BERT y los transformers: por qué el SEO dejó de ser keywords y se volvió resolución de entidades

El SEO cambió de dueño el día en que Google dejó de contar palabras para empezar a entender significado. Y el punto de quiebre técnico tiene nombre propio: BERT. En 2019, Google anunció que este modelo de lenguaje había entrado a su buscador para entender mejor las consultas, y desde entonces la unidad de trabajo del SEO dejó de ser la palabra clave y pasó a ser la entidad: quién es quién, qué relación tiene con qué, y qué fuentes verificables lo respaldan.

La respuesta corta a por qué esto te afecta: si sigues optimizando como si el buscador fuera un contador de frecuencias léxicas, estás compitiendo en un juego que ya no existe. Los BERT y los transformers convirtieron la búsqueda en un problema de resolución de grafos: el motor no busca tu página por las keywords que repites, sino que intenta resolver tu entidad dentro de un Knowledge Graph.

En este artículo vas a entender, sin humo y con la capa técnica correcta, qué es BERT, por qué la arquitectura transformer redefinió el procesamiento del lenguaje natural, y qué implica para ti como consultor, agencia o negocio que quiere ser citado por Google y por los motores generativos.

Qué hizo BERT: entender el contexto, no la palabra suelta

BERT (Bidirectional Encoder Representations from Transformers) fue publicado por Google Research en 2018 y es, en esencia, un modelo que lee una frase en ambas direcciones a la vez. Antes, los modelos procesaban el texto de izquierda a derecha (o al revés), palabra por palabra. BERT mira cada palabra en relación con todas las demás de la oración, lo que le permite captar el contexto y desambiguar el significado.

La consecuencia práctica fue inmediata. Una consulta como “dónde comprar un banco para sentarme” y “dónde comprar un banco para ahorrar” usan la misma palabra, “banco”, pero significan cosas distintas. El buscador tradicional, basado en coincidencia de términos, podía confundirlas. BERT no: entiende que el contexto decide la entidad a la que te refieres, y responde en consecuencia.

Esto es lo que Google anunció como “la mayor mejora en búsqueda en cinco años”. Y aunque no lo decía en estos términos, estaba diciendo algo más profundo: la búsqueda por significado reemplazó a la búsqueda por cadena de caracteres. El SEO dejó de ser un problema de texto y pasó a ser un problema de identidad.

De los vectores de palabras a los transformers: la revolución silenciosa

Para entender por qué esto es irreversible, hay que bajar una capa. Todo arranca con una idea matemática: representar cada palabra como un vector, una lista de números en un espacio multidimensional. Esa técnica se llama word embedding.

word2vec y el nacimiento de los vectores de significado

En 2013, un equipo de Google publicó word2vec, un método que aprende a representar palabras como vectores densos a partir de grandes volúmenes de texto. La intuición clave: palabras que aparecen en contextos similares tienen vectores cercanos. El resultado más famoso fue aritmético: “rey – hombre + mujer = reina”. El modelo, sin que nadie le enseñara gramática, había aprendido relaciones semánticas codificadas como geometría.

Esto ya insinuaba lo que venía: el significado no vive en la palabra, sino en la relación entre palabras. Un grafo, no una lista. La palabra clave como fetiche estadístico quedó herida de muerte ahí, aunque el mercado SEO tardó años en darse cuenta.

La atención lo cambió todo: la arquitectura transformer

El salto definitivo llegó en 2017, cuando Google Brain publicó el paper Attention Is All You Need, que presentó la arquitectura transformer. Su innovación central es el mecanismo de atención: en lugar de procesar el texto secuencialmente, el modelo pondera de forma dinámica qué partes de la entrada importan más para entender cada elemento. Puede mirar toda la frase a la vez y decidir qué relaciones pesan.

El transformer es la base de prácticamente todo lo que usas hoy: BERT, GPT, Gemini, los modelos que alimentan ChatGPT y Perplexity, y los sistemas de ranking de Google. Todos comparten el mismo principio fundacional: el significado emerge de las relaciones entre entidades, no de la ocurrencia de términos.

