SEO de entidades

TL;DR — Una entidad es algo que una máquina puede identificar: tú, tu empresa o tu producto. El SEO de entidades consiste en asegurarse de que los motores de búsqueda y las herramientas de IA sepan exactamente quién eres, en lugar de confundirte con otra cosa. Lo básico: usa el mismo nombre y la misma descripción en todas partes, considera crear una entrada en Wikidata (y en Wikipedia si cumples los requisitos) y consigue menciones en sitios confiables. Ninguno de estos elementos es un requisito estricto: son señales que facilitan que la IA te identifique y te cite con confianza.

¿Qué es una entidad?

Una entidad es algo identificable; Schema.org proporciona identificadores y propiedades de relación que pueden aclarar qué describe una página. Evidence for this claim Official or primary documentation supporting the adjacent article claim, with scope limited to the source's published description. Scope: No ranking guarantee or undisclosed system mechanics are inferred beyond the cited source. Confidence: high · Verified: 2026-07-14 Schema.org: Thing Los datos estructurados son una señal de apoyo, no un mecanismo garantizado para entrar en el Knowledge Graph ni para solicitar una cita. Evidence for this claim Official or primary documentation supporting the adjacent article claim, with scope limited to the source's published description. Scope: No ranking guarantee or undisclosed system mechanics are inferred beyond the cited source. Confidence: high · Verified: 2026-07-14 Google: Structured data introduction

Cuando lees «Taj Mahal», sabes por el contexto si me refiero al monumento, al músico de blues o al casino. Una máquina no lo sabe, a menos que haya aprendido que se trata de tres entidades separadas, cada una con su propia identidad, tipo y conjunto de datos.

Una entidad es simplemente algo que se puede identificar de forma diferenciada: una persona, un lugar, una empresa, un producto o incluso un concepto. Google almacena millones de ellas, junto con sus relaciones, en una base de datos llamada Knowledge Graph. El SEO de entidades consiste en asegurarse de que tu entidad —tu marca, tú como autor y tus productos— esté ahí de forma clara y no se mezcle con ninguna otra.

Por qué los sistemas de IA se preocupan tanto por esto

La búsqueda tradicional comparaba las palabras que escribías con las palabras de una página. La búsqueda con IA es distinta: intenta entender de quién y de qué trata una consulta y después resume una respuesta. Para mencionar tu marca en esa respuesta, la IA primero tiene que estar segura de qué marca eres.

Si tu identidad es difusa —el mismo nombre que otra empresa, descripciones distintas en cada perfil y ninguna confirmación externa—, la IA se muestra cauta y te omite. Si es nítida y está bien confirmada, la IA te cita con confianza. Ese es todo el juego.

Cosas sencillas que realmente ayudan

• Sé coherente. Usa exactamente el mismo nombre de empresa, descripción, dirección y número de teléfono en todas partes: tu sitio, perfiles sociales, directorios y Perfil de Empresa de Google. La incoherencia confunde a la máquina.
• Reclama una entrada de Wikidata. Wikidata es una base de datos legible por máquinas que los sistemas de IA y Google leen directamente. Casi cualquier empresa puede crear una entrada; no existe una barrera de «notoriedad» como la de Wikipedia.
• Aspira a aparecer en Wikipedia con el tiempo. Una página de Wikipedia es oro para la visibilidad en IA, pero no puedes escribirla tú mismo: primero necesitas cobertura de prensa genuina para que los editores consideren que tienes notoriedad.
• Consigue que otros te mencionen. Que se hable de ti en sitios de terceros confiables importa más que casi cualquier otra cosa. La IA aprende quién eres por la frecuencia y los lugares donde aparece tu nombre.
• Completa tu Perfil de Empresa de Google si eres un negocio local: es una fuente de datos locales de Google bien documentada, aunque no está establecido que todos los sistemas de IA dependan de ella de la misma manera para las respuestas locales.

Los mecanismos más profundos —el Knowledge Graph, la relevancia de la entidad, el esquema y los datos de investigación detrás de «las menciones ganan a los enlaces»— están en la pestaña Avanzado.

TL;DR — El SEO de entidades es terminología de profesionales, no un sistema de clasificación de Google documentado, pero en la IA el énfasis se desplaza con fuerza hacia la desambiguación y la corroboración. Google afirma que el Knowledge Graph perdió una gran parte de sus entidades en una limpieza de junio de 2025; no puedo verificar de forma independiente la escala exacta ni su efecto en un producto de IA concreto, así que considéralo una señal direccional, no un dogma. En una investigación de Ahrefs, las menciones de marca en la web y la presencia en YouTube se correlacionaron mucho más con la visibilidad en respuestas de IA que los backlinks; correlación, no prueba de causalidad. Tampoco puedes atajar la confianza con corroboración falsa: un experimento independiente que sembró expertos ficticios en cientos de artículos de prensa produjo esencialmente cero citas de IA. Y considera el esquema sameAs más sólido cuando está renderizado en el servidor: que un rastreador de IA ejecute JavaScript depende del proveedor y de la versión, así que no supongas que ninguno lo hace.

