Antes de que llegue este contenido al agente, tiene que renderizarse. Aquí asumo que ya ha llegado. La pregunta de hoy es qué dice ese contenido sobre tu marca: qué hace, qué ofrece, cómo lo sirve, qué transmite al agente y al usuario que (posiblemente) representa.
Amit Singhal lo anunció en mayo de 2012 con esas palabras exactas: ”things, not strings” (Introducing the Knowledge Graph: things, not strings). Su ejemplo era “taj mahal”: después de cuatro décadas de buscador emparejando palabras, esa consulta seguía siendo un par de palabras y no un monumento, un músico de blues premiado con un Grammy y un casino de Atlantic City a la vez. El grafo arrancaba con 500 millones de objetos y 3.500 millones de hechos sobre ellos.
En aquel post ya legendario, Singhal remataba diciendo que aquello les acercaba al “Star Trek computer” que siempre había soñado construir. 💾 Un 2012 en el que el keyword research era un Excel de 40.000 filas con una macro que se rompía los viernes y en el que el sueño más ambicioso del responsable de búsqueda de Google era poder hablarle a un ordenador.
Han pasado catorce años. La última cifra que Google ha publicado es de mayo de 2020: 500.000 millones de hechos sobre 5.000 millones de entidades Desde entonces no ha vuelto a darla. Los recuentos que maneja la industria hablan desde 2024 de unos 54.000 millones de entidades y más de 1,6 billones de hechos, cien veces más entidades que el día del lanzamiento.
Y la mayoría de los proyectos de SEO que reviso siguen organizando la estrategia de contenidos como si una consulta fuera un string que hay que emparejar de la forma más exacta posible.
Ese desajuste se paga en dos sitios bastante concretos:
Contenido correcto que nunca acaba de arrancar.
Una marca a la que el grafo describe de tres maneras distintas según quién la cite. Las dos cosas se arreglan en el mismo lugar.
Una keyword es una cadena de caracteres. Una entidad es una cosa: un producto, una persona, un lugar, un concepto con atributos y relaciones propios.
Cuando alguien busca “zapatillas para trail running”, el motor no intenta encontrar páginas donde aparezca esa cadena. Extrae las entidades del query (calzado deportivo, trail running, rango de precio implícito si hay señales de intención) y evalúa qué documentos tienen autoridad sobre esa combinación de entidades.
La diferencia práctica: dos páginas pueden tener la misma densidad de keywords y competir de forma muy desigual si una está bien anclada al grafo de entidades relevante y la otra no.
Lo que cambia con este modelo es qué optimizas: la claridad con la que tu contenido establece atributos y relaciones de entidades verificables, mucho antes que la frecuencia con la que repite una palabra.
Esta lógica es de sobra repetida. Es lo que define el funcionamiento de los buscadores modernos. Y, sin embargo, continúa sin ser la lógica seguida a nivel general. Mucha IA, pero seguimos atascados en ese Excel de 2012.
Comparte con quien creas que necesita entender lo que es una entidad.
El análisis de intención de búsqueda (informacional, transaccional, navegacional, investigación comercial) es útil como taxonomía rápida. Sin embargo, se queda corto como herramienta de trabajo.
La intención de una consulta lleva entidades implícitas que no aparecen en el query pero que el modelo ha aprendido a asociar con ese tipo de búsqueda.
Un ejemplo concreto: “cómo mejorar el TTFB” lleva entidades implícitas como servidor web, tiempo de respuesta, CDN, caché de backend, LCP. Un contenido que solo trata la superficie del TTFB sin relacionarlo con esas entidades adyacentes tiene menos probabilidades de estar bien posicionado que uno que las conecta de forma coherente.
La herramienta más útil aquí es mirar qué entidades aparecen en los primeros resultados de un query y qué relaciones establecen entre sí, bastante antes de abrir el keyword planner. Eso te da el mapa del grafo que Google ha construido para esa consulta. Tu trabajo es asegurarte de que tu contenido encaja en ese mapa, no de que repite la cadena de texto con la frecuencia correcta.
Esta diferencia de enfoque cambia bastante el proceso de research: empiezas por las entidades que necesitas cubrir, no por el volumen de búsqueda de una keyword.
¿Estás ya en shock y con ganas de lanzarme algo que huele mal? Espero que sea porque esto ya lo sabes y no porque te parece insultante mi última afirmación 🙂.
Google no toma al pie de la letra lo que un sitio dice sobre sí mismo.
El Knowledge Graph funciona, en parte, como un sistema de corroboración: una afirmación sobre una entidad gana peso cuando múltiples fuentes independientes y de confianza la repiten de forma coherente.
