Schema markup para la web agéntica

El marcado Schema está en el centro del debate actual de SEO y GEO. Google y Bing afirman usar datos estructurados para AI Overviews; ChatGPT los incorpora en recomendaciones de productos. El schema supera las funciones clásicas de SERP: se convierte en infraestructura de la web agéntica, donde los sistemas de IA leen contenidos en nombre de los usuarios y cada vez más los interpretan y actúan sobre ellos.

Para los agentes de IA no basta comprender texto. Deben evaluar relaciones, relevancia y confianza y decidir si el contenido es recomendable o accionable. El marcado Schema aporta señales legibles por máquina. La estructura clara también reduce costes de procesamiento: analizar HTML no estructurado es más caro para los grandes modelos lingüísticos que entidades bien definidas, sobre todo con ventanas de contexto limitadas y costes de inferencia al alza. Los sitios fáciles de evaluar se convierten en la vía de menor resistencia para los agentes.

Marcado Schema en la web agéntica

En la búsqueda clásica, el schema impulsa la visibilidad mediante resultados enriquecidos y ayuda a los buscadores a asignar entidades al índice y al knowledge graph. Los agentes van más allá: comprueban si la información es actual, coherente y accionable—para reservas, comparaciones o asesoramiento de compra. Quien solo ofrece prosa obliga a los sistemas a adivinar; quien tipifica con Schema.org reduce malentendidos.

No se limita a grandes catálogos. Editores, proveedores de servicios y medios se benefician cuando artículos, FAQs, personas y organizaciones están tipados con claridad. Lo decisivo es la coherencia entre contenido visible y marcado: las contradicciones entre HTML y JSON-LD erosionan la confianza de rastreadores y agentes.

NLWeb y la infraestructura detrás

El schema es la base; la iniciativa open source NLWeb de Microsoft se apoya en ella. NLWeb pretende convertir sitios en superficies de IA consultables: usuarios y agentes formulan preguntas en lenguaje natural y reciben respuestas estructuradas sin recorrer cada página. El schema describe qué hay en una URL; NLWeb permite la interacción directa—como preguntar por una mesa para cuatro a las 19:00 en lugar de leer solo un menú estático.

NLWeb está ligado a R. V. Guha, recientemente CVP y technical fellow en Microsoft y cocreador de estándares web como RSS, RDF y Schema.org. Que el mismo arquitecto impulse el vocabulario de datos estructurados y un protocolo para consultas agénticas refuerza la estrategia: reutilizar formatos existentes, no sustituirlos.

NLWeb combina Schema.org, RSS y herramientas basadas en LLM. No exige reconstruir todo el stack de contenido, sino una base de schema fiable sobre la que apoyar capas conversacionales.

Tipos de datos estructurados que usa NLWeb

Los bloques siguen tipos consolidados de Schema.org—Organization, Product, Article, FAQPage, Event o LocalBusiness, según el modelo de negocio. Cuanto más completos estén los campos obligatorios (nombre, descripción, precio, disponibilidad, autor, fecha), más deterministas pueden ser las respuestas de los agentes. Los atributos obligatorios ausentes conducen a recomendaciones genéricas o inexistentes en superficies de IA.

Pensar SEO, GEO y AI Overviews juntos

GEO y SEO clásico comparten la misma base de datos. Quien quiera visibilidad en AI Overviews y respuestas generativas debe tratar los datos estructurados como parte de la estrategia de contenido, no como un añadido puramente técnico. Eso incluye IDs de entidad coherentes, breadcrumb e ItemList limpios y schema FAQ o HowTo donde se respondan preguntas reales.

• Inventario: ¿Qué tipos de página generan ingresos, leads o alcance y dónde falta marcado?
• Validación: pruebas de resultados enriquecidos y Search Console para errores y avisos.
• Coherencia: texto visible, metadatos y JSON-LD deben transmitir los mismos hechos.
• Monitorización: visibilidad en AI Overviews, tráfico de referencia desde fuentes de IA y rutas de conversión.

Implementación técnica sin sobreingeniería

JSON-LD en el head o antes del cierre del body sigue siendo el estándar pragmático para la mayoría de equipos: versionable, testeable y separable de plantillas. Microdatos o RDFa siguen siendo posibles pero aumentan errores en CMS. Definid responsabilidades entre SEO, desarrollo y redacción: ¿quién mantiene campos de producto, datos de eventos y documentación de tipos de entidad?

Los dominios grandes se benefician de un playbook central de schema: tipos permitidos por plantilla, mapeo desde el CMS, reglas para marcado fino en URLs noindex y pasos de migración al cambiar plantillas. Así escala la calidad cuando NLWeb u interfaces agénticas similares entran en producción.

Escollos frecuentes

El marcado generado automáticamente sin control editorial crea duplicados y entidades erróneas. Estrellas sin reseñas reales, AggregateRating inventados o schema Product en páginas de categoría incumplen directrices y perjudican a largo plazo. Los agentes ponderan la coherencia en el tiempo; correcciones frecuentes en Search Console son una señal temprana.

El rendimiento también cuenta: JSON-LD abundante en cada URL aumenta el peso del HTML. Priorizad plantillas de alta intención y desplegad schema por fases en lugar de tipificar cada enlace del pie.

La web agéntica como próximo canal de visibilidad

La web agéntica desplaza la pregunta de «¿Ranking en posición tres?» a «¿Puede un sistema seleccionar y reutilizar nuestro contenido con fiabilidad?». El schema no garantiza citas en ChatGPT o Copilot, pero es un bloque necesario—como el HTML limpio para rastreadores en los 2000. Los equipos que mantienen datos estructurados hoy construyen la interfaz que los agentes de mañana usarán para comparar productos, reservar citas o preparar solicitudes de soporte.

Si seguís NLWeb e iniciativas similares, empezad pilotos en conjuntos acotados de URLs: hubs de FAQ, productos clave o áreas de soporte con alto potencial de automatización. Medid si las respuestas estructuradas reducen errores en pruebas internas antes de invertir en todo el sitio. Así el marcado Schema queda ligado a objetivos GEO: no un tema futuro teórico, sino un requisito operativo de visibilidad donde los usuarios abren cada vez más asistentes de IA en lugar de SERPs clásicas.