Qué IA para qué tarea de SEO: la tabla de decisión

Al terminar esta lección tendrás una tabla de enrutado: para cada tarea de SEO, qué motor abres primero, qué falla en ese motor con nombre y con fecha, y qué comprobación queda obligatoria. No es una comparativa con ganador: es un mapa de fallos documentados.

El dato que ordena la lección es una ausencia. Ninguna página oficial de producto que este curso ha verificado y puede enlazar publica una cifra de exactitud para ninguna tarea de SEO: ni porcentaje de acierto, ni tasa de error, ni conjunto de prueba. Y el freno que más repiten los equipos es exactamente ese: el 57% responde que la calidad del resultado no da la talla y otro 36% que no se fía de la exactitud (Keyword.com, State of AI and Automation in SEO, 1 de enero de 2026, n=97 respuestas útiles). El mercado compra exactitud y nadie la mide en público.

Conviene fijar la frontera. Aquí se usan Claude, ChatGPT, Gemini, Perplexity y los demás motores como herramienta para hacer SEO; cómo consigues que un buscador con IA te cite vive en el nivel de GEO y AIO. Separarlos es organización del curso, no una postura: si el GEO es disciplina propia o SEO con nombre nuevo sigue siendo discusión abierta.

Una advertencia de caducidad: los precios y límites de esta página salen de la documentación oficial de cada proveedor el 20 de septiembre de 2026, así que son pistas fechadas. El índice del nivel está en SEO con IA.

Lo que vas a aprender

• Enrutar cualquier tarea de SEO según siete atributos, no según la marca del motor.
• Saber qué falla en cada motor, con fuente y fecha, y qué comprobación deja obligatoria.
• Reconocer las cinco capacidades que solo existen en un motor y justifican elegir por nombre.
• Decidir si un recargo por búsqueda cambia tu enrutado, con cifras del 20 de septiembre de 2026.
• Ejecutar un script de enrutado sobre tu lista y leer sus tres códigos de salida.

Por qué esta lección es una tabla y no nueve comparativas

La demanda de comparativas entre motores para SEO es mucho menor de lo que el sector supone, y eso se puede comprobar. La investigación de este curso ejecutó tres sondeos de autocompletado de Google el 20 de septiembre de 2026 —chatgpt vs gemini for, is gemini better than chatgpt for y perplexity vs chatgpt for— y recogió 30 sugerencias sin que la palabra SEO apareciera ni una vez: salieron programación, matemáticas, análisis de acciones y consejos de pareja.

Lo que la gente sí busca no lleva marca dentro. Los sondeos best ai for seo y ai for keyword research devolvieron los dos un árbol completo de diez sugerencias dentro del tema, el mismo 20 de septiembre de 2026. Registran si una sugerencia existe, no cuánta gente la escribe, así que de aquí no sale ninguna estimación de búsquedas. Con esa señal, esta lección absorbe tres páginas que el sector escribe por separado: ChatGPT frente a Gemini, Perplexity frente a ChatGPT y «la mejor IA para keyword research».

Hay además una discusión abierta que esta página no resuelve. Nueve páginas casi idénticas, una por motor, se parecen a lo que la política antispam de Google describe como contenido a escala sin valor añadido: el texto vigente (Last updated 28 de agosto de 2026) señala generar muchas páginas «for the primary purpose of manipulating search rankings and not helping users», sin importar cómo se hayan creado. Una parte del sector lee ahí que una plantilla rellenada por motor ya entra en la definición; otra responde que no entra si cada página aporta hechos distintos, y recuerda que Google no publica ningún umbral. Ninguna postura tiene una medición detrás, así que este curso no dicta sentencia: escribe una tabla por la razón de demanda del párrafo anterior, que sí está medida.

La asimetría que ordena la tabla: nadie publica una cifra de exactitud

La observación central de esta lección es unilateral, y por eso se puede afirmar: en las páginas de producto y documentación oficial que este curso ha abierto y verificado no aparece ninguna cifra de exactitud para ninguna tarea de SEO. Dicen qué hace la herramienta, no con qué frecuencia acierta.

