El enlazado interno con IA consiste en usar modelos de inteligencia artificial para descubrir qué páginas de tu web hablan de temas parecidos y todavía no se enlazan entre sí. La pieza clave son los embeddings: representaciones numéricas del significado de cada texto que permiten medir qué tan cerca está un artículo de otro, aunque usen palabras distintas. Con esa medida puedes generar, en una tarde, una lista de enlaces que faltan, en lugar de releer cientos de artículos a mano.
No reemplaza el criterio humano. La IA encuentra candidatos; una persona decide cuáles tienen sentido para el lector y dónde colocarlos. Bien usado, es la forma más rápida que conocemos de ordenar los enlaces de un blog de más de 100 artículos.
En esta guía verás tres métodos, del más sencillo al más flexible, cuánto cuesta en la práctica y cómo evitar los errores típicos.
Actualizado: octubre de 2026
Lo esencial
- Los embeddings convierten cada artículo en un vector; la similitud entre vectores indica qué tan parecidos son sus temas.
- Screaming Frog incorpora desde su versión 22.0 (junio de 2025) un análisis de similitud semántica con embeddings de OpenAI, Gemini u Ollama.
- El costo de generar embeddings para un blog mediano suele ser de centavos de dólar; lo que más cuesta es el tiempo de revisión.
- Un buen enlace interno une páginas que el lector querría leer juntas y usa un texto ancla que describe el destino.
- Enlazar más no rescata artículos débiles: en la auditoría de kom.pe, los artículos no indexados tenían los mismos enlaces internos que los indexados.
Por qué los enlaces internos siguen importando
Google usa los enlaces para descubrir páginas y entender de qué tratan. Su documentación sobre enlaces rastreables pide que sean etiquetas <a> con atributo href y que el texto ancla sea descriptivo, conciso y relacionado con la página de destino. Y en su guía sobre funciones de IA de la Búsqueda recuerda que, para AI Overviews y el Modo IA, valen las mismas prácticas de siempre, entre ellas que el contenido sea fácil de encontrar con enlaces internos.
El problema es de escala. En un blog con 300 artículos hay 89,700 combinaciones posibles de «artículo A enlaza a artículo B». Nadie puede revisarlas a mano. Lo que suele pasar es que cada artículo nuevo enlaza a dos o tres de los más recientes, y los antiguos, que muchas veces son los mejores, quedan sin enlaces entrantes.
Una advertencia honesta antes de seguir: los enlaces ayudan a que buenas páginas se encuentren, pero no convierten una página débil en útil. Cuando auditamos el blog de kom.pe, la mediana de enlaces internos recibidos y enviados era la misma entre artículos indexados y no indexados. Lo contamos en el caso real en el que eliminamos 174 artículos que Google no indexaba. Primero limpia; después enlaza.
Qué son los embeddings, en dos minutos
Un embedding es una lista de cientos o miles de números que un modelo de IA genera a partir de un texto. Textos con significado parecido producen listas de números parecidas. Así, «precio de un tablero eléctrico trifásico» y «cuánto cuesta instalar un tablero de 380 V» quedan cerca, aunque casi no compartan palabras.
Para comparar dos embeddings se usa la similitud del coseno, un valor que en la práctica va de 0 (nada que ver) a 1 (casi idénticos). Si quieres entender el concepto con más calma, tenemos dos explicaciones: embeddings y similitud semántica explicados para marketers y qué son los embeddings en inteligencia artificial.
Para el enlazado interno, la lógica es simple: si dos artículos tienen una similitud alta y no se enlazan, probablemente falta un enlace. Si tienen una similitud muy alta, quizá sobra uno de los dos.
Método 1: Screaming Frog con similitud semántica
Es la opción sin código. Según el anuncio oficial de la versión 22.0, Screaming Frog SEO Spider puede generar embeddings de cada página durante el rastreo usando las integraciones de IA de OpenAI, Gemini u Ollama (esta última permite usar modelos en tu propia computadora).