El SEO de entidades es simplemente SEO, con un énfasis distinto para la IA

Empieza por una definición acotada: «SEO de entidades» es terminología de profesionales, no el nombre de un sistema de clasificación de Google documentado. Evidence for this claim Official or primary documentation supporting the adjacent article claim, with scope limited to the source's published description. Scope: No ranking guarantee or undisclosed system mechanics are inferred beyond the cited source. Confidence: high · Verified: 2026-07-14 Schema.org: Thing Es una perspectiva útil sobre prácticas de SEO existentes —claridad de identidad, corroboración y datos estructurados precisos—, no una disciplina separada ni una capa universal de optimización para IA con su propio modelo de puntuación. Usa estas prácticas como señales de claridad, no como palancas de clasificación garantizadas. Evidence for this claim Official or primary documentation supporting the adjacent article claim, with scope limited to the source's published description. Scope: No ranking guarantee or undisclosed system mechanics are inferred beyond the cited source. Confidence: high · Verified: 2026-07-14 Google: Structured data introduction

Mi planteamiento para la búsqueda tradicional no ha cambiado: “the entity identification part is more on Google’s end than ours.” (traducción) «la parte de identificación de entidades depende más de Google que de nosotros». No haces manualmente «SEO de entidades» llenando una página de entidades. Publicas contenido de calidad, lo marcas con datos estructurados precisos, mantienes la coherencia de tus señales y Google se encarga de la identificación.

Lo que sí ha cambiado es la ponderación en la búsqueda con IA. Cuando un modelo escribe una respuesta, extrae frases y nombres, no valor de enlaces; por eso el panorama de señales de marca se ve distinto del mundo de las clasificaciones impulsadas por enlaces. Los mecanismos que siguen tratan de hacer que tu entidad sea inequívoca para esa máquina.

El Knowledge Graph y lo que podemos y no podemos decir sobre la IA

Google lanzó el Knowledge Graph en 2012 con la idea de “things, not strings” (traducción) «cosas, no cadenas»: un modelo que “understands real-world entities and their relationships to one another.” (traducción) «entiende las entidades del mundo real y sus relaciones entre sí». Se creó para resolver la desambiguación (¿qué «Taj Mahal»?), la creación de resúmenes y el descubrimiento, a partir de Freebase, Wikipedia y el CIA World Factbook. Esas cifras de 2012 son históricas; Google no ha publicado un recuento actual de entidades.

Aquí es donde quiero ser cuidadoso: resulta tentador decir que «el Knowledge Graph ahora alimenta AI Overviews, AI Mode y Gemini, así que estar incluido te hace elegible para respuestas impulsadas por IA». Google confirma que el Knowledge Graph impulsa funciones de Search, como los paneles, utilizando cientos de fuentes de toda la web abierta. Pero no tengo documentación primaria específica de cada producto que vincule directamente la pertenencia al Knowledge Graph con la elegibilidad para todas las superficies de IA, y no voy a afirmar una relación causal entre productos que no pueda respaldar con una cita. Considera «el KG es infraestructura de IA» una interpretación plausible del sector, no un mecanismo confirmado.

Lo que se ha comunicado públicamente es lo siguiente: el periodista Jason Barnard (Kalicube) documentó una gran contracción del Knowledge Graph en junio de 2025, con recortes pronunciados concentrados en entidades de eventos desactualizadas y entidades ambiguas de la categoría «Thing», además de una tipificación más precisa de las entidades de personas. No voy a repetir aquí los porcentajes exactos: proceden de un análisis de terceros de los datos de Google, no de una fuente que pueda reproducir de forma independiente, y prefiero dirigirte al texto original antes que arriesgarme a dar una cifra desactualizada o mal escrita. La lectura direccional se mantiene: como dijo Barnard, “in the Knowledge Graph, clarity is the only point of entry.” (traducción) «en el Knowledge Graph, la claridad es el único punto de entrada». La calidad y la desambiguación parecen importar más que el volumen bruto de señales; consulta la fuente con el desglose completo.

La jerarquía de señales de entidad: direccional, no exacta

Esta es la parte en la que más consejos sobre «SEO de entidades» se equivocan: trata señales vagamente relacionadas como si fueran palancas de clasificación demostradas. En Ahrefs realizamos estudios de correlación con grandes muestras de marcas y respuestas de IA, y conviene conocer el patrón direccional, aunque aquí omito los coeficientes exactos mientras espero una verificación independiente de los conjuntos de datos originales (los estudios de correlación se citan mal con facilidad y, independientemente del número, una correlación no es causalidad).

Direccionalmente, los estudios coinciden en lo siguiente: las menciones de marca en la web y la presencia o las menciones en YouTube se correlacionaron de forma notablemente más fuerte con métricas de visibilidad en IA (como las menciones de marca en AI Overviews) que los backlinks; las señales de marca y YouTube superaron a señales basadas en enlaces como Domain Rating y los dominios de referencia en las clasificaciones que medimos. El volumen de búsquedas de marca también se comportó como un indicador adelantado, no retrasado. Como resumí en mi estudio de correlaciones de visibilidad de marca en IA entre plataformas: “Google favors brands and Perplexity seems to show some favoritism as well. What’s surprising is the weakness of ChatGPT here.” (traducción) «Google favorece a las marcas y Perplexity también parece mostrar cierto favoritismo. Lo sorprendente es la debilidad de ChatGPT aquí».

También encontramos una coincidencia significativamente limitada entre las fuentes citadas por Google, ChatGPT y Perplexity: una pequeña minoría de fuentes apareció simultáneamente en las tres plataformas. El SEO de entidades es un ejercicio multiplataforma, no de un solo motor. Para consultar los coeficientes y tamaños de muestra exactos, ve directamente al estudio enlazado y al estudio de correlación de marcas en AI Overviews, en lugar de depender de cifras repetidas aquí.

