La brecha de longitud es real y está bien documentada, con algunas mediciones que describen mensajes de ChatGPT que se ejecutan en un orden de magnitud más largo que una consulta típica de Google por número de caracteres. Nada de eso te dice qué hacer el lunes. La parte que debería cambiar la forma en que lee sus propios informes no es la extensión de la entrada; es lo que hacen dos sistemas diferentes con la misma cuerda cuando comienzas a medir ambos al mismo tiempo.
Comience con la operación, no con el recuento de palabras
Un índice de búsqueda coincide con una cadena. Un modelo de lenguaje interpreta uno. Esos son trabajos diferentes y recompensan diferentes formas de entrada, por lo que enviar la misma consulta a ambas superficies no proporciona dos lecturas de una cosa. Le brinda dos cosas diferentes que comparten un cuadro de entrada. El índice busca documentos cuyo texto se alinee con los términos literales que le entregó. El modelo utiliza todo lo que le entregó para triangular la intención, y cuanto más contexto obtiene, con más confianza se acerca a una respuesta. Déle a un índice de búsqueda una frase larga y específica y habrá reducido el campo de documentos en competencia, lo que generalmente facilita la clasificación. Dale a un modelo la misma frase y habrás afinado su puntería. Misma cuerda, mecánica opuesta.
Dos pensamientos ayudan a mantener esto honesto antes de continuar. La primera es que una frase larga no es automáticamente una palabra clave de cola larga. El campo del SEO resolvió esto hace años, y los profesionales más astutos todavía lo dicen claramente, que la cola larga se define por la especificidad y el volumen de búsqueda en lugar del número de palabras, por lo que un término principal de tres palabras puede ser brutalmente competitivo mientras que un número de modelo de producto de cinco palabras permanece abierto. La segunda corrección es más profunda, porque con frecuencia el mensaje largo ni siquiera es lo que llega a un índice de búsqueda y, a menudo, no es el mismo índice en el que se basa su informe de clasificación. Por su parte, los modelos dividen un mensaje en consultas de recuperación más cortas y activan varias de ellas; el análisis del flujo de clics coloca el mensaje escrito cerca de 23 palabras, pero la búsqueda que el modelo envía se acerca a cuatro, y un estudio separado mide más de dos de esas búsquedas por mensaje con aproximadamente cinco palabras cada una. El mensaje largo que usted escribió y la consulta corta que el modelo envió para que coincida no son el mismo evento, por lo que tratar la longitud del mensaje como un indicador del comportamiento de búsqueda hace que el mecanismo se equivoque dos veces.
Observe de cerca lo que esa descomposición afecta a su seguimiento, porque elimina una suposición. En el lado de la búsqueda, la cadena que envía es la cadena que coincide, por lo que cuando realiza un seguimiento de una consulta, está rastreando lo que TÚ eligió. En el lado de la IA, el modelo lee su mensaje, infiere lo que quiso decir y escribe sus propias consultas de recuperación para buscar soporte, lo que significa que la cadena que toca el índice es una que el MODELO creó en lugar de una que usted o su cliente hicieron. Ya no estás realizando un seguimiento de tu consulta. Usted está rastreando la paráfrasis del modelo de su consulta, comparándola con un índice y luego filtrando nuevamente a través del propio juicio del modelo sobre lo que merece una cita. Hay tres transformaciones entre el mensaje que inició sesión y el resultado que obtuvo, y ninguna de ellas es visible en el número que aparece en el tablero.
Los dos extremos de la curva no se comportan de la misma manera
Una consulta de una sola palabra rompe ambas superficies y las rompe por razones opuestas. El modelo LLM no puede triangular la intención de una sola palabra de manera confiable, por lo que devuelve algo genérico que una empresa no aparecerá. El índice de búsqueda tradicional conlleva tanta competencia por un término principal que es casi seguro que la empresa no clasifica. Por lo tanto, una consulta breve se lee como no citada y no clasificada al mismo tiempo, una doble negativa que parece un fracaso pero que en realidad es una entrada demasiado escasa para diagnosticar algo. Camine hasta el otro extremo y las superficies se dividirán. Una frase larga y específica le da al modelo LLM una rica intención y una razón plausible para citar, y simultáneamente le entrega al índice de búsqueda tradicional una cadena de baja competencia que es más fácil de clasificar incluso con una autoridad de dominio modesta. El final largo puede leerse como citado, clasificado o ambos.
