Structured data para IA: schema que funciona - Ighenatt Blog

Los modelos de IA generativa no solo leen texto. Cuando procesan una página para decidir si citarla como fuente, buscan señales estructuradas que confirmen la fiabilidad de lo que encuentran: quién es el autor, cuándo se publicó, qué organización respalda el contenido. Sin schema markup, esas inferencias las tiene que hacer el modelo solo a partir del HTML. Con schema, no hay ambigüedad.

El structured data no es una novedad. Hemos implementado Article schema, FAQPage y Organization en cientos de proyectos durante años para mejorar rich snippets en resultados tradicionales. Lo que ha cambiado es que ahora ese mismo marcado es uno de los factores que Google cita explícitamente al explicar cómo sus sistemas de IA evalúan y seleccionan contenido para los AI Overviews.

No es una garantía de aparecer en las respuestas generadas. Pero reducir la ambigüedad semántica sí aumenta la probabilidad de que tu contenido sea seleccionado como fuente frente a páginas equivalentes sin marcado.

Structured data y visibilidad ante los motores de IA

Un modelo de lenguaje puede leer y comprender texto libre, pero el schema markup le proporciona metadatos explícitos que eliminan la necesidad de inferir. Cuando tu página incluye Article schema con autor, fecha y organización, la IA no necesita deducir esos datos del HTML: los tiene en formato procesable.

Esta diferencia es relevante porque los motores de IA evalúan la fiabilidad de las fuentes antes de citarlas. Un artículo con autoría clara (declarada en schema), fecha de publicación verificable y organización editora identificada es más confiable para el modelo que un artículo sin esos metadatos, incluso si el contenido textual es idéntico.

El 68% de los resultados enriquecidos en Google provienen de páginas con JSON-LD implementado. JSON-LD es el formato recomendado por Google por su limpieza (no se mezcla con el HTML del contenido) y por su facilidad de mantenimiento. Microdata y RDFa siguen siendo válidos, pero JSON-LD domina las implementaciones modernas.

Los tipos de schema que más valoran los motores de IA generativa

No todos los tipos de schema tienen el mismo impacto en la visibilidad ante motores de IA. Según análisis de BrightEdge y nuestra experiencia en optimización para IA generativa, estos son los tipos con mayor correlación:

La combinación Article + FAQPage es la más efectiva para contenido informacional. Article aporta el contexto editorial que la IA necesita para evaluar la fiabilidad, y FAQPage estructura las respuestas en formato directamente extraíble.

Article schema: cómo implementarlo correctamente para GEO

Article schema es la base para cualquier página de contenido editorial. Los campos que más influyen en la evaluación por parte de los motores de IA son:

• author: nombre completo del autor con enlace a su página de perfil. Si el autor tiene un perfil verificado en Google Scholar o LinkedIn, enlazarlo refuerza la señal de expertise.
• datePublished y dateModified: la frescura del contenido es un factor de selección para AI Overviews. Un artículo actualizado recientemente tiene ventaja sobre uno publicado hace años sin modificaciones.
• publisher: la organización que respalda el contenido, con logo y URL. Esto conecta el artículo con la reputación del dominio.
• headline: debe coincidir exactamente con el H1 visible de la página. Las discrepancias entre schema y contenido visible son una señal negativa.

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Título exacto del H1",
  "author": {
    "@type": "Person",
    "name": "Nombre del Autor",
    "url": "https://ejemplo.com/autor/"
  },
  "datePublished": "2026-03-06",
  "dateModified": "2026-03-06",
  "publisher": {
    "@type": "Organization",
    "name": "Ighenatt",
    "logo": { "@type": "ImageObject", "url": "https://ighenatt.es/logo.png" }
  }
}

El campo dateModified es especialmente relevante: cuando actualizas un artículo con datos nuevos, actualizar esta fecha señala frescura tanto a Google como a los modelos de IA que priorizan información reciente.

FAQPage schema: las preguntas que responde la IA vienen de aquí

FAQPage schema tiene una relación directa con AI Overviews porque estructura la información exactamente como los LLMs la procesan: en pares de pregunta y respuesta.

Cuando Google genera un AI Overview para una consulta tipo pregunta, busca fuentes que contengan respuestas estructuradas. Si tu página tiene FAQPage schema con preguntas relevantes para esa consulta, la IA puede extraer la respuesta directamente del schema y citarte como fuente.

Las reglas para una implementación efectiva son claras:

• Cada pregunta del schema debe ser visible en la página como texto. Si el usuario no puede ver la pregunta, Google considerará el schema engañoso.
• Las respuestas deben ser concisas pero completas. Entre 40 y 150 palabras es el rango óptimo para citabilidad.
• Las preguntas deben formularse como las formularía un usuario real. Herramientas como “People Also Ask” de Google o Answer the Public ayudan a identificar las formulaciones más frecuentes.

Un error frecuente es marcar con FAQPage schema las preguntas de una sección comercial (“¿Cuánto cuestan vuestros servicios?”). Google distingue entre preguntas informacionales genuinas y preguntas promocionales, y penaliza las segundas.

HowTo schema: instrucciones paso a paso que la IA cita directamente

Para contenido instructivo, HowTo schema es el tipo más relevante. Estructura cada paso con nombre, descripción, imagen (opcional) y posición, permitiendo que los motores de IA extraigan instrucciones secuenciales con precisión.

Un aspecto técnico importante: cada paso (HowToStep) debe ser autocontenido. La IA puede citar un solo paso o un subconjunto de pasos, así que cada uno necesita tener sentido por sí mismo sin depender del contexto de los pasos anteriores.

Los campos que maximizan la citabilidad son:

• name: título corto del paso (5-10 palabras)
• text: descripción completa de lo que hay que hacer
• url: enlace al ancla del paso en la página (facilita la navegación directa)
• estimatedCost y totalTime: datos adicionales que la IA puede incluir en sus respuestas

HowTo schema funciona especialmente bien para consultas tipo “cómo hacer X” o “pasos para Y”, que son el tipo de consulta donde AI Overviews tiene mayor presencia.

Para validar que tu implementación es correcta, utiliza el Rich Results Test de Google. Este validador verifica tanto la sintaxis del JSON-LD como la coherencia con las directrices de Google para cada tipo de schema.

Preguntas frecuentes sobre structured data y GEO

¿El schema markup garantiza que apareceré en AI Overviews?

No. El schema facilita la comprensión del contenido por parte de los sistemas de IA, pero la aparición en AI Overviews depende de múltiples factores: relevancia, autoridad, calidad del contenido y señales de E-E-A-T. El schema es una señal más, no una garantía.

¿Puedo usar múltiples tipos de schema en una misma página?

Sí. Google recomienda implementar todos los tipos de schema relevantes para cada página. Una página de blog puede tener simultáneamente Article, FAQPage y BreadcrumbList. La combinación más efectiva para contenido informacional es Article + FAQPage.

¿Google verifica el schema antes de usarlo en respuestas de IA?

Google valida que el schema sea técnicamente correcto y que represente fielmente el contenido de la página. Si detecta discrepancias entre el schema y el contenido real (por ejemplo, FAQ markup en una página sin preguntas visibles), puede ignorar o penalizar el schema.

Un schema incorrecto o incompleto no solo pierde la ventaja de la citación por IA, sino que puede contradecir el contenido visible y generar señales negativas ante Google. Valida siempre con el Rich Results Test antes de publicar. Si necesitas una auditoría de tus datos estructurados o quieres diseñar una estrategia de schema orientada a SEO técnico y GEO, habla con nuestro equipo.