La investigación de palabras clave se ha hecho históricamente con la misma pieza central: una cifra de volumen de búsqueda mensual al lado de cada término. Esa pieza sigue existiendo, pero ha dejado de bastar por dos motivos. El primero es que la propia documentación de Google reconoce que el volumen no es un dato exacto, sino un agregado. El segundo es que una parte del tráfico ya no llega a ningún sitio web: se resuelve dentro del resultado de búsqueda. Este artículo explica qué aportan de verdad los modelos de lenguaje frente a las herramientas clásicas, cómo agrupar keywords por intención y qué cambia en el proceso cuando la respuesta se consume en la propia página de resultados.
¿Qué aporta un modelo de lenguaje al keyword research que no aporta una herramienta de volumen?
Aporta interpretación del lenguaje, no medición de la demanda. Un modelo de lenguaje puede leer un listado de mil términos y decirte qué quiere el usuario detrás de cada uno, qué formulaciones son variantes de la misma pregunta y qué falta en tu lista. Lo que no puede hacer es decirte cuánta gente busca cada cosa: ese dato sale de una herramienta que lo mide, como Google Keyword Planner, Google Trends o Semrush.
Conviene distinguir aquí dos cosas que se mezclan bajo la etiqueta genérica de “inteligencia artificial”. Una es el aprendizaje automático que Google lleva años usando dentro de su algoritmo para entender consultas: opera dentro del buscador y tú no lo controlas. Otra son los modelos de lenguaje generativos con los que trabajas tú, del lado del análisis, para clasificar y expandir listados. Cuando en 2026 se habla de “keyword research con IA” casi siempre se habla de lo segundo.
El reparto de tareas, en la práctica, queda así:
- Herramienta clásica: volumen, estacionalidad, dificultad, quién posiciona hoy.
- Modelo de lenguaje: agrupar por intención, detectar duplicados semánticos, reformular una consulta en las variantes con las que la gente la escribe, redactar el listado de preguntas de un tema.
- Tú: decidir qué se convierte en página y qué no. Eso sigue siendo criterio de negocio.
¿Es fiable el volumen de búsqueda como criterio de decisión?
Es fiable como orden de magnitud, no como cifra exacta. La documentación de Google Ads define el volumen de búsqueda medio como “el número medio de veces que se ha buscado una palabra clave y sus variantes cercanas” en el rango de meses, la ubicación y la red de búsqueda seleccionados. Es decir: la métrica base del keyword research clásico agrupa la keyword con sus variantes, promedia el periodo y redondea el resultado.
Esto tiene dos consecuencias operativas. La primera: las cifras están redondeadas, así que dos keywords con volúmenes parecidos no son necesariamente dos oportunidades de tamaño distinto. La segunda: si dos términos que Google considera variantes cercanas aparecen en tu hoja con cifras parecidas, es probable que estés viendo el mismo agregado dos veces, no dos oportunidades distintas. Compara órdenes de magnitud (10, 100, 1.000, 10.000) y deja de discutir decimales.
¿Cómo se agrupa un listado de keywords por intención?
Agrupar por intención significa juntar en un mismo grupo las consultas que se responden con la misma página, aunque las palabras no coincidan. El proceso tiene tres pasos que son los mismos de siempre, solo que ahora los ejecuta más rápido un modelo de lenguaje:
- Normalización. Unificar el listado antes de analizarlo: minúsculas, sin acentos duplicados, sin parámetros, sin duplicados literales. Si no normalizas, agruparás ruido.
- Segmentación. Dividir el listado en grupos manejables antes de clasificar. Un listado largo sin segmentar produce grupos vagos; por bloques temáticos, la clasificación es utilizable.
- Agrupación semántica. Reunir las consultas por lo que piden, no por las palabras que comparten. “Cuánto cuesta una web” y “precio diseño web” van al mismo grupo; “qué es un CMS” no, aunque comparta vocabulario.
El criterio de decisión para saber si un grupo está bien hecho es simple: si puedes escribir una sola página que responda a todas las consultas del grupo sin que la página se vuelva incoherente, el grupo es correcto. Si tienes que abrir dos secciones que no se hablan entre sí, eran dos grupos.
