Descubre cómo el NLP moldea la búsqueda de Google y de la IA: entidades, relevancia, embeddings, una auditoría en 6 pasos con código, reglas y errores.

En esta página
En resumen
el SEO NLP consiste en escribir y estructurar tus páginas para que los modelos de lenguaje que usan Google y los asistentes de IA entiendan exactamente de qué trata tu página: qué entidades cubre, a qué pregunta responde cada pasaje y cómo se relaciona con el resto de tu sitio. En la práctica, pasas tu texto por el mismo tipo de herramientas (extracción de entidades, clasificación, embeddings), corriges lo que la máquina lee mal y reescribes las frases para que el tema principal, sus atributos y sus respuestas sean explícitos. No es un truco nuevo para posicionar: es una forma de eliminar la ambigüedad, y la ambigüedad es lo que te cuesta posiciones y citas en las IA.
¿Quiere ir más lejos? Pregunte a
Quiz rápido
¿Es el SEO para ti y cómo empezar?
Sorank encaja con tus respuestas
Pruébalo 3 días en tu propia web y descubre dónde estás en Google, ChatGPT y las demás IA.
Prueba gratis de 3 días3 días gratis y luego lo dejas cuando quieras. Garantía de resultados de 90 días, sujeta a condiciones.
El procesamiento del lenguaje natural (NLP, por Natural Language Processing) es la rama de la IA que convierte el texto humano en datos con los que una máquina puede razonar: palabras, frases, entidades, relaciones y significado. Si primero quieres la definición general, lee nuestra entrada del glosario sobre el procesamiento del lenguaje natural. Para el SEO, la definición que importa es más estrecha: el NLP es la forma en que un buscador decide qué significa tu página antes de decidir dónde posicionarla.
Por eso el SEO NLP tiene tres capas. Necesitas las tres para obtener resultados.
Lo que no es el SEO NLP: no es meter en una página una lista de «palabras clave NLP», y no es perseguir la puntuación de una herramienta de contenido. Google lo dice claramente en su guía sobre cómo crear contenido útil, fiable y centrado en las personas: si escribes para alcanzar un número de palabras porque has oído que Google prefiere uno, la respuesta es «No». La misma lógica se aplica a las listas de términos. El objetivo es que te entiendan, no parecer optimizado.
Por qué la comprensión del lenguaje cambió el SEO
Fuentes: Google, Pandu Nayak, «Understanding searches better than ever before» (2019) y «MUM: A new AI milestone for understanding information» (2021)
Cuando Google lanzó BERT, Pandu Nayak (Google Fellow y vicepresidente de Search) explicó en el anuncio oficial del 25 de octubre de 2019 que el modelo ayudaría a Search a entender mejor una de cada 10 búsquedas en inglés en EE. UU. Su ejemplo fue la búsqueda «2019 brazil traveler to usa need a visa»: antes de BERT, la palabra «to» se ignoraba en gran parte y Google devolvía resultados sobre ciudadanos estadounidenses que viajaban a Brasil. Después de BERT, se entendía la dirección del viaje. Esa sola preposición resume el SEO NLP: las palabras pequeñas llevan significado, y los modelos ya las leen. Nuestra página del glosario sobre el algoritmo BERT profundiza en el propio modelo.
Dos años después, Google presentó MUM en un artículo del 18 de mayo de 2021, describiéndolo como 1000 veces más potente que BERT y entrenado en 75 idiomas. La búsqueda de ejemplo era la de un excursionista que ha subido el monte Adams y quiere prepararse para el monte Fuji el otoño siguiente: una pregunta que obliga a comparar dos entidades y a deducir qué significa «prepararse». Hoy, AI Overviews, ChatGPT, Perplexity y Gemini funcionan con el mismo principio: leen pasajes, resuelven entidades y montan respuestas. Tu página es la materia prima de ese proceso.
No necesitas conocer las matemáticas. Necesitas conocer los pasos, porque cada paso es un punto donde tu página puede leerse mal. Esta es la cadena en el orden en que la ejecuta un sistema típico.
