Marcado Schema para buscadores con IA: qué leen ChatGPT, Perplexity y Gemini

En la era de la búsqueda con IA, el marcado Schema pasa a la vez por remedio milagroso y por mito. Unos venden los datos estructurados como el billete de entrada a ChatGPT y Perplexity; otros los consideran irrelevantes en cuanto los modelos de lenguaje leen el contenido. Ambos bandos se equivocan. En 2026, las pruebas son bastante más matizadas y, en parte, contradictorias. Este artículo explica qué aporta de forma demostrable el marcado Schema a los sistemas de búsqueda con IA, dónde se sobrevalora y qué papel desempeña en la región DACH (Alemania, Austria y Suiza) para la visibilidad B2B. El foco está en datos verificables, no en promesas.

Por qué el marcado Schema importa para la visibilidad en IA

La búsqueda con IA ya no es un fenómeno marginal. En la búsqueda de Google, según Semrush, la tasa de activación de AI Overviews pasó del 6,49 % de las consultas en enero de 2025 a un máximo del 24,61 % en julio, y se estabilizó en el 15,69 % en noviembre, con más de 10 millones de palabras clave medidas. En palabras clave idénticas, la tasa de zero-click bajó, según el mismo análisis, del 33,75 % al 31,53 %. Por tanto, una parte creciente de las búsquedas termina en una respuesta generada y no en una lista de resultados clásica.

El tráfico que llega de estos sistemas es de alta calidad. Según un análisis internacional de Visibility Labs sobre 94 marcas de e-commerce, el tráfico de ChatGPT convirtió un 1,81 %, es decir, un 31 % más que el tráfico orgánico sin marca, que se quedó en el 1,39 %. Para ello se compararon 9,46 millones de sesiones orgánicas con 135.000 sesiones de referencia de ChatGPT a lo largo de doce meses. Quien aparece en las respuestas de IA gana alcance y usuarios dispuestos a comprar.

En este contexto, el marcado Schema es la capa legible por máquinas de un sitio web. Traduce el contenido a un vocabulario inequívoco que las máquinas entienden sin margen de interpretación. La pregunta central es: ¿leen realmente este vocabulario los sistemas de búsqueda con IA y marca una diferencia medible?

Cómo procesan el contenido los sistemas de IA y dónde entra Schema

La búsqueda moderna con IA se basa mayoritariamente en pipelines RAG (Retrieval-Augmented Generation). Simplificando, hay tres pasos: el sistema recupera fuentes relevantes, extrae su contenido y genera una respuesta a partir de él. El marcado Schema, normalmente incluido como JSON-LD en el HTML, puede ayudar en las fases de recuperación y extracción al nombrar las entidades con claridad: quién es el autor, cuál es el producto, qué pregunta responde esta sección.

Conviene distinguir dos funciones. Schema es ante todo una herramienta para entender entidades, no un factor directo de posicionamiento ni de citación. Ayuda a las máquinas a clasificar correctamente el contenido y a establecer relaciones entre entidades. Pero no obliga a un modelo de lenguaje a citar una fuente.

JSON-LD es el formato dominante. Según el Web Almanac 2024, su adopción creció del 34 % de las páginas rastreadas en 2022 al 41 % en 2024, lo que lo convierte en el formato de datos estructurados que más rápido crece y en el preferido por Google. Según la misma fuente, los tipos más frecuentes son WebSite, con un 12,73 %; Organization, con un 7,16 %; BreadcrumbList, con un 5,66 %, y LocalBusiness, con un 3,97 % de las páginas móviles. Esta adopción amplia y legible para los crawlers es una razón clave por la que Schema sigue siendo una palanca más sólida que propuestas más recientes como llms.txt: los datos estructurados ya forman parte del ecosistema de rastreo existente, mientras que la mayoría de los crawlers de IA ignora llms.txt por ahora.

Pruebas contradictorias: qué dicen los estudios

Aquí la cosa se pone incómoda. Los estudios serios se contradicen, y precisamente esa es la conclusión más importante para la práctica.

