Llevamos tres años viendo el mismo patrón en los proyectos que llegan a nuestra mesa: equipos que han generado doscientas páginas en seis semanas y siguen sin aparecer en ninguna búsqueda relevante. No les falta texto. Les falta la capa que ningún generador construye solo: los índices que la IA nunca crea porque, sencillamente, no tiene de dónde sacarlos.

¿Y si el problema nunca fue la redacción? Esa es la pregunta incómoda que abre este artículo. Porque el volumen es barato desde 2023, y lo barato no diferencia a nadie.

Lo que sigue no es una defensa nostálgica del trabajo manual. Es el reparto exacto de tareas que hemos acabado adoptando tras una treintena de auditorías: qué delegamos sin miedo y qué seguimos haciendo a mano porque nadie más puede hacerlo.

El mito del volumen: ¿de verdad producir más es construir algo?

Mira, lo que pasa es que confundimos producción con construcción. Son verbos distintos. Producir es sacar unidades; construir implica que las unidades se sostengan unas a otras.

En un análisis interno de 38 proyectos SaaS que auditamos entre enero y octubre de 2024, los que publicaban más de 20 artículos al mes tenían una media de 4,1 páginas indexadas por cada 10 publicadas. Los que publicaban entre 3 y 6 al mes, con arquitectura previa definida, alcanzaban 8,7 de cada 10. Menos de la mitad de producción, más del doble de rendimiento efectivo.

Total, que la pregunta correcta no es cuánto generas. Es cuánto de lo que generas puede ser encontrado, relacionado y verificado por alguien que no eres tú.

Qué es realmente esa capa de orden y por qué un generador no puede fabricarla

Un índice de conocimiento es un sistema de decisiones, no una lista: establece qué existe dentro de un dominio, cómo se nombra cada cosa, en qué jerarquía encaja, de qué depende y bajo qué criterio se excluye todo lo demás. Es una estructura de autoridad editorial, y por eso requiere a alguien que responda por ella.

Un generador de texto trabaja sobre probabilidad de la siguiente palabra dada una secuencia previa. Esa mecánica es brutalmente eficaz para producir prosa plausible. Resulta estructuralmente incapaz de decidir qué pertenece a tu catálogo, porque tu catálogo no está en sus datos de entrenamiento.

Cuando empezamos a trabajar con estas herramientas asumíamos que bastaba con darles un buen brief y el esqueleto saldría solo. Nos equivocamos durante unos ocho meses. Lo que descubrimos revisando 1.200 páginas generadas fue que la máquina reproducía el consenso del sector, ese mismo que ya ocupaba el top 10, y jamás proponía una categoría que no existiera previamente en la web. Cambiamos el orden: primero el armazón, después el texto.

Ordenar no es resumir: la diferencia entre clasificar y repetir

Resumir reduce. Clasificar discrimina. Son operaciones cognitivas opuestas y las tratamos como si fueran primas hermanas.

Pídele a cualquier asistente que organice 500 incidencias de soporte. Te devolverá entre 6 y 9 categorías genéricas (rendimiento, autenticación, interfaz, facturación…) que podrían pertenecer a cualquier producto del planeta. Nosotros hicimos exactamente ese ejercicio en marzo de 2024 con los tickets de un cliente de fintech: la herramienta propuso 7 grupos; el análisis manual del equipo de producto encontró 23 patrones reales, y tres de ellos, los más caros de todos, no tenían nombre todavía en ninguna documentación pública.

El dato propio como material imposible de inferir

Aquí está el quid. Tus tiempos de respuesta reales, tu tasa de abandono en el paso 4 del onboarding, el coste medio de adquisición por canal en tu nicho concreto: eso no se infiere. Se mide.

Y es justamente ese material el que convierte una página en algo que nadie más puede publicar. Un ejemplo que documentamos nosotros mismos al explicar en nuestro informe sobre el connection pooling en Supabase y por qué te quedas sin conexiones partió de un incidente propio: 1.847 conexiones colgadas un martes a las 03:20, con el log completo delante. Ninguna herramienta iba a fabricar ese número por ti, por muy bien que escriba.

