Datos a prueba de futuro: lecciones de la Ciencia de la Información para su SEO

Este artículo puede leerse en:

Llevo bastante tiempo trabajando en la creación y planificación de contenido digital y en la optimización para motores de búsqueda. Sin embargo, tras esta experiencia en las aulas académicas de Biblioteconomía, empecé a percibir con mayor claridad algo que me incomodaba pero no sabía identificar: el mercado del SEO intenta con frecuencia reinventar la rueda.

Nos fascinan las novedades como los RAG, los modelos de lenguaje y las herramientas generativas, y muchos especialistas olvidan que la organización, el tratamiento y la recuperación de la información son disciplinas con décadas de rigor científico acumulado, y que están disponibles para ser aprendidas y aplicadas en su trabajo. Y hago mi mea culpa: aun teniendo esta información desde hace décadas, solo recientemente decidí tomar valor, cursar una nueva licenciatura para estudiar este tema.

Y durante estos estudios, leí un informe que aborda el desarrollo y la curaduría de corpora entre 2021 y 2026, creado utilizando el Agente+Semántico. Mi objetivo con esta investigación era encontrar y analizar lo más reciente en las investigaciones sobre el uso masivo de textos para la creación de una «base de datos», la corpora, con el fin de alimentar LLM y generar listas de términos, vocabularios controlados, taxonomías, glosarios y otros artefactos. Mi intención es cualificar aún más el paso inicial del Flujo de Trabajo Semántico, el FTS.

La lectura del texto me trajo reflexiones interesantes de la Ciencia de la Información sobre gobernanza de datos, preservación y ética algorítmica, algo que no esperaba ver, en un primer momento, en este tipo de investigación. Compilé y amplié estas reflexiones para nuestro contexto práctico aquí en el Blog Semántico, conectando la teoría de la Biblioteconomía con el día a día de la optimización técnica, y elegí traer ejemplos directos del comercio electrónico, por ser algo con lo que todos, especialistas o no, tienen experiencia.

Si usted trabaja con SEO y quiere entender por qué la estructura profunda de sus datos determina si su proyecto será encontrado por sus usuarios dondequiera que busquen, le invito a reflexionar conmigo sobre las lecciones que aprendí en esta investigación.

El mito del documento eterno y la ilusión de la perennidad digital

Solemos creer en la idea de que el entorno digital es sinónimo de eternidad. Pensamos que, al subir una base de datos a la nube o publicar miles de páginas en un catálogo en línea, esa información estará preservada para siempre. Al fin y al cabo, los datos están publicados y existe un proceso ya maduro para mantenerlos en línea. Craso error.

Para quien estudia la Ciencia de la Información y la Archivología, esta ilusión se desvanece rápidamente. Piense, por ejemplo, en un documento jurídico o institucional validado por una firma criptográfica digital: las claves de esa firma expiran con frecuencia mucho antes del término de los plazos legales de retención y custodia de ese registro. Si la tecnología que autentica el archivo muere, ¿cómo probamos que ese dato es íntegro?

Esta fragilidad técnica nos muestra que el concepto de un «documento original» estático e intocable está superado. En el universo digital, la autenticidad no es un artefacto fijo encerrado en una caja fuerte, sino una cualidad dinámica que debe ser activamente gestionada y cultivada mediante metadatos ricos. Esto es tan importante y actual que existen profesionales dedicados a crear estándares de gestión de estas colecciones digitales, y todo un grupo de especialistas aplicándolo en bases de datos de todo tipo.

En el entorno de un gran e-commerce, vivimos esta misma volatilidad todos los días. Piense en una tienda virtual con más de 50.000 productos: las descripciones cambian, los SKU (Stock Keeping Units) se descontinúan, las URL se redirigen y los atributos técnicos de los productos se sobrescriben en integraciones de ERP. Si su sitio no mantiene un historial consistente y estructurado de cada entidad, los buscadores pierden el rastro del significado. Por tanto, la integridad de su catálogo no reside en la rigidez de una base de datos relacional, sino en la densidad y la consistencia de las conexiones de su ecosistema de datos.