Los 7 pasos que sigue una máquina para leer tu página
La tabla siguiente relaciona cada tarea NLP con el riesgo concreto en una página y la corrección que tú controlas.
| Tarea NLP | Qué hace la máquina | Problema típico en una página | Qué cambias |
|---|---|---|---|
| Eliminación de la plantilla | Separa el contenido principal de la plantilla | La introducción queda enterrada bajo 600 palabras de menús y widgets | Poner la respuesta en el primer párrafo del contenido principal, en HTML simple |
| Segmentación en frases | Corta el texto en frases | Viñetas sin verbo, frases de 60 palabras | Una idea por frase, frases completas en las listas que contienen datos |
| Análisis de dependencias | Encuentra sujeto, verbo y objeto | El sujeto es «esto» o «ello», a tres frases de su sustantivo | Repetir el sustantivo, mantener sujeto y verbo cerca |
| Reconocimiento de entidades | Detecta y tipifica nombres | Tu producto aparece escrito de cinco formas distintas | Elegir un nombre canónico, usar variantes solo una vez presentadas |
| Vinculación de entidades | Asocia nombres a conceptos conocidos | Nombre de marca ambiguo y sin contexto | Añadir la categoría junto al nombre («Sorank, el software SEO...») y schema con sameAs |
| Embeddings | Compara el significado de la búsqueda y del pasaje | El pasaje que debería responder es genérico y valdría para cualquier página | Escribir pasajes que retoman los términos de la pregunta y dan una respuesta concreta |
| Clasificación | Asigna temas e intención | Una página de producto llena de digresiones tipo blog | Una intención dominante por URL, las demás intenciones en otras páginas |
Nota
Nadie fuera de Google conoce los modelos exactos que se usan en el ranking. Las herramientas de esta guía son aproximaciones: leen el texto como lo hacen los modelos de lenguaje modernos, no como lo hace el sistema de ranking de Google. Úsalas para encontrar ambigüedad, no para predecir posiciones.

Cinco señales se miden con herramientas gratuitas o baratas. Cada una te dice algo distinto, y ninguna es por sí sola un factor de ranking.
Una entidad es una «cosa» con nombre: una marca, un producto, una persona, un lugar, un concepto como la «canibalización de palabras clave». La API Cloud Natural Language de Google devuelve para cada entidad un tipo, sus menciones y, en la versión 1 de la API, una puntuación de relevancia (salience). La referencia Entity de la v1 la describe como «the salience score associated with the entity in the [0, 1.0] range», es decir, una puntuación entre 0 y 1. Los tipos de entidad son UNKNOWN, PERSON, LOCATION, ORGANIZATION, EVENT, WORK_OF_ART, CONSUMER_GOOD, OTHER, PHONE_NUMBER, ADDRESS, DATE, NUMBER y PRICE.
La relevancia es relativa al documento: las puntuaciones de todas las entidades de un texto compiten entre sí. Por eso, la lectura útil es el orden, no la cifra. Si tu página apunta a «SEO NLP» y la primera entidad es «Google», para una máquina la página trata sobre todo de Google. El detalle está en nuestra entrada del glosario sobre la relevancia de entidades.
Atención: v1 o v2
El objeto Entity de la v2 de la API Natural Language solo incluye name, type, metadata, mentions y sentiment: no hay campo salience. Si un tutorial muestra puntuaciones de relevancia, está llamando a la v1. Si hoy creas un script, llama explícitamente al endpoint v1 para la relevancia y revisa la documentación antes de fiarte de él.

El método classifyText devuelve categorías de una taxonomía fija (por ejemplo, una ruta como /Internet & Telecom/Web Services). La documentación de Google sobre los conceptos básicos de Natural Language indica que la clasificación necesita un texto de al menos veinte tokens. El uso en SEO: si una página pensada para «software SEO» se clasifica en una categoría genérica de marketing, su vocabulario es demasiado genérico.
El análisis de sentimiento devuelve una puntuación de -1,0 (negativo) a 1,0 (positivo) y una magnitud que mide cuánta emoción lleva el texto. A nivel de documento, la magnitud empieza en 0,0 y no está normalizada, así que un texto largo con opiniones mezcladas puede mostrar una puntuación neutra y una magnitud alta. En SEO, el sentimiento importa sobre todo en páginas de opiniones, comparativas y listas de «mejores X», donde un texto plano y sin opinión responde mal a una pregunta que pide una opinión.
