La canibalización que Ahrefs no puede ver

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.

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.