La desambiguación es la prioridad número 1

La IA no puede citar una entidad que no pueda identificar con confianza. Si tu marca comparte nombre con otra empresa, tiene datos NAP (nombre, dirección y teléfono) incoherentes o no cuenta con verificación externa, se te omite. El objetivo de la limpieza de junio de 2025 era precisamente aumentar la proporción de entidades tipificadas sin ambigüedad: Google está optimizando para las marcas de las que puede estar seguro.

Por tanto, la tarea es la desambiguación: una identidad canónica coherente, declarada una sola vez en tu página principal de entidad (página «Sobre nosotros» o página de inicio) mediante JSON-LD de Organization con un @id estable y confirmada mediante referencias externas con sameAs. La única salvedad de John Mueller: no apuntes sameAs a una URL de ID del Knowledge Graph (kg:/m/...), porque “that ID might change” (traducción) «ese ID podría cambiar»; usa URL estables como las de Wikidata, Wikipedia y los perfiles sociales.

No puedes falsificar la corroboración: el experimento de entities.org

Esta es la salvaguarda más importante de todo el campo. Los investigadores de Entities.org describen que los sistemas de IA buscan consenso de entidad: fuentes independientes y de alta confianza que coincidan sobre la misma afirmación antes de declararla. Por debajo de un umbral de corroboración independiente, la IA se muestra cauta; por encima, afirma.

El hallazgo principal: un experimento controlado que sembró expertos ficticios en un gran número de artículos de prensa y midió el resultado en nueve modelos no produjo prácticamente ninguna recomendación de IA. El volumen sin independencia falla; la interpretación de los investigadores es que los sistemas de IA pueden detectar el consenso sintético. No voy a repetir aquí el número exacto de artículos, el umbral de recomendación de los modelos ni las cifras de participación en citas: son números específicos de un proyecto de investigación de terceros que no he reproducido de forma independiente, así que consulta la investigación original para conocer las cantidades exactas. Lo que sí puedo afirmar direccionalmente es que el contenido autopublicado por sí solo rara vez lleva una marca a una respuesta de IA y que la mayoría de las respuestas de IA parecen apoyarse en fuentes de terceros más que en fuentes publicadas por la marca.

Esta es la razón profunda por la que el «apilamiento de entidades», la siembra masiva de comunicados de prensa y las campañas de enlaces comprados al por mayor no funcionan para la visibilidad en IA. No hay una puntuación de entidad oculta que puedas manipular: consigue menciones reales.

sameAs, Wikidata y Wikipedia

Ni Wikipedia ni Wikidata son requisitos documentados para que Google o la IA reconozcan una entidad: Google menciona Wikipedia como una de las muchas fuentes habituales de las que puede extraer información para los paneles de conocimiento, no como una entrada obligatoria. Dicho esto, son referencias externas útiles, accesibles y que merece la pena priorizar en tu lista de sameAs, aproximadamente en este orden:

1. Wikidata: legible por máquinas y con una barrera de entrada baja (sin el filtro de notoriedad de Wikipedia); se ha comunicado que varios sistemas de IA y Google recurren a ella, aunque no tengo documentación primaria sobre cómo la pondera exactamente cada proveedor.
2. Wikipedia: si tienes notoriedad. Una investigación de terceros la cita como una fuente de citas importante para algunos sistemas de IA, aunque no voy a repetir aquí el porcentaje exacto; consulta la investigación de la fuente para conocer la cifra actual y su metodología. Algunos sistemas también usan el contenido de Wikipedia para fundamentación en tiempo real, no solo para entrenamiento. No puedes escribir tu propia página: consigue primero la cobertura de prensa que establezca tu notoriedad.
3. LinkedIn, Crunchbase y registros oficiales, seguidos de los perfiles sociales.

Una historia aleccionadora de nuestro propio equipo: Ryan Law llevó accidentalmente a Google a pensar que era el propietario del sitio web de Ahrefs al añadir un esquema a su sitio personal con un error en la propiedad sameAs. Comprueba siempre dos veces el esquema antes de publicarlo.

Datos estructurados: palanca indirecta, no botón de citas

Ten claro lo que hace el esquema. Un estudio observacional de Ahrefs a cargo de Louise Linehan y Xibeijia Guan siguió durante aproximadamente siete meses un conjunto grande de páginas que añadieron JSON-LD y comparó el volumen de citas antes y después; consulta el estudio sobre esquema y citas de IA para ver el conjunto de datos y los porcentajes exactos. El hallazgo direccional fue que añadir un esquema a una página que ya recibía citas no produjo un aumento positivo claro en el volumen de citas de IA en las plataformas estudiadas.

Por tanto, trata el esquema como una palanca de citas no fiable. Su valor está en la desambiguación de entidades —conectar tu marca con su identidad en el Knowledge Graph— y en una indexación correcta, no en aumentar directamente la frecuencia con la que la IA te cita. La postura del propio Mueller coincide: los datos estructurados no son un factor de clasificación directo, aunque ayudan a las máquinas a entender las entidades y son realmente útiles para los datos de compras, que son “basically impossible to read in high fidelity… from a text page.” (traducción) «básicamente imposibles de leer con alta fidelidad… a partir de una página de texto».