El análisis sintáctico devuelve para cada token su categoría gramatical, su lema y su dependencia. Merecen la pena dos comprobaciones: con qué frecuencia tu entidad principal es el sujeto gramatical de una frase, y cuántas frases empiezan con un pronombre («Esto», «Ello», «Ellos»). Una página en la que la entidad principal es sujeto de muchas frases habla de ella, no alrededor de ella.
Los embeddings convierten un pasaje en un vector. Comparar el vector de una búsqueda con los vectores de tus pasajes (similitud del coseno) muestra qué pasaje elegiría un sistema de recuperación para esa búsqueda. Es la aproximación pública más cercana a cómo los asistentes de IA eligen el fragmento que citan. También es la mejor prueba para saber si la página responde de verdad a la pregunta o solo la menciona.
«SEO NLP» abarca seis métodos distintos. Los proveedores suelen vender uno de ellos como si fuera todo el campo. Aquí tienes cada uno, con cuándo usarlo y dónde deja de funcionar.
Principio: identificar las entidades que debe contener una respuesta completa (la entidad principal, sus atributos, las entidades relacionadas), comprobar que tu página las nombra con claridad y que la entidad principal domina. Cuándo usarlo: en páginas sobre un producto, una marca, una persona, un lugar o un concepto bien definido. Ventajas: encaja con cómo se construyen los grafos de conocimiento y las respuestas de IA, y corrige la ambigüedad de raíz. Límites: la extracción de entidades se pierde la jerga del sector y los conceptos nuevos; la relevancia no está disponible en la v2 de la API de Google. Ejemplo: una página sobre «SEO para Shopify» donde «WordPress» sale entre las primeras entidades por un largo párrafo comparativo: el párrafo pasa a su propia página y la página de Shopify gana foco. Nuestra guía sobre SEO de entidades cubre la parte estratégica.
Principio: comparar los términos que usan las páginas mejor posicionadas con los tuyos, ponderados según su especificidad (TF-IDF), y rellenar los huecos. Es lo que hacen la mayoría de las herramientas de puntuación de contenido. Cuándo usarlo: para detectar subtemas olvidados en una página informativa. Ventajas: rápido y fácil de explicar a un redactor. Límites: copia la media de la SERP, premia la repetición y no dice nada sobre si respondes a la pregunta. Una lista de términos es una checklist de subtemas, no una cuota de palabras. Ejemplo: las mejores páginas sobre «auditoría SEO técnica» mencionan todas el «presupuesto de rastreo» y la «etiqueta canonical»; la tuya no: son dos secciones que faltan, no dos palabras.
Principio: codificar búsquedas y pasajes como vectores y medir su cercanía. Cuándo usarlo: para comprobar que cada pregunta objetivo tiene un pasaje que la responde con claridad, detectar dos páginas que compiten por el mismo significado y planificar el enlazado interno por significado. Ventajas: funciona sin palabras en común, cerca de cómo funciona la recuperación para las respuestas de IA. Límites: las puntuaciones dependen del modelo; una puntuación alta significa «sobre el tema», no «correcto» ni «útil». Ejemplo: el pasaje que responde a «cuánto tarda el SEO» puntúa menos que un párrafo de introducción sin relación: el pasaje de respuesta es demasiado vago y se reescribe dando el plazo primero.
Principio: clasificar la búsqueda (informativa, comercial, transaccional, de navegación) y el formato que premia Google (guía, lista, herramienta, página de producto), y luego ajustarse a él. Cuándo usarlo: antes de escribir, y cuando una buena página no posiciona en absoluto. Ventajas: corrige el error más caro, el formato equivocado. Límites: existen SERP mixtas; la intención cambia con el tiempo. Consulta nuestra entrada del glosario sobre la intención de búsqueda.
Principio: extraer las preguntas que hace la gente («Otras preguntas de los usuarios», foros, prompts de IA, tus tickets de soporte) y dar a cada una un pasaje autónomo. Cuándo usarlo: para la visibilidad en IA y los fragmentos destacados. Ventajas: produce directamente pasajes citables. Límites: puede fragmentar una página en unas FAQ sin profundidad si no agrupas las preguntas por subtema.
