¿La IA premia el lenguaje optimizado o el lenguaje natural? Un experimento real de SEO y GEO hecho en 90 días

• Probamos nuestra metodología para posicionar una marca en la IA: Densidad de Señales con un experimento real: esto encontramos sobre cómo citan las IA a las marcas.
  
• De la teoría al dato: un experimento de 90 días para validar (y corregir) la Densidad de Señales.
  
• Tomó solo 4 semanas obtener resultados.

Una investigación desarrollada por David Martinez Mata:

Acerca de David:

Licenciado en Comunicación Social con énfasis en Periodismo, Máster en FLE y Ciencias del Lenguaje (Sorbonne Université) y Máster Hispanofrancés en Lengua Francesa Aplicada (Universidad Complutense de Madrid). Con más de 10 años de experiencia en marketing digital. Actualmente es Director de SEO en Los Creativos, donde lidera proyectos de posicionamiento SEO y diseño web para clientes en Colombia, Ecuador, España, Estados Unidos y Australia. Desde 2025, está enfocado en creación de contenidos y estrategias de visibilidad que permitan mejorar el rendimiento de cualquier sitio web en Google y en LLMs como ChatGPT o Perplexity.

Una interpretación y divulgación práctica de Juan David Uribe Taquez

Acerca de Juan:

Administrador Tecnológico, Magíster en Estudios de Ciencia, Tecnología, Sociedad e Innovación, ambos del Instituto Tecnológico Metropolitano. Es profesor universitario, gestor de contenidos y estratega digital con más de 15 años de experiencia en proyectos de innovación y marketing en Colombia, México y España. Ha sido consultor y líder digital de entidades públicas y privadas como el Área Metropolitana del Valle de Aburrá, la Alcaldía de Medellín y la Universidad Tecnológica de Bolívar. Consultor experto en la creación de estrategias de captación de leads para educación. Actualmente es el Director de Estrategia de la agencia Los Creativos.

Hemos desarrollado un resumen del artículo, no obstante, recomendamos leer el texto completo.

Hace unos meses publicamos un artículo que explicaba una metodología llamada Densidad de Señales, una idea de que una marca se vuelve visible para una inteligencia artificial por tener una página bien optimizada y por acumular suficiente evidencia coherente mediante menciones, perfiles, artículos, entrevistas, apariciones en distintos formatos y plataformas, que le permita a un modelo de lenguaje reconocerla como una entidad relevante dentro de un tema.

Esa idea nació de cruzar las disciplinas de lingüística aplicada con los estudios de ciencia y tecnología, y la investigación técnica sobre cómo aprenden los modelos de lenguaje. El resultado fue un marco conceptual sólido, bien argumentado, con una estructura clara de ejecución en 30, 60 y 90 días. 

Pero seguía siendo, en esencia, una hipótesis construida sobre fundamentos académicos. Faltaba la pregunta que cualquier metodología seria debe hacerse a sí misma:

¿Esto funciona de verdad, o solo suena convincente?

Este artículo pone a prueba la metodología de posicionamiento en IA mediante un experimento real, con sitios web reales construidos bajo un test A/B, con datos reales de Google Search Console y de Bing Webmaster Tools, y con un hallazgo disidente. 

Este texto aborda temas técnicos de lingüística computacional, procesamiento del lenguaje natural, estructuras semánticas y métricas de buscadores, que normalmente están reservados para especialistas en SEO, IA o lingüística. Vamos a explicar cada término la primera vez que aparezca, con ejemplos cotidianos, para que este artículo pueda leerse sin necesidad de tener un máster en ninguna de esas tres áreas. Si en algún punto usamos una palabra técnica sin explicarla, es un error nuestro, no una barrera que debas superar.

¿Qué es la Densidad de Señales? Un repaso antes de entrar al experimento

Antes de mostrar el experimento, conviene entender, en términos simples, la metodología que estamos sometiendo a prueba. Si ya leíste el artículo original sobre Densidad de Señales, puedes saltar directamente al siguiente bloque.

La idea parte de un cambio de unidad. Durante años, el posicionamiento se pensó alrededor de páginas y palabras clave. Densidad de Señales propone otra unidad de análisis, la Entidad.

Una Entidad es cualquier elemento identificable dentro del lenguaje que posee identidad propia. Puede ser una empresa, una persona, una universidad, una ciudad, una disciplina o una tecnología. Los Creativos es una Entidad. Tú, como profesional, también eres una Entidad. Colombia, Medellín, Los Creativos, el SEO mismo, son Entidades.

Un modelo de lenguaje organiza gran parte de su comprensión del mundo alrededor de estas unidades. En lugar de pensar internet como una colección de páginas sueltas, lo interpreta como una red de Entidades conectadas entre sí mediante relaciones semánticas. A ese proceso de identificar nombres propios, organizaciones y conceptos dentro de un texto se le llama, en lingüística computacional, Reconocimiento de Entidades Nombradas (NER, por sus siglas en inglés).

Ahora bien, si la Entidad representa la unidad básica, la Señal representa el mecanismo mediante el cual esa Entidad adquiere presencia dentro del ecosistema digital. Una Señal puede entenderse como cualquier aparición verificable de una Entidad dentro de un contexto temático, procesable por sistemas de información. 

