Al terminar esta lección tendrás un test de procedencia para cualquier cifra que te dé un modelo de lenguaje: si no puedes nombrar la fuente, la fecha y el método de recogida — más el ámbito al que se refiere —, la cifra está generada y no se usa. Se aplica a mano en veinte segundos, y también como script.
La frase más dura sobre esto la firma quien vende los datos, no quien desconfía de la IA. Si Quan Ong escribió en el blog de Ahrefs el 30 de octubre de 2025 que los volúmenes que cita un modelo de lenguaje son «simply guesses», simples conjeturas, y recogió la comparación de un profesional citado ahí mismo: «Just like I can estimate there are 47 million penguins living in your fridge». Es un artículo de argumentación y no declara tamaño de muestra: conviene decirlo antes de apoyarse en él.
La razón es más simple que la palabra «alucinación». Un modelo sin fuente conectada no tiene ningún dato de volumen dentro: tiene forma, no dato. Le pides el volumen mensual de un término en España y produce la cadena que más se parece a una respuesta de ese tipo. No miente ni acierta: rellena un hueco.
Una frontera antes de empezar. Esta lección trata de usar los modelos como herramienta; cómo consigues que un buscador con IA te cite vive en el nivel de GEO y AIO. Y qué motor abrir para cada tarea se decide en la lección anterior, la tabla de decisión por tarea: aquí se audita el número que sale de cualquiera de esos motores.
Lo que vas a aprender
- Aplicar un test de procedencia de cuatro comprobaciones a cualquier cifra que entregue un modelo, con script que da un veredicto por fila.
- Explicar por qué esto es un problema de acceso a datos y no de «alucinación».
- Conectar una fuente real de volumen y saber qué sigue siendo estimación después.
- Saber qué cambian los modos de investigación profunda y los modos agente, y qué no.
- Usar tres sustitutos legítimos de la demanda cuando no hay volumen, con su límite declarado.
Por qué un modelo sin fuente conectada no puede saber un volumen
Un volumen de búsqueda es una medición con propietario: alguien observa un flujo de consultas durante un periodo, lo modela y publica una cifra por palabra clave, país e idioma. Ese dato vive en un panel o en una API, detrás de una cuenta. ChatGPT, Gemini, Claude o Perplexity no acceden a esos flujos por existir, igual que no acceden a tu Search Console: sin fuente conectada, la cifra la han compuesto ellos.
Eso explica el rasgo que desconcierta la primera vez: la cifra inventada es plausible. Un modelo que ha visto miles de tablas de palabras clave conoce el aspecto de un volumen: el rango razonable, el redondeo a la centena, la proporción entre cabeza y cola larga. Reproducir la forma de un dato no es tenerlo, y es lo que hace que estas cifras pasen desapercibidas en una hoja de cálculo.
De ahí el título. No es el defecto de un motor que otro haya resuelto: es una propiedad de cualquier sistema al que se le pide un dato que no tiene delante. Por eso «keyword research con ChatGPT» y «keyword research con Gemini» tienen la misma respuesta.
Hay un segundo fallo, más silencioso, cuando sí hay datos cerca. ContextBolt publicó el 23 de junio de 2026 el registro de una semana usando Claude sobre su propio SEO y documenta que el modelo trató estimaciones de terceros como datos factuales e insistió en una palabra clave inalcanzable teniendo delante su dificultad. Lo que le falta hay que decirlo: un sitio, una semana, un autor que firma solo como «David» y ninguna muestra declarada. Es un caso documentado, no una medición, y el patrón es lo que importa: una estimación que entra en la conversación sale convertida en hecho.
El test de procedencia: cuatro campos y un veredicto
El test de procedencia exige a cada cifra tres datos que un modelo sin fuente conectada no puede producir: de dónde sale, de cuándo es y cómo se recogió. Si falta uno, la cifra se marca como generada y sale del entregable. No hay categoría intermedia.
