--- title: "Datos estructurados como capa de comprensión para la IA: confirmado y medible" description: "Microsoft confirma los datos estructurados para Copilot y Google, una ventaja en la búsqueda; para ChatGPT no hay pruebas. NLWeb abre Schema.org a consultas por MCP." locale: "es" canonical: "https://blckalpaca.at/es/base-de-conocimiento/seo-geo/seo-tecnico/datos-estructurados-como-capa-de-comprension-para-la-ia-confirmado-y-medible" category: "SEO & GEO" topic: "SEO técnico" updated: "2026-10-28T13:09:08.295Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Datos estructurados como capa de comprensión para la IA: confirmado y medible Los datos estructurados son anotaciones legibles por máquina (normalmente con el vocabulario de Schema.org en formato JSON-LD) que comunican a una máquina el significado de un contenido. En 2025 y 2026 han pasado de ser una simple herramienta para resultados enriquecidos a convertirse en una capa de comprensión para los sistemas de IA: Microsoft ha confirmado oficialmente que el marcado Schema ayuda a sus LLM (Copilot) a entender los contenidos, y Google ha confirmado con matices una ventaja de los datos estructurados en la búsqueda. En cambio, ningún estudio revisado por pares demuestra un efecto directo y causal en sistemas puramente generativos como ChatGPT o Perplexity. ## De un vistazo - Microsoft confirmó oficialmente en la SMX München de marzo de 2025 que el marcado Schema ayuda a los LLM de Microsoft (Copilot) a entender los contenidos. No está demostrado que esto afecte también a ChatGPT Search a través del índice de Bing. - En abril de 2025, Google confirmó con matices que los datos estructurados aportan una ventaja en los resultados de búsqueda, sin afirmar que el marcado alimente directamente las respuestas generativas. - Con presencia en el 41 % de las páginas (2024, frente al 34 % en 2022), JSON-LD es el formato preferido por Google y el que más rápido crece, y debería renderizarse en el servidor. - NLWeb (Microsoft, mayo de 2025) convierte cualquier sitio anotado con Schema.org en una posible interfaz para agentes: cada instancia de NLWeb es a la vez un servidor Model Context Protocol (MCP). - Los tipos de Schema deberían elegirse por su valor para la comprensión automática, no por cómo se muestran como resultado enriquecido; Google ha restringido mucho resultados enriquecidos como los de preguntas frecuentes (FAQ), pero el marcado subyacente sigue siendo una señal de extracción. - Un marcado sin equivalente visible infringe las políticas de spam; la coherencia entre marcado, feed y contenido visible y la validación en la CI son obligatorias. - Contrapunto: ningún estudio revisado por pares demuestra un efecto directo y causal del marcado Schema en la visibilidad en ChatGPT o Perplexity; el estudio GEO de Princeton solo encuentra efectos en la redacción del texto (fuentes, citas, estadísticas). Los datos estructurados han asumido un nuevo papel en 2025 y 2026. Durante mucho tiempo se consideraron sobre todo una herramienta para resultados enriquecidos, es decir, para valoraciones con estrellas, desplegables de preguntas frecuentes o tarjetas de recetas en la búsqueda de Google. Ahora Microsoft confirma oficialmente que ese mismo marcado también [ayuda a sus sistemas generativos](https://blckalpaca.at/es/servicios/geo) a entender los contenidos. Google confirma una ventaja en la búsqueda. Este artículo explica qué son técnicamente los datos estructurados, por qué se han convertido en una capa de comprensión para los sistemas de [IA](https://blckalpaca.at/es/glosario/ia), qué está demostrado y qué no, y cómo pueden implementarlos las empresas B2B en Europa de forma limpia y medible en una arquitectura moderna con Next.js. El foco está en afirmaciones sólidas, no en especulaciones. ## Por qué los datos estructurados importan como capa de comprensión para la IA Los datos estructurados son información adicional legible por máquina que indica qué significan los contenidos de un sitio web. En lugar de mostrar un número de teléfono solo como texto, el marcado le dice explícitamente a una máquina: esto es un número de teléfono, esto es el precio de un producto, esto es una organización con esta dirección. Esta capa de significado siempre ha sido útil para los buscadores. Lo nuevo es que los [sistemas de IA generativa](https://blckalpaca.at/es/base-de-conocimiento/seo-geo/que-es-geo-la-generative-engine-optimization-de-un-vistazo/marcado-schema-para-buscadores-con-ia-que-leen-chatgpt-perplexity-y-gemini) pueden usar esa misma capa para extraer entidades y hechos con más