Entity Salience frente a densidad de palabras clave: por qué pesan más los sustantivos

El cambio semántico: Google ya no lee palabras, lee conceptos

Durante años, el manual del SEO se apoyó en una premisa equivocada: la densidad de palabras clave. Los profesionales contaban con minuciosidad las veces que una frase objetivo («mejor software CRM») aparecía en una página, convencidos de que la repetición era la clave de la relevancia.

Era el paradigma de la era del string matching.

Hoy ese enfoque no solo es ineficaz, sino perjudicial. Los algoritmos de Google, impulsados por BERT, MUM y la búsqueda vectorial avanzada, han dejado muy atrás la simple coincidencia de cadenas de texto. La nueva realidad es que el buscador es un sofisticado motor de razonamiento que procesa su contenido no como palabras, sino como conceptos y entidades.

La métrica decisiva que debe optimizar ya no es la densidad de palabras clave, sino la Entity Salience.

La Entity Salience (la relevancia de una entidad dentro del texto) mide hasta qué punto una entidad concreta (una persona, un lugar, una organización o un concepto abstracto) es central para el significado global de un documento, según lo determina un gran modelo de lenguaje (LLM).

Si su empresa se toma en serio aparecer en las AI Overviews (SGE) y competir en nichos B2B complejos, debe pasar de limitarse a usar las palabras adecuadas a establecer la autoridad conceptual adecuada.

Esta guía completa explica el cambio fundamental de ingeniería dentro de Google, muestra cómo usar Python (se abre en una pestaña nueva) y herramientas⁠EN (en inglés) basadas en API para auditar los grafos de entidades de sus competidores y ofrece una estrategia práctica para maximizar la relevancia de su contenido.

Generada con IA imagen

Parte 1: el paso a la búsqueda basada en vectores

Para entender la Entity Salience, primero hay que entender la tecnología que sostiene los buscadores modernos: los vector embeddings.

El modelo antiguo: TF-IDF y coincidencia de cadenas

En el modelo SEO tradicional, la relevancia se calculaba con algoritmos como TF-IDF (Term Frequency-Inverse Document Frequency). Este modelo matemático determinaba la importancia de un documento según la frecuencia con la que aparecía en él un término (Term Frequency) en relación con lo poco frecuente que era ese término en toda la web (Inverse Document Frequency).

El problema: TF-IDF no entiende los matices. Un documento sobre «recetas de tarta de manzana» y otro sobre «la evolución bursátil de Apple Inc.» puntuarían de forma parecida para la palabra clave «Apple», aunque semánticamente estén a mundos de distancia.

El modelo nuevo: embeddings y espacio vectorial

Los modelos de IA generativa que sostienen la búsqueda moderna han resuelto este problema creando un espacio vectorial.

1. Tokenización y embedding: el LLM toma una palabra, una frase o un concepto y lo convierte en una matriz de números de muchas dimensiones: un vector.
2. Proximidad semántica: ese vector se sitúa en un espacio matemático gigantesco. Los conceptos similares quedan cerca unos de otros.
   • El vector de «director financiero» estará cerca del de «finanzas corporativas» y del de «unit economics de SaaS».
   • El vector de «bota de montaña» estará cerca del de «Gore-Tex» y del de «inicio de ruta».
3. La consulta: cuando un usuario escribe una consulta, Google convierte la intención de esa consulta en un vector.
4. La recuperación: el motor ya no busca palabras clave coincidentes, sino documentos cuyos vectores estén matemáticamente más cerca del vector de la consulta.

La clave del GEO: si el vector de su contenido queda más cerca del clúster experto de conceptos, usted gana. La Entity Salience es el método con el que acerca el vector de su contenido al núcleo del concepto experto.

Parte 2: la diferencia entre palabras clave y entidades

Es la confusión estratégica más fundamental del SEO actual.

Los sustantivos pesan más: toda entidad es un sustantivo. Si usa los sustantivos adecuados y los trata con la profundidad de un experto, transmite una Entity Salience alta. Si solo escribe adjetivos y verbos de relleno, el modelo no puede asignar su contenido al grafo de conocimiento.

