El chunking: cómo el LLM divide tu contenido

Antes de que un sistema RAG pueda buscar y recuperar tu contenido, este debe dividirse en fragmentos más pequeños, llamados "chunks". Esta división, el chunking, determina lo que una IA realmente ve de tu página en el momento de responder a una pregunta: casi nunca el artículo completo, casi siempre uno o unos pocos extractos aislados. Esta realidad suele sorprender a quienes están acostumbrados a razonar en términos de "página" en lugar de "pasaje", y sin embargo es la unidad básica sobre la que operan la mayoría de los sistemas RAG actuales. Entender este mecanismo cambia profundamente la forma de escribir para el GEO. No es un detalle técnico periférico: es literalmente la unidad de trabajo a partir de la cual una IA generativa construye su percepción de tu contenido.

Por qué el contenido se divide en lugar de procesarse por completo

Un LLM no puede releer toda la web con cada pregunta que se le hace, y ni siquiera en una arquitectura RAG resulta eficiente o necesario procesar cada página en su totalidad. Los sistemas indexan por tanto el contenido de antemano en forma de bloques más pequeños, a menudo de unos pocos cientos de palabras, almacenados y fácilmente recuperables. Cuando llega una pregunta, el sistema no busca "qué página encaja mejor", sino "qué chunks, tomados individualmente, encajan mejor". Es una diferencia esencial respecto a la lógica del SEO clásico, que generalmente evalúa una página completa. El tamaño de estos chunks varía según los sistemas: algunas divisiones son bastante cortas, de unas pocas frases a un párrafo, otras agrupan varios párrafos relacionados. En cualquier caso, el objetivo es siempre el mismo: producir unidades lo bastante pequeñas para ser precisas, y lo bastante grandes para seguir siendo comprensibles.

Cómo se realiza generalmente esta división

En una arquitectura RAG típica, la división suele apoyarse en la estructura existente del documento: los títulos y subtítulos (etiquetas Hn), los párrafos, a veces una longitud máxima fijada de antemano. Un contenido bien estructurado, con subtítulos claros que anuncian el contenido de cada sección, facilita una división coherente, en la que cada chunk corresponde a una unidad de sentido completa. La lección Las etiquetas Hn (H1, H2, H3) explica cómo esta jerarquía de títulos, ya útil para el SEO clásico, se convierte también en una referencia para la división automática del contenido por parte de las IA. Un ejemplo concreto: un artículo que alterna largos párrafos sin subtítulo durante varios cientos de palabras ofrece muchas menos referencias para una división limpia que un artículo en el que cada subtítulo H2 introduce una idea precisa en tres o cuatro párrafos cortos.

El problema de los pasajes que dependen del contexto

El principal riesgo del chunking es que un extracto sacado de su contexto pierda todo su sentido. Un párrafo que empieza con "sin embargo, este método presenta una limitación importante" resulta incomprensible si el chunk no incluye la explicación de "este método" mencionada justo antes, en otro bloque. Del mismo modo, un párrafo que usa "lo", "la", o "este producto" sin reintroducir nunca el tema del que habla corre el riesgo de ser malinterpretado, o simplemente ignorado, una vez aislado de su entorno. He aquí una ilustración sencilla de este problema. Un mal pasaje, dependiente del contexto: "Este enfoque es, sin embargo, más costoso. Aun así, sigue siendo recomendable en la mayoría de los casos." Un buen pasaje, autónomo: "Migrar a una nueva herramienta de facturación suele ser más costoso a corto plazo que mantener el sistema existente, pero sigue siendo recomendable para la mayoría de las pequeñas empresas por el ahorro de tiempo que aporta a largo plazo." El segundo reintroduce el tema, "migrar a una nueva herramienta de facturación", mientras que el primero supone que el lector ya sabe a qué se refiere "este enfoque". El contenido escrito para un lector humano que lee el artículo en orden, de principio a fin, no siempre es adecuado para un sistema que solo verá un fragmento aislado.

Escribir secciones que se entienden por sí solas

La consecuencia práctica es que hay que escribir cada sección, cada subtítulo, como si pudiera leerse de forma independiente del resto del artículo. Esto significa: reintroducir el tema del que se habla aunque genere una ligera redundancia con el título general, evitar los pronombres ambiguos que remiten a una frase lejana, y hacer que cada sección responda claramente a la pregunta planteada por su propio subtítulo en lugar de continuar una idea iniciada más arriba. Esta exigencia conecta directamente con los principios detallados en la lección Estructurar un artículo para el GEO, que propone una organización del artículo pensada para este tipo de lectura fragmentada.

Chunking y datos estructurados: dos mecanismos complementarios

El chunking se centra en el texto visible, pero existe un mecanismo complementario para ayudar a los sistemas a entender el significado de tus páginas: los datos estructurados de Schema.org, que describen explícitamente la naturaleza de un contenido (un artículo, una pregunta-respuesta, un producto) en un formato legible por máquinas. La lección Los datos estructurados Schema.org: entenderlos explica cómo este marcado complementario ayuda a los sistemas automáticos a interpretar mejor el contenido, incluso una vez dividido en fragmentos.

Recuerda lo esencial: tu contenido casi nunca será leído en su totalidad por una IA en el momento de responder a una pregunta. Se verá por fragmentos. Escribir secciones autónomas, capaces de bastarse a sí mismas, es por tanto una de las habilidades más concretas que desarrollar para el GEO. A diferencia de un ejercicio de estilo, tampoco es una habilidad puramente técnica: es sobre todo una disciplina de escritura, cercana a la que se le pide a un periodista que redacte un artículo en el que cada párrafo pudiera funcionar como una noticia breve independiente.