Empecemos por la conclusión: cuando ChatGPT o Perplexity responden «¿Cuánto cuesta este producto, está disponible y cuáles son sus especificaciones?», casi nunca obtienen la respuesta de la composición visual de la página, sino de Product Schema. Sin estos datos estructurados, la IA debe deducir el precio y el inventario a partir de textos dispersos. Si se equivoca, puede presentar como hechos ante clientes potenciales que comparan opciones un precio de hace tres meses o indicar que un producto sigue «agotado» aunque ya se haya repuesto.
El problema es especialmente grave en B2B y, sobre todo, en SaaS. Los planes cambian, los precios se ajustan y quizá las cifras de la página solo se actualicen una vez por trimestre. Si la instantánea capturada por la IA no indica con claridad hasta cuándo es válido un precio, el modelo no podrá saber cuándo caduca y seguirá utilizándolo. Product Schema permite especificar en un campo inequívoco qué cifra debe considerar válida la máquina, sin dejar que el modelo la deduzca por su cuenta.
Por qué los motores de IA aprovechan especialmente bien los datos estructurados
Los motores de IA no leen una página web como una persona. Nosotros recurrimos a la tipografía y a la jerarquía visual para localizar lo importante; el modelo busca hechos que pueda extraer limpiamente como «sujeto, atributo y valor». Product Schema utiliza JSON-LD para expresar el nombre del producto, la marca, el SKU, el precio, la moneda y la disponibilidad mediante pares de clave y valor. Es casi como entregar la respuesta directamente al modelo, sin obligarlo a deducirla de un párrafo. Cuando dos fuentes ofrecen especificaciones distintas, suele imponerse la que aporta datos estructurados coherentes. JSON-LD se prefiere a Microdata porque concentra la información estructurada en un bloque de script, separado del HTML de presentación, lo que reduce el riesgo de dañarla al modificar la página. También es la opción prioritaria en la documentación oficial de Google y Bing.
Plantilla mínima funcional de Product Schema
A continuación tienes la versión más reducida que puedes copiar y publicar. Incluye este JSON en una etiqueta script con el tipo application/ld+json dentro de la página de producto y sustituye los valores correspondientes. Estos son los campos que la IA consulta con mayor frecuencia: nombre, marca, precio, moneda, inventario y periodo de validez del precio. Si vendes suscripciones SaaS, cambia @type de Product a SoftwareApplication; offers se define de la misma manera.
Campo por campo: ¿qué datos consulta realmente la IA?
- name: nombre oficial del producto. Debe coincidir con el título principal de la página y no incluir eslóganes publicitarios. La IA lo utilizará directamente como «nombre del producto» al citarlo.
- brand: objeto que identifica la marca y cuyo @type debe ser Brand. En un contexto B2B, este campo es esencial para que la IA determine a quién pertenece el producto.
- sku y gtin: identificadores únicos. El SKU sirve como referencia interna; si existe un GTIN, la IA puede utilizarlo para comparar información entre sitios y determinar si se trata del mismo producto.
- price y priceCurrency: deben ir en campos separados. price solo admite cifras (39000; no escribas NT$39,000 ni añadas separadores de miles), mientras que priceCurrency utiliza el código ISO 4217: TWD para el dólar de Taiwán y USD para el dólar estadounidense.
- availability: el estado del inventario debe expresarse con un valor enumerado de schema.org, como https://schema.org/InStock, OutOfStock o PreOrder. No escribas por tu cuenta una expresión como «disponible».
- priceValidUntil: fecha hasta la que el precio es válido. Es uno de los campos que más se omiten, aunque resulta especialmente importante en B2B. Sin él, la IA no sabrá cuándo deja de ser válida una cotización.
Precio e inventario: los dos datos que la IA cita mal con mayor frecuencia
Cuando el precio es incorrecto, en el 90% de los casos el problema está en el formato. price solo puede contener una cifra. Si se introduce como una cadena con el símbolo de la moneda o un separador de miles, el análisis falla y la IA puede omitir toda la oferta, como si no estuviera marcada. Los errores de inventario suelen aparecer cuando cambia la interfaz, pero el esquema no se actualiza: retiras el producto desde el sistema de gestión y la página lo muestra como agotado, mientras que los datos estructurados siguen indicando InStock. Esta incoherencia no solo induce a error a la IA; Google también puede considerarla engañosa y reducir la visibilidad del producto. La solución práctica es generar price, availability y priceValidUntil dinámicamente a partir de la base de datos de productos, en lugar de introducirlos manualmente en la plantilla. Así, cualquier cambio de precio o inventario se sincroniza automáticamente con el esquema.
¿Conviene añadir valoraciones y reseñas?
aggregateRating y review pueden aumentar la probabilidad de que el contenido sea citado y aportar prueba social a las respuestas de IA, pero hay dos límites que no deben cruzarse. Primero, las valoraciones de los datos estructurados deben corresponder a reseñas que los usuarios puedan ver en la página. Google prohíbe expresamente incluir puntuaciones solo en el esquema cuando no aparecen en el contenido visible; hacerlo puede provocar una acción manual. Segundo, muchas soluciones SaaS B2B no cuentan con suficientes reseñas públicas, por lo que forzar una puntuación puede generar más riesgos que beneficios. Si no existen reseñas reales, no incluyas ese marcado. Es preferible dedicar el esfuerzo a identificar con claridad las especificaciones, el precio y el inventario: así aumentarán las probabilidades de que la información sea citada.
La IA no citará tu página de producto porque sea más atractiva, sino porque confía en que sus cifras son correctas. Product Schema sirve para que esas cifras fiables sean precisamente las tuyas.— Tenten GEO
Después de publicar, ¿cómo comprobar que la IA haya leído los datos?
- Introduce la URL en la prueba de resultados enriquecidos de Google o en Schema Markup Validator. Comprueba que Product y Offer no presenten errores y que no falte ningún campo obligatorio.
- Consulta los informes relacionados con productos en Search Console para confirmar que Google haya interpretado correctamente los datos y que no existan advertencias.
- Pregunta directamente a la IA: prueba en ChatGPT y Perplexity consultas como «¿Cuánto cuesta el producto
- Repite las pruebas después de cada cambio de precio o inventario para confirmar que los datos estructurados y la información visible de la página se actualicen al mismo tiempo. Esta es la vulnerabilidad más habitual y una de las más fáciles de pasar por alto.
Tres errores que pueden invalidar todo el marcado
- Escribir el precio como una cadena con símbolos (por ejemplo, NT$39,000): el análisis falla y la IA ignora toda la oferta.
- Mostrar información distinta en el esquema y en la página: indicar InStock cuando el producto aparece agotado puede considerarse engañoso.
- Marcar un solo producto cuando la página contiene varios: en una página de comparación de planes o en un listado, utiliza ItemList o define un objeto Product para cada plan.
Alinear Product Schema es una de las medidas con mayor retorno en una implementación técnica de GEO: cuesta poco y permite que la IA utilice casi de inmediato las cifras que has marcado. La dificultad no está en escribir el JSON, sino en garantizar que los datos estructurados de todas las páginas del sitio sean completos, correctos y estén sincronizados con la información visible. Por eso también es uno de los aspectos clave de nuestra revisión página por página durante una auditoría GEO. Si no sabes qué campos faltan o están mal etiquetados en tu página de producto, o quieres comprobar cómo describen actualmente las herramientas de IA tu producto y su precio, puedes solicitar un diagnóstico GEO de 30 minutos. Formularemos preguntas sobre tu producto real para mostrarte las carencias y las correcciones prioritarias.
