Metodología SRO: Las 5 Capas del Posicionamiento en IA

Ejemplo concreto: una clínica dental en Barcelona define como Macro "odontología en Barcelona". Sus Seeds son páginas pilar como "implantología dental", "ortodoncia invisible" y "odontopediatría". Cada Seed tiene 8-12 Nodes que responden consultas específicas ("cuánto cuesta un implante dental", "diferencia entre Invisalign y brackets"). Los Nodes enlazan al Seed correspondiente, los Seeds enlazan al Macro y al menos a 2 Seeds hermanos.

Por qué importa: sin Macro definido, la IA percibe tu web como una colección dispersa de páginas sin tema dominante. Esto reduce la probabilidad de retrieval cuando un usuario pregunta por consultas dentro de tu categoría. La macrosemántica es lo que convierte tu web en una autoridad temática reconocible — la condición previa para que la IA prefiera tus pasajes sobre los de competidores aleatorios.

Ejemplo concreto: un párrafo mal microsemántico empieza con "Nuestra empresa lleva años...". Reescrito microsemántico: "Relevante.IA aplica desde 2025 una metodología SRO de 5 capas que combina arquitectura semántica, optimización de pasajes, elegibilidad técnica, calibración E-E-A-T y alineación con query frameworks. El objetivo: que ChatGPT, Gemini y Perplexity citen tu negocio cuando los usuarios preguntan." La entidad aparece al inicio, hay datos verificables, predicado claro.

Por qué importa: la IA recupera pasajes, no páginas completas. Si tus fragmentos no son autocontenidos, el modelo los descarta aunque tu página tenga buen ranking en Google. La microsemántica es la diferencia entre contenido leído y contenido citado.

Ejemplo concreto: una web construida solo con client-side rendering (CSR) tradicional puede ranquear bien en Google porque Googlebot ejecuta JavaScript, pero los crawlers de ChatGPT y Perplexity tienen menos tolerancia. Migrando a SSR/SSG (Next.js, Astro) el contenido se sirve pre-renderizado en HTML, reduciendo LCP de 4,5s a 1,8s y haciendo el contenido extraíble por todos los bots IA. Schema markup pasa de ausente o básico a 6 schemas validados (Organization, Service, FAQPage, BreadcrumbList, Article, Person).

Por qué importa: si tu contenido no carga, no carga rápido o requiere JavaScript que el bot no ejecuta, el modelo nunca llega a evaluar tu calidad semántica. Es la palanca menos sexy pero la más estructural — sin ella, las capas 1, 2, 4 y 5 no producen efecto.

Ejemplo concreto: un blog técnico sin autor visible, sin fechas y sin citas externas se interpreta como contenido orfan o promocional. Refactor E-E-A-T: cada post incluye AuthorBio con nombre, cargo, credenciales y enlace a LinkedIn; fechas datePublished y dateModified visibles y en schema; 3-5 citas a fuentes externas reconocidas dentro del cuerpo; testimonios verificables con schema Review marcado correctamente. Resultado: el modelo encuentra las cuatro señales E-E-A-T y eleva la probabilidad de cita.

Por qué importa: en consultas con múltiples candidatos válidos, el modelo prefiere fuentes con más confianza acumulada. E-E-A-T es la palanca que rompe empates contra competidores con contenido similar — y los empates son la mayoría de los casos.

Ejemplo concreto: una asesoría fiscal con un blog genérico sobre "servicios fiscales" no aparece en consultas como "cómo declarar el IRPF si trabajo desde casa" (instructional), "diferencia entre autónomo y SL" (comparativa) o "cuándo cambiar de régimen fiscal" (decisión). Aplicando query frameworks, la asesoría crea contenido específico para cada patrón, multiplicando la cobertura semántica y apareciendo en respuestas que antes no captaba.

Por qué importa: el fan-out del retrieval IA expande cada consulta del usuario en decenas de variantes. Si tu contenido no encaja con ningún patrón reconocible (instructional, comparativo, etc.), no entra en la fase de evaluación. Es el filtro inicial que descarta contenido aunque sea de calidad.