Veamos un ejemplo: dos competidores venden el mismo software B2B y tienen, en realidad, una visibilidad casi idéntica sobre el tema que les importa a ambos. Un equipo construye su conjunto de seguimiento de la forma en que siempre ha escrito las palabras clave, en frases nominales estrictas. El otro equipo, más nuevo en esto, escribe sus consultas rastreadas de la misma manera que habla con un chatbot, en preguntas completas. El conjunto del primer equipo se inclina hacia cuerdas en forma de cabeza que son ferozmente disputadas en el índice y demasiado delgadas para que el modelo las coloque con confianza, por lo que su tablero se lee débil en ambos lados. El conjunto del segundo equipo se inclina hacia preguntas largas y específicas que se clasifican fácilmente a pesar de la baja competencia y le dan al modelo suficiente para citar, por lo que su tablero se ve sólido en ambos lados. Nada difiere en cuanto a su posición real. Lo que difiere es cómo escribió cada equipo, y el informe ha convertido silenciosamente un hábito estilístico en lo que parece una brecha competitiva.
Cuando esto se convierte en un problema de medición, no de idioma
La mayoría de sus clientes caen en un hábito de fraseo sin pensar en ello, y lo harán, porque la gente toma el camino de menor resistencia. Un cliente escribe las consultas que rastrea en frases sustantivas ajustadas al estilo de palabras clave, otro las escribe como preguntas de conversación completas, y ese hábito no permanece cortésmente en el lado de rango del informe. Dobla ambas columnas a la vez y las dobla de manera diferente, porque cada superficie lee la misma cuerda en sus propios términos. Dos clientes con idéntica visibilidad real pueden publicar perfiles opuestos, uno fuerte en rango y pobre en citas, y el otro al revés, sin ninguna razón más allá de cómo cada uno de ellos escribió. Ése es un verdadero problema de validez, y no sólo para el rango leído por sí solo. El número parece un dato sobre el cliente. Parte de esto es un hecho sobre la frase.
Esta es la razón por la que alinear la clasificación junto a la cita y leer las dos columnas como comparables es un error. Estás comparando dos números que nunca fueron el mismo tipo de número, porque cada uno fue producido por un sistema diferente que realiza un trabajo diferente con una cadena que lee en términos diferentes. La investigación sobre superposición apoya la divergencia, aunque no puedan ponerse de acuerdo sobre su magnitud. Moz descubrió que la mayoría de las citas en modo AI nunca aparecen en los resultados orgánicos de la misma consulta, un estudio de seguimiento colocó apenas una décima parte de las URL citadas dentro del top 10 de Google, y un estudio de Semrush se inclinó en sentido contrario para al menos una plataforma, con Perplexity superponiéndose en gran medida al top 10 de Google. La magnitud es cuestionada. El hecho de que las dos superficies lean y recompensen cosas diferentes no lo es.
Hay una versión de esta brecha que se sostiene mejor que la clasificación por sí sola, y quiero tener cuidado al expresarla, porque es un argumento más que un resultado probado. La brecha entre la clasificación y la citación se lee en la misma cadena de consulta en ambos lados, por lo que el efecto de redacción que distorsiona cada número absoluto debería anular en gran medida la comparación, lo que dejaría el contraste más confiable que cualquiera de las cifras por sí sola. Eso es razonamiento, no algo que nadie haya demostrado, y así deberías considerarlo. Lo que está lo suficientemente asentado como para actuar es el punto vecino, esa forma de entrada mueve lo que sale a la superficie. El trabajo controlado ha demostrado que el abastecimiento de IA cambia con el carácter de la consulta, y un estudio separado encontró que los resultados cambian cuando se reformulan las solicitudes. La forma es una variable. Tratarlo como si se mantuviera constante cuando se comparan superficies es un error.
El protector es una columna de volumen y solo funciona en un lado
La defensa en el lado de las filas no es glamorosa y lo es todo el juego. Nunca leas un número de clasificación sin el volumen de búsqueda al lado. Un cuarto puesto en una frase que nadie busca no es una victoria; es una frase que se clasificó porque era lo suficientemente específica como para no ser cuestionada, y el volumen es lo que hace que una ubicación hueca sea obvia. Las mismas fuentes de SEO que elogian la especificidad del long tail advierten que el volumen es un punto de partida, no un veredicto. El número que luce más saludable en el tablero a veces es el más vacío, y sólo el volumen al lado te indica cuál.
