¿El schema markup sirve para que la IA te cite? Lo medimos en 2.047 sitios

En diciembre de 2025 alguien montó una página de prueba con un producto inventado —ositos de goma— y escondió un dato dentro del código. El precio de una de las variantes, 8,99 €, existía solo en el bloque JSON-LD. En ningún lugar visible de la página. Después le preguntó el precio a ChatGPT, a Claude, a Gemini, a Perplexity y al Modo IA de Google. Ninguno lo encontró.

El experimento es de searchVIU y no demuestra que el schema markup sea inútil. Demuestra algo más específico y más incómodo: cuando un chatbot abre tu página en vivo, lee el HTML visible, y el JSON-LD le pasa por al lado. Desde entonces se acumularon dos mediciones mucho más grandes que apuntan en la misma dirección. Una es de Ahrefs. La otra es nuestra, sobre 2.047 sitios.

El test causal que le faltaba al sector

Hasta mayo de 2026 la discusión sobre schema y visibilidad en IA se sostenía con casos sueltos y con la intuición de que un dato bien etiquetado tiene que valer más que un dato suelto. Ahrefs decidió medirlo con un diseño decente: identificó 1.885 páginas que añadieron JSON-LD entre agosto de 2025 y marzo de 2026, las comparó contra unas 4.000 páginas de control con niveles de citación parecidos antes del cambio, y midió las citas treinta días antes y treinta días después.

Los resultados: AI Overviews −4,6 %, Modo IA +2,4 %, ChatGPT +2,2 %. Los dos últimos son indistinguibles de cero. El primero, el único con significación estadística, apunta en la dirección contraria a lo que se promete en las presentaciones comerciales.

Hay un detalle en la letra chica que cambia cómo hay que leer todo esto, y es la razón por la que decidimos mirar nuestros propios datos. Cada página de ese conjunto tenía más de cien citas en AI Overviews en febrero de 2025, antes de que nadie tocara el schema. Ahrefs midió qué le pasa al schema en páginas que la IA ya citaba muchísimo. Es un experimento limpio y responde una pregunta legítima. Pero deja fuera a la población que a la mayoría le importa: los sitios que no reciben ninguna cita.

Debajo de los dos resultados hay una explicación mecánica que searchVIU dejó por escrito: los datos estructurados trabajan distinto según la etapa. Cuando Google y Bing rastrean e indexan una página sí parsean el JSON-LD, y esos índices alimentan a AI Overviews y a los asistentes que se apoyan en ellos. Cuando ChatGPT o Claude abren una URL en mitad de una conversación, se quedan con el texto renderizado y poco más. El mismo marcado puede contar el lunes y ser irrelevante el martes, según por qué camino llegó la respuesta. Conviene saberlo antes de presupuestarlo como lo único que te separa de una cita.

Google lo escribió, con fecha

Mientras el sector discutía, Google publicó su propia respuesta y casi nadie la citó completa. Su guía "Optimizing your website for generative AI features on Google Search", actualizada el 10 de julio de 2026, es explícita en tres puntos que se venden como servicios:

"Los datos estructurados no son necesarios para la búsqueda generativa, y no hay ningún marcado especial de schema.org que necesites añadir. De todos modos, es buena idea seguir usándolos como parte de tu estrategia general de SEO."

En la misma página descarta los archivos legibles por máquina —"no necesitas crear nuevos archivos legibles por máquina, archivos de texto para IA, marcado o Markdown"— y también el troceado de contenido: no hay ningún requisito de partir el texto en pedacitos para que la IA lo entienda mejor, porque sus sistemas manejan varios temas dentro de una misma página.

Lo único que Google sí pide, en su documentación sobre funciones de IA, es que los datos estructurados coincidan con el texto visible de la página. Es la misma condición que el experimento de searchVIU vuelve inevitable desde el otro lado: si el dato solo vive en el JSON-LD, hay sistemas que no lo van a ver nunca.

Los 2.047 sitios que Ahrefs no midió

Nuestra base es distinta y por eso es complementaria. Entre el 14 de mayo y el 28 de julio de 2026 corrimos 2.324 auditorías sobre 2.021 dominios únicos. Cada una lanza preguntas reales a un modelo con búsqueda web activa y guarda las fuentes que ese modelo consultó de verdad. La mayoría de estos sitios son negocios normales: clínicas, tiendas, agencias, talleres. El 76,6 % no recibe ni una mención cuando se pregunta por su categoría.

Cruzamos la presencia de JSON-LD contra la tasa de mención en los 2.047 sitios donde teníamos los dos datos:

Base: 2.047 sitios con los dos datos disponibles, sobre 2.324 auditorías de Inspeccia (14 de mayo – 28 de julio de 2026). "Invisibles" son los sitios que no obtuvieron ninguna mención al preguntar por su categoría.

La diferencia existe: 5,7 puntos porcentuales. No es ruido. Pero antes de que alguien la convierta en una diapositiva, conviene decir en voz alta qué es y qué no es.