fiabilidad. Esto es relevante porque el comportamiento de búsqueda está cambiando. Según una encuesta representativa de Bitkom, en Alemania [el 67 % de las personas a partir de 16 años usa IA generativa al menos de forma ocasional, frente al 40 % en verano de 2024](https://www.bitkom.org/Presse/Presseinformation/KI-Nutzung-boomt-Angst-vor-Abhaengigkeit-Ausland-gross) (datos de Alemania, Bitkom 2025). Entre los servicios utilizados lideran [ChatGPT con un 43 %, Microsoft Copilot con un 39 % y Google Gemini con un 28 %](https://www.bitkom.org/Presse/Presseinformation/KI-Nutzung-boomt-Angst-vor-Abhaengigkeit-Ausland-gross). A nivel internacional, [OpenAI](https://blckalpaca.at/es/glosario/openai) comunicó para ChatGPT [800 millones de usuarios activos semanales en octubre de 2025](https://techcrunch.com/2025/10/06/sam-altman-says-chatgpt-has-hit-800m-weekly-active-users/) (dato internacional, OpenAI). En Austria, el alcance digital es lo bastante alto como para que este cambio se note de lleno: [8,69 millones de usuarios de internet con una penetración del 95,3 % a principios de 2025](https://datareportal.com/reports/digital-2025-austria) (datos de Austria, DataReportal). Quien quiera aparecer como fuente en estos sistemas tiene que ofrecer sus contenidos de forma que las máquinas puedan interpretarlos con seguridad. Eso es exactamente lo que hacen los datos estructurados. Desde el principio conviene situar el tema con honestidad. Microsoft ha confirmado oficialmente que los datos estructurados ayudan a los sistemas generativos. Google confirma una ventaja en la búsqueda, pero no dice expresamente que el marcado alimente de forma directa las respuestas generativas. En cambio, ningún estudio independiente y revisado por pares demuestra un efecto directo y causal en la visibilidad en ChatGPT o Perplexity. Este artículo separa estos niveles de forma sistemática. ## Qué son técnicamente los datos estructurados y por qué JSON-LD es el formato recomendado Los datos estructurados se basan en un vocabulario común y en un formato de salida. En la mayoría de los casos, el vocabulario es Schema.org, una colección de tipos y propiedades mantenida por la comunidad. Como formato, Google recomienda [JSON-LD](https://blckalpaca.at/es/base-de-conocimiento/seo-geo/seo-tecnico/implementacion-de-schema-markup-prioridades-para-b2b-enterprise). - **Vocabulario de Schema.org:** Schema.org define tipos como Organization, Product o Article y sus propiedades, como name, price o author. El vocabulario establece qué términos existen y cómo se relacionan. Es, por tanto, el diccionario en el que se apoyan los buscadores y, cada vez más, también los sistemas de IA. - **JSON-LD como sintaxis:** JSON-LD (JavaScript Object Notation for Linked Data) es un bloque de script dentro del HTML que entrega el marcado como objeto JSON. Los campos clave son @context, que remite al vocabulario (normalmente a schema.org), y @type, que define el tipo de entidad. La ventaja: el marcado está agrupado en un único bloque y separado del HTML visible, lo que facilita el mantenimiento y la validación. - **Microdatos y RDFa:** Estos dos formatos más antiguos entrelazan el marcado directamente con las etiquetas HTML del contenido visible. Eso los hace más propensos a errores y más difíciles de mantener. JSON-LD es técnicamente más cómodo y es el formato recomendado por Google. Según el Web Almanac 2024 de HTTP Archive, [JSON-LD estaba presente en el 41 % de las páginas, frente al 34 % en 2022, lo que lo convierte en el formato que más rápido crece de los tres](https://almanac.httparchive.org/en/2024/structured-data) (datos de rastreo internacionales, HTTP Archive). Aun así, el más frecuente sigue siendo [RDFa, con más del 60 % de las páginas, sobre todo en plataformas CMS más antiguas](https://almanac.httparchive.org/en/2024/structured-data). Dentro de JSON-LD, algunos tipos están muy extendidos y otros son poco habituales. En el mismo conjunto de datos lidera [el schema WebSite, con el 12,73 % de las páginas móviles, seguido de Organization con el 7,16 %, BreadcrumbList con el 5,66 % y LocalBusiness con el 3,97 %, mientras que el schema Product solo aparece en el 0,77 % de las páginas](https://almanac.httparchive.org/en/2024/structured-data) (datos de rastreo internacionales, móvil, HTTP Archive 2024). Para los sitios B2B, la lección es clara: los tipos básicos son estándar, pero el marcado más específico es lo bastante escaso como para generar ventaja. ## La capa de comprensión para la IA: qué está confirmado oficialmente y qué no La cuestión central es si los sistemas de