¿Qué es un embedding, explicado sin matemáticas?
Un embedding es una traducción del texto a coordenadas. El modelo convierte cada frase, párrafo o documento en un vector — una lista de números — con una propiedad extraordinaria: los textos que significan cosas parecidas acaban en coordenadas cercanas, aunque no compartan ni una palabra. «¿Cuánto cuesta mantener una caldera al año?» y «precio del mantenimiento anual de calderas» son vectores vecinos; «historia de la caldera de vapor» queda lejos, aunque comparta términos con ambas.
La medida de esa cercanía es la similitud semántica (técnicamente, similitud de coseno entre vectores). Cuando un motor de respuesta procesa una pregunta, la convierte en vector y busca en su índice los pasajes más cercanos. Esa es la etapa de recuperación del pipeline descrito en cómo deciden los motores de IA, y la que alimenta las subconsultas del query fan-out.
¿Por qué cambia esto la forma de escribir?
Porque la recuperación ya no premia repetir la keyword exacta, sino responder con nitidez el significado de la pregunta. Tres consecuencias concretas:
- Los pasajes compiten individualmente: los índices vectoriales trocean el contenido en fragmentos; un párrafo autocontenido que responde una pregunta completa es recuperable, mientras que la respuesta repartida en cuatro secciones con pronombres («esto», «lo anterior») se rompe al trocear.
- La jerga interna aleja tus vectores: si tus clientes preguntan «cuánto tarda» y tu web dice «plazos de ejecución del servicio», estáis en barrios semánticos distintos. Escribe con el vocabulario de quien pregunta.
- La ambigüedad castiga: un pasaje que mezcla tres temas queda a media distancia de todos y cerca de ninguno. Un párrafo, una idea, una respuesta.
¿Cómo se conecta con la cobertura semántica?
La dimensión Cobertura Semántica del estándar de medición (0–100, sobre un set fijo de 50–100 preguntas) es, en el fondo, una medida de embeddings aplicada: qué fracción del espacio de preguntas de tu categoría tiene pasajes tuyos «cerca». Ampliar cobertura no es escribir más, es cubrir significados aún no atendidos — preguntas satélite, objeciones, comparativas — con unidades citables propias. La ingeniería de contenido convierte este principio en proceso editorial.
También explica una asimetría útil: dos marcas con webs igual de rastreables pueden tener recuperaciones muy distintas si una escribe en el lenguaje del comprador y la otra en el lenguaje del departamento de producto. La distancia vectorial es invisible a ojo, pero aparece claramente en la medición mensual de visibilidad.
Checklist de contenido «cercano al vector»
- Cada unidad de contenido responde una pregunta completa en 40–80 palabras antes de desarrollar.
- Pasajes autocontenidos: sin referencias cruzadas obligatorias ni pronombres sin antecedente.
- Vocabulario del comprador, contrastado con preguntas reales de ventas y soporte.
- Un tema por sección; los artículos polifacéticos se dividen o se estructuran con H2 interrogativos claros.
- Verificación en la práctica: ejecuta las preguntas en los motores y comprueba qué pasajes se citan — tuyos o de quién.
Errores frecuentes
- Escribir para el keyword planner en lugar de para el significado de la pregunta.
- Párrafos de 300 palabras con la respuesta al final: el troceado los diluye y el vector se dispersa.
- Traducciones literales en estrategia multilingüe: el espacio semántico de cada idioma tiene sus propias formulaciones (ver GEO multilingüe).