Siempre nos hemos estado aproximando a la relevancia. Cada lista de palabras clave, cada puntuación TF-IDF, cada juicio editorial sobre si una página “cubre el tema” ha sido un intento de responder a una sola pregunta: ¿este contenido trata sobre lo que el usuario está buscando? Las herramientas cambiaron. La pregunta no. Lo que cambió significativamente es la resolución del instrumento. La investigación de palabras clave aproxima la relevancia a través de la superposición léxica: si las palabras coinciden, los temas probablemente se alinean. El análisis semántico basado en vectores lo aproxima a través de la superposición de significados: si los conceptos están cerca en el espacio de incrustación, el contenido probablemente sea relevante independientemente de si aparecen los términos exactos. Se trata de una auténtica mejora material, pero no es un paso de la conjetura al conocimiento.
La razón por la que la distinción es importante es que una parte importante de la comunidad de estrategia de contenido y SEO la trata ahora como si lo fuera. Están analizando puntuaciones de alineación, resultados de similitud de cosenos y métricas de proximidad semántica y las leen como verdad fundamental. Una puntuación alta significa alineado. Una puntuación baja significa que no están alineados. Optimice hasta que el número aumente. Y el número, por ser un número, parece haber resuelto la cuestión que la investigación de palabras clave siempre dejó abierta. No es así. Le ha proporcionado una versión de mayor resolución de la misma aproximación, y la mayor resolución es exactamente lo que la hace peligrosa, porque elimina la humildad que la baja resolución solía imponer.
La precisión no es exactitud
El sistema SMART de Gerard Salton en Cornell introdujo el modelo de espacio vectorial para la recuperación de documentos en la década de 1960. La idea central entonces era la misma que impulsa los modelos de incrustación actuales: representar tanto la consulta como el documento como vectores, medir el ángulo entre ellos y utilizar ese ángulo como indicador de relevancia. Lo que ha cambiado a lo largo de 60 años es la sofisticación de cómo se construyen esos vectores. Salton utilizó el término frecuencia. Los modelos de incrustación modernos utilizan representaciones derivadas de transformadores que codifican relaciones semánticas, significado contextual y proximidad conceptual en cientos o miles de dimensiones. La medición mejoró dramáticamente. Pero lo que se mide, la distancia angular entre dos representaciones vectoriales, sigue siendo un indicador de una relación que existe fuera de las matemáticas.
Aquí es donde aterrizó el equipo de investigación de Netflix en su estudio de 2024 sobre la similitud de cosenos en modelos integrados. Steck, Ekanadham y Kallus demostraron que la similitud del coseno aplicada a incrustaciones aprendidas puede producir resultados que son, en su formulación, arbitrarios. La forma en que se entrena un modelo de incrustación, la regularización aplicada, los datos que ve, dan forma a la geometría del espacio de maneras que hacen que una puntuación de coseno bruta no sea confiable como medida absoluta de similitud semántica. Una puntuación alta en un espacio de incrustación no equivale a una puntuación alta en otro. La puntuación es real. La similitud que dice representar puede no serlo.
Para los profesionales que optimizan el contenido, la implicación es directa. Cuando calificas la alineación de tu contenido con una consulta usando un modelo de incrustación, estás midiendo la proximidad semántica. dentro de la representación del lenguaje de ese modelo específico. No está midiendo cómo la infraestructura de recuperación de Google, el proceso RAG de OpenAI o el índice de Perplexity evaluarían la misma relación. Esos sistemas utilizan sus propios modelos de integración, sus propias arquitecturas de recuperación y sus propias capas de reclasificación. Una puntuación de 0,92 en su espacio de medición podría corresponder a una recuperación fuerte en un sistema, una recuperación débil en otro e irrelevancia en un tercero.
¿Qué tipo de error estás?
Este es el eje que importa y no es en el que piensan la mayoría de los profesionales. La pregunta no es si la investigación de palabras clave o la alineación de vectores es el mejor método. La pregunta es qué tipo de error produce cada método, porque el tipo de error determina si se puede corregir.
La investigación de palabras clave, a pesar de todas sus limitaciones, produce una conocido desconocido. Sabes que te estás aproximando. Usted sabe que hacer coincidir términos con una página no garantiza la cobertura temática, no garantiza la satisfacción del usuario y no garantiza que un motor de búsqueda juzgue la página como relevante. La imprecisión es visible y, por ser visible, te mantiene honesto. Los profesionales que crecieron en la optimización basada en palabras clave aprendieron a cubrir demasiado, a crear contenido de apoyo y a triangular la intención desde múltiples ángulos, precisamente porque entendieron que el instrumento era contundente. La franqueza era una característica. Obligó a la humildad.