Es una correlación, y no podemos separarla de nada. Los sitios que se toman el trabajo de implementar datos estructurados suelen ser también los más grandes, los más antiguos, los que tienen equipo técnico, los que llevan años publicando y los que ya tienen menciones en prensa. Cualquiera de esas variables explica los 5,7 puntos igual de bien que el schema. No tenemos forma de aislar el efecto del JSON-LD del efecto de "ser un sitio mejor cuidado en general", y quien te diga que sí puede con datos observacionales te está vendiendo algo. Ahrefs sí intervino y comparó contra controles, y por eso su resultado nulo pesa más que nuestra diferencia positiva.

Los límites de nuestra medición, para que puedas descontarlos: un solo proveedor de LLM, un tope de doce dominios de fuentes guardados por análisis y categorías declaradas por el propio usuario.

El titular honesto es el otro número de la tabla. Tres de cada cuatro sitios con datos estructurados correctos siguen siendo invisibles para la IA. Si tienes el schema puesto y no apareces, el schema no era lo que te faltaba.

Esta película ya la vimos con llms.txt

Hace un año la promesa era un archivo de texto en la raíz del dominio. Se escribieron cientos de guías, se vendieron auditorías y varios CMS añadieron el botón. En junio de 2026 Ahrefs midió qué había pasado: sobre 137.210 dominios, el 28 % publicaba un llms.txt válido, y el 97 % de esos archivos no recibió ni una sola petición en mayo de 2026. De las peticiones que sí llegaron, el 96 % venía de bots, y la categoría más frecuente —21,7 %— eran herramientas de auditoría SEO comprobando si el archivo existía. El sector estudiándose a sí mismo.

John Mueller, de Google, lo resumió el 2 de junio de 2026: el asunto es "purely speculative for now", y el archivo lleva años existiendo sin que ningún sistema de IA lo use. Si quieres el detalle completo, está en nuestra guía sobre llms.txt.

El patrón se repite y por eso vale la pena nombrarlo: aparece un formato técnico plausible, se le atribuye una función que nadie documentó, se vende durante dieciocho meses y cuando alguien mide, el efecto es cero. Sitemaps, robots.txt y las etiquetas canónicas también fueron formatos nuevos en su momento, pero llegaron con documentación del buscador que los consume y con una función comprobable. Ese es el criterio.

Para qué sirve el schema de verdad

Nada de lo anterior es un argumento para quitarlo. El schema markup hace tres cosas documentadas, y ninguna de ellas es "hacer que ChatGPT te cite".

Habilita los rich results de Google. Estrellas, precios, disponibilidad, migas de pan, eventos, recetas, preguntas frecuentes donde todavía se muestran. Funciona como requisito de formato: sin el marcado correcto no hay resultado enriquecido, con él hay elegibilidad. Sigue siendo un motivo suficiente para implementarlo bien.

Sostiene la coherencia de tu entidad. Un Organization con sameAs apuntando a tus perfiles oficiales le da a cualquier sistema una forma barata de confirmar que la empresa del sitio, la del LinkedIn y la de la ficha son la misma. En nuestras auditorías detectamos 50 casos de confusión de entidad —el modelo mezcla la empresa con otra de nombre parecido—, y ahí la identidad declarada de forma consistente sí tiene algo que aportar.

Te obliga a que los datos coincidan con el texto visible. Esta es la parte que se subestima y la única que Google pide explícitamente. Cuando marcas horarios, precios o dirección y esos mismos datos están en el HTML, cierras la brecha que el test de searchVIU dejó al descubierto. Si te falta la parte mecánica —dónde va cada bloque, qué campos no pueden faltar— la tenemos en dónde pegar el JSON-LD de tu negocio y en la guía de tipos de schema para AI search, que sigue siendo válida como manual de implementación. Este artículo es la medición que le pone techo a las expectativas.

Dónde está la palanca que sí se mueve

Si el schema no explica por qué no apareces, algo tiene que explicarlo. Nuestros datos apuntan a un sitio muy concreto: la IA cita una media de 2,65 fuentes por marca, y en el 26,9 % de los casos ni siquiera abre el sitio web de la empresa. En más de una de cada cuatro respuestas, todo lo que el modelo dice de un negocio sale de reseñas, directorios, prensa local, foros y sitios de detección de fraude.

Ahí es donde el argumento se cierra solo. Si el modelo no lee tu web, el JSON-LD de tu web no puede ayudarte, por impecable que esté. La pregunta útil pasa a ser otra: qué páginas está leyendo el modelo cuando alguien pregunta por tu categoría, y si apareces en ellas. Eso lo medimos y lo desglosamos en qué fuentes consulta la IA cuando alguien pregunta por tu empresa.

Queda el trabajo estructural del sitio, que sigue importando por razones anteriores a la IA: que se pueda rastrear, que cargue, que el contenido esté en el HTML y no solo en JavaScript, que cada página diga con claridad de qué habla. Eso está en la guía técnica de AISO. Ninguna de esas cosas es glamurosa y todas se pueden verificar, que es más de lo que se puede decir del marcado que iba a cambiarlo todo.

Una advertencia sobre todas las cifras de este artículo, incluidas las nuestras: son una foto con fecha. Las plataformas cambian de fuentes preferidas de un trimestre a otro y cualquier porcentaje de citación envejece rápido. Lo que no envejece tan rápido es el método: pedir la medición antes de pagar la implementación.

Preguntas frecuentes