Herramientas de IA para el SEO: mi conjunto y los tests que lo han moldeado

Mi conjunto de herramientas de IA para el SEO son modelos de lenguaje, datos de pago de los resultados de Google, un programa para rastrear webs y scripts propios. El modelo ordena bien los datos, los describe y escribe código. El resultado de una sola descarga de resultados o de una sola respuesta del modelo puede ser, sin embargo, fruto del azar. Por eso te enseño los tests que cambiaron mi manera de usar estas herramientas. No hago un ranking del 1 al 10, porque no he comparado estas herramientas entre sí con los mismos datos.

¿Qué hace bien la IA en el SEO y qué no?

Un modelo de lenguaje lee, ordena y escribe bien, pero calcula mal de memoria y no ve los datos que no le das. El 26 y el 27 de septiembre de 2026 probé modelos de lenguaje con 17 tipos de tareas SEO, cada una en nivel fácil y difícil. Una parte de los tipos los construí a partir de 103 ofertas de empleo para especialistas SEO. Las ofertas mencionaban sobre todo la auditoría técnica, los informes y el análisis de datos. De las herramientas, mencionaban con más frecuencia Search Console, Google Analytics 4 (GA4), Ahrefs, Semrush y Screaming Frog.

Los modelos más potentes sacaron casi el 100% en casi todos los tipos de tareas, así que las diferencias solo las mostraron los modelos más débiles. En cabeza estaban, entre otros, Claude Opus 5.5, Fable 5.1, Codex y Gemini 3.1 Pro. En el cálculo a partir de un archivo en el nivel difícil, Claude Haiku 4.5 sacó 2 puntos de 10. Gemini 3.8 Flash con un nivel bajo de razonamiento sacó 1 de 10, y la Gemma 4 12B local, 0 de 10. En las tareas en las que el modelo podía calcular los datos con un script en Python, todos los modelos en la nube probados sacaron la puntuación máxima. También los más débiles. Los datos de esas tareas son exportaciones de Screaming Frog, 45 000 eventos de GA4 y un log de servidor de 160 000 líneas. Por eso las cifras de mi trabajo las calcula un script que el modelo escribe y ejecuta.

Dos modelos evaluaron a ciegas un texto en polaco, y aquí las diferencias fueron grandes. Los evaluadores no sabían qué modelo había escrito el texto. La escala tenía 5 grados, y el 5 significaba un texto listo para enviar a un cliente sin correcciones. Solo Claude Opus 5.5 y Claude Sonnet 5 sacaron un 5 en la tarea de redacción difícil. Gemini 3.1 Pro sacó un 2, porque inventó una «conversación de ayer» con el destinatario. El evaluador Claude Opus fue más severo que el evaluador Gemini, tanto con las respuestas de Claude como con las de los demás modelos.

El mismo modelo puede dar un resultado distinto en la siguiente ejecución del mismo test. Claude Haiku 4.5 sacó en dos pasadas 62 y 39 puntos de 102. En el texto sobre la auditoría SEO describí por qué un modelo de IA no hace por sí solo una auditoría completa de una web.

Mi conjunto: ¿para qué uso cada herramienta?

Divido las herramientas en seis usos de mi trabajo, y no según el fabricante. Un mismo modelo aparece en varios usos, porque lo utilizo de un modo para leer datos y de otro para controlar. En cada uso doy el test tras el cual cambié mi manera de trabajar.

¿Qué modelos de lenguaje uso y para qué?

El trabajo principal lo hago en Claude Code, es decir, en Claude funcionando en la terminal con acceso a archivos, scripts y datos. Claude escribe y ejecuta scripts, lee exportaciones y prepara borradores de informes. Codex (OpenAI) y Gemini (Google) reciben los mismos materiales para un segundo control.

Los textos y los informes los reviso con un segundo modelo de otro fabricante, en dos rondas. La primera ronda busca errores de datos y huecos. La segunda comprueba solo las correcciones, porque al corregir aparecen errores nuevos. En octubre de 2026, en un proyecto, la segunda ronda encontró en una guía una cifra errónea del total de enlaces con el que se calculaba un porcentaje: 79 en lugar de 76. Ese error apareció solo al hacer las correcciones. Mi script de control no lo encontró.