A esos tres, este curso añade un cuarto: el ámbito — país, idioma y periodo —, porque un volumen sin ámbito no es comparable con otro. La tabla es el test entero.
| Campo | La pregunta exacta | Respuesta válida | Lo que la invalida |
|---|---|---|---|
| Fuente | ¿Quién midió esto? | Una herramienta, una cuenta o un organismo con nombre propio, al que se puede volver a preguntar | El nombre de un modelo, «varias fuentes», «datos del sector» o el silencio |
| Fecha | ¿De cuándo es la extracción? | AAAA-MM o AAAA-MM-DD: la fecha del export, no la de hoy | «Reciente», «hace unos meses», un año suelto o nada |
| Método | ¿Cómo se recogió y se calculó? | Lo que documenta la fuente: ventana temporal, media o mediana, medido o modelado | «No consta», «es lo que da la herramienta» o un campo vacío |
| Ámbito | ¿De quién habla la cifra? | País, idioma y periodo cubierto | Un código de dos letras sin más, o nada |
El test tiene una propiedad que lo hace más útil que «desconfía de la IA»: no separa modelos de herramientas, separa cifras auditables de las que no lo son. Un volumen de un panel de pago tampoco es verdad revelada — es una estimación modelada por un proveedor con su propio método — pero tiene los cuatro campos y otra persona puede repetir la extracción. La cifra de un modelo sin fuente no tiene ninguno: la distinción es auditable contra no auditable.
El script: cuatro comprobaciones por fila y un código de salida
El test de procedencia se automatiza en un script de Python sin dependencias. Lee una lista de filas en JSON — cada fila con keyword, valor, fuente, fecha, metodo y ambito — y emite cuatro comprobaciones por fila, una por campo. Una fila con las cuatro en OK se marca VERIFICABLE; con al menos una en FALLO, GENERADA.
Los códigos de salida sirven para una canalización de publicación: 0 si todas las filas son verificables, 1 si alguna es generada y 2 si la entrada no se puede leer — fichero inexistente, JSON roto o algo que no sea una lista de objetos no vacía. Sin argumentos, usa el ejemplo incorporado.
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""test-procedencia.py - test de procedencia para cifras de volumen de busqueda.
Uso:
python3 test-procedencia.py # usa el ejemplo incorporado
python3 test-procedencia.py datos.json # usa tu fichero
Cada fila se somete a cuatro comprobaciones: fuente, fecha, metodo y ambito.
Una fila con las cuatro en OK se marca VERIFICABLE; con una sola en FALLO se
marca GENERADA. Codigos de salida: 0 si todas las filas son verificables,
1 si al menos una es generada, 2 si la entrada no se puede leer.
"""
import json
import re
import sys
SIN_FUENTE = ("chatgpt", "gemini", "claude", "perplexity", "copilot", "grok",
"el modelo", "la ia", "una ia", "varias fuentes",
"fuentes del sector", "conocimiento general", "no recuerdo")
SIN_METODO = ("no lo dice", "no consta", "desconocido", "no sé", "no se sabe",
"lo estima la ia", "el modelo lo calcula")
FECHA = re.compile(r"^(\d{4})-(\d{2})(?:-(\d{2}))?$")
EJEMPLO = [
{"keyword": "volumen de busqueda con ia", "valor": "1.200/mes",
"fuente": "ChatGPT", "fecha": "2026", "metodo": "",
"ambito": ""},
{"keyword": "clustering de keywords", "valor": "890/mes",
"fuente": "Panel de un proveedor de keywords", "fecha": "hace unos meses",
"metodo": "media de 12 meses", "ambito": "ES"},
{"keyword": "prompts chatgpt seo", "valor": "2.400/mes",
"fuente": "Export propio de la cuenta de Keyword Planner",
"fecha": "2026-09-15",
"metodo": "media mensual de 12 meses declarada por la herramienta",
"ambito": "Espana, castellano, sep 2025 - ago 2026"},
]
def comprobar_fuente(v):
v = (v or "").strip()
if len(v) < 4:
return False, "vacia o demasiado corta"
bajo = v.lower()
for marca in SIN_FUENTE:
if marca in bajo:
return False, "un modelo no es una fuente: «%s»" % v
return True, v
def comprobar_fecha(v):
v = (v or "").strip()
m = FECHA.match(v)
if not m:
return False, "no interpretable como AAAA-MM o AAAA-MM-DD: «%s»" % (v or "vacia")
anio, mes, dia = int(m.group(1)), int(m.group(2)), m.group(3)
if not 1 <= mes <= 12:
return False, "mes fuera de rango: «%s»" % v
if dia is not None and not 1 <= int(dia) <= 31:
return False, "dia fuera de rango: «%s»" % v
if anio < 1990:
return False, "anterior a 1990: «%s»" % v
return True, v
def comprobar_metodo(v):
v = (v or "").strip()
if len(v) < 15:
return False, "sin metodo de recogida descrito: «%s»" % (v or "vacio")
bajo = v.lower()
for marca in SIN_METODO:
if marca in bajo:
return False, "metodo declarado como desconocido: «%s»" % v
return True, v
def comprobar_ambito(v):
v = (v or "").strip()
if len(v) < 3:
return False, "sin ambito (pais, idioma o periodo): «%s»" % (v or "vacio")
return True, v
COMPROBACIONES = (("fuente", comprobar_fuente), ("fecha", comprobar_fecha),
("metodo", comprobar_metodo), ("ambito", comprobar_ambito))
def main(argv):
if len(argv) > 1:
try:
with open(argv[1], encoding="utf-8") as f:
filas = json.load(f)
except Exception as e:
print("entrada ilegible: %s" % e)
return 2
else:
filas = EJEMPLO
if not isinstance(filas, list) or not filas:
print("entrada ilegible: se esperaba una lista de filas no vacia")
return 2
verificables = 0
for i, fila in enumerate(filas, 1):
if not isinstance(fila, dict):
print("entrada ilegible: la fila %d no es un objeto" % i)
return 2
print("fila %d · «%s» valor=%s" % (i, fila.get("keyword", "?"),
fila.get("valor", "?")))
fallos = 0
for nombre, fn in COMPROBACIONES:
ok, detalle = fn(fila.get(nombre))
print(" [%s] %-7s %s" % ("OK " if ok else "FALLO", nombre, detalle))
if not ok:
fallos += 1
if fallos:
print(" -> GENERADA (%d de 4 comprobaciones en fallo)" % fallos)
else:
verificables += 1
print(" -> VERIFICABLE")
generadas = len(filas) - verificables
print("resumen: %d filas · %d verificables · %d generadas · %d comprobaciones"
% (len(filas), verificables, generadas, len(filas) * 4))
return 0 if generadas == 0 else 1
if __name__ == "__main__":
sys.exit(main(sys.argv))
Esta es la salida literal de python3 test-procedencia.py sin argumentos, ejecutado el 27 de septiembre de 2026 con Python 3 en Linux. Termina con código de salida 1, porque dos de las tres filas son generadas:
fila 1 · «volumen de busqueda con ia» valor=1.200/mes
[FALLO] fuente un modelo no es una fuente: «ChatGPT»
[FALLO] fecha no interpretable como AAAA-MM o AAAA-MM-DD: «2026»
[FALLO] metodo sin metodo de recogida descrito: «vacio»
[FALLO] ambito sin ambito (pais, idioma o periodo): «vacio»
-> GENERADA (4 de 4 comprobaciones en fallo)
fila 2 · «clustering de keywords» valor=890/mes
[OK ] fuente Panel de un proveedor de keywords
[FALLO] fecha no interpretable como AAAA-MM o AAAA-MM-DD: «hace unos meses»
[OK ] metodo media de 12 meses
[FALLO] ambito sin ambito (pais, idioma o periodo): «ES»
-> GENERADA (2 de 4 comprobaciones en fallo)
fila 3 · «prompts chatgpt seo» valor=2.400/mes
[OK ] fuente Export propio de la cuenta de Keyword Planner
[OK ] fecha 2026-09-15
[OK ] metodo media mensual de 12 meses declarada por la herramienta
[OK ] ambito Espana, castellano, sep 2025 - ago 2026
-> VERIFICABLE
resumen: 3 filas · 1 verificables · 2 generadas · 12 comprobacionesLas tres filas son tres grados del mismo problema. La primera es el caso puro: fuente igual al nombre de un modelo, fecha igual a un año suelto y los otros dos campos vacíos. La segunda es la que más daño hace: la cifra viene de una herramienta de verdad, pero nadie apuntó la fecha del export y el ámbito se quedó en «ES», que el script rechaza por tener menos de tres caracteres. La tercera pasa las cuatro.