La puntuación de alineación vectorial, por el contrario, puede producir una desconocido desconocido. El número es preciso. Tiene decimales. Se puede realizar un seguimiento a lo largo del tiempo, representar gráficos, comparar activos de contenido y optimizarlos. Y esa precisión crea una trampa psicológica: da la sensación de que la pregunta ha sido respondida. El contenido está alineado 0,89 con la consulta. Eso debe significar algo definitivo. Pero lo que realmente significa es que en un espacio de incrustación específico, utilizando la representación aprendida de un modelo específico, la distancia angular entre dos vectores cae dentro de un cierto rango. La puntuación no dice nada sobre si el sistema de recuperación de producción que realmente ofrecerá su contenido utiliza un espacio de incrustación compatible, aplica la misma tokenización o pondera la similitud semántica de la misma manera durante la reclasificación.
La tabla de clasificación del benchmark MTEB lo ilustra concretamente. El rendimiento repartido entre los modelos de integración actuales no es pequeño. Un activo de contenido que obtiene una buena puntuación en el espacio de incrustación de un modelo puede obtener una puntuación materialmente diferente en comparación con otro, no porque el contenido haya cambiado sino porque la geometría del espacio cambió. Y es casi seguro que el modelo de integración que utiliza su herramienta de puntuación no es el que utiliza cualquier plataforma de IA en producción. No existe un registro público de qué modelo impulsa la capa de recuperación de qué sistema. Estás midiendo en un espacio que es representativo del problema general pero no idéntico al sistema específico donde se evaluará tu contenido.
Ese no es un argumento en contra de la medición. Es un argumento en contra de leer la medición como un hecho establecido. La distinción entre una señal direccional y una respuesta definitiva es toda la disciplina.
El instrumento mejoró. El viejo no es suficiente
Nada de esto rescata la optimización basada únicamente en palabras clave como una estrategia suficiente. No es suficiente y las razones son estructurales, no sentimentales.
Los LLM y los sistemas de recuperación de IA operan en un espacio semántico, no en un espacio léxico. Procesan significado, no cadenas. Una página puede obtener una puntuación perfecta frente a una lista de objetivos de palabras clave y, al mismo tiempo, estar semánticamente alejada de la intención real que representa la consulta, porque la presencia de palabras clave y la cobertura semántica son cosas diferentes. Por el contrario, una página no puede utilizar ninguna de las palabras clave objetivo y aun así estar fuertemente alineada semánticamente, porque cubre el mismo territorio conceptual a través de vocabulario diferente. El espacio de paráfrasis y sinónimos en el que operan los LLM es estructuralmente invisible para una evaluación basada en palabras clave. No se puede ver lo que no se puede medir y las herramientas de palabras clave no pueden medir la proximidad semántica.
Consideremos un caso práctico. La investigación de palabras clave identifica correctamente las “estrategias de prevención de pérdida de clientes” como un objetivo de alto valor. El equipo de contenido crea un artículo exhaustivo y apropiado para la intención a su alrededor. Cubre el tema, utiliza los términos objetivo de forma natural y pasaría cualquier auditoría de palabras clave sin problemas. Pero una puntuación de alineación revela que el centro de gravedad semántico del contenido está más cerca de “medir la deserción” que de “prevenir la deserción”, porque el artículo se apoya mucho en el encuadre de diagnóstico, la identificación de cuentas en riesgo, el cálculo de las tasas de deserción, la segmentación por comportamiento y más ligero en el encuadre de intervención, qué hacer realmente una vez que se ha identificado el problema. Ambos tratamientos están relacionados con el tema. Ambos satisfacen el objetivo de palabras clave. Pero la distancia semántica entre el contenido y la consulta como lo representa un sistema de recuperación es mayor de lo que sugiere la cobertura de palabras clave, y la investigación de palabras clave no tiene ningún instrumento para sacar a la luz esa deriva. La puntuación de alineación sí lo hace. No porque la investigación de palabras clave haya fallado, sino porque nunca se creó para ver con esa resolución.
Esto no es una crítica a las personas que se centran en la investigación de palabras clave. Esos practicantes no se equivocan. Están trabajando en la resolución que permiten los instrumentos disponibles. Intuir la alineación entre el contenido y la intención de la consulta es una habilidad real, y los mejores estrategas de palabras clave están haciendo algo genuinamente sofisticado: están aproximando la relevancia semántica a través de indicadores léxicos, utilizando el criterio editorial para cerrar la brecha que las herramientas no pudieron cruzar. Las herramientas ahora pueden salvar una versión de esa brecha. El criterio editorial sigue siendo importante, pero la brecha que debe salvar es diferente.
El peligro es el profesional que decide que debido a que la investigación de palabras clave ya no es suficiente, la puntuación de alineación vectorial es el reemplazo completo. Ese practicante ha cambiado una aproximación por otra mejor, perdiendo al mismo tiempo la conciencia de que sigue siendo una aproximación. Han mejorado el instrumento y degradado la alfabetización, lo que supone una pérdida neta.
