Durante años el SEO ha medido casi todo lo que resulta fácil convertir en un número: tráfico, posiciones, enlaces, palabras publicadas, frecuencia, autoridad o volumen de búsquedas. Pero hay algo bastante más difícil de medir y que con la llegada de la inteligencia artificial me parece cada vez más importante: cuánto trabajo útil y observable existe realmente detrás de una página.
Las claves del Content Effort en 20 segundos
- Google habla de esfuerzo, originalidad y valor añadido en sus directrices, y una filtración de documentación interna mostró señales denominadas
contentEffortyugcDiscussionEffortScore. - Eso no demuestra que exista un factor público de ranking llamado Content Effort.
- He construido una rúbrica con ocho dimensiones, tres jueces independientes y evidencias verificables.
- Una novena dimensión compara cuánto aporta una página frente al top 10 de Google.
Dos artículos pueden tener 2.000 palabras, una estructura SEO impecable, buenos encabezados y responder aparentemente a la misma intención de búsqueda.
Pero pueden ser completamente diferentes.
Uno puede limitarse a reorganizar lo que ya aparece en las diez primeras posiciones de Google. El otro puede incorporar una prueba propia, realizar cálculos sobre los datos disponibles, comparar alternativas, explicar errores encontrados durante una implementación o aportar una perspectiva basada en experiencia real.
Desde fuera ambos parecen contenido.
Para el lector no tienen el mismo valor.
Y parece bastante evidente que Google lleva tiempo intentando distinguirlos.
Google no publica una métrica llamada Content Effort
Conviene empezar por aquí porque en SEO existe cierta facilidad para convertir cualquier referencia encontrada en una patente, documentación o filtración en un nuevo supuesto factor de posicionamiento.
Google no publica una métrica oficial llamada Content Effort que permita introducir una URL y obtener una puntuación.
Tampoco sabemos si una página con más “esfuerzo” posicionará mejor que otra.
Lo que sí existen son bastantes señales que apuntan en una misma dirección.
Google pregunta expresamente a los creadores si sus páginas proporcionan información, investigación o análisis originales, si ofrecen algo más que una reescritura de otras fuentes y si aportan un valor sustancial frente a otras páginas que aparecen en los resultados de búsqueda.
También pregunta si el contenido demuestra experiencia de primera mano y conocimiento sobre aquello de lo que se está hablando.
Y hay otra pista interesante.
Hace unos días leía un artículo de Cyrus Shepard sobre Content Effort y su presencia tanto en las directrices utilizadas por los evaluadores de calidad de Google como en la documentación de la API de Google que se filtró en 2024. En ella aparecieron dos campos especialmente llamativos: contentEffort, descrito como una estimación de esfuerzo basada en un modelo de lenguaje, y ugcDiscussionEffortScore, relacionado con contenido generado por usuarios.
La existencia de esos campos no permite saber cómo los utiliza Google, si siguen utilizándose actualmente o qué peso podrían tener.
Pero la idea me pareció suficientemente interesante como para hacerme una pregunta:
¿Podría construir algo que intentara medir el trabajo editorial observable de una página?
Así empezó este pequeño experimento.
Qué intento medir cuando hablo de Content Effort
No intento medir cuántas horas ha tardado alguien en escribir un artículo.
Tampoco cuántas palabras contiene.
Un artículo de 4.000 palabras puede requerir bastante menos trabajo intelectual que otro de 800.
Y tampoco creo que tenga sentido establecer una equivalencia del tipo:
humano = contenido bueno
IA = contenido malo
Google tampoco plantea el problema de esa manera. Su política contra el abuso de contenido escalado se centra en producir muchas páginas principalmente para manipular los resultados de búsqueda y con poco o ningún valor para los usuarios, independientemente de que hayan sido creadas mediante inteligencia artificial, automatización, trabajo humano o una combinación de todos ellos.
La pregunta que me interesa es otra:
¿Qué evidencia de trabajo útil ha terminado realmente en la página?
Por ejemplo, si se han seleccionado y descartado datos con criterio, si hay cálculos propios, si se han comparado alternativas, si aparecen pruebas realizadas por el autor, si se explican limitaciones, si existen fotografías o gráficos originales o si se conectan datos que normalmente aparecen separados.
No importa demasiado si para llegar hasta allí se utilizó ChatGPT, Python, Excel, un cuaderno o una calculadora.
Importa el resultado.
