Cómo automatizar SEO con IA: del vibe coding a la agentic engineering (mayo 2026)

El cambio de paradigma: por qué el "vibe coding" ya no alcanza para SEO

Durante 2024 y 2025 vivimos la primera ola: vibe coding. Le hablabas a un LLM en lenguaje natural, te devolvía código, lo copiabas a un editor, ajustabas. Funcionaba para prototipos rápidos, landing pages, scripts puntuales. Pero cualquiera que intentó escalarlo a un pipeline SEO de verdad chocó con el mismo muro: sin tests, sin guardrails, sin contexto persistente, los resultados se vuelven inconsistentes a la tercera iteración.

2026 trajo la segunda ola: agentic engineering. No es un cambio de tono, es un cambio de método. Y para los marketers técnicos significa que el trabajo deja de ser "pedirle cosas a un LLM" para pasar a ser "diseñar un sistema de agentes que ejecutan tareas con verificación".

Lo que dijo Andrej Karpathy en Sequoia AI Ascent 2026 (29 abril) y por qué importa para marketers

En su charla del 29 de abril en Sequoia AI Ascent 2026, Andrej Karpathy resumió la transición en una frase: "Vibe coding raises the floor. Agentic engineering raises the ceiling." El vibe coding democratizó la entrada — cualquiera puede generar software. La agentic engineering preserva el techo de calidad profesional dirigiendo agentes con disciplina.

Para un marketer técnico, la lectura es directa: la barrera para hacer "algo" con IA bajó a cero, pero la barrera para hacer algo bien y a escala subió. La diferencia está en saber dirigir el sistema, no en saber escribir el prompt.

Vibe coding vs agentic engineering: definición operativa para no-developers

Si no vienes del desarrollo de software, la distinción puede sonar abstracta. Acá la versión operativa:

La trampa es creer que ya estás haciendo agentic engineering porque usas Claude o ChatGPT a diario. Si no tienes CLAUDE.md, SKILL.md o algún tipo de spec que el agente lea antes de actuar, sigues haciendo vibe coding sofisticado.

El punto de inflexión: diciembre 2025 según Karpathy

Karpathy fue público en diciembre 2025: "Nunca me sentí más atrasado como programador". Lo dijo un investigador top mundial. La velocidad a la que aparecían capacidades nuevas en Claude Code, Cursor y Codex era literalmente más rápida de lo que un humano puede aprender.

Para marketers la analogía es directa. Si te sentiste atrasado en SEO técnico durante los últimos seis meses, no es percepción tuya: el campo se reconfiguró. El que no está reconstruyendo su workflow alrededor de agentes hoy va a quedar atrás en otros seis.

El stack de agentic engineering para SEO (mi setup real)

Lo que viene abajo es lo que uso, no la verdad absoluta. Vale la advertencia porque hay diez stacks distintos que funcionan; este es el que probé en clientes reales y mantuve durante los últimos cuatro meses sin romperse.

La regla que aprendí: menos herramientas, mejor integradas. Cada herramienta nueva en el stack tiene un costo de mantenimiento. Una stack de tres piezas bien afinada produce más que una de doce piezas a medio configurar.

Claude Code como núcleo (Pro $20/mes vs Max $100/mes — cuándo escalar)

Claude Code es mi terminal-first agent. Vive dentro de mi proyecto, lee y escribe archivos, ejecuta comandos, llama MCP servers. Es la única herramienta que considero indispensable en este stack.

Claude Pro (USD 20/mes) alcanza para uso individual moderado: 2-3 auditorías técnicas semanales, generación de meta tags, scripts ad-hoc. Si solo tienes un sitio o trabajas con 2-3 clientes pequeños, Pro es suficiente.

Claude Max (desde USD 100/mes) habilita workflows de alto volumen: programmatic SEO con cientos de páginas, auditorías de sitios grandes, monitoreo continuo. La regla mental: si tu cuello de botella es el rate limit, ya pasaste el umbral de Max.

Hay un caveat de costos a escala enterprise. El CTO de Uber declaró que ya agotó el presupuesto AI 2026 de la compañía, con ingenieros gastando entre USD 500 y USD 2.000 mensuales por persona en API, según reportó The Information. La automatización es barata hasta que deja de serlo.