La definición de «autoridad temática»

La autoridad temática es, sencillamente, una Entity Salience alta en todo un clúster de entidades relacionadas. Se logra autoridad temática en «cloud computing» con una salience alta para entidades como «AWS», «serverless», «contenedorización», «Kubernetes» y «latencia».

Parte 3: extracción técnica de entidades, o cómo auditar a la competencia

Usamos sobre todo dos enfoques para extraer entidades:

• La Google Natural Language API (recomendada): es el estándar de oro porque usa la misma tecnología de base que la Búsqueda de Google. Ofrece, en concreto, una puntuación de Entity Salience (un valor numérico) para cada sustantivo que detecta.
• Bibliotecas NLP de código abierto (SpaCy/NLTK): excelentes para la extracción básica de entidades (Named Entity Recognition, NER), pero no aportan los ID del grafo de conocimiento ni la sofisticada puntuación de salience de la API de Google.

Tutorial en Python: extraer entidades mediante API

Mostraremos la lógica central con un pseudocódigo basado en la Google Cloud Natural Language API (se abre en una pestaña nueva) (una herramienta básica para trabajar en serio el GEO).

El objetivo es analizar un artículo competidor que posiciona bien y generar una lista priorizada de las entidades que debemos cubrir.

# Script conceptual en Python para la extracción de entidades

import requests
import json
from time import sleep # Se usa para llamadas a la API robustas
# -- Configuración (sustituya por sus claves y endpoints reales) --
API_KEY = "YOUR_GOOGLE_CLOUD_API_KEY"
ENDPOINT = "https://language.googleapis.com/v1/documents:analyzeEntities"

def analyze_document(text_content):
    """
    Envía texto a la API de Google NLP para obtener entidades y puntuaciones de salience.
    """
    document = {
        'content': text_content,
        'type': 'PLAIN_TEXT',
        'language': 'en'
    }
    encoding_type = 'UTF8'

    payload = {
        'document': document,
        'encodingType': encoding_type
    }

    headers = {
        'Content-Type': 'application/json'
    }

    # Llamada a la API con backoff exponencial para dar estabilidad en producción (no se detalla)
    try:
        response = requests.post(
            f"{ENDPOINT}?key={API_KEY}",
            headers=headers,
            data=json.dumps(payload)
        )
        response.raise_for_status() # Lanza una excepción ante códigos de estado erróneos
        return response.json().get('entities', [])
    except requests.RequestException as e:
        print(f"API Request Failed: {e}")
        return []

def extract_and_prioritize_entities(article_text):
    """
    Analiza el texto y devuelve una lista de las entidades principales según su puntuación de salience.
    """
    entities = analyze_document(article_text)

    # Filtrar por tipos de sustantivo (p. ej., PERSON, ORG, LOCATION, OTHER, EVENT, etc.)
    relevant_entities = [
        e for e in entities if e['type'] not in ['OTHER', 'NUMBER']
    ]

    # Ordenar las entidades por su puntuación de 'salience' (un float entre 0 y 1)
    sorted_entities = sorted(
        relevant_entities,
        key=lambda x: x['salience'],
        reverse=True
    )

    # Mostrar las 10 entidades principales y sus puntuaciones
    print("\n--- Top 10 Entities by Salience Score ---")
    for i, entity in enumerate(sorted_entities[:10]):
        print(f"Rank {i+1}: {entity['name']} (Type: {entity['type']}) - Salience: {entity['salience']:.4f}")

    return sorted_entities

# --- Ejemplo de uso ---
competitor_article = """
The shift to vector-based search, leveraging technologies like the Pinecone vector database,
has fundamentally changed how enterprise SEO is conducted. We analyzed the new BERT models,
which interpret content embeddings to move beyond simple keyword density. Our kōdōkalabs research
shows that the average B2B SaaS company must focus on entities like "Annual Recurring Revenue"
and "Customer Lifetime Value" rather than generic phrases. This change is driven by the
necessity of Information Gain to rank in Google's SGE environment.
"""

# Ejecutar el análisis
# extract_and_prioritize_entities(competitor_article)
# Nota: normalmente se obtendría el contenido del artículo desde una URL antes de ejecutar el análisis.
# Este script se ofrece solo para ilustrar la lógica central.

