Durante más de veinte años, el SEO ha funcionado con las mismas métricas de siempre: clics, impresiones, tasa de clics (CTR), posiciones en el ranking… Todo lo que Google ponía encima de la mesa. Pero la irrupción de la inteligencia artificial en el proceso de búsqueda ha dejado al descubierto un punto ciego enorme que esas métricas nunca han logrado cubrir. Según Giulia Panozzo, fundadora de la consultora Neuroscientive y autora de un análisis publicado en Search Engine Journal, el problema de fondo es siempre el mismo: todas esas métricas miden el resultado de una decisión, pero no lo que llevó al usuario a tomarla.
El problema de medir solo lo que ya ha pasado
De acuerdo con la autora, métricas como el CTR, la tasa de rebote o las conversiones tienen un defecto estructural: llegan demasiado tarde. Para cuando se registran, la decisión del usuario ya está tomada y no puede influirse. El CTR dice que alguien hizo clic, pero no por qué ese resultado le pareció más relevante que otro. La tasa de rebote indica que alguien se fue, pero no qué expectativa no se cumplió.
Según el análisis, este problema existía antes de la IA, pero los modelos de lenguaje lo han amplificado considerablemente. Herramientas como los AI Overviews de Google o los chatbots conversacionales sintetizan respuestas antes de que el usuario llegue a ningún sitio web, haciendo que gran parte del proceso de decisión ocurra fuera del alcance de los datos tradicionales. El usuario evalúa, compara y decide… sin que ninguna métrica convencional lo registre.
Qué es la «Distancia de Decisión» y por qué importa
Panozzo propone un concepto nuevo para llenar ese vacío: la «Decision Distance» o Distancia de Decisión. Según la define la propia autora, se trata de la brecha semántica entre las motivaciones que impulsan la decisión de un usuario y los mensajes que una marca comunica a lo largo del customer journey. En otras palabras, mide cuánto se aleja el contenido de una web de lo que el usuario realmente necesita escuchar para dar un paso adelante.
La autora ilustra el concepto con un ejemplo muy claro: una persona que busca un software de nóminas cuya principal preocupación es la seguridad y la privacidad de los datos de sus empleados. Si la página de producto dedica la mayor parte del espacio a hablar de funcionalidades, integraciones y dashboards, la Distancia de Decisión es alta, y la probabilidad de conversión, baja. El contenido puede haber respondido a la consulta, pero no a los requisitos reales para que esa persona tome una decisión favorable.
«Las personas raramente convierten por el contenido en sí. Lo hacen porque lo que ese contenido transmitió las acercó a una decisión que ya estaban evaluando», señala Panozzo en su análisis.
Según la fuente, esta métrica no pretende sustituir a las métricas SEO tradicionales, sino complementarlas. El ranking y los clics dicen si el contenido fue visto o actuado; la Distancia de Decisión ayuda a entender si se abordaron las motivaciones que hacen posible esa acción en primer lugar.
Cómo calcular la Distancia de Decisión en cuatro pasos
De acuerdo con la metodología propuesta por Panozzo, el proceso se divide en cuatro etapas principales. El punto de partida es identificar los «drivers» de decisión a partir del lenguaje del propio público: las consultas de búsqueda, entrevistas con clientes, conversaciones de soporte o datos de CRM. Algunos de los drivers más comunes, según la autora, son:
- Valor por el dinero: el deseo de maximizar lo que se obtiene en relación al coste.
- Confianza: la necesidad de creer que la marca cumplirá lo que promete.
- Comodidad: el deseo de minimizar el esfuerzo y el tiempo invertido.
- Prueba social: la confianza que genera ver que otros han tomado la misma decisión.
- Calidad: la expectativa de un rendimiento superior o una mayor durabilidad.
El segundo paso, según la fuente, consiste en analizar el propio contenido de la marca —páginas de producto, landing pages, artículos del blog, copies de anuncios— usando el mismo marco de drivers de decisión. El objetivo es entender qué motivaciones refuerza la marca y cuáles pasa por alto.
La comparación de perfiles y la reducción de brechas
El tercer paso es el cálculo propiamente dicho: se comparan el perfil de motivaciones del público y el perfil de mensajes de la marca para identificar dónde divergen. Esas brechas son, según la autora, las oportunidades de optimización más relevantes. Por ejemplo, si el público prioriza la calidad en la fase de conocimiento pero la marca habla principalmente de conveniencia, ahí hay una desalineación clara que se puede corregir.
Para hacerlo de forma técnica, la autora propone usar sentence embeddings y similitud semántica, una técnica de procesamiento del lenguaje natural que permite comparar fragmentos de texto según su significado, no solo por palabras clave. Panozzo ha compartido incluso un script en Google Colab para que cualquiera pueda experimentar con sus propios datos de audiencia y mensajes de marca.
El cuarto y último paso es actuar sobre los resultados: cambiar mensajes, introducir señales de confianza más potentes, reestructurar contenidos o colaborar con otros equipos para cubrir necesidades que no se están atendiendo. En el ejemplo que proporciona la fuente, la audiencia analizaba la calidad y la confianza como drivers principales, mientras que la marca enfatizaba la prueba social, la conveniencia y la seguridad. Esa diferencia es la hoja de ruta para mejorar la alineación con el usuario.
Por qué la IA hace urgente esta métrica ahora mismo
Según Panozzo, los modelos de lenguaje no solo sintetizan información: intentan reflejar las elecciones del usuario basándose en lo que saben sobre sus valores, preferencias y estados emocionales, o los de personas similares. Esto hace que sea mucho más difícil aparecer como opción relevante si los mensajes de una marca no están perfectamente alineados con la intención de búsqueda, los valores y el estado emocional de quien busca.
De acuerdo con la fuente, la búsqueda tradicional premiaba hacer match con las consultas. La búsqueda con IA premia, cada vez más, hacer match con las razones que hay detrás de esas consultas. Y entender esas razones, concluye la autora, podría convertirse en una de las mayores ventajas competitivas en el SEO de los próximos años.
Fuente: https://www.searchenginejournal.com/the-metric-most-seos-are-still-not-measuring-in-the-age-of-ai/584027/