Hemos traducido este artículo del inglés al español. Haz clic aquí para leer el artículo original. Si detectas algún problema en el contenido, no dudes en escribirnos a report-osteam@semrush.com.
Desde que Google lanzó el Modo IA, he tenido dos preguntas en mente:
- ¿Cómo podemos asegurarnos de que nuestro contenido se muestre en los resultados de IA?
- ¿Cómo podemos determinar qué funciona cuando la búsqueda mediante IA sigue siendo en gran medida un misterio?
Si bien hay muchos consejos en línea, gran parte de ellos son, en el mejor de los casos, especulativos. Todos tienen hipótesis sobre la optimización de la IA, pero pocos realizan experimentos reales para ver qué funciona.
Una idea es optimizar para la distribución de consultas . La diversificación de consultas es un proceso en el que los sistemas de IA (en particular, el modo de IA de Google y la búsqueda de ChatGPT) toman la consulta de búsqueda original y la dividen en múltiples subconsultas, para luego recopilar información de diversas fuentes y generar una respuesta integral.
Esta ilustración representa a la perfección el proceso de ramificación de la consulta.
La estrategia de optimización es simple: Identifica las subconsultas relacionadas con un tema en particular y luego asegúrate de que tu página incluya contenido dirigido a esas consultas. Si haces eso, tendrás mayores probabilidades de ser seleccionado en las respuestas de IA (al menos en teoría).
Así que decidí realizar una pequeña prueba para ver si esto realmente funciona. Seleccioné cuatro artículos de nuestro blog, los actualicé con un miembro del equipo para abordar las consultas relevantes de los usuarios y realicé un seguimiento de nuestra visibilidad de IA durante un mes.
¿Los resultados? Bueno, revelan algunas ideas interesantes sobre la optimización de la IA.
Estas son las principales conclusiones de nuestro experimento:
Conclusiones clave
- La optimización de consultas de ramificación aumenta significativamente las citas de IA: En nuestra pequeña muestra de cuatro artículos, duplicamos con creces las citas en las consultas rastreadas, de dos a cinco. Si bien las cifras absolutas son pequeñas dado el tamaño de la muestra, las citas fueron la principal métrica que pretendíamos influir, y el aumento es un indicador direccional del éxito.
- Las citas de IA pueden ser impredecibles: revisé periódicamente durante el mes y, en un momento dado, nuestras citas llegaron a un máximo de nueve antes de volver a bajar a cinco. Ha habido informes de que ChatGPT ha reducido drásticamente las citas de marcas y editores en todos los ámbitos. Esto demuestra lo rápido que pueden cambiar las cosas cuando se depende de plataformas de IA para obtener visibilidad.
- Nuestras menciones de marca disminuyeron en las consultas rastreadas, y también las de todos los demás: En general, notamos que aparecían menos referencias de marca en las respuestas de IA a las consultas que estábamos monitoreando. Esto afectó nuestra cuota de mercado, visibilidad de marca y métricas totales de menciones. Otras marcas también experimentaron caídas similares. Esto parece ser un problema distinto a los cambios en las citas; se trata más bien de cómo las plataformas de IA gestionaron las menciones de marca durante nuestro período de experimento.
Analizaremos en detalle los resultados de este experimento más adelante en este artículo. Primero, permítanme explicarles exactamente cómo llevamos a cabo este experimento, para que puedan comprender nuestra metodología y potencialmente replicar o mejorar nuestro enfoque.
Cómo realizamos el experimento de diversificación de consultas
Así es como configuramos y llevamos a cabo nuestro experimento:
- Seleccioné cuatro artículos de nuestro blog.
- Para cada artículo seleccionado, investigué entre 10 y 20 consultas derivadas.
- Me asocié con Tushar Pol, un redactor de contenido senior de nuestro equipo, para que me ayudara a ejecutar los cambios de contenido para este experimento. Editó el contenido de nuestros artículos para abordar la mayor cantidad posible de consultas derivadas.
- Configuré el seguimiento de las consultas de ramificación para poder medir la visibilidad antes y después de la IA. Para esto utilicé la plataforma Semrush Enterprise AIO . Nuestro principal interés era ver cómo los cambios en nuestro contenido afectaban la visibilidad en el Modo IA de Google, pero nuestras optimizaciones también podrían aumentar la visibilidad en otras plataformas como ChatGPT Search como efecto secundario, así que también realicé un seguimiento del rendimiento allí.
Analicemos con más detalle cada uno de estos pasos.
1. Selección de artículos
Tenía en mente criterios específicos al seleccionar los artículos para este experimento.