• Un artículo que menciona tu empresa es una Señal. 
• Un perfil profesional en LinkedIn es una Señal. 
• Una entrevista publicada en un medio es una Señal. 
• Una biografía de autor, un directorio, una participación en un podcast, también lo son.

La hipótesis central de la metodología sostiene una idea sencilla de imaginar. Cuando una Entidad aparece de forma repetida y coherente asociada a un mismo campo temático, un modelo de lenguaje aprende esa asociación, de manera similar a como una persona aprende que ciertas palabras pertenecen a un mismo campo de significado, por escucharlas juntas una y otra vez.

Para explicar esto de forma intuitiva, el artículo original usa la analogía del Bingo. Cada jugador recibe tablas con números, y entre mayor cantidad de tablas tenga, mayor su probabilidad de coincidir con la balota que canta el moderador. Trasladado al ecosistema digital, cada Señal funciona como una tabla adicional. Una marca con pocas Señales juega con pocas tablas. Una marca con Señales distribuidas en varias plataformas juega con un número creciente de tablas, y por tanto, aumenta su probabilidad de coincidir cuando alguien le pregunta algo a una inteligencia artificial sobre ese tema.

La metodología también intentó traducir esa lógica en un indicador medible. Se apoyó, entre otras fuentes, en una investigación conjunta entre Anthropic (la compañía detrás de Claude), el Alan Turing Institute y el UK AI Security Institute, que encontró que apenas 250 documentos consistentes bastan para generar un efecto medible dentro del comportamiento de un modelo de lenguaje, sin importar el tamaño del modelo ni el volumen total de sus datos de entrenamiento.

Ese hallazgo, aunque nació de un contexto técnico distinto (los investigadores estudiaban vulnerabilidades de seguridad, específicamente qué tan fácil resulta insertar un comportamiento indeseado en un modelo mediante documentos maliciosos), sirvió como inspiración conceptual. La lógica es aparentemente sencilla. Si un número relativamente pequeño de documentos coherentes puede influir en un modelo entrenado con billones de palabras, la consistencia pesa tanto como el volumen, e incluso por encima de él.

Sobre esa base se construyó un objetivo operativo cercano a 250 Señales por Entidad, entendido como un umbral de referencia, jamás como una fórmula exacta ni universal.

Finalmente, la metodología propuso una manera de ejecutar todo esto en el tiempo, inspirada en el libro The First 90 Days, de Michael Watkins, sobre cómo estructurar procesos de cambio organizacional. La lógica se tradujo en tres fases. 

1. Los primeros treinta días se concentran en construir identidad clara de la Entidad (quién es, qué hace, con qué temas se relaciona). 
2. Los siguientes treinta días amplían la presencia hacia afuera, mediante menciones externas, perfiles y relaciones digitales. 
3. Los últimos treinta días buscan consolidar volumen y consistencia, hasta alcanzar lo que la metodología llama masa crítica de Señales.

Con este repaso en mente, entramos al terreno donde la teoría se somete a prueba. Un experimento diseñado para responder algo concreto, si el lenguaje optimizado con reglas explícitas supera al lenguaje escrito de forma natural, tanto ante Google como ante los sistemas de inteligencia artificial que hoy citan marcas, productos y servicios.

El diseño del experimento ¿Cómo se construyó la prueba?

Para responder si la inteligencia artificial premia el lenguaje optimizado o el lenguaje natural, el equipo implementó un experimento controlado llamado semantic_frame, diseñado y liderado por David Martínez Mata, director de posicionamiento SEO en Los Creativos. La idea nació de una inquietud concreta que combina sus estudios de posgrado con la práctica diaria del SEO y del GEO (optimización para motores generativos) que vive en su día a día con la agencia.

Pregunta orientadora:

¿Un contenido redactado bajo un protocolo lingüístico explícito y medible, se comporta mejor que un contenido equivalente, escrito sin ninguna regla de optimización adicional, tanto para Google como para los sistemas de inteligencia artificial?

Una pregunta académica, sí, pero con gran injerencia en los procesos de marketing digital actuales para Los LLMs (la IA) y la búsqueda tradicional de hace 30 años (Google)

Qué es el PES (Protocolo de Explicitación Semántica)

Para poner a prueba esa idea, se necesitaba una manera sistemática y verificable de «optimizar» un texto en términos puramente lingüísticos, algo que fuera medible y replicable, y no una simple sensación editorial de «esto suena bien». Ahí nace el PES, o Protocolo de Explicitación Semántica, un conjunto de cinco reglas lingüísticas que funcionan como Señales explícitas dirigidas hacia modelos de lenguaje.

Estas son las cinco reglas, explicadas de forma sencilla:

1. Campo léxico: se refiere a usar la palabra general de un concepto (llamada hiperónimo) junto a palabras más específicas relacionadas (llamadas hipónimos). Por ejemplo, si el concepto central es «escuelas de inglés», el texto agrega términos relacionados como «cursos intensivos» o «cursos en línea», que amplían y organizan ese campo de significado.
   