Un modelo que hace de juez de calidad puede medir algo distinto de lo que mide una persona, así que lo pruebo con textos que ya he evaluado. El 7 de octubre de 2026 di a evaluar a dos modelos 87 descripciones de patentes de Google. Entre ellas había 8 descripciones que yo mismo había dado antes por listas, y los jueces no lo sabían. Fable, un modelo de la empresa Anthropic, dio por listas 5 de esas 8. Codex con un nivel alto de razonamiento dio por lista 1 de 8.

Estos dos resultados hablan solo de los textos que yo había dado por listos. Las otras 79 descripciones no las evalué, así que no sé cuántos de los rechazos fueron acertados. Codex rechazó en total 51 de las 87 descripciones, porque comparaba cada frase de la descripción con las reivindicaciones, es decir, con el alcance jurídico de la patente. La concordancia entre los jueces era cercana a la del azar. La kappa de Cohen fue de 0,06, donde 0 significa concordancia por azar y 1, concordancia total.

Los modelos locales, en mi propio ordenador con tarjeta gráfica, los uso para etiquetas masivas, porque no pago por cada unidad. El 1 de octubre de 2026 probé modelos locales con cuatro tareas sencillas. Los datos eran páginas de tres tiendas online polacas. Gemma 4 31B reconoció el tipo de página en el 98,5% de 403 páginas. Los tipos de página son producto, lista de productos, artículo u otra. Un script con reglas acertaba en el 84% de esas páginas.

Gemma leyó casi sin errores los precios y valoró la coincidencia de las cifras, pero una parte de los patrones de referencia de este test procedía de un modelo, y no de una persona. El patrón del tipo de página eran las etiquetas de un script corregidas por el modelo Claude Opus. Gemma leyó correctamente el precio de las 177 fichas de producto. El patrón era el precio de los datos estructurados, coincidente con el texto de la página. En el 99,3% de 134 casos, Gemma valoró correctamente si la cifra de una frase coincidía con los datos. La mitad de esas frases tenía una cifra cambiada a propósito. Gemma reconoció también el tipo de demanda de una palabra clave (oferta, fuera de la oferta o consejo) en el 97,7% de 218 palabras clave. El patrón eran aquí las etiquetas del modelo Claude Opus.

La misma familia de modelos falló al comparar cifras entre dos archivos en una oferta real. El 12 de octubre de 2026, dos versiones de Gemma 4, la 26B y la 31B, compararon 63 filas y señalaron solo contradicciones falsas. Consideraron, por ejemplo, que «-34%» y «un tercio» eran valores contradictorios. El único problema real de ese texto no era de cifras, sino una palabra exagerada junto a un resultado de la tabla. No era, por tanto, una tarea de Gemma. Ahora un script comprueba que cada cifra de un archivo aparece en el otro. Es un control de la presencia de las cifras, y su significado lo revisa una persona o un segundo modelo.

¿Qué herramientas uso para los datos de posiciones y demanda?

Los datos de los resultados de Google los saco de DataForSEO, Search Console y Ahrefs, y cada una de estas fuentes tiene una trampa distinta. DataForSEO vende descargas de resultados de Google y datos de demanda con pago por cada consulta. Del 17 de septiembre al 14 de octubre de 2026 encargué allí 17 076 tareas por 99,89 USD. Entre ellas había 13 085 descargas de resultados de Google.

Una sola descarga de resultados no basta para medir la posición, porque las descargas sucesivas de la misma palabra clave son distintas. El 7 de octubre de 2026 descargué los resultados de 94 palabras clave tres veces con una hora de diferencia y dos veces en el mismo minuto, por 1,57 USD. Después comparé los dominios del top 10 en dos descargas de la misma palabra clave. Los dominios comunes eran, en la mediana, aproximadamente el 15% de todos los dominios distintos de las dos descargas. En las descargas del mismo minuto era aproximadamente el 8%. Una palabra clave tenía en la mediana 4 variantes de resultados. Por eso, en lugar de la posición calculo el porcentaje de descargas en las que el dominio está en el top 10. Las descargas son unas 10 y las envío a la vez.