Principio: agrupar palabras clave y páginas por significado para decidir qué página cubre qué, y luego enlazarlas. Cuándo usarlo: a nivel de sitio, antes de producir contenido y cuando hay páginas que se canibalizan. Ventajas: construye autoridad temática y una arquitectura limpia. Límites: el clustering por coincidencia de SERP y el clustering por embeddings dan grupos distintos; necesitas una regla para decidir. Nuestra guía sobre el clustering de palabras clave detalla ambos enfoques, y la entrada sobre el mapa temático explica cómo convertir los clusters en un plan.
| Método | Nivel | Ideal para | Riesgo principal | Herramientas |
|---|---|---|---|---|
| Optimización de entidades | Página | Páginas de producto, marca y concepto | Tratar la relevancia como factor de ranking | Google Cloud Natural Language (v1), spaCy |
| Cobertura de términos (TF-IDF) | Página | Encontrar subtemas que faltan | Escribir la media de la SERP, relleno de palabras clave | Herramientas de puntuación de contenido, Python scikit-learn |
| Similitud de embeddings | Pasaje y sitio | Calidad de las respuestas, canibalización, enlazado interno | Confundir «sobre el tema» con «bueno» | Sentence Transformers, bases de datos vectoriales |
| Clasificación de la intención | Búsqueda y página | Elegir el formato correcto | Ignorar las SERP mixtas | Revisión manual de la SERP, clasificadores |
| Extracción de preguntas | Pasaje | Citas en IA, fragmentos destacados | Páginas FAQ superficiales | «Otras preguntas de los usuarios», investigación de prompts |
| Clustering temático | Sitio | Arquitectura, autoridad temática | Reglas de clustering incoherentes | Herramientas de clustering, embeddings |
Optimización por lista de términos frente a entidades y pasajes
Este es el método que recomendamos para empezar: una página importante, una tarde. Necesitas el texto de la página, de tres a cinco páginas competidoras y, o bien las herramientas gratuitas en línea, o bien unas pocas líneas de Python.
La auditoría NLP de una página en 6 pasos
spaCy es una librería de Python gratuita y de código abierto. Su modelo pequeño en inglés funciona en un portátil en segundos (para un texto en español, usa el modelo es_core_news_sm). El script siguiente lista las entidades más frecuentes y los sujetos gramaticales más frecuentes de tu página: la segunda lista suele ser más reveladora que la primera.
import spacy
from collections import Counter
nlp = spacy.load("en_core_web_sm") # pip install spacy, luego: python -m spacy download en_core_web_sm
text = open("page.txt", encoding="utf-8").read()
doc = nlp(text)
entities = Counter((e.text.lower(), e.label_) for e in doc.ents)
for (name, label), n in entities.most_common(20):
print(f"{n:>3} {label:<12} {name}")
# ¿Quién es el sujeto de tus frases?
subjects = Counter(t.lemma_.lower() for t in doc if t.dep_ in ("nsubj", "nsubjpass"))
print(subjects.most_common(15))
# ¿Cuántas frases empiezan con un pronombre vago?
vague = [s.text for s in doc.sents if s[0].lower_ in ("it", "this", "that", "they")]
print(len(vague), "sentences start with a pronoun")
Lee con atención la lista de sujetos. En la página de un software, si dominan «tú» y «esto» y el nombre del producto nunca aparece como sujeto, la página describe acciones sin decir quién las realiza. Eso se arregla en una hora.

Los modelos generales de spaCy no calculan la relevancia. Para eso, llama al endpoint v1 analyzeEntities de Google Cloud Natural Language. Crea un proyecto, activa la API, autentícate con la línea de comandos gcloud y envía tu texto. Guarda este cuerpo de petición como request.json:
{
"document": {
"type": "PLAIN_TEXT",
"language": "es",
"content": "Pega aquí el texto principal limpio de tu página."
},
"encodingType": "UTF8"
}
Después llama al endpoint:
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json; charset=utf-8" \
-d @request.json \
"https://language.googleapis.com/v1/documents:analyzeEntities"
La respuesta lista las entidades con su type, su salience, sus mentions y, cuando la entidad está vinculada, un objeto metadata que puede contener una wikipedia_url y un mid (un identificador del Knowledge Graph). Una entidad con una URL de Wikipedia en sus metadatos se ha vinculado a un concepto conocido; una entidad importante sin ella puede ser ambigua o demasiado nueva. Sustituye analyzeEntities por classifyText para obtener las categorías de contenido. Revisa los precios y cuotas actuales de Google Cloud antes de ejecutarlo en cientos de páginas.