2. Sinonimia controlada: consiste en usar, de forma deliberada, variantes del término principal a lo largo del texto. Si el tema es «escuela de idiomas», el texto también incluye «instituto de lenguas» o «centro lingüístico», evitando repetir siempre la misma palabra.
   
3. Anáforas nominales: una anáfora es la manera en la que un texto retoma algo mencionado antes, sin repetirlo textualmente. La regla del PES exige retomar ese elemento usando expresiones con sustantivos («la institución», «el centro educativo»), evitando pronombres simples como «ella» o «esta».
   
4. Marcadores discursivos: son palabras o expresiones que organizan y conectan ideas dentro de un texto, como «sin embargo», «por ejemplo» o «adicionalmente». El PES exige su presencia explícita y frecuente.
   
5. Densidad léxica: es la proporción de palabras con contenido semántico (sustantivos, verbos, adjetivos, adverbios) frente a palabras puramente gramaticales (artículos, preposiciones, conjunciones). El protocolo exige que esa proporción se ubique entre 45% y 55% del texto total.

Estas cinco reglas conforman el corazón del experimento, y sirven para construir un contenido que, en teoría, envía Señales lingüísticas mucho mayores hacia un modelo de lenguaje que un texto redactado de manera espontánea. 

¡Si lo piensan, es la forma en que se escribe normalmente pero que nunca entramos a analizar!

Cómo se construyeron los dos corpus (el conjunto de artículos comparados)

Para comparar el efecto del PES, se crearon dos conjuntos de artículos, llamados en lingüística corpus, sobre el mismo tema exacto, con escuelas de idiomas por ciudad y en francés, lengua en la que David defenderá su tesis de maestría.

Prompt city_generator.py

En español:

SYSTEM_PROMPT = (
    "Eres un experto en didáctica de lenguas extranjeras, con experiencia "
    "como profesor y director pedagógico en escuelas de idiomas. "
    "Conoces en profundidad las necesidades de los alumnos, las exigencias del mercado "
    "y los métodos pedagógicos más eficaces. "
    "Escribes de forma natural, como un humano experto que comparte su experiencia. "
    "Evita las fórmulas típicas de la IA: no empieces con 'En el mundo actual', "
    "'Es importante señalar', 'En conclusión, es fundamental'. "
    "Varía la estructura de las frases, utiliza ejemplos concretos y personales, "
    "giros conversacionales. El texto debe sonar auténtico, no generado.")

Ambos corpus comparten exactamente las mismas escuelas de idiomas, las mismas reseñas reales tomadas de Google My Business, y la misma estructura de encabezados. La única diferencia deliberada es que el Corpus A obliga el cumplimiento de las cinco reglas del PES en la introducción y en la recomendación final, mientras el Corpus B se redacta con narrativa libre, sin ninguna instrucción lingüística adicional.

Esta decisión es importante para la validez del experimento. Cuando dos cosas se comparan, hay que garantizar que la única variable distinta sea justamente la que se quiere probar, en este caso, la presencia o ausencia del PES. Si las escuelas, las reseñas o la estructura fueran distintas entre ambos corpus, cualquier diferencia en resultados podría deberse a esos otros factores, y jamás sabríamos con certeza si el PES tuvo algo que ver.

Las herramientas técnicas detrás del experimento

El proceso completo combinó herramientas de extracción de datos, de procesamiento del lenguaje y de generación automática de contenido. Aquí explicamos cada una en términos simples.

El resultado de todo este análisis se organizó en un archivo llamado lexical_config.json, una especie de mapa del vocabulario relevante para cada tema, que sirvió de insumo para la redacción posterior:

1. Datos reales de negocio local: se incorporaron las diez mejores escuelas de idiomas por ciudad, junto a reseñas auténticas extraídas de Google My Business (la plataforma donde Google organiza fichas de negocios locales), garantizando que el contenido no fuera genérico, sino anclado en información verificable del mundo físico.
   
2. Generación del contenido: los artículos se redactaron usando GPT-4o. En el Corpus A, la generación incluyó hasta tres intentos adicionales cuando el texto abandonaba (o mejor dicho, incumplía) alguna de las cinco reglas del PES, hasta lograr conformidad total.
   
3. Validación automática: aquí entra una pieza clave del rigor del experimento, un validador construido con spaCy (una librería de procesamiento de lenguaje natural, en su versión entrenada para francés, fr_core_news_lg), combinado con reglas propias programadas en un archivo llamado pes_validator.py. Este validador revisa, artículo por artículo, si se cumplen las cinco condiciones del protocolo, y solo aprueba el texto cuando la conformidad es total.
   
4. Comparación final: un script llamado compare_corpus.py contrasta cuántas veces aparecen los términos del campo léxico en cada corpus, permitiendo cuantificar la diferencia lingüística entre ambos conjuntos de artículos.

Un ejemplo real de validación en ciudad (Nantes)

Para ilustrar cómo trabaja el validador en la práctica, este es el resultado obtenido sobre el artículo de escuelas para aprender inglés en Nantes, Francia, dentro del Corpus A.

El artículo equivalente del Corpus B, sobre la misma ciudad y el mismo tema, adoptó un tono conversacional, sin forzar el campo léxico, la sinonimia ni las anáforas exigidas por el protocolo.