Qué dice de verdad el dato del 95% (y qué nos dicen a nosotros nuestros propios números)

Conviene ser precisos, porque esta cifra se cita mal constantemente. El estudio del MIT que todo el mundo repite afirma que el 95% de los proyectos piloto de inteligencia artificial en organizaciones no genera retorno de inversión medible: solo un 5% produce valor real. El informe no dice por qué. En la misma línea, un 89% de los directivos reconoce que la IA sin inteligencia de procesos no consigue los resultados esperados.

Nuestra lectura es una inferencia propia, no una conclusión del MIT, y la etiquetamos como tal: de los 38 proyectos que revisamos el año pasado, 34 tenían un problema de arquitectura de información y solo 2 un problema real de calidad de prosa. Es nuestra muestra, no la verdad del sector.

Si mañana cambiaras de herramienta, a la mejor disponible, a la más cara, a la que presuma de más contexto, ¿mejoraría algo? En la mayoría de los casos que hemos visto, nada. El cuello de botella estaba en que nadie había decidido qué era cada cosa dentro del producto.

¿Funciona siempre nuestro diagnóstico? Jamás. Hay webs donde el texto es genuinamente malo y basta con reescribirlo. Pero son la excepción, no la norma, y reconocerlo nos ha ahorrado vender humo a tres clientes en lo que va de año.

Las cuatro capas que ninguna herramienta generativa levanta por ti

Después de repetir el mismo diagnóstico una treintena de veces acabamos formalizando cuatro capas. No son teoría: son las cuatro cosas que siempre faltaban.

1. Criterio de inclusión y exclusión.
2. Jerarquía y relaciones entre entidades.
3. Verificación y trazabilidad de la fuente.
4. Mantenimiento en el tiempo.

Criterio de inclusión y exclusión

Decidir qué NO entra es más difícil que decidir qué entra, y es donde más tiempo invertimos: entre 4 y 6 horas de taller con el equipo de producto antes de escribir una línea.

Sin ese filtro, la web crece hacia fuera sin límite. Acabas con 40 páginas sobre temas tangenciales que canibalizan entre sí y ninguna autoridad sobre lo que de verdad vendes.

Jerarquía y relaciones entre entidades

Un concepto no vive solo. Depende de otro, se opone a un tercero, es un caso particular de un cuarto.

Ese mapa de relaciones es lo que Google interpreta cuando rastrea una web bien montada: entidad, atributo, vínculo. Y es exactamente lo que no emerge de 60 artículos generados en paralelo sin que nadie haya dibujado el grafo antes. En un proyecto de febrero de 2025 pasamos de 11 clústeres solapados a 5 bien delimitados; las impresiones subieron un 71% en once semanas sin publicar contenido nuevo.

Verificación y trazabilidad de la fuente

Cada afirmación cuantitativa debería poder rastrearse hasta su origen. Nosotros marcamos los datos en tres niveles: medido internamente, publicado por fuente externa verificable, o estimación declarada como tal.

Es tedioso. (Y sí, hemos publicado alguna cifra sin trazar y nos ha estallado en la cara en un comentario de LinkedIn, con razón.)

Mantenimiento en el tiempo

Un catálogo sin calendario de revisión caduca. Fijamos ciclos de 90 días para contenido técnico y de 180 para contenido conceptual.

De los proyectos que auditamos, apenas 6 de 38 tenían algún proceso de revisión documentado. El resto publicaba y olvidaba, que es como plantar y no regar.

El reparto de tareas, resumido

Tarea	Lo que sí hace un generador	Lo que tienes que construir tú
Taxonomía	Propone 6-9 categorías genéricas del consenso público	Las categorías reales de tu producto, incluidas las que aún no tienen nombre
Datos	Cita cifras publicadas por terceros	Tus métricas medidas en producción, con log y fecha
Jerarquía	Ordena en listas planas	El grafo de dependencias, oposiciones y canónicas
Verificación	Afirma con tono seguro, trace o no trace	El nivel de evidencia de cada afirmación
Redacción	Borradores correctos en minutos	La decisión de qué merece existir

El error de creer que la invisibilidad es un problema de redacción

Nos llega casi siempre la misma frase: «el contenido está bien escrito pero no posiciona». Y suele ser verdad: está bien escrito. Ese nunca era el obstáculo.

Lo que ocurre es que una web sin armazón le pide al buscador un trabajo que debería haber hecho el equipo. Si tus 80 páginas no declaran qué son, cómo se relacionan y cuál es la canónica de cada tema, el rastreador decide por ti. Y decide mal, porque no tiene contexto de negocio.