Esa disciplina no cruza la línea, y aquí es donde la mayoría de la gente hace trampa silenciosamente. El volumen de búsqueda es una medida de la superficie de búsqueda, producida por un mecanismo que no tiene equivalente en el lado de LLM. Ninguna plataforma expone la frecuencia con la que se generó una pregunta, no existe un índice de frecuencia de las solicitudes y todo lo que se vende como volumen de solicitudes de LLM son datos de palabras clave de búsqueda con un disfraz o una métrica de citas reetiquetada como demanda. Entonces, la medida de establecer una cifra de volumen al lado de una cita para juzgar si esa cita es importante no es una barrera de seguridad. Clasificación de disciplinas de volumen. No dice nada sobre una cita, y pretender que se extiende es un caso más de tratar dos superficies como una sola.
Lo que deja una pregunta justa: si el volumen no se transfiere, ¿qué disciplina el lado de las citas? No es un recuento de la demanda, porque no existe ninguno. El sustituto honesto es la frecuencia de las citas en un conjunto de indicaciones que se ejecuta repetidamente a lo largo del tiempo, que es una señal direccional, no una cifra de volumen, y debe leerse como tal. Le indica si su presencia en la respuesta es estable o incidental, no cuántas personas preguntaron. Tratar esa lectura direccional como si fuera un número de demanda preciso es la versión del lado de las citas de la misma trampa de rango hueco, y genera el mismo escepticismo.
Lea sus propios instrumentos
Nada de esto constituye una razón para alejarse de las cifras. El desorden es real, lo midas o no. Las respuestas de la IA cambian entre ejecuciones, cada superficie lee la misma cadena de manera diferente y la redacción distorsiona la comparación. Medirlo no crea esa volatilidad. No medirla simplemente deja la volatilidad invisible y permite confundir una sola lectura con un hecho. El verdadero error no es el desorden. Es tratar una sola carrera como si estuviera arreglada, leer un aviso en una tarde como la verdad sobre su visibilidad. Los datos con esta forma son más direccionales que directos, y direccional no es la disculpa; Es la unidad correcta en este momento. Una posición que puedes observar moverse a lo largo del tiempo, una brecha que puedes medir, una tendencia muestreada en muchas ejecuciones en lugar de mirarla de una vez, son legibles y honestas exactamente de la misma manera que no lo es una estimación puntual única que pretende ser precisa. El instrumento tiene que coincidir con el terreno, y el terreno que se desplaza se lee por dirección, no por decimal.
Todo esto se remonta a la única habilidad duradera en la sala. La capa de medición de la búsqueda de IA es lo suficientemente joven como para que los números lleguen pareciendo más precisos de lo que son, y el profesional que comprende lo que el sistema hizo con la entrada es el que puede distinguir una señal real de un artefacto de fraseo. Ninguna herramienta instala ese juicio por usted. Algo puede sacar a la luz la brecha entre clasificación y citación; comprender por qué esa brecha es la señal y no el ruido es suyo.
Al concluir esta semana, tenga en cuenta que SEO no es GEO y GEO no es SEO, y si bien son complementarios, son diferentes. Uno de ellos probablemente lo dominaste hace una década. El otro pide nuevas habilidades, nuevo vocabulario, nuevos datos y una nueva descripción de lo que la máquina hace con su entrada entre el mensaje y la respuesta. La seguridad de que todo lo que necesita es un buen SEO es una dirección destinada a mantenerlo cómodo, que a menudo se escucha de aquellos que tienen algo que perder. Las superficies aún divergen y fusionarlas es lo más costoso que puedes aportar a este trabajo.
Si ha detectado este colapso escondido en algún lugar de su propia pila, o ve la asimetría mordiendo de una manera que no he tenido en cuenta, quiero escucharlo en los comentarios. Y si quieres la versión más larga del argumento de por qué entender la capa de la máquina es mejor que perseguir sus resultados, ese es mi libro: La capa de máquina.
Más recursos:
Esta publicación se publicó originalmente en Duane Forrester Decodes.
Imagen de portada: Master1305/Shutterstock; Paulo Bobita/Diario del motor de búsqueda
