatGPT, Perplexity y Google AI Overviews en menos de cuatro meses.
0→50
Leads/mes cualificados
4
Meses de trabajo
+312%
Tráfico orgánico
38%
Citas en AI Overviews
Cuando este cliente llegó a Sedo Digital, el problema que describía en la primera reunión era el que escuchamos con más frecuencia en negocios de servicios profesionales: «Hacemos un trabajo excelente, nuestros clientes actuales están muy satisfechos, pero prácticamente nadie nos encuentra por iniciativa propia. Todo viene por boca a boca y estamos completamente al límite de lo que esa red puede dar.»
Lo que el cliente no sabía —y lo que el diagnóstico inicial reveló con claridad— es que el problema no era únicamente de visibilidad digital tradicional. Era algo más específico y más urgente: en un sector donde los tomadores de decisiones usan cada vez más los sistemas de inteligencia artificial para investigar proveedores, hacer preguntas sobre problemas financieros y comparar opciones antes de contactar con nadie, este cliente era literalmente invisible para esos sistemas.
Cuando un director financiero buscaba en Perplexity «cómo optimizar la estructura de capital para una empresa familiar en crecimiento», o preguntaba en ChatGPT «qué consultor financiero me recomiendas para una operación de M&A en el segmento mid-market», el nombre de nuestro cliente no aparecía. Ni como fuente. Ni como mención. Ni de ninguna forma.
Este es el caso de estudio de cómo cambiamos eso en cuatro meses.
El punto de partida: diagnóstico completo de visibilidad
Antes de diseñar ninguna estrategia, el primer paso siempre es el mismo: entender con precisión dónde está el cliente y por qué está ahí. El diagnóstico de este caso duró tres semanas e incluyó cuatro dimensiones de análisis.
Situación inicial — Lo que encontramos
- Web de cinco años sin actualización de contenido desde hacía 18 meses
- Tres artículos en el blog, ninguno con más de 200 palabras
- Sin Schema.org implementado en ninguna página
- Velocidad de carga de 7,2 segundos en móvil (LCP crítico)
- Sin presencia en ningún canal de redes sociales profesionales
- Ninguna búsqueda relevante posicionando en las primeras tres páginas
- 0 citas como fuente en ningún sistema de IA monitorizado
- 100% de los leads nuevos provenían de referencias personales
Lo que tenían a favor — Activos sin explotar
- Equipo con 14 años de experiencia real y casos documentados internamente
- Especialización clara y profunda en un nicho muy específico del sector
- Tres socios con criterio propio y perspectivas diferenciadas sobre el sector
- Metodología de trabajo propia y no estándar que producía mejores resultados
- Base de clientes satisfechos dispuestos a dar testimonios con detalle
- Datos internos de proyectos que nadie más en el sector había publicado
- Dominio de la web con 14 años de antigüedad y sin penalizaciones
La conclusión del diagnóstico fue clara: este cliente tenía exactamente los ingredientes que los sistemas de IA necesitan para citarte como fuente de autoridad. El problema era que esos ingredientes estaban completamente desempaquetados. No estaban en ningún formato que pudiera ser leído, procesado y valorado por ningún sistema automatizado.
El trabajo que había que hacer no era inventar nada. Era hacer visible y accesible lo que ya existía.
La estrategia: visibilidad en sistemas de IA como motor de captación
La estrategia que diseñamos para este cliente se basó en un insight que es central a toda nuestra forma de trabajar en Sedo Digital: en el ecosistema de búsqueda actual, hay dos audiencias simultáneas a las que tienes que dirigirte cuando creas contenido. La primera es el usuario humano que lee tu artículo. La segunda son los sistemas de inteligencia artificial que procesan ese contenido y deciden si merece ser citado como fuente cuando alguien hace una pregunta relacionada.
Optimizar solo para la primera audiencia produce contenido que puede posicionar en Google pero que los LLMs ignoran como fuente. Optimizar solo para la segunda produce contenido técnicamente correcto que nadie quiere leer. La estrategia correcta optimiza para ambas simultáneamente, y eso requiere decisiones específicas sobre qué escribir, cómo estructurarlo y qué señales técnicas incluir para que los sistemas de IA lo identifiquen como contenido de autoridad.
