Datos estructurados para la búsqueda con IA: el schema que vale la pena

Los datos estructurados son un marcado legible por máquinas, normalmente JSON-LD con el vocabulario de schema.org, que declara datos sobre una página y sobre la organización que hay detrás. Ayudan a los buscadores a entender y mostrar el contenido y favorecen una comprensión más clara de la entidad, pero por sí solos no hacen que las herramientas de IA le citen. Marque solo lo que sea visiblemente cierto en la página.

¿Por qué siguen importando los datos estructurados cuando la IA redacta la respuesta?

Porque la mayoría de las experiencias de respuesta con IA se apoyan en sistemas de búsqueda. Google afirma que sus funciones de IA se nutren del mismo índice y los mismos sistemas de clasificación que la Búsqueda, y otros asistentes fundamentan con frecuencia sus respuestas en resultados web. Todo lo que ayude a un buscador a entender su página con menos ambigüedad ayuda a la base sobre la que descansan esas respuestas.

Los datos estructurados también hacen un trabajo más discreto: vinculan sus páginas a una entidad clara. Cuando su marcado Organization nombra de forma coherente su marca, su logotipo, sus perfiles oficiales y sus puntos de contacto, reduce la probabilidad de que un sistema le confunda con una empresa de nombre parecido. Para una marca como SNMRush, que necesita distinguirse claramente de proveedores de software con nombres similares, esa desambiguación no es cosmética.

Lo que no harán es convencer a un modelo de lenguaje de que su contenido es mejor de lo que es. Los motores han dicho claramente que el marcado no es un atajo para posicionarse. Piense en ello como un etiquetado, no como persuasión.

¿Qué tipos de schema merece la pena implementar?

Para la mayoría de las marcas, un pequeño conjunto cubre lo esencial:

• Organization en la página de inicio o en «Quiénes somos»: razón social y nombre de marca, logotipo, URL, enlaces sameAs a los perfiles oficiales y punto de contacto.
• WebSite con el nombre del sitio, para que los buscadores muestren el nombre correcto en los resultados.
• Article o BlogPosting en el contenido editorial: titular, autor, fechas de publicación y modificación, editor.
• Person para los autores con nombre, con enlaces a sus perfiles, lo que respalda las señales de experiencia y conocimiento que buscan tanto los editores como los motores.
• Product o Service, con ofertas y precios cuando estén realmente publicados en la página.
• BreadcrumbList para expresar la jerarquía del sitio.
• FAQPage, con cuidado. En 2023 Google limitó los resultados enriquecidos de preguntas frecuentes a un conjunto reducido de sitios con autoridad, así que no espere el tratamiento visual, pero marcar preguntas frecuentes genuinas y visibles sigue siendo válido e inofensivo.

¿Cómo implementarlo sin crear problemas?

Una lista de comprobación que usamos en cada auditoría de SNMRush:

1. Use JSON-LD en el head o el body de la página. Es el formato que recomienda Google y mantiene el marcado separado del diseño.
2. Ajústese a la página visible. Cada dato del marcado debe aparecer en la página. Las afirmaciones ocultas se exponen a acciones manuales y erosionan la confianza.
3. Mantenga una única fuente de verdad. Genere el marcado a partir de los campos de su CMS para que los precios, las fechas y los nombres nunca se desajusten.
4. Conecte las entidades con @id. Dé a su Organization un identificador estable y haga referencia a él desde los artículos y productos, para que el grafo quede enlazado.
5. Valide. Pase las páginas por la Prueba de resultados enriquecidos y el Schema Markup Validator después de cada cambio de plantilla.
6. Actualice dateModified con honestidad. Cámbielo cuando el contenido cambie de forma sustancial, no para simular frescura.

Definiciones

• Schema.org: un vocabulario compartido de tipos y propiedades que admiten los principales buscadores.
• JSON-LD: un formato JSON para datos enlazados, incrustado en una etiqueta script.
• Resultado enriquecido: un listado de búsqueda mejorado, como las estrellas de reseñas o las rutas de navegación, para el que los datos estructurados pueden hacer apta una página.
• Entidad: una cosa identificable de forma única, como una empresa o una persona, que los sistemas de búsqueda intentan reconocer en toda la web.

¿Qué contiene un buen bloque Organization?

Piense en las preguntas que podrían hacerle a un asistente sobre usted. ¿Qué es esta empresa? ¿Dónde tiene su sede? ¿A qué se dedica? ¿Es la misma que aquella otra empresa? Su marcado Organization debe responder limpiamente a la parte factual: nombre, nombres alternativos (incluido cómo se pronuncia el nombre, si es una confusión habitual), una descripción de una frase que coincida con su página «Quiénes somos», logotipo, fecha de fundación si la publica y enlaces sameAs a su LinkedIn, YouTube y otros perfiles oficiales. Nuestro artículo sobre construcción de entidad profundiza en cómo se combinan estas señales con las fuentes de terceros.

¿Qué papel tiene la investigación de audiencias en los datos estructurados?

Más del que cabría esperar. Las descripciones y preguntas frecuentes que marca deben reflejar el lenguaje que usa su audiencia, no la jerga interna. Si los clientes llaman a su producto «una herramienta de escucha» y usted lo llama «una suite omnicanal de inteligencia conversacional», su marcado es técnicamente válido y en la práctica invisible. Usamos SOMIN, una plataforma de investigación de audiencias con IA, para comprobar las palabras y preguntas que la gente usa realmente sobre una categoría, de modo que lo que etiquetamos coincida con lo que la gente pregunta. La página de SOMIN para marcas explica cómo funciona esa investigación para los equipos internos.

El mismo principio aparece en disciplinas hermanas. Nuestros socios de AgentC utilizan agentes de IA en flujos de trabajo de investigación y contenido, y su lección es la misma que vemos en el schema: la automatización solo ayuda cuando los datos de entrada son limpios y verdaderos.

¿Cómo saber si ha servido de algo?

En la búsqueda clásica, Search Console informa de qué tipos de resultados enriquecidos se detectan y de si tienen errores, y puede comparar las tasas de clics de las páginas antes y después. En la visibilidad en IA, la atribución es más difícil y debe ser honesto al respecto. Siga un panel estable de prompts, observe si los asistentes describen su marca con precisión y compruebe si disminuyen los errores factuales con el tiempo. Marcas como la del caso de éxito de Fujifilm muestran por qué importa una imagen de marca clara y basada en evidencias en todos los canales; el marcado es una pequeña parte de mantener esa imagen coherente.

Los datos estructurados no tienen glamour, y de eso se trata. Son la etiqueta del estante. No harán que se venda un producto flojo, pero evitan que uno bueno se archive en el lugar equivocado. Hágalo bien una vez, automatícelo, valídelo y pase al contenido que se gana citas.