En concreto para la IA, usar @id en cada entidad y un @graph que conecte Organization, Person y Article en un único grafo es un patrón de modelado útil que recomiendan los profesionales para mantener coherente una identidad conectada; no es un requisito documentado de Google ni de los proveedores de IA y usarlo no garantiza ningún efecto en la clasificación, el panel o las citas. Los bloques de esquema aislados para las mismas entidades también funcionan; un grafo conectado facilita el mantenimiento y la coherencia, no desbloquea una función.

Renderiza el esquema en el servidor: no supongas que ningún rastreador ejecuta tu JS

Es un error técnico que puede hundir silenciosamente un trabajo de entidades por lo demás bueno, y conviene precisar lo que está documentado en vez de repetir una afirmación general. Google documenta explícitamente el renderizado de datos estructurados generados con JavaScript para Search. Que un rastreador de IA concreto —GPTBot, ClaudeBot, PerplexityBot o cualquier otro proveedor identificado— ejecute JavaScript depende del proveedor y de la versión, y cambia con el tiempo; no tengo documentación primaria actual de cada proveedor que me permita afirmar una regla universal de que «los rastreadores de IA no ejecutan JavaScript». Prefiero enviarte a verificar el comportamiento actual (una prueba de obtención fechada contra el proveedor que te interese) antes que repetir una generalización no verificada.

En cualquier caso, la medida segura y agnóstica respecto al proveedor es tratar el esquema renderizado en el servidor en el HTML inicial como la base sólida. Si resulta que el rastreador al que te diriges no renderiza JavaScript, solo el esquema entregado por el servidor tiene visibilidad garantizada; si sí renderiza JS, renderizarlo en el servidor no te cuesta nada. Comprueba sameAs y @graph en la respuesta HTML sin procesar (no solo en el DOM renderizado) para saber qué se está sirviendo antes de cualquier paso de renderizado.

Entonces, ¿qué haces realmente?

Esto es orientación de profesionales: una forma que me resulta útil para organizar el trabajo, no un modelo documentado de puntuación de sistemas de IA. Lo pienso como tres capas: identidad, relaciones y corroboración verificada de forma independiente.

Identidad. Perfecciona tu página principal de entidad: una página canónica, esquema de Organization/Person renderizado en el servidor como base sólida y sameAs precisos. Mantén coherentes el NAP (nombre, dirección y teléfono) y las descripciones en todas partes, incluido tu Perfil de Empresa de Google si eres un negocio local: es una fuente de datos de Google bien documentada, aunque no puedo confirmar que sea la fuente local principal para todos los sistemas de IA.

Relaciones. Conecta tus entidades: sameAs con Wikidata (y Wikipedia si tienes notoriedad), y un @graph que enlace Organization, Person y Article cuando te ayude a mantener la coherencia. En tu contenido, cubre las entidades y relaciones que tus lectores realmente necesiten que se expliquen; no persigas una puntuación de relevancia de Cloud Natural Language como si fuera una entrada de clasificación, porque la relevancia describe cómo una API de análisis de documentos puntúa un texto, no un factor documentado de clasificación de Google Search o de citas de IA.

Corroboración. La capa que más mueve la aguja según mi experiencia: consigue menciones genuinas de terceros y una presencia real en YouTube, porque esas señales (no solo los enlaces) son indicadores fuertes de que la IA tiene una confianza independiente y corroborada en que eres quien dices ser. Como he dicho sobre la era de la IA, “SEO itself hasn’t drastically changed, but getting good results may now require closer collaboration with other teams like PR and partnerships.” (traducción) «El SEO en sí no ha cambiado drásticamente, pero conseguir buenos resultados puede requerir ahora una colaboración más estrecha con otros equipos, como relaciones públicas y alianzas».

Resumen de IA

Una síntesis de la versión avanzada:

• Entidad = algo que una máquina puede identificar de forma única (marca, persona o producto). El SEO de entidades hace que esa identificación sea segura e inequívoca para que la IA pueda citarte.
• El SEO de entidades es terminología de profesionales, no un sistema de clasificación de Google con nombre propio: “the entity identification part is more on Google’s end than ours” (traducción) «la parte de identificación de entidades depende más de Google que de nosotros», pero en la IA la ponderación se desplaza hacia la desambiguación y la corroboración.
• Según se ha comunicado, el Knowledge Graph pasó por una gran limpieza de claridad en junio de 2025 (según información de terceros, sin repetir aquí las cifras exactas). Google confirma que el Knowledge Graph alimenta funciones de Search, como los paneles; no puedo respaldar con documentación primaria un vínculo directo y entre productos con la elegibilidad para todas las superficies de IA, así que se trata como una interpretación plausible, no como un hecho confirmado.
• Jerarquía de señales para la visibilidad en IA (direccional, no exacta): en la investigación de Ahrefs, las menciones de marca en la web y la presencia en YouTube se correlacionaron de forma notablemente más fuerte con las métricas de visibilidad en IA que los backlinks; correlación, no causalidad. Los coeficientes exactos aparecen en los estudios enlazados y no se repiten aquí mientras esperan una verificación independiente.
• No puedes falsificarlo: un experimento independiente que sembró expertos ficticios en artículos de prensa encontró esencialmente cero citas de IA resultantes. Importan las fuentes corroboradas de forma independiente; la mayoría de las respuestas de IA parecen apoyarse en fuentes de terceros y no en fuentes publicadas por la marca.
• El esquema es una palanca indirecta: un estudio observacional de páginas que añadieron JSON-LD no encontró un aumento positivo claro en el volumen de citas de IA. El valor del esquema es la desambiguación y la indexación correcta, no un botón de citas.
• No exageres la trampa de JS: que un rastreador de IA concreto ejecute JavaScript depende del proveedor y cambia con el tiempo; no existe una regla universal verificada. El esquema renderizado en el servidor sigue siendo la base sólida en cualquier caso.
• Hazlo: página principal de entidad + esquema Organization/Person renderizado en el servidor como opción sólida por defecto, sameAs preciso hacia Wikidata/Wikipedia (útil, no obligatorio), NAP + Perfil de Empresa de Google coherentes y menciones reales de terceros + presencia en YouTube.

