De keywords a entidades: cómo Google dejó de buscar palabras y empezó a entender significado

La respuesta corta a “cómo pasó Google de buscar palabras a entender significado” es que el motor dejó de tratar tu consulta como una cadena de texto que debe coincidir, y empezó a tratarla como un conjunto de entidades conectadas entre sí. No fue un solo algoritmo: fue una sucesión de hitos que convirtió a Google en un motor de comprensión semántica. Y ese cambio reordenó por completo las reglas del SEO.

Antes, si buscabas “agencia de marketing en Santiago”, Google rastreaba páginas que contenían esas palabras exactas y las ordenaba por enlaces y relevancia textual. Hoy, el motor primero entiende que “agencia de marketing” es un tipo de servicio, que “Santiago” es una ciudad con un identificador estable en su base de conocimiento, y que tu empresa es una entidad que ofrece ese servicio en esa zona. La diferencia es enorme: ya no gana quien repite más la keyword, sino quien mejor se describe como entidad.

Este artículo repasa los cinco hitos técnicos que produjeron ese giro, desde el Google Knowledge Graph hasta BERT y MUM, y qué implican para tu estrategia en la era de la búsqueda semántica.

La era de la coincidencia exacta: cuando Google era un índice de palabras

Durante su primera década, Google fue esencialmente un motor de recuperación de información por coincidencia. Tu consulta se tokenizaba, se comparaba contra un índice invertido y se devolvían los documentos con mayor solapamiento léxico, ponderado por enlaces y señales de autoridad. El problema de fondo era que la coincidencia literal no captura significado.

Dos consultas distintas, como “auto usado” y “vehículo de segunda mano”, pueden significar lo mismo. Una palabra idéntica, como “banco”, puede significar tres cosas distintas según el contexto: la institución financiera, el asiento o el depósito de un río. La coincidencia exacta era ciega a esa ambigüedad, y por eso producía resultados que a veces rozaban el absurdo.

El primer quiebre vino de la lingüística computacional con los word embeddings. Modelos como Word2vec aprendieron a representar cada palabra como un vector en un espacio de alta dimensionalidad, de modo que las palabras con significado parecido quedan cerca entre sí. Fue la base matemática sobre la que Google construyó, años después, la comprensión semántica real.

Los hitos que cambiaron el motor: de RankBrain a BERT

El 2015 marcó la entrada del deep learning al ranking con RankBrain, un sistema basado en redes neuronales que Google confirmó públicamente en octubre de ese año. Su trabajo era interpretar consultas nunca antes vistas: en lugar de fallar ante una keyword desconocida, RankBrain la mapeaba a conceptos cercanos que sí entendía. Por primera vez, el motor adivinaba la intención en lugar de depender del texto literal.

El salto definitivo llegó en 2019 con BERT (Bidirectional Encoder Representations from Transformers). A diferencia de los modelos que leían la frase de izquierda a derecha, BERT analiza cada palabra en relación con todas las demás, en ambas direcciones. Eso le permitió captar matices que la coincidencia exacta jamás pudo manejar: la negación, el orden de las preposiciones y la referencia pronominal.

El 2021 Google presentó MUM (Multitask Unified Model), multimodal y mucho más potente que BERT según la propia compañía. MUM ya no se limita al texto: cruza texto, imagen y video, y puede transferir conocimiento entre idiomas. La dirección es inequívoca: de cadenas de texto a representaciones semánticas ricas y multimodales.

De entender palabras a resolver entidades: el Knowledge Graph

En paralelo a los algoritmos de lenguaje, Google construyó su base de conocimiento estructurado. El Knowledge Graph, presentado en 2012, almacena entidades (personas, lugares, organizaciones, conceptos) y las relaciones entre ellas, cada una identificada con un identificador estable.

Aquí nace la frase que cambió el SEO para siempre, atribuida a Amit Singhal, entonces responsable de búsqueda de Google: “las cosas, no las cadenas” (things, not strings). Google pasó de indexar páginas que contienen palabras a resolver entidades que tienen propiedades, relaciones y una identidad verificable. Esa idea es también la base del SEO semántico tal como lo entendemos hoy.

Tu marca ya no compite como una secuencia de caracteres: compite como una entidad. Y para que el motor te resuelva, necesita saber quién eres, qué haces, dónde operas y quién te respalda. Eso se expresa en datos estructurados y, sobre todo, en un grafo de conocimiento coherente.