El principio que guió toda la estrategia
Un sistema de IA no cita fuentes al azar. Cita las que ofrecen la respuesta más directa, más específica y más verificable a una pregunta concreta. Eso significa que la pregunta más importante no es «¿qué contenido creo?» sino «¿qué preguntas hace mi cliente ideal cuando busca ayuda, y cómo construyo la respuesta más autoritativa a esas preguntas que existe en todo el ecosistema digital?»
Las cuatro fases del trabajo: qué hicimos exactamente
1
El primer bloque de trabajo fue completamente técnico. No tiene sentido crear contenido de calidad sobre una base técnica que impide que los rastreadores de IA accedan correctamente a la web. En este caso, los problemas técnicos eran críticos: una web de siete segundos de carga, sin Schema.org, con contenido renderizado parcialmente en JavaScript sin server-side rendering y con un robots.txt que —sin que nadie lo hubiera revisado— bloqueaba a GPTBot y a PerplexityBot.
Migración a servidor con tiempo de respuesta inferior a 200ms y optimización de imágenes
Corrección del robots.txt: Allow explícito para GPTBot, PerplexityBot, ClaudeBot y anthropic-ai
Implementación de Schema.org Organization, WebSite y Article en todas las páginas relevantes
Corrección de Core Web Vitals: LCP de 7,2s a 1,9s, CLS de 0,18 a 0,04
Activación de server-side rendering para todo el contenido editorial
Configuración de datos estructurados FAQPage en las páginas de servicios principales
2
Con la base técnica solucionada, el siguiente paso fue identificar exactamente qué preguntas hace el cliente ideal de este negocio cuando tiene el tipo de problema que ellos resuelven. No las keywords de mayor volumen de búsqueda, sino las preguntas reales que alguien escribe en Perplexity o en ChatGPT cuando está buscando orientación antes de contactar con una consultora.
Para esto combinamos tres fuentes: análisis de las consultas que activaban AI Overviews en las búsquedas del sector, análisis de los temas más frecuentes en comunidades profesionales de directores financieros, y entrevistas con los tres socios del cliente para identificar qué preguntas les hacían en las primeras reuniones con nuevos clientes.
Identificación de 47 preguntas de alta frecuencia organizadas en 8 clústeres de intención
Clasificación por tipo de intención: informacional (29), comercial (12), transaccional (6)
Definición de la arquitectura de contenido: 8 artículos pillar + 24 artículos de clúster
Priorización por combinación de volumen de búsqueda y potencial de ser citado en AI Overviews
3
Esta fue la fase más intensiva y la más diferencial respecto a lo que los competidores del cliente estaban haciendo. El contenido que produjimos no era contenido informacional genérico: era contenido basado en la experiencia específica de este equipo, en datos de proyectos reales y en perspectivas que contradecían algunos de los consensos más extendidos del sector.
Cada artículo seguía una estructura específica diseñada para maximizar la probabilidad de ser citado por sistemas de IA: respuesta directa a la pregunta principal en los primeros 100 palabras, datos propios o de fuentes verificables, perspectiva diferencial del equipo, Schema FAQPage con las micro-preguntas más frecuentes relacionadas con el tema principal.
8 artículos pillar de entre 3.000 y 5.000 palabras cada uno con datos propios exclusivos
Schema FAQPage implementado en cada artículo con 4–6 pares pregunta-respuesta específicos
3 estudios de caso documentados con datos reales (con autorización del cliente): situación inicial, proceso, resultado medible
Implementación de bloque de autoría con credenciales verificables en cada pieza de contenido
Enlazado interno sistemático conectando los artículos de clúster con la pillar page correspondiente
Distribución del contenido en LinkedIn con adaptación al formato del canal (1 post por artículo publicado)
4
La visibilidad sin conversión no genera negocio. La cuarta fase, que se solapó parcialmente con la tercera, fue la construcción de los mecanismos que convierten la visibilidad generada en leads cualificados. El punto clave aquí fue que los leads que llegaban desde sistemas de IA llegaban con un nivel de contexto y predisposición significativamente mayor que los leads de búsqueda orgánica tradicional.