Cómo configurarlo
- En Config > API Access > AI, conecta el proveedor que vayas a usar con tu propia clave de API.
- En Config > Content > Embeddings, activa los embeddings y define el umbral de similitud. Por defecto, Screaming Frog marca como «semánticamente similares» los pares por encima de 0.95, y puedes bajar el umbral hasta 0.5.
- Rastrea el sitio o, mejor, solo el blog (modo lista con las URLs de los artículos).
- Al terminar, ejecuta el análisis de rastreo para que se llenen los filtros.
Qué mirar en los resultados
- Filtro «Semantically Similar» en la pestaña Content: lista páginas con contenido muy parecido. Con el umbral alto (0.95) sirve para detectar duplicados y canibalización; con un umbral más bajo (0.80 a 0.85, según tu sitio) aparecen los candidatos a enlazarse.
- Pestaña inferior Duplicate Details: muestra para cada URL las páginas similares. El propio anuncio de Screaming Frog menciona su utilidad para mejorar el enlazado interno entre páginas similares.
- Filtro «Low Relevance Content»: señala páginas alejadas del tema central del sitio. Son buenas candidatas a revisar antes de enlazar nada hacia ellas.
- Content Cluster Diagram (en Visualisations): un mapa 2D donde los artículos parecidos se agrupan. Ayuda a ver de un vistazo qué temas tienes bien cubiertos y cuáles están dispersos.
Para saber si dos páginas similares ya se enlazan, exporta los enlaces internos desde Bulk Export > Links > All Inlinks y crúzalos con la lista de pares similares en una hoja de cálculo. Si usas Screaming Frog con regularidad, encaja bien con la rutina mensual de auditoría técnica con Screaming Frog.
Ten en cuenta que la versión gratuita de Screaming Frog limita el rastreo a 500 URLs y que las funciones de integración con IA requieren la licencia de pago. Revisa el precio vigente en la web del fabricante antes de comprar.
Método 2: hoja de cálculo o script con una API de embeddings
Si quieres más control, puedes hacer el proceso tú mismo con una API de embeddings y una hoja de cálculo, o con un script corto en Python. Los pasos son los mismos en cualquier herramienta:
- Extrae el texto de cada artículo. Desde WordPress puedes exportar las entradas o usar la API REST (
/wp-json/wp/v2/posts) para obtener título, URL y contenido. - Limpia el texto. Quita menús, pies de página y bloques repetidos. Si no, todos los artículos se parecerán por compartir la misma plantilla.
- Genera un embedding por artículo. Para textos largos, puedes usar el título más los primeros párrafos, o dividir el artículo en fragmentos y promediar.
- Calcula la similitud entre todos los pares. Para 300 artículos son unos 45,000 pares únicos; una computadora normal lo hace en segundos.
- Quédate con los 5 más parecidos de cada artículo por encima de un umbral que calibres revisando ejemplos.
- Cruza con los enlaces que ya existen y elimina los pares que ya están enlazados.
- Revisa la lista resultante y decide qué enlaces añadir, en qué párrafo y con qué texto ancla.
Si quieres automatizar la parte repetitiva sin programar, herramientas como n8n permiten encadenar la lectura de WordPress, la llamada a la API y la escritura en Google Sheets. Lo explicamos en cómo automatizar tu negocio con n8n sin saber programar.
Cuánto cuesta generar los embeddings
Según la página de precios de OpenAI (consultada el 25 de octubre de 2026), el modelo text-embedding-3-small cuesta US$ 0.02 por millón de tokens de entrada y text-embedding-3-large, US$ 0.13. Un token equivale a una fracción de palabra; en español, un texto suele tener algo más de tokens que palabras.
Ejemplo ilustrativo: un blog de 300 artículos con 2,000 palabras de media tiene unas 600,000 palabras. Si estimamos 1.5 tokens por palabra, son 900,000 tokens. Con text-embedding-3-small: 0.9 × US$ 0.02 = US$ 0.018, menos de diez céntimos de sol. Con el modelo grande: 0.9 × US$ 0.13 = US$ 0.12. El precio puede cambiar, pero el orden de magnitud deja claro que el costo real está en las horas de revisión, no en la API.