Por qué el idioma francés y por qué esta ciudad de escuelas

Vale aclarar algo que puede generar curiosidad, por qué un experimento sobre SEO y GEO se redactó en francés. La razón responde directamente a la formación académica de David Martínez Mata, quien cursó un máster Hispano-Francés en Lengua Francesa Aplicada de la Universidad Complutense de Madrid), y en Sorbonne Université (Francia) el Master FLE- Linguistique appliquée en français langue étrangère et au français de spécialité. 

El experimento aprovecha ese conocimiento especializado en construcción textual, cohesión y componentes puramente lingüísticos como anáforas, marcadores del discurso, sinónimos, antónimos e hiperónimos, aplicados sobre un corpus con propósito comercial concreto (encontrar la mejor escuela de idiomas), en lugar de un corpus literario tradicional.

El tema de escuelas de idiomas forma apenas la primera de tres etapas planeadas para este proyecto de investigación. El corpus total contempla tres grandes bloques:

1. 15 artículos sobre las mejores escuelas de idiomas por ciudad.
2. 15 artículos relacionados con cómo aprender un idioma.
3. 15 artículos sobre técnicas para aprender un idioma con rapidez. 

Hasta el momento, únicamente se completó y se midió el primer bloque, el que aquí se documenta.

Los resultados. ¿Qué mostraron las dos webs en Google y frente a las inteligencias artificiales?

Con el diseño del experimento claro, llegamos al punto que probablemente despierta mayor curiosidad, qué sucedió cuando ambos corpus se publicaron en sitios web y comenzaron a recibir tráfico, indexación y, eventualmente, citaciones de sistemas de inteligencia artificial.

Para este ejercicio se usaron dos dominios completos, construidos con la misma estructura, los mismos módulos y una cantidad equivalente de caracteres. La única diferencia deliberada fue el tratamiento lingüístico del contenido, como ya se explicó.

Primer termómetro de medición: Google Search Console

Google Search Console es la herramienta gratuita de Google que permite a cualquier propietario de un sitio observar cómo aparece su página dentro de los resultados de búsqueda, cuántas veces la gente la ve (impresiones) y cuántas veces hace clic sobre ella.

Sitio con optimización PES

Clics e impresiones de web optimizada con PES

Sitio sin optimización PES

Clics e impresiones de web sin optimización PES

El sitio construido con narrativa espontánea acumuló prácticamente el doble de impresiones frente al sitio optimizado bajo PES, y logró además una posición promedio superior (51,2 frente a 61,9, y en este indicador un valor menor equivale a una ubicación mejor dentro de los resultados). El sitio con PES, en contraste, obtuvo un clic adicional y un CTR mayor, aunque sobre una base tan reducida de interacciones que cualquier lectura conclusiva sobre este punto sería aventurada.

En síntesis, Google favoreció ligeramente la narrativa espontánea en términos de exposición, sin que la diferencia resultara abismal. Ambos sitios, cabe subrayarlo, se encuentran todavía dentro de lo que en SEO suele llamarse el sandbox, básicamente un periodo inicial durante el cual Google evalúa un dominio recién publicado antes de otorgarle visibilidad estable, y que habitualmente se extiende alrededor de tres meses.

Segundo termómetro de medición: la presencia/citaciones dentro de las inteligencias artificiales

Aquí aparece el hallazgo que motivó publicar este experimento. Para medir citaciones dentro de sistemas de inteligencia artificial se usó Bing Webmaster Tools, en su sección AI Performance, una funcionalidad todavía en fase beta que reporta cuántas veces páginas de un sitio web funcionan como fuente citada dentro de respuestas generadas por Microsoft Copilot y sus socios de distribución.

Vale una aclaración importante antes de mostrar las cifras. Esta medición corresponde exclusivamente al ecosistema de Microsoft (Copilot y aliados), y no incluye datos de Claude, ChatGPT, Perplexity ni Gemini, sistemas que hoy también generan citaciones de marcas ante los usuarios. La razón es sencilla, hasta el momento esta clase de reporte solo está disponible públicamente a través de esta herramienta, pero que a nivel de experimentación ya muestra una clara tendencia de comportamiento de resultados.

Sitio con optimización PES

Citaciones de web optimizada con PES

Sitio sin optimización PES

Citaciones de web sin optimización PES

La diferencia, esta vez, sí resulta absolutamente contundente. El sitio redactado bajo narrativa espontánea acumuló 118 citaciones, frente a apenas 9 del sitio optimizado con el protocolo PES. Trece veces superior (13x), aproximadamente.

Qué páginas concentran esas citaciones

Al revisar cuáles URLs específicas concentran las menciones dentro de Copilot, aparece un elemento adicional que enriquece el hallazgo.

Páginas citadas del sitio sin PES

Páginas citadas y número de citaciones en la web sin optimización PES

Páginas citadas del sitio con PES

Páginas citadas y número de citaciones en la web optimizadas con PES

Observa el detalle. La página que concentra la enorme mayoría de citaciones en ambos sitios corresponde a la sección agrupadora, aquella que reúne todas las ciudades y sirve de punto de entrada general al tema (/ecoles-de-langues/), seguida por la ciudad de mayor volumen comercial (París). Las páginas individuales por ciudad, redactadas para audiencias específicas y con menor tráfico esperado, obtienen citaciones sensiblemente menores.

