Schema.org para IA: tipos, ejemplos e implementación

¿Qué tipos de schema.org son útiles para la búsqueda con IA?

Empieza por el tema real de la página y luego selecciona el tipo más específico que lo describa con precisión. Schema.org proporciona un vocabulario para datos estructurados; no reemplaza un texto útil, una navegación clara o una información de entidad coherente. Para una visión técnica, consulta AEO técnica: schema, llms.txt y rastreadores.

No añadas todos los tipos que suenen relevantes. Un artículo de empresa sobre un producto sigue siendo un artículo; no es automáticamente una página de producto. Una página de servicio debe describir el servicio que los visitantes pueden inspeccionar en esa página. Usa propiedades solo cuando la información correspondiente sea visible o esté respaldada de otro modo por la página. Esta regla simple facilita el mantenimiento del markup y da a los revisores una forma directa de comprobar la precisión.

¿Cómo es el schema markup de schema.org para visibilidad en IA?

• Un ejemplo de identidad de negocio puede describir el nombre y la URL del sitio de una organización.
• Un ejemplo de página puede identificar el título de una página y su relación con el sitio web.
• Un ejemplo de artículo puede describir el título del artículo y el autor cuando esos detalles aparecen en la página.

Por ejemplo, un objeto JSON-LD pequeño para una organización podría usar @context con valor https://schema.org, @type con valor Organization, y propiedades como name y url. Los valores deben ser la misma identidad y dirección canónica del sitio web que un visitante pueda verificar. Esto es un ejemplo estructural, no una razón para copiar campos que no encajan en tu sitio.

Una revisión útil del schema markup para visibilidad en IA compara tres cosas: el texto de la página, los datos estructurados y los detalles de la entidad en otras partes del sitio. Si la página llama a un producto de una manera y el markup lo nombra de otra, resuelve la discrepancia antes de añadir más propiedades. Evita tratar un bloque JSON-LD más grande como inherentemente mejor. La guía de GEO explica cómo encaja la claridad técnica junto con el contenido y la visibilidad de las fuentes.

¿Cómo implementar schema.org para SEO en IA?

1. Selecciona una página representativa y anota su propósito principal.
2. Elige un tipo de schema.org que describa ese propósito con precisión.
3. Asigna cada propiedad propuesta a información visible en la página.
4. Añade el markup en JSON-LD o en el formato que ya mantenga tu sitio.
5. Valida la página renderizada y revísala después de cambios de contenido.

JSON-LD es un formato práctico para separar los datos estructurados del markup visible de la página, pero la calidad de la implementación depende del resultado, no solo del formato. Sigue el vocabulario de schema.org para las definiciones de tipos y propiedades, y usa la documentación de datos estructurados de Google al verificar las guías específicas de Google.

Para una implementación repetible, mantén un registro compacto junto a cada página: tipo previsto, URL de origen, propiedades usadas, fuente de contenido para cada valor y fecha de la última validación. Pide a un editor que confirme la alineación factual y a un desarrollador que confirme que el markup aparece en la página renderizada. Cuando la página cambie, actualiza los datos estructurados en la misma tarea de publicación. Esto evita que descripciones obsoletas persistan después de que un producto, autor o detalle de servicio haya cambiado.

LLMs.txt vs schema.org: ¿cuál es la diferencia?

Son herramientas diferentes, no versiones competidoras del mismo estándar. Schema.org describe entidades y detalles de página usando tipos y propiedades. llms.txt es una convención separada que los propietarios de sitios pueden optar por publicar; no hace que un contenido de página inexacto sea preciso, y no es schema markup. Para un marco de decisión y un archivo de ejemplo, consulta llms.txt: qué es y si lo necesitas.

Si tienes tiempo limitado de implementación, empieza por arreglar la página en sí y sus datos estructurados coincidentes. Considera un archivo de texto solo cuando tengas un propósito editorial claro para mantenerlo y puedas mantener sus referencias actualizadas. No deduzcas que publicar cualquiera de estos artefactos controla qué material recupera un sistema de IA. Mantén la decisión ligada a la capacidad de mantenimiento: una página precisa y mantenida es más útil que un archivo adicional del que nadie se ocupa.

¿El schema mejora la visibilidad en ChatGPT vs Perplexity?

• Comprueba si la organización o página se describe de forma coherente en tu propio sitio.
• Registra la pregunta exacta, la fecha, el asistente y la redacción de cada respuesta observada.
• Separa una mención de fuente de una mención de nombre; son observaciones diferentes.
• Vuelve a comprobar las mismas preguntas después de cambios significativos en la página o el markup.

El schema puede hacer explícita la estructura declarada de tu página, pero no es un panel de control para ChatGPT o Perplexity. Por lo tanto, una comparación debe centrarse en lo que un usuario puede observar: si una respuesta menciona la entidad, si enlaza a una fuente y si la página citada respalda la respuesta. No asumas que los dos asistentes usan fuentes idénticas o responden de forma idéntica a la misma pregunta.

Usa un conjunto pequeño y estable de preguntas relevantes en lugar de cambiar la redacción de la prueba cada vez. Guarda la pregunta y la respuesta con la fecha y la URL de la página si aparece una cita. Luego inspecciona si la página citada responde claramente a la pregunta y si los datos estructurados coinciden con ella. Para una revisión de visibilidad por separado, consulta cómo ser citado en ChatGPT y guía de visibilidad en Perplexity.

¿Qué indicadores de seguimiento y límites de plataforma importan?

1. Validez del markup: ¿la página renderizada contiene datos estructurados analizables?
2. Alineación del contenido: ¿los hechos marcados coinciden con la página visible?
3. Cobertura: ¿las páginas seleccionadas para revisión se han comprobado después de las actualizaciones?
4. Observaciones de respuestas: ¿las preguntas de prueba guardadas producen una mención relevante o una cita de fuente?

Estos indicadores constituyen un registro de seguimiento útil porque cada uno puede comprobarse y explicarse. No establecen que el schema haya causado un cambio en la respuesta de un asistente. Mantén las comprobaciones de implementación separadas de las observaciones de visibilidad, y anota las ediciones de página u otros cambios materiales junto con el registro de seguimiento de búsqueda con IA. Esto hace que el informe sea más útil que una puntuación de visibilidad única sin explicación.

El manejo de los datos estructurados por parte de Google y cualquier apariencia en la búsqueda sigue siendo decisión suya, y ni el markup de schema.org ni una implementación válida controlan si ChatGPT o Perplexity incluyen una página en una respuesta. Esas plataformas pueden cambiar la forma en que seleccionan o presentan las fuentes, por lo que el trabajo puede verificar el markup acordado e informar las respuestas observadas, no prometer una cita o visualización.

¿Cómo preparar una revisión de schema?

1. Elige la página: envía una URL que represente el contenido que quieres que los sistemas entiendan.
2. Indica el tema: identifica la organización, producto, servicio o artículo que describe la página.
3. Comparte el markup actual: incluye la fuente o los detalles de implementación si están disponibles.
4. Nombra la decisión: explica si necesitas selección de tipo, una comprobación de coherencia o guía de implementación.

Una Revisión de Especificaciones enfocada comienza con esos datos. Comparamos la página visible con sus datos estructurados, anotamos propiedades no coincidentes o no soportadas, y devolvemos una Especificación de Lanzamiento que identifica el tipo recomendado, las propiedades a conservar o revisar, y las comprobaciones de validación. Para múltiples plantillas de página, añade un breve inventario de URLs e indica qué plantillas comparten la misma estructura de contenido.

El precio del proyecto comienza desde $760 / proyecto. Para definir el alcance, envía a AEOTech la URL de la página, el markup actual si lo tienes, y la pregunta que necesitas responder. Confirmaremos el alcance de la revisión y los entregables antes de comenzar la implementación.

Precios

Precios iniciales en USD. Paquetes a medida y descuentos por volumen bajo solicitud. Pago en USDT, USDC, BTC, ETH, SOL, TON o con el token de tu proyecto.

Cómo trabajamos

1. Selecciona la páginaElige una página con un propósito claro e identifica la entidad o el contenido que describe.
2. Asigna el contenido a tiposHaz coincidir la página con un tipo relevante de schema.org y usa solo las propiedades respaldadas por su contenido.
3. Implementa y validaAñade los datos estructurados, inspecciona la página renderizada y verifica que cada valor coincida con lo que los visitantes pueden leer.
4. Registra la línea baseGuarda la URL de la página, la versión del markup, las notas de validación y cualquier observación de respuestas de IA.
5. Revisa tras edicionesVuelve a comprobar la página y el markup juntos siempre que cambien detalles importantes de contenido o entidad.