Un aviso sobre lo que el script no hace, porque prometer más sería repetir el error que la lección denuncia. No comprueba que la cifra sea correcta: no sale a la red y no consulta ninguna API. La comprobación de método es la más débil: exige quince caracteres y que el texto no contenga un marcador de SIN_METODO, así que «media de 12 meses» la pasa aunque describa poco, como se ve en la fila 2. Es una criba de campos vacíos y evasivos, no un juez. La de fuente falla por debajo de cuatro caracteres o con un marcador de SIN_FUENTE, entre ellos el nombre de seis motores. Y la de ámbito solo mide longitud: «ESP» pasa el script y no pasa el test humano, porque un código a secas no dice idioma ni periodo.
Qué hacer en lugar de pedir el volumen al modelo: conectar una fuente y anotar la fecha
El arreglo del volumen inventado es aburrido y funciona: conectar al modelo una fuente que mida y anotar la fecha de la extracción. El modelo deja de ser el origen del dato y hace lo que hace bien — agrupar, clasificar, redactar — sobre un dato con procedencia.
Los caminos documentados son tres, y ninguno es un truco de prompt. El primero es un GPT personalizado con Actions: Paul Shapiro publicó el 28 de noviembre de 2023 en Search Wilderness, actualizado el 27 de diciembre de 2023, un GPT que consulta volúmenes reales vía DataForSEO con un esquema OpenAPI. Es el ejemplo canónico, y su parte incompleta es didáctica: un lector le escribió que la sección del esquema lo dejó perdido.
El segundo son los conectores MCP hacia herramientas de SEO. El conector de Ahrefs para Claude figuraba como verificado por Anthropic con 61 herramientas el 20 de septiembre de 2026, investigación de palabras clave entre ellas, y la documentación del MCP de Semrush, actualizada el 5 de agosto de 2026, describe su endpoint y su herramienta de palabras clave. Los dos consumen tu plan y devuelven la cifra de la herramienta, con su método y su fecha. Estos inventarios caducan rápido: la fecha de comprobación es parte del dato.
El tercero es tu propio dato, que casi nadie mira primero. Search Console informa de las consultas por las que tu sitio ya aparece. No es volumen de mercado, pero es la única demanda medida sobre tu público real: se cuenta sobre tus propias impresiones, con los filtros de privacidad que Google aplica. Cómo conectarla sin regalar permisos de escritura está en la lección sobre Search Console y GA4 por MCP; cómo leerla sin engañarte, en el nivel de analítica y medición.
Los datos reales cuestan dinero y los inventados son gratis. Según la documentación oficial consultada el 20 de septiembre de 2026: el grounding con Google Search de Gemini, 5.000 peticiones gratis al mes y 14 dólares por cada 1.000 después (Gemini 3.x); la búsqueda web de OpenAI, 10 dólares por cada 1.000 llamadas; la API Sonar de Perplexity, de 5 a 12 dólares por cada 1.000 peticiones además de los tokens. Y Google avisa de que una petición puede generar varias consultas facturadas: un presupuesto que cuente prompts en vez de búsquedas se queda corto.
Investigación profunda y modos agente: qué cambian y qué no
Los modos de investigación profunda y los modos agente cambian de dónde sale el texto, no si el número tiene procedencia. Uno lanza búsquedas y devuelve un informe con enlaces; el otro ejecuta pasos en herramientas. Los dos mejoran la recolección, y ninguno convierte en medición un dato que nadie midió.
La ventaja real es que el test se vuelve ejecutable sobre su salida: como el informe cita, puedes abrir la cita y rellenar los cuatro campos. Una cifra citada hereda la procedencia de la página citada, y esa página es con frecuencia un artículo que repite a otro sin fuente primaria. Abrir la cita y llegar a un blog no cierra el test: cierra un eslabón.
En los modos agente el hueco aparece en la entrada, no en la cifra. Rich Voller publicó el 26 de mayo de 2026, actualizado el 12 de junio de 2026, una guía del servidor MCP de Screaming Frog v24 con cinco modos de fallo, dos de ellos mecánicamente distintos entre sí: los rastreos lanzados por MCP ignoran la velocidad fijada en la interfaz — con 1 URL por segundo configurada, un rastreo completó 500 URL en 20 segundos — y el 100% de progreso no significa que haya terminado. Es el artículo de un profesional y no declara muestra. Un informe escrito sobre un rastreo que se cortó antes de acabar tiene el mismo problema de procedencia que un volumen inventado, con el hueco en la entrada. La lista de comprobaciones previas pertenece a la lección de este nivel sobre lo que se rompe cuando un agente maneja tu rastreador; aquí solo interesa de dónde salen los datos.
Un dato de demanda ayuda a calibrar las expectativas sobre estas dos funciones tan anunciadas. En la recogida de autocompletado de Google del 20 de septiembre de 2026, la semilla chatgpt deep research seo devolvió un árbol vacío, y para el modo agente aplicado a auditoría no se localizó árbol ni evidencia de foros — Reddit estaba bloqueado, así que el punto queda sin verificar. Que nadie lo busque no significa que no sirva: significa que quien lo usa no llega por una búsqueda.
Sustitutos legítimos del volumen, con sus límites declarados
Cuando no hay volumen de búsqueda de una fuente con nombre — no pagas un panel, el mercado es pequeño, el idioma está mal cubierto — hay tres sustitutos que sí tienen procedencia. Ninguno es un volumen, y decirlo en voz alta es parte de usarlos bien.
Uno: la profundidad del autocompletado. Google devuelve hasta diez sugerencias por semilla. Nueve o diez en tema indican demanda real y sostenida; agotarse en dos o tres y derivar hacia otro significado indica que la semilla apenas tiene demanda propia. Es evidencia ordinal: dice si una consulta existe, nunca cuántas veces se hace. Los casos de deriva del 20 de septiembre de 2026 muestran que el método separa casos.
| Semilla sondeada | Sugerencias en tema | Hacia dónde derivó |
|---|---|---|
ai for keyword research |
10 de 10 | — |
gemini for seo |
6 de 10 | «gemini seoul» y agencias llamadas Gemini |
copilot for seo |
2 de 5 | si Copilot es gratis, y copilotos de aviación |
local llm for seo |
1 de 5 | el máster en Derecho (LLM, Master of Laws) |
gemini gem for seo |
1 de 4 | piedras preciosas del signo Géminis |
chatgpt deep research seo |
0 | árbol vacío |
El caso de esta lección merece precisión. La semilla can chatgpt do keyword research devolvió tres sugerencias el 20 de septiembre de 2026: el eco de la consulta, «how to do keyword research» y «how long does keyword research take». La pregunta existe como semilla y no sostiene un árbol propio; lo que sostiene diez de diez es la formulación agnóstica, ai for keyword research. La gente no pregunta por un motor, pregunta por la tarea.
Dos: las encuestas de adopción, que miden quién hace qué, no cuánto se busca. El informe State of AI in SEO 2026 de Keyword.com es del 1 de enero de 2026, con n=97 respuestas útiles y el 56% en equipos de una a cinco personas: el 68% usa IA para investigación y agrupación de palabras clave y solo el 1% describe algún flujo como totalmente automatizado. Muestra pequeña y autoseleccionada: ordena tareas, no mide a la profesión. La tarea más delegada es la que carece de datos dentro del modelo.
Tres: la forma del resultado. Qué páginas ocupan la primera pantalla dice poco de la demanda y mucho de la saturación. En la observación hecha para este curso el 20 de septiembre de 2026, varias consultas de esta familia tenían la primera pantalla ocupada por páginas de proveedores sin una cifra propia: listón bajo y mucha competencia a la vez.
Y aquí va el dato propio que sostiene esta lección. La investigación de este nivel se hizo en cuatro pasadas el 20 de septiembre de 2026 sobre 80 temas candidatos y no obtuvo ni un solo volumen de búsqueda de una fuente con nombre: no hay ninguno en todo el nivel y no se inventó ninguno. Los tres bloqueos están registrados: Reddit estaba bloqueado y quedó sin consultar (anotado a las 21:03:12 UTC de ese día), el autocompletado estuvo inaccesible en dos de las tres pasadas temáticas y el rastreo de páginas de resultados estaba prohibido por robots. Las mismas barreras que impiden a un modelo saber un volumen dejaron esta investigación sin el dato. La diferencia está en qué se hace con el hueco: dejarlo escrito o rellenarlo con una cifra redonda.
Errores comunes
- «Lo he verificado con otro modelo.» Un segundo motor sin fuente conectada produce una segunda cifra generada, y si las dos se parecen la coincidencia se lee como confirmación. El arreglo: la verificación solo cuenta contra una fuente que mide.
- Perder el método al copiar la cifra. El número sobrevive al viaje entre pestañas; la fecha del export y el método se quedan por el camino. El arreglo: los cuatro campos viajan pegados al valor, o la fila no se guarda.
- Creerse una cifra por venir citada. Una cifra con enlace parece verificada y solo está localizada. El arreglo: sigue la cadena hasta la fuente primaria; si el eslabón final no dice quién midió, no pasa el test.
- Presentar profundidad de autocompletado como volumen. «Diez sugerencias» no es una cantidad de búsquedas. El arreglo: úsala para ordenar temas entre sí, y dilo en el entregable.
Resumen
- Un modelo sin fuente conectada no tiene datos de volumen de búsqueda: compone la cifra. Si Quan Ong los llamó «simply guesses» en el blog de Ahrefs el 30 de octubre de 2025, en un artículo sin tamaño de muestra declarado.
- El test de procedencia son tres preguntas — fuente, fecha, método — más el ámbito: si falta un campo, la cifra se marca como generada y sale del entregable. El script emite cuatro comprobaciones por fila y devuelve 0 si todas son verificables, 1 si alguna es generada y 2 si la entrada no se puede leer.
- El arreglo es idéntico en todos los motores: conectar una fuente que mida y anotar la fecha del export. Un volumen de panel tampoco es verdad revelada, pero sí es auditable, y la investigación profunda mejora la recolección, no la procedencia.
- Sin volumen hay tres sustitutos con procedencia: profundidad de autocompletado (ordinal, nunca cantidad), encuestas de adopción con su n, y la forma del resultado, que mide saturación.
- Este nivel se investigó sin obtener un solo volumen de una fuente con nombre, y no publica ninguno.
Preguntas frecuentes
¿Puede ChatGPT hacer investigación de palabras clave?
ChatGPT hace bien la parte de lengua — generar variantes, agrupar una lista que le das, clasificar intención, detectar duplicados — y no puede hacer la parte de datos sin una fuente conectada: no tiene volúmenes ni dificultad dentro. Hace el trabajo alrededor del dato, no el dato. Con un GPT personalizado con Actions contra una API, como el que publicó Paul Shapiro el 28 de noviembre de 2023, sí devuelve volúmenes reales, y la cifra es entonces de la API, con su fecha y su método.
Si conecto una herramienta por MCP, ¿ya puedo fiarme del volumen?