El conector de Ahrefs para Claude, cuya ficha indica «Added January 2026», se presenta como vía para investigar keywords, analizar enlaces, seguir posiciones y vigilar la visibilidad de marca; lo que falta ahí es cualquier medida de acierto, sin tasa de error ni conjunto de prueba ni comparación frente a una referencia. La documentación del MCP de Semrush, actualizada el 5 de agosto de 2026, detalla endpoint, transporte y autenticación, y tampoco mide si la respuesta es correcta. Las dos son honestas en lo que prometen; no prometen exactitud.

La única comparativa entre motores sobre tareas de SEO concretas que localizó esta investigación está en SE Ranking (Yulia Deda, 7 de julio de 2025, actualizada el 24 de junio de 2026): cuatro tareas, con Claude por delante en JSON-LD (1 problema no crítico en la prueba de resultados enriquecidos frente a 5) y en briefs de contenido, y ChatGPT por delante en titulares de blog. Lo que falta es el aparato de medición: sin rúbrica ni muestra declarada, y con resultados cualitativos en lugar de métricas.

El patrón se repite en las fuentes que documentan fallos, que son las más valiosas de la lista. ContextBolt (23 de junio de 2026) registró que el modelo trataba estimaciones de terceros como datos y que insistía en una keyword inalcanzable con la dificultad delante; falta el denominador, porque es un sitio, una semana y una autoría que consta solo como «David». Rich Voller (26 de mayo de 2026) documentó cinco modos de fallo del servidor MCP de Screaming Frog, dos de ellos mecánicamente distintos entre sí, sobre un rastreo y sin muestra. Y Hawk Academy ofrece 51 skills de SEO sin fecha en la página, con 29 en el repositorio asociado.

Sumadas, esas ausencias dan la asimetría: los compradores declaran que su freno es la calidad (57%) y la desconfianza en la exactitud (36%) sobre 97 respuestas útiles, y nadie del lado vendedor publica una cifra. De ahí la forma de la tabla siguiente.

La tabla de enrutado: tarea, motor, fallo documentado y comprobación

Esta tabla es el centro de la lección y se usa al revés que una lista de herramientas: primero se identifica el fallo conocido, y el motor sale de ahí. Las fechas son de la fuente.

Una advertencia sobre cómo leerla: la columna de fallos mezcla dos calidades de evidencia. Un caso documentado en un sitio (Voller, Scott, ContextBolt) es un indicio fuerte con una muestra de un solo caso; una condición de producto en documentación oficial la verifica cualquiera. Y ninguna fila dice qué motor escribe mejor: no hay medición pública que lo sostenga.

Las cinco capacidades que solo existen en un motor

Elegir por marca solo tiene sentido cuando la capacidad no existe en otro sitio. La investigación de este curso encontró cinco casos así, y son funciones concretas.

• Grounding with Google Search, en Gemini. Única API que ejecuta consultas reales en Google y devuelve anotaciones url_citation con índices start_index y end_index: marcan qué tramo del texto sostiene cada fuente.
• GPTs personalizados con Actions, en ChatGPT. Un esquema OpenAPI contra un proveedor de datos es un artefacto de ChatGPT y no se reescribe para otro motor. Paul Shapiro publicó el montaje canónico contra DataForSEO en Search Wilderness el 28 de noviembre de 2023.
• Perplexity Pages. Superficie de publicación dentro de un motor: Danny Goodwin documentó en Search Engine Land, en un artículo sin fecha visible, que esas páginas han aparecido en AI Overviews y en fragmentos destacados de Google. Si es táctica defendible o parasitismo se trata en el nivel de black hat SEO.
• Copilot dentro de Bing Webmaster Tools. Responde sobre tu sitio consultando tus datos de Bing. Disponible para todos los usuarios desde el 18 de marzo de 2025 según el blog de Bing Webmaster, y solo en inglés.
• Búsqueda en vivo en X, en Grok. Único diferenciador real del motor de xAI: pulso de conversación, nunca medición.