Documentación oficial

Documentación de fuentes primarias sobre entidades, el Knowledge Graph y los datos estructurados de entidades.

Google: Knowledge Graph y entidades

• Presentación del Knowledge Graph: cosas, no cadenas (2012): publicación de lanzamiento de Amit Singhal; el planteamiento de «cosas, no cadenas».
• API de búsqueda del Knowledge Graph: «permite encontrar entidades en el Google Knowledge Graph»; devuelve JSON-LD de schema.org, más de 20 tipos de entidad, ID del KG (kg:/m/...) y un resultScore.
• API Cloud Natural Language: entidad: definición oficial de entidad con name, type, salience (0–1,0), metadata, mentions y sentiment.
• Tarea de relevancia de entidades (Google Research, EACL 2014): artículo fundacional que establece la relevancia de entidades como tarea diferenciada de PLN.

Google: datos estructurados de entidades

• Datos estructurados de Organization: no hay propiedades obligatorias; desambiguación mediante sameAs, iso6523Code, naics y legalName.
• Datos estructurados de Profile Page: ProfilePage con mainEntity (Person/Organization) para perfiles de creadores de primera mano.
• Cómo se crean los paneles de conocimiento: los paneles se «crean automáticamente… cuando hay suficiente información disponible en la web abierta». No existe un envío manual.

Microsoft / Bing

• Compatibilidad de Bing con datos estructurados y marcado: esquema para productos, eventos, recetas, artículos y vídeos; Copilot puede incorporar señales del grafo de conocimiento y de datos estructurados cuando están disponibles.

Citas de la fuente

Declaraciones registradas de representantes de búsqueda y materiales del propio Google.

**Google: el Knowledge Graph

• “an intelligent model—in geek-speak, a ‘graph’—that understands real-world entities and their relationships to one another: things, not strings.” (traducción) «un modelo inteligente —un «grafo», en jerga de informáticos— que entiende las entidades del mundo real y sus relaciones entre sí: cosas, no cadenas». — Amit Singhal, entonces vicepresidente sénior de Ingeniería de Google (2012). Fuente

**Google Cloud Natural Language: qué es una entidad

• Una entidad es “a phrase in the text that is a known entity, such as a person, an organization, or location,” (traducción) «una frase del texto que es una entidad conocida, como una persona, una organización o una ubicación», a la que se asigna una puntuación de salience por su “importance or centrality… to the entire document text.” (traducción) «importancia o centralidad… para todo el texto del documento». — Referencia de la API Cloud Natural Language de Google. Fuente

**John Mueller, Google: sameAs e ID del KG

• Mueller recomienda no usar URL de ID del Knowledge Graph para sameAs porque “that ID might change” (traducción) «ese ID podría cambiar»; prefiere URL estables (Wikipedia, Wikidata y perfiles sociales). Cobertura

**John Mueller, Google: esquema y LLM

• “Some features thrive with structured data… Pricing, shipping, availability for shopping is basically impossible to read in high fidelity & accurately from a text page, for example.” (traducción) «Algunas funciones prosperan con datos estructurados… Por ejemplo, es básicamente imposible leer con alta fidelidad y precisión los precios, los envíos y la disponibilidad de compras a partir de una página de texto». (Mueller ha señalado repetidamente que los datos estructurados no son un factor de clasificación directo). Cobertura

**Patrick Stox, Ahrefs: la identificación de entidades es tarea de Google

• “The entity identification part is more on Google’s end than on our end.” (traducción) «La parte de identificación de entidades depende más de Google que de nosotros». Fuente

Lista de comprobación del SEO de entidades

Una pasada para hacer que tu entidad sea inequívoca para los motores de búsqueda y la IA:

• Elegida la página principal de entidad (página de inicio o «Sobre nosotros») con JSON-LD completo de Organization: name, url, logo, description y un @id estable.
• El esquema está renderizado en el servidor en el HTML sin procesar, en lugar de inyectarse únicamente mediante Google Tag Manager o JavaScript del cliente: es la base sólida independientemente de qué rastreadores creas que renderizan JavaScript, ya que depende del proveedor y la versión y no debes darlo por supuesto.
• sameAs apunta a referencias externas estables (Wikidata, Wikipedia, LinkedIn, Crunchbase y redes sociales); nunca a una URL de ID del Knowledge Graph.
• Entrada de Wikidata creada o reclamada cuando corresponda (barrera baja; una referencia útil, no obligatoria, de la que se ha comunicado que recurren varios sistemas).
• Wikipedia perseguida solo cuando exista notoriedad genuina (cobertura independiente); nunca escribas tú mismo una página promocional.
• Descripciones y NAP (nombre, dirección y teléfono) idénticos en cada perfil, directorio y en tu sitio.
• Perfil de Empresa de Google completado si eres un negocio local: una fuente de datos locales de Google bien documentada que merece la pena cuidar.
• Esquema Person/ProfilePage para autores, con sameAs, jobTitle y affiliation, enlazado en un @graph con Organization y Article.
• Plan activo para conseguir menciones de terceros con gran autoridad (relaciones públicas, alianzas y contenido editorial): la palanca más fuerte para la visibilidad en IA, no el volumen de enlaces.
• Presencia en YouTube establecida: una de las señales externas más fuertes que hemos medido en la investigación de correlación de Ahrefs.
• Esquema validado antes de publicar (comprueba dos veces sameAs y @id; un error tipográfico puede atribuir la propiedad de forma incorrecta).