Puedes auditarlo, que es distinto de fiarte. Con una fuente conectada el número tiene los cuatro campos del test y otra persona puede repetir la extracción. Sigue siendo una estimación modelada por un proveedor y no un censo de búsquedas: trata las cifras de dos herramientas como dos estimaciones distintas y no las mezcles en la misma columna.
¿Sirven los modos de investigación profunda para el análisis de competencia?
Sirven para reunir y ordenar material mucho más rápido que a mano, y no resuelven la procedencia de las cifras que reúnen. El informe cita, y eso es una mejora real. Al abrir el enlace aparece con frecuencia otro artículo que repite una cifra sin decir quién la midió, así que el test se aplica al final de la cadena, no al informe. Sobre demanda: la semilla chatgpt deep research seo devolvió un árbol vacío el 20 de septiembre de 2026.
¿Y si el cliente exige un número y no hay fuente?
Se entrega el hueco, con su nombre: escribe que para ese término no hay volumen de una fuente que puedas nombrar, di qué sustituto has usado, y deja la celda vacía. Una celda vacía se defiende seis meses después; una cifra generada, no.
Fuentes
- Si Quan Ong, «AI can’t replace SEO tools, but it can use them», blog de Ahrefs, 30 de octubre de 2025: los volúmenes citados por un modelo son «simply guesses», con la comparación de los «47 million penguins» atribuida a un profesional citado en el propio artículo. Sin tamaño de muestra. Sin enlace: no se pudo abrir la página al redactar.
- ContextBolt («David»), «Claude SEO Experiment: A Week of Running My Real SEO», 23 de junio de 2026. Un sitio, una semana, sin muestra declarada.
- Keyword.com, «State of AI in SEO 2026: Survey Data on Automation, Tools & Time Saved», 1 de enero de 2026, n=97, 56% en equipos de una a cinco personas: 68% investigación y agrupación de palabras clave, 1% flujos totalmente automatizados.
- Paul Shapiro, «Using ChatGPT’s Custom “GPTs” for SEO and Keyword Research», Search Wilderness, 28 de noviembre de 2023, act. 27 de diciembre de 2023.
- Rich Voller, «Screaming Frog v24 MCP: The Complete Agency Guide», 26 de mayo de 2026, actualizado el 12 de junio de 2026. Sin muestra declarada.
- Conector de Ahrefs para Claude, verificado por Anthropic, 61 herramientas, comprobado el 20 de septiembre de 2026.
- Documentación del MCP de Semrush, actualizada el 5 de agosto de 2026.
- Documentación oficial de Google AI for Developers, OpenAI y Perplexity, 20 de septiembre de 2026: 5.000 peticiones de grounding gratis al mes y 14 dólares por 1.000 después (Gemini 3.x); búsqueda web de OpenAI, 10 dólares por 1.000 llamadas; Sonar de Perplexity, 5 a 12 dólares por 1.000 peticiones además de los tokens; y el aviso de que una petición puede generar varias búsquedas facturadas. Cifras volátiles. Sin enlace: no se pudieron abrir al redactar.
- Sondeos de autocompletado de Google para este curso, 20 de septiembre de 2026, registrados literalmente en la investigación del nivel. Evidencia ordinal: no publica cantidades.
- Observación de la primera pantalla de resultados para las consultas de esta familia, hecha para este curso el 20 de septiembre de 2026, sin muestra declarada. Mide saturación, no demanda.
Todo lleva fecha a propósito: precios de API, inventarios de conectores y modos agente cambian en semanas, y cualquier cifra de aquí con más de un trimestre encima es una pista para volver a comprobar, no un hecho.
Seguir el curso
La lección anterior es qué IA para qué tarea de SEO: la tabla de decisión. El índice del nivel, con la lección siguiente cuando se publique, está en SEO con IA: la IA como herramienta de trabajo, y el recorrido entero en el curso de SEO gratuito de doctor-seo.net. Si llegas de cero, empieza por qué es el SEO en 2026, y la tabla de alcance de Claude resuelve qué necesita conectado cada tarea.