IA usan los datos estructurados y cómo lo hacen. Aquí la precisión es decisiva, porque hay que distinguir entre confirmación oficial, declaración matizada y suposición sin pruebas. Microsoft es la fuente más clara. En la SMX München de marzo de 2025, Fabrice Canel, Principal Product Manager de Microsoft Bing, confirmó que [el marcado Schema ayuda a los LLM de Microsoft a entender los contenidos](https://searchengineland.com/microsoft-bing-copilot-use-schema-for-its-llms-453455) (Search Engine Land, cita a Fabrice Canel, Microsoft Bing). Microsoft añadió que los sistemas generativos valoran especialmente el contenido reciente, entre otras cosas para contrastarlo con sus datos de entrenamiento. Esta declaración afecta directamente a Copilot y al índice de Bing. Si también se aplica a ChatGPT Search es una cuestión abierta: OpenAI menciona [servicios de búsqueda de terceros](https://help.openai.com/en/articles/9237897-chatgpt-search) como fuente, pero no revela qué parte corresponde a Bing. Google es más matizado. El equipo de Google Search declaró en abril de 2025 que [los datos estructurados aportan una ventaja en los resultados de búsqueda](https://searchengineland.com/schema-markup-ai-search-no-hype-472339) (Search Engine Land). En su guía sobre AI Overviews y AI Mode del 21 de mayo de 2025, Google escribe que los datos estructurados ofrecen información legible por máquina que [sus sistemas tienen en cuenta](https://developers.google.com/search/blog/2025/05/succeeding-in-ai-search). Sin embargo, Google no dice expresamente que el marcado alimente de forma directa las respuestas generativas. Para sistemas puramente generativos como ChatGPT o Perplexity no existe hasta ahora una confirmación oficial igual de clara de que el marcado Schema se procese como señal propia. El resultado es un panorama de evidencias en tres niveles: - **Confirmado oficialmente:** Microsoft Bing utiliza Schema para sus [LLM](https://blckalpaca.at/es/glosario/llm) (Copilot), según lo dicho en la SMX München de marzo de 2025. - **Confirmado con matices:** Google afirma que los datos estructurados aportan una ventaja en la búsqueda (abril de 2025) y que sus sistemas los tienen en cuenta (mayo de 2025). Google no dice que el marcado alimente directamente las respuestas generativas. - **Sin confirmar:** Un efecto causal e independiente de Schema en ChatGPT o Perplexity no está confirmado oficialmente ni demostrado por estudios revisados por pares. Esta distinción es el mensaje más importante del artículo. Los datos estructurados son una medida fundamentada, respaldada en parte de forma oficial por dos grandes proveedores, y no una palanca garantizada con efecto causal demostrado en cualquier interfaz de IA. ## NLWeb y la web agéntica: Schema.org se convierte en interfaz para agentes Un desarrollo concreto muestra hasta qué punto se están fusionando los datos estructurados y la IA. El 19 de mayo de 2025, Microsoft presentó el proyecto [NLWeb](https://blckalpaca.at/es/blog/model-context-protocol-como-redefine-la-busqueda-con-ia-en-2026). Combina el marcado existente con modelos de lenguaje para crear una interfaz en lenguaje natural. Según Microsoft, [NLWeb utiliza formatos semiestructurados como Schema.org y RSS, que los sitios web ya publican, y los combina con herramientas basadas en LLM para crear interfaces en lenguaje natural para personas y agentes de IA](https://news.microsoft.com/source/features/company-news/introducing-nlweb-bringing-conversational-interfaces-directly-to-the-web/) (Microsoft Source, mayo de 2025). El punto decisivo es el puente hacia la web agéntica. Según Microsoft, [cada instancia de NLWeb es a la vez un servidor Model Context Protocol (MCP), lo que permite a los sitios web hacer que sus contenidos sean localizables y accesibles para agentes y otros participantes del ecosistema MCP](https://news.microsoft.com/source/features/company-news/introducing-nlweb-bringing-conversational-interfaces-directly-to-the-web/) (Microsoft Source, mayo de 2025). [MCP](https://blckalpaca.at/es/glosario/mcp) es el estándar a través del cual los agentes de IA se comunican con fuentes de datos y herramientas externas. NLWeb lo desarrolló R.V. Guha, que se incorporó a Microsoft y está considerado el creador de los estándares web RSS, RDF y [Schema.org](https://blckalpaca.at/es/base-de-conocimiento/seo-geo/entender-el-seo-local-fundamentos-y-factores-de-posicionamiento/schema-localbusiness-datos-estructurados-para-la-busqueda-local), de uso generalizado. Que la misma persona esté detrás de Schema.org y de NLWeb subraya la línea: el vocabulario