Inteligencia artificial aplicada al SEO

La inteligencia artificial ha dejado de ser una promesa y se ha metido en el trabajo diario del SEO por dos sitios a la vez: en las herramientas que usamos para analizar y en los propios buscadores, que ahora responden en lugar de limitarse a listar enlaces. Eso ha cambiado qué se optimiza y para quién. Aquí explico qué es la IA aplicada al SEO, qué significa el término GEO que ha aparecido en todas partes y en qué ha cambiado el oficio de verdad.

¿Qué es la IA para SEO?

Es usar modelos de aprendizaje automático para hacer el trabajo de análisis que antes se hacía a mano: agrupar miles de consultas por intención, leer logs de servidor, detectar patrones en la competencia o encontrar huecos de contenido, todo a una escala y una velocidad que ninguna persona alcanza. No es una técnica nueva de posicionamiento, es una forma distinta de llegar a las mismas decisiones.

Lo que aporta se reduce a cuatro cosas. Escala: procesa volúmenes de datos (tendencias, comportamiento, competencia) a un ritmo inalcanzable a mano. Precisión: encuentra correlaciones sutiles que un ojo humano pasa por alto revisando hojas de cálculo. Segmentación: permite entender qué busca cada tipo de usuario en lugar de tratarlos a todos igual. Y adaptación: los modelos se reajustan cuando cambian los algoritmos o el comportamiento de búsqueda. Ninguna de las cuatro decide nada por sí sola, todas alimentan decisiones que sigue tomando una persona.

¿Qué es GEO en SEO?

GEO son las siglas de Generative Engine Optimization: optimizar para que tu contenido sea citado dentro de las respuestas que generan ChatGPT, Perplexity o los resúmenes de IA de Google, en lugar de competir solo por una posición en la lista azul de diez resultados. No sustituye al SEO, es una capa más encima del mismo trabajo de siempre.

La diferencia práctica está en el objetivo. En el buscador clásico peleas por un clic; en una respuesta generada peleas por ser la fuente que el modelo usa y menciona, y muchas veces el usuario se queda con esa respuesta sin visitar nada. Eso premia el contenido que responde de forma directa, con datos concretos y afirmaciones que se pueden extraer y citar sin ambigüedad, y castiga el relleno escrito para alargar la página. Y cuando lo que el modelo describe es una marca, tira de las fuentes que considera fiables sobre esa entidad: por eso pesa tanto tener un artículo en Wikipedia y una ficha en Wikidata.

Lo que no ha cambiado: sin rastreo, indexación, estructura clara y autoridad real, no te cita nadie, ni el buscador ni el modelo. Si quieres el marco completo sobre el que se apoya todo esto, lo tienes en la guía completa de SEO.

¿En qué ha cambiado el trabajo del SEO?

El cambio está en dónde se gasta el tiempo: la parte mecánica del oficio (recopilar datos, cruzar hojas, sacar informes, redactar borradores) se ha abaratado casi a cero, y lo que queda como trabajo de verdad es decidir qué mirar, interpretar qué significa y descartar lo que la herramienta propone sin criterio. Estas son las cinco áreas donde más se nota.

¿Cómo cambia la investigación de palabras clave?

Se deja de trabajar con listas de términos sueltos y se pasa a trabajar con intenciones agrupadas: la IA lee miles de consultas, las agrupa por lo que la gente quiere conseguir y saca preguntas reales y clústeres temáticos que un listado ordenado por volumen nunca enseña. El criterio para elegir cuáles atacar sigue siendo humano y depende del negocio.

¿Puede la IA escribir el contenido?

Puede escribir el borrador, no el contenido que se publica: sirve para montar esquemas, sugerir mejoras de legibilidad y cubrir la estructura semántica, pero no tiene experiencia propia que contar, y eso se nota justo donde importa, porque un texto sin casos reales ni criterio no aporta nada que no esté ya en otras veinte páginas. La parte que da valor (lo que has visto, lo que has probado, lo que has descartado) tiene que ponerla una persona.

¿Qué aporta la IA al SEO técnico?

Sobre todo volumen: permite leer archivos de log enteros para ver por dónde pasan de verdad los bots, detectar problemas de rastreo e indexación en sitios de miles de URLs y avisar de anomalías antes de que se traduzcan en pérdida de tráfico. Es el área donde más se nota, porque son tareas de datos puros donde el criterio humano aporta poco.

¿Cómo ayuda a entender lo que hace el usuario?

Leyendo comportamiento en lugar de opiniones: mapas de calor, rutas de navegación y segmentación automática enseñan dónde abandona la gente, qué parte de la página nadie lee y qué grupos de usuarios se comportan distinto, y eso cambia decisiones de estructura y contenido que antes se tomaban a ojo. La personalización en tiempo real es otra cosa, bastante más compleja y rara vez necesaria.

¿Qué tareas se pueden automatizar sin riesgo?

Las que no implican decidir nada: seguimiento de posiciones, monitorización de enlaces entrantes, avisos de caídas y generación de informes recurrentes. Automatizar eso libera las horas que sí hacen falta para interpretar los datos. Lo que no conviene automatizar es cualquier cosa que se publique o se toque en la web sin que alguien la revise antes.

¿Dónde termina la IA y empieza el criterio humano?

La línea está clara: la IA propone y la persona decide. Un modelo puede decirte que una página tiene problemas de canibalización, pero no sabe cuál de las dos URLs sostiene tu facturación, si existe la posibilidad técnica de redirigir o cuánto duele equivocarse. Esa parte no se delega, y quien la delega acaba aplicando sugerencias correctas en el contexto equivocado.

¿Qué reglas conviene fijar antes de meter IA en el proceso?

• Elegir herramienta por problema, no al revés: adoptar una IA porque está de moda y luego buscarle uso es la forma más rápida de complicar un proceso que funcionaba.
• Separar análisis de decisión: el modelo procesa los datos, la estrategia y la priorización siguen siendo trabajo de una persona que conoce el negocio.
• Nada se publica sin revisión: un borrador generado es materia prima; sin edición, verificación de datos y experiencia propia encima, es contenido genérico con otro nombre.
• Comprobar de dónde salen los datos: un modelo es tan bueno como la información con la que trabaja, y los datos sesgados producen conclusiones sesgadas con aspecto de certeza.
• Decidir qué información sale de casa: antes de pegar datos de negocio en una herramienta en la nube conviene saber dónde se procesan y si sirven para entrenar modelos ajenos.

Con esas cinco reglas, la IA multiplica el trabajo bien hecho. Sin ellas, multiplica los errores a la misma velocidad. Si quieres ver cómo se aplica todo esto a un proyecto concreto, lo explico en el servicio de inteligencia artificial aplicada al SEO.

¿Qué riesgos tiene apoyarse en la IA para SEO?

Cuatro, y el primero se lleva la mayoría de los desastres: el contenido genérico, porque depender del modelo sin revisar produce textos correctos en la forma, vacíos en el fondo y que no aportan nada ni al lector ni al buscador. Los otros tres son la curva de aprendizaje de las herramientas, la calidad de los datos de entrada (basura dentro, basura fuera) y la opacidad de los modelos, que muchas veces sugieren sin poder explicar por qué.

Hay un quinto riesgo del que se habla poco: la privacidad. Cada vez que se pega información de negocio en una IA en la nube, esos datos salen de casa y pueden acabar entrenando modelos de terceros. Por eso yo proceso localmente todo lo sensible de los proyectos con los que trabajo, en servidores propios en Logroño, y no mando datos de cliente a servicios externos. Es una decisión que conviene tomar de forma consciente antes de empezar, no después del primer susto.