La librería Sentence Transformers compara el significado de una pregunta con cada pasaje de tu página. El modelo all-MiniLM-L6-v2 es pequeño y suficiente para esta comprobación en inglés; para un texto en español, es mejor un modelo multilingüe como paraphrase-multilingual-MiniLM-L12-v2.
from sentence_transformers import SentenceTransformer, util
model = SentenceTransformer("all-MiniLM-L6-v2")
text = open("page.txt", encoding="utf-8").read()
passages = [p.strip() for p in text.split("\n\n") if len(p.split()) > 25]
questions = [
"what is nlp seo",
"how do I find the entities of my page",
"is entity salience a ranking factor",
]
p_vecs = model.encode(passages, convert_to_tensor=True)
for q in questions:
scores = util.cos_sim(model.encode(q, convert_to_tensor=True), p_vecs)[0]
best = int(scores.argmax())
print(f"{q}\n best score {scores[best]:.2f}: {passages[best][:100]}\n")
Dos resultados merecen acción. Si el mejor pasaje para una pregunta no es el que escribiste para responderla, tu pasaje de respuesta es demasiado genérico. Si la mejor puntuación de una pregunta queda muy por debajo de las demás, la página no la responde de verdad. Compara las puntuaciones entre preguntas de la misma página, no con un umbral absoluto: los valores dependen del modelo.

Consejo
¿Sin Python? Nuestro LLM Readability Checker gratuito puntúa una página para la extracción por IA, y el analizador de estructura de encabezados muestra si tus H2 y H3 anuncian las preguntas que responden tus pasajes.
La mayoría de los problemas NLP se arreglan al escribir, no en una herramienta. Estas reglas salen directamente de la cadena vista antes: cada una elimina un paso donde una máquina puede equivocarse.
Usa el nombre completo de la entidad principal como sujeto de la primera frase de cada sección. Evita abrir un párrafo con «Esto» o «Ello». Los pronombres están bien dentro de un párrafo, una vez que el sustantivo está cerca.
Una definición que da la categoría (Y) y el rasgo distintivo (Z) es la estructura más fácil de extraer para un modelo y de citar para un asistente de IA. «La relevancia de una entidad es una puntuación de 0 a 1 que mide lo central que es una entidad en un texto» es mejor que tres frases de contexto.
Precios, fechas, tamaños, compatibilidades y límites deben estar junto a la entidad que describen. «Sorank sigue la visibilidad en ChatGPT, Gemini, Claude y Perplexity» es un dato extraíble. La misma información repartida entre un título, una viñeta y una nota al pie son tres fragmentos.
Elige un nombre para cada producto, funcionalidad y concepto. Presenta un sinónimo una vez («el query fan-out, la forma en que los asistentes de IA dividen una pregunta en varias búsquedas») y luego quédate con una sola forma.
Bajo un encabezado que hace una pregunta, la primera frase da la respuesta. El resto del pasaje da las condiciones, el ejemplo y las excepciones. Eso es lo que hace que un pasaje sea autónomo.
Un párrafo, antes y después de una reescritura NLP
La frase «después» ilustra la estructura, no describe un producto real: adapta los atributos a lo que tu página ofrece de verdad.
El NLP en Python para SEO semántico consiste en usar el mismo tipo de modelo de embeddings que la prueba de pasajes de arriba, pero sobre listas completas: tus palabras clave y las páginas de tu sitio. Dos scripts cortos responden preguntas que una comprobación página por página no puede resolver. ¿Qué palabras clave deben ir en la misma página? ¿Qué páginas de tu sitio compiten por el mismo significado? Los dos se ejecutan en tu propio equipo sin coste y generan candidatos para que los revises, no veredictos.
Instala las librerías en un entorno virtual, para que no entren en conflicto con otros proyectos de Python:
python3 -m venv nlp-seo
source nlp-seo/bin/activate
pip install sentence-transformers scikit-learn
La primera ejecución descarga una vez el modelo all-MiniLM-L6-v2. Después, ambos scripts funcionan sin conexión.