Esto es una regla de peso capital en la era del Search AI y el GEO.
Si tu página de producto dice que usas una tecnología específica, pero no hay ninguna fuente externa que lo corrobore (un artículo técnico, una review sectorial, una mención en un foro especializado), esa afirmación flota sin un ancla válido en el grafo.
Google se ha tomado la limpieza del grafo muy en serio. En junio de 2025 podó más de 3.000 millones de entidades, un 6,26% del total en una sola semana, según el análisis de Jason Barnard en Search Engine Land. El recorte no fue aleatorio: se llevó casi el 77% de las entidades de tipo evento (herencia de la pandemia, con vida útil cada vez más corta) y redujo un 15% el uso de la etiqueta genérica “thing”, empujando a que cada entidad tenga un tipo único y definido. Dos meses después, el 11 de agosto, repitió con una segunda limpieza centrada en entidades de empresa, organización y marca. El objetivo declarado: un grafo más pequeño y de más confianza para alimentar Gemini y AI Overviews.
La lectura para cualquier marca es obvia. El grafo premia dos cosas a la vez:
Que tu entidad tenga un tipo claro.
Que las fuentes que la describen digan lo mismo.
Una entidad que Google no sabe bien qué es y que, además, cada fuente cuenta a su manera, tiene poco a lo que agarrarse cuando llega la siguiente limpieza de KG.
Lo que persigues aquí es consistencia semántica y se comprueba con una pregunta: ¿aparece tu entidad (marca, producto, concepto) con los mismos atributos en varios sitios de referencia o cada fuente la describe a su manera?
He visto proyectos donde el contenido propio estaba bien. Incluso excelente. Pero el problema de visibilidad venía de cómo describían la entidad las fuentes externas. La marca hablaba de “software de gestión de logística”, los distribuidores la citaban como “solución ERP para almacén” y los medios especializados la mencionaban como “herramienta de tracking de inventario”. Para el KG, esas son entidades distintas.
El PR técnico y la presencia en publicaciones especializadas tienen aquí un valor de corroboración que va más allá del dominio que enlaza. El texto que usa esa mención importa tanto o más que el enlace en sí.
Cada enlace interno es una arista en un grafo dirigido. El anchor text es la etiqueta de esa arista. La página de destino es el nodo.
Si tu estructura de enlazado interno trata todas las páginas como islas conectadas solo a la home y a una categoría principal, has construido un árbol plano. Google puede recorrerlo sin problema, pero el grafo que ve no tiene mucha información semántica sobre las relaciones entre tus contenidos.
Un grafo de enlazado bien construido hace algo distinto: conecta documentos que comparten entidades con anchors que nombran la relación. “Zapatillas para trail running” enlaza a “análisis de amortiguación para terreno irregular” porque ambas comparten las entidades calzado deportivo y trail running. El enlace, con ese anchor, refuerza la relación semántica en el grafo que Google construye de tu sitio.
En la práctica, esto tiene dos implicaciones directas.
Primera: la auditoría de enlazado interno tiene que partir de un mapa de entidades, no de un mapa de keywords. Las páginas que deben estar conectadas son las que comparten entidades relevantes, independientemente de su estructura de URL o su categoría en la navegación.
Segunda: los anchors genéricos (”haz clic aquí”, “más información”, “ver artículo”) son aristas sin etiqueta en el grafo. No aportan señal semántica. Cuantos más anchors descriptivos y específicos uses, más información das al modelo sobre las relaciones entre tus contenidos.
El cambio real aquí es de modelo mental, no de stack tecnológico: dejar de pensar en páginas que optimizas por keyword y empezar a pensar en nodos que posicionas dentro de un grafo de entidades.
Empieza por lo barato. Coge las diez URLs que más te importan, apunta al lado de cada una qué entidad representa y mira si los enlaces que salen de ahí llegan a las páginas que comparten esas entidades. Lo que aparece en esa lista suele explicar buena parte de por qué un contenido correcto no acaba de arrancar.
Si quieres revisar cómo está construido el grafo de entidades de tu sitio y dónde hay huecos de corroboración o enlazado que afectan tu visibilidad, es uno de los análisis que hacemos en bigmomo. Puedes escribirme.
Un grafo bien atado todavía puede describirte con datos viejos. En breve, hablaré sobre qué pasa cuando el índice que te lee funciona en streaming y tu contenido se ha quedado atrás.
Sin posts
Comments
Nothing yet. Say the first thing.
Sign in to join the conversation.