Cómo auditar una web con IA: el flujo que uso

Hay una versión romántica de «usar IA para auditar webs» que circula por LinkedIn: le preguntas a ChatGPT cómo está tu web, te da un informe de 20 puntos con emojis, y listo. Puedes irte a comer.

No funciona así. Los LLMs solos no tienen acceso a tu web, no pueden rastrearla, no saben cuántas páginas tienes indexadas ni si tu robots.txt está bloqueando algo que no debería. Alucinan con una confianza que da vértigo.

Pero combinados con las herramientas correctas, en el momento correcto del proceso, sí cambian sustancialmente cómo se hace una auditoría. Te cuento el flujo real que uso, qué automatizo, qué no, y por qué.

El problema con las auditorías tradicionales

Una auditoría web técnica bien hecha tiene varias capas: rastreo e indexación, velocidad y Core Web Vitals, SEO on-page, schema markup, enlazado interno, contenido duplicado. Cada capa tiene sus propias herramientas, sus propios exports, sus propios criterios para decidir qué es un problema grave y qué es ruido.

El trabajo manual en todo esto no es difícil — es lento y repetitivo. Exportar el CSV de Screaming Frog, filtrar por tipo de error, ordenar por prioridad, cruzar con los datos de Search Console, identificar qué páginas tienen más tráfico y cuáles de esas tienen errores… Son horas de trabajo que siguen el mismo patrón cada vez.

Ahí es exactamente donde la IA ayuda. No en sustituir el criterio — en eliminar el trabajo mecánico que consume tiempo sin añadir valor.

Fase 1: rastreo con Screaming Frog (esto no lo toca la IA)

El rastreo es la base de todo y sigue siendo trabajo de crawler. Screaming Frog — o RustySEO si el sitio es pequeño y no necesitas análisis de JavaScript — rastrea la web y genera los datos en bruto: códigos de respuesta, titles, meta descriptions, H1, enlazado interno, imágenes sin alt, redirecciones, tiempos de carga.

Aquí la IA no pinta nada todavía. Necesitas datos reales del rastreo, no estimaciones de un modelo.

Lo que sí hago en esta fase: exportar en bloque todos los CSVs relevantes — titles, meta descriptions, enlaces internos, códigos de respuesta, imágenes. Son los datos en bruto que van a alimentar el resto del proceso.

Fase 2: análisis de datos con Python (aquí empieza la automatización)

Con los CSVs de Screaming Frog, en lugar de abrirlos en Excel uno por uno, uso un script de Python que los procesa todos a la vez y genera un informe consolidado con:

— Páginas con titles por encima de 60 caracteres o por debajo de 30
— Meta descriptions largas, duplicadas o vacías
— Páginas sin H1 o con H1 duplicado
— Imágenes sin atributo alt
— URLs con códigos 404 o redirecciones en cadena
— Páginas con menos de 3 inlinks internos (candidatas a ser huérfanas)
— Páginas indexables que no están en el sitemap

Este script tarda segundos en procesar lo que a mano llevaría horas. No hay inteligencia artificial aquí — es Python puro. Pero elimina el 80% del trabajo manual de la fase de detección.

Fase 3: cruzar con Search Console (el contexto que cambia todo)

Los datos de Screaming Frog te dicen qué hay en la web. Los datos de Search Console te dicen qué está funcionando. La combinación de los dos es donde aparecen los insights reales.

Un title demasiado largo en una página sin impresiones en GSC es un problema menor. El mismo error en una página que recibe 5.000 impresiones mensuales con un CTR del 1% es urgente — probablemente el title está frenando los clics.

También cruzo las páginas sin indexar de GSC con el rastreo de Screaming Frog para entender el motivo: ¿es una página bloqueada por robots.txt? ¿Una con canonical apuntando a otra URL? ¿Una con noindex puesto sin querer? Cada causa tiene su solución, y sin los datos de rastreo no puedes distinguirlos.

Fase 4: aquí entra la IA de verdad

Con todos los datos procesados y cruzados, uso modelos de lenguaje para tres cosas concretas donde sí aportan valor:

Priorización: le paso el informe de errores y el contexto del negocio (sector, páginas más importantes, objetivos), y le pido que priorice qué hay que arreglar primero según impacto potencial. Un modelo con buen contexto es razonablemente bueno en esto — mucho mejor que intentar priorizar a ojo 40 problemas distintos.

Redacción de títulos y meta descriptions: cuando hay páginas con titles demasiado largos o meta descriptions vacías, le paso la URL, el contenido de la página y la keyword objetivo, y el modelo genera propuestas. No las publico directamente — las reviso — pero el 70-80% de las veces son un punto de partida muy bueno que acelera el proceso.

Detección de problemas de contenido: para páginas con tráfico que ha caído sin razón técnica aparente, le paso el contenido actual y el histórico de posiciones y le pido que identifique posibles causas. Aquí el modelo no siempre acierta, pero genera hipótesis útiles que luego verifico con datos reales.

Lo que no le pido a la IA: que me diga si hay errores técnicos (para eso están los crawlers), que me confirme si una página está indexada (para eso está GSC), o que me genere el informe final sin revisión (demasiado riesgo de alucinaciones con consecuencias reales para el cliente).