Un aviso sobre la calidad de la entrada: la clasificación sale tan buena como el listado que le des. Si el listado viene de una única fuente y de un único idioma de partida, el modelo agrupará bien lo que hay y no te avisará de lo que falta. Antes de clasificar, ten definido a quién te diriges y con qué vocabulario habla ese público; el modelo no lo va a deducir por ti.
¿Qué cambia cuando la respuesta se resuelve en la propia página de resultados?
Cambia la premisa de que investigar palabras clave sirve para conseguir clics. Los datos disponibles apuntan a que, cuando aparece una respuesta generada por IA, el clic hacia webs cae de forma apreciable.
El Pew Research Center siguió 68.879 búsquedas reales de 900 adultos estadounidenses durante marzo de 2025, de las que 12.593 generaron un resumen de IA. Cuando aparecía ese resumen, los usuarios hicieron clic en un resultado de búsqueda tradicional en el 8% de las visitas; cuando no aparecía, en el 15%. Casi la mitad de clics. Y el enlace dentro del propio resumen apenas se usa: solo en el 1% de las visitas a páginas con resumen.
En la misma dirección, un análisis de Ahrefs sobre 300.000 keywords (150.000 con AI Overview y 150.000 sin él), comparando diciembre de 2023 con diciembre de 2025 sobre datos agregados de Search Console, concluye que la presencia de un AI Overview se correlaciona con un CTR medio un 58% más bajo para la página mejor posicionada. Es una correlación, no una relación causal demostrada, pero el orden de magnitud es difícil de ignorar.
La consecuencia para la investigación de palabras clave es concreta: antes de priorizar una keyword, mira su SERP real. Si la consulta se resuelve entera en un resumen, el clic que estabas presupuestando puede no llegar aunque posiciones primero. Eso no significa descartar la keyword; significa que el objetivo de esa página puede ser aparecer citado, no recibir la visita. Lo desarrollamos en detalle en el artículo sobre cuánto tráfico quitan de verdad los AI Overviews.
¿Qué es el query fan-out y por qué afecta a tu lista de keywords?
Es el mecanismo por el que una sola consulta del usuario se convierte en varias búsquedas relacionadas por debajo. Google lo describe en su documentación de funciones de IA en la Búsqueda: mientras se genera la respuesta, sus modelos identifican más páginas de apoyo, lo que les permite mostrar un conjunto de enlaces más amplio y diverso que el de una búsqueda web clásica.
La implicación directa para el keyword research es que la unidad de trabajo ya no es la cadena literal que teclea el usuario. Si una consulta se abre en varias por dentro, optimizar para la frase exacta es optimizar para una sola de las puertas. En la práctica: además de la keyword principal, incluye en la misma página las preguntas adyacentes que un usuario haría a continuación, respondidas de forma autónoma y en cuanto empieza la sección, para que cada respuesta pueda extraerse sin depender del párrafo anterior.
¿Se puede medir cuánto rinde una keyword en las respuestas de IA?
No con el informe estándar de Search Console. La documentación de Google es explícita: las apariciones en funciones de IA, como AI Overviews y AI Mode, se incluyen dentro del tráfico general de Search Console y se reportan en el informe de Rendimiento dentro del tipo de búsqueda “Web”. No hay un desglose que aísle ese tráfico, así que no puedes saber desde ahí qué parte de las impresiones de una keyword vino de una respuesta generativa.
Lo que sí puedes hacer con los datos que tienes: vigilar las keywords donde las impresiones se mantienen o suben mientras los clics bajan. Ese patrón es la señal que queda disponible cuando el clic deja de producirse pero la aparición sigue. No es una medición del rendimiento en IA, es un indicio; conviene tratarlo como tal.
¿Qué herramientas hacen falta hoy para investigar palabras clave?
El kit mínimo ya no son dos herramientas, son cuatro tipos de fuente, y cada una responde a una pregunta distinta:
- Google Keyword Planner: el volumen agregado, con las salvedades de arriba.
