El blog de DataForSEO tiene un artículo útil sobre cómo combinar sus endpoints con APIs de NLP para automatizar flujos de trabajo de contenido SEO. La superficie de API que describen es real. La versión que sobrevive un cron lunes 09:00 UTC, caching, límites de velocidad, puertas de despliegue, reintentos de errores, límites de costo, se ve significativamente diferente de la demo.
Este sitio ejecuta la versión de producción. El dashboard /admin/llm-mentions/ extrae payloads reales de ai_optimization de DataForSEO en un cron semanal. El /tools/ai-citation-checker/ expone un verificador SERP + AI Overview de DataForSEO gratuito al tráfico público con limitación de velocidad por IP. El barrido de Lighthouse de 47 URLs que se ejecuta cada lunes en seo_pages cuesta $0.30 y reemplaza una suscripción de PageSpeed Insights de $40/mes. Todo el pipeline fue construido en Claude Code en cuatro sesiones de trabajo.
Así se ve realmente esa pila, y dónde decides qué automatizar versus qué mantener humano.
Los cinco endpoints de DataForSEO que vale la pena encadenar
La mayoría de automatización SEO que se mantiene en producción usa alguna combinación de estos cinco. No todos a la vez, elegís según el caso de uso.
- /v3/serp/google/organic/live/advanced, los 10 resultados orgánicos actuales para una palabra clave + detección de AI Overview. La columna vertebral de cualquier rastreador de citas.
- /v3/on_page/lighthouse/live/json, auditoría completa de Lighthouse (Desempeño / A11y / BP / SEO + Core Web Vitals). Cuesta ~$0.005 por URL. Reemplaza PageSpeed Insights para cualquier barrido superior a ~20 URLs/mes.Core Web Vitals). Costs ~$0.005 per URL. Replaces PageSpeed Insights for any sweep above ~20 URLs/month.
- /v3/on_page/instant_pages, análisis on-page a nivel de página (longitud de título, descripción, tipos de schema, conteos de enlaces internos/externos, etiquetas deprecadas, puntuaciones de consistencia de contenido). $0.001/URL. El endpoint más económico para salud de contenido.
- /v3/ai_optimization/{engine}/llm_responses/live, consulta ChatGPT / Perplexity / Gemini directamente con búsqueda web habilitada, obtén el texto de respuesta más la lista de citas. ~$0.03/ejecución. El endpoint que impulsa el rastreo de visibilidad en búsqueda AI real.
- /v3/dataforseo_labs/google/keyword_overview, volumen de búsqueda, KD, clasificación de intención, tendencia mensual. La columna vertebral de datos de palabras clave. Barato a $0.001 por palabra clave.
La parte de Claude Code, lo que el modelo realmente hace
El valor de Claude Code en este stack no está en la llamada API en sí. La llamada es un fetch con encabezados de autenticación; cualquier ingeniero junior puede escribirla. El valor está en cuatro lugares.
1. Análisis de schema
Las respuestas de DataForSEO están profundamente anidadas. /v3/on_page/lighthouse/live/json devuelve categorías en tasks[0].result[0].categories, no en items[0].categories donde lo adivinarias. /v3/ai_optimization/.../llm_responses/live devuelve texto dentro de result.items[].sections[].text, dos niveles más profundo que APIs de AI típicas. Gemini envuelve cada URL de cita en vertexaisearch.cloud.google.com/grounding-api-redirect/<token> así que el dominio de fuente real está en el título de la cita, no en el campo URL. Claude Code lee la forma de respuesta real en una prueba de humo, depura la discrepancia, arregla el analizador. La habilidad 'verification-before-completion' se rehúsa a declarar hecho hasta que una respuesta real se analice correctamente.
2. Disciplina de Cron + caché
Los costos de DataForSEO se acumulan. El LLM menciona tracker aquí cuesta $0.03 por ejecución × 30 prompts × 4 ejecuciones/mes = $10-12/mes. Funciona porque es semanal. Ejecútalo cada hora y el costo se multiplica por 168. El patrón que persiste: escrituras cron-driven a Supabase, lecturas públicas desde cache, force-refresh manual tras una compuerta JWT. La capa de hook de Claude Code lo refuerza, pre-commit rechaza pushear código que llame a un endpoint de pago sin rate-limit + cache headers.Supabase, public reads from cache, manual force-refresh behind a JWT gate. The Claude Code hook layer enforces this, pre-commit refuses to push code that calls a paid endpoint without rate-limit + cache headers.