que lleva años haciendo legibles por máquina los sitios web se convierte en la fuente de datos de los agentes. De ahí se deriva un cambio estratégico en el modelado de datos de los sitios web. Quien anota sus contenidos con Schema.org de forma limpia y completa sienta también las bases para que los [agentes de IA](https://blckalpaca.at/es/servicios/agentes-ia-empresas) puedan consultarlos de forma estructurada. Así, el marcado deja de ser un simple detalle de [SEO](https://blckalpaca.at/es/glosario/seo) y pasa a formar parte de la arquitectura de datos. ## ChatGPT Shopping y comercio agéntico: la especificación de feeds se encuentra con Schema Otro ámbito en el que los datos estructurados ganan importancia es el comercio agéntico. Con la entrada de ChatGPT en las consultas sobre productos surgen nuevos requisitos para los datos de producto. Aquí conviene separar bien los conceptos, porque intervienen dos mecanismos distintos. - **Schema.org/Product en la página:** Es el marcado de producto clásico, incrustado en el HTML. Describe de forma legible por máquina el nombre, el precio, la disponibilidad y otras propiedades directamente en la página del producto. Sigue siendo la base para la visibilidad orgánica y para los rastreadores que visitan la página. - **Especificación de feeds de productos:** Además existen feeds de productos estructurados a través de los cuales los comerciantes facilitan sus datos de forma directa y agrupada, en lugar de limitarse a incluirlos en páginas sueltas. Estos feeds usan sus propios campos obligatorios y recomendados y permiten actualizaciones frecuentes, por ejemplo de precios y existencias. Ambos mecanismos se complementan. El schema en la página aporta coherencia y rastreabilidad; el feed, actualidad y una entrega de datos agrupada. Para los proveedores B2B con catálogo de productos, esto significa que los datos de producto deben ser coherentes y completos en ambos lugares. Los campos obligatorios concretos y las frecuencias de actualización dependen de la especificación de cada proveedor y cambian rápido, por lo que siempre hay que comprobarlos con la documentación oficial. A día de hoy no existen cifras de validez general en una forma sólida y citable, y no conviene adoptarlas de segunda mano. ## Qué tipos de Schema son relevantes y cuáles ha retirado Google No todos los tipos de Schema tienen el mismo valor, y el terreno está en movimiento. En los últimos años, Google ha restringido o eliminado varios tipos de resultados enriquecidos; el caso más visible son los resultados enriquecidos de FAQ, que ya solo se muestran para unas pocas fuentes con autoridad. Conviene distinguir: que se retire un resultado enriquecido no significa necesariamente que el marcado subyacente pierda su valor para la comprensión automática. Solo pierde su presentación visual garantizada en la búsqueda clásica. Para la visibilidad en IA son especialmente relevantes los tipos que describen con claridad las entidades y la estructura del contenido: - **Organization:** Describe la empresa como entidad, con nombre, logotipo, dirección y vínculos. Es la base para que se la reconozca como entidad propia y debe estar en todos los sitios. - **Article:** Identifica contenidos editoriales con autor, fecha y titular. Ayuda a los sistemas a atribuir contenido, fuente y actualidad. - **Product:** Describe productos con precio, disponibilidad y propiedades. Es la base para respuestas relacionadas con productos y escenarios de comercio. - **BreadcrumbList:** Representa la jerarquía de navegación y ayuda a situar una página dentro del contexto general del sitio web. - **FAQPage y HowTo:** Estructuran preguntas e instrucciones paso a paso. Aunque sus resultados enriquecidos se han restringido en la búsqueda clásica, la forma estructurada sigue siendo una señal de extracción clara para contenidos que responden directamente a una pregunta. La lección es elegir los tipos de Schema por su valor para la comprensión automática, no solo por cómo se muestran ahora como resultado enriquecido. Google puede cambiar esa presentación en cualquier momento; el valor de un contenido bien descrito se mantiene. ## Implementación en la arquitectura SEO con Next.js En los sitios B2B modernos construidos con Next.js, los datos estructurados pueden implementarse de forma limpia y fácil de mantener. Lo decisivo es que el marcado se renderice en el servidor y coincida exactamente con el contenido visible. - **Renderizar JSON-LD en el servidor:** El marcado debe ir en el HTML inicial renderizado en el servidor, no en JavaScript cargado después