IA aplicada al SEO: cómo integrarla sin delegar la estrategia

Aplicar IA al SEO no consiste en generar más contenidos en menos tiempo. Consiste en integrarla en un proceso de investigación, contraste y documentación en el que la estrategia sigue dependiendo del criterio profesional.

Cuando se habla de IA aplicada al SEO, casi siempre se empieza por la parte más visible: generar textos, proponer titulares, resumir competidores o repartir keywords por una página.

Es lógico.

Son tareas concretas, rápidas y fáciles de enseñar. Pegas un contenido, escribes una instrucción y, unos segundos después, tienes una versión nueva. La IA no protesta, no pide café y casi siempre entrega algo que parece razonable.

El problema está precisamente en ese «parece».

Un texto puede estar bien escrito y responder a la intención equivocada. Puede incluir las keywords correctas y competir con otra página de la misma web. Puede desarrollar argumentos sólidos, pero repetir lo que ya explica otro artículo. También puede mejorar cada bloque por separado y empeorar el conjunto.

Por eso, integrar la inteligencia artificial en un proceso SEO no consiste simplemente en pedirle que redacte mejor.

Su verdadero valor aparece antes y después de la escritura: cuando ayuda a reunir contexto, conectar datos, ordenar un problema complejo, contrastar hipótesis, detectar incoherencias y documentar las decisiones tomadas.

En Èmfasi tenemos una costumbre saludable —o ligeramente temeraria—: antes de convertir una idea en una recomendación para nuestros clientes, la ponemos a prueba en nuestros propios proyectos. Nos gusta experimentar, pero también asumir primero el riesgo, comprobar dónde falla el método y separar lo que aporta valor de lo que solo queda bien en una presentación.

Eso hicimos recientemente a la hora de optimizar nuestro servicio de posicionamiento GEO.

Aunque el proyecto pertenecía al territorio GEO, el reto que teníamos delante era también editorial y SEO: decidir qué intención debía resolver la página, cómo se relacionaba con el resto de contenidos y qué función debía cumplir cada bloque.

Podríamos haber pedido directamente a ChatGPT que reescribiera la página. Habríamos obtenido con rapidez una versión aparentemente correcta, pero habríamos empezado por el final.

Antes de tocar el texto teníamos que resolver cuestiones más importantes: qué intención debía atender la URL, cómo expresaban los usuarios esa necesidad, qué papel ocupaba la página dentro del ecosistema de contenidos de Èmfasi, qué información ya estaba cubierta y qué función debía cumplir cada bloque.

La IA estuvo presente durante todo el proceso, pero no para sustituir esas decisiones…

La utilizamos para ampliar el análisis, ordenar las decisiones y revisar mejor el resultado.

La IA no empezó escribiendo

En nuestro caso —la revisión de la página del servicio de posicionamiento GEO—, el punto de partida ya explicaba con bastante profundidad el servicio y la metodología. El problema era otro: partía del nombre profesional de una disciplina emergente y daba por hecho que el usuario conocía ese lenguaje.

Antes de reescribirla debíamos comprobar si las empresas buscaban realmente ese término, si formulaban la necesidad de otra manera y qué tipo de página esperaban encontrar.

También teníamos que proteger el ecosistema editorial… Recientemente ya habíamos publicado un artículo sobre la nueva visibilidad digital y el posicionamiento GEO, centrado en el cambio de buscar a preguntar y en las nuevas condiciones de visibilidad ante los motores de IA.

La landing no debía convertirse en una segunda versión de ese contenido ni intentar absorber todas las preguntas relacionadas con GEO, ChatGPT o la relación entre SEO e inteligencia artificial.

Por tanto, la primera tarea no fue redactar. Fue asignar funciones.

La página de servicio debía resolver una intención comercial. El artículo existente debía conservar su papel informativo. Otros problemas más específicos podían reservarse para futuros contenidos. Solo después de ordenar ese mapa tenía sentido tocar una frase.

Antes de pedir a la IA, reunimos contexto y datos

La fase 0: preparar la información antes del prompt

Un buen proceso con IA no empieza necesariamente escribiendo un prompt. A menudo empieza reuniendo la información que hará posible formular preguntas útiles.

En algunos proyectos de Èmfasi llamamos fase 0 al trabajo previo de recopilación y validación de activos. Revisamos la web y los contenidos existentes, documentos de marca, catálogos, servicios, mercados prioritarios, públicos, competidores, estudios anteriores, fuentes de datos, materiales internos, objetivos, restricciones… y un largo etcétera.

No todo ese material se vuelca sin más dentro de una conversación. Primero hay que seleccionarlo, ordenarlo y comprobar qué parte sigue siendo válida.

El contexto no es una introducción kilométrica antes de una instrucción. Es información estructurada y validada antes de empezar.

Esta fase resulta especialmente importante en empresas con múltiples productos, mercados o líneas de negocio. Cuando faltan datos, un modelo generativo tiende a completar los huecos con formulaciones plausibles.

