Si llevas años haciendo keyword research, sabes hacerlo: volumen, dificultad, exact match, lista priorizada, a producir. Ese proceso funcionó muy bien durante mucho tiempo. El problema es que el sitio donde la gente busca ha cambiado, y el método no se ha movido con él.
Hoy una parte enorme de las búsquedas no acaban en un clic, las preguntas se hacen en lenguaje natural a un chat, y los sistemas de IA no buscan tu keyword: descomponen la pregunta del usuario en varias y recuperan trozos de páginas distintas. Seguir persiguiendo volumen bruto en ese escenario es perseguir tráfico que, en buena parte, ya no va a llegar nunca.
Esta es la visión de conjunto del proceso completo, actualizada al ecosistema actual —Google clásico más AI Overviews y AI Mode, más los LLMs (ChatGPT, Perplexity, Gemini, Claude)—. Cada fase la desarrollo a fondo en su propio artículo, enlazado desde aquí. Está pensada para quien ya sabe de SEO, así que no me paro a explicar qué es una SERP.
El cambio de paradigma: qué ha cambiado de verdad
Antes de ejecutar nada, conviene tener claro qué es lo que invalida el keyword research clásico. No son retoques. Son cambios estructurales.
De volumen primero a intención primero. El dato que mejor lo resume: en los primeros cuatro meses de 2026, alrededor del 68% de las búsquedas en Google en EE.UU. terminaron sin un solo clic, según el estudio de SparkToro con datos de Similarweb publicado en junio. Un aviso honesto: ese dato es de Estados Unidos; en Europa y España conviene asumir que es algo menor, pero va en la misma dirección. La conclusión no cambia: perseguir volumen bruto es perseguir clics que en gran parte no se producen.
Las queries se alargan. Semrush midió 7,22 palabras de media en AI Mode frente a 4 en Google clásico; otros estudios dan cifras más altas en interfaces conversacionales. La cifra varía, pero la dirección es clara: la gente describe situaciones completas en vez de teclear fragmentos.
Query fan-out. Los sistemas de IA no buscan tu keyword: descomponen la pregunta en varias sub-preguntas paralelas, recuperan pasajes de fuentes distintas y sintetizan. Puedes ser citado por responder bien a una sub-pregunta aunque no posiciones para la query principal. Es el cambio más profundo, y lo desarrollo entero en su artículo: Query fan-out: cómo la IA convierte una búsqueda en doce →.
Dos objetivos a la vez. Cada keyword es ahora una oportunidad de clic o una oportunidad de citación, y se miden distinto. Confundirlos es medir mal. Lo desarrollo aquí: Clic o citación: a qué juega cada keyword en 2026 →.
La conclusión operativa: el entregable del keyword research moderno ya no es una lista de keywords. Es un mapa de intenciones y sub-preguntas, organizado en clusters, con cada cluster asignado a una URL y clasificado como juego de clic, de citación o mixto.
Las 9 fases del proceso
Fase 1 · Preparación. Que la investigación parta del negocio, no de la herramienta. Define objetivos, entidad (los sistemas de IA razonan por entidades, no por cadenas de texto), buyer personas y su journey, y el alcance —incluido el idioma: si tu cliente exporta, una búsqueda en inglés o francés es un universo de keywords completamente distinto al castellano, y no se resuelve traduciendo—.
Fase 2 · Seeds. Reunir 20-50 temas semilla desde fuentes que reflejen lenguaje real, no solo herramientas. Search Console es insustituible, pero las fuentes de comunidad hay que adaptarlas a cómo se busca aquí. Lo desarrollo con detalle: Dónde encontrar keywords reales en España (más allá de Reddit) →.
Fase 3 · Expansión. Expandir cada semilla a su universo de variaciones con Semrush, Ahrefs o KWFinder. Regla de oro: el LLM genera, la herramienta valida. Nunca publiques sobre keywords generadas por IA sin comprobar volumen real.
Fase 4 · Análisis fan-out. La fase nueva. Para cada cluster, simular las 8-12 sub-queries que la IA ejecuta por debajo y cruzarlas con tus datos de Search Console. Desarrollada entera en el artículo de fan-out →.
Fase 5 · Clasificación. Clasificar cada keyword en dos ejes: intención (informacional, comercial, transaccional) y tipo de oportunidad (clic, citación o mixta). Desarrollada en Clic o citación →.
Fase 6 · Clustering. Agrupar el universo en clusters semánticos que se traduzcan en arquitectura de contenidos, con estructura pillar/satélite. Una intención, una URL.
Fase 7 · Priorización. Puntuar cada cluster (no cada keyword) por relevancia de negocio, dificultad realista, oportunidad en IA, zero-click y ventaja diferencial.
Fase 8 · Mapping. Asignar keywords a URLs concretas y escribir briefs con requisitos de extracción para IA. Las fases 6, 7 y 8 las desarrollo juntas en De keywords a topic clusters: la arquitectura que la IA premia →.
Fase 9 · Medición. Dos cuadros de mando separados: el juego de clic (Search Console, conversiones por cluster) y el juego de citación (trackers de visibilidad en IA, logs de bots, branded lift). Ciclos de unos 30 días.
En resumen
El keyword research no ha muerto, ha cambiado de unidad de trabajo. Antes era la keyword; ahora es la intención y sus sub-preguntas. El que siga entregando listas ordenadas por volumen hace un trabajo que se ve bien en un informe y rinde mal en la realidad.
Y la clave que más te diferencia: en un escenario donde la IA sintetiza lo genérico, lo único que no puede replicar sin citarte son tus datos, tu experiencia y tus casos reales. Eso, que antes era un extra, ahora es el activo.
Esto es lo que aplico cuando trabajo el posicionamiento de un cliente, SEO y GEO a la vez.