Cómo cruzar ambos termómetros

Antes de sacar conclusiones, conviene poner las dos mediciones una junto a la otra.

*Mejor resultado

La lectura conjunta arroja un hallazgo consistente en ambos frentes, la narrativa espontánea logró un desempeño superior tanto en Google como, sobre todo, dentro del sistema de citaciones de Copilot. La diferencia en Google es moderada. La diferencia frente a la inteligencia artificial es amplia y abismal.

El caso BIU: la lógica agrupadora aplicada con magnitud en el contenido

El experimento de escuelas de idiomas ocurrió bajo condiciones controladas, dos sitios nuevos, sin historial y sometidos apenas a cuatro semanas de observación. Antes de interpretar este hallazgo, conviene mostrar qué sucede cuando la misma lógica agrupadora se aplica sobre un sitio con trayectoria, autoridad acumulada y un ecosistema de contenidos construido con propósito. Ahí entra BIU (Broward International University), institución educativa con sede en Miami cliente de Los Creativos. El contraste resulta revelador.

Estadísticas de Bing Master Tools de citaciones para IA de BIU

Las cifras hablan por sí solas. Estamos ante volúmenes de miles de citaciones, comparados con las decenas registradas en el experimento controlado. Esa diferencia responde, entre otras cosas, al tiempo de existencia del sitio y a la acumulación previa de autoridad, algo esperable y honesto de reconocer. Pero lo interesante, aquello que merece detenerse, aparece en la lógica que organiza estos contenidos, y ya no únicamente en el volumen que acumulan.

Agrupar por tipo de contenido, ya no solo por servicio o ciudad

En el experimento de escuelas de idiomas, la agrupación ocurrió alrededor de un servicio y una geografía, una página reúne todas las ciudades donde existe una escuela de inglés en ciudades francesas. 

En BIU, la lógica se traslada hacia otra dimensión, la agrupación sucede alrededor de tipologías de contenido, comparativas («MBA online vs presencial»), guías técnicas («normas APA»), rankings («mejores doctorados en Colombia»), análisis de tendencias educativas («sistemas de educación multimodal»). Cada pieza aborda una necesidad informativa distinta, aunque todas orbitan alrededor de un mismo campo temático amplio, la educación superior y sus decisiones asociadas.

Esto amplía el concepto de «página agrupadora» que dejó entrever el experimento inicial. Agrupar ya no significa exclusivamente reunir sedes o servicios bajo un mismo paraguas. Significa también construir un abanico de formatos y enfoques que cubran las distintas maneras en las que alguien busca información sobre un tema amplio, comparar, entender un concepto, resolver una duda práctica, encontrar un ranking.

Todo parte de un ecosistema de publicaciones, ya no de un artículo aislado

Aquí aparece un elemento metodológico que el experimento de escuelas de idiomas jamás llegó a explorar, porque su alcance controlado apenas cubrió 90 días con resultados en las primeras 4 semanas. 

Conversamos con Eddie Vélez Benjumea, especialista SEO en Los Creativos acerca del paso a paso para escribir los artículos que mencionamos anteriormente y esto es lo que nos cuenta:

Antes de investigar, planear o redactar cualquier pieza, construimos un sistema entero de enlaces destinados a interconectarse entre sí, el sitio web propio con sus vínculos entrantes y salientes, publicaciones en LinkedIn, documentos PDF embebidos, videos de YouTube incrustados, imágenes propias. Cada videopodcast recibe una descripción optimizada, y cada formato utilizado dentro del artículo se piensa como parte de una red mayor, y jamás como una pieza suelta.

Todo el proceso arranca desde una investigación o una entrevista a un experto reconocido en el tema abordado, con el propósito explícito de apalancar el EEAT mencionado. Antes de escribir una sola línea, el equipo revisa de qué habla este autor, cuál es su trayectoria sobre el tema, qué referentes académicos o marco de sustento respaldan sus afirmaciones, y cuál es el estado actual del conocimiento sobre esa materia.

En la redacción misma, resulta indispensable contar con un insumo de identidad del autor, enlaces a su perfil de LinkedIn (la fuente más idónea para este propósito), su CvLac (la plataforma colombiana de hojas de vida académicas, aunque puede que no aplique en este caso), publicaciones previas, redes sociales propias, o perfiles en sitios especializados y en Wikipedia. Toda esta información se enlaza en la primera parte del artículo, estableciendo desde el inicio quién habla y por qué su palabra tiene peso.

El artículo, una vez redactado, se convierte también en un documento PDF generado mediante NotebookLM, colocado al inicio de la publicación como un formato visual y ameno que facilita el recorrido del lector por el contenido completo, aplicando así una economía del lenguaje que evita la fatiga de lectura.

