Cómo hacer keyword research para la búsqueda con IA

En Google la demanda se medía sola. «Barbacoa de gas» tiene un volumen mensual, lo miras, planificas contenido y listo. En la búsqueda con IA eso se rompe, porque el usuario no escribe una palabra clave estandarizada sino su caso concreto: «busco una barbacoa de gas de al menos 3 quemadores para mi terraza, compacta y con quemador lateral, presupuesto hasta 500 €». El siguiente usuario pide comparar gas y carbón para principiantes, y el tercero escribe «barbacoa gas guardar invierno» en AI Overviews.

Los tres buscan en el mismo mercado y ninguno comparte consulta. La mayoría de prompts son únicos o aparecen muy pocas veces, así que analizarlos uno a uno no lleva a ninguna parte.

La unidad de trabajo ya no es el prompt, es el tema

El único enfoque que escala es subir un nivel de abstracción y agrupar prompts parecidos en temas. Un tema reúne todas las preguntas que tratan el mismo asunto con el mismo objetivo, sin importar si vienen redactadas en cinco palabras o en cinco líneas, ni en qué plataforma aparecen.

Así, «guardar la barbacoa de gas en invierno» deja de ser un puñado de frases sueltas y pasa a ser una entrada analizable, con métricas agregadas. Es la diferencia entre millones de prompts irrepetibles y unos cuantos cientos de temas con los que se puede planificar. SISTRIX ha llevado esto a producto en Prompt Research, que agrupa más de 62 millones de preguntas reales en más de 1,4 millones de temas; para «barbacoa de gas» devuelve 485 temas, desde la guía de compra hasta la optimización del calor.

El punto de partida se parece al de siempre: introduces una palabra clave y la herramienta busca tanto coincidencias literales como temas relacionados por semántica. Lo que cambia es el resultado.

Las cuatro métricas que hay que mirar

Cada tema viene con volumen estimado, longitud del diálogo, intención y fase del recorrido de compra. Juntas responden a lo que hace falta para decidir: cuánta demanda hay, cuánta explicación necesita el usuario, qué quiere y en qué punto de su decisión está.

La longitud del diálogo es la métrica nueva, y la más práctica. Mide cuántos turnos de conversación consume un tema. Con un valor de 1,5 el usuario quiere un dato y se marcha, así que sobra el artículo de tres mil palabras. Con un 3,5 va a preguntar y repreguntar, y ahí el contenido necesita comparativas, secciones y criterios de decisión. Cruzar volumen alto con diálogo largo señala los temas donde compensa invertir en profundidad.

Del dato al briefing

Saber que un tema es comercial y está en fase de consideración es poco. Lo accionable llega cuando se describe a quién hay detrás y por qué pregunta.

El perfil de comprador pone cara al usuario. En el ejemplo de la compra de barbacoas de gas, «el aficionado preocupado por la seguridad que busca comodidad pero pesa el desembolso frente al beneficio real». Eso ya dicta el contenido: seguridad, comodidad y un argumento claro de coste-beneficio.

El motor emocional explica la motivación de fondo, que casi nunca coincide con la pregunta literal. Aquí es el miedo a equivocarse en una compra cara, y un contenido que ataque ese miedo con una comparativa ordenada rendirá mejor que una lista de características.

La siguiente pregunta del usuario marca hacia dónde va la conversación. Si después de leerte va a preguntar qué modelo le conviene a un principiante, o lo respondes tú o vuelve a la IA a preguntarlo. El siguiente paso lógico, por su parte, dice qué conversión es realista: si el paso es «montar una tabla comparativa de sus necesidades frente a los tres tipos de aparato», ese usuario todavía no compra, necesita comparar.

Las preguntas que el usuario no hace

El campo con más recorrido es el de las preguntas no formuladas: lo que el usuario no ha preguntado pero le conviene saber para decidir bien o evitar un error. En el caso de la barbacoa, el coste anual de las bombonas frente al carbón, o si un aparato de gama alta necesita funda específica para durar.

Casi todo el contenido publicado responde lo evidente. El que se adelanta a lo que el usuario debería preguntar demuestra criterio, y esa profundidad es justo la que los modelos tienden a recompensar al elegir de dónde documentarse.