No es casualidad que en este momento surjan soluciones basadas en artefactos como los grafos de conocimiento y las ontologías. La combinación entre el control rígido sobre los términos (o productos) y sus relaciones, y la maleabilidad de sus estructuras, es la combinación perfecta para mantener catálogos vivos y consistentes.

El corpus como infraestructura viva y la investigación híbrida

Entre 2021 y 2026, el concepto de corpus experimentó una verdadera revolución conceptual. Pero ¿qué es un corpus (cuyo plural en latín es corpora)?

En la Lingüística y en la Ciencia de la Información, un corpus es un conjunto seleccionado, finito y estructurado de textos reunidos con el propósito específico de estudio y análisis del lenguaje. Tradicionalmente, era un material pasivo de investigación, un recorte en el tiempo. Sin embargo, con el auge de la IA moderna, el corpus comenzó a ser visto como una excelente herramienta para el entrenamiento, el ajuste fino (fine-tuning) y la validación de modelos de lenguaje de gran escala y sistemas de recuperación semántica.

Para entender la evolución del tratamiento de contenido en el comercio electrónico, podemos observar la forma en que estructurábamos las informaciones para comparar los escenarios.

Antes, teníamos solo un repositorio estático de textos, compuesto básicamente por descripciones sueltas almacenadas en HTML y bases de datos tradicionales, como MySQL. Hoy, al aplicar procesos de harvesting y estructuración con ontologías y grafos, migramos hacia un nuevo enfoque semántico. Transformamos aquel texto estático en un corpus activo que, conectado a un grafo de conocimiento, se convierte en la base necesaria para alimentar sistemas de RAG, búsqueda vectorial e inteligencia artificial.

Haciendo una analogía con la Biblioteconomía, teníamos la figura clásica de la bibliotecaria asociada a guardiana de estanterías. Hoy, esta profesional actúa como arquitecta de infraestructuras de información. En la Ciencia de la Información, construir un corpus exige métodos sistemáticos de recolección automatizada (harvesting), definición rigurosa de criterios de inclusión/exclusión y tratamiento de casos límite (edge cases) para evitar que ruidos documentales contaminen la base creada.

Mirando hacia la vanguardia de la recuperación de la información, vemos que la gran frontera es la fusión entre la búsqueda vectorial densa (basada en embeddings matemáticos que capturan la proximidad semántica) y la recuperación léxica tradicional (basada en términos exactos y frecuencias, como el consagrado algoritmo BM25).

Aquí en el Blog Semántico encontrará artículos sobre búsqueda vectorial, sistemas híbridos de recuperación de la información. Y si me sigue en LinkedIn, también puede encontrar lo que hablo sobre este tema.

La aplicación práctica del corpus en el comercio electrónico

Imagine un gran marketplace de materiales deportivos. Su catálogo de productos, las preguntas frecuentes (FAQ), las valoraciones de consumidores y las fichas técnicas constituyen el corpus de este negocio.

Si ese corpus se trata solo como un montón de textos brutos en tablas relacionales, la búsqueda interna de su sitio seguirá cometiendo errores primarios. Como siempre comento, si un usuario entra en la tienda y escribe «zapato para correr», un sistema semántico respaldado por un vocabulario controlado y por un Knowledge Graph sabe inmediatamente que debe recuperar la entidad «zapatilla de running», eliminando la frustración de la página de resultados vacía.

Al integrar los grafos de conocimiento con la búsqueda híbrida, el e-commerce responde tanto a la búsqueda por términos técnicos específicos como a consultas naturales y conversacionales realizadas a asistentes de voz y, probablemente, en los motores de IA generativa.

La autenticidad reside en la proveniencia y en los metadatos, no en el archivo aislado

En la teoría clásica de la Archivología, existen dos pilares fundamentales:

1. Principio de procedencia: establece que los documentos originarios de una misma institución, persona o actividad no deben mezclarse con los de otras fuentes.
2. Orden original: dicta que los registros deben mantener la disposición y el flujo contextual en que fueron creados[cite: 1, 2].

Sin embargo, cuando sometemos documentos a sistemas de IA que utilizan Generación Aumentada por Recuperación (RAG, o Retrieval-Augmented Generation), el texto original se fragmenta en pequeños bloques, los chunks, y se convierte en vectores matemáticos dentro de bases de datos vectoriales. En este proceso, el «orden original» lineal del siglo XIX se disuelve por completo.

Para entender la dinámica del proceso RAG, imagine el camino que recorre la información.

Todo comienza con un documento completo, que debe fragmentarse en pequeños trozos, conocidos como chunks, para luego pasar por una indexación vectorial.

La indexación vectorial es el proceso de convertir informaciones, como textos, documentos o imágenes, en coordenadas matemáticas (conocidas como embeddings) y organizarlas en una base de datos optimizada para ese formato. A diferencia de la indexación tradicional, que guarda palabras exactas, la indexación vectorial mapea el significado semántico del contenido. Es este proceso el que permite a los sistemas modernos de búsqueda y a los LLM comparar la intención de una pregunta con el contexto de los fragmentos de texto, recuperando la información por similitud de sentido, y no solo por el cruce exacto de palabras clave.

Con esto en mente, vemos que el momento crítico ocurre en la fase de recuperación de esa información. Si el sistema rescata esos fragmentos sueltos, sin los metadatos de contexto adecuados, el modelo de lenguaje de gran escala pierde su principal referencia, lo que fatalmente conduce a la alucinación de la IA. Por el contrario, cuando esa recuperación viene acompañada de una cadena de procedencia sólida, mantenemos la integridad del origen y garantizamos la entrega de una respuesta precisa.

Si el fragmento de información no lleva consigo metadatos contextuales detallados sobre su origen, autoría, vigencia temporal y relación conceptual, se convierte en un dato huérfano. Y los datos sin contexto son el terreno fértil para las llamadas «alucinaciones» de los modelos de lenguaje de gran escala, como ya hemos dicho. Nuevamente, la autenticidad de un dato digital no reposa en la rigidez del archivo estático, sino en la captura abundante y continua de metadatos durante todo su ciclo de vida.

La aplicación práctica de la proveniencia en el comercio electrónico

Piense en el reglamento de cambios de una tienda virtual o en las condiciones de envío de un producto. Si su empresa modifica la política de devoluciones de 30 a 7 días en fechas conmemorativas, y esa información se fragmenta en un sistema de RAG sin metadatos precisos de fecha, versión y alcance, el chatbot de atención al cliente o el agente de búsqueda podrá recuperar fragmentos obsoletos e instruir al consumidor de forma equivocada.

¿Cómo resuelve esto en su empresa? Cuéntemelo en los comentarios.

En la optimización semántica, resolvemos esto adoptando estándares abiertos de metadatos como JSON-LD, el vocabulario Schema.org y otras soluciones. Cada entidad de producto debe estar anclada con propiedades explícitas de validez, marca, disponibilidad y procedencia, permitiendo que motores de búsqueda y robots indexadores rastreen exactamente la fuente de la verdad de esa afirmación.

Auditoría algorítmica y curadoria contra asimetrías de información

La construcción y la selección de bases de datos nunca son actos neutros o puramente técnicos; son procesos cargados de elecciones y perspectivas socioculturales. En la Ciencia de la Información, discutimos ampliamente cómo la digitalización masiva y la agregación desregulada de contenidos pueden actuar como mecanismos de «extractivismo de datos», reforzando visiones hegemónicas y borrando minorías o saberes regionales.

Para evitar que los sistemas inteligentes se conviertan en cámaras de eco de distorsiones históricas, bibliotecarios, archivistas y curadores de datos utilizan métricas específicas de control de calidad y diversidad:

• Índice de Cobertura Cultural (Cultural Coverage Index): métrica que evalúa si la representatividad lingüística, geográfica y demográfica de un corpus refleja la diversidad del dominio real o si replica solo las preferencias de la institución que recopiló los datos.
• Índice de Conformidad de Transparencia (Transparency Compliance Index): indicador que audita la claridad de la procedencia de los datos, los criterios metodológicos de filtrado adoptados y las licencias aplicadas.

Para garantizar la calidad y la gobernanza en el dominio semántico, solemos apoyarnos en tres indicadores fundamentales.

El primero es el índice de cobertura cultural, que mide la diversidad y ayuda a mitigar los sesgos de representatividad en el acervo. El segundo es el índice de conformidad de transparencia, responsable de auditar la procedencia de las fuentes, los criterios metodológicos de recolección y las licencias de uso, y por último, tenemos la puntuación de intensidad energética, o energy intensity score, que evalúa el impacto ambiental al medir el consumo de energía y la huella de carbono exigidos en el procesamiento computacional de esos datos.

La aplicación práctica de la auditoría algorítmica y curadoria en el comercio electrónico

En el comercio electrónico, el sesgo algorítmico puede perjudicar directamente la facturación y la experiencia del cliente. Suponga una tienda de cosméticos y perfumería. Si la taxonomía y el motor de recomendación fueron entrenados con un corpus desbalanceado, productos específicos para determinados tipos de cabello o tonos de piel pueden no aparecer nunca en los escaparates automatizados o en los filtros principales de búsqueda.

Realizar una auditoría taxonómica en su tienda significa evaluar si las facetas de navegación y los vocabularios atienden verdaderamente a toda la base de consumidores. La intervención humana estratégica es insustituible para calibrar esos matices que ningún modelo probabilístico puro es capaz de deducir con sensibilidad ética.

Soberanía de los datos y el equilibrio entre los principios FAIR y CARE

Si nunca ha oído hablar de los principios FAIR y CARE, me gusta pensar en ellos como dos caras de la misma moneda a la hora de publicar y organizar cualquier tipo de información en internet.

Los principios FAIR representan el lado técnico, con foco en hacer que la tecnología funcione de forma eficiente, y la sigla en inglés establece que los datos deben ser:

• Localizables (Findable): fáciles de encontrar, como un libro que tiene la etiqueta exacta en la estantería correcta de una biblioteca.
• Accesibles (Accessible): disponibles para quien necesita acceder a ellos, con reglas claras de cómo obtener esa información.
• Interoperables (Interoperable): capaces de «conversar» e intercambiar informaciones con otros sistemas de forma estandarizada.
• Reutilizables (Reusable): muy bien documentados para que otras personas (o incluso un modelo de lenguaje de gran escala) puedan usar esa información en el futuro de forma correcta.

Básicamente, el objetivo del FAIR es garantizar que las máquinas y los algoritmos consigan leer y procesar los datos libremente, pero es exactamente ahí donde surge un problema: si todo es totalmente abierto y fácil de usar, ¿cómo protegemos conocimientos sensibles, datos culturales o la privacidad de las personas?

Es para cerrar esa brecha que existen los principios CARE, que traen el lado humano, ético y de protección a la balanza, ya que defienden que el uso de los datos debe siempre garantizar:

• Beneficio colectivo (Collective benefit): la información debe generar valor para la comunidad de donde fue extraída, y no solo para quien la recopiló.
• Autoridad de control (Authority to control): las personas o comunidades que generaron la información tienen el derecho de decidir quién puede acceder a ella y de qué forma será usada.
• Responsabilidad (Responsibility): quien guarda y gestiona esos datos debe rendir cuentas y proteger activamente a aquellos que fueron la fuente de la información.
• Ética (Ethics): el respeto a los derechos humanos, a la cultura y al bienestar de las personas debe venir antes de cualquier interés tecnológico o comercial.

En mi día a día de trabajo, veo que el gran secreto es justamente equilibrar esas dos fuerzas. Nuestro desafío es construir estructuras de datos que los robots de los buscadores consigan rastrear perfectamente (FAIR), pero que, al mismo tiempo, blinden la privacidad y respeten el origen de la información (CARE).

Históricamente, fue en el entusiasmo por el movimiento de Ciencia Abierta y Datos Abiertos (Open Data), que se consolidó el paradigma de los principios FAIR. Y como ya hemos afirmado, tienen el objetivo de hacer los datos ampliamente comprensibles y reutilizables por máquinas. Sin embargo, la Ciencia de la Información nos alerta: tratar todo y cualquier dato como un recurso de libre explotación puede violar la privacidad individual y faltar al respeto a la soberanía de comunidades y pueblos originarios, por ejemplo.

Es por esta razón, entre otras, que los principios FAIR deben equilibrarse con los principios CARE.

Un ejemplo notable de aplicación de este equilibrio es el sistema Mukurtu CMS, una plataforma de gestión de acervos diseñada para preservar el patrimonio cultural indígena en conjunto con las etiquetas de conocimiento tradicional (TK Labels — Traditional Knowledge Labels). Estas etiquetas atribuyen protocolos de acceso específicos a los registros, determinando quién puede acceder a determinado conocimiento sagrado, en qué período o bajo qué circunstancias comunitarias.

Para visualizar cómo funciona esta dinámica en la práctica, podemos entender el equilibrio en la gobernanza de datos como un punto de convergencia entre dos fuerzas complementarias: por un lado, aplicamos el foco técnico orientado a la máquina a través de los principios FAIR, garantizando que nuestra información sea localizable, accesible, interoperable y reutilizable; por otro lado, aplicamos el foco ético y humano de los principios CARE, asegurando el beneficio colectivo, la autoridad de control, la responsabilidad y la ética sobre esos mismos datos.

Cuando unimos estos dos enfoques en nuestros proyectos, el resultado directo de esa convergencia es un acceso estructurado y responsable a la información.

La aplicación práctica de los principios FAIR y CARE en el comercio electrónico

¿Cómo se conecta este concepto al mundo del e-commerce? Piense en la gobernanza de datos sensibles de sus clientes y socios. No todos los datos generados por su operación deben exponerse indistintamente[cite: 1, 2].

Considere un marketplace que comercializa productos de cooperativas agrícolas familiares o artesanía indígena. Aplicar la gobernanza inspirada en el binomio FAIR/CARE significa conceder interoperabilidad estructurada para que el motor de búsqueda comprenda el origen y la sostenibilidad de ese producto (vía Schema.org), pero respetando las licencias, la autoridad de fijación de precios y los límites de divulgación establecidos por la comunidad productora. La tecnología semántica debe apoyar la valorización de la identidad de los productores sin transformarlos en meros registros anónimos.

Sostenibilidad digital y el coste invisible del procesamiento

La creación, el reentrenamiento constante y el procesamiento de modelos computacionales de gran escala demandan una cantidad masiva de recursos eléctricos e hídricos. El G1 explicó cómo el uso de Inteligencia Artificial demanda la generación colosal de energía eléctrica. Después de todo lo que ha leído, ya debe saber que en la evaluación de la calidad de un corpus, importa evaluar ese impacto.

La literatura académica ha incorporado la Puntuación de Intensidad Energética (Energy Intensity Score), que monitoriza el impacto ecológico generado por el procesamiento masivo de datos, como respuesta a ese problema.

Construir datos de forma sostenible exige combatir el desperdicio y la proliferación de «basura digital», por eso un repositorio de datos sostenible debe tratarse como un organismo vivo que depende de:

1. Versionado transparente: registro minucioso de la evolución de los datos mediante plataformas colaborativas como GitHub, garantizando auditoría y reproducibilidad.
2. Control de divulgación estadística (Statistical Disclosure Control): métodos matemáticos y de anonimización que aseguran el valor analítico de los datos sin exponer la privacidad individual de los sujetos involucrados.
3. Migración sistemática de formatos: políticas activas para actualización de estructuras y sintaxis, impidiendo que el conocimiento quede rehén de formatos obsoletos o propietarios (vendor lock-in).

La aplicación práctica de la sostenibilidad digital en el comercio electrónico

En el SEO para comercio electrónico, la sostenibilidad de datos se traduce en la eficiencia de la indexación. Plataformas que generan miles de páginas duplicadas por parametrización de filtros en URL (sin una navegación facetada bien planificada) no solo desperdician el presupuesto de rastreo (crawl budget) de los buscadores, sino que fuerzan peticiones continuas e innecesarias a los servidores, que son grandes consumidores de todo tipo de recursos.

Para entender el impacto de la estructuración en la portabilidad de los datos, basta con observar dos enfoques contrastantes.

Cuando apoyamos nuestra infraestructura en modelos relacionales rígidos, el escenario natural que se forma es la dificultad de migración y la creación de silos de información, donde el conocimiento queda aislado y anquilosado. En contrapartida, cuando evolucionamos hacia los formatos semánticos, utilizando lenguajes estructurados como RDF y OWL, cambiamos completamente esa dinámica. Esta elección técnica es lo que nos entrega la verdadera portabilidad, facilitando el reúso eficiente de la información por diferentes sistemas y, lo más importante, garantizando la longevidad de nuestro catálogo a largo plazo.

Podemos ir más allá, y organizar el catálogo a partir de ontologías y taxonomías claras en RDF (Resource Description Framework), evitando la redundancia, optimizando el almacenamiento y permitiendo que las peticiones realizadas por agentes inteligentes consuman exactamente los nodos semánticos necesarios, lo que reduce la latencia y el coste computacional global.

El futuro es humano y conceptualmente estructurado

Al final de todas estas lecciones, saqué una conclusión y creo que ustedes, especialistas en SEO, pueden llegar al mismo lugar al que yo llegué. La respuesta a los desafíos de la inteligencia artificial no reside en producir más volumen desordenado de texto para intentar engañar a los robots, está en la estructura profunda.

La inteligencia artificial opera calculando probabilidades estadísticas de tokens subsiguientes. Por el contrario, la inteligencia humana, respaldada por las metodologías de la Biblioteconomía y la Ciencia de la Información, puede construir sentido a través de ontologías bien definidas, vocabularios controlados y estándares abiertos de metadatos.

Un ejemplo son las anotaciones en TEI (Text Encoding Initiative) para documentos textuales y los modelos CEDAR para representación ontológica en JSON-LD.

Cree la tabla siguiente, que funciona como un cuadro de equivalencia que conecta la teoría académica con la práctica de mercado. Era necesario establecer un paralelo directo entre instrumentos y frameworks estructurales procedentes de la ciencia de la información y la archivística (como el TEI, plantillas CEDAR y Mukurtu) y sus aplicaciones correspondientes en el día a día del SEO semántico y el comercio electrónico.

Rápidamente puede sintetizar la idea central de este texto, comprendiendo que las prácticas avanzadas de optimización, como el uso del marcado estructurado, la gobernanza de datos sensibles y la creación de trazas de auditoría en grafos de conocimiento, no son invenciones recientes del mercado digital; son, en realidad, la implementación tecnológica de metodologías de estructuración y organización de la información ya validadas y consolidadas científicamente.

Cuadro comparativo: Frameworks académicos y prácticas de mercado

Cuando aplicamos estos principios a nuestro trabajo de SEO Semántico, transformamos nuestros sitios y tiendas virtuales en ecosistemas de conocimiento accesibles, confiables y perennes.

La pregunta decisiva que debemos hacernos hoy no trata sobre la cantidad de páginas que nuestros servidores pueden almacenar, sino que constituye una provocación ética y estratégica: ¿estamos construyendo bases de datos que el futuro, mediado por humanos y máquinas, podrá comprender y validar?

Referencias consultadas y recomendadas para profundización

• ALMEIDA, Maurício Barcellos. Ontologia em Ciência da Informação: teoria e método. Curitiba: CRV, 2020.
• BRÄSCHER, Marisa; CAFÉ, Ligia Maria Arruda. Organização da Informação ou Organização do Conhecimento?. In: Encontro Nacional de Pesquisa em Ciência da Informação (ENANCIB), 2008.
• CORREA, R. et al. A metadata model for authenticity in digital archival descriptions. Data & Knowledge Engineering, 2023.
• LANCASTER, F. W. Indexação e Resumos: teoria e prática. Brasília: Briquet de Lemos, 2004.
• MUSEN, Mark A. et al. The Center for Expanded Data Annotation and Retrieval (CEDAR). Stanford Profiles, 2024.
• SILVA, Alexander Rodrigues. SEO Semântico: Fluxo de trabalho semântico. Porto Alegre: Semântico, 2022.
• WILKINSON, Mark D. et al. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 2016.