Esa medición invalidó un test mío anterior en el que comparé la posición de una sola descarga con las citas de cinco descargas. El resultado «aprobado» del test resultó ser falso, así que suspendí el test. AI Overview, es decir, la respuesta de la IA sobre los resultados de Google, fue estable en esta medición: aparecía en el 97-99% de las descargas, y la lista de páginas citadas no cambiaba.

Search Console muestra los clics medidos por el propio Google, pero la exportación del panel recorta la tabla a 1000 filas. Mil consultas ordenadas por clics son la parte más clicable de los datos. El 20 de septiembre de 2026, en una web, la exportación del panel mostró un CTR del 4,28% para las posiciones 1-3 en EE. UU. El CTR es el porcentaje de impresiones que acaban en clic. Los datos de 16 meses descargados sin el límite de 1000 filas, es decir, 123 498 consultas, dieron el 1,40%. Esos datos los descargo mediante la API de Search Console, es decir, la interfaz para programas. La otra vía es el informe de Looker Studio, la herramienta gratuita de Google para informes, con el conector de Search Console.

Ahrefs lo uso para enlaces, palabras clave y competencia, pero sus estimaciones de tráfico las compruebo en Search Console. La columna de tráfico de Rank Tracker de Ahrefs es una estimación: la demanda estimada multiplicada por un porcentaje de clics supuesto. En una web, esa estimación era entre 10 y 50 veces superior a los clics de Search Console, y en otra, unas 3 veces inferior. Rank Tracker cuenta además como posiciones los bloques de la página de resultados. En un caso, una caída del puesto 1 al 13 solo significaba que sobre los resultados había aparecido AI Overview.

¿Qué herramientas uso para la auditoría técnica?

Para la auditoría uso Screaming Frog y el navegador Chrome sin ventana, y el modelo de IA lee los resultados pero no sustituye el rastreo de la web. Screaming Frog recorre la web como lo haría un robot del buscador. Chrome sin ventana muestra la página después de ejecutar JavaScript, así que comparo las dos versiones de la página. En una auditoría, los rastreos con JavaScript y sin él lanzados en paralelo dieron una señal falsa sobre el renderizado. Desde entonces los lanzo uno tras otro.

Cuando el cortafuegos de la web auditada bloquea mi programa de rastreo, descargo direcciones sueltas con el servicio Apify Web Fetch. En el test del 12 de octubre de 2026, el servicio leyó 8 de las 8 páginas que yo no podía descargar desde mi dirección IP. Dos de ellas eran webs de clientes y seis, webs públicas de opiniones, comparadores y tiendas online. Costó 0,00155 USD por dirección. A veces, sin embargo, el servicio comunicaba una descarga correcta con código 200, aunque solo había descargado la página de verificación. Por eso un texto muy corto o un texto de verificación lo considero un bloqueo y repito la descarga.

Ese servicio no muestra lo que ve un robot auténtico de Google o de IA. Se conecta desde otra dirección IP, e incluso cuando indico el nombre del robot, el resto de las cabeceras delata un Chrome normal. Por eso los bloqueos de los robots los compruebo en Search Console y con mi propio script, que compara las respuestas del servidor para distintos robots. En el texto sobre el archivo llms.txt describí cómo compruebo mediante la dirección IP si la petición la envió un robot auténtico.

El asistente de auditorías técnicas lo construí sobre las auditorías de mi agencia de 2020-2026 y lo mido con auditorías que antes hizo una persona. El asistente es un agente de IA que reúne datos de la web y los comprueba con un catálogo de reglas escritas a partir de esas auditorías. El alcance de la auditoría y las prioridades los apruebo yo, al principio del trabajo y antes de enviar la auditoría. El resultado de la medición lo añadiré aquí tras la segunda medición en una web nueva.

¿Qué herramientas uso para el contenido y la semántica?

Asigno cada palabra clave a una página con una búsqueda híbrida, porque la versión anterior de mi herramienta acertaba solo en un tercio de las palabras clave. El 14 de octubre de 2026 tomé palabras clave de Search Console de dos webs, sin las que llevan el nombre de la marca. Para cada palabra clave, el patrón era la página que había recibido al menos el 60% de los clics de esa palabra clave y estaba entre las páginas rastreadas de la web. La versión anterior de la herramienta usaba el modelo MiniLM para los embeddings, es decir, la conversión de un texto en un vector de números. Señaló la página patrón en primer lugar en el 34% de las palabras clave.

