Hay CMOs que están gastando millones en contenido mientras sus competidores aparecen en ChatGPT, Perplexity y Claude con la mitad del presupuesto.
La diferencia no es la calidad del contenido. Es que una marca tiene datos estructurados y la otra no.
Cuando un usuario le pregunta a ChatGPT "mejor CRM para equipos pequeños", el modelo no lee todo tu sitio web. Busca datos que pueda extraer rápido. Precio, features, integraciones, límites de usuarios.
Si esa información está en párrafos de prosa, el modelo la ignora (porque es caro de crawlear). Si está en schema markup, la procesa en milisegundos.
Los datos estructurados pasaron de ser "nice to have para rich snippets" a infraestructura crítica para existir en búsqueda por AI.
Los motores de búsqueda tradicionales rastrean, indexan, rankean. Los modelos de AI extraen, sintetizan, citan.
Google lee tu página y decide si merece rankear para una query. ChatGPT lee tu página y decide si tiene datos que usar para responder. Son procesos diferentes.
Un cliente en software tenía páginas de producto completas. Descripciones detalladas, casos de uso, pricing. Pero el pricing estaba escrito así: "Nuestro plan básico empieza desde solo $29 al mes, perfecto para freelancers y pequeños negocios."
Cuando alguien preguntaba en ChatGPT "cuánto cuesta [nombre del producto]", Perplexity no citaba su sitio. Citaba a un competidor que tenía el precio en schema markup Product con price: 29, priceCurrency: USD.
No es que el contenido del cliente fuera peor. Es que era más difícil de extraer.
No todos los tipos de schema tienen el mismo impacto. Algunos son decorativos. Otros son funcionales.
Si vendes algo, esto no es opcional. Precio, disponibilidad, rating, reviews. Los modelos de AI priorizan sitios que tienen esta data limpia.
Un cliente en e-commerce implementó Product schema en 2,400 SKUs. Tres meses después, apariciones en respuestas de ChatGPT habían subido 35%. No cambiaron el contenido. Solo estructuraron lo que ya existía.
Las preguntas frecuentes son el formato perfecto para modelos de AI. Pregunta específica, respuesta concisa. Exactamente lo que necesitan para citar.
Pero tiene que estar marcado. Un FAQ escrito en HTML normal es solo texto. Un FAQ con schema le dice al modelo "esto es una pregunta, esto es la respuesta, usa esto."
Un cliente en seguros tenía 40 FAQs en su sitio. Bien escritas, útiles. Pocas apariciones en AI. Agregamos FAQ schema. Dos semanas después empezaron a aparecer como fuente citada para 12 de esas preguntas.
Si tu contenido incluye procesos, pasos, instrucciones, este schema es crítico. Los modelos lo usan para dar respuestas paso a paso.
Este realmente no lo he probado con clientes en producción, pero si tienes algún blog informacional o contenido en el que los pasos hagan sentidos y compartas procesos, deberías de incluirlo.
Información básica de tu empresa. Nombre, logo, contacto, ubicaciones. Parece trivial, pero los modelos lo usan para verificar que eres una empresa real antes de citarte.
Si no tienes esto, el modelo puede dudar si tu sitio es legítimo. Especialmente en industrias como finanzas o salud donde la credibilidad importa.
Los modelos citan sitios con social proof. Si tienes 500 reviews de 5 estrellas pero no están en schema, el modelo no las ve. Si están marcadas, se vuelven parte de tu autoridad.
Este es mi favorito porque es con el que visto resultados increíbles. Un cliente en una industria muy regulada tenía reviews de G2 embebidas en su sitio. Pero sin schema.
Agregamos AggregateRating con ratingValue: 4.7 y reviewCount: 487 (el real, no quieres mentir con esto). Un poco más de un mes después, empezaron a aparecer en respuestas de LLMs como "una de las opciones mejor valoradas."
Google usaba datos estructurados principalmente para rich snippets. Si tu schema estaba mal, perdías el snippet pero seguías rankeando.
Los modelos de AI usan datos estructurados para decidir si citarte. Si tu schema está mal o no existe, no apareces. Punto.
Por si los ejemplos que te he dado hasta ahoa no te son suficientes, te doy otro. Un cliente tenía contenido sobre tasas de interés. Buen contenido, bien investigado. Pero las tasas estaban en tablas HTML sin schema.
Su competidor tenía las mismas tasas en una tabla con schema markup Table. Cuando preguntabas en ChatGPT "tasas de interés para [tipo de cuenta]", el competidor aparecía 89% de las veces. Mi cliente, 3%.
