Hay algo que nos pasó el año pasado y que, si soy honesto, al principio subestimé.
Empezamos a ver que algunos artículos que antes traían tráfico dejaron de aparecer en conversaciones de IA. No es que estuvieran mal escritos. No es que no posicionaran en Google.
Simplemente no estaban siendo citados.
Y eso cambió la pregunta.
Ya no era: “¿Cómo rankeamos mejor?”
Era: “¿Cómo hacemos para que un LLM nos elija como fuente?”
Pasamos de escribir solo para humanos y empezar a estructurar contenido que también pueda ser procesado, entendido y citado por modelos de lenguaje.
Comparto aquí lo más importante desde lo práctico.
El cambio real: de escribir artículos a diseñar conocimiento
Durante años optimizamos para el clic.
Hoy muchas respuestas se resuelven sin que el usuario visite una página web.
Eso significa que tu contenido tiene que poder:
Responder rápido.
Ser claro.
Estar estructurado para que una IA lo desarme y lo vuelva a armar.
No se trata de escribir “para robots”.
Se trata de ordenar mejor lo que ya sabés.
1. Estructura: si no está ordenado, no existe
El primer aprendizaje fue bastante básico, pero potente:
Los modelos necesitan jerarquía clara.
Un H1 que realmente responda una pregunta.
H2 que desarrollen subtemas sin saltos ilógicos.
Párrafos cortos (50–150 palabras).
Una idea por párrafo.
Primera oración que funcione como resumen.
Cuando el contenido está estructurado así, la IA puede extraer respuestas sin esfuerzo.
Cuando no lo está, simplemente pasa de largo.
2. Claridad: autoridad sin grandilocuencia
Algo que vimos mucho: textos “interesantes” pero poco citables.
Frases como:
“Muchos expertos creen…”
“La mayoría de las empresas…”
Eso para un modelo no significa nada.
Lo que sí funciona:
Datos concretos.
Fechas.
Fuentes explícitas.
Definiciones claras en la primera mención.
Definir términos.
Evitar metáforas innecesarias.
Ir al punto.
En motores generativos, la claridad pesa más que la creatividad.
3. La pirámide invertida aplicada a IA
Otra estructura que empezamos a usar sistemáticamente:
Nivel 1:
La respuesta directa en la primera oración.
Nivel 2 (50–200 palabras):
Por qué importa, cuándo aplica.
Nivel 3 (200–800 palabras):
Cómo funciona, ejemplos, comparaciones.
Nivel 4:
Metodología, datos ampliados, casos.
Lo interesante es que los LLMs pueden extraer información desde cualquier nivel.
Pero si no hay orden, no pueden hacerlo con precisión.
4. Escribir también para la máquina (sin romper la experiencia)
Introdujimos algo que llamamos internamente una “capa técnica” del contenido:
Resúmenes técnicos al final.
Datos estructurados (schema / JSON).
Alta densidad de entidades, fechas y números.
No es para engañar.
Es para facilitar la abstracción.
Siempre con un principio claro: transparencia total y utilidad real.
5. Ingeniería inversa: entender qué está siendo citado
Un ejercicio simple que recomiendo:
Hacer 30–50 consultas en Perplexity o ChatGPT sobre tu tema. (En incógnito o en una cuenta nueva)
Analizar qué fuentes se repiten.
Ver qué estructura usan:
Listas de 3 o 5 opciones.
Tablas comparativas.
Definiciones directas.
Recomendaciones finales.
No es copiar formatos.
Es entender patrones.
Los modelos buscan consistencia estructural.
Los errores que más vemos
Introducciones largas que no dicen nada.
Bloques de texto sin subtítulos.
Contenido sin fecha.
CTAs forzados que rompen la intención.
Generalizaciones sin datos.
La IA no penaliza.
Simplemente ignora.
El contenido ya no es solo marketing.
Es infraestructura.
La estructura es la API.
Los datos son la moneda.
La claridad es la velocidad.
No se trata de producir más piezas.
Se trata de convertir algunos artículos en bases de conocimiento bien diseñadas.
Si tu marca quiere existir en la conversación de los LLMs, tiene que ser fácil de citar.
Y eso empieza por cómo escribes.