Parte 4: el consejo práctico, aumentar la densidad de entidades en contenido antiguo

La victoria más fácil y de mayor ROI en GEO no es escribir contenido nuevo, sino mejorar con precisión quirúrgica los activos que ya tiene y que ya cuentan con autoridad. No se trata de aumentar el número de palabras, sino la densidad de información.

Paso 1: identificar los activos objetivo

Céntrese en las páginas que cumplan estos criterios:

• Distancia de ataque: páginas que ocupan entre la posición 7 y la 20 en Google.
• Alta autoridad: páginas con un buen número de backlinks o con mucha equidad de enlaces internos.
• Alta intención: páginas orientadas a consultas comerciales o informativas de alto valor.

Paso 2: la auditoría de «justificación»

Tome la lista de huecos de entidades (de la parte 3) y revise su contenido antiguo. Por cada entidad de salience alta que falte, pregúntese: «¿Tengo legitimidad para hablar de esto?»

• Si la entidad es un concepto (p. ej., «Customer Lifetime Value»), debe añadir una sección H3 propia que lo defina y lo desarrolle.
• Si la entidad es una persona u organización (p. ej., «el fundador de kōdōkalabs»), debe citarla como fuente de autoridad.

Paso 3: inyección estratégica de entidades

No se limite a mencionar la entidad una vez: intégrela en su contexto.

Si sustituye las frases vagas por sustantivos concretos, con nombre propio y mayúscula inicial, da al LLM anclas precisas dentro del grafo de conocimiento. Esa es la esencia de un E-E-A-T sólido.

Paso 4: enlazado interno a través de la conexión entre entidades

Una vez que inyecte una entidad nueva, aprovéchela para crear un enlace interno contextual.

• Ejemplo: añade un H3 sobre «bases de datos vectoriales Pinecone» a su «guía de búsqueda vectorial» genérica. Enlace la palabra Pinecone al artículo específico y en profundidad que haya escrito sobre esa herramienta.

Este proceso consolida su clúster temático y demuestra al LLM que usted no es solo una página, sino una red de experiencia relacionada.

Parte 5: la conexión con el E-E-A-T, la experiencia es una entidad

El énfasis de Google en el E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) encaja a la perfección con el modelo de búsqueda vectorial.

• Experiencia (la «E»): suele expresarse mediante entidades específicas y propias.
  • Mal: «Sabemos que el SEO es difícil.»
  • Salience alta: «Tras procesar 5.000 solicitudes con la API de Google Search Console este trimestre, observamos un patrón en la segmentación de datos.» (La API concreta y la cifra concreta: son entidades verificables.)
• Autoridad y confianza (la «A» y la «T»): se establecen citando entidades de salience alta, como organizaciones, informes oficiales y autores verificados. Es más probable que el LLM confíe en su contenido si ve entidades de salience alta asociadas con investigación y gobernanza.

La biografía del autor es una señal de GEO: asegúrese de que cada autor tenga una biografía sólida y publicada que vincule su nombre (una entidad) con sus credenciales profesionales concretas (otro conjunto de entidades, p. ej., «ex CTO», «doctorado en NLP»).

Conclusión: deje de contar palabras y empiece a mapear conceptos

El paso de la densidad de palabras clave a la Entity Salience es mucho más que un cambio táctico: es un cambio de mentalidad. Supone pasar del lenguaje del marketing al lenguaje de la ciencia de la información.

Las palabras clave son para personas que adivinan. Las entidades son para máquinas que razonan.

Al adoptar el modelo vectorial, usar herramientas de Python para un análisis de la competencia quirúrgico y aumentar de forma deliberada la densidad de entidades de autoridad en su contenido, construye una ventaja estructural. Hace que su contenido sea imposible de ignorar para un LLM.

En la era de la IA, su capacidad para articular y conectar conceptos, su Entity Salience, es el factor de posicionamiento más potente que tiene.

¿Listo para pasar de adivinar palabras clave a diseñar entidades?

Solicite hoy su auditoría de huecos de entidades y su hoja de ruta