Ocho dimensiones y tres jueces independientes
Para intentar medirlo he construido un harness alrededor de una rúbrica versionada.
La versión actual analiza ocho dimensiones intrínsecas:
- Curación y edición: cómo se selecciona, organiza y presenta la información.
- Contenido derivado y computado: cálculos, comparaciones, clasificaciones o conclusiones construidas a partir de datos.
- Hechos y perspectivas originales: aquello que la página aporta y no se limita a reproducir de otras fuentes.
- Recursos de alto esfuerzo: gráficos, tablas derivadas, diagramas, capturas anotadas u otros recursos creados específicamente para explicar.
- Contenido útil prominente: cuánto tarda el lector en encontrar la información realmente importante.
- Calidad de la discusión: tratamiento de objeciones, alternativas, riesgos y limitaciones.
- Profundidad más allá de hechos comunes: conexiones y explicaciones que permiten entender algo que no resulta evidente recopilando información básica.
- Autoría y experiencia: pruebas de uso, comprobaciones, procedimientos, resultados o conocimiento de primera mano.
Cada dimensión recibe una puntuación de 0 a 4, por lo que el resultado intrínseco máximo es de 32 puntos.
Pero no quería que esto terminara convertido en otro semáforo SEO que devuelve un 83 sobre 100 sin explicar demasiado bien de dónde ha salido.
Por eso cada análisis utiliza tres jueces independientes con GPT-5.6 Sol y razonamiento alto.
Los tres reciben exactamente el mismo contenido y la misma rúbrica.
No conocen las respuestas de los otros jueces y no pueden ponerse de acuerdo.
Y, sobre todo, no pueden conceder una puntuación simplemente porque un artículo les parezca bueno.
Cada valoración debe acompañarse de evidencias literales extraídas de la página.
Después entran los validadores deterministas.
Si un juez utiliza como evidencia una frase que realmente no aparece en el contenido analizado, la evidencia no se acepta. El sistema comprueba también que estén presentes las ocho dimensiones, que tengan el formato correcto y que las puntuaciones respeten el contrato definido.
Finalmente calculo la mediana de los tres jueces para cada dimensión y guardo también el mínimo, máximo y rango.
El desacuerdo también aporta información.
Si tres modelos reciben exactamente las mismas instrucciones y uno concede un 1, otro un 2 y otro un 4, probablemente la definición de esa dimensión todavía tenga margen de interpretación.
La pregunta más interesante: ¿qué aporta frente a Google?
Las ocho dimensiones anteriores tienen una limitación.
Analizan la página de forma aislada.
Un artículo puede estar magníficamente escrito, perfectamente estructurado y contener bastante trabajo editorial, pero repetir prácticamente todo lo que ya explican las diez primeras páginas de Google.
Por eso añadí una novena dimensión independiente: ganancia de información.
Aquí el análisis cambia.
Para una consulta determinada se obtiene el top 10 orgánico de Google, se descarga el contenido de esas páginas y se compara con el contenido que queremos evaluar.
Los textos se dividen en fragmentos semánticos y genero sus embeddings con BGE-M3 ejecutándose en local mediante LM Studio.
Para cada fragmento relevante del artículo se intenta localizar el contenido semánticamente más parecido entre los competidores.
Eso permite aproximarnos a dos preguntas:
¿Este fragmento ayuda realmente a responder la consulta?
Y después:
¿Está aportando algo que no estaba ya explicado en los resultados existentes?
La primera pregunta evita premiar la novedad inútil.
Puedo escribir un magnífico párrafo sobre la reproducción del ornitorrinco dentro de un artículo sobre cómo configurar Nginx. Será diferente de todo el top 10, pero no aporta absolutamente nada a la intención de búsqueda.
La segunda intenta detectar algo que me parece mucho más interesante para el SEO actual: información relevante que amplía, relaciona, calcula, demuestra o contradice de forma justificada aquello que ya está publicado.
Esta puntuación se mantiene separada de los 32 puntos anteriores porque mide algo distinto.
Una página puede tener mucho trabajo editorial y poca novedad frente a sus competidores.
Y también puede suceder lo contrario.
La inteligencia artificial hace esta discusión mucho más importante
Hasta hace relativamente poco producir contenido tenía un coste natural.
Había que investigar, redactar, editar y publicar.
La IA generativa ha reducido radicalmente ese coste.
Hoy cualquiera puede producir decenas de artículos correctamente escritos, estructurados con H2 y H3, con preguntas frecuentes y aparentemente optimizados para SEO.