El contraste con el resto dice bastante. Para cuatro de los siete motores estudiados, el sondeo de autocompletado del 20 de septiembre de 2026 se derrumbó en una, dos o tres sugerencias hacia significados sin relación: copilot for seo derivó a aviación, local llm for seo a másteres en Derecho y deepseek for seo a genéricos sobre cuánto tarda el SEO. Grok, Copilot, DeepSeek y los modelos locales son filas de una tabla, no páginas.

Los recargos que cambian el enrutado

El precio por token rara vez decide el enrutado. Lo decide el recargo por búsqueda. Según la documentación oficial consultada el 20 de septiembre de 2026, la búsqueda web de OpenAI cuesta 10 $ por cada 1.000 llamadas; el grounding de Gemini da 5.000 búsquedas gratis al mes y después 14 $ por cada 1.000, con Gemini 2.5 Pro en 1.500 peticiones diarias y luego 35 $ por cada 1.000; Perplexity suma de 5 a 14 $ por cada 1.000 peticiones según el contexto, por encima de los tokens. Los lotes descuentan el 50% en OpenAI y en Google, y DeepSeek cobra la mitad fuera de hora punta.

La trampa la documenta Google: «a customer-submitted request may result in one or more queries to Google Search. You will be charged for each individual search query performed». Cada consulta se factura, así que toda estimación que asuma una búsqueda por prompt saldrá baja sin avisar. El modelo de coste completo tiene lección propia en este nivel.

El diagnóstico: un script de enrutado que puedes ejecutar

La tabla de enrutado sirve para una tarea; para una lista de treinta conviene un script. enrutar.py no tiene dependencias, no sale a la red y funciona con Python 3 tal cual. Aplica siete reglas en orden sobre siete atributos de la tarea, se queda con la primera que coincide y, si ninguna coincide, devuelve el veredicto por defecto: ocho en total.

La primera regla es la bloqueante, y va primera a propósito: si la tarea necesita una métrica que solo existe en un conjunto de datos real (volumen, dificultad, dominios de enlace), no hay motor que la resuelva y el script lo dice en lugar de sugerir uno. El orden es la parte opinable, y está puesto para que el bloqueo gane siempre.

#!/usr/bin/env python3
# enrutar.py - enruta tareas de SEO a un motor de IA segun siete atributos de la tarea.
# doctor-seo.net - Nivel 8, leccion 12. Reglas fechadas a 20 de septiembre de 2026.
# Uso:  python3 enrutar.py            (usa la lista de ejemplo incluida)
#       python3 enrutar.py tareas.csv (CSV ';' con la misma cabecera)
# Codigos de salida: 0 = todo enrutado, 1 = hay tareas bloqueadas, 2 = CSV ilegible o mal formado.

import csv
import io
import sys

CAMPOS = ["dato_externo", "resultados_google", "datos_x", "fuentes_citadas",
          "salida_codigo", "confidencial", "lote_grande"]

EJEMPLO = """tarea;dato_externo;resultados_google;datos_x;fuentes_citadas;salida_codigo;confidencial;lote_grande
Volumenes y dificultad de 300 keywords;si;no;no;no;no;no;no
Recoger los resultados reales de Google para 50 consultas;no;si;no;no;no;no;no
Que se dice hoy en X sobre una actualizacion;no;no;si;no;no;no;no
Localizar la fuente primaria de una cifra del sector;no;no;no;si;no;no;no
Generar el JSON-LD de 40 fichas de producto;no;no;no;no;si;no;no
Analizar los logs de un cliente bajo acuerdo de confidencialidad;no;no;no;no;no;si;no
Reescribir 4.000 meta descriptions;no;no;no;no;no;no;si
Agrupar una lista de 2.000 keywords que ya tienes;no;no;no;no;no;no;no
"""