No era autoridad de dominio. No era backlinks. Era extracción. Lo cambiamos y si bien todavía no logramos ese 89% de citaciones, logramos un 21%.
La mayoría de empresas tienen datos estructurados mal implementados o incompletos.
Errores comunes:
Implementaron Organization schema en 2019 y nunca lo actualizaron. El logo cambió, la dirección cambió, el número de teléfono cambió. El schema sigue mostrando data vieja.
Por eso soy tan reticente en implementar schema en sitios que no tienen capacidad técnica y en los que una pedida a TI toma de 5 a 8 meses hábiles.
Marcan la homepage pero las páginas de producto, blog posts, páginas de servicio, nada. Los modelos no leen solo tu homepage, leen tu sitio en 360.
Tienen Product schema pero falta el precio. O tienen FAQ schema pero solo en 5 de 40 FAQs. Implementación a medias no genera resultados completos.
Google Search Console muestra errores de schema que nadie revisa. Si Google no puede leer tu schema, los modelos de AI tampoco.
La tentación es marcar todo el sitio de una vez. Mala idea. La implementación masiva sin estrategia genera errores, desperdicia tiempo, y diluye el esfuerzo.
La mayoría de sitios ya tienen algo de schema. El problema es que nadie sabe exactamente qué, dónde, o si está funcionando.
Usa Google Search Console. Ve a Enhancements. Te muestra qué tipos de schema detecta Google y cuántos errores tienes. Si tienes 200 errores en Product schema, arregla eso antes de agregar schema nuevo.
Usa también Schema Markup Validator de Schema.org. Copia el HTML de tus páginas principales y chequea qué encuentra. Muchas veces descubres schema viejo que dejó un desarrollador hace años y que está generando errores silenciosos.
No todas las páginas merecen el mismo esfuerzo. Empieza donde importa.
JSON-LD es el formato que Google recomienda. Es más fácil de implementar, más fácil de mantener, y no interfiere con tu HTML.
Va en el <head> o al final del <body>. No tienes que tocar tu contenido visible. Esto significa que puedes agregar, editar, o quitar schema sin romper el diseño de tu sitio.
Microdata y RDFa requieren marcar el HTML directamente. Si tu diseñador cambia la estructura, el schema se rompe. Con JSON-LD, están separados.
Si tienes 10 páginas, márcalas a mano. Si tienes 1,000, necesitas automatización.
Schema con errores es peor que no tener schema. Google lo ignora, los modelos de AI lo ignoran, y estás dejando código inútil en tu sitio. Realmente he visto resultados horrorosos por tener datos estructurados mal implementados.
Nuevamente lo repito, si no tienes capacidad técnica alguna, es mejor no tenerlos. Si tienes de producto y cambias el precio en tu sitio pero no en el schema, no solo puedes tener una mala representación en respuestas, si no que en algunos casos puedes hasta performar mucho peor que si no tuvieses nada.
El schema no es estático. Si cambias el precio de un producto, actualiza el schema. Si agregas una nueva pregunta a tu FAQ, agrégala al schema.
Si usas automatización, la actualización debería ser automática. Si marcaste manualmente, crea un proceso. Cada vez que actualizas contenido, chequea si el schema necesita actualización también.
Una vez que los primeros schemas están funcionando y validados, expande.
Si empezaste con Product schema en tus 10 productos principales, agrégalo a los siguientes 20. Si empezaste con FAQ schema en 5 preguntas, márcalas todas.
Pero hazlo por fases. Implementar, validar, medir, expandir. No saltes la validación y medición.
Hace dos años, los datos estructurados eran optimización avanzada. Hoy son requisito básico.
Los modelos de AI no van a empezar a leer prosa densa para extraer precios, features, o instrucciones. Van a seguir priorizando sitios donde esa data está marcada y lista para consumir.
Tus competidores ya lo están implementando. Algunos bien, muchos mal, pero lo están haciendo. La ventana donde esto era diferenciador se está cerrando. Pronto será el precio de entrada.
Si todavía no tienes datos estructurados, empieza esta semana. Si ya tienes, audita que estén correctos y completos. Si están correctos, mide si están generando apariciones en AI.
.png){kind=small}
Consultoría SEO personalizada para escalar tráfico, posicionar tu marca, aumentar el revenue y dominar el mindshare en Google y modelos de IA como ChatGPT.
%402x.svg){kind=icon}