El clustering convierte una lista plana de palabras clave en grupos que una misma página podría responder. Cada palabra clave se convierte en un vector, y las que tienen vectores cercanos en distancia coseno acaban en el mismo grupo. Guarda tus palabras clave en un archivo de texto, una por línea, y ejecuta este script:
from sentence_transformers import SentenceTransformer
from sklearn.cluster import AgglomerativeClustering
from collections import defaultdict
keywords = [line.strip() for line in open("keywords.txt", encoding="utf-8") if line.strip()]
model = SentenceTransformer("all-MiniLM-L6-v2")
vectors = model.encode(keywords, normalize_embeddings=True)
labels = AgglomerativeClustering(
n_clusters=None,
distance_threshold=0.35, # distancia coseno: los valores bajos dan grupos más estrictos
metric="cosine",
linkage="average",
).fit_predict(vectors)
groups = defaultdict(list)
for label, keyword in zip(labels, keywords):
groups[label].append(keyword)
for label, members in sorted(groups.items(), key=lambda g: -len(g[1])):
print(f"Group {label} ({len(members)} keywords)")
for keyword in members:
print(" ", keyword)
El umbral es el ajuste que importa. Empieza en 0,35 y lee el resultado. Si palabras clave no relacionadas comparten grupo, bájalo. Si el tema de una página se reparte entre varios grupos, súbelo. El enlace promedio (average linkage) reduce el encadenamiento, el efecto por el que una cadena de palabras poco relacionadas une dos grupos ajenos entre sí.
El segundo script compara tus páginas entre sí. Prepara un archivo separado por tabuladores, con una fila de encabezado y las columnas url y title. Los títulos son solo una aproximación: para una prueba más precisa, pega en la columna title el primer párrafo de cada página.
import csv
from sentence_transformers import SentenceTransformer, util
with open("pages.tsv", encoding="utf-8") as f:
rows = [(r["url"], r["title"]) for r in csv.DictReader(f, delimiter="\t")]
model = SentenceTransformer("all-MiniLM-L6-v2")
vectors = model.encode([title for _, title in rows], convert_to_tensor=True)
sims = util.cos_sim(vectors, vectors)
for i in range(len(rows)):
for j in range(i + 1, len(rows)):
score = float(sims[i][j])
if score > 0.8: # punto de partida: ajústalo tras leer los resultados
print(f"{score:.2f} {rows[i][0]} vs {rows[j][0]}")
Cada par que aparece es un candidato, no un veredicto. Abre las dos URL y pregúntate si un lector esperaría que cualquiera de las dos páginas respondiera la pregunta de la otra. Si la respuesta es sí, fusiona las dos páginas, o conserva una como página principal y reduce el enfoque de la otra. La entrada sobre la canibalización de palabras clave explica cómo elegir.
| Script | Entrada | Salida | Lo que decides |
|---|---|---|---|
| Grupos de palabras clave | Una palabra clave por línea | Grupos de palabras clave con un mismo significado | Si cada grupo necesita una página o varias |
| Páginas que compiten | URL y título, o primer párrafo, por página | Pares de páginas por encima de tu umbral | Si fusionar, reenfocar o conservar las dos páginas |
Hay tres límites que importan:
Estos scripts son el equivalente a nivel de sitio de la prueba de pasajes de arriba: uno indica qué debe ir junto, el otro, dónde se solapan tus páginas. Si prefieres no mantener los scripts, el Topic Cluster Generator de Sorank hace el paso de agrupación con una comprobación anticanibalización integrada.
Los modelos de lenguaje leen más que tus párrafos. Tres elementos alrededor del texto transmiten señales fuertes.
El marcado Schema.org no hace posicionar una página por sí solo, pero indica en un formato legible por máquinas de qué trata la página y a qué conceptos conocidos se refiere. Las propiedades about y mentions, con enlaces sameAs a páginas de referencia, eliminan la ambigüedad en la vinculación de entidades.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Article",
"headline": "SEO NLP: cómo leen tu contenido Google y la IA",
"about": {
"@type": "Thing",
"name": "Procesamiento de lenguajes naturales",
"sameAs": "https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales"
},
"mentions": [
{
"@type": "Thing",
"name": "Posicionamiento en buscadores",
"sameAs": "https://es.wikipedia.org/wiki/Posicionamiento_en_buscadores"
}
]
}
</script>
Genera y prueba el tuyo con nuestro generador de marcado Schema y nuestro validador de datos estructurados, ambos gratuitos.