- Google Trends: la evolución y la estacionalidad, que es donde el dato relativo sí es útil.
- Semrush (o equivalente): sugerencias, dificultad y quién ocupa hoy la SERP.
- Google Search Console: tus datos reales de impresiones y clics, que son los únicos que hablan de tu sitio y no del mercado en abstracto.
Un modelo de lenguaje se suma a esta lista como capa de análisis sobre los datos que salen de las cuatro anteriores, no como sustituto de ninguna.
Un proceso de keyword research asistido por IA, paso a paso
- 1. Define el público y su vocabulario antes de tocar ninguna herramienta. Es la entrada de todo lo demás.
- 2. Extrae el listado en bruto de las herramientas de volumen y de tus propios datos de Search Console.
- 3. Normaliza el listado antes de analizarlo.
- 4. Segmenta en bloques temáticos manejables.
- 5. Agrupa por intención con el modelo de lenguaje y valida cada grupo con la pregunta de “¿cabe todo esto en una sola página coherente?”.
- 6. Mira la SERP real de la keyword principal de cada grupo: si hay resumen de IA, ajusta la expectativa de clics.
- 7. Amplía cada grupo con las preguntas adyacentes, por el efecto del query fan-out.
- 8. Prioriza con criterio de negocio: qué grupo, si funciona, mueve una cifra que te importa.
¿Qué no hace un modelo de lenguaje en keyword research?
No mide demanda, no ve tu SERP y no conoce tu negocio. Estas son las tres cosas que conviene no delegar:
- Cifras de volumen. Si un modelo te da un volumen mensual sin haber consultado una herramienta, esa cifra no tiene procedencia. Contrástala siempre.
- El estado real de la SERP. Qué aparece hoy al buscar un término se comprueba buscándolo, no preguntándoselo a un modelo.
- La decisión de qué se publica. Un grupo de keywords bien construido no es lo mismo que una página que valga la pena escribir.
El resumen práctico: los modelos de lenguaje han abaratado mucho la parte lenta del keyword research, que era clasificar y ordenar listados largos. La parte que decide el resultado —qué demanda existe de verdad, qué aspecto tiene la SERP y qué te interesa a ti— sigue necesitando datos medidos y criterio propio. Si quieres revisar tu estrategia con este enfoque, en Vandelay trabajamos SEO y GEO de forma conjunta y explicamos el planteamiento en nuestra página sobre optimización para motores generativos.
Este artículo forma parte de nuestra guía sobre posicionamiento SEO y GEO. Si prefieres que lo hagamos por ti, mira nuestro servicio de posicionamiento SEO y GEO. Relacionado: GEO: cómo lograr que la IA cite tu marca · Qué es Google Search Console: Guía completa.
Sigue leyendo
- AI Overviews de Google: cuánto tráfico te quitan de verdad (y cómo recuperar visibilidad en 2026)
- Búsqueda en todas partes: por qué tu marca ya no compite solo en Google en 2026
- Cómo realizar una investigación de mercado efectiva
Más artículos sobre SEO.
Sobre el autor
Jehiel Ramos · CEO y consultor digital
Jehiel Ramos es CEO y consultor digital en Vandelay, la agencia de marketing digital que fundó en Barcelona en 2020. Con más de diez años de experiencia en marketing digital, dirige la estrategia de los clientes de la agencia en posicionamiento SEO y GEO (visibilidad de marca en Google y en asistentes como ChatGPT, Gemini y Perplexity), campañas de Google Ads y Meta Ads, diseño web orientado a conversión y automatización de marketing con inteligencia artificial, siempre con un enfoque de retorno medible y no de métricas de vanidad. Escribe en el blog de Vandelay sobre la evolución de la búsqueda, la publicidad digital y la IA aplicada al marketing, con datos verificados en fuentes primarias. Puedes contactar con él en vandelay@vandelay.es o a través de su perfil de LinkedIn.
Perfil de LinkedIn · Todos sus artículos · Cómo producimos el contenido