Introducció: la nova mètrica invisible del contingut
En el SEO tradicional, un bon contingut era aquell que responia bé a una intenció de cerca. En el SEO per a LLMs, un bon contingut és el que els models poden convertir en un vector útil.
ChatGPT, Claude, Gemini i Perplexity no emmagatzemen els teus textos: els transformen en embeddings —representacions matemàtiques que capten relacions entre idees. El que importa ja no és l’estil, ni la persuasió, ni la narrativa. El que importa és la teva densitat semàntica.
Aquest canvi és profund: el contingut deixa de competir per paraules clau i comença a competir per espai vectorial.
Què capta un embedding (i què no)
Un embedding no registra el to, ni l’storytelling, ni els recursos retòrics. Registra patrons conceptuals, no ornaments.
Un embedding capta:
- Relacions entre conceptes (com connectes les idees).
- Cohesió semàntica (consistència lògica interna).
- Densitat temàtica (poca dispersió, molt de focus).
- Absència de soroll (no divagues, no repeteixes, no omples).
Un embedding NO capta:
- Estil literari.
- La longitud per si mateixa.
- Tono emocional.
- Metàfores innecessàries.
- SEO on-page clàssic (densitat, variacions forçades, etc.).
És una paradoxa: el que abans feia un contingut “bonic” pot convertir-lo ara en invisible per al model.
La revelació: el millor contingut és el que es comprimeix bé
Un LLM processa el contingut com si l’“aplastés” en un vector. Si el text està ple de soroll semàntic, contradiccions o paràgrafs irrellevants, el vector resultant és feble. Si el text és clar, compacte i ben estructurat conceptualment, el vector és nítid i robust.
La nova optimització és optimització de compressibilitat: quant coneixement útil cap dins d’un vector.
Com crear contingut que es deixa indexar perfectament en vectors
1. Elimina adorns que no aporten significat
Els models penalitzen el contingut “florit” perquè dilueix l’embedding. No cal escriure de manera robòtica, però sí evitar que l’estil domini la idea.
2. Organitza els conceptes com un sistema, no com un text
Els LLMs premien l’estructura topològica: com les idees es connecten i es reforcen mútuament. Com més coherència sistèmica, més estable és l’embedding.
Exemple aplicat: aquest article utilitza el patró fractal → marc → detall → exemple → reconstrucció. Aquest patró es comprimeix de manera excel·lent en un vector.
3. Reforça les relacions conceptuals explícitament
Frases com:
- “A es relaciona amb B perquè…”
- “Aquest concepte deriva de…”
- “El principi general és…”
ajuden el model a construir el mapa semàntic intern.
4. Evita la fragilitat epistèmica
Els models descarten contingut poc fiable o amb contradiccions internes. Perquè el teu vector sigui estable:
- No exageris.
- No afirmis res sense suport.
- No canviïs de marc conceptual a mig article.
5. Utilitza exemples que reforcin els patrons, no que els trenquin
Un bon exemple no és el més creatiu, sinó el que repeteix la lògica del concepte. Els embeddings detecten la repetició útil com una senyal de cohesió.
Què significa “contingut compacte” en la pràctica
Un contingut compacte compleix tres propietats:
- Alta densitat semàntica: cada paràgraf aporta una idea clau.
- Alta coherència: tots els conceptes pertanyen al mateix sistema.
- Baix soroll: no hi ha divagacions, palla ni repeticions innecessàries.
La conseqüència és potent: els LLMs et trien més vegades. Et citen, recombinen les teves idees i integren el teu coneixement en les seves respostes.
Per què això importa per al SEO per a LLMs
Si el teu contingut:
- es comprimeix bé,
- es vectoritza bé,
- es recorda bé,
la teva autoritat en motors generatius creix exponencialment.
Apareixes més sovint en:
- respostes generades,
- AI Overviews,
- citacions de Perplexity,
- resums,
- RAGs corporatius,
- explicacions detallades.
Aplicació pràctica en estratègies avançades de continguts
En projectes on SEO, IA aplicada i creació de continguts conviuen dins d’un mateix marc estratègic, la capacitat d’un text per generar vectors clars i compactes es converteix en un element diferencial. El contingut especialitzat —quan és dens, coherent i lliure de soroll— no només millora la interpretabilitat humana, sinó que incrementa el seu pes dins dels models generatius.
Aquest enfocament connecta de manera natural amb el primer article de la sèrie, centrat en com els LLMs reconstrueixen significat a partir de patrons, i prepara el terreny per al proper capítol: com els models premien topologies de coneixement coherents per sobre de pàgines aïllades. Entendre aquesta progressió és clau per dissenyar ecosistemes de contingut que funcionin tant per als cercadors tradicionals com per als motors generatius.
Conclusió: el vector és el nou rànquing
Google ranqueja pàgines; els LLMs ranquegen vectors. Aquesta és la diferència estructural que marcarà la pròxima dècada del SEO.
El contingut més valuós no és el més espectacular ni el més llarg, sinó el que deixa la petjada més clara en la memòria del model. Aquest és el contingut que els LLMs reutilitzen, citen i eleven.
En els propers articles continuarem explorant aquesta nova lògica de visibilitat en motors generatius —una de les peces clau del SEO per a LLMs.
