Published June 2, 2026 | Version v1
Publication Open

La distorsión cognitiva del Generative Engine Optimization: Uso excesivo de agentes de IA y automatizaciones colma Google-AI con contenido parásito

Authors/Creators

  • 1. IB Research Lab

Description

El ecosistema de la información digital sufre una fractura cognitiva en torno al uso de Google, ya que el Modelo de Lenguaje Largo (Large Language Model) utilizado para recopilar información indexada en su directorio comienza a saturarse de contenido sintético carente de validez, rigor, fundamento y esencia. Si bien el motor de búsqueda de la compañía tecnológica evolucionó hasta convertirse en un buscador inteligente, ahora luce como un repositorio de texto automatizado que perjudica a la sociedad de la información.  

Estadísticas de SparkToro destacaron que el 58,5% de las consultas de los usuarios en Google se quedan en el chat con el modelo Gemini, sin visitar la página de la que se extrajo la información. Tal comportamiento representa un importante agente socializador que puede socavar el juicio del usuario o del lector, ya que existe el riesgo de asumir falacias de composición a partir de hechos verídicos.

La presente investigación se enfoca en analizar cómo la pérdida absoluta de sustancia y de rigor empírico en los repositorios de información globales es un resultado de la distorsión cognitiva sobre el uso de la Inteligencia Artificial, y explica cómo los modelos de IA no representan el principal desafío en la sociedad moderna, más aún cuando fue concebida como una herramienta para manejar grandes volúmenes de datos. 

Si bien es cierto que la Inteligencia Artificial implica una amplia democratización del conocimiento, la realidad actual revela un océano de textos vacíos, desprovistos de alma y diseñados exclusivamente para manipular las métricas de posicionamiento en los resultados de Google. 

Por lo tanto, el presente ensayo diagnostica las fallas del código matemático, expone la decadencia conductual del usuario humano al conducir automatizaciones, agentes de IA y Large Language Models, y propone un uso ético y de rigor científico de técnicas de Generative Engine Optimization para que el contenido sea “de humanos para humanos” y “de humanos para entrenar modelos de IA con rigor y valor”.

Keywords: Cognitive distortion, Google IA, Generative Engine Optimization, AI Engine Optimization

www.isaiasblanco.ai
www.ibresearchlab.com

Files

Isaías Blanco - Papers - 4 - Distorsión cognitiva del Generative Engine Optimization.pdf

Files (396.9 kB)

Additional details

Dates

Available
2026-06-02
Published

References

  • Aggarwal, P., et al. (2023). GEO: Generative Engine Optimization. Princeton University & Google DeepMind. arXiv:2311.09735.
  • Beck, A. T. (1976). Cognitive therapy and the emotional disorders. International Universities Press.
  • Beck, A. T., & Dozois, D. J. A. (2011). Cognitive therapy: Current status and future directions. Annual Review of Medicine, 62, 397-409.
  • rin, S., & Page, L. (1998). The anatomy of a large-scale hypertextual Web search engine. Computer Networks and ISDN Systems, 30(1-7), 107-117.
  • Ellis, A. (1962). Reason and emotion in psychotherapy. Lyle Stuart.
  • Fishkin, R. (2024). Zero-Click Searches. SparkToro Research.
  • Fiske, S. T., & Taylor, S. E. (1991). Social cognition (2nd ed.). McGraw-Hill.
  • Gartner. (2026). Predicts 2026: The impact of GenAI on search volume and digital marketing. Gartner Research.
  • Goddard, K., Roudsari, A., & Wyatt, J. C. (2012). Automation bias: a systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121-127.
  • HouseFresh. (2024).How Google is killing independent sites like ours. HouseFresh.
  • Imperva.(2024). Bad Bot Report 2024: The Global Threat of AutomatedTraffic.Thales.
  • Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y., Madotto, A., & Fung, P. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, 55(12), 1-38.
  • Koren,L.(1994).Wabi-Sabi for Artists, Designers, Poets & Philosophers. Imperfect Publishing.
  • Liu, N.F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F.,& Liang, P.(2023). Lost in the middle: How language models use long contexts. Transactions of the Association for Computational Linguistics, 12, 157-173.
  • McKinsey & Company. (2025). How AI search has reshaped the consumer journey. AI Discovery Survey.
  • Shumailov, I., Shumaylov, Z., Zhao, Y., Gal, Y., Papernot, N., & Anderson, R. (2023). The Curse of Recursion: Training on Generated Data Makes Models Forget. Nature.
  • Skinner, B.F. (1938). The Behavior of Organisms: An Experimental Analysis. Appleton-Century
  • Skitka, L. J., Mosier, K. L., & Burdick, M. (2000). Does automation bias decision-making? International Journal of Human-Computer Studies, 51(5), 991-1006.
  • Zipf, G.K. (1949). Human Behaviorand the Principle of Least Effort: An Introduction to Human Ecology. Addison-Wesley Press.