Rediseño de la landing page principal con estructura de conversión orientada a la intención transaccional
Formulario de cualificación previo a la primera llamada: tipo de proyecto, tamaño de empresa, urgencia, qué han intentado antes
Lead magnet específico: guía de 18 páginas sobre restructuración financiera para empresas familiares en crecimiento
Secuencia de email automatizada de 5 emails para los leads que descargaban la guía, con contenido adicional y CTA a llamada
Integración de Calendly directamente en la landing y al final de cada artículo pillar para eliminar fricción en el agendamiento
Los resultados: datos reales mes a mes
Los resultados empezaron a materializarse de forma gradual pero consistente. Las correcciones técnicas produjeron mejoras medibles en las primeras dos semanas. Los primeros artículos publicados empezaron a aparecer en búsquedas relevantes en las semanas 6 y 7. Las primeras citas en AI Overviews llegaron en la semana 9. Y los primeros leads directamente atribuibles al sistema llegaron en la semana 10.
Evolución mensual de leads cualificados — Atribuibles al sistema de AEO y contenido
Período
Leads
Mes 0 (inicio)
0
Mes 1
3
Mes 2
12
Mes 3
31
Mes 4
50
La curva de crecimiento no fue lineal. Esto es completamente normal en estrategias de contenido y AEO: hay un período inicial donde el trabajo se acumula sin que los resultados sean todavía visibles, seguido de un punto de inflexión donde varios elementos confluyen simultáneamente y el crecimiento se acelera. En este caso, ese punto de inflexión llegó al inicio del tercer mes.
Resultados completos al cierre del cuarto mes
Resultados verificados — Mes 4 vs. Situación inicial
50
Leads cualificados mensuales vs. 0 en el inicio
+312%
Incremento de tráfico orgánico total
38%
De las queries objetivo con cita en AI Overviews de Google
7
Posición media de los artículos pillar en Google Search
Más allá de las métricas de tráfico, los datos de negocio fueron los que más impactaron al cliente. De los 50 leads del cuarto mes, 34 llegaron con contexto suficiente sobre los servicios del cliente como para no necesitar ninguna reunión de «presentación genérica»: llegaron directamente a hablar de su problema específico y de si este equipo podía resolverlo. La tasa de cierre de esas reuniones fue del 41%, significativamente superior al 18% histórico del cliente con leads de referencia.
La calidad del lead procedente de sistemas de IA resultó ser la sorpresa más significativa del proyecto. Los usuarios que llegan desde una cita en un AI Overview o desde un artículo que encontraron porque lo recomendó un sistema de inteligencia artificial llegan con un nivel de credibilidad preestablecida que ningún otro canal genera con la misma eficiencia.
Hallazgos técnicos: lo que aprendimos sobre cómo citan los sistemas de IA
Uno de los compromisos que tenemos en Sedo Digital en todos los proyectos es documentar lo que aprendemos para mejorar nuestro propio conocimiento y el de nuestros clientes. Este proyecto produjo cuatro hallazgos técnicos que han modificado nuestra metodología estándar de AEO.
Hallazgo 01
El primer párrafo lo decide casi todo
En el 84% de los casos donde nuestro contenido fue citado en un AI Overview, el fragmento citado procedía de los primeros 120 palabras del artículo o de los primeros 80 palabras de una sección específica. Los sistemas de IA procesan el inicio de cada bloque de contenido con mayor peso. Un artículo que tarda 300 palabras en llegar al punto tiene mucha menos probabilidad de ser citado que uno que responde en la primera frase.
Hallazgo 02
El Schema FAQPage multiplica la probabilidad de cita
Las páginas con Schema FAQPage correctamente implementado tuvieron una probabilidad de aparición en AI Overviews 3,7 veces superior a las mismas páginas sin ese Schema. El formato de pregunta-respuesta directa en JSON-LD es el que más se alinea con la forma en que los LLMs buscan respuestas a consultas específicas. Es el formato que más fácilmente pueden extraer y sintetizar.
