La regla que separa el valor del relleno
Todo programa de contenido con IA que fracasa lo hace de la misma manera: se le pide al modelo que aporte el fondo, no solo la forma. Los modelos de lenguaje son excelentes transformando información que se les proporciona (agrupándola, reestructurándola, resumiéndola, contrastándola con reglas) y poco fiables aportando información desde sus propios parámetros, donde interpolan detalles que suenan plausibles pero que sencillamente son falsos. Por eso la regla que gobierna este módulo cabe en una frase: el modelo nunca aporta los hechos sobre los que escribe. Los hechos vienen de tus datos: exportaciones de Search Console, resultados de rastreo, documentación de producto, llamadas con clientes, tus propias mediciones. El modelo transforma; las personas verifican; una persona con nombre y apellidos es responsable de la decisión de publicar.
Esto importa el doble para AEO. Las páginas que estás produciendo están pensadas para que los motores de IA las citen como fuentes de verdad. Una afirmación inventada por la IA que acaba citada no solo te deja en evidencia en una página: se repite ante cada usuario que pregunta, con tu marca asociada como fuente.
Cuatro fases, cuatro puntos de verificación
El módulo organiza el flujo de trabajo en cuatro fases. En cada una, la IA tiene un papel legítimo como acelerador, y cada una termina en un punto de verificación humano con una pregunta concreta que la persona debe responder a partir de la evidencia, no de intuiciones.
| Fase | La IA hace | El punto de verificación humano |
|---|---|---|
| Investigación | Agrupa consultas y prompts, resume la cobertura de la competencia, extrae preguntas de notas de llamadas y tickets. | ¿Coinciden estos grupos con la intención real del comprador y el hueco es real en nuestros datos de medición? |
| Elaboración del brief | Redacta esquemas que responden primero a partir de la fila del mapa: prompts objetivo, entidades, enlaces internos necesarios. | ¿Están completas la lista de afirmaciones y los requisitos de prueba, y cada afirmación tiene fuente antes de empezar a redactar? |
| Redacción y revisión técnica | Redacta siguiendo el brief; resume el resultado del rastreo; señala problemas de extractabilidad e incumplimientos de las reglas de coincidencia. | ¿Cada frase con carga fáctica se remonta a la lista de afirmaciones? ¿El diagnóstico coincide con los logs y los datos de rastreo reales? |
| Actualización | Compara las páginas en vivo con los datos actuales y detecta la desviación: cifras obsoletas, enlaces rotos, afirmaciones superadas. | ¿Esta página debe actualizarse, fusionarse con su página canónica de referencia o eliminarse? |
Las fases reflejan a propósito los módulos anteriores: los briefs salen del mapa de palabras clave a prompts, los borradores se evalúan con la prueba de extractabilidad y la revisión técnica vuelve a ejecutar las comprobaciones de acceso del rastreador y de esquema. Asistido por IA no significa un flujo de trabajo distinto; significa el mismo flujo de trabajo con las partes mecánicas aceleradas.
El registro de afirmaciones
La técnica que sostiene todo el material de pago, adelantada aquí porque cambia el comportamiento de inmediato: antes de redactar, el brief incluye un registro de afirmaciones, una lista numerada de cada afirmación fáctica que hará la página, cada una con su fuente. “Admite 16 agentes de usuario de IA (fuente: documentación de producto, comprobado hoy).” “Suben las impresiones, la posición se mantiene, bajan los clics (fuente: exportación de GSC, últimos 28 días).” Quien redacta, persona o modelo, solo puede afirmar afirmaciones numeradas. Así, el control de calidad deja de ser una caza abierta de alucinaciones, en la que las personas son malas, y se convierte en una lista de verificación: ¿cada frase con carga fáctica lleva un número del registro y la frase sigue diciendo lo que dice la fuente? Las frases sin fuente se eliminan o se reescriben como opinión claramente etiquetada. La disciplina resulta burocrática en el primer brief e imprescindible en el tercero, porque convierte “¿el modelo se ha inventado algo?” de imposible de responder en algo mecánico.
Dónde falla de verdad la IA
Conocer la superficie de fallo forma parte de la competencia que certifica este módulo:
- Datos específicos: números, fechas, nombres, precios, listas de características. Máxima confianza, máxima tasa de error. Territorio exclusivo del registro.
- Diferenciación: los modelos producen, por construcción, la visión de consenso sobre un tema. Tu posicionamiento, tu enfoque a contracorriente y tu experiencia son exactamente lo que no pueden aportar, y son lo que hace que el contenido sea citable en lugar de redundante.
- Autoevaluación: un modelo que revisa su propio borrador detecta problemas de estilo y pasa por alto sus propias invenciones. La verificación debe hacerse contra las fuentes, no contra la opinión que el modelo tiene de sí mismo.
- Obsolescencia silenciosa: los datos de entrenamiento envejecen; el modelo enunciará hechos caducados con confianza recién estrenada. Todo lo sensible al tiempo viene de una fuente en vivo o no aparece.
Ejemplo práctico
Search Console muestra una página con impresiones al alza, posición estable y clics a la baja, una firma clásica de desplazamiento de la respuesta. El flujo de trabajo: exporta los datos de consultas; pide al modelo que agrupe las consultas y compare la página con las preguntas principales (transformación, segura); construye un brief con un registro de afirmaciones para las respuestas que faltan, con fuente de la documentación de producto para cada una (punto de verificación humano); redacta siguiendo el brief; controla la calidad contra el registro; publica; y registra los prompts afectados para volver a comprobarlos en el bucle de medición del siguiente módulo. Atención humana empleada: unas pocas horas de concentración, centradas en los dos puntos donde el criterio importa de verdad. Es el mismo bucle gobernado que la generación de contenido con AEO pone en marcha dentro del producto: entra el hueco, sale un brief respaldado por evidencia, aprobación humana antes de que se publique nada.
Qué se desbloquea tras la compra
El módulo de pago incluye los packs de prompts para cada fase (investigación, elaboración del brief, control de calidad, actualización, escritos para recibir tus datos en lugar de inventarlos), la rúbrica de control de calidad con la lista de verificación del registro de afirmaciones, la plantilla de brief que responde primero y el SOP de actualización con el árbol de decisión de actualizar, fusionar o eliminar.
Ejercicio
Elige un hueco de página de tu mapa de palabras clave a prompts. Construye el brief: pregunta principal, respuesta directa, registro de afirmaciones con una fuente por afirmación, enlaces internos necesarios y los prompts que volverás a comprobar tras publicar. Después redacta una sección con cualquier modelo y contrólala contra el registro. Cuenta cuántas frases fallaron. Ese número es la razón por la que existen los puntos de verificación.
Anterior y siguiente
Anterior: Esquema, JSON-LD y datos estructurados. Siguiente: Medición de la visibilidad en IA y Share of Model.