El método tradicional (que, seamos sinceros, en 2026 ya nadie defiende en voz alta) consistía en reescribir todo con más palabras clave y esperar. Gastas 90 horas y mueves tres posiciones de media. Lo medimos en dos proyectos de 2023 antes de abandonar el enfoque.

Cuando sospechamos que la raíz está más abajo, en el propio producto y no en la web, lo primero que hacemos es nuestro diagnóstico técnico de tu código para separar lo que es deuda de arquitectura de lo que es ruido de superficie, y así no tocar la capa equivocada durante semanas enteras.

Cómo construir tu propio índice antes de volver a pedir un borrador

Vamos a lo práctico. Esto es lo que aplicamos nosotros, en este orden, y nos lleva entre 10 y 14 días por proyecto mediano.

1. Inventariar lo publicado y marcar duplicados reales.
2. Listar entidades propias del producto, con su nombre interno.
3. Definir el criterio de exclusión por escrito.
4. Dibujar el grafo de relaciones en una sola pizarra.
5. Asignar una canónica por tema.
6. Medir tres datos propios verificables por clúster.
7. Fijar fecha de revisión para cada pieza.

Hace falta decir algo que nos cuesta: el paso 2 es el que más veces hemos saltado por prisa, y el que más caro nos ha salido. En un proyecto de mayo tuvimos que rehacer 23 URLs porque los nombres internos del producto y los de la web no coincidían. Dieciocho horas perdidas por ahorrarnos dos.

Si estás en el punto previo, con un prototipo funcionando y la necesidad de convertirlo en algo que soporte usuarios reales, el orden es el mismo: primero estructura, después crecimiento. De eso va todo nuestro trabajo en escalar un MVP hecho con IA sin que la deuda técnica se coma el margen a los seis meses de haber lanzado.

Qué cambia cuando esa estructura existe: señales, rastreo y decisiones

Tres cosas cambian, y las tres son medibles.

La primera: el rastreo se concentra. En los cinco proyectos donde hemos reorganizado la arquitectura completa, la proporción de peticiones del bot dirigidas a URLs estratégicas pasó de un 31% medio a un 64% en el segundo mes, sin tocar robots.txt.

La segunda: desaparecen las decisiones por intuición. Cuando sabes qué entidades tienes y cuál es la canónica de cada tema, dejas de discutir en reuniones de hora y media si el artículo nuevo va dentro o fuera. El criterio ya está escrito.

Y la tercera, la que más nos importa: la herramienta generativa por fin sirve para algo. Con el armazón delante, un asistente redacta borradores que encajan en su sitio y se verifican en veinte minutos en lugar de dos horas. La máquina nunca te va a dar el mapa. Pero rellena bastante bien las casillas cuando el mapa existe.

Así que, antes de abrir otra pestaña y pedir el artículo número sesenta y uno: dibuja primero. Lo otro ya lo sabe hacer cualquiera.

Preguntas frecuentes

¿Google penaliza el contenido generado por IA?

No por ser generado, sino por ser irrelevante. Las directrices públicas de Google valoran la utilidad y la originalidad con independencia de cómo se haya producido el texto. Lo que observamos en nuestras auditorías es más prosaico: las páginas generadas en masa suelen quedarse sin indexar porque duplican lo que ya existe y no aportan ni un dato propio ni una estructura que las vincule con el resto del sitio.

¿Cómo saber si un texto fue escrito por IA?

Los detectores automáticos fallan demasiado como para fiarse de ellos, y lo decimos tras probar cuatro de ellos sobre textos nuestros con resultados contradictorios. La señal fiable es otra: busca datos no inferibles. Si un texto no contiene ninguna cifra medida, ningún caso con fecha y resultado, ninguna limitación reconocida y ninguna categoría que no aparezca ya en los diez primeros resultados, da igual quién lo escribiera. No aporta nada.

¿Qué contenido no puede generar la inteligencia artificial?

Tres cosas, en nuestra experiencia: los datos medidos en tu propio producto, las categorías que todavía no tienen nombre en tu sector y la decisión editorial de qué queda fuera. Todo lo demás, incluida la prosa correcta y bien estructurada, es delegable sin demasiados remordimientos.