FA
Respuesta rápida:La Densidad de Entidad es el grado en que una máquina puede resolver quién o qué eres sin tener que adivinar. La construyen tres prácticas: una cadena canónica de descripción usada de forma idéntica en todas las superficies, un ancla legible por máquina que ata tus identificadores a un único nodo resoluble, y corroboración desde las fuentes de referencia de terceros que los motores generativos sobrecitan.
«Things, not strings» cumple 14 años
La idea de que hay que optimizar entidades en lugar de palabras clave no es un descubrimiento de la era de la IA. Tiene una fecha de nacimiento pública y exacta. El 16 de mayo de 2012, Amit Singhal anunció el Knowledge Graph de Google en un post cuyo subtítulo se convirtió en la frase más citada de la historia de la búsqueda semántica: «things, not strings», cosas, no cadenas de texto. Singhal lo describió como «un modelo inteligente, en jerga técnica un “grafo”, que entiende entidades del mundo real y sus relaciones entre sí». Salió ese mismo día con más de 500 millones de objetos y más de 3.500 millones de hechos y relaciones entre ellos.
De eso hace 14 años. Quiero ser preciso con esto, porque buena parte de lo que se escribe hoy sobre optimización de entidades lo presenta como algo que la IA generativa inventó en los últimos dieciocho meses, y ese encuadre es a la vez falso y estratégicamente inútil. Es falso porque el mecanismo es una década anterior a ChatGPT. Es inútil porque da a entender que la disciplina es inmadura y que tienes tiempo, cuando ocurre lo contrario: es una idea madura, con herramientas maduras, que la mayoría de organizaciones simplemente decidió no implementar mientras siguió siendo opcional.
Aplico esta corrección a mi propio trabajo como norma. El marco GEO que enseño lo bautizaron Aggarwal y su equipo, en Princeton y Georgia Tech, en noviembre de 2023, no yo. El Answer Engine Optimization lo planteó Jason Barnard en 2018, no en 2024. La optimización por entidades pertenece al anuncio de Google de 2012 y a los profesionales de búsqueda semántica que construyeron sobre él. Acertar con el linaje no es humildad, es exactitud, y la exactitud es todo el producto cuando tu trabajo es investigar.
Lo que sí es genuinamente nuevo es más estrecho, y es el tema del resto del artículo: el coste de equivocarte con tu entidad ha cambiado en un orden de magnitud.
Lo que cambió es el coste de la ambigüedad
El generative engine optimization (GEO), la práctica de conseguir que tu marca sea mencionada y citada dentro de respuestas generadas por IA en lugar de posicionar entre diez enlaces azules, funciona con una tubería distinta a la de la búsqueda clásica. El motor no devuelve una lista para que un humano desambigüe. Resuelve la entidad él mismo, después recupera contra esa resolución, y después escribe una única respuesta. Si te resuelve mal, no hay un segundo resultado en el que el usuario pueda hacer clic. Simplemente no estás, o peor, apareces descrito como otra persona.
La magnitud de ese filtrado es medible. El AI Visibility Index 2026 de Semrush, construido sobre 126 millones de prompts de búsqueda con IA en Estados Unidos entre enero y abril de 2026, en 22 verticales y cuatro plataformas, encontró que cada respuesta tiene un techo duro de fuentes: alrededor de 15,4 fuentes citadas por respuesta en ChatGPT, 9,2 en Google AI Overviews y apenas 3,3 en Gemini. En una respuesta de Gemini, tres huecos deciden el universo visible entero de esa pregunta. En ese entorno la ambigüedad no es una penalización suave de ranking. Es eliminación en primera ronda.
El Index separa además dos cosas que la mayoría de equipos sigue reportando como un solo número. Ser mencionado en una respuesta y ser citado como su fuente divergen mucho según la plataforma: el solapamiento entre las marcas que una respuesta nombra y los dominios que efectivamente enlaza va de alrededor del 64% en Google AI Overviews hasta el 30% en Gemini. Ya escribí sobre por qué esa brecha es el KPI real en autoridad de citación y en visibilidad en IA. La capa de entidad está por debajo de las dos. Una máquina no puede citar un nodo que no consigue identificar.