El problema es que «plausible» y «cierto» no son sinónimos, aunque a veces vistan igual.

Preparar bien el contexto reduce ese riesgo y mejora la calidad de todo lo que viene después. Permite utilizar la IA para comparar materiales, detectar contradicciones o identificar vacíos sobre una base real.

Y, por supuesto, también ayuda al equipo.

Muchas veces, la fase 0 revela que la información no estaba tan ordenada como creíamos incluso antes de empezar a trabajar con ningún modelo.

Conectar datos no significa delegar las decisiones

Durante la revisión utilizamos conectores e integraciones con herramientas externas, entre ellas Semrush, para incorporar datos reales al análisis. Esto nos permitió explorar patrones de búsqueda, dimensionar territorios semánticos y contrastar hipótesis sin depender de estimaciones generadas por una IA.

El estudio mostró una tensión interesante.

«SEO para IA» tenía un volumen de búsqueda relevante y utilizaba un lenguaje comprensible para quienes ya conocen el SEO. «Agencia GEO», en cambio, representaba mejor la intención comercial que debía resolver la página.

La decisión no consistió en escoger automáticamente la keyword con más volumen.

Definimos «agencia GEO» como territorio comercial principal y utilizamos «SEO para IA» como lenguaje puente para usuarios que identifican la necesidad, pero todavía no conocen el concepto GEO. Dos expresiones cercanas podían desempeñar funciones distintas dentro de una misma página.

Ahí es donde el dato deja de ser una cifra y entra la estrategia.

Conectar una IA con Semrush no convierte los resultados en una recomendación automática. La herramienta aporta información; el especialista interpreta la intención, el contexto, el solapamiento entre búsquedas y el papel que debe ocupar cada URL.

Una hoja llena de keywords no es una arquitectura de contenidos. Del mismo modo, un conector no sustituye una hipótesis: permite contrastarla mejor.

Un problema complejo no se resuelve con un único gran prompt

Podríamos haber pedido en una sola instrucción que la IA investigara la demanda, analizara competidores, revisara los contenidos existentes, definiera la estrategia y redactara la landing completa.

Habría sido rápido, sí. También habría resultado difícil saber por qué había tomado cada dirección, qué supuestos estaba arrastrando y en qué momento se había equivocado.

Preferimos dividir el problema en decisiones más pequeñas.

Primero revisamos el punto de partida. Después investigamos cómo podía expresarse la necesidad. Contrastamos keywords y patrones de búsqueda. Analizamos la intención y la competencia. Revisamos el ecosistema de contenidos. Definimos la función de cada URL, establecimos criterios de adaptación y fijamos límites. Finalmente, redactamos por bloques y realizamos una revisión global de coherencia y redundancias.

No es una checklist universal para replicar en cualquier proyecto. Es una forma de reducir la complejidad.

Cada fase producía una conclusión revisable que alimentaba la siguiente. Si una hipótesis no se sostenía, podíamos corregirla sin rehacer todo el proceso. Y si alguien del equipo cuestionaba una decisión, existía un razonamiento al que volver.

Dividir el proceso nos permitió revisar cada conclusión antes de utilizarla como punto de partida para la siguiente.

Un modelo propone; otro ayuda a cuestionarlo

En varios momentos contrastamos propuestas entre ChatGPT y Claude. No para organizar un combate entre modelos ni declarar un ganador, sino para asignarles papeles distintos.

Un modelo elaboraba o revisaba una propuesta. El segundo recibía el resultado y actuaba como revisor crítico. Le pedíamos que buscara redundancias, contradicciones, afirmaciones débiles, problemas de intención o decisiones insuficientemente justificadas.

Después devolvíamos esa crítica al primer modelo para replantear el contenido.

Un modelo puede ayudarnos a construir una propuesta. Un segundo modelo puede ayudarnos a desconfiar de ella.

Ese desacuerdo resulta útil porque rompe la inercia de una conversación. Cuando llevamos varias iteraciones trabajando sobre una misma solución, tanto el equipo como el modelo pueden empezar a aceptar decisiones anteriores simplemente porque ya están ahí. Introducir otra revisión obliga a volver a justificarlas.

Pero cuidado con esto; conviene no romantizar el método.

Dos modelos pueden coincidir y estar equivocados. También pueden discrepar por razones poco relevantes o proponer cambios que empeoren el conjunto. La revisión cruzada amplía el análisis; no emite un veredicto.

La decisión final seguía siendo nuestra.

Aceptábamos una crítica cuando estaba bien argumentada y encajaba con los datos, la intención y las restricciones del proyecto. Si no, la descartábamos.

La utilidad no estaba en obedecer al segundo modelo, sino en obligarnos a revisar mejor al primero.

Documentar no es guardar conversaciones

Todo el proceso se recogió en un documento de replanteamiento.