Método 3: un asistente de IA para redactar el enlace
Una vez que sabes qué artículo debe enlazar a cuál, falta lo más delicado: dónde poner el enlace y con qué palabras. Aquí un asistente como ChatGPT, Claude o Gemini ayuda mucho, siempre con revisión.
Un pedido que funciona bien es pegar el artículo de origen y el título y resumen del artículo de destino, y pedir: «Indica el párrafo donde un lector querría saber más sobre este tema y propone un texto ancla de 3 a 7 palabras que describa el destino. Si no hay un lugar natural, dilo». La última frase es importante: obliga al asistente a admitir que un enlace no encaja en lugar de forzarlo.
Revisa siempre que el texto ancla no prometa algo que el destino no tiene y que la frase siga sonando natural. Un enlace forzado molesta al lector y no aporta nada.
Un ejemplo: en un artículo sobre «cómo elegir un hosting para tu tienda virtual», el asistente podría proponer enlazar «qué pasa si no renuevas el dominio a tiempo» justo en el párrafo que habla de pagos anuales. Tiene sentido, porque es la duda que aparece en ese momento. Si en cambio sugiere colocarlo en la introducción, donde nadie está pensando en renovaciones, descártalo.
Comparación de los tres métodos
| Método | Necesitas | Ventaja principal | Limitación | Ideal para |
|---|---|---|---|---|
| Screaming Frog con embeddings | Licencia de pago y clave de API (u Ollama local) | Sin código; integra rastreo, enlaces y similitud | Curva de aprendizaje de la herramienta | Agencias y equipos que ya auditan con Screaming Frog |
| Hoja de cálculo o script | Clave de API y algo de práctica técnica o n8n | Control total del texto analizado y del umbral | Hay que limpiar el texto y mantener el proceso | Blogs grandes y revisiones periódicas |
| Asistente de IA conversacional | Una suscripción o la versión gratuita | Propone ubicación y texto ancla | No sirve para comparar cientos de artículos a la vez | El paso final de redactar cada enlace |
En la práctica se combinan: Screaming Frog o un script para encontrar los pares, y un asistente para redactar cada enlace.
Cómo decidir qué enlaces sí añadir
Una lista de 1,500 sugerencias no sirve si no la filtras. Estos criterios te ayudan a quedarte con las que valen la pena:
- Prioriza destinos importantes. Páginas de servicio, artículos pilar y artículos con buenas impresiones pero pocos enlaces entrantes. Search Console te muestra las páginas con más enlaces internos en el informe Enlaces.
- Comprueba que el lector lo querría. Similitud alta no siempre significa utilidad. Un artículo sobre «precio de una web para restaurante» y otro sobre «carta QR» pueden ser similares y, a la vez, ser lecturas lógicas en secuencia. Dos artículos sobre «tipos de cuentas bancarias» quizá no aporten nada uno al otro.
- Limita la cantidad. Tres a ocho enlaces internos en un artículo de 2,000 palabras suele ser suficiente. Más no es mejor si distraen.
- Varía el texto ancla. Si veinte artículos enlazan a la misma página con exactamente las mismas palabras, se nota artificial.
Cuando la similitud es demasiado alta
Si dos artículos superan 0.90 o 0.95 de similitud, antes de enlazarlos pregúntate si deberían existir los dos. Muchas veces son el mismo tema escrito dos veces, y lo correcto es fusionarlos. Lo vimos con detalle en canibalización SEO: cuando 40 páginas tuyas compiten por una búsqueda. Enlazar dos artículos que se canibalizan no resuelve la competencia entre ellos.
Errores frecuentes con el enlazado interno con IA
- Analizar la página completa, con menú y pie. Todo parece similar a todo. Analiza solo el cuerpo del artículo.