La disciplina es saber lo que el número no te dice
La Ley de Goodhart, la observación de que cuando una medida se convierte en un objetivo, deja de ser una buena medida, no es sólo un aforismo para los economistas. Es el fracaso exacto que espera a cualquier equipo que trate una puntuación de alineación como un objetivo contra el cual optimizar en lugar de una señal para interpretar. En el momento en que la partitura se convierte en el objetivo, el contenido comienza a derivar hacia la geometría de la partitura y alejándose de la relevancia real que se suponía debía aproximarse. Empiezas a escribir para el modelo de incrustación en lugar del lector y el sistema de recuperación, y el modelo de incrustación para el que estás escribiendo no es el que utiliza ningún sistema de producción.
La verdadera disciplina, la que no existía cuando los profesionales navegaban únicamente mediante la intuición de palabras clave, es comprender qué es una medida de alineación y no decirlo. Le indica que en un espacio de incrustación determinado, la representación vectorial de su contenido está geométricamente cerca de la representación vectorial de una consulta. Eso es útil. Esa es más información de la que le brinda la presencia de palabras clave. Te dice algo sobre la cobertura semántica que el análisis léxico no puede. Pero no indica si el espacio de incrustación del sistema de producción tiene la misma geometría. No le dice cómo la reclasificación tratará el resultado. No le dice si la capa de generación del LLM interpretará su contenido como autorizado, completo o digno de ser citado. La alineación es una señal adyacente a la recuperación. No dice nada sobre interpretación.
El practicante que puede sostener esas dos realidades, la señal es real. y la señal es incompleta, es el que opera con un conocimiento genuino de los sistemas en los que intenta influir. Quien los colapsa, quien interpreta una puntuación alta de alineación como confirmación de que el contenido está “optimizado”, está operando con una versión más sofisticada del mismo exceso de confianza que hizo que la gente pensara que una densidad de palabras clave del 3% significaba que su página era relevante. El número mejoró. El error es el mismo.
Representativo, no idéntico
El encuadre honesto no es “espacio correcto versus espacio incorrecto”. Ese binario invita a la parálisis: si ningún espacio de medición es el espacio de producción, ¿por qué medir? En mi opinión, el mejor marco es un espectro de representatividad. Algunos espacios de medición se acercan más a lo que utilizan los sistemas de producción que otros. Algunos modelos de integración comparten más ADN arquitectónico que otros con los modelos que impulsan las principales plataformas de IA. Algunas metodologías de puntuación tienen en cuenta la brecha entre medición y producción mejor que otras. La pregunta no es si tu medida es perfecta. Nunca lo será. La pregunta es qué tan representativo es su espacio de medición de los sistemas que realmente le interesan y si está tratando la puntuación con el respeto direccional apropiado en lugar de una fe absoluta.
Este es el trabajo real. No perseguir un número. No abandonar la medición porque sea imperfecta. Desarrollar suficiente conocimiento sobre cómo funcionan estos sistemas para saber qué señales tomar en serio, cuáles descartar y cuáles combinar con otros indicadores antes de tomar una decisión sobre el contenido. Esa alfabetización era opcional cuando el único instrumento era la investigación de palabras clave, porque el instrumento era tan obviamente contundente que nadie lo confundió con la verdad. Ahora no es opcional. Los instrumentos son lo suficientemente precisos como para engañarte, y el costo de dejarte engañar es optimizar el contenido para una geometría que no representa el sistema donde tu marca necesita ser visible.
Escribí sobre una dimensión relacionada de este problema en el artículo sobre higiene del índice de vectores el año pasado, centrándome en cómo la calidad y el mantenimiento del índice en sí dan forma a los resultados de la recuperación. Este artículo es la otra cara de esa moneda: no el índice, sino la medida que utilizas para evaluar si tu contenido pertenece a él. Y ambos se conectan con una cuestión más amplia a la que volveré en trabajos futuros, que es una brecha de la que la mayoría de la gente aún no habla.
Comience con lo que puede ver
Si todavía utiliza la investigación de palabras clave como su principal método de alineación de contenido, está trabajando con un instrumento contundente en un entorno que ahora exige más resolución. Si está ejecutando la puntuación de alineación vectorial y leyendo el resultado como una verdad establecida, tiene la resolución, pero no la alfabetización, para usarlo de forma segura. Ambos son corregibles. El camino a seguir no es elegir uno sobre el otro. Se trata de superponerlos, comprender lo que cada uno puede y no puede decirle y desarrollar la capacidad organizacional para tratar las mediciones precisas como lo que son: señales direccionales producidas dentro de un espacio específico que pueden representar o no los sistemas donde compite su contenido.
El presentimiento nunca fue el enemigo. La ilusión de que has superado la necesidad de juzgar lo es.
Para una visión más amplia de cómo la visibilidad de la búsqueda por IA está remodelando el trabajo de ser encontrado, “La capa de la máquina” cubre los cambios estructurales que hacen que este tipo de conocimientos de medición sean esenciales.
Más recursos:
Esta publicación se publicó originalmente en Duane Forrester Decodes.
Imagen de portada: Luke Jade/Shutterstock; Paulo Bobita/Diario del motor de búsqueda