Resulta indispensable, además, intercalar descansos visuales mediante elementos multimedia embebidos que rompan el desplazamiento continuo de la pantalla y favorezcan la experiencia de usuario. La jerarquía de encabezados, desde H1 hasta H6, listas, estructuras de viñetas, citas textuales, mapas, tablas y otros elementos enriquecen la lectura y, simultáneamente, favorecen el posicionamiento ante Google y las citaciones ante sistemas de inteligencia artificial.

El cierre de cada pieza incorpora preguntas frecuentes marcadas con Schema (el código estructurado que ayuda a los buscadores y a los sistemas de inteligencia artificial a entender el contenido de una página), reforzando otra vez el principio de EEAT.

Cuando el artículo nace de otra publicación o de una investigación científica, se enlaza o se embebe directamente el documento original. Y cuando existe un video de YouTube o un episodio de podcast asociado, ese contenido incluye el enlace hacia el artículo ya publicado, cerrando así un círculo de referencias cruzadas entre todos los formatos.

Por qué este caso amplifica el hallazgo del experimento

El experimento de escuelas de idiomas mostró, en condiciones controladas, que la página agrupadora concentra la enorme mayoría de citaciones frente a páginas individuales equivalentes. El caso BIU muestra el mismo fenómeno, ya en condiciones reales de mercado, con historial acumulado, y bajo una lógica de agrupación todavía más sofisticada, un ecosistema completo de enlaces, formatos y respaldo de autoridad, construido alrededor de tipologías de contenido y ya no solamente alrededor de servicios o sedes.

Dicho de otra manera, lo que el experimento sugirió a pequeña escala, el caso BIU lo confirma a una escala considerablemente superior. Y esa coincidencia entre un entorno controlado y un entorno real es justamente lo que le otorga solidez al siguiente paso de este artículo, entender por qué las páginas agrupadoras, en el caso del experimento, y la agrupación de contenidos para el caso de BIU, se comportan de esta manera ante los sistemas de inteligencia artificial.

¿Por qué ocurre esto? La explicación detrás del hallazgo

Los datos ya quedaron sobre la mesa. Ahora corresponde entender el mecanismo que los produce, por qué el lenguaje espontáneo superó al lenguaje técnicamente optimizado, y por qué las páginas agrupadoras y tipologías de contenidos agrupados concentran, tanto en el experimento controlado como en el caso de BIU, la mayoría de las citaciones dentro de sistemas de inteligencia artificial.

La forma que ahorra energía. Una analogía tomada de la naturaleza

Existe un principio que se repite en distintos campos de la ciencia. La esfera, en tres dimensiones, y el círculo, en dos dimensiones, representan las formas que permiten encerrar la mayor cantidad de espacio usando la menor cantidad de superficie posible. Por eso una burbuja de jabón adopta forma esférica, por eso una gota de agua tiende hacia lo redondo, por eso muchos organismos y estructuras naturales convergen hacia esa geometría. Es, en esencia, un principio de optimización universal, la naturaleza tiende hacia formas que ahorran energía y material cuando necesita contener algo.

Traslademos esa idea al ecosistema digital. Imagina una página agrupadora como ese círculo, una superficie que encierra dentro de sí una cantidad amplia de información relacionada, permitiendo que quien llega ahí explore múltiples caminos posibles sin abandonar ese punto central. Desde ese círculo se desprenden ramificaciones, como raíces o ramas de un árbol, y esas ramificaciones adoptan una lógica fractal, un patrón que se repite a escalas distintas dentro de una misma estructura (así como una rama pequeña reproduce la forma de la rama grande que la sostiene, cada subsección de una página agrupadora reproduce, en miniatura, la lógica organizativa del conjunto completo).

Cada ciudad, dentro del experimento de escuelas de idiomas, funciona como una ramificación de ese círculo mayor. Cada tipología de contenido, dentro del ecosistema de BIU, funciona también como una ramificación distinta de un mismo núcleo temático. Y cuando alguien hace clic dentro de ese entorno, salta de una ramificación a otra sin abandonar jamás el círculo que las contiene a todas.

Por qué esta lógica encaja exactamente con la memoria de un modelo de lenguaje

Esta analogía geométrica adquiere sentido pleno cuando la conectamos con dos conceptos técnicos explicados en el artículo original sobre Densidad de Señales, el Knowledge Graph y el Knowledge Cutoff.

El Knowledge Graph es la red donde las Entidades funcionan como nodos, y las relaciones entre ellas funcionan como conexiones. Un modelo de lenguaje construye, a partir de sus datos de entrenamiento, una representación estadística parecida a esa red, donde algunos nodos acumulan conexiones abundantes, y otros permanecen aislados o poco conectados.

El Knowledge Cutoff, por su parte, se refiere al límite temporal a partir del cual un modelo ya no cuenta con información incorporada durante su entrenamiento. Todo lo ocurrido después de ese punto, el modelo lo desconoce, salvo que acceda a mecanismos adicionales de búsqueda en tiempo real.

Ambos conceptos comparten una misma restricción de fondo, ninguna memoria, sea humana, artificial o biológica, resulta ilimitada. Almacenar y organizar información exige energía y recursos computacionales, y ningún sistema puede sostener una expansión infinita de esa memoria sin un costo creciente. Por esa razón, tanto el entrenamiento de un modelo como su proceso de recuperación de información tienden hacia estructuras eficientes, hacia esa misma lógica esférica que ahorra espacio y esfuerzo.

