La preparación para agentes mide si un agente de IA puede leer, comprender y reformular correctamente una página sin intervención humana. Apenas guarda relación con su atractivo visual y solo coincide en parte con la experiencia de usuario. Un sitio web puede verse impecable y funcionar con fluidez en el navegador, pero convertirse en una maraña de ruido imposible de extraer para agentes como ChatGPT, Perplexity y Claude. Herramientas como isitagentready convierten esa brecha invisible en una puntuación que muestra cuánta información útil sigue percibiendo la máquina.
¿Qué mide exactamente la preparación para