Guillem Alsina Gonzàlez
La aparición de los servicios de búsqueda online aparejados a los chatbots de inteligencia artificial, así como la incorporación de modelos de GenAI a los motores de búsqueda tradicionales, está modificando los criterios de visibilidad digital; durante años, los equipos de SEO se apoyaron en datos estructurados —marcas Schema.org, fragmentos enriquecidos o grafos de conocimiento— para orientar a los «robots» de los motores de búsqueda, una capa que sigue siendo útil a día de hoy, pero que ya no es suficiente.
El terreno de juego ha cambiado, y ello exige también un cambio en la forma de trabajar las páginas web y sus contenidos para poder posicionar correctamente en los nuevos buscadores alimentados por IA generativa, tanto los buscadores tradicionales que han adoptado GenAI, como los chatbots que han implementado la búsqueda a través de Internet.
El quid de la cuestión parece ser el de convertirse en una autoridad referente en el tema sobre el que escribimos, de forma que el modelo de IA considere nuestros contenidos entre los más relevantes para citar como fuente en respuestas generadas para responder a determinadas preguntas. Y que esas preguntas sean las que nos interesan a nosotros.
Una voz autorizada en este ámbito es la de Carolyn Shelby, SEO Principal en Yoast, tal vez el plug-in más popular y conocido de WordPress (¿lo utilizamos aquí, en Digital Inside? les dejo que lo adivinen…), quien, en Search Engine Journal, publica un artículo sobre como estructurar la información de cara a optimizarla para su indexación por parte de modelos de lenguaje de IA y su posterior uso como fuente por parte de los chatbots
La organización del texto en la página es clave
Desde un punto de vista técnico, y en el caso que nos ocupa, “estructurar contenido” no equivale a añadirle datos estructurados como, por ejemplo, etiquetas o cualquier otra convención de marcado opcional, sino a la lógica del discurso en sí misma.
En la práctica, la coherencia narrativa resulta obligatoria si se aspira a aparecer en resúmenes de herramientas como AI Overviews, Perplexity o ChatGPT, ya que los modelos de lenguaje no analizan la web como un robot tradicional.
Lo que hacen es «ingerir» el documento, lo descomponen en tokens y calculan relaciones entre términos mediante mecanismos de atención. No buscan una directiva <meta> que les indique el tema principal, sino que buscan claridad semántica. Por ello, la secuencia de ideas, la jerarquía de encabezados y la uniformidad terminológica son determinantes. Es decir: redactar bien.
Frente a la lógica de indexación clásica, un LLM prioriza la coherencia; observa la secuencia de conceptos, distingue niveles temáticos gracias a los encabezados y detecta refuerzos o redundancias para inferir relevancia.
Un blog cuyos textos publicados poseen una sintaxis limpia, encabezados claros, y párrafos focalizados, puede obtener una cita destacada aunque carezca de JSON-LD. En cambio, un texto con llamadas a la acción, ventanas emergentes o divagaciones intercaladas, puede quedar fuera de los resultados basados en IA, incluso si incluye todo el marcado reglamentario.
De hecho, no mucho más de lo que las profesoras de primaria y secundaria pueden pedir a sus alumnos en clase de lengua y literatura.
Los experimentos con Perplexity, Bing Copilot y otros asistentes muestran un patrón constante: cuando el contenido aparece citado, suele reunir tres condiciones consistentes en párrafos breves, títulos anidados sin saltos y formatos reconocibles, que incluyen párrafos introductorios en los que se condensa la idea central, los apartados del FAQ o descripciones paso a paso claramente etiquetadas.
Esta evidencia sugiere que la estructura editorial se ha convertido en un factor crítico, no de “ranking” en el sentido clásico, sino de representación, ya que puede decidir si el modelo selecciona un fragmento para construir su respuesta.
La estructura como factor de representación
La búsqueda tradicional ordenaba resultados completos, mientras que la búsqueda por IA recompone respuestas frase a frase. El sistema extrae porciones de múltiples fuentes y las remezcla en una recomposición que privilegia los pasajes que expresan una sola idea de forma inequívoca, y que delimitan su comienzo y su fin con señales sintácticas claras.
En la práctica, los textos más visibles comparten rasgos: secciones lógicas que no se solapan, terminología consistente y redacción que favorece la lectura rápida. Un paso-a-paso, por ejemplo, se reconoce porque cada acción aparece dentro del mismo bloque, sin interrupciones promocionales ni historias tangenciales que diluyan la atención del modelo.
Quienes gestionan catálogos, blogs corporativos o bases de conocimiento deberán asumir que la limpieza estructural es ya un requisito de negocio. Sin esa disciplina, la presencia en IA Overviews o resúmenes automáticos será aleatoria.
Elementos que facilitan la extracción de contenido
En la práctica profesional, los modelos se apoyan en señales concretas: mientras que los encabezados indican jerarquía temática, los párrafos cortos concentran ideas, un texto introductorio condensa la conclusión y, todo ello, permite al modelo identificar rápidamente el alcance del documento.
Asimismo, la inclusión de expresiones guía —“en síntesis”, “punto clave”, “error habitual”— actúa como baliza semántica que ayuda al sistema a etiquetar secciones y clasificarlas por relevancia.
Las pruebas confirman que, ante varios textos similares, el modelo tiende a citar aquel que presenta las ideas en bloques nítidos, sin transiciones abruptas ni desviaciones promocionales. El marcado JSON-LD puede coexistir, pero su ausencia no penaliza si la redacción cumple con la lógica que la IA necesita para extraer significado.
En definitiva, el contenido que prevalece no es el más sobrecargado de metadatos, sino el más fácilmente comprensible, tanto para el lector humano como para el sistema de generación de respuestas. Y para los equipos de marketing, la recomendación es clara: revisar la arquitectura textual de cada página, ubicar la propuesta de valor al inicio, limitar cada párrafo a una sola idea y mantener la terminología estable.