En primer lugar, quería artículos que hubieran tenido un rendimiento estable durante los últimos dos meses. El tráfico ha sido volátil últimamente, y realizar pruebas en páginas inestables haría imposible determinar si los cambios en el rendimiento se debieron a nuestras modificaciones o simplemente a fluctuaciones normales.
En segundo lugar, evité los artículos que eran fundamentales para nuestro negocio. Al fin y al cabo, esto era un experimento. Si algo salía mal, no quería afectar negativamente nuestra visibilidad en temas críticos.
Tras revisar nuestra biblioteca de contenidos, encontré cuatro candidatos perfectos:
- Una guía sobre cómo crear un calendario de marketing
- Una explicación sobre qué son los subdominios y cómo funcionan
- Una guía completa sobre el posicionamiento de palabras clave en Google
- Una guía detallada sobre cómo realizar auditorías técnicas de SEO.
2. Investigación de consultas de abanico
A continuación, pasé a investigar las consultas de ramificación para cada artículo.
Actualmente no hay forma de saber qué consultas derivadas (preguntas relacionadas y de seguimiento) utilizará Google cuando alguien interactúe con el Modo IA, ya que estas se generan dinámicamente y pueden variar con cada búsqueda.
Así que tuve que recurrir a consultas sintéticas. Estas son consultas generadas por IA que se aproximan a las que Google podría generar cuando la gente busca en Modo IA.
Decidí utilizar dos herramientas para generar estas consultas.
Primero, usé Screaming Frog. . El script analiza el contenido de la página, identifica la palabra clave principal a la que se dirige y, a continuación, realiza su propia versión de la técnica de diversificación de consultas para sugerir consultas relacionadas.
Lamentablemente, los datos no se visualizan correctamente dentro de Screaming Frog; todo se encuentra comprimido en una sola celda. Así que tuve que copiar y pegar todo el contenido de la celda en una hoja de cálculo de Google aparte.
Ahora sí podía ver los datos.
Lo bueno es que el script también comprueba si nuestro contenido ya responde a estas consultas. Si algunas consultas ya han sido respondidas, podríamos omitirlas. Pero si surgían nuevas consultas, debíamos añadir contenido nuevo para ellas.
A continuación, utilicé Qforia, una herramienta gratuita creada por Mike King y su equipo en iPullRank.
La razón por la que utilicé otra herramienta es simple: diferentes herramientas suelen generar consultas diferentes. Al ampliar el alcance, obtendría una lista más completa de posibles consultas de ramificación.
Además, si ciertas consultas son comunes a ambas herramientas, eso indica que abordarlas puede ser importante.
El funcionamiento de Qforia es sencillo: Introduzca la palabra clave principal del artículo en el campo correspondiente, añada una clave API de Gemini, seleccione el modo de búsqueda (ya sea el modo de IA de Google o la descripción general de la IA) y ejecute el análisis. La herramienta generará consultas relacionadas para usted.
Tras realizar el análisis de cada artículo, guardé los resultados en la misma hoja de cálculo de Google.
3. Actualizando los artículos
Con una hoja de cálculo repleta de consultas derivadas, era hora de actualizar nuestros artículos. Fue entonces cuando intervino Tushar.
Mis instrucciones eran sencillas:
Verifique las consultas de ramificación para cada artículo y aborde aquellas que no se cubrieron previamente y si era factible agregarlas. Si algunas preguntas parecían estar fuera del alcance del artículo, estaba bien omitirlas y seguir adelante.
También le dije a Tushar que incluir las consultas textualmente no siempre era necesario. Siempre y cuando respondiéramos a la pregunta planteada en la consulta, la redacción exacta no importaba tanto. El objetivo era asegurarnos de que nuestro contenido incluyera lo que los lectores realmente buscaban.
A veces, responder a una consulta significaba hacer pequeños ajustes, simplemente añadir una o dos frases al contenido existente. Otras veces, fue necesario crear secciones completamente nuevas.
Por ejemplo, una de las consultas derivadas de nuestro artículo sobre cómo realizar una auditoría SEO técnica fue: "diferencia entre auditoría SEO técnica y auditoría SEO on-page".
Podríamos haber abordado esta pregunta de muchas maneras, pero una opción inteligente fue hacer una comparación justo después de definir qué es una auditoría técnica de SEO.
A veces, no era fácil (o incluso posible) integrar las consultas de forma natural en el contenido existente. En esos casos, los abordamos creando una nueva sección de preguntas frecuentes y cubriendo múltiples consultas derivadas en esa sección.