Cada plataforma pregunta a su manera

Los prompts se comportan distinto según dónde se escriban, y eso condiciona el formato del contenido.

• AI Overviews: consultas cortas y orientadas a palabra clave, parecidas a una búsqueda clásica de Google.
• AI Mode: preguntas conversacionales de investigación, que piden síntesis y comparación.
• ChatGPT: prompts largos, con contexto, situación propia y requisitos concretos.
• Gemini: foco en resolver el problema de forma concisa.
• Copilot y Perplexity: patrones propios que completan el cuadro.

Un contenido pensado para aparecer en AI Overviews tiene que resolver consultas factuales en pocas líneas. Uno pensado para que ChatGPT lo use como fuente tiene que aguantar preguntas cargadas de matices. No es el mismo texto ni la misma estructura, y forzar uno solo para las seis superficies suele dar un resultado mediocre en todas.

Qué es exactamente ese volumen

Conviene entender la naturaleza del dato antes de construir un plan editorial sobre él. El volumen en investigación de prompts es un indicador de mercado multicanal y estimado, no una medición. Se calcula en cuatro pasos.

Primero se determina el volumen global de las plataformas. OpenAI declara más de 2.500 millones de mensajes diarios en ChatGPT, y para el resto se usan datos comparables o referencias del sector. Como la IA generativa también se usa para escribir, programar y otras tareas sin intención de búsqueda, esos datos se depuran estadísticamente hasta dejar la necesidad informativa.

Segundo, se localiza por país según la cuota conocida de visitantes; en el caso de AI Overviews se añade infraestructura propia de rastreo que mide para qué temas e intenciones Google muestra un AI Overview, y ese dato de visibilidad entra como factor de ponderación.

Tercero, se reparte ese total entre temas. Como ninguna plataforma publica demanda a nivel de tema, se usa la demanda real de Google como clave de distribución, con la premisa de que un tema con mucha necesidad informativa en Google la tiene también en la IA.

Cuarto, se redondea, precisamente para no aparentar una precisión que el modelo no tiene. Un 25.000 en pantalla significa orden de magnitud, no veinticinco mil consultas contadas.

Las premisas que conviene tener presentes

La premisa fuerte es la tercera: que la distribución relativa de la demanda entre temas se parece en la IA y en Google. A nivel de tema individual puede fallar, aunque agrupar muchos prompts amortigua los picos, y cuantos más prompts contiene un tema, más estable resulta su valor. También hay que asumir que el reparto entre plataformas refleja el mercado en conjunto, no cada tema por separado: las consultas complejas de investigación pesan más en ChatGPT y las locales rápidas en AI Overviews.

Y hay una razón estructural por la que no existe un volumen exacto. Google publica volúmenes agregados en su planificador, pero para la búsqueda con IA no hay equivalente, ningún proveedor publica demanda por tema y ni siquiera existe un criterio común de qué cuenta como una búsqueda, porque un AI Overview no es lo mismo que un mensaje dentro de un diálogo largo.

Para qué usarlo y para qué no

Es un buen instrumento para priorizar temas por orden de magnitud, para detectar dónde compensa contenido en profundidad cruzándolo con la longitud del diálogo y para dimensionar áreas temáticas enteras.

No sirve para comparar con el volumen de Google, porque miden ecosistemas distintos. No sirve para aislar la demanda de una sola plataforma, ya que el valor es del mercado agregado. Y no sirve para tendencias del día, porque trabaja con medias mensuales.

Dónde encaja la monitorización

La investigación de prompts dice qué se pregunta; no dice qué responde la IA sobre tu marca cuando alguien lo pregunta. Son las dos mitades del mismo trabajo. Una define la agenda editorial y la otra comprueba si ese contenido ha cambiado algo en las respuestas generadas.

El orden que funciona es directo: identificar los temas relevantes con demanda estimada, escribir para la longitud de diálogo y la plataforma que corresponda, cubrir también las preguntas no formuladas, y después seguir un panel fijo de prompts para ver si la marca aparece, en qué papel y con qué fuentes expuestas. Sin la segunda parte, la investigación se queda en una lista de intenciones.