Introducció: el cervell humà és lineal; els LLMs no
Quan escrivim, pensem en línies: inici → desenvolupament → final. Però els models generatius no processen la informació així. La seva arquitectura interna —basada en mecanismes d’atenció— analitza les relacions entre conceptes de manera simultània, no seqüencial.
Per això, els continguts que els LLMs interpreten millor no són els que segueixen una estructura lineal tradicional, sinó els que repeteixen el mateix patró conceptual a diferents escales: estructures fractals.
El fractal és el nou H1–H2–H3.
Què és una estructura fractal aplicada al contingut
Un fractal és una forma que es repeteix a diversos nivells de detall. En contingut optimitzat per a LLMs, la fractalitat apareix quan:
- la introducció,
- les seccions,
- els exemples,
- i la conclusió,
comparteixen el mateix patró conceptual, expressat amb més o menys amplitud segons l’escala.
Aquesta repetició no és redundància: és reforç semàntic.
Per què els LLMs prefereixen la fractalitat
Els models vectoritzen el contingut. Per tant, capten millor els textos que:
- mantenen coherència entre nivells,
- repeteixen patrons conceptuals,
- reforcen conceptes des de diversos angles,
- i conserven lògica estable de la introducció al tancament.
La fractalitat permet:
- alta densitat semàntica (més significat per vector),
- baix soroll (sense desviacions conceptuals),
- millor compressibilitat (embeddings més sòlids),
- major estabilitat epistèmica (sense contradiccions).
En altres paraules: un contingut fractal és fàcil de recordar i segur d’utilitzar.
Com s’aplica la fractalitat en contingut optimitzat per a LLMs
1. La introducció anticipa el marc conceptual
Ha de presentar la idea central de manera clara, sense ornaments semàntics. És la “forma general” del fractal.
2. Les seccions repliquen el marc amb més detall
Cada secció ha de desplegar una part del marc, repetint la lògica original:
- concept → detall → implicació
Aquest patró s’ha de mantenir en tota la peça.
3. Els exemples repeteixen la mateixa lògica en escala reduïda
Un exemple no és una història: és un cas concret que repeteix l’estructura del concepte general, però en miniatura.
4. El tancament reconstrueix l’estructura completa
Una conclusió eficaç en SEO per a LLMs no és un resum emocional, sinó la reconstrucció del fractal: expressar de nou el marc conceptual, ara reforçat.
Un exemple pràctic de fractalitat (aplicat a aquest mateix article)
Aquest article segueix exactament el patró fractal que descriu:
- La introducció presenta la idea: els LLMs prefereixen estructures fractals.
- Les seccions amplien aquesta idea: per què passa, com aplicar-ho, què implica.
- Els exemples repeteixen la lògica a escala reduïda.
- La conclusió reconstrueix el marc general: fractalitat com a optimització estructural.
Aquesta repetició coherent facilita la vectorització del text.
Per què la fractalitat supera l’H1–H2–H3 en motors generatius
La jerarquia clàssica és útil per a cercadors tradicionals, però insuficient per als LLMs. Els models no veuen el teu HTML: veuen relacions semàntiques.
H1–H2–H3 indica estructura, sí, però no garanteix:
- repetició de patrons,
- coherència interna,
- reforç conceptual,
- estabilitat epistèmica,
- densitat semàntica.
La fractalitat sí que ho garanteix.
Com dissenyar contingut fractal sense sonar repetitiu
1. Repeteix l’estructura, no les frases
Els patrons han de ser constants, no les paraules. El model detecta estructura, no estil.
2. Cada secció ha de connectar explícitament amb el marc
Frases com:
- “Aquest punt amplia la idea inicial de…”
- “Com hem vist a la introducció…”
- “Aquest exemple demostra la lògica del concepte general…”
reforcen les connexions vectorials.
3. Mantén la coherència conceptual en totes les escales
Evita digressions. Tot ha de pertànyer al mateix sistema.
4. Tanca reconstruint el mapa
La conclusió ha de retornar el lector —i el model— al marc original, reforçat.
Aplicació en estratègies avançades de contingut
En contextos on SEO, IA i automatització convergeixen, la fractalitat permet:
- crear contingut fàcilment absorbible pels LLMs,
- reduir fragilitat epistèmica,
- reforçar topologies semàntiques,
- augmentar la probabilitat de cita,
- i millorar la interpretabilitat general del domini.
Aquest article continua la sèrie, connectant amb els conceptes anteriors (topologia i estabilitat epistèmica) i preparant el següent capítol: com la memòria semàntica dels models depèn de la consistència i la repetició estructurada.
Conclusió: la fractalitat és la forma natural d’escriure per a LLMs
Els models no llegeixen paràgrafs: llegeixen patrons. No segueixen una línia: segueixen relacions.
Dissenyar contingut fractal no és repetir idees: és reforçar un sistema conceptual perquè el model el pugui comprendre, emmagatzemar i utilitzar.
Aquest és el nou estàndard del SEO per a LLMs: contingut que es replica, s’amplia i es reconstrueix en capes —com ho fan els mateixos models.