# Cada regla: (campo, motor, comprobacion obligatoria, bloquea)
REGLAS = [
    ("dato_externo",
     "NINGUNO sin fuente conectada",
     "Conecta DataForSEO, Ahrefs, Semrush o el Keyword Planner. Sin fuente, la cifra es generada.",
     True),
    ("confidencial",
     "Modelo local (Ollama u otro)",
     "El coste es hardware, no tokens. Verifica que nada del prompt sale de tu red.",
     False),
    ("resultados_google",
     "Gemini: Grounding with Google Search",
     "Es la unica API que devuelve resultados de Google. Google avisa de que una peticion puede "
     "lanzar varias busquedas y cada una se factura: cuenta busquedas, no prompts.",
     False),
    ("datos_x",
     "Grok con Web/X Search activado",
     "Sin esas herramientas no tiene conocimiento posterior al 1 de febrero de 2026. Fecha cada "
     "afirmacion que saques de ahi.",
     False),
    ("fuentes_citadas",
     "Perplexity (Sonar si va a escala)",
     "Abre cada URL citada antes de usarla. La factura suma recargo por peticion sobre los tokens.",
     False),
    ("salida_codigo",
     "ChatGPT o Claude",
     "Ningun motor publica una tasa de acierto al generar codigo: validalo en la prueba de "
     "resultados enriquecidos de Google antes de publicarlo.",
     False),
    ("lote_grande",
     "El nivel mas barato que pase tu control de calidad",
     "Compara el precio por token con el recargo por busqueda antes de elegir nivel; el muestreo "
     "del lote tiene leccion propia, la 27 de este nivel.",
     False),
]

POR_DEFECTO = ("Cualquier generalista: el enrutado no es el problema",
               "Elige por coste y mide la salida; medirla tiene leccion propia, la 25 de este nivel.",
               False)


def enrutar(fila):
    for campo, motor, comprobacion, bloquea in REGLAS:
        if fila[campo] == "si":
            return motor, comprobacion, bloquea
    return POR_DEFECTO


def main():
    if len(sys.argv) > 1:
        try:
            with open(sys.argv[1], encoding="utf-8") as fh:
                texto = fh.read()
        except OSError as err:
            print("No se pudo abrir el fichero: %s" % err, file=sys.stderr)
            return 2
    else:
        texto = EJEMPLO

    filas = list(csv.DictReader(io.StringIO(texto), delimiter=";"))
    if not filas:
        print("CSV vacio", file=sys.stderr)
        return 2

    bloqueadas = 0
    for n, fila in enumerate(filas, start=1):
        if fila.get("tarea") is None:
            print("Fila %d: falta la columna 'tarea'" % n, file=sys.stderr)
            return 2
        for campo in CAMPOS:
            if fila.get(campo) not in ("si", "no"):
                print("Fila %d: la columna '%s' debe ser si o no" % (n, campo), file=sys.stderr)
                return 2
        motor, comprobacion, bloquea = enrutar(fila)
        if bloquea:
            bloqueadas += 1
        print("[%d] %s" % (n, fila["tarea"]))
        print("    motor: %s" % motor)
        print("    comprobar: %s" % comprobacion)

    print("---")
    print("%d tareas enrutadas, %d bloqueadas por falta de datos reales" % (len(filas), bloqueadas))
    return 1 if bloqueadas else 0


if __name__ == "__main__":
    sys.exit(main())

Ejecutado sin argumentos sobre su lista de ejemplo, devuelve esta salida, copiada literalmente de la ejecución de preparación de esta lección:

$ python3 enrutar.py
[1] Volumenes y dificultad de 300 keywords
    motor: NINGUNO sin fuente conectada
    comprobar: Conecta DataForSEO, Ahrefs, Semrush o el Keyword Planner. Sin fuente, la cifra es generada.
[2] Recoger los resultados reales de Google para 50 consultas
    motor: Gemini: Grounding with Google Search
    comprobar: Es la unica API que devuelve resultados de Google. Google avisa de que una peticion puede lanzar varias busquedas y cada una se factura: cuenta busquedas, no prompts.
[3] Que se dice hoy en X sobre una actualizacion
    motor: Grok con Web/X Search activado
    comprobar: Sin esas herramientas no tiene conocimiento posterior al 1 de febrero de 2026. Fecha cada afirmacion que saques de ahi.
[4] Localizar la fuente primaria de una cifra del sector
    motor: Perplexity (Sonar si va a escala)
    comprobar: Abre cada URL citada antes de usarla. La factura suma recargo por peticion sobre los tokens.
[5] Generar el JSON-LD de 40 fichas de producto
    motor: ChatGPT o Claude
    comprobar: Ningun motor publica una tasa de acierto al generar codigo: validalo en la prueba de resultados enriquecidos de Google antes de publicarlo.
[6] Analizar los logs de un cliente bajo acuerdo de confidencialidad
    motor: Modelo local (Ollama u otro)
    comprobar: El coste es hardware, no tokens. Verifica que nada del prompt sale de tu red.
[7] Reescribir 4.000 meta descriptions
    motor: El nivel mas barato que pase tu control de calidad
    comprobar: Compara el precio por token con el recargo por busqueda antes de elegir nivel; el muestreo del lote tiene leccion propia, la 27 de este nivel.
[8] Agrupar una lista de 2.000 keywords que ya tienes
    motor: Cualquier generalista: el enrutado no es el problema
    comprobar: Elige por coste y mide la salida; medirla tiene leccion propia, la 25 de este nivel.
---
8 tareas enrutadas, 1 bloqueadas por falta de datos reales

Los tres códigos de salida son la parte útil en un flujo automatizado. Devuelve 0 si todas las filas se enrutaron sin bloqueos; 1 si al menos una necesita una fuente que no tienes conectada, el caso de la fila 1; y 2 si el fichero no se puede abrir, si falta la columna tarea o si alguna columna de atributos trae algo que no sea si o no. Ese 2 es estricto a propósito: un nombre de fichero mal escrito y un atributo escrito «quizá» se rechazan los dos, en lugar de pasar por un 1 o por un «no».

Para usarlo con tu lista, guarda un CSV con la misma cabecera y pásalo como argumento. Rellenar las siete columnas es el trabajo real, y dato_externo es la que obliga a decir si la tarea depende de una cifra que nadie de tu equipo puede consultar. Dos veredictos remiten a otras lecciones del nivel en lugar de resolver la comprobación aquí: la 25 y la 27.

Dónde el enrutado no decide nada

Elegir motor decide con qué herramienta empiezas, no si la tarea debía delegarse ni si el resultado vale. Lo primero que el enrutado no arregla son los números inventados. Ningún motor tiene acceso a datos de volumen y todos devuelven cifras igualmente: la consecuencia práctica es la primera fila de la tabla de enrutado, que bloquea en lugar de recomendar marca. Ese problema tiene lección propia, la siguiente de este nivel, «Por qué toda IA se inventa los volúmenes de búsqueda».

Lo segundo es la decisión de delegar. Que una tarea deba pasar a un modelo depende del coste de un resultado equivocado y de lo fácil que sea comprobarlo, y ese triaje de dos ejes no lo hace esta tabla. El reparto tarea por tarea de lo que Claude resuelve solo y lo que no se suelta está en la lección sobre qué puede y qué no puede hacer Claude en SEO.

Lo tercero son los datos propios: para que un motor trabaje sobre tu rendimiento real hace falta una conexión, y en Search Console sigue siendo de la comunidad. El montaje y la postura de solo lectura están en la lección de Search Console y GA4 por MCP, y el rastreo (crawling), en el nivel de SEO técnico.