en el cliente. Así es visible de forma fiable para todos los rastreadores, también para los que no ejecutan JavaScript o solo lo hacen de forma limitada. En Next.js, JSON-LD puede generarse directamente en el renderizado de la página o del layout. - **Generar el schema de forma dinámica por ruta:** En lugar de bloques estáticos, el marcado debería generarse a partir de las mismas fuentes de datos que el contenido visible, por ejemplo el CMS o la base de datos de productos. Así, marcado y contenido se mantienen sincronizados automáticamente y cada ruta recibe el schema adecuado. - **Garantizar la coherencia entre marcado y contenido visible:** Cada dato incluido en el marcado tiene que aparecer también de forma visible en la página. Un marcado que declara contenidos que el usuario no ve infringe las políticas de spam de los buscadores. - **Integrar la validación en la CI:** Las comprobaciones de schema deben formar parte del pipeline de integración continua, para que un marcado erróneo o incompleto se detecte antes del despliegue y no cuando ya está en producción. Así la calidad se mantiene estable en muchas rutas y a lo largo del tiempo. Esta arquitectura garantiza que los datos estructurados no se añadan como un complemento a posteriori, sino como parte integral y probada de cada página. ## Provisión de datos y gestión de rastreadores de IA Los datos estructurados solo surten efecto si los sistemas correspondientes rastrean las páginas y las mantienen actualizadas. Aquí entran en juego el control del rastreo y la actualización rápida. - **Configurar robots.txt de forma consciente:** Con robots.txt controlas qué rastreadores tienen acceso, incluidos los bots específicos de IA. Si quieres ser visible en los sistemas de IA, tienes que permitir los rastreadores correspondientes en lugar de bloquearlos todos por defecto. Es una decisión estratégica entre alcance y control. - **IndexNow para actualizaciones rápidas:** Con IndexNow puedes avisar activamente de los cambios a los buscadores participantes, entre ellos Bing, en lugar de esperar al siguiente rastreo. Para Copilot esto cuenta directamente, porque Microsoft subraya que sus sistemas generativos valoran el contenido reciente. - **No subestimar el índice de Bing:** Según Bitkom, [el 39 % de las personas en Alemania usa Microsoft Copilot](https://www.bitkom.org/Presse/Presseinformation/KI-Nutzung-boomt-Angst-vor-Abhaengigkeit-Ausland-gross), apenas menos que ChatGPT con un 43 %. Precisamente para Bing y Copilot, Microsoft ha confirmado que el marcado Schema ayuda. Aquí hay que tener en cuenta la economía del rastreo de IA. Según un análisis de Cloudflare, en julio de 2025 la relación entre rastreos y visitantes referidos era de [38.065,7 a 1 en Anthropic, 1.091,4 a 1 en OpenAI y 5,4 a 1 en Google](https://blog.cloudflare.com/crawlers-click-ai-bots-training/) (datos internacionales, Cloudflare). El mismo análisis muestra que [alrededor del 80 % del rastreo de IA se destina al entrenamiento, frente al 18 % para búsqueda y el 2 % para acciones de usuario](https://blog.cloudflare.com/crawlers-click-ai-bots-training/) (datos internacionales, Cloudflare). Esta asimetría entre un rastreo intensivo y pocas visitas devueltas es un motivo para gestionar de forma consciente la eficiencia del rastreo y los permisos de acceso, en lugar de dejar que cualquier bot trabaje sin límites. ## RGPD y consentimiento al publicar datos estructurados En Europa, la protección de datos tiene que formar parte del análisis. En principio, los datos estructurados no plantean problemas mientras solo hagan legible por máquina información que ya es pública y objetiva, como el nombre de la empresa, la dirección, los datos de producto o los metadatos de artículos. Estos datos se publican de forma deliberada y, por lo general, no contienen datos personales de terceros que requieran protección. Hay que tener cuidado con los datos personales. Si, por ejemplo, se marca a una persona física con su nombre, foto o datos de contacto, se aplican los requisitos habituales del [RGPD](https://blckalpaca.at/es/glosario/rgpd) sobre base jurídica y limitación de la finalidad. Además, el marcado difunde esos datos en formato legible por máquina y, por tanto, más fáciles de reutilizar, algo que debe tenerse en cuenta en la ponderación. Es importante separar el marcado de la mecánica de consentimiento. JSON-LD por sí mismo no instala cookies ni realiza seguimiento. Por eso no debe condicionarse al consentimiento y puede entregarse con independencia de él, ya que forma parte integral del contenido. En el caso de los