Qué implica para tu SEO: las keywords dejaron de ser la unidad de trabajo

Aquí está la traducción operativa para quien vive del SEO. Si el motor entiende significado y resuelve entidades, entonces tu trabajo ya no es “aparecer para la frase X”, sino hacer que tu entidad sea la respuesta correcta a la pregunta que hay detrás de esa frase. Y eso tiene tres consecuencias concretas:

• La keyword deja de ser el objetivo y pasa a ser el síntoma. Una consulta es la superficie de una intención. Si optimizas la superficie y no la entidad, rankeas para una cadena que el motor ya no lee como cadena.
• La ambigüedad te mata. Si tu marca no está desambiguada como entidad, el motor no puede saber cuál de los “bancos” eres tú. Sin identidad verificable, no hay cita posible.
• Las relaciones importan más que las palabras. Quién te fundó, qué sabes hacer, dónde operas, qué fuentes externas te validan: eso es lo que un grafo compara, no cuántas veces escribiste “consultoría SEO B2B”.

El concepto que amarra todo esto es la Topical Authority: no se construye repitiendo términos, sino emitiendo una red coherente de entidades conectadas. Y la Entity SEO es la disciplina que lo operativiza: definir tu entidad una sola vez, anclarla a fuentes verificables y referenciarla por identificadores estables en todo tu sitio.

Nota de entidad

La solución tecnológica: SemanticGEO

Si el motor ya no lee keywords sino que resuelve entidades, la pregunta operativa es cómo convertir tu WordPress en una entidad que Google y las IAs puedan resolver. Ahí entra SemanticGEO: un plugin que extiende el grafo que Yoast SEO ya emite, mediante Graph Stitching. Cose nodos nuevos (Person E-E-A-T, Service, SoftwareApplication, cobertura territorial) sobre el @graph existente, referenciados por @id, en lugar de sumar bloques de schema sueltos.

Cada entidad se ancla a Wikidata mediante sameAs doble con Q-ID verificado en tiempo real contra la API: un dígito equivocado te conectaría a una entidad ajena, y el plugin lo impide. Viene con 13 packs de nicho importables (SEO/Marketing, Salud, Legal, Logística, Tecnología, Fintech y más) para desplegar una base de entidades coherente en minutos por cliente, con cero tipeo manual. Y genera el llms.txt directamente desde el grafo, para entregar a los crawlers de IA un resumen técnico sin ambigüedades.

La lógica es la misma que convirtió a BERT en el estándar: el significado emerge de las relaciones, no de la repetición. SemanticGEO aplica ese principio a tu sitio, para que tu entidad sea la más completa, verificable y consistente de tu vertical. La implementación técnica más rigurosa de los factores que estos motores declaran y demuestran consumir.

Preguntas frecuentes

¿BERT mató las palabras clave para siempre?

No las mató, las degradó. Las keywords siguen siendo la superficie de una intención de búsqueda y conviene conocerlas, pero dejaron de ser la unidad de trabajo. El motor ya no cuenta coincidencias de términos: resuelve entidades dentro de un grafo. Optimizar solo keywords es competir en un juego que BERT y los transformers dejaron obsoleto.

¿Un Q-ID de Wikidata garantiza que Google me entienda?

Un Q-ID verificado no garantiza nada por sí solo, y ningún plugin puede garantizar citación en motores generativos. Lo que sí aporta es identidad verificable: transforma tu mención de texto libre en un nodo que el grafo puede contrastar y desambiguar. Es la implementación técnica más rigurosa de los factores que estos motores declaran consumir, no una promesa de magia.

¿Necesito entender de transformers para hacer SEO hoy?

No necesitas implementar un modelo, pero sí entender la consecuencia: el motor busca significado y relaciones. Eso cambia tu prioridad de “optimizar texto” a “definir una entidad coherente”. El consultor que entiende la diferencia entre keyword y entidad toma decisiones de arquitectura de datos, no de redacción de títulos.

¿Qué relación hay entre BERT y el Knowledge Graph?

BERT entiende la consulta; el Knowledge Graph es la base de datos de entidades contra la que se resuelve esa consulta. BERT desambigua lo que el usuario quiere decir, y el grafo decide qué entidad es la respuesta correcta. Por eso las dos piezas apuntan a lo mismo: si tu entidad no está bien anclada en el grafo, entender la consulta no te sirve de nada.

Conclusión

BERT y los transformers no fueron un cambio cosmético en el buscador: fueron la confirmación de que el significado vive en las relaciones entre entidades, no en la repetición de palabras. El SEO que sigue optimizando keywords está peleando contra la arquitectura misma del motor. El que entiende que Google y las IAs resuelven grafos, y convierte su sitio en una entidad verificable y conectada, es el que queda en posición de ser citado. La pregunta ya no es “¿para qué keyword quieres rankear?”, sino “¿qué tan resoluble es tu entidad?”.