IA que asiste al SEO, no lo sustituye: el enfoque híbrido
Chris Green ha publicado en Search Engine Journal una reflexión que choca frontalmente con la narrativa dominante de la automatización total: la IA debe reducir la fricción del trabajo SEO, no sustituir al profesional que lo ejecuta. Su planteamiento, basado en una extensión de Chrome que combina checks deterministas, datos del navegador y modelos locales como Gemini Nano, apunta a un modelo híbrido donde cada pieza hace lo que mejor sabe hacer.
El debate importa porque llevamos un año asistiendo a una fiebre por los agentes autónomos y los servidores MCP capaces de auditar sitios enteros sin que un humano los mire. El problema, como señala Green, es que resulta demasiado fácil creer que estás auditando cuando en realidad estás delegando el criterio a un predictor estadístico de tokens. Y eso, en SEO técnico, se paga.
Lo determinista no necesita un LLM
Hay partes del SEO técnico que son binarias y lo seguirán siendo: una URL devuelve 404 o no, existe canonical o no, el robots.txt permite el acceso o no, el enlace cambia entre HTML servido y DOM renderizado o no. Para estas comprobaciones, meter un modelo de lenguaje es ineficiente, caro y poco fiable.
En el mercado hispanohablante he visto demasiadas agencias presumir de auditorías «con IA» cuando lo único que hacen es pegar un HTML en ChatGPT y pedirle que opine. El resultado suele ser una lista de recomendaciones genéricas, a veces inventadas, que un crawler clásico como Screaming Frog o Sitebulb habría detectado con precisión milimétrica en segundos. La regla práctica: si un check se puede escribir como código, escríbelo como código.
Donde la IA sí aporta: traducir evidencia en lenguaje accionable
Green identifica muy bien el punto dulce. Una vez tienes los datos duros, un LLM puede convertir un JSON ilegible o una tabla de 400 filas en:
- Una explicación concisa del hallazgo.
- Un resumen de qué ha cambiado respecto a la última revisión.
- Una descripción lista para pegar en un ticket de Jira.
- Una redacción comprensible para un cliente no técnico.
- Interpretación de un cambio semántico ambiguo.
Esto es oro puro para consultoría. El cuello de botella del SEO técnico rara vez es detectar el problema; es comunicarlo de forma que el equipo de desarrollo lo priorice. Y ahí un modelo bien instruido rebaja la fricción sin arrebatar la decisión al profesional.
Gemini Nano y el límite de los modelos locales
El dato técnico más interesante del artículo es la experiencia con Gemini Nano, el modelo de 4 bits que Chrome ya embarca por defecto. Green comprobó que es razonablemente bueno describiendo cambios textuales (por ejemplo, detectar que sustituir un anchor descriptivo por un «Learn more» elimina contexto útil), pero falla cuando se le pide combinar varios hechos técnicos en un juicio SEO final: confunde entradas con salidas, inventa justificaciones y no capta el matiz.
La conclusión práctica es importante para quienes estamos construyendo tooling en 2026: los modelos on-device sirven para explicar, no para juzgar. Si quieres juicio, necesitas un modelo frontera y un prompt con mucho contexto estructurado. Y aún así, el revisor humano sigue siendo responsable de la decisión final. El modelo no rinde cuentas ante el cliente; tú sí.
El desacuerdo del modelo como señal de calidad
Hay un beneficio colateral del enfoque híbrido que me parece infravalorado: cuando el modelo trabaja con evidencia estructurada y un remit claro, desaparece la sycophancy, esa tendencia molesta de los chatbots a darte la razón. Si el modelo discrepa, puedes inspeccionar por qué. Y en ese análisis suelen aparecer las verdaderas debilidades del flujo: evidencia ruidosa, terminología ambigua, dos conceptos fusionados, lógica determinista floja o sesgo del propio consultor.
En mi experiencia construyendo workflows para ecommerce, cuando el modelo «se equivoca» de forma consistente, casi siempre es síntoma de que mi check determinista está mal diseñado o de que el contexto que paso es insuficiente. Es un ciclo de mejora que se pierde si delegas todo a un agente autónomo.
Qué implica esto para el SEO hispanohablante
Veo tres consecuencias prácticas para quienes trabajamos en el mercado español y LATAM:
- Diferénciate con criterio, no con volumen. Las auditorías 100% automatizadas se están comoditizando. El valor está en la interpretación contextual que un LLM no puede replicar.
- Invierte en herramientas propias o extensiones. El stack ganador combina crawler determinista + LLM para capa de comunicación. Herramientas tipo Screaming Frog ya integran OpenAI vía custom JavaScript; aprovéchalo.
- Educa al cliente. Si tu cliente cree que un agente de IA puede sustituir a su consultor SEO, el problema es de posicionamiento, no de tecnología. Enseña la diferencia entre asistencia y autonomía.
La tesis de Green coincide con lo que llevo defendiendo desde hace meses: el SEO que sobrevivirá a esta ola no es el que automatice más, sino el que automatice mejor. Deterministo donde se pueda, IA donde ayude a interpretar, humano siempre en la decisión. Si la burbuja de los modelos frontera revienta y los costes se disparan, este enfoque dejará de ser una opción elegante para convertirse en el único camino viable.
Fuente original: Search Engine Journal
Autor
Vakho Mtchedlishvili
SEO Lead especializado en ecommerce y AI Search. Ayudo a negocios digitales a crecer en Google y en los nuevos entornos de búsqueda con IA.