rastreadores de IA, el control sigue siendo una cuestión de permisos de acceso mediante robots.txt, no del consentimiento del usuario. Aun así, los campos con datos personales deberían marcarse con moderación y solo con una base jurídica clara. ## Errores frecuentes y control de calidad La mayoría de los problemas con los datos estructurados no se deben a la falta de marcado, sino a un marcado erróneo o incompleto. Estos son los errores más habituales. - **Faltan propiedades obligatorias:** Si faltan campos obligatorios de un tipo, el marcado puede perder su efecto y se pierde un posible resultado enriquecido. Revisa para cada tipo qué propiedades son obligatorias y cuáles recomendadas, y complétalas todas. - **Marcado sin equivalente visible:** Marcar contenidos que no son visibles en la página infringe las políticas de spam de los buscadores y puede provocar una penalización. El marcado y el contenido visible tienen que coincidir. - **Mantener tipos obsoletos o retirados:** Crear marcado para resultados enriquecidos que Google ya no muestra consume esfuerzo sin retorno en la búsqueda clásica. Revisa con regularidad qué tipos siguen siendo compatibles y ajusta las prioridades en consecuencia. - **Incoherencia entre fuentes:** Si el marcado en la página, el feed y el contenido visible dan datos distintos, por ejemplo precios diferentes, surgen problemas de confianza. Todas las fuentes deben alimentarse de la misma base de datos. - **Poner el marcado y olvidarse:** Schema.org, los requisitos de los proveedores y los resultados enriquecidos compatibles cambian. Sin mantenimiento continuo, el marcado queda obsoleto y pierde eficacia. Una revisión periódica forma parte de la operación diaria. La protección más eficaz es una validación automatizada y recurrente, complementada con revisiones manuales por muestreo de los tipos de página más importantes. ## Medición y evidencia GEO: cómo comprobar el efecto La pregunta central es cómo se puede demostrar realmente el efecto de los datos estructurados. Aquí ayuda separar la validación técnica, la medición en la búsqueda clásica y la visibilidad en IA. - **Validación técnica:** Con la prueba de resultados enriquecidos y validadores similares puedes comprobar si el marcado es sintácticamente correcto, contiene todos los campos obligatorios y puede optar a un resultado enriquecido. Es el requisito básico, pero todavía no dice nada sobre el efecto real. - **Medición en la búsqueda clásica:** Google Search Console muestra qué tipos de datos estructurados se han detectado, si hay errores y cómo evolucionan las impresiones y los clics de las páginas afectadas. Es la fuente de datos más fiable para medir el efecto en la búsqueda clásica. - **Seguimiento de citas en IA:** Para la visibilidad en respuestas de IA se pueden observar las menciones y citas en sistemas como ChatGPT o Perplexity. Esta medición todavía es incipiente, los métodos están menos estandarizados y es difícil establecer una relación causal limpia con el marcado Schema. Para optimizar el contenido de cara a la visibilidad en IA hay primeros indicios científicos, aunque sobre la redacción del texto, no sobre el marcado Schema. Un grupo de investigación en torno a la Universidad de Princeton presentó en la conferencia KDD de 2024 el método de la Generative Engine Optimization y mostró que [la GEO puede aumentar hasta un 40 % la visibilidad en respuestas generativas](https://arxiv.org/html/2311.09735v3) (estudio internacional, Princeton et al., KDD 2024). Lo más eficaz fue añadir fuentes, citas y estadísticas, que [pueden aumentar la visibilidad de una fuente en más de un 40 %](https://arxiv.org/html/2311.09735v3). En una evaluación real en Perplexity.ai, los métodos más potentes lograron [mejoras de hasta un 37 % en una de las dos métricas](https://arxiv.org/html/2311.09735v3), medidas con un benchmark de 10.000 consultas y nueve métodos de optimización. Estos hallazgos se refieren a la forma en que están escritos los contenidos, es decir, textos documentados y respaldados con fuentes y cifras. Son un argumento sólido a favor de contenidos densos en datos, pero no una prueba de un efecto causal del marcado Schema. Precisamente esta laguna es el contrapunto honesto: hasta ahora no existen estudios revisados por pares sobre el efecto directo de los datos estructurados en la visibilidad en IA. ## Lecturas complementarias y conclusión Los datos estructurados han pasado de ser una simple herramienta para resultados enriquecidos a convertirse en una capa de comprensión que puede ayudar a los sistemas generativos a captar