- Aplicar las sugerencias en bloque con un plugin. Algunos plugins insertan enlaces automáticamente donde aparece una palabra. Suele dar enlaces fuera de contexto y anclas repetidas.
- Fijar un umbral sin calibrarlo. El valor que funciona depende del modelo y de tu sitio. Revisa 20 pares en distintos rangos antes de decidir.
- Olvidar los artículos antiguos. La mayor ganancia suele estar en añadir enlaces desde artículos viejos con tráfico hacia contenidos nuevos, y no solo al revés.
- No volver a medir. Sin una fecha de corte y una comparación posterior, no sabrás si sirvió.
Cómo medir el resultado
Anota la fecha en que añades los enlaces y compara, en periodos de 28 días, estas métricas para las páginas de destino:
- En Search Console, impresiones y posición media de las páginas que recibieron enlaces nuevos.
- En el informe de indexación, si alguna página «descubierta, sin indexar» pasa a indexada después de recibir enlaces.
- En Google Analytics 4, cuántas sesiones llegan a esas páginas desde otros artículos del blog (navegación interna).
No esperes saltos inmediatos. Google tiene que volver a rastrear las páginas de origen para ver los enlaces nuevos, y eso puede tardar desde días hasta varias semanas.
Cuándo tiene sentido hacerlo y cuándo no
Si tu web tiene 20 páginas, no necesitas embeddings: te basta con leerlas y enlazar a mano. El método vale la pena a partir de unos 80 o 100 artículos, cuando ya no recuerdas qué escribiste hace dos años. Y vale todavía más si piensas reorganizar el blog por temas, porque el mismo análisis te muestra qué artículos forman grupos naturales.
En KOM usamos este tipo de análisis al auditar blogs grandes, junto con los datos de Search Console y Analytics, para proponer enlaces, fusiones y retiros. Si quieres aplicarlo a tu sitio, conversa con nuestro consultor SEO y te explicamos qué parte puedes hacer tú y cuál conviene delegar.
Preguntas frecuentes
¿Necesito saber programar para hacer enlazado interno con IA?
No. Con Screaming Frog y una clave de API puedes obtener los pares de páginas similares sin escribir código, y luego usar un asistente de IA para redactar cada enlace. Programar te da más control sobre el texto analizado y el umbral, pero no es imprescindible. Lo que sí necesitas es tiempo para revisar las sugerencias una por una.
¿Es seguro enviar el contenido de mi web a una API de IA?
El contenido publicado de tu blog ya es público, así que el riesgo es bajo. Evita enviar borradores con información confidencial, datos de clientes o páginas privadas. Si prefieres que nada salga de tu equipo, Screaming Frog permite usar Ollama, que ejecuta modelos en tu propia computadora, aunque necesitarás una máquina con buena memoria y la calidad puede variar según el modelo.
¿Los plugins de enlazado automático de WordPress hacen lo mismo?
Algunos sugieren enlaces por coincidencia de palabras y otros ya usan IA, pero muchos los insertan de forma automática. La diferencia está en el control: un proceso con revisión humana elige el párrafo y el texto ancla adecuados. Si usas un plugin, desactiva la inserción automática y úsalo solo para recibir sugerencias que revisas antes de publicar.
¿Cada cuánto conviene repetir el análisis?
Para un blog que publica cuatro a ocho artículos al mes, una revisión trimestral suele bastar. Además, cada vez que publiques un artículo nuevo, busca sus cinco artículos más similares y añade enlaces desde ellos. Si haces una reorganización grande, como fusiones o cambios de URL, repite el análisis completo al terminar para detectar enlaces rotos y huecos.
¿Qué modelo de embeddings conviene para textos en español?
Los modelos actuales de OpenAI y Gemini son multilingües y funcionan bien con español, incluidos términos peruanos como «boleta», «RUC» o «detracción». Para un blog de empresa, el modelo pequeño y barato suele bastar. Antes de procesar todo el sitio, prueba con unos 20 pares de artículos que ya sabes si se parecen o no, y comprueba que las puntuaciones coinciden con tu criterio.