Skills.md: qué son y por qué reemplazan los prompts repetidos

Un SKILL.md es un archivo markdown con frontmatter YAML que codifica un workflow reusable. Claude lo carga automáticamente cuando una tarea coincide con su descripción. Ejemplo mínimo:

---
name: seo-content-optimizer
description: Optimiza un artículo para AEO y SEO técnico en español
---

Para optimizar un artículo, ejecuta en orden:

1. Audita estructura H1/H2/H3 (jerarquía + keyword en H1)
2. Genera FAQs schema desde el body
3. Verifica densidad de keywords sin caer en stuffing
4. Sugiere internal links a posts relacionados
5. Devuelve diff con cambios propuestos

La diferencia con un prompt suelto: el skill se reusa entre proyectos, vive versionado en GitHub, y el agente lo carga sin que tengas que recordarlo. Mi regla: si escribiste un prompt tres veces, conviértelo en skill.

MCP servers que uso: Ahrefs MCP, DataForSEO, Google Search Console

MCP (Model Context Protocol) es el estándar abierto que Anthropic creó en noviembre 2024 y donó en diciembre 2025 a la Agentic AI Foundation (Linux Foundation). Define cómo un agente se conecta a herramientas externas: GA4, Search Console, Ahrefs, Notion, GitHub.

Los tres servers que uso a diario:

• Ahrefs MCP — para keyword research, backlinks y site audit en vivo dentro del chat
• DataForSEO — para SERP scraping, rank tracking y datos de búsqueda en bulk
• Google Search Console MCP — para extraer queries reales, impresiones y CTR por página

Y aunque automatizar es importante, sin una tesis editorial sobre cómo aparecer en ChatGPT en español la productividad se vuelve ruido. El stack solo amplifica lo que ya tenías claro.

Python + Playwright para scraping cuando MCP no alcanza

Cuando necesito datos que ningún MCP server expone — competidores muy específicos, agregadores LATAM, SERPs no muestreados — bajo a Python con Playwright. Claude Code escribe el script, lo ejecuta, parsea el HTML, devuelve el dataset.

Caso concreto reciente: un cliente quería ver qué dominios aparecían en las primeras 5 respuestas de Perplexity para 200 prompts en español sobre su industria. Ningún MCP tiene ese dataset. Claude armó el scraper en Playwright en una tarde, corrimos los 200 prompts, exportamos a CSV. Tres horas de mi tiempo, dos días que hubiera tomado a mano.

Cloudflare Workers como infraestructura de deploy edge

Cloudflare Workers (y Pages) son donde corre este sitio que estás leyendo. Edge deploy global, HTTPS automático, deploy en segundos desde CLI. Para SEO técnico es ideal: TTFB bajo, control total sobre headers, sin servidor que mantener.

Lo combino con Astro para generar HTML estático en build time, lo que da el mejor Core Web Vitals que he medido en sitios de clientes. Si solo tuvieras que aprender una pieza de infraestructura este año, sería Workers/Pages.

Seis automatizaciones SEO reales con agentes (con código)

Lo que viene son los seis workflows que más uso. Cada uno tiene una intención clara, una pieza de código o skill que lo soporta, y un resultado medible.

1. Auditoría técnica masiva: Claude SEO ejecutando 9 agentes en paralelo

El repo AgriciDaniel/claude-seo orquesta nueve subagentes especializados (técnico, contenido, schema, performance, etc.) que corren en paralelo sobre un sitio. Output: reporte markdown con prioridades, ya rankeado por impacto vs esfuerzo.

Cloné el repo, lo adapté a español y lo corro semanal sobre fbascunan.cl y dos sitios de clientes. Lo que antes tomaba media jornada de un consultor ahora demora 6 minutos de cómputo.

2. Generación de meta tags y titles a escala desde sitemap

Para sitios medianos (50-500 URLs), generar titles y descriptions a mano es absurdo. El workflow: Claude lee el sitemap, fetchea cada URL, extrae H1 y primer párrafo, genera title + description en el rango óptimo (50-60 / 140-160 chars), exporta a CSV.

