La industria del SEO enseñó durante años prácticas que en GEO no solo no funcionan. Activamente te perjudican! Te dejo cinco prácticas que tenés que dejar de hacer si querés que los LLMs te citen.
Hay una conversación incómoda que pocas agencias y consultores SEO están teniendo: gran parte de lo que se enseñó como buenas prácticas durante los últimos diez años hoy no solo perdió efectividad, está activamente perjudicando la citabilidad en motores de búsqueda generativa.
No se trata de que el SEO “muera”. Se trata de que algunas tácticas optimizadas para los algoritmos de Google de 2018 a 2022 producen patrones que los LLMs detectan, descuentan o directamente ignoran. La industria todavía no terminó de digerirlo, y mientras tanto sigue facturando por trabajos que reducen la posición real del cliente en el canal de búsqueda que más rápido está creciendo.
Estas son cinco prácticas concretas que vale la pena revisar.
1. Densidad de keywords y repetición semántica
Lo que se enseñó: apuntar a una keyword principal y reforzarla con variantes semánticas a lo largo del contenido. Para Google, repetir el término y sus sinónimos era una señal de relevancia temática. Herramientas como las que miden “densidad” o “cobertura semántica” formalizaron esta práctica.
Por qué hoy te perjudica: los modelos de lenguaje no leen keywords, leen entidades y relaciones entre entidades. Un texto con alta densidad de una keyword y sus variantes, escrito para señalizar relevancia a un crawler, produce un patrón que los LLMs reconocen como contenido optimizado para SEO clásico, no como contenido autoritativo. Lo descuentan al evaluar citabilidad.
Qué hacer en cambio: densidad de entidades, no de keywords. Mencionar marcas, productos, conceptos, personas y lugares con sus relaciones explícitas. Un párrafo que dice “Stripe procesa pagos en línea para empresas como Shopify y permite integraciones con sistemas como QuickBooks” tiene más valor para un LLM que tres párrafos repitiendo “procesamiento de pagos online” en sus variaciones.
2. Headers diseñados para snippets de Google
Lo que se enseñó: estructurar H2s y H3s como preguntas para capturar featured snippets y posiciones cero en Google. “¿Qué es X?”, “¿Cómo funciona X?”, “¿Cuándo usar X?”. Cada subtítulo apuntando a una intención de búsqueda específica.
Por qué hoy te perjudica: los LLMs no consumen featured snippets, consumen estructura semántica. Un H2 que solo formula una pregunta sin pair con una afirmación declarativa fuerte debajo no le da al modelo la unidad cita-respuesta que necesita. El resultado es contenido que parece bien estructurado pero que, cuando un LLM busca citar un punto específico, no encuentra la afirmación atómica que cite limpiamente.
Qué hacer en cambio: headers declarativos seguidos de claims concretos. En lugar de “¿Qué es el Bleed Model?” como H2, escribir “El Bleed Model cuantifica el revenue en riesgo en USD, no en porcentajes” y desarrollar inmediatamente después. El header ya es citable como unidad independiente.
3. Link building masivo sin densidad de entidades
Lo que se enseñó: construir backlinks de muchos dominios diferentes, con diversidad de anchor text, priorizando volumen y diversidad de fuentes. Las métricas eran Domain Authority, número de dominios referentes, anchor text variety.
Por qué hoy te perjudica: los LLMs no construyen su modelo de autoridad sobre conteos de backlinks. Construyen grafos de entidades, quién menciona a quién, en qué contexto, con qué relación. Un backlink desde un dominio genérico con anchor text optimizado aporta poco. Cien backlinks así pueden incluso señalar que el dominio receptor está jugando el juego del link building en lugar de generar contenido referenciable.
Qué hacer en cambio: menos enlaces, más densidad relacional. Una mención en un artículo técnico que te ubica explícitamente en relación con otras entidades, “X compite con Y en el segmento Z”, vale más que veinte backlinks sin contexto. La pregunta correcta no es cuántos dominios te enlazan, sino qué entidades te asocian con qué conceptos.
4. Contenido de volumen sobre contenido de profundidad
Lo que se enseñó: producir muchas piezas de contenido optimizadas para long-tail keywords. Cien artículos cubriendo variaciones de búsqueda. Estrategia de “topic clusters” con un pillar page y decenas de páginas satélite. La lógica era ocupar SERP por agregación.
Por qué hoy te perjudica: los LLMs no recompensan volumen, recompensan citabilidad por pieza. Cuando un modelo decide qué citar para una respuesta, no agrega autoridad sobre cien artículos genéricos; elige la pieza más densa en información específica y verificable. Una cartera de cien artículos superficiales genera, en el mejor de los casos, cero citaciones. Una pieza de profundidad genera citaciones repetidas en consultas relacionadas.
Qué hacer en cambio: menos piezas, más profundidad. Un artículo de 2.000 palabras con datos propios, claims específicos y estructura citable supera estratégicamente a diez artículos de 500 palabras optimizados para keywords distintas. Esto es un cambio cultural fuerte para agencias que vendieron retainers basados en volumen de output mensual.
5. Arquitectura de información para crawl budget de Google
Lo que se enseñó: organizar el sitio para optimizar el crawl budget de GoogleBot. Paginación agresiva en archivos, jerarquías profundas, manejo cuidadoso de sitemaps, priorización de URLs críticas. La lógica era guiar a Google a las páginas que importan.
Por qué hoy te perjudica: los crawlers de los LLMs no operan con la misma lógica de crawl budget que GoogleBot. GPTBot, ClaudeBot y PerplexityBot tienen patrones de visita propios — frecuencias distintas, profundidades distintas, criterios de selección distintos. Una arquitectura de información optimizada exclusivamente para Google puede dejar contenido importante fuera del alcance efectivo de los crawlers de IA, especialmente si la información valiosa está enterrada en paginaciones profundas o detrás de cargas dinámicas.
Qué hacer en cambio: arquitectura plana para el contenido que querés que sea citable. Páginas con URLs estables, sin dependencia de JavaScript para cargar contenido principal, con structured data que declare explícitamente qué tipo de entidad es cada página. Y entender, no asumir, cómo cada bot trata tu sitio — algo que requiere medición específica por bot, no asumir comportamiento uniforme.
Lo que esto significa para una agencia
Ninguna de estas cinco prácticas se vuelve obsoleta de un día para el otro. SEO sigue siendo necesario, Google sigue moviendo tráfico, y va a seguir haciéndolo. Pero la diferencia entre una agencia que entiende el cambio y una que no es la diferencia entre vender los mismos servicios con menos efectividad cada trimestre, o evolucionar la oferta para capturar el canal nuevo.
La pregunta para revisar con la cartera actual es directa: cuánto del trabajo facturado este trimestre está produciendo señales que los LLMs van a descontar. Si la respuesta es “no lo sé”, hay un diagnóstico que hacer antes de la próxima propuesta.
Cómo Lotus mide esto
Lotus, el AI Revenue Protection Engine de CLICON, mide específicamente cómo te están tratando los crawlers de IA. No es una herramienta de auditoría SEO clásica, es un engine que cuantifica, por bot, qué tan visible es tu contenido para GPTBot, ClaudeBot, PerplexityBot y los otros crawlers que importan en búsqueda generativa. Y genera el código GEO necesario para corregir lo que esté roto.
El plan público arranca en $399 USD por mes por dominio. Si querés ver qué muestra un análisis sobre un dominio de tu cartera, podés solicitarlo en clicon.app.
Martín Endara es CEO y founder de CLICON, empresa de GEO Intelligence para LATAM. Lotus, el AI Revenue Protection Engine de CLICON, está disponible en clicon.app.