Otros dos hallazgos del mismo conjunto de datos apuntan en la misma dirección. Solo 36 marcas globales mantuvieron visibilidad top-100 en las cuatro plataformas durante todo el periodo de estudio, una concentración que se vuelve más extrema por sector: en Noticias y Medios las tres primeras marcas se llevan el 82,9% de toda la visibilidad, frente al 41,4% en Finanzas. Y los motores se apoyan mucho en plataformas de referencia cuando resuelven quién es alguien: el propio resumen del Index de Semrush señala que ChatGPT «se apoya con frecuencia en plataformas comunitarias y de referencia como Reddit y Wikipedia». Eso son bases de datos de entidades. Los motores no las consultan por su estilo de prosa. (Los datos de investigación referenciados son © Semrush.)
Suspendí este test con mi propia entidad
Aquí está la parte que me hizo escribir este artículo en lugar de otro explicativo de framework.
Mi propio sitio lleva más de un año con una instrucción de desambiguación: en la copia visible, en el campo disambiguatingDescription de mi schema y en el archivo llms.txt, que existe precisamente para decirle a los modelos de lenguaje quién soy. Decía, en esencia: este es el Fernando Angulo que trabaja en Semrush investigando búsqueda con IA, no el futbolista ecuatoriano ni el boxeador colombiano.
Mientras investigaba este artículo hice lo obvio y lo comprobé. Buscar mi nombre exacto en Wikidata devuelve tres personas. Está Fernando Angulo el baloncestista español (Q5859182), nacido el 11 de junio de 1967 en Miranda de Ebro, alero que jugó en Baskonia, Fuenlabrada y Tenerife entre 1988 y 2007. Está Fernando Angulo el ornitólogo peruano (Q48815491), vinculado a CORBIDI. Y estoy yo (Q138975073).
Ningún futbolista ecuatoriano. Ningún boxeador colombiano. Durante un año había estado instruyendo cuidadosamente a todas las máquinas que leen mi sitio para decirles que no soy dos personas que no existen, mientras las dos que sí existen quedaban sin mencionar. Y el ornitólogo peruano es casi con seguridad el origen de un error de nacionalidad que reaparecía en las respuestas de IA sobre mí, uno que ya había dedicado tiempo a corregir en mis biografías sin llegar nunca a encontrar su causa.
Ya está corregido en todo el sitio. Incluyo el fallo porque es más instructivo que el arreglo: escribo sobre esta disciplina profesionalmente, había hecho el trabajo, y el trabajo apuntaba a los objetivos equivocados porque nunca verifiqué la lista de objetivos contra una fuente primaria. Una desambiguación afirmada de memoria no es desambiguación. Es ruido con aspecto de diligencia.
Densidad de Entidad: las tres prácticas
Lo que estás construyendo no es una página. Es un nodo que la máquina pueda resolver con confianza. A esa propiedad la llamo Densidad de Entidad: el grado en que una máquina puede resolver quién o qué eres sin tener que adivinar. La construyen tres prácticas, en este orden.
1. Una cadena canónica, usada de forma idéntica en todas partes. Elige la descripción exacta de quién eres y pega esa misma cadena, carácter a carácter, en todos los perfiles que controlas: LinkedIn, Crunchbase, X, YouTube, GitHub, biografías de ponente, notas de programa de pódcast. Nada de variantes. Nada de «Semrush (Adobe)» en un sitio y «SEMrush» en otro. Los resolvedores de entidades fusionan señales emparejando tokens, así que cada variante que publicas es un voto para partir tu nodo en dos más débiles. Es poco lucido, es sobre todo copiar y pegar, y es la práctica que los equipos se saltan porque no parece estrategia.
2. Un ancla legible por máquina. Una cadena canónica le dice a la máquina qué afirmas. Un ancla le da un sitio donde resolver esa afirmación. En la práctica esto significa un ítem de Wikidata cuando está justificado, un @id estable en tu schema de Person u Organization, y un array sameAs que liste todos los perfiles de la práctica anterior. El array sameAs es la línea de mayor apalancamiento de casi cualquier bloque de schema, y es la que más a menudo se deja vacía. Estructurarlo bien da para un tema propio, que traté en schema markup para búsqueda con IA.
3. Corroboración desde las fuentes que los motores sobrecitan. Lo que tú afirmas sobre ti mismo es la evidencia más débil del sistema, porque todas las entidades lo hacen. Lo que mueve a un motor es la confirmación independiente desde las fuentes de referencia en las que ya se apoya, y por eso el Index destaca Wikipedia y Reddit como plataformas a las que ChatGPT vuelve una y otra vez. Es la más lenta de las tres prácticas y la única que no puedes ejecutar unilateralmente, que es exactamente por lo que pesa más.