Señales de entidad: hoja de referencia

Señales ordenadas direccionalmente por correlación con la visibilidad en IA (estudios de Ahrefs; los coeficientes exactos se omiten mientras esperan una verificación independiente; consulta los estudios enlazados para ver las cifras)

Menciones frente a enlaces: las menciones de marca en la web se correlacionaron de forma significativamente más fuerte con la visibilidad en AI Overviews que los backlinks en el estudio subyacente; correlación, no causalidad, y la proporción exacta aparece en el estudio original, no se repite aquí.

Reglas rápidas de desambiguación

• Página principal de entidad + JSON-LD de Organization con @id estable.
• sameAs → Wikidata, Wikipedia, LinkedIn y redes sociales (referencias útiles, no requisitos). Nunca kg:/m/... (cambia).
• Nombre, descripción y NAP idénticos en todas partes.

Verdades incómodas

• Esquema ≠ citas. Un estudio observacional de páginas que añadieron JSON-LD no encontró un aumento positivo claro en el volumen de citas de IA. El trabajo del esquema es la desambiguación, no conseguir citas.
• No puedes falsificar el consenso. Un experimento independiente que sembró expertos ficticios en cobertura de prensa encontró esencialmente cero citas de IA resultantes. Importa la corroboración independiente; el contenido autopublicado por sí solo rara vez lleva una marca a una respuesta de IA.
• No supongas que «los rastreadores de IA no ejecutan JS» es una regla universal. Depende del proveedor y cambia con el tiempo. Renderiza el esquema en el servidor como opción sólida por defecto en cualquier caso.
• Las plataformas divergen. La coincidencia de citas entre plataformas (Google, ChatGPT y Perplexity) es limitada: considera el SEO de entidades un ejercicio multiplataforma.

El marco de autoridad de la entidad

Este es un marco de profesionales: una forma útil de organizar el trabajo de SEO de entidades, no un modelo documentado de puntuación de sistemas de IA ni un conjunto de requisitos de clasificación. Toma prestada una estructura de tres partes que describen los profesionales de este ámbito: Reconocimiento → Relaciones → Corroboración. (La autoridad de entidad es “the degree to which search systems recognize your brand as a credible, well-corroborated source on a specific entity” (traducción) «el grado en que los sistemas de búsqueda reconocen tu marca como una fuente creíble y bien corroborada sobre una entidad específica»: una definición de profesionales, no un término de Google.)

1. Reconocimiento: ¿puede la máquina identificarte? La capa de desambiguación. ¿Tu identidad está declarada una sola vez en tu página principal de entidad con un @id estable y son coherentes en todas partes tu nombre, descripción y NAP? Las señales ambiguas o incoherentes pueden dificultar razonablemente que los sistemas de IA citen una entidad con confianza, aunque no tengo un mecanismo documentado que garantice esa relación para todos los proveedores.

2. Relaciones: ¿entiende cómo te conectas? La capa del grafo. sameAs vincula tu esquema con registros externos autorizados como patrón útil de profesionales (no como requisito); @graph enlaza entidades Organization, Person (fundadores/autores) y Article como comodidad de modelado para mantenerlas coherentes; la coaparición coherente vincula el nombre de tu marca con tu tema dentro del propio contenido.

3. Corroboración: ¿las fuentes independientes te avalan? La capa de confianza y la que no puedes atajar. Las investigaciones de terceros sugieren que los sistemas de IA ponderan las fuentes independientes y de alta confianza antes de afirmar una declaración con seguridad, y que el contenido autopublicado por sí solo rara vez lleva una marca a una respuesta de IA; por eso los medios obtenidos, la presencia en YouTube y una demanda real de marca hacen un trabajo importante aquí. El consenso sintético (prensa sembrada y enlaces masivos) parece detectarse y descartarse en vez de recompensarse, según el experimento de expertos ficticios mencionado antes en la pestaña Avanzado.

La regla de decisión. ¿Te has quedado atascado con la visibilidad en IA? Diagnostica qué capa falla:

• No se te reconoce → corrige la desambiguación (página principal de entidad, coherencia y Wikidata).
• Se te reconoce, pero no estás conectado → corrige las relaciones (sameAs, @graph y coaparición temática).
• Se te reconoce y estás conectado, pero no recibes citas → corrige la corroboración (consigue menciones independientes).

No añadas un esquema y esperes. Encuentra la capa rota.

Errores de SEO de entidades que debes evitar

Tratar sameAs como una prueba

El marcado puede declarar una identidad, pero no puede fabricar corroboración de terceros. Usa sameAs para conectar perfiles que realmente representan la misma entidad y, después, haz que los nombres, las descripciones y los datos de esos perfiles sean coherentes.

Crear identificadores para la entidad equivocada

Una empresa, persona o producto con un nombre parecido no es un atajo. Confirma los atributos y las relaciones de la entidad antes de enlazar perfiles de Wikidata, Wikipedia, redes sociales o directorios.