Aquí tenéis un ejemplo:
En el transcurso de una semana, actualizamos los cuatro artículos de nuestra lista. Estos artículos no pasaron por nuestro proceso de revisión editorial estándar. Nos movimos rápido. Pero eso fue intencional, dado que se trataba de un experimento y no de una actualización de contenido regular.
4. Configuración del seguimiento
Antes de publicar las actualizaciones, registré el rendimiento actual de cada artículo para establecer una base de comparación. De esta forma, podríamos saber si la optimización de la distribución de consultas realmente mejoró nuestra visibilidad de IA.
Utilicé nuestra plataforma Enterprise AIO para realizar un seguimiento de los resultados. Creé un nuevo proyecto en la herramienta e introduje todas las consultas que estábamos utilizando. A continuación, la herramienta comenzó a medir nuestra visibilidad actual en Google AI Mode y ChatGPT.
Así era el rendimiento al inicio de este experimento:
- Citas: Esto mide cuántas veces se citaron nuestras páginas en respuestas de IA. Inicialmente, solo dos de nuestros cuatro artículos estaban siendo citados al menos una vez.
- Menciones totales: Esta métrica muestra la proporción de consultas en las que nuestra marca fue mencionada directamente en la respuesta de la IA. Esa proporción fue de 18/33, lo que significa que de 33 consultas rastreadas, se nos mencionaba en 18 consultas.
- Participación en la voz: Esta es una métrica ponderada que considera tanto la posición de la marca como la frecuencia de mención en las consultas de IA rastreadas. Nuestra puntuación fue del 23,4%, lo que indica que estuvimos presentes en algunas respuestas pero no en todas ni en las posiciones principales.
- Visibilidad de marca: Esto nos indica qué porcentaje de respuestas rápidas mencionaron nuestra marca al menos una vez, independientemente de la posición.
Decidí esperar un mes antes de volver a registrar métricas. Llegó entonces el momento de concluir nuestro experimento.
Resultados: Lo que aprendimos sobre la optimización de la distribución de consultas
Los resultados, sinceramente, fueron muy variados.
Para empezar, una buena noticia: nuestro número total de citas aumentó.
Nuestros cuatro artículos pasaron de ser citados dos veces a cinco veces, lo que supone un aumento del 150%. Por ejemplo, una de las modificaciones que hicimos al artículo de SEO técnico (que mostramos anteriormente) se utilizó como fuente en la respuesta de la IA.
Ver nuestro contenido citado es exactamente lo que esperábamos, así que esto es un triunfo. (A pesar del pequeño tamaño de la muestra).
Curiosamente, nuestros resultados finales podrían haber sido más impresionantes si hubiéramos terminado nuestro experimento antes. En un momento dado, llegamos a nueve citas, pero luego disminuyeron cuando ChatGPT redujo significativamente las citas para todas las marcas.
Esto demuestra lo impredecibles que pueden ser las plataformas de IA y cómo factores completamente ajenos a tu control podrían afectar tu visibilidad.
¿Pero qué hay de las demás métricas que monitorizamos?
Nuestra cuota de voz bajó del 23,4% al 20,0%, la visibilidad de la marca cayó del 13,6% al 10,6% y las menciones de nuestra marca disminuyeron de 18 a 10.
Según nuestros datos, no somos los únicos que hemos observado descensos en las métricas de marca. Aquí tenéis un gráfico que muestra cómo disminuyó la cuota de mercado de muchas marcas al mismo tiempo.
Esto sucedió porque las plataformas de IA mencionaron menos marcas en general al generar respuestas a nuestras consultas rastreadas. Este era un problema completamente diferente a las fluctuaciones de citas que mencioné anteriormente.
Considerando los factores externos, creo que nuestros esfuerzos de optimización funcionaron mejor de lo que muestran los datos. Logramos aumentar nuestras citas a pesar de los factores que jugaban en nuestra contra.
Ahora bien, la pregunta es:
¿Funciona la optimización de la distribución de consultas?
Basándome en lo que aprendimos en nuestro experimento, diría que sí, pero con una gran salvedad.
La optimización de la función de ramificación de consultas puede ayudarte a obtener más citas, lo cual es valioso. Pero es difícil impulsar un crecimiento predecible cuando las cosas son tan volátiles. Ten esto en cuenta cuando estés optimizando para IA.
Si te interesa aprender más sobre SEO con IA, mantente atento al nuevo contenido que publicamos regularmente en nuestro blog. Aquí tienes algunos artículos que deberías leer a continuación: