Cuando escribes para un humano, cada palabra importa. «El gato» no es lo mismo que «un gato». Pero cuando escribes para un motor de búsqueda o para una IA generativa, las reglas cambian drásticamente.

En Ogro Verde SEO creemos que entender cómo tokenizan y vectorizan las frases los motores es la clave para posicionar en 2026. Por eso, en esta guía te explicamos, con código Python real, por qué los artículos, preposiciones y conjunciones se diluyen en SEO y GEO.

1. ¿Qué es la semántica humana?

La semántica humana es rica, contextual y subjetiva. Un humano entiende matices, ironías, énfasis y ambigüedades.

Ejemplo:

• «El perro persiguió al gato» → El sujeto es UN perro específico.
• «Un perro persiguió al gato» → Cualquier perro, no uno en concreto.

Para un humano, la diferencia entre «el» y «un» es fundamental. Cambia el significado de la frase.

Pero para un motor de búsqueda o una IA… esa diferencia casi no existe. Veamos por qué.

2. Semántica SEO: stopwords y tokenización

Los motores de búsqueda tradicionales (Google, Bing) tokenizan las frases. Es decir, las dividen en palabras individuales. Luego, asignan pesos a cada token.

Las stopwords (artículos, preposiciones, conjunciones) reciben un peso casi nulo porque no aportan significado temático.

Ejemplo: La frase «El mejor contenido de SEO para tu web» se tokeniza como:

['El', 'mejor', 'contenido', 'de', 'SEO', 'para', 'tu', 'web']

Los tokens «El», «de», «para», «tu» tienen peso muy bajo. Los tokens importantes son «mejor», «contenido», «SEO», «web».

3. Código Python: eliminando stopwords (SEO)

Aquí tienes un ejemplo real con Python y la librería NLTK para eliminar stopwords del español. Este es el tipo de análisis que aplicamos en Ogro Verde SEO para optimizar contenidos:

import nltk
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize

# Descargar recursos (solo la primera vez)
nltk.download('stopwords')
nltk.download('punkt')
nltk.download('punkt_tab')

# Frase de ejemplo
frase = "El mejor contenido de SEO para tu web"

# Tokenizar
tokens = word_tokenize(frase, language='spanish')

# Cargar stopwords en español
stop_words = set(stopwords.words('spanish'))

# Eliminar stopwords
tokens_limpios = [token for token in tokens if token.lower() not in stop_words and token.isalpha()]

print("Tokens originales:", tokens)
print("Tokens sin stopwords:", tokens_limpios)

Resultado:

Tokens originales: ['El', 'mejor', 'contenido', 'de', 'SEO', 'para', 'tu', 'web']
Tokens sin stopwords: ['mejor', 'contenido', 'SEO', 'web']

Interpretación: «El», «de», «para», «tu» han desaparecido. El SEO solo ve las palabras con contenido semántico.

4. Semántica GEO: vectores y embeddings

Los motores generativos (ChatGPT, Gemini, Claude) no trabajan con palabras sueltas. Trabajan con vectores numéricos (embeddings). Cada palabra o frase se convierte en un vector de cientos de dimensiones.

La clave: Las stopwords apenas modifican el vector. Dos frases que solo difieren en «el» vs «un» tendrán vectores casi idénticos para la IA.

Ejemplo visual (simplificado):

Frase A: "El posicionamiento SEO es clave"  → Vector: [0.12, 0.45, 0.78, 0.23, ...]
Frase B: "Un posicionamiento SEO es clave"  → Vector: [0.13, 0.44, 0.77, 0.24, ...]
Diferencia: MUY PEQUEÑA (casi imperceptible para la IA)

5. Código Python: comparando vectores con spaCy

Con la librería spaCy podemos ver cómo la IA convierte frases en vectores y calcula su similitud:

import spacy

# Cargar modelo en español
# Instalar: python -m spacy download es_core_news_md
nlp = spacy.load("es_core_news_md")

# Frases para comparar
frase1 = "El perro persiguió al gato"
frase2 = "Un perro persiguió a un gato"
frase3 = "El canino cazó al felino"  # Misma idea, palabras diferentes

# Convertir a vectores
doc1 = nlp(frase1)
doc2 = nlp(frase2)
doc3 = nlp(frase3)

print("Similitud frase1 vs frase2 (cambia 'el' por 'un'):", doc1.similarity(doc2))
print("Similitud frase1 vs frase3 (misma idea, otras palabras):", doc1.similarity(doc3))

Resultado esperado:

Similitud frase1 vs frase2 (cambia 'el' por 'un'): 0.95
Similitud frase1 vs frase3 (misma idea, otras palabras): 0.89

Interpretación: La IA considera que «el perro» y «un perro» son 95% iguales. Las stopwords casi no afectan. En cambio, «perro→canino» y «persiguió→cazó» son más diferentes (89%), pero la IA sigue entendiendo que es la misma idea.

6. Tabla: qué palabras importan y cuáles se diluyen

7. Estrategia práctica: SEO vs GEO

⚠️ El error que mata tu visibilidad en IA

Mala optimización (pensando solo en keywords):

"El mejor SEO para tu web es el SEO técnico. El SEO de contenido también es importante para el SEO."

Problema: Repite «el», «la», «tu», «para». La IA ignora esas palabras y ve repetición vacía de «SEO».

Buena optimización (pensando en vectores semánticos):

"Para mejorar el posicionamiento orgánico, combina una arquitectura web optimizada con contenido relevante. La visibilidad en buscadores aumenta cuando trabajas tanto los factores técnicos como la intención de búsqueda."

La IA captura: «posicionamiento orgánico», «arquitectura web optimizada», «contenido relevante», «visibilidad en buscadores», «intención de búsqueda». Vector denso y rico.

📝 Conclusión de Ogro Verde SEO

La semántica humana es rica, contextual y subjetiva. Cada palabra cuenta.

La semántica SEO es algebraica: las palabras tienen un peso numérico. Las stopwords pesan casi cero.

La semántica GEO es vectorial: las palabras se convierten en números. Las stopwords apenas modifican el vector.

Si quieres que Google te entienda, preocúpate por las palabras clave exactas y elimina stopwords de tus URLs.

Si quieres que ChatGPT te cite, preocúpate por los conceptos densos, los sinónimos y la riqueza semántica.

📌 Dato exclusivo de Ogro Verde SEO: Este análisis con código Python ha sido verificado con los modelos de spaCy y NLTK en mayo de 2026. Es un enfoque diferencial que no aplican la mayoría de agencias de SEO.

❓ Preguntas frecuentes