Publicar señales de entidad solo mediante JavaScript del cliente

Que un rastreador de IA concreto renderice JavaScript depende del proveedor y no debes darlo por supuesto. Coloca la declaración de identidad, los datos básicos, los enlaces y los datos estructurados en HTML entregado por el servidor para estar cubierto en cualquier caso.

Optimizar las menciones sin corregir la ambigüedad

Una mayor cobertura puede reforzar la interpretación equivocada cuando la marca comparte nombre. Empieza por un nombre estable, una categoría, una ubicación o mercado, una URL oficial y relaciones diferenciadoras.

Problemas habituales del SEO de entidades

Los resultados de búsqueda confunden la marca con otra entidad

Síntoma: los paneles, resúmenes o citas mezclan homónimos. Causa probable: señales de desambiguación débiles o contradictorias. Solución: alinea el sitio oficial, el marcado de la organización, los perfiles autorizados y las descripciones de terceros en torno a los mismos datos definitorios; después vuelve a comprobar la consulta ambigua exacta.

Existe un Panel de conocimiento, pero contiene un dato incorrecto

Síntoma: el panel identifica la entidad correcta, pero muestra información desactualizada o incorrecta. Causa probable: Google seleccionó una fuente contradictoria. Solución: reclama el panel cuando cumplas los requisitos, corrige la fuente de primera mano, sugiere una edición con pruebas y repara los perfiles de corroboración incoherentes.

Los datos estructurados se validan, pero la comprensión de la entidad no mejora

Síntoma: las herramientas de esquema pasan, mientras la marca sigue sin reconocerse o se confunde. Causa probable: la validación demuestra la sintaxis, no la identidad ni la autoridad en el mundo real. Solución: audita las menciones independientes y la coherencia de la identidad en lugar de añadir más propiedades sin pruebas.

Prompts para auditorías de entidades

Audit these first-party and third-party descriptions of one organization. Extract the
name, aliases, category, location or market, founding facts, people, products, official
URL, and sameAs identifiers from each source. Return a contradiction table, likely
namesake collisions, facts supported by multiple independent sources, and facts that
must not be asserted yet. Do not merge similarly named entities without evidence.

[paste source excerpts and URLs]

Review this Organization JSON-LD against the visible page content and the supplied
official profiles. Flag unsupported claims, wrong entity links, duplicate identifiers,
and useful missing disambiguation properties. Return corrected JSON-LD using only facts
present in the inputs, followed by a verification checklist.

[paste JSON-LD, page excerpt, and profile list]

Fragmentos para extraer señales de entidad

Listar valores de sameAs en Chrome DevTools

Ejecuta esto en la consola de la página oficial de la entidad:

[...document.querySelectorAll('script[type="application/ld+json"]')].flatMap(el => {
  try { const data = JSON.parse(el.textContent); return (Array.isArray(data) ? data : [data]).flatMap(item => item.sameAs || []); }
  catch { return []; }
})

Encontrar enlaces de identidad en una extracción de rastreo

Usa esta expresión regular sin distinguir mayúsculas y minúsculas contra el código fuente JSON-LD. El grupo de captura 1 contiene el array sameAs para revisarlo:

"sameAs"\s*:\s*(\[[\s\S]*?\])

Comparar el HTML del servidor con el DOM renderizado

Obtén la respuesta antes de confiar en la salida del navegador:

curl -sS https://example.com/about/ | grep -Eio 'application/ld\+json|sameAs|Organization'

La comprobación es deliberadamente sencilla: si las señales de identidad aparecen solo después del renderizado, muévelas al documento entregado por el servidor.

Herramientas para el SEO de entidades

• Entity Coverage Analyzer: inventaría las entidades y relaciones que una página declara claramente y después encuentra lagunas importantes.
• Google Knowledge Graph Explorer: comprueba si Google resuelve un nombre como una entidad diferenciada e inspecciona sus identificadores, sin tratar un resultado como garantía de un panel.
• Schema Markup Validator: valida el marcado de Organization, Person, Product y sameAs después de confirmar los datos subyacentes.
• Resultados de búsqueda y paneles de conocimiento: prueba consultas de marca y ambiguas en sesiones limpias para ver qué interpretación de entidad aparece.
• Un rastreador con extracción personalizada: compara a escala el marcado de entidades, los nombres, las URL oficiales y los enlaces de perfiles entre plantillas.

Validar un cambio de SEO de entidades

Probar las señales de identidad visibles para el servidor

Prueba que ejecutar: obtén la página sin JavaScript e inspecciona la declaración de identidad, los enlaces oficiales y el JSON-LD. Resultado esperado: los datos definitorios y los datos estructurados están presentes en la respuesta. Interpretación del fallo: los rastreadores de IA que no renderizan no pueden recibir el cambio. Ventana de monitorización: inmediata. Disparador de reversión: una versión mueve las señales de identidad principales detrás del renderizado del cliente.

Probar la coherencia de los identificadores

Prueba que ejecutar: compara los valores sameAs y los datos clave del sitio oficial con cada perfil enlazado. Resultado esperado: cada URL representa la misma entidad y coincide en los datos definitorios estables. Interpretación del fallo: el grafo contiene aristas contradictorias o falsas. Ventana de monitorización: inmediatamente después de cambios en perfiles o esquemas. Disparador de reversión: cualquier identificador resuelve a un homónimo o a una entidad no relacionada.