La postura crítica (Ahrefs): Ahrefs siguió 1.885 páginas que añadieron Schema en JSON-LD entre agosto de 2025 y marzo de 2026 y las comparó con 4.000 páginas de control en un análisis de diferencias en diferencias. El resultado: Google AI Overviews, un 4,6 % menos (poco, pero estadísticamente significativo); AI Mode, un 2,4 % más, y ChatGPT, un 2,2 % más (ambos estadísticamente indistinguibles de cero). La conclusión de los autores es clara: añadir Schema no produjo un aumento relevante de las citas en ninguna plataforma.

La postura optimista (Otterly): Tras implementar Schema y analizar 319 prompts en el mercado estadounidense, Otterly.AI describe un panorama muy distinto: AI Overviews, un 611 % más; AI Mode, un 42 % más; pero, a la vez, ChatGPT, un 71 % menos; Copilot, un 64 % menos; Gemini, un 35 % menos, y Perplexity, sin cambios. Lo decisivo es la prueba de fetch que acompañaba al estudio: solo 1 de 7 plataformas de IA, en concreto Gemini, pudo leer correctamente el JSON-LD en bruto. También Otterly concluye que Schema es una palanca de SEO y no una palanca de crecimiento en GEO.

La postura oficial (Google): En su AI Optimization Guide, el propio Google explica con sobriedad que los datos estructurados no son necesarios para la búsqueda generativa con IA y que no hay que añadir ningún marcado schema.org especial, aunque sigue teniendo sentido usarlos como parte de la estrategia SEO global, porque favorecen la elegibilidad para resultados enriquecidos. Google presenta expresamente la optimización para la búsqueda con IA como una continuación del SEO.

Lo que los profesionales deberían sacar de todo esto: Schema no es un impulsor fiable de citas en los sistemas de IA. Los signos opuestos de Ahrefs y Otterly y la escasa significación estadística muestran que el efecto es pequeño y depende de la plataforma. Aun así, Schema sigue siendo una base de SEO consolidada, y a través de AI Overviews la búsqueda clásica de Google está estrechamente ligada a la respuesta de IA.

Qué plataformas leen realmente el marcado Schema

La suposición de que los sistemas de IA procesan los datos estructurados de forma generalizada no resiste el análisis. La prueba de fetch de Otterly es clara: 6 de las 7 plataformas probadas no pudieron recuperar ni interpretar correctamente el marcado Schema cuando se les pidió directamente; solo Gemini devolvió el JSON-LD correcto. Se probaron ChatGPT, Google AI Overviews, Google AI Mode, Perplexity, Microsoft Copilot, Gemini y Claude.

De ahí sale una imagen realista del panorama de plataformas:

Google AI Overviews, AI Mode y Gemini: Estos sistemas son los más cercanos a Schema, ya que se apoyan en el índice de Google, que de todos modos procesa los datos estructurados. Gemini fue el único sistema capaz de leer JSON-LD directamente.

ChatGPT, Perplexity, Claude y Copilot: Estos sistemas se basan sobre todo en el contenido visible y renderizado de la página, no en el marcado incrustado. Para ellos cuenta lo que pone en el texto legible.

Microsoft Bing y Copilot, con matices: Aquí hay una voz oficial discrepante que pesa. Fabrice Canel, de Microsoft Bing, confirmó en SMX Munich, en marzo de 2025, que el marcado Schema ayuda a los LLM de Microsoft a entender el contenido. Canel recomendó además enviar el contenido nuevo a través de la API de IndexNow, ya que la IA generativa valora especialmente el contenido actual, también para contrastarlo con los datos de entrenamiento de los LLM. Es decir, Microsoft ha confirmado oficialmente su uso, mientras que la prueba de Otterly no encontró ningún efecto positivo en Copilot. Esta tensión entre la declaración oficial y el efecto medido es típica del sector.

La consecuencia práctica: la disciplina con Schema compensa sobre todo en el ecosistema de Google y Microsoft. Para el resto de sistemas importa más un texto limpio y bien redactado que el marcado.