Aquí conviene introducir una distinción técnica importante que el artículo original sobre Densidad de Señales apenas rozó, y que este experimento permite precisar con claridad.

Entrenamiento y recuperación. Dos procesos distintos que conviene ya no confundir

Existen, dentro del funcionamiento de un modelo de lenguaje (las IA), dos tipos de mecanismos que cumplen funciones diferentes, aunque comparten el mismo objetivo final de construir y sostener conocimiento.

Los mecanismos de entrenamiento

Son aquellos que rastrean y absorben información de internet para construir el conocimiento futuro de un modelo. Este proceso ocurre en ciclos determinados, y su resultado queda incorporado dentro de los parámetros internos del modelo hasta su próximo entrenamiento o actualización. 

El estudio de Anthropic, el Alan Turing Institute y el UK AI Security Institute, la base de la  Densidad de Señales y aquel que encontró que 250 documentos consistentes bastan para generar un efecto medible dentro de un modelo, pertenece exactamente a este territorio, el del entrenamiento.

Los mecanismos de recuperación

En contraste, son aquellos que alimentan respuestas del día a día, consultando fuentes actualizadas en el momento exacto en que alguien formula una pregunta. Herramientas como Copilot, Perplexity o el modo de búsqueda de ChatGPT trabajan bajo esta segunda lógica, exploran la web en tiempo real, seleccionan fuentes que consideran relevantes, y citan aquellas que mejor resuelve la consulta formulada. Gemini es un caso relevante de esto pues se conecta directamente con Google.

Las citaciones observadas en este experimento, tanto en el sitio de escuelas de idiomas como en el caso de BIU, corresponden a este segundo mecanismo, el de recuperación, y ya no al de entrenamiento. Esto explica por qué el argumento de los 250 documentos, aunque valioso como inspiración conceptual para pensar la acumulación de Señales, describe un fenómeno técnicamente distinto al que estamos observando aquí. Un bot de recuperación ya no necesita absorber miles de documentos coherentes durante meses de entrenamiento, simplemente necesita encontrar, en el instante de una consulta, la fuente que mejor concentre la información solicitada.

Y ahí aparece la explicación central de por qué las páginas agrupadoras ganan esta partida. Un bot de recuperación, sometido a las mismas restricciones de energía y tiempo que cualquier sistema con memoria acotada, prefiere naturalmente aquella página que resuelve la mayor cantidad de sub-consultas posibles dentro de un solo lugar, en lugar de recorrer múltiples páginas individuales dispersas para reconstruir esa misma información. La página agrupadora, con su forma circular que encierra ramificaciones fractales, exige menor esfuerzo de exploración, y por eso mismo resulta la opción más eficiente para citar.

Adicionalmente, la propia arquitectura de enlaces refuerza este comportamiento. Una página agrupadora concentra, casi por definición, un número abundante de enlaces entrantes desde sus ramificaciones, y también un número abundante de enlaces salientes hacia ellas. Esa densidad de conexiones internas coincide exactamente con la lógica que también valora el SEO tradicional, un nodo altamente conectado dentro de una red comunica relevancia, tanto ante Google como ante cualquier sistema que organice información mediante relaciones entre nodos.

Por qué el lenguaje espontáneo superó al lenguaje forzado

Con esta explicación de fondo, resulta también posible entender por qué el Corpus B, redactado sin las reglas explícitas del PES, obtuvo un desempeño superior frente al Corpus A. Un texto que fuerza deliberadamente sinónimos, anáforas nominales y marcadores discursivos, para satisfacer un validador automático, corre el riesgo de sonar artificial, de romper la fluidez natural que distingue a un contenido escrito por y para personas.

Los sistemas de recuperación actuales, entrenados sobre volúmenes gigantescos de lenguaje humano genuino, aprenden a reconocer, aunque sea de forma implícita, cuándo un texto suena natural y cuándo suena forzado. Un contenido que privilegia la fluidez sobre la ingeniería lingüística explícita probablemente comunica, sin proponérselo, una señal adicional de autenticidad, algo cercano a lo que en SEO se conoce desde hace años como EEAT.

El EEAT, ese principio que Google promueve para evaluar calidad de contenido, adquiere una relevancia todavía mayor dentro del entorno de la inteligencia artificial. El caso de BIU lo demuestra con claridad, las páginas construidas sobre respaldo experto verificable, entrevistas a especialistas reconocidos, enlaces hacia perfiles profesionales legítimos y referencias académicas sólidas, acumulan volúmenes de citación sensiblemente superiores. El factor diferencial, en ambos experimentos, ya no reside únicamente en la técnica lingüística aplicada sobre el texto, reside en la autenticidad y en la solidez de la evidencia que respalda a quien habla.

Dicho de otra manera, un sistema de recuperación busca, ante todo, la fuente que resuelva la consulta de la manera más completa, natural y confiable posible. Y esa combinación, círculo agrupador, lenguaje genuino y respaldo verificable de autoridad, resulta exactamente la fórmula que este experimento terminó revelando.