Los encabezados son lo primero que usa un modelo para dividir tu página en pasajes. Un encabezado que nombra la entidad y la pregunta («Cómo se calcula la relevancia de una entidad») produce un fragmento más limpio que uno ingenioso («Bajo el capó»). Mantén una jerarquía H2 y H3 estricta: ningún H3 sin H2 padre, ningún nivel saltado.
El texto ancla es una de las señales NLP más antiguas de la búsqueda: le dice al buscador, desde fuera, de qué trata la página de destino. Usa anclas descriptivas que nombren la entidad de destino, enlaza páginas cercanas en significado y evita enviar la misma ancla a dos páginas distintas. Un capullo semántico es la forma más estructurada de organizarlo, y nuestra guía sobre el enlazado interno automatizado explica cómo escalarlo sin crear ruido.
Los asistentes de IA llevan la lógica NLP hasta el final. No ordenan páginas enteras: recuperan pasajes, los comparan por significado con subconsultas y montan una respuesta que a veces cita la fuente. De ahí salen tres consecuencias.
Para el método completo aplicado a las respuestas de IA, consulta nuestra guía sobre la optimización de contenido para LLM.
Estos son los errores que más vemos en los sitios auditados. Cada uno tiene un síntoma que puedes detectar y una corrección que puedes aplicar hoy.
Qué es: reescribir hasta que la API dé a tu palabra clave una relevancia alta, o hasta que una herramienta muestre una puntuación en verde. Cómo detectarlo: la página se lee peor tras la optimización; la misma expresión aparece en cada párrafo. Cómo corregirlo: usa la relevancia solo para comprobar el orden de las entidades, y luego juzga la página por sus respuestas y por los datos de Search Console. Google nunca ha dicho que use las puntuaciones de esta API en el ranking.
Qué es: añadir «presupuesto de rastreo» en una frase porque cinco competidores lo mencionan. Cómo detectarlo: los términos aparecen una vez, fuera de contexto, sin explicación. Cómo corregirlo: cada entidad que falta se convierte en una pregunta: ¿la necesita mi lector? Si es así, escribe un pasaje; si no, ignórala.
Qué es: pegar toda la página, menú y pie incluidos, en una herramienta NLP. Cómo detectarlo: tus primeras entidades son tu marca, «cookies», «contacto» o las categorías del pie de página. Cómo corregirlo: extrae solo el cuerpo del artículo antes de cualquier análisis.
Qué es: seguir un tutorial antiguo con el endpoint actual. Cómo detectarlo: la respuesta JSON tiene entidades y menciones, pero no relevancia. Cómo corregirlo: llama a /v1/documents:analyzeEntities para la relevancia, teniendo en cuenta que la v1 puede cambiar.
Qué es: párrafos en los que «esto», «ello» y «ellos» remiten a sustantivos situados varias frases antes. Cómo detectarlo: el script de spaCy de arriba cuenta las frases que empiezan con un pronombre; más de una de cada cinco en una página clave es una señal de alarma. Cómo corregirlo: repite el sustantivo al inicio de cada párrafo y después de cada encabezado.
Qué es: una sola URL que intenta definir un concepto, comparar herramientas y vender un producto. Cómo detectarlo: la página posiciona para muchas búsquedas entre las posiciones 15 y 40 y para ninguna en el top 5. Cómo corregirlo: quédate con la intención dominante, mueve las demás a páginas dedicadas y enlázalas.
Qué es: inflar una página para alcanzar un número de palabras o una densidad de palabra clave objetivo. Cómo detectarlo: introducciones repetidas, párrafos genéricos que valdrían para cualquier página. Cómo corregirlo: elimina cada pasaje que no responda a una pregunta que haría un lector. Nuestra calculadora de densidad de palabras clave sirve al revés: para encontrar dónde repites demasiado.
Qué es: usar un nombre de marca o de producto que una máquina no puede distinguir de una palabra común o de otra empresa. Cómo detectarlo: la API devuelve tu marca como OTHER o CONSUMER_GOOD sin metadatos, o la vincula al concepto equivocado. Cómo corregirlo: añade la categoría junto al nombre, usa schema Organization o Product con sameAs hacia tus perfiles oficiales y mantén el nombre idéntico en todas partes.