Tres reglas que metí en el skill para que no saque genéricos: keyword principal al inicio del title, sufijo de marca al final con separador consistente, descripción con CTA implícito ("aprende", "descubre", "lee la historia").

3. Content gap analysis automatizado contra competidores

Workflow combinando GSC (mis queries actuales) + Ahrefs MCP (queries que rankean los competidores). El agente cruza ambos datasets, devuelve queries con alto volumen donde el competidor rankea y yo no.

Output esperado: tabla con query, volumen, dificultad, URL del competidor, y un brief inicial sugerido para cada gap. Lo que antes era un proyecto de dos semanas hoy es un script que corro mensual.

4. Programmatic SEO con Astro + Claude Code + Cloudflare Pages

Para un cliente del rubro educación armamos 340 landing pages programáticas: una página por carrera × ciudad. Plantilla Astro con datos JSON, Claude generó variaciones de copy contextualizadas, deploy a Pages.

Tres meses después: +180% de tráfico orgánico, primeras posiciones en long-tails que antes no cubríamos. El costo total de generación: USD 35 en tokens.

5. Schema markup automatizado para FAQPage/HowTo

Skill que lee el cuerpo de un artículo, identifica preguntas implícitas, genera FAQPage schema válido, y lo inserta en el <head>. Para HowTo lo mismo: detecta pasos numerados, los estructura.

También puedes generar schema markup pensado específicamente para Answer Engine Optimization en español, donde la prioridad no es solo rankear sino aparecer citado en respuestas generativas.

6. Auditoría de canonicals y de internal linking con grafos

Script Python que crawlea el sitio, construye un grafo dirigido de internal links, detecta orphan pages, ciclos de canonical, redirects encadenados y páginas con menos de N enlaces internos. Claude interpreta el grafo y devuelve recomendaciones priorizadas.

Es exactamente lo que aplicamos en este mismo sitio: el problema "Non-canonical" que detecté esta semana salió de correr este workflow sobre fbascunan.cl.

Cómo crear tu primer skill.md SEO en 15 minutos

La forma más rápida de pasar de espectador a operador es escribir un skill propio. No tiene que ser bueno la primera vez — tiene que existir.

Estructura de un SKILL.md (frontmatter YAML + cuerpo en markdown)

Todo skill tiene dos partes: el frontmatter YAML al principio (con name y description) y un cuerpo en markdown libre con las instrucciones que el agente debe seguir. La descripción es lo más crítico: Claude usa esa cadena para decidir si carga el skill o no según la tarea actual.

Mi plantilla base de "seo-content-optimizer" comentada línea por línea

La plantilla que uso en clientes está en mi GitHub. Cinco bloques: (1) checklist de estructura H1-H3, (2) generación de FAQs schema, (3) análisis de keyword density, (4) sugerencias de internal links basadas en sitemap, (5) diff con cambios propuestos. Cada bloque tiene su propio output esperado para que Claude verifique antes de continuar.

Cómo dejar progressive disclosure correcto (regla "máximo 500 líneas" de Anthropic)

Anthropic recomienda mantener el SKILL.md bajo 500 líneas. Por dos razones: (1) carga rápido y no consume contexto inútil, (2) obliga a separar concerns. Si tu skill empieza a crecer, divídelo en submódulos referenciados desde el principal.

Skills marketplaces que ya existen y vale la pena usar

Tres lugares para clonar antes de escribir desde cero: el marketplace de Corey Haines (marketingskills, foco growth marketing), AgriciDaniel/claude-seo en GitHub (SEO técnico, el que mencioné arriba) y el set de skills de GTM publicado por Maja Voje. Curado, mantenido, y suficiente para los primeros 20 workflows que vas a necesitar.

El pi-shaped marketer: por qué este stack te obliga a profundizar en dos áreas

El perfil T-shaped (una profundidad vertical, varias horizontales) fue el ideal de la década pasada. Hoy ya no alcanza. La nueva forma es Pi-shaped: dos profundidades verticales conectadas por una capa horizontal de fundamentos.