La búsqueda híbrida combina tres listas de páginas y acertaba con la página patrón en el 80,5% y el 77,1% de las palabras clave. La primera lista procede del modelo e5-large. La segunda es la búsqueda por palabras en el contenido, y la tercera, por palabras en el título, el encabezado H1 y la dirección. Combino las listas con el método RRF, que premia a las páginas que están arriba en varias listas a la vez. El mejor modelo de embeddings por sí solo fue distinto en cada web, y la combinación ganó en ambas.

En este test encontré un error en mi propia herramienta: el modelo no veía el final de la mayoría de los fragmentos de texto. El script dividía el texto en fragmentos de 80 palabras, y el modelo admite 128 tokens, es decir, trozos de palabras. Las palabras polacas se dividen en más tokens que las inglesas, así que entre el 89% y el 98% de los fragmentos se cortaban. El resultado del 34% se refiere, por tanto, a la versión anterior de la herramienta junto con ese error, y no al modelo MiniLM en sí. El test mide la coincidencia con los clics de Google, y no qué página responde mejor a la consulta.

Las entidades, es decir, los nombres de empresas, productos, personas y conceptos, las extraigo de los textos con el modelo local GLiNER2. En mi test de julio de 2026, el modelo tuvo en textos polacos una F1 de 0,94, igual que en los ingleses. La F1 combina precisión y exhaustividad, y 1 significa un resultado perfecto. Ese resultado se refiere a etiquetas que no se solapan. Cuando en una misma consulta había a la vez las etiquetas «empresa» y «marca», la F1 bajaba a 0,85. El modelo funciona en un procesador normal, unos 20 párrafos por segundo, sin pagar por página.

No uso GLiNER2 para reconocer la intención de las palabras clave, porque en mi test acertaba solo en el 33-42% de los casos. A menudo se equivocaba con una confianza de 0,99, es decir, casi la mayor que él mismo indica.

El mapa de temas de esta serie de textos lo hice a partir de entidades de 71 páginas de la competencia de Polonia y EE. UU. El script extrajo 110 entidades y 1764 tripletas, es decir, registros con la forma entidad, atributo y valor. Los datos costaron 0,072 USD. El mapa mostró los papeles de los textos, los pares de textos que conviene unir con enlaces y los temas que faltan en esta web.

¿Qué herramientas uso para el link building?

Para el análisis de enlaces uso Ahrefs, pero los enlaces marcados como perdidos los compruebo en vivo antes de que lleguen a las conclusiones. En octubre de 2026, en un proyecto, Ahrefs mostraba 360 dominios polacos como perdidos. 140 de ellos seguían enlazando con la misma dirección. Unas 70 direcciones respondían con un error 403 a la descarga con un programa normal, así que las comprobé en un navegador controlado por un script (Playwright).

Codirijo Linko, una plataforma de enlaces, así que no la describo aquí como la herramienta de otra empresa. En el texto sobre el link building describí cómo valoro los portales antes de comprar una publicación. En el texto sobre el link building en la era de la IA describí cómo ayuda la IA a preparar las publicaciones y el contacto con los editores.

¿Qué herramientas uso para medir la visibilidad en la IA?

Las herramientas para medir la visibilidad de una marca en la IA las describí en un texto aparte, así que aquí doy solo el principio. La mención de la marca en la respuesta y la cita de su página las cuento por separado. Cada pregunta la hago varias veces, porque las respuestas de los asistentes cambian. En el texto sobre la visibilidad de marca en la IA describí la medición, el número de repeticiones y las trampas de las herramientas. En el texto sobre GEO y AI SEO describí qué hago en la web para que los asistentes de IA puedan citarla.

¿Qué herramientas SEO hemos construido nosotros?

Cuando ninguna herramienta responde a mi pregunta, escribo con ayuda de la IA un script propio. La mayoría de esos scripts son de uso interno: rastreo, descarga de datos, entidades, control de textos y de cifras. Antes de empezar a usar un script en el trabajo, lo pruebo con datos de los que conozco la respuesta correcta.