Probar la desambiguación de consultas ambiguas

Prueba que ejecutar: vuelve a comprobar la consulta de marca concreta que antes mezclaba entidades y registra el resultado y las fuentes citadas. Resultado esperado: la entidad deseada se distingue por categoría, mercado, URL y relaciones. Interpretación del fallo: la corroboración sigue siendo insuficiente o contradictoria. Ventana de monitorización: después de un nuevo rastreo y de actualizar las fuentes; no es inmediata. Disparador de reversión: el texto nuevo aumenta la confusión o afirma un dato que el conjunto de fuentes no respalda.

Medir la claridad de la entidad

Tasa de coherencia de la entidad

Métrica: proporción de perfiles de primera mano y de terceros auditados que coinciden en los datos definitorios estables de la entidad. Qué te indica: si los sistemas reciben una identidad coherente. Cómo obtenerla: mantén un inventario de fuentes y compara el nombre, la categoría, la URL oficial, la ubicación o el mercado y las relaciones clave. Referencia / rango realista: aspira a que no haya contradicciones materiales; el número de perfiles necesarios depende de la entidad. Cadencia: trimestral y después de un cambio de marca.

Precisión de las consultas ambiguas

Métrica: proporción de un conjunto fijo de consultas de marca que resuelven a la entidad deseada sin mezclar homónimos. Qué te indica: si la desambiguación funciona en las superficies importantes. Cómo obtenerla: ejecuta un conjunto de consultas documentado en Search y en sistemas de IA seleccionados, y guarda las salidas y las citas. Referencia / rango realista: establece una línea de base por consulta; los sistemas varían y no es defendible ningún porcentaje universal. Cadencia: mensual.

Cobertura de datos corroborados

Métrica: datos importantes de la entidad respaldados por la fuente oficial y al menos una fuente independiente adecuada. Qué te indica: qué afirmaciones cuentan con pruebas más allá de la propia declaración. Cómo obtenerla: una matriz de datos y fuentes. Referencia / rango realista: prioriza el respaldo completo de los datos que definen la identidad en lugar de maximizar cada propiedad opcional. Cadencia: trimestral.

Ponte a prueba: SEO de entidades

Recursos que merecen tu tiempo

Mis textos e investigaciones relacionados (Ahrefs)

• Correlaciones de visibilidad de marca en AI Overviews (75 000 marcas): el estudio fuente de las cifras de correlación entre menciones y backlinks mencionadas arriba.
• Correlaciones de visibilidad de marca en IA en las tres plataformas: la correlación de la señal de YouTube y la divergencia entre plataformas, con cifras exactas.
• ¿Influyen las menciones en páginas con muchos enlaces en las menciones de IA?: el estudio Brand-Radar detrás de «Google favorece a las marcas».
• SEO semántico (Despina Gavoyannis, revisado por mí): el lado de autoridad temática del trabajo de entidades.

Mis ponencias

• GEO / AEO / LLMO: ¿qué pasa con todo esto de la IA? (Ahrefs Evolve 2025): mi presentación sobre la búsqueda con IA, los datos y los cambios. (Se aplica el descargo habitual: esta es mi interpretación de estos sistemas, no un dogma.)

De otros autores

• Marcado de esquema y citas de IA (Louise Linehan y Xibeijia Guan, Ahrefs): el estudio de JSON-LD que muestra que el esquema no es una palanca de citas, con el conjunto de datos y los porcentajes exactos.
• SEO de entidades: deja de complicarlo (Ahrefs, Si Quan Ong): la postura de que «el SEO de entidades es simplemente SEO»; la guía de un colega que cita a Patrick.
• Explicación del Google Knowledge Graph y guía de marcado de esquema (Ahrefs, Despina Gavoyannis y colegas): los fundamentos y la historia aleccionadora de Ryan Law con sameAs.
• La gran limpieza de claridad de Google: el Knowledge Graph y el futuro de la IA: Jason Barnard (Kalicube) sobre la contracción del Knowledge Graph de junio de 2025, con las cifras exactas.
• Romper los silos de contenido y SEO para construir autoridad de entidad en la búsqueda con IA: Lang Ploszek (Victorious) sobre Reconocimiento, Relaciones y Corroboración.
• Investigación sobre el consenso de entidades: el experimento de que «el volumen sin independencia falla» sobre el consenso sintético, con la metodología y las cifras del estudio.
• Autoridad de entidad y visibilidad en la búsqueda con IA (Search Engine Land, Benu Aggarwal): desglose práctico de cómo la autoridad de entidad se traduce en presencia en la búsqueda con IA.
• Marcado de esquema y búsqueda con IA, sin exageraciones (Search Engine Land): análisis sobrio de lo que hacen y no hacen realmente los datos estructurados para las citas de IA.
• Lo que sabemos sobre el impacto de Wikipedia en los resultados de búsqueda de ChatGPT (ALLMO): la cuota comunicada de Wikipedia en las citas de ChatGPT y los acuerdos de licencia empresarial de Wikimedia con proveedores de IA, con las cifras de las fuentes.
• Informe de citas de IA y visibilidad en LLM de 2025 (Digital Bloom): patrones de citas por plataforma —Google AI Overview frente a ChatGPT y Perplexity— y resultados de coincidencia entre plataformas.
• sameAs frente a knowsAbout en schema.org (Will Scott): distinción técnica entre declarar equivalencia de identidad y declarar experiencia temática.

Registro de cambios