La cifra que resume el límite está en la misma encuesta de Keyword.com (1 de enero de 2026, n=97 respuestas útiles, con el 56% en equipos de una a cinco personas): solo el 1% describe algún flujo como totalmente automatizado, una respuesta de 97. Muestra pequeña y autoseleccionada: ordena tareas, no mide a la profesión. Aun así, el enrutado elige quién redacta el borrador y la persona sigue siendo quien firma.

Errores comunes

• Elegir motor por la comparativa de un blog. La única comparativa sobre tareas de SEO concretas que localizó esta investigación ejecutó cuatro tareas sin rúbrica ni muestra (SE Ranking, 7 de julio de 2025). El arreglo: úsala como observación fechada y decide por capacidad y fallo documentados.
• Estimar un lote contando prompts. Google documenta que cada consulta se factura por separado. El arreglo: ejecuta cincuenta peticiones reales, lee las búsquedas facturadas y extrapola desde ahí.
• Enrutar un lote con grounding al nivel gratuito de Gemini. Ese nivel no incluye grounding (documentación oficial, 20 de septiembre de 2026), así que la tarea no sale peor: no sale. El arreglo: comprueba el plan antes de planificar el lote, y trata las 5.000 búsquedas gratis al mes como primer tramo, no como total.
• Enrutar una tarea que no debía delegarse. El 51% de los encuestados se niega a automatizar link building y outreach (Keyword.com, 1 de enero de 2026, n=97). El arreglo: decide antes si delegas.

Resumen

• Ninguna página oficial de producto verificada para esta lección publica una cifra de exactitud para ninguna tarea de SEO, mientras el 57% de los equipos encuestados dice que la calidad es su freno (Keyword.com, 1 de enero de 2026, n=97).
• Tres sondeos de autocompletado del 20 de septiembre de 2026 dieron 30 sugerencias sin que la palabra SEO apareciera ninguna vez: la demanda de comparativas entre motores es mucho menor de lo que el sector supone.
• Se enruta por atributo: dato externo, resultados de Google, datos de X, fuentes citadas, salida de código, confidencialidad y tamaño del lote. Si la tarea necesita una métrica de un conjunto de datos real, ningún motor la resuelve.
• Solo cinco capacidades justifican elegir por nombre: el grounding de Gemini, los GPTs con Actions, Perplexity Pages, Copilot en Bing Webmaster Tools y la búsqueda en X de Grok. Y el recargo por búsqueda pesa más que el precio por token: Google documenta que una petición puede facturar varias búsquedas.
• enrutar.py aplica siete reglas más un veredicto por defecto y devuelve 0, 1 o 2 según si todo se enrutó, si algo quedó bloqueado o si el CSV es ilegible.
• El enrutado no decide si delegar ni sustituye la comprobación: solo el 1% declara un flujo totalmente automatizado, 1 de 97 (Keyword.com, 1 de enero de 2026).

Preguntas frecuentes

¿Cuál es la mejor IA para SEO en 2026?

No hay respuesta general: ninguna página oficial de producto revisada para esta lección publica una cifra de exactitud para ninguna tarea de SEO, así que este curso no tiene base pública sobre la que ordenar motores. Lo que sí se puede es enrutar por tarea: Gemini para resultados reales de Google, ChatGPT o Claude cuando la salida es código, Perplexity para fuentes primarias, Grok para la conversación de X, y ningún motor cuando la tarea depende de una métrica externa.

¿Puede ChatGPT o Gemini hacerme el keyword research?

Pueden agrupar, clasificar y proponer términos sobre una lista que aportes tú, y no pueden darte volúmenes ni dificultad: esos números salen generados. Si Quan Ong los llamó «simply guesses» en Ahrefs el 30 de octubre de 2025, y ContextBolt registró el 23 de junio de 2026 que un modelo trataba estimaciones de terceros como datos. La vía practicable es conectar una fuente real; la más documentada es un GPT personalizado con Actions, según el montaje que Paul Shapiro publicó en Search Wilderness el 28 de noviembre de 2023.