De T-shaped a Pi-shaped (Hendry Soong, marzo 2026): dos profundidades verticales conectadas

Hendry Soong popularizó la versión actualizada del concepto en marzo 2026 (hendry.ai). Para marketing AI-first, las dos profundidades suelen ser: tu área de marketing histórica (SEO, growth, content) y una nueva capa técnica (IA, automatización, data).

Qué tan técnico hay que ser realmente (spoiler: menos de lo que crees)

No necesitas escribir Python desde cero. Necesitas leer código suficientemente bien como para detectar cuándo Claude se equivoca, y entender la arquitectura suficientemente bien como para diseñar un sistema. La diferencia con un developer es de grado, no de tipo.

Es por esto que la ventana de arbitraje en AEO/GEO para el mundo hispanohablante todavía está abierta para marketers técnicos. Los developers no la ven porque no piensan en search intent. Los marketers no la ejecutan porque no leen código. El cruce sigue vacío.

Estado del mercado mayo 2026

Las señales son inequívocas. Cursor está en conversaciones para levantar USD 2B a una valoración de USD 50B (TechCrunch, 17 abril 2026). Anthropic superó a OpenAI en business adoption (34,4% vs 32,3%) según el Ramp AI Index de mayo 2026. El dinero ya votó.

Errores comunes y cuándo NO automatizar

La automatización tiene reglas no escritas que aprendí rompiéndolas. Estas son las cuatro más caras.

No todo SEO se puede automatizar: la estrategia sigue siendo humana

La estrategia editorial — qué temas atacar, en qué orden, con qué ángulo — no se delega. Los agentes ejecutan. Tú decides el qué y el por qué. Confundirlos termina en un sitio con 200 páginas técnicamente correctas que nadie lee.

El loop de calidad: revisión humana es no-negociable

Cada output del agente pasa por revisión humana antes de publicarse. Sin excepción. Los modelos alucinan datos, inventan citas, traducen mal modismos chilenos. Si confías a ciegas, el costo lo paga tu autoridad — y la reconstruyes mucho más lento que el agente la rompe.

Costos reales: el caso Uber

Como mencioné arriba: Uber agotó su presupuesto AI 2026 con ingenieros gastando USD 500 a 2.000 mensuales en API por persona. Si vas a escalar, agrega un budget alert en el dashboard de Anthropic desde el día uno. La hemorragia de tokens es invisible hasta el corte del mes.

El verificador de datos: lo que aprendí del caso TollBit

TollBit demostró que crawlers de IA toman datos sin permiso y luego los presentan como hechos verificados. Lo mismo pasa adentro de tu agente si no le pones un verificador. Mi regla: cualquier estadística que el agente cita tiene que venir con URL fuente, y si no la tiene, se elimina.

El agente más útil no es el más rápido. Es el que sabe cuándo decir "no tengo cómo verificar esto".

Próximos pasos: del tutorial a tu primer pipeline en producción

Si llegaste hasta acá, asumo que quieres ejecutar. Acá la versión corta del onboarding.

Checklist mínima para arrancar esta semana

• Instalar Claude Code (Pro USD 20/mes alcanza)
• Crear un archivo CLAUDE.md en la raíz de tu proyecto con contexto del sitio y tu tono
• Conectar al menos un MCP server (recomendado: Google Search Console)
• Clonar un skill marketplace (AgriciDaniel/claude-seo es el más completo)
• Correr una auditoría técnica completa contra tu sitio principal
• Documentar qué encontraste en Notion o GitHub para tener baseline
• Repetir mensual

Recursos: repos abiertos para clonar y adaptar

Tres repos para empezar: AgriciDaniel/claude-seo (auditoría técnica completa), el marketplace de Corey Haines para marketing skills, y los workflows GTM de Maja Voje. Todos abiertos, todos en GitHub, todos forkeables.

Cómo medir si tu automatización SEO funciona (KPIs)

Cuatro métricas que sigo mensualmente: (1) tiempo por auditoría técnica completa, (2) número de páginas publicadas vs. plan, (3) tráfico orgánico atribuible a contenido generado con agentes, (4) costo de tokens vs. valor generado. Sin estos cuatro, estás "haciendo cosas con IA" sin saber si te conviene.

Decidir QUÉ generar para AEO en español es paso 0; automatizar es paso 1. En ese orden, no al revés.