Checklist de SEO NLP para una página
No necesitas una gran colección de herramientas. Elígelas según la pregunta que necesitas responder.
| Herramienta | Tipo | Qué te dice | Nivel necesario | Mejor uso |
|---|---|---|---|---|
| Google Cloud Natural Language | API en la nube (ver precios de Google Cloud) | Entidades, relevancia (v1), categorías, sentimiento, sintaxis | Medio: un proyecto de Google Cloud y unos pocos comandos | Comprobar cómo lee un modelo de Google tus páginas clave |
| spaCy | Librería de Python de código abierto | Entidades, estructura de las frases, sujetos, lemas | Python básico | Auditar muchas páginas en local, sin coste |
| Sentence Transformers | Librería de Python de código abierto | Similitud de significado entre búsquedas y pasajes | Python básico | Comprobación de respuestas, canibalización, mapa de enlaces internos |
| Google Search Console | Herramienta gratuita de Google | Las búsquedas en las que aparece realmente cada URL | Ninguno | Medir el efecto de una reescritura |
| Herramientas de optimización de contenido | SaaS | Huecos de términos y entidades frente a las mejores páginas | Ninguno | Comprobación rápida de subtemas antes de escribir |
| Sorank | Software de SEO y GEO en autopilot | Reescrituras, clusters temáticos, seguimiento de la visibilidad en IA | Ninguno | Aplicar el método a todo un sitio |
Para una comparativa de las opciones comerciales, lee nuestro análisis de las mejores herramientas de optimización de contenido. Si tienes decenas de páginas antiguas que corregir, la función de Optimización de contenido de Sorank audita y reescribe las páginas existentes en autopilot, y el generador de clusters temáticos agrupa tus palabras clave por significado antes de que escribas, con una comprobación integrada contra la canibalización.
Los cambios NLP tratan de la comprensión, así que mide primero la comprensión y después el tráfico.
En Google Search Console, filtra el informe de Rendimiento por la URL reescrita y cuenta las búsquedas distintas con impresiones en 28 días, antes y después. Una página mejor entendida suele aparecer en más variantes de cola larga en pocas semanas, a menudo antes de que se muevan los clics.
Sigue las 5 a 10 preguntas que usaste en la prueba de pasajes. Si las impresiones suben pero la posición no, la página se entiende pero no se prefiere: trabaja la profundidad, los ejemplos y los enlaces.
Haz los mismos prompts en ChatGPT, Gemini, Claude y Perplexity antes y después, y anota si se cita tu página. Repite cada mes: las respuestas de IA varían de una ejecución a otra, así que una sola prueba no demuestra nada. Para una versión estructurada de esta comprobación, haz una auditoría SEO semántica de todo el cluster en lugar de una sola página.
Elige la página que más negocio te aporta y aplícale la auditoría en seis pasos. Corrige los dos primeros problemas que encuentres, normalmente una entidad principal que no domina y un pasaje de respuesta demasiado vago. Luego anota la fecha y revisa sus búsquedas en Search Console dentro de cuatro semanas.
El NLP en SEO consiste en hacer que tu contenido sea fácil de entender para los modelos de lenguaje: qué entidades cubre una página, a qué preguntas responde cada pasaje y cómo se relaciona la página con el resto del sitio. Google usa modelos de lenguaje como BERT en su buscador desde 2019, y los asistentes de IA se basan por completo en ellos, así que en la práctica una redacción clara y sin ambigüedad se ha convertido en un factor de ranking y de citas.
Ninguna declaración pública de Google indica que la puntuación de relevancia (salience) de su API Cloud Natural Language se use en el ranking. Es una aproximación útil para comprobar que tu tema principal domina la página, pero fíjate en el orden de las entidades en lugar de perseguir una cifra. Ten en cuenta que la relevancia solo la devuelve la versión 1 de la API.
spaCy y Sentence Transformers son librerías de Python gratuitas y de código abierto para la extracción de entidades y la similitud de pasajes. Google Search Console, también gratuita, muestra después si una página reescrita aparece en más búsquedas. Google Cloud Natural Language añade la relevancia y las categorías, con un uso facturado según los precios de Google Cloud.
