Si solo vas a quedarte con una conclusión, que sea esta: utiliza JSON-LD si quieres que los motores de IA interpreten y citen tu contenido con claridad. Expresar el mismo marcado de schema.org mediante Microdata o RDFa no hará que Google lo rechace, pero obligará al rastreador de IA a recomponer en una sola entidad los atributos repartidos por todo el HTML. Cada paso adicional aumenta el riesgo de que un dato se omita o se interprete mal.
Los tres formatos describen el mismo vocabulario
Empecemos por aclarar una confusión habitual: JSON-LD, Microdata y RDFa no son tres sistemas rivales, sino tres sintaxis para incorporar el vocabulario de schema.org en una página web. Las entidades que se marcan son las mismas: Organization, Product, Article, FAQPage y HowTo pertenecen al mismo vocabulario. Lo único que cambia es dónde se colocan sus atributos y cómo se expresan. Schema.org admite oficialmente los tres formatos y Google puede interpretar cualquiera de ellos. Por tanto, no se trata de averiguar cuál funciona, sino cuál facilita más la lectura automática.
La diferencia fundamental: cómo se integran los datos estructurados con el HTML
La diferencia decisiva entre los tres formatos es el grado de dependencia entre los datos estructurados y el HTML. Microdata incorpora el marcado directamente en los elementos HTML: utiliza los atributos itemscope, itemtype e itemprop para añadirlo, capa por capa, a etiquetas como div, span y h1. RDFa parte de la misma lógica, pero emplea atributos como vocab, typeof y property para añadir semántica a las etiquetas existentes; ofrece una expresión más completa, aunque con una sintaxis más extensa. JSON-LD adopta el enfoque opuesto: representa toda la entidad como un objeto JSON independiente, dentro de una etiqueta script de tipo application/ld+json, separado del HTML visible.
- JSON-LD: objeto JSON autónomo y concentrado en una etiqueta script. Al estar desacoplado del diseño, es el formato más fácil de mantener y gestionar mediante código, además de ser la opción que Google prefiere claramente.
- Microdata: incorpora atributos como itemscope e itemprop en el HTML visible. El marcado queda ligado al contenido y puede romperse con facilidad al modificar el diseño.
- RDFa: integra atributos como vocab, typeof y property. Es el formato con mayor capacidad de expresión semántica y el más próximo al ideal de datos enlazados del W3C, pero también tiene la sintaxis más pesada y propensa a errores.
Por qué los rastreadores de IA prefieren JSON-LD
JSON-LD simplifica el trabajo de los rastreadores de IA por una razón muy concreta: cada entidad es un objeto JSON completo, con sus campos, valores y relaciones anidadas reunidos en un mismo bloque. Al procesarlo, el analizador obtiene directamente un árbol de objetos limpio, sin necesidad de volver a recorrer todo el DOM. Con Microdata y RDFa, en cambio, la máquina debe examinar primero el HTML completo, recopilar uno por uno los atributos distribuidos entre distintas etiquetas y reconstruir después la entidad según sus relaciones jerárquicas. Cuanto más compleja sea la página y más profundo su diseño, mayor será el riesgo de cometer errores durante esa reconstrucción.
Hay otros dos factores prácticos que amplían esta diferencia. El primero es el renderizado con JavaScript: muchos rastreadores de IA ejecutan JS con más cautela que Googlebot. Si el framework de frontend inserta Microdata dinámicamente en el DOM, es posible que el marcado aún no exista cuando se rastree la página. En cambio, lo habitual con JSON-LD es generar el bloque completo en el servidor para que esté disponible desde el primer momento. El segundo factor es el coste de mantenimiento. JSON-LD concentra todo en un solo lugar: para añadir una nueva FAQPage o cambiar el precio de un producto basta con modificar un fragmento JSON, sin afectar al diseño. Con el marcado integrado en el HTML, cada actualización obliga a comprobar de nuevo si algún atributo se ha movido o eliminado.
¿Siguen teniendo sentido Microdata y RDFa?
Esto no significa que Microdata y RDFa sean incorrectos. Si utilizas un CMS antiguo o una plantilla de comercio electrónico, es probable que el marcado estructurado incluido sea Microdata; si funciona correctamente, no es necesario cambiarlo. RDFa sigue aportando valor cuando es preciso expresar datos enlazados complejos entre distintos vocabularios, por ejemplo en datos gubernamentales abiertos o publicaciones académicas. Sin embargo, cuando el objetivo concreto es conseguir que los motores de IA citen el contenido, sus ventajas apenas resultan útiles y sus limitaciones cobran más peso.
Antes de migrar a JSON-LD, evita estos errores
- El marcado no coincide con el contenido visible: la valoración, el precio y el autor incluidos en JSON-LD deben corresponder con lo que ve el usuario; de lo contrario, el marcado podría considerarse spam.
- El script existe, pero faltan campos obligatorios: si Product no incluye name u offers, o si las preguntas de FAQPage no tienen sus respuestas correspondientes, la máquina puede omitir la entidad completa.
- No se utiliza @id para conectar las entidades: cuando Organization, WebSite y Article están relacionados, establecer referencias mediante @id permite que la IA construya un mapa de conocimiento de marca más completo.
- Se publica sin validar: comprobar el marcado con la prueba de resultados enriquecidos de Google o el validador de schema.org es mucho más rápido que descubrir los errores más tarde en Search Console.
Hay un principio importante que suele pasarse por alto: los datos estructurados no sirven para engañar a la máquina, sino para ayudarla a confirmar lo que interpreta en la página. El enfoque más sólido consiste en hacer que JSON-LD refleje fielmente el contenido visible. Solo debe incluirse en el marcado aquello que aparece en pantalla, y todo lo declarado en el marcado debe poder encontrarse en la página. Esa coherencia es la base sobre la que un motor de IA decide si una página es fiable y merece ser citada.
Los datos estructurados no convierten una página sin contenido sustancial en una fuente digna de citar. Su verdadera función es evitar que una página relevante quede fuera porque las máquinas no consiguen interpretarla.— Tenten GEO Technical Audit Team
Cómo revisar tu sitio web
Para evaluar tu propio sitio web, empieza por tres preguntas: ¿qué formato utilizan las páginas principales?, ¿se ha marcado alguna entidad más de una vez?, ¿coinciden los campos de JSON-LD con el contenido visible? En muchos sitios B2B SaaS, los datos estructurados se han ido acumulando a lo largo del tiempo y a través de distintos proveedores. Por eso es habitual encontrar formatos mezclados y campos incompletos. Para los motores de IA, esas carencias son motivos para pasar por alto una página. Si quieres saber cómo ven tu sitio los rastreadores de IA y qué entidades no están detectando, puedes solicitar un diagnóstico GEO de 30 minutos: revisaremos directamente una de tus páginas reales contigo.