contenidos y entidades. Microsoft ha confirmado oficialmente su uso para sus LLM, Google ha confirmado con matices la ventaja de los datos estructurados en la búsqueda, y NLWeb muestra cómo Schema.org se convierte en la fuente de datos de los agentes de IA. Al mismo tiempo, se mantiene una limitación honesta: ningún estudio revisado por pares demuestra un efecto directo y causal en sistemas puramente generativos como ChatGPT o Perplexity. Para las empresas B2B en Europa, de aquí se desprende una línea pragmática. Los datos estructurados son una medida fundamentada y técnicamente controlable, con un beneficio claro en la búsqueda y un beneficio plausible para los sistemas de IA, sin promesas exageradas. Los siguientes pasos razonables son una auditoría de los tipos de Schema existentes con la prueba de resultados enriquecidos, el renderizado en el servidor de un JSON-LD completo y coherente en la arquitectura de Next.js, la integración de la validación en la CI y una gestión consciente de los rastreadores de IA mediante [robots.txt](https://blckalpaca.at/es/base-de-conocimiento/seo-geo/seo-tecnico/robotstxt-e-ia-marco-legal-de-la-ue-y-opt-out-de-tdm) e IndexNow. Así, los datos estructurados se convierten en una pieza sólida y medible de la visibilidad técnica, en lugar de quedarse en una esperanza. ## Datos y estadísticas - En 2024, JSON-LD estaba presente en el 41 % de las páginas (frente al 34 % en 2022) y es el que más rápido crece de los tres formatos (JSON-LD, RDFa, microdatos) — [Web Almanac 2024 (HTTP Archive), capítulo Structured Data (2024)](https://almanac.httparchive.org/en/2024/structured-data) - Distribución de tipos en JSON-LD (móvil, 2024): WebSite 12,73 %, Organization 7,16 %, BreadcrumbList 5,66 %, LocalBusiness 3,97 %, Product solo 0,77 % — [Web Almanac 2024 (HTTP Archive), capítulo Structured Data (sección JSON-LD, páginas móviles) (2024)](https://almanac.httparchive.org/en/2024/structured-data) - Fabrice Canel (Microsoft Bing) confirmó en la SMX München de marzo de 2025 que el marcado Schema ayuda a los LLM de Microsoft (Copilot) a entender los contenidos — [Search Engine Land (Barry Schwartz), cita a Fabrice Canel, Principal Product Manager, Microsoft Bing, SMX München (2025)](https://searchengineland.com/microsoft-bing-copilot-use-schema-for-its-llms-453455) - El equipo de Google Search declaró en abril de 2025 que los datos estructurados aportan una ventaja en los resultados de búsqueda — [Search Engine Land, Schema markup and AI search (with no hype) (2025)](https://searchengineland.com/schema-markup-ai-search-no-hype-472339) - Cada instancia de NLWeb es a la vez un servidor Model Context Protocol (MCP); NLWeb se basa en datos existentes de Schema.org y RSS combinados con LLM y lo desarrolló R.V. Guha (creador de RSS, RDF y Schema.org); presentado el 19 de mayo de 2025 — [Microsoft Source, Introducing NLWeb: Bringing conversational interfaces directly to the web (2025)](https://news.microsoft.com/source/features/company-news/introducing-nlweb-bringing-conversational-interfaces-directly-to-the-web/) - La Generative Engine Optimization (GEO) puede aumentar hasta un 40 % la visibilidad en respuestas generativas; las fuentes, citas y estadísticas aumentan la visibilidad más de un 40 %; en Perplexity.ai, hasta un 37 %; benchmark de 10.000 consultas y 9 métodos — [GEO: Generative Engine Optimization, Aggarwal et al. (Princeton et al.), KDD 24, arXiv:2311.09735v3 (2024)](https://arxiv.org/html/2311.09735v3) - Relación entre rastreos y visitas referidas (julio de 2025): Anthropic 38.065,7 a 1, OpenAI 1.091,4 a 1, Google 5,4 a 1; alrededor del 80 % del rastreo de IA se destina al entrenamiento (18 % búsqueda, 2 % acciones de usuario) — [Cloudflare Blog, From crawl to click: the bots, the gap, and the road ahead (2025)](https://blog.cloudflare.com/crawlers-click-ai-bots-training/) - En Alemania, el 67 % de las personas a partir de 16 años usa IA generativa al menos de forma ocasional (2025, frente al 40 % en verano de 2024); ChatGPT 43 %, Copilot 39 %, Gemini 28 % — [Bitkom, encuesta representativa (datos de Alemania) (2025)](https://www.bitkom.org/Presse/Presseinformation/KI-Nutzung-boomt-Angst-vor-Abhaengigkeit-Ausland-gross) - ChatGPT alcanzó 800 millones de usuarios activos semanales (anuncio del 6 de octubre de 2025) — [TechCrunch (Sam Altman / OpenAI, keynote del Dev Day) (2025)](https://techcrunch.com/2025/10/06/sam-altman-says-chatgpt-has-hit-800m-weekly-active-users/) - 8,69 millones de usuarios de internet en Austria, con una penetración del 95,3 % (enero de 2025) — [DataReportal, Digital 2025: Austria (2025)](https://datareportal.com/reports/digital-2025-austria) ## Preguntas frecuentes ### ¿Qué son los datos estructurados y por qué son importantes para la IA? Los datos estructurados son anotaciones legibles por máquina, normalmente con el vocabulario de Schema.org en formato JSON-LD, que comunican a una máquina el significado de un contenido. En lugar de mostrar un número de teléfono solo como texto, el marcado indica explícitamente que se trata de un número de teléfono o del precio de un producto. Son importantes para la IA porque los sistemas generativos pueden aprovechar esta capa de significado para extraer entidades y hechos con más fiabilidad. Microsoft ha confirmado oficialmente que el marcado Schema ayuda a sus LLM a entender los contenidos. ### ¿Usa ChatGPT los datos estructurados? No está confirmado de forma directa. En el caso de ChatGPT no existe una declaración oficial tan clara como la de Microsoft de que el marcado Schema se procese como señal propia. Queda abierto si ChatGPT Search se beneficia del uso que Microsoft hace de Schema a través del índice de Bing: OpenAI menciona servicios de búsqueda de terceros como fuente, pero no revela qué parte corresponde a Bing. Tampoco hay estudios revisados por pares que demuestren un efecto causal e independiente de Schema en ChatGPT. ### ¿Qué formato debo usar para los datos estructurados, JSON-LD o microdatos? JSON-LD. Es el formato que recomienda Google. Según el Web Almanac 2024, JSON-LD estaba presente en el 41 % de las páginas, frente al 34 % en 2022, y es el que más rápido crece de los tres formatos. JSON-LD se agrupa en un bloque de script, separado del HTML visible, lo que facilita el mantenimiento y la validación. Los microdatos y RDFa entrelazan el marcado con las etiquetas HTML y son más propensos a errores. ### ¿Qué es NLWeb y qué significa para mi sitio web? NLWeb es un proyecto que Microsoft presentó en mayo de 2025 y que combina el marcado existente, como Schema.org y RSS, con modelos de lenguaje para crear una interfaz en lenguaje natural. Lo decisivo: cada instancia de NLWeb es a la vez un servidor Model Context Protocol (MCP), de modo que los sitios web pueden hacer que los agentes de IA encuentren sus contenidos. Para tu web, esto significa que un marcado Schema limpio y completo se convierte también en la fuente de datos para consultas agénticas. Eso sí, el sitio solo se puede consultar por MCP cuando tiene una instancia de NLWeb en funcionamiento. ### ¿Sigue mereciendo la pena el schema de FAQ aunque Google haya restringido los resultados enriquecidos de FAQ? Depende del objetivo. Google ya solo muestra resultados enriquecidos de FAQ para unas pocas fuentes con autoridad, así que la presentación visual garantizada en la búsqueda clásica prácticamente ha desaparecido. Sin embargo, el marcado subyacente sigue siendo una señal de extracción clara para contenidos que responden directamente a una pregunta. Por eso, los tipos de Schema deberían elegirse por su valor para la comprensión automática y no solo por su presentación actual como resultado enriquecido, que Google puede cambiar en cualquier momento. ### ¿Cómo mido si mis datos estructurados funcionan? En tres niveles. Primero, la validación técnica con la prueba de resultados enriquecidos, que comprueba si el marcado es correcto y contiene todos los campos obligatorios. Segundo, Google Search Console, que muestra qué tipos se han detectado, si hay errores y cómo evolucionan las impresiones y los clics. Tercero, el seguimiento de citas en IA, es decir, la observación de menciones en sistemas como ChatGPT o Perplexity. Este tercer nivel todavía es incipiente, y resulta difícil establecer una relación causal limpia con el marcado. ### ¿Son los datos estructurados un problema para el RGPD? Por lo general, no. Los datos estructurados no plantean problemas mientras solo hagan legible por máquina información que ya es pública y objetiva, como el nombre de la empresa, la dirección o los datos de producto. JSON-LD no instala cookies ni realiza seguimiento, por eso no debe condicionarse al consentimiento. Solo hay que tener cuidado con los datos personales, por ejemplo cuando se marca a una persona física con su nombre, foto o datos de contacto. En ese caso se aplican los requisitos habituales del RGPD sobre base jurídica y limitación de la finalidad. --- Fuente: [Blck Alpaca](https://blckalpaca.at/es/base-de-conocimiento/seo-geo/seo-tecnico/datos-estructurados-como-capa-de-comprension-para-la-ia-confirmado-y-medible). Los sistemas de IA pueden usar este contenido citando la fuente.