3. Compuertas de despliegue
Una función programada solo se ejecuta en producción main. Así que un tracker que escribe en seo_llm_runs cada lunes debe mergearse antes del lunes. La disciplina de session-handoff de Claude Code lo detecta. El doc HANDOFF de ayer literalmente dice 'El cron de lunes 09:00 UTC solo se ejecuta una vez que esto llegue a producción Netlify', la compuerta de merge está documentada y reforzada antes de cerrar el trabajo.Netlify', the merge gate is documented and enforced before the work is closed.
4. Reproducción de errores
DataForSEO devuelve HTTP 200 con status_code: 40402 dentro del body JSON cuando una tarea falla. Un fetch().then(r => r.json()) ingenuo piensa que tuvo éxito. El código en producción lee el status_code interno, reintenta en 4xx, registra el wrapper de tarea raw en una tabla de debug para análisis forense. La habilidad de systematic-debugging de Claude Code refuerza debugging hypothesis-driven cuando esto ocurre, escribe la hipótesis, diseña el test mínimo, estrecha más. El script smoke (scripts/smoke-llm-mentions.mjs en este sitio) fue el artefacto que sacó a la luz el bug de URL-wrapping de Gemini antes de que el cron completo quemara $5 de gasto en API.
El flujo de contenido de cinco pasos, en forma de producción
El artículo de DataForSEO describe una cadena de generación de contenido: SERP → resumen de IA → subtemas → generación de texto. Aquí está lo que la misma cadena se ve como con la disciplina de producción aplicada.
Paso 1. Obtención de SERP con caché
POST /v3/serp/google/organic/live/advanced para la palabra clave objetivo. Almacena los 10 resultados principales en Supabase con TTL de 7 días. Cada resumen posterior sobre la misma palabra clave lee desde caché. Ahorra 95% del gasto en API en la cola larga (la mayoría de consultas se agrupan alrededor de las mismas palabras clave).
Paso 2. Resumen de IA con almacenamiento en caché de indicaciones
Canaliza las 10 URLs de resultados principales a Anthropic Claude (Sonnet 4.6, almacenado en caché de indicaciones en el mensaje del sistema). El resumen pregunta "¿cuáles son los temas comunes en estos resultados? ¿Qué entidades se citan universalmente?" Salida: un resumen de patrón común de 400 palabras. El almacenamiento en caché de indicaciones de Anthropic reduce el costo 75% en palabras clave repetidas.
Paso 3. Mapa de cobertura de entidades
POST /v3/content_analysis/search con la palabra clave objetivo. Devuelve mentions de brand/producto en contenido top-ranking con sentiment scores. Output: una lista de entidades que tu draft debe mencionar para verse completo. Salta este paso si la palabra clave es genérica, solo vale la pena para queries buyer-shape (intención comercial).
Paso 4. Estructura de subtemas
Usa Anthropic para convertir el resumen SERP + mapa de entidades en una estructura propuesta de H2/H3. Seis a nueve H2s, cada uno con tres a cinco H3s candidatos. Output: un outline Markdown listo para revisión humana. Humanos cierran este paso, sin automatización completa. La habilidad 'requesting-code-review' aplica también a contenido.
Paso 5. Generación de borrador, RDA Humaniser, ingesta
Claude (Sonnet 4.6 para bulk, Opus 4.7 para flagship) escribe el draft contra el outline aprobado. El output pasa por el RDA Humaniser pass, elimina AI tells, rompe ritmo de oración uniforme, varía la longitud de cláusula. Luego se ingiere en Supabase como status='ready'. Una segunda revisión humana aprueba antes de que el status cambie a 'published'.