Precisamente por eso creo que la calidad formal del texto va a diferenciar cada vez menos.
Que un artículo esté bien redactado dejará de ser una ventaja competitiva cuando prácticamente todo el mundo pueda conseguirlo pulsando un botón.
La diferencia tendrá que estar en otro sitio.
Datos propios.
Experiencia.
Pruebas.
Cálculos.
Fuentes seleccionadas con criterio.
Comparaciones que nadie había realizado.
Una explicación nacida de haber instalado, comprado, probado, roto o utilizado aquello sobre lo que se escribe.
Google recomienda desde hace tiempo contenido creado principalmente para personas y pregunta expresamente si demuestra experiencia de primera mano, análisis original y valor sustancial frente a otros resultados. También advierte de que utilizar IA generativa para producir muchas páginas sin aportar valor puede entrar dentro de sus políticas contra el abuso de contenido escalado.
Por eso me parece un error plantear la discusión como una guerra entre contenido humano y contenido generado por IA.
Un humano puede producir contenido mediocre.
Y alguien utilizando inteligencia artificial puede realizar una investigación excelente.
La herramienta no determina el esfuerzo editorial observable.
Lo determina aquello que termina publicado.
No quiero construir otra puntuación que podamos engañar
Esta es probablemente la parte que más me preocupa del experimento.
El SEO tiene una capacidad extraordinaria para convertir cualquier métrica en un objetivo.
Si una herramienta dice que faltan imágenes, añadimos imágenes.
Si pide 2.500 palabras, escribimos 2.500.
Si recomienda veinte entidades semánticas, buscamos dónde meter las veinte.
Con Content Effort podríamos cometer exactamente el mismo error.
Añadir una tabla simplemente para aumentar la puntuación de recursos.
Introducir una opinión artificial para aparentar perspectiva propia.
Alargar un apartado para simular profundidad.
Eso convertiría la herramienta en justo aquello que intenta combatir.
El objetivo debería ser utilizar las puntuaciones como diagnóstico.
Si el apartado de contenido derivado obtiene un 1, quizá no hagan falta otras 800 palabras. Puede que lo que falte sea coger los datos disponibles y calcular algo útil.
Si la experiencia obtiene un 0, quizá deberíamos probar realmente el producto antes de recomendarlo.
Si la calidad de discusión es baja, posiblemente estemos presentando una conclusión sin explicar sus limitaciones.
Y si la ganancia de información frente al top 10 es prácticamente inexistente, aparece la pregunta más incómoda de todas:
¿merece realmente existir esa página?
No tengo una fórmula secreta de Google y esta herramienta tampoco pretende reproducir su algoritmo.
Lo que sí creo es que estamos entrando en una etapa de Internet en la que producir contenido será extremadamente barato y aportar información nueva seguirá siendo difícil.
Y quizá ahí esté la diferencia.
Durante años hemos intentado publicar más.
Con inteligencia artificial podemos hacerlo a una escala que hace poco parecía imposible.
Ahora el reto probablemente sea el contrario: decidir qué merece ser publicado antes de pedirle tiempo al lector.
Preguntas frecuentes
¿Qué es Content Effort en SEO?
Content Effort puede entenderse como el trabajo útil y observable que existe en una página: investigación, experiencia directa, cálculos, selección editorial, recursos propios, análisis y perspectivas que aportan valor al lector. No equivale simplemente al número de palabras ni al tiempo empleado en escribir.
¿Google utiliza Content Effort como factor de posicionamiento?
Google no publica un factor de ranking denominado Content Effort ni explica cómo podría utilizar internamente señales con ese nombre. La documentación filtrada de la API mostró campos como contentEffort, pero eso no permite conocer su uso actual ni su peso en los sistemas de búsqueda.
¿Google penaliza el contenido creado con inteligencia artificial?
Google no considera automáticamente spam un contenido por haber sido generado o asistido mediante IA. Sus políticas se centran en el contenido creado a escala principalmente para manipular los rankings y que aporta poco o ningún valor a los usuarios.
¿Cómo se puede aumentar el Content Effort de un artículo?
No debería tratarse de aumentar una puntuación artificialmente. Una pieza puede mejorar incorporando pruebas propias, datos, cálculos, comparaciones, experiencia directa, mejores fuentes, recursos originales o una discusión más completa de las limitaciones y alternativas.
Fuentes: Zyppy Signal y Carlos Redondo