¿Y para que los buscadores con IA me citen, qué motor uso?

Ninguno: esa pregunta no es de enrutado. Que Google AI Overviews, ChatGPT o Perplexity citen tu página depende de cómo esté escrita y servida, no de con qué motor la hayas redactado, y se trabaja en el nivel de GEO y AIO. Este nivel trata de operar los motores; el nivel 4, de tu visibilidad dentro de ellos.

Fuentes

• Keyword.com, State of AI and Automation in SEO, 1 de enero de 2026, n=97 respuestas útiles; la página se titula State of AI in SEO 2026: Survey Data on Automation, Tools & Time Saved (keyword.com). De ahí el 57% («la calidad no es suficientemente buena»), el 36% (desconfianza en la exactitud), el 51% (negativa a automatizar link building), el 56% (equipos de una a cinco personas) y el 1% de flujos totalmente automatizados.
• SE Ranking, Yulia Deda, Claude AI vs. ChatGPT: Which AI Tool is Better for SEO?, 7 de julio de 2025, actualizado el 24 de junio de 2026: seranking.com. Cuatro tareas, resultados cualitativos, sin rúbrica ni muestra.
• ContextBolt, Claude SEO Experiment, 23 de junio de 2026 (contextbolt.com): un sitio, una semana, autoría solo como «David».
• Rich Voller, Screaming Frog v24 MCP, 26 de mayo de 2026 (richvoller.com): cinco modos de fallo sobre un rastreo, sin muestra. Screaming Frog v24.0, con servidor MCP nativo, se publicó el 19 de mayo de 2026 (Launchcodex, 27 de mayo de 2026).
• Páginas de producto sin cifra de exactitud: conector de Ahrefs para Claude, «Added January 2026» (claude.com), y MCP de Semrush, 5 de agosto de 2026 (developer.semrush.com).
• Paul Shapiro, Using ChatGPT’s Custom «GPTs» for SEO and Keyword Research, Search Wilderness, 28 de noviembre de 2023 (searchwilderness.com). Hawk Academy, Claude SEO Skills, 51 skills sin fecha en la página (hawkacademy.co), con 29 en el repositorio asociado.
• Passionfruit, Dewang Mishra, MCP Connectors for Marketing, 28 de marzo de 2026 (getpassionfruit.com): Search Console como conector de comunidad o autoalojado.
• Sin enlace, porque sus páginas no se abrieron durante la preparación de esta lección: Si Quan Ong, AI can’t replace SEO tools, but it can use them, Ahrefs, 30 de octubre de 2025; Will Scott, Use Claude for SEO. Don’t let Claude do SEO., Search Engine Land, 28 de agosto de 2026, dos sitios y no un estudio; y Danny Goodwin sobre Perplexity Pages en AI Overviews y fragmentos destacados, Search Engine Land, sin fecha.
• Copilot in Bing Webmaster Tools is Now Available to All Users, blog de Bing Webmaster, 18 de marzo de 2025. Google Search Central, Spam policies for Google web search, actualizada el 28 de agosto de 2026, que no fija umbral de páginas.
• Precios y límites consultados el 20 de septiembre de 2026 en la documentación oficial de Google AI for Developers, OpenAI, Perplexity, xAI y DeepSeek; y sondeos de autocompletado de Google de ese mismo día, que registran la existencia de una sugerencia y no su volumen.

Seguir el curso

Esta es la lección 12 del nivel 8. La anterior, «Claude Cowork para SEO», no está publicada todavía, así que no lleva enlace; la siguiente, «Por qué toda IA se inventa los volúmenes de búsqueda», trata entero el problema de la fila bloqueante. El índice del nivel está en SEO con IA: la IA como herramienta de trabajo, y el recorrido completo, en el curso de SEO de doctor-seo.net.