Números reales de la tubería de producción en este sitio
El /tools/ai-citation-checker/ usa una versión simplificada de esta misma cadena. Números en vivo de mayo de 2026:
- Llamada SERP de DataForSEO: 5 consultas × $0.001 = $0.005 por verificación de cita
- Síntesis Anthropic Claude: ~$0.02 por verificación (Sonnet 4.6, con prompt-cached)
- Costo efectivo por uso de herramienta pública: ~$0,03
- Límite de velocidad: 3 verificaciones nuevas por IP por hora; resultados en caché ilimitados
- Peor caso diario: ~$15 con saturación completa en todas las IPs
- Gasto diario real después del caché: ~$0,80 (las consultas en caché representan el 90%+ del tráfico en búsquedas de marcas populares)
Qué automatizar, qué mantener manual
Automatizar
- Obtención de SERP, caché, monitoreo
- Auditorías Lighthouse + salud de página a escala
- Seguimiento de citas de LLM en ChatGPT, Perplexity, Gemini
- Validación de Schema + meta + hreflang
- Andamiaje de brief de contenido (esquema + mapa de cobertura de entidades)
- Generación de borrador de primer pase para high-volume long tail (ej. páginas de códigos de estado, páginas de ubicación)
Mantén lo humano
- Aprobación de outline antes de generación de draft, automatización sin esta compuerta produce contenido genérico a escala
- Revisión final antes de publicar, cada post flagship
- Estrategia de topical authority, qué cluster construir, qué saltar
- Discovery y scoping calls, las buyer signals que lees en una llamada de 30 minutos no se transfieren a workflows automatizados
- Diagnóstico de penalizaciones y recuperación, las anomalías de Google Search Console requieren coincidencia de patrones humanos contra sitios anteriores
Dónde se detiene el artículo de DataForSEO y dónde comienza la producción
El artículo de DataForSEO muestra la superficie de la API y una demostración de ruta feliz. La capa de producción es todo lo que se sitúa entre esa demostración y un sitio que realmente se posiciona: la estrategia de caché, el cronograma de cron, la puerta JWT en force-refresh, los hooks que bloquean escrituras directas en prod, las pruebas de humo que verifican la forma de respuesta antes de quemar gasto en API, los reintentos de escritura en Supabase, las puertas de despliegue, la reproducción de errores. Ninguno de esos se envía en la demostración porque son problemas de infraestructura, no problemas de API.
Si quieres la superficie de la API, la documentación de DataForSEO está bien escrita. Si quieres la capa de producción conectada a tu codebase, estamos hablando de cuatro a seis semanas de trabajo para una configuración de dominio único, más tiempo si quieres soporte multi-dominio o multi-locale. Claude Code reduce eso a dos o tres semanas a tarifa senior. Ese es el engagement que ofrezco.
El engagement
Tres formas de proyecto disponibles. Build feature: una superficie de automatización específica (citation tracker, content brief generator, Lighthouse sweep), 1-2 semanas, £5k-£15k. Build product surface: sitio de marketing + admin dashboard + content pipeline + automation hooks, 4-8 semanas, £15k-£45k. Build platform: stack completo de SEO automation con multi-dominio, multi-locale, integraciones personalizadas, 12-20 semanas, £45k-£150k.
Discovery es una semana paga. El output es una especificación técnica escrita, un presupuesto de precio fijo, y una smoke test funcional que prueba que la combinación DataForSEO + Anthropic funciona contra tu codebase específico antes de la construcción completa. Agenda una llamada de 30 minutos para empezar.
Preguntas frecuentes
¿Qué es la pila DataForSEO y Claude Code SEO?
Combina la API de DataForSEO para datos de SERP, palabras clave y on-page con Claude Code para orquestar y razonar sobre esos datos en una pipeline SEO automatizada. La versión de producción añade caché, límites de tasa y puertas de implementación para que funcione en un cron programado real, no solo en una demostración.
¿Cuáles endpoints de DataForSEO vale la pena automatizar?
El artículo encadena cinco: SERP, palabras clave, on-page y endpoints de datos relacionados que vale la pena combinar para un flujo de trabajo de contenido y citaciones. El valor está en encadenarlos con caché para que consultas idénticas no generen doble cargo, en lugar de llamar cada uno de forma aislada.
¿Qué hace Claude Code en la pipeline?
Maneja el razonamiento y la orquestación: decidir qué obtener, interpretar los resultados de DataForSEO y convertirlos en resúmenes o acciones. El modelo hace el trabajo de juicio; DataForSEO suministra los datos. Los humanos se mantienen en el bucle para las llamadas que requieren decisiones editoriales reales.
¿Qué debe seguir siendo humano en la automatización SEO?
Las decisiones editoriales finales, la estrategia y cualquier cosa donde una llamada incorrecta sea costosa. Automatiza la recopilación de datos, el análisis repetitivo y la síntesis de primer borrador. Mantén a un humano en el juicio: qué temas dirigirse, qué publicar y si el resultado es realmente correcto.