Fase 5: el informe y la hoja de ruta

El output final de una auditoría no es una lista de 50 problemas desordenados. Es una hoja de ruta priorizada: qué se arregla primero, por qué, y qué impacto esperar.

La IA ayuda a redactar las explicaciones de cada problema de forma clara para alguien que no es técnico — una de las partes más lentas del proceso manual. Le paso el problema técnico y el contexto, y el modelo genera una explicación en lenguaje normal que luego adapto. El tiempo de redacción del informe se divide aproximadamente por tres.

Lo que no delego: la interpretación final, la priorización basada en el negocio específico del cliente, y las recomendaciones estratégicas. Eso requiere criterio que los modelos actuales no tienen de forma fiable.

El resultado en tiempo real

Una auditoría técnica completa que antes me llevaba un día y medio de trabajo ahora me lleva entre cuatro y seis horas. La calidad no baja — de hecho sube, porque el tiempo que antes dedicaba a trabajo mecánico lo dedico ahora a análisis real y a entender el negocio del cliente.

El flujo no es «IA hace la auditoría». Es «IA hace el trabajo mecánico, humano hace el trabajo que requiere criterio». La distinción importa, porque el segundo tipo de trabajo es el que determina si una auditoría es útil o es un PDF bonito con 40 capturas de Screaming Frog.

Herramientas del stack completo

Para que tengas el cuadro completo sin misterios:

Rastreo: Screaming Frog (sitios grandes o con JavaScript) o RustySEO (sitios pequeños, gratuito y open source)
Datos de búsqueda: Google Search Console — sin esto la auditoría está coja
Procesado de datos: Python con pandas — los scripts los genero con Claude Code
Velocidad y CWV: PageSpeed Insights API para analizar múltiples páginas en batch
Schema: Rich Results Test de Google + validación manual
IA para redacción y priorización: Claude (por contexto largo y menor tasa de alucinación en tareas técnicas)
Informe final: Notion o Google Docs — no hay magia aquí

Por qué esto importa si tienes un negocio y no eres developer

No te cuento esto para que implementes el flujo tú mismo — te lo cuento para que entiendas qué hace la IA en una auditoría real y qué no hace.

Si alguien te ofrece una «auditoría con IA» que consiste en pasar tu URL por una herramienta y darte el informe automático sin revisión humana, eso no es una auditoría. Es un escaneo. Tiene valor, pero no es lo mismo.

Una auditoría útil es la que combina datos reales de rastreo y GSC, criterio humano para interpretar qué importa en tu caso concreto, y una hoja de ruta que puedas seguir sin un título en informática. La IA acelera el proceso — no lo reemplaza.

Si quieres saber en qué estado está el SEO técnico de tu web y qué hay que arreglar primero, eso es exactamente lo que cubre la auditoría SEO de Daruma. Y si lo que necesitas es que además implementemos los cambios, el servicio de SEO técnico incluye las dos cosas.

Preguntas frecuentes sobre auditorías web con IA

¿Puede la IA hacer una auditoría SEO completa sin herramientas adicionales?

No. Los modelos de lenguaje como ChatGPT o Claude no tienen acceso a tu web por defecto — no pueden rastrearla, ver tus datos de Search Console ni analizar tu velocidad de carga. Pueden ayudar a interpretar datos y redactar recomendaciones, pero necesitan que alguien les proporcione los datos primero. Una auditoría completa siempre requiere un crawler y datos reales de GSC.

¿Qué es Screaming Frog y para qué sirve en una auditoría?

Screaming Frog es una herramienta de rastreo web que analiza tu sitio de la misma forma que lo hace Google: sigue todos los enlaces, recoge datos de cada página y detecta problemas técnicos. Es el punto de partida de cualquier auditoría SEO técnica seria. Tiene una versión gratuita con límite de 500 URLs y una versión de pago sin límite.

¿Qué es RustySEO y cuándo usarlo en lugar de Screaming Frog?

RustySEO es una alternativa open source y gratuita a Screaming Frog, escrita en Rust y por tanto muy rápida. Tiene sentido para sitios pequeños y medianos donde no necesitas análisis de JavaScript ni integración con GSC. Para sitios más complejos o auditorías profesionales, Screaming Frog sigue siendo la referencia.

¿Qué automatizo con Python en una auditoría y qué necesito saber para hacerlo?

Los scripts básicos de procesado de CSVs de Screaming Frog no requieren conocimientos avanzados de Python — con pandas y nociones básicas de programación es suficiente. Si no sabes Python, herramientas como Claude Code pueden generar los scripts a partir de una descripción en lenguaje natural de lo que quieres analizar.

¿Cuánto tiempo ahorra la IA en una auditoría real?

Depende del tamaño del sitio y de cómo se integre la IA en el flujo. En mi caso, una auditoría técnica completa ha pasado de día y medio a entre cuatro y seis horas. El mayor ahorro está en el procesado de datos y en la redacción del informe — las partes más mecánicas del proceso.

¿La IA puede equivocarse en una auditoría SEO?

Sí, y hay que tenerlo en cuenta. Los modelos de lenguaje pueden alucinar — generar información incorrecta con aparente confianza. Por eso la IA en una auditoría debe usarse para acelerar el trabajo mecánico y generar propuestas, no para tomar decisiones finales sin revisión humana. Todo lo que genera un modelo en una auditoría técnica necesita ser verificado contra datos reales antes de implementarse.