El orden importa. La corroboración construida sobre una cadena canónica inconsistente produce corroboración de un nodo que no es el tuyo. Arregla la cadena, planta el ancla, y después gánate las referencias.
Lo que la Densidad de Entidad no arregla
Tres límites honestos, porque un framework que dice resolverlo todo es un argumentario de venta.
No sustituye tener algo que merezca ser citado. La Densidad de Entidad determina si una máquina puede identificarte; no dice nada sobre si tu material merece un hueco de citación. Resolver perfectamente un nodo que no tiene nada detrás solo hace que tu irrelevancia sea inequívoca.
Es lenta, y es más lenta justo donde más importa. Las prácticas uno y dos las puedes completar en una semana. La tres depende del calendario editorial de otras personas y puede llevar trimestres. Quien te venda trabajo de entidades con garantía a 30 días te está vendiendo las prácticas uno y dos y llamándolo el trabajo entero.
Y no se transfiere sola entre idiomas. Una entidad resuelta limpiamente en inglés puede quedar sin resolver, o mal fusionada, en español, porque el conjunto de fuentes que la corroboran es distinto y más delgado. Esa asimetría es más una oportunidad real que un problema, y es el argumento de Autoridad de Citación Translingüe.
Una nota final sobre dónde está de verdad la demanda. En los datos de keywords de Semrush extraídos para este artículo en julio de 2026, «semantic seo» ronda las 6.600 búsquedas mensuales en Estados Unidos, «knowledge graph seo» 1.300, «entity seo» 1.000 y «entity based seo» 480 con un CPC de 9,31 dólares, la intención comercial más alta del conjunto. Pero la señal más nítida está en las preguntas: las variantes de «cómo encuentro entidades» suman unas 730 búsquedas al mes, más que las consultas definicionales con las que compiten. La gente ya ha aceptado la premisa. Está pidiendo el método. Esa brecha, entre una idea zanjada y una idea sin ejecutar, es donde se fueron los 14 años.
Preguntas frecuentes
Una entidad es una cosa, no una cadena de texto: una persona, empresa, producto o concepto concreto que el sistema de búsqueda guarda como un nodo propio, con su identificador y sus relaciones. Google presentó la idea públicamente el 16 de mayo de 2012, cuando lanzó el Knowledge Graph bajo la frase «things, not strings» (cosas, no cadenas), con más de 500 millones de objetos y 3.500 millones de hechos sobre ellos. Optimizar una entidad es hacer que ese nodo sea resoluble y esté bien descrito, no repetir una frase en una página.
Empieza por la tuya antes de mapear las relacionadas. Busca el nombre exacto de tu marca o tu nombre personal en Wikidata y mira cuántos ítems distintos ya lo llevan: ese conjunto es entre quiénes tiene que elegir la máquina. Después pregúntale a cada plataforma de IA quién eres y lee lo que devuelve. Si las respuestas se contradicen entre sí, tienes un problema de entidad, no de contenido, y ninguna cantidad de trabajo de keywords lo arregla.
Se solapan, pero no son lo mismo. El SEO semántico es la práctica más amplia de cubrir un tema y sus conceptos relacionados de forma que una máquina pueda modelarlos. La optimización de entidades es más estrecha y va de identidad: asegurar que un nodo concreto, tu marca o tu persona, sea inequívoco, esté bien descrito y esté corroborado. Puedes tener una cobertura temática excelente y seguir siendo una entidad que el motor no consigue resolver.
El SEO tradicional optimiza una página contra una consulta. La optimización de entidades optimiza un nodo contra el resto de la web, y la mayor parte del trabajo ocurre fuera de tu propio sitio: descripciones consistentes en perfiles de terceros, un identificador legible por máquina y corroboración desde fuentes de referencia. Por eso un sitio puede posicionar bien y aun así ser invisible, o estar mal descrito, dentro de las respuestas de IA.
El punto de partida público es el 16 de mayo de 2012, cuando Amit Singhal anunció el Knowledge Graph de Google con la frase «things, not strings». La optimización basada en entidades lleva por tanto unos 14 años disponible. Lo que ha cambiado hace poco no es la idea, sino la penalización por ignorarla: los motores generativos resuelven la entidad antes de decidir si te citan, así que la ambigüedad ahora cuesta visibilidad, no solo un knowledge panel.
Lleva la capa de entidad a tu escenario
Doy keynotes sobre búsqueda con IA, GEO y autoridad de citación en Estados Unidos y Europa, incluyendo cómo la resolución de entidades decide quién es citado antes incluso de valorar la relevancia.