Incluía hallazgos, datos, hipótesis, decisiones aprobadas, alternativas descartadas, la función de cada contenido, criterios de redacción y límites que la IA debía respetar.

Eso es muy distinto de conservar un historial de chat.

Una conversación puede contener ideas valiosas, pero también preguntas provisionales, caminos abandonados, respuestas contradictorias y mucho material que solo tiene sentido en el momento en que se produjo.

Encontrar meses después la decisión importante entre decenas de mensajes es una forma poco sofisticada de arqueología digital.

La documentación convierte el intercambio en memoria de proyecto.

Permite mantener la coherencia entre iteraciones, incorporar a otras personas al proceso, revisar por qué se eligió una opción y trasladar lo aprendido a nuevas tareas. También mejora el propio uso de la IA: en lugar de reconstruir el contexto desde cero, podemos proporcionar un marco depurado con decisiones ya validadas.

Una conversación con IA puede producir muchas ideas. Un proceso documentado convierte algunas de ellas en criterio reutilizable.

Y esa documentación no es un subproducto administrativo. Es uno de los activos que permiten crear procesos más sólidos, delegables y revisables.

La estrategia también se demuestra en lo que descartas

Los modelos generativos tienen una inclinación natural a proponer, ampliar y completar. Si les pedimos alternativas, rara vez responden: «En realidad, aquí no hace falta crear nada».

El criterio profesional trabaja muchas veces en la dirección contraria.

En este proyecto decidimos no crear una landing distinta para cada variante de keyword. No convertimos la página de servicio en un artículo informativo. No modificamos el contenido ya publicado sobre visibilidad en IA. Tampoco alteramos innecesariamente la estructura común de las landings de Èmfasi ni perseguimos todas las búsquedas detectadas.

Durante la redacción rechazamos versiones que sonaban bien, pero desplazaban la intención de la página, repetían promesas o generaban nuevos bloques sin una función clara.

Una propuesta no se volvía adecuada por estar bien escrita.

Limitar, jerarquizar, separar y descartar son acciones estratégicas.

La capacidad de producir veinte enfoques en segundos no elimina la necesidad de elegir. Solo hace más visible la responsabilidad de hacerlo.

La redacción llegó al final

Cuando la intención de la página, su papel dentro del ecosistema y los límites del contenido estuvieron definidos, empezamos a redactar.

En la landing diferenciamos tres bloques consecutivos:

• por qué una empresa puede necesitar trabajar su visibilidad en IA;
• qué resultados puede perseguir;
• cómo funciona la metodología de Èmfasi.

La distinción parece evidente sobre el papel. En la práctica, era fácil que los tres apartados acabaran diciendo lo mismo con palabras distintas: «tu marca no aparece», «podemos ayudarte a aparecer» y «nuestro método hace que aparezcas».

Cada bloque podía estar correctamente escrito por separado y, aun así, resultar redundante al leer la página completa.

Por eso la revisión final no se limitó a corregir estilo o insertar términos. Comprobamos qué pregunta respondía cada sección, si anticipaba contenidos que correspondían al bloque siguiente, si una promesa aparecía demasiadas veces y si la secuencia construía un argumento comprensible.

Generar un buen párrafo es relativamente fácil. Conseguir que todos los bloques de una página cumplan funciones distintas y construyan un único argumento es una tarea de arquitectura editorial.

La IA fue útil para comparar versiones, localizar repeticiones y someter el conjunto a nuevas revisiones. Pero necesitaba un marco previo para saber qué debía conservar, qué podía cuestionar y qué no convenía volver a abrir.

Ser AI First no significa dejar de decidir

Para nosotros, ser una agencia AI First no consiste en producir más contenido, utilizar todas las herramientas disponibles o automatizar cualquier tarea que admita una instrucción.

Tampoco significa sustituir especialistas ni aceptar la primera respuesta generada porque llega rápido y está bien redactada.

Significa incorporarla en aquellos puntos del proceso donde permite investigar mejor, contrastar más información, documentar las decisiones y revisar el resultado con mayor rigor.

Y hacerlo sin confundir capacidad de generación con capacidad de decisión.

El criterio profesional sigue definiendo el objetivo, interpretando los datos, estableciendo prioridades y asumiendo la responsabilidad sobre el resultado.

(Este artículo se ha construido con la misma lógica.

No empezó por el primer párrafo. Antes definimos qué debía aportar, qué contenidos existentes no podía repetir, qué caso real servía para explicarlo, qué información necesitaba la IA y qué idea debía quedar al terminar la lectura.

Después llegó la redacción.)

No utilizamos la IA para evitar pensar. La utilizamos para pensar con más información, más orden y más capacidad crítica.

Esta forma de trabajar no se limita al SEO. También aplicamos la IA dentro de procesos como el diseño UX/UI asistido por inteligencia artificial, donde generar opciones tampoco sustituye la necesidad de comprender al usuario y decidir con criterio.