NLWeb, MCP y la web agéntica

Más allá de la cuestión actual de las citas, se perfila un papel estructural para Schema.org. La iniciativa NLWeb de Microsoft utiliza Schema.org como base para convertir sitios web en interfaces conversacionales y lo combina con el Model Context Protocol (MCP), el estándar emergente para la comunicación entre agentes de IA y fuentes de datos. La idea: un sitio web estructurado con Schema puede funcionar como un endpoint que un agente de IA consulta directamente.

Esto cobra especial relevancia en el comercio agéntico. Si en el futuro los agentes de IA investigan productos, los comparan e inician procesos de compra, necesitarán datos de productos, precios y disponibilidad legibles por máquinas. Eso es exactamente lo que aporta el marcado Product. Aquí el argumento a favor de Schema se desplaza de la citación a la capacidad transaccional: los datos de producto estructurados se convierten en el requisito para que un agente pueda captar correctamente una oferta y llevarla a un checkout impulsado por IA. Para los proveedores B2B con servicios complejos, es un argumento estratégico para estructurar bien los datos de productos y de la organización, aunque hoy el efecto inmediato en las citas sea reducido.

Qué tipos de Schema cuentan para la visibilidad en IA

No todos los tipos de Schema valen lo mismo. Para la visibilidad en IA y para la conexión con el SEO clásico, son relevantes sobre todo estos tipos y propiedades:

Organization: Define la empresa como entidad, con nombre, logotipo, datos de contacto y perfiles. Con una adopción del 7,16 % según el Web Almanac, es uno de los tipos más frecuentes y la base para entender la entidad.

Person: Describe al autor de un contenido. Un Article remite a esta persona mediante la propiedad author. En schema.org no existe un tipo «Author». Esta vinculación entre contenido y autor refuerza las señales de E-E-A-T (pericia, experiencia, autoridad, confianza). Sobre todo en B2B, una autoría demostrable es un factor diferenciador.

Propiedad sameAs para vincular entidades: No es un tipo propio, sino una propiedad que defines, por ejemplo, en Organization o Person. Conecta tu entidad con referencias de autoridad como Wikidata, LinkedIn o directorios del sector. Estos vínculos ayudan a las máquinas a resolver la identidad sin ambigüedad y a anclarla en el grafo de entidades.

FAQPage: Estructura preguntas y respuestas de forma legible por máquinas. Su utilidad es discutida, porque muchos sistemas de IA leen el texto visible de todos modos, pero el formato obliga a responder las preguntas con claridad, lo que facilita la extracción por parte de la IA.

Article y Product: Identifican, respectivamente, contenidos editoriales y ofertas. El marcado Product es la base del comercio agéntico; el marcado Article ayuda a clasificar el contenido especializado.

Lo decisivo no es la cantidad de tipos, sino que sean correctos y coherentes con el contenido visible.

Schema frente a contenido: qué marca realmente la diferencia

Si te tomas en serio la visibilidad en IA, tienes que fijar bien las prioridades. El estudio GEO de Princeton ofrece la orientación más importante para ello. Muestra que GEO puede aumentar hasta un 40 % la visibilidad de una fuente en las respuestas generativas, y que las palancas más fuertes se basan en el contenido: citar fuentes, añadir estadísticas, incluir citas textuales, además de la autoridad y la claridad lingüística, no el marcado técnico.

Esto coincide con los estudios sobre Schema. Mientras que en las pruebas de Ahrefs y Otterly Schema mostró, en el mejor de los casos, efectos marginales y contradictorios, el contenido verificable y bien estructurado aumenta de forma medible la probabilidad de ser citado. La consecuencia práctica es clara: primero el contenido, el marcado como amplificador.

Pero ambos se complementan. El front-loading, es decir, colocar la afirmación clave justo al principio de una sección, facilita la extracción por parte de los sistemas RAG. Además, Schema puede etiquetar de forma inequívoca ese contenido bien estructurado. Si primero construyes una página bien argumentada, respaldada con datos y fuentes, y después la anotas correctamente con Schema, aprovechas ambas palancas en el orden correcto.

