# La canibalización que Ahrefs no puede ver > Las herramientas léxicas comparan palabras. Pero dos páginas compiten por SIGNIFICADO — incluso sin palabras en común. Cómo detectamos la canibalización semántica con embeddings: dup-scan… _Source: https://seomatrix.ai/ru/blog/semantic-cannibalization/ · Updated: 2026-06-26_ --- En resumen: las herramientas clásicas contra duplicados comparan **palabras**. Pero dos páginas pueden competir por **significado** sin compartir palabras (paráfrasis), o una página puede cubrir el tema de otra con tanta profundidad que le **arrebata** sus citas. Esto lo detectamos con embeddings. ## Dónde el enfoque léxico se queda ciego Los shingles y la coincidencia de palabras encuentran bien los duplicados textuales. Pero: - **Paráfrasis** — mismo significado, palabras distintas → similitud léxica ≈ 0, y sin embargo la competencia por una misma intención es real. - **Sombra temática** — la página A apunta a la consulta X, pero su cuerpo cubre el tema Y tan bien que empieza a competir con la página B (la construida para Y) por la relevancia de Y. Ninguno de los dos es visible para una herramienta que solo mira la coincidencia de cadenas de texto. ## Lo que construimos — tres auditorías semánticas Las tres miden la cercanía en el espacio **vectorial** (agnósticas al proveedor: embeddings de Voyage / OpenAI / locales; los vectores se cachean). - **`dup-scan --semantic`** — pares de páginas con coseno alto que el pase léxico no detectó (paráfrasis → MERGE/301). - **`entity-shadow`** — canibalización latente: A "ensombrece" a B. - **`link-equity --semantic`** — **siteRadius** (dispersión alrededor del centroide del sitio), valores atípicos semánticamente fuera de tema, y **huérfanos por brecha semántica** (una página lejana en significado de todas las demás). ## Cómo funciona entity-shadow Lo que importa aquí no es la "similitud en general", sino la **dirección**. Para cada página incrustamos por separado su **PRIMARY** (target_keyword + título) y su **BODY** (cuerpo). La página **A ensombrece a B** cuando: 1. `cosine(A.body, B.primary)` es alto (el cuerpo de A cubre el tema de B); 2. `cosine(A.primary, B.primary)` es bajo (A reclama un tema distinto); 3. la **brecha** entre ambos es ≥ un umbral. La brecha es la señal: un cuerpo largo frente a una keyword precisa produce un coseno moderado, así que la similitud absoluta no discrimina — pero la diferencia cuerpo-vs-keyword sí lo hace. > **Calibrado sobre corpus reales** — Los umbrales no se fijaron a ojo: en un corpus real (fotografía, 86 artículos) la similitud cruzada llegaba como máximo a ~0.77, así que cambiamos a umbrales basados en la brecha (cross ≥ 0.45, primary < 0.65, gap ≥ 0.10) → ~4 pares razonables, ~5% de ruido. ## En qué se diferencia de un dup-scan normal - **dup-scan (léxico)** → duplicados textuales / casi textuales. - **dup-scan --semantic** → paráfrasis. - **entity-shadow** → A reclama el tema X pero le roba a B las citas del tema Y (no es un duplicado en absoluto). - **canibalización de intención en cocoon** → dos spokes reparten una intención por metadatos. ## Qué hacer al respecto - Duplicado/paráfrasis → fusionar (301) en la versión más fuerte. - Sombra → **diferenciar**: acotar el cuerpo de A a su tema X, y darle la cobertura de Y a la página B (y enlazar hacia ella). ## En resumen - El enfoque léxico detecta lo textual; el significado y la "sombra" — no. - Los embeddings detectan la paráfrasis (`dup-scan --semantic`) y la canibalización latente (`entity-shadow`). - entity-shadow mira la brecha cuerpo-vs-keyword, no la similitud absoluta. - Solución: duplicado → fusionar; sombra → diferenciar. ## Fuentes - Las propias auditorías semánticas de seo·matrix (`dup-scan --semantic`, `entity-shadow`, `link-equity --semantic`), calibradas sobre corpus reales. - Por qué el significado le gana a las palabras en la recuperación por IA: las respuestas se ensamblan a partir de pasajes en el espacio de embeddings — *US v. Google* (2025) sobre FastSearch/RankEmbed, y nuestro análisis [SEO vs GEO](/blog/seo-vs-geo-2026/). ## FAQ ### ¿En qué se diferencia la canibalización semántica de la clásica? Las herramientas léxicas comparan palabras. Pero dos páginas pueden competir por significado aunque no compartan ninguna palabra — eso solo es visible en el espacio de embeddings, no mediante la coincidencia de keywords. ### ¿Cómo la detectan? Con tres auditorías basadas en embeddings: dup-scan (casi duplicados), entity-shadow (una página que ensombrece la entidad objetivo de otra) y siteRadius (qué tan ampliamente se dispersan los temas del sitio alrededor de su centro). ### ¿Qué hacen con los pares encontrados? Según el tipo — fusionar, diferenciar claramente o enlazar entre sí. El informe agrupa los hallazgos por acción.