Hallazgo 03
Los datos propios son el diferenciador más potente
En dos ocasiones, nuestros artículos con datos propios del cliente aparecieron citados en Perplexity para búsquedas donde competidores con mucha mayor autoridad de dominio (DA 60+) estaban posicionados más arriba en Google. La especificidad de los datos exclusivos supera en peso al DA cuando se trata de ser elegido como fuente por un sistema de IA.
Hallazgo 04
La velocidad es una barrera de entrada, no un diferenciador
Antes de llegar a 2,5 segundos de LCP, ninguno de los artículos de este cliente apareció citado en ningún AI Overview, independientemente de la calidad del contenido. Una vez corregida la velocidad, las citas empezaron a aparecer en las semanas siguientes. La velocidad no es un factor que mejora tus posibilidades: es un requisito mínimo sin el que el resto del trabajo no produce efecto.
La perspectiva del cliente: lo que más le sorprendió del proceso
«Llevábamos años sabiendo que teníamos que hacer algo con el marketing digital, pero siempre encontrábamos razones para posponerlo. Cuando empezamos a trabajar con Sedo Digital, la primera sorpresa fue que no empezaron por preguntarnos qué queríamos publicar, sino por entender exactamente qué preguntas hacía nuestro cliente ideal antes de contactar con nosotros. Eso orientó todo lo que vino después de una forma que nos hizo sentido inmediatamente. La segunda sorpresa, la más grande, fue ver que a las pocas semanas de publicar los primeros artículos, estábamos apareciendo en las respuestas de ChatGPT y Perplexity cuando alguien preguntaba por nuestro tipo de servicio. Ese canal de visibilidad no lo habíamos contemplado en ningún momento y resultó ser el más cualitativo de todos los que se activaron.»
Honestidad sobre lo que no funcionó exactamente como esperábamos
Sedo Digital tenemos la política de incluir en todos nuestros casos de estudio lo que no funcionó según el plan original. No porque nos guste la autocrítica, sino porque los casos de estudio sin fricción son publicidad disfrazada de análisis, y eso no ayuda a nadie a entender cómo funciona realmente este tipo de trabajo.El primer elemento que no funcionó según lo previsto fue la distribución en LinkedIn. El plan inicial incluía publicar en el perfil personal de cada uno de los tres socios, con adaptaciones del contenido de los artículos. Dos de los tres socios participaron de forma consistente durante las primeras seis semanas, pero a partir de la séptima la consistencia cayó significativamente. El impacto en leads desde LinkedIn fue menor de lo que habíamos proyectado: contribuyó con aproximadamente el 12% de los leads en lugar del 25% proyectado.
La lección que extrajimos es que la generación de contenido para redes sociales necesita estar integrada en el flujo de trabajo del equipo del cliente desde el inicio, con plantillas y procesos claros, no delegada a la buena voluntad. En proyectos posteriores hemos cambiado la metodología para producir nosotros los posts de LinkedIn basándonos en los artículos, requiriendo solo la aprobación y publicación del cliente.
El segundo elemento que tardó más de lo esperado fue la indexación de algunos artículos. Tres de los ocho artículos pillar tardaron entre cuatro y seis semanas en ser indexados correctamente por Google, a pesar de haber sido enviados a través de Search Console. La causa fue una configuración incorrecta del sistema de caché del servidor que impedía que Googlebot viera la versión actualizada de esas páginas. Cuando se identificó y corrigió, la indexación fue inmediata.
Lecciones aprendidas: lo que haríamos diferente desde el principio
L1
Empezar por el diagnóstico técnico siempre, sin excepciones
En este caso lo hicimos así, pero ha habido proyectos anteriores donde el entusiasmo por el contenido llevó a empezar a producir antes de verificar que la base técnica era correcta. Ese orden produce trabajo que durante semanas no tiene ningún efecto visible porque los rastreadores no pueden acceder o no pueden entender lo que ven. El diagnóstico técnico tiene que ser siempre el primer entregable.