La Nota de Entidad: cómo un Q-ID convierte texto libre en dato estructurado

Qué implica para tu SEO: del ranking a la resolución

El paso de la coincidencia a la comprensión reordena las prioridades. Las tácticas que apuntaban a la keyword (densidad, variaciones, sinónimos forzados) pierden peso frente a las señales de entidad. Lo que ahora importa es:

• Que tu organización esté descrita como entidad única, no como texto disperso entre páginas.
• Que cada mención esté anclada a un identificador verificable, con sameAs y Q-ID.
• Que tus servicios, tu cobertura territorial y tus autores estén conectados por referencias @id, no duplicados.
• Que la ambigüedad esté resuelta: que “tu marca” sea inequívocamente “tu marca” y no un homónimo.

Cuando Google AI Overviews o un chatbot deciden a quién citar, comparan grafos de conocimiento. El sitio cuyo grafo es más completo, consistente y verificable parte con ventaja. No es magia: es la consecuencia lógica de un motor que resuelve entidades en lugar de leer keywords. Es exactamente lo que explora en profundidad el artículo sobre por qué las palabras clave ya no garantizan tráfico.

La solución tecnológica: SemanticGEO

Si el motor resuelve entidades, tu WordPress debe describirse como una entidad única, completa y verificable. Ahí entra SemanticGEO, el plugin de GEO que extiende el grafo de conocimiento de Yoast SEO mediante Graph Stitching: en lugar de emitir bloques de schema aislados, cose nodos nuevos (Person E-E-A-T, Service, SoftwareApplication, cobertura territorial) sobre el grafo existente, referenciados por @id y anclados a Wikidata con Q-ID verificado contra la API en tiempo real.

Incluye una biblioteca central de entidades con 13 packs de nicho importables (SEO/Marketing, Salud, Legal, Tecnología, Inmobiliario y más), cero tipeo manual, y genera un llms.txt automático sincronizado con el grafo para presentar tu entidad ante los crawlers de IA. Cada Q-ID se valida en vivo durante la importación, así que nunca instalas un identificador ajeno. Es la implementación técnica más rigurosa de los factores que los motores generativos declaran y demuestran consumir.

Preguntas frecuentes

¿Cuándo empezó Google a entender el significado en vez de coincidir palabras?

El proceso fue gradual. El Knowledge Graph llegó en 2012, Hummingbird en 2013, RankBrain en 2015, BERT en 2019 y MUM en 2021. No hubo un único punto de inflexión: fue una acumulación de hitos que fue desplazando la coincidencia exacta hacia la comprensión semántica y la resolución de entidades.

¿Qué diferencia hay entre BERT, RankBrain y MUM?

RankBrain (2015) usa redes neuronales para interpretar consultas desconocidas y mapearlas a conceptos cercanos. BERT (2019) lee cada palabra en relación con todas las demás, en ambas direcciones, para captar contexto y matices como la negación. MUM (2021) es multimodal: cruza texto, imagen y video y transfiere conocimiento entre idiomas. Son etapas de una misma evolución hacia la comprensión profunda.

¿Por qué la coincidencia de keywords ya no garantiza tráfico?

Porque el motor ya no rankea páginas por solapamiento léxico: resuelve entidades. Ganar visibilidad hoy depende de que tu organización, tus servicios y tu cobertura estén descritos como entidades conectadas y verificables, no de repetir una frase exacta. La keyword sigue siendo una señal, pero dejó de ser la que decide.

¿Qué puedo hacer para que Google entienda mi empresa como entidad?

El primer paso es emitir datos estructurados coherentes: un nodo Organization completo, entidades ancladas a Wikidata con Q-ID y sameAs verificable, y conexiones por referencia @id en lugar de bloques duplicados. Un plugin de GEO como SemanticGEO automatiza ese trabajo sobre el grafo de Yoast, validando cada Q-ID contra la API de Wikidata.

¿SemanticGEO garantiza que la IA me cite?

No. Ningún plugin ni ninguna técnica puede garantizar citación en motores generativos, y llms.txt es un estándar emergente aún no confirmado oficialmente por los proveedores de LLMs. SemanticGEO se vende como lo que es: la implementación técnica más rigurosa de los factores que estos motores declaran y demuestran consumir. La sobriedad es parte del valor.

Conclusión

Google dejó de ser un índice de palabras y se convirtió en un motor que resuelve entidades. RankBrain, BERT y MUM enseñaron al sistema a entender significado; el Knowledge Graph le dio una base de conocimiento donde cada entidad tiene identidad y relaciones. Para el SEO, la consecuencia es directa: la keyword ya no es la reina, la entidad es la que decide. Preparar tu WordPress para esa realidad no es opcional, es la diferencia entre ser resuelto o ser ignorado.