Conclusiones. Qué confirma, qué corrige y qué preguntas deja abiertas este experimento

Llegamos al cierre de este recorrido. Toca poner en orden lo aprendido, con la misma honestidad que exige cualquier ejercicio que se somete a evidencia científica.

Lo que la Densidad de Señales confirma

El principio central de la metodología sostiene su terreno. Una Entidad gana presencia dentro de sistemas de inteligencia artificial cuando acumula evidencia coherente, distribuida, y conectada entre sí, ya no cuando existe una sola pieza de contenido aislada, por bien construida que esté. El caso de BIU, con miles de citaciones acumuladas sobre un ecosistema amplio de publicaciones interconectadas, respalda esta idea con contundencia.

También se confirma que la diversidad de formatos, artículo, video, podcast, documento embebido, perfil profesional, entrevista a experto, funciona como una red de refuerzo mutuo. Cada pieza amplifica a las demás, y el conjunto termina comunicando algo que ninguna pieza suelta lograría por sí sola.

Y se confirma, sobre todo, la lógica de la página agrupadora como punto de concentración de citaciones. Tanto en el experimento intencionado de escuelas de idiomas como en el caso real de BIU, la página que reúne y organiza un universo amplio de información relacionada obtiene, de forma consistente, una proporción superior de menciones dentro de sistemas de recuperación como Copilot.

Lo que la Densidad de Señales corrige

La metodología original, al citar el estudio de Anthropic, el Alan Turing Institute y el UK AI Security Institute sobre los 250 documentos, corría el riesgo de sugerir una lectura apresurada, que empaquetar señales lingüísticas de forma explícita y sistemática dentro de un texto produciría mejores resultados ante la inteligencia artificial.

Este experimento demuestra otra alternativa. Forzar sinónimos, anáforas nominales y marcadores discursivos, hasta satisfacer un validador automático, obtuvo un desempeño inferior frente al lenguaje espontáneo, tanto en Google como, de manera mucho más marcada, ante Copilot. Conviene entonces distinguir con claridad dos niveles que la metodología original mezclaba sin suficiente cuidado.

También conviene señalar la manera en que la metodología original usó el estudio de los 250 documentos. Este hallazgo describe un fenómeno de entrenamiento, la manera en que un modelo incorpora patrones durante su construcción inicial. Las citaciones observadas en este experimento pertenecen, en cambio, al terreno de la recuperación, la manera en que un sistema busca y selecciona fuentes en el instante exacto de una consulta. Ambos procesos comparten el principio de que la consistencia pesa tanto como el volumen, e incluso en ocasiones por encima de él, pero constituyen mecanismos técnicamente distintos, y este artículo deja esa distinción establecida con mayor precisión que la versión original.

Lo que queda abierto. Honestidad sobre los límites de este ejercicio

Ningún experimento serio debería presentarse como la última palabra sobre un tema, y este ya no es la excepción. Vale dejar constancia clara de sus límites:

El aporte final de este ejercicio

Toda metodología seria debería aspirar a esto:

1. Someterse a evidencia.
2. Sostener lo que la evidencia respalda.
3. Corregir lo que la evidencia contradice. 

La metodología Densidad de Señales para posicionar una marca en la IA nació como un marco conceptual sólido, apoyado en lingüística, en ciencias sociales y en investigación técnica sobre modelos de lenguaje. Este experimento la refina y empieza a confirmar que es válida. Confirma que la construcción de presencia distribuida, coherente y respaldada por evidencia verificable funciona. 

El campo de la visibilidad ante inteligencia artificial apenas comienza a explorarse, y buena parte de lo que hoy parece intuición todavía espera su turno de convertirse en evidencia. Este experimento representa un paso en esa dirección, y probablemente ya no será el último. Las próximas etapas del proyecto, sobre los bloques temáticos pendientes, y la eventual posibilidad de medir citaciones en otros sistemas de inteligencia artificial además de Copilot (ChatGPT, Claude, Perplexity, Deepseek, entre otros), seguirán aportando piezas a este rompecabezas todavía incompleto.

Si tu marca o institución busca entender cómo aplicar estos hallazgos, cómo construir presencia semántica genuina ante sistemas de inteligencia artificial, o cómo diseñar un ecosistema de contenidos interconectados similar al desarrollado para BIU, en Los Creativos seguimos documentando y perfeccionando este trabajo, y con gusto conversamos sobre cómo aplicarlo a tu caso concreto.

¿Deseas una asesoría? ¡Contáctanos!

Juan David Uribe

Juan David Uribe es profesor universitario, gestor de contenidos y estratega digital con más de 15 años de experiencia en proyectos de innovación y marketing en Colombia, México y España. Administrador Tecnológico y magíster en Ciencia, Tecnología, Sociedad e Innovación, ha sido consultor y líder digital de entidades públicas y privadas como el Área Metropolitana del Valle de Aburrá, la Alcaldía de Medellín y la Universidad Tecnológica de Bolívar. Es consultor experto en la creación de estrategias de captación de leads para universidades, colegios e institutos. También coordina equipos y optimiza operaciones para mejorar la eficiencia en entornos académicos y organizacionales.