L2
Los datos propios son el activo más subestimado que tienen los clientes
Prácticamente todos los clientes que llegan a nosotros tienen datos internos de proyectos que, correctamente empaquetados y publicados, son activos de autoridad extraordinarios. El problema es que esos datos están en presentaciones internas, en propuestas a clientes o en la cabeza de los socios. Extraerlos, validarlos y convertirlos en contenido publicable es el trabajo que más diferencia produce en la velocidad con que los sistemas de IA empiezan a citarte.
L3
El Schema FAQPage debería implementarse desde el primer artículo, no como mejora posterior
En este proyecto, los primeros tres artículos se publicaron sin Schema FAQPage porque estábamos priorizando la velocidad de publicación. Cuando se añadió retrospectivamente dos semanas después, la visibilidad en AI Overviews mejoró de forma significativa. Esto nos costó probablemente dos semanas de aparición en AI Overviews que podrían haber llegado antes. Hoy es parte del proceso de producción de cada artículo desde el inicio.
L4
El mecanismo de conversión tiene que estar listo antes de que llegue el tráfico
Las fases 3 y 4 se solaparon parcialmente, pero hubo un período de tres semanas en que los primeros artículos ya estaban generando visitas y citas en AI Overviews, pero el mecanismo de captación de email y el formulario cualificado todavía no estaban activos. Esas tres semanas representaron leads perdidos que llegaron y no tuvieron forma de dar el siguiente paso. En proyectos futuros, la fase de conversión empieza en paralelo con la producción de contenido desde la semana uno.
L5
Monitorizar los AI Overviews desde el inicio produce datos que mejoran el contenido posterior
En las primeras semanas del proyecto, no teníamos configurado un sistema de monitorización sistemática de en qué búsquedas aparecíamos citados en AI Overviews. Cuando lo activamos en la semana 8, los datos revelaron patrones claros sobre qué tipos de respuesta y qué formatos de contenido tenían más probabilidad de ser citados. Esos datos mejoraron la calidad de los artículos producidos en la segunda mitad del proyecto. Hoy la monitorización de AI Overviews empieza desde la semana uno.
El resultado más sorprendente no fueron los 50 leads. Fue la calidad de esos leads. El cliente que llega habiendo leído tres artículos tuyos y habiendo visto tu nombre citado en la respuesta de ChatGPT a su pregunta no necesita que le convenzas de nada. Necesita que le confirmes que puede confiar en lo que ya decidió que pensaba.
Situación actual: qué pasa después de los cuatro primeros meses
El trabajo de los cuatro meses iniciales construyó los cimientos. Lo que ocurre a partir del mes cinco es donde se ve la naturaleza compuesta de este tipo de estrategia: el contenido publicado sigue ganando autoridad de forma acumulativa, las citas en AI Overviews aumentan a medida que más artículos alcanzan el nivel de madurez necesario, y el sistema de captación se vuelve más eficiente porque los leads que llegan están cada vez mejor cualificados por el propio contenido.
El cliente continúa trabajando con Sedo Digital en la fase de mantenimiento y expansión del sistema. Los objetivos del siguiente ciclo de trabajo son: expandir el número de artículos pillar de 8 a 16 cubriendo los clústeres de intención que quedaron pendientes, activar de forma sistemática la distribución en LinkedIn con el nuevo proceso de producción de posts, y añadir un canal de YouTube con vídeos basados en los artículos de mayor rendimiento.
La proyección conservadora para el mes doce es alcanzar los 90 leads mensuales cualificados, con una tasa de conversión a reunión superior al 60% gracias a la mayor cualificación que produce el sistema conforme madura.
¿Tu negocio está en una situación similar?
Cuéntanos tu caso y
Cuéntanos tu caso y
veamos si podemos
replicar este resultado
Si tu negocio tiene experiencia real, metodología propia y clientes satisfechos pero no está generando leads de forma predecible desde los canales digitales, es probable que tengas exactamente los ingredientes que necesitas. El trabajo que hay que hacer es hacerlos visibles.
Hablar con Sedo Digital Sin compromiso · Primera conversación gratuita · Respuesta en menos de 24 horas