En VerticalSEO estamos preparando 16 herramientas SEO que estarán disponibles en la web y mediante API, también para agentes de IA. Las herramientas aún no están publicadas. Los tests del 8 de octubre de 2026 comprobaron si las herramientas funcionan según la especificación. Pasaron los 610 de 610 tests de la API y los 325 de 325 tests de las herramientas para agentes en el navegador. Estas herramientas funcionan con el estándar WebMCP, que pone las funciones de una web a disposición de los agentes de IA. Los tests todavía no miden si las herramientas dan conclusiones SEO acertadas.

El test de la herramienta de comprobación de entidades mostró que el nombre por sí solo no basta para señalar una entidad. Yo buscaba la plataforma comercial polaca Allegro, pero la herramienta elegía del Knowledge Graph de Google, es decir, de su base de entidades, una obra de Vivaldi. Con mi nombre y apellido elegía a un actor. Ahora la herramienta confirma la entidad solo cuando Google da para ella la página que se comprueba. La confirmación es también un identificador señalado por Wikidata o por los datos estructurados de la página.

LemmeGSC, mi panel para los datos de Search Console, lo estoy preparando para publicarlo como software abierto. El panel descarga los datos de Search Console sin el límite de 1000 filas. Muestra, entre otras cosas, la canibalización de palabras clave, es decir, varias páginas de una misma web para la misma palabra clave.

¿Qué herramientas SEO gratuitas bastan para empezar?

Para empezar bastan Search Console, Looker Studio, la versión gratuita de un asistente de IA y la versión gratuita de Screaming Frog. Cada una de estas herramientas tiene un papel distinto:

• Search Console muestra los clics, las impresiones y las consultas de Google;
• Looker Studio con el conector de Search Console descarga esos datos sin el límite de 1000 filas;
• la versión gratuita del asistente de IA agrupa palabras clave y escribe borradores y scripts, si le das los datos;
• la versión gratuita de Screaming Frog rastrea hasta 500 direcciones, lo que basta para una web pequeña.

Las herramientas de pago para palabras clave y enlaces conviene añadirlas solo cuando sabes a qué pregunta deben responder. El asistente de IA gratuito no conoce tus datos de Search Console. Aporta más cuando recibe de ti una exportación y la petición de un script que calcule el resultado.

¿Cómo pruebo una herramienta de IA antes de fiarme de ella?

Pruebo la herramienta con datos de los que conozco la respuesta correcta. No todos los tests de este texto tuvieron todos los elementos de la lista siguiente. En el test de los modelos locales, el patrón del tipo de página lo corrigió un modelo, y no una persona. Hoy un test tiene estos elementos:

• un conjunto de referencia con decisiones de una persona o con datos de Google, por ejemplo la página con la mayoría de los clics de una palabra clave;
• el resultado esperado, anotado antes de ejecutar el test;
• la repetición de la misma pasada, porque una pasada de un modelo o una descarga de resultados puede ser fruto del azar;
• casos con un error introducido a propósito, para comprobar si el control lo detecta;
• el coste y el tiempo por unidad;
• cifras comprobadas con un script, y no con un modelo.

Los datos para los tests me costaron poco, y lo que más trabajo exige es el conjunto de referencia. El test de las descargas de resultados costó 1,57 USD, y los datos del mapa de temas de la serie, 0,072 USD. El conjunto de referencia exige una evaluación previa de una persona. Los costes indicados no incluyen ese trabajo.

El resultado de un test lo anoto junto con lo que el test no comprobó. En la asignación de palabras clave a páginas conozco la coincidencia con los clics de Google, pero no sé si la página señalada es la que mejor responde a la consulta. En los modelos locales comprobé cuatro tareas sencillas, y no tareas completas. Sin ese apunte, el resultado de un test se toma fácilmente por más amplio de lo que es.

Preguntas frecuentes sobre las herramientas de IA para el SEO

¿Por dónde empezar?

Empieza por una tarea que haces cada semana y por los datos que ya tienes en Search Console. Dale al modelo los datos completos y pídele un script que calcule lo que hoy calculas a mano. Compara el resultado con unos cuantos casos que compruebes tú mismo. Solo cuando los resultados coincidan, ejecuta el script con todos los datos. En el texto sobre la estrategia SEO describí qué datos de Search Console reviso al principio del trabajo.