Errores frecuentes con Schema para IA

Un marcado deficiente o mal aplicado hace más daño que bien. Estos errores son especialmente frecuentes:

Marcado sin respaldo en el contenido visible: Un Schema que declara información que no es visible en la página infringe las directrices de Google y puede dar lugar a acciones manuales. El marcado y el texto visible deben coincidir.

Ver Schema como sustituto del contenido: Los estudios dejan claro que el marcado no salva un contenido débil. Si apuestas por el marcado FAQPage pero no das respuestas con sustancia, no ganas nada.

Falta de vinculación de entidades: Un marcado Organization sin referencias sameAs deja la entidad aislada. Sin conexión con referencias de autoridad, la resolución automática de la identidad sigue siendo débil.

Datos desactualizados o erróneos: Precios incorrectos, horarios antiguos o errores de sintaxis en el JSON-LD minan la confianza y pueden impedir que el contenido aparezca en resultados enriquecidos y respuestas de IA. Schema necesita mantenimiento.

Confundir llms.txt con datos estructurados: Algunos equipos invierten en llms.txt y descuidan Schema. Como los crawlers de IA ignoran llms.txt en gran medida, mientras que los datos estructurados se procesan de forma amplia, esta priorización está al revés.

Medición y herramientas para la visibilidad en IA

Sin medición, cualquier estrategia de Schema es pura especulación. Hay tres niveles relevantes:

Validación de Schema: La prueba de resultados enriquecidos de Google y el Schema.org Validator comprueban si el marcado es sintácticamente correcto y si Google puede procesarlo. Es el control técnico básico antes de cada despliegue.

Tráfico de referencia desde IA en GA4: Las visitas procedentes de ChatGPT, Perplexity o Copilot se pueden aislar en GA4 mediante las fuentes de referencia y grupos de canales propios. Así ves cuánto tráfico y qué conversiones vienen realmente de los sistemas de IA. El dato de Visibility Labs, una tasa de conversión del 1,81 % en el tráfico de ChatGPT, demuestra que esta separación merece la pena.

Monitorización de menciones de marca y citas: Herramientas como Otterly, Ahrefs Brand Radar y Semrush registran cuándo y cómo se cita una marca en las respuestas de IA. En el contexto de GEO, las menciones de marca suelen contar más que los backlinks clásicos, porque los sistemas de IA reconocen y recomiendan marcas como entidades, incluso sin una fuente que enlace.

Lo importante es elegir la métrica correcta: los efectos de Schema se ven sobre todo en los resultados enriquecidos de Google y en AI Overviews, no en las citas de ChatGPT. Si mides el éxito del marcado por las menciones en ChatGPT, estás midiendo en el lugar equivocado.

Contexto DACH y lecturas complementarias

Para el mercado B2B austriaco, el grado de madurez en IA es decisivo. Según Statistik Austria, el 20 % de las empresas austriacas con 10 o más empleados utilizó tecnologías de IA en 2024, frente a algo menos del 11 % el año anterior, lo que equivale casi a duplicarse en un año. Según la misma encuesta, el uso es mayor en el sector de información y comunicación, con un 61 %. Entre las empresas que utilizan IA, el 65 % la emplea para el reconocimiento y procesamiento de texto y el 41 % para la generación de lenguaje. Por tanto, el público objetivo del B2B austriaco trabaja cada vez más con modelos de lenguaje, lo que aumenta la importancia de los contenidos legibles para la IA.

De ahí se deriva la recomendación central para los proveedores B2B: construye primero contenidos verificables y bien estructurados, con estadísticas, fuentes y las afirmaciones clave al principio. Después, anótalos de forma coherente con JSON-LD en el head, con especial atención a Organization, Person (vinculada al artículo mediante la propiedad author) y la propiedad sameAs, para que tu entidad quede anclada sin ambigüedad en el grafo. Valida el marcado con la prueba de resultados enriquecidos, mantenlo actualizado y mide por separado en GA4 el tráfico de referencia desde IA. Así, Schema no es una promesa de crecimiento en citas de IA, sino una infraestructura sólida y a largo plazo para el ecosistema de Google y Microsoft y una preparación para una web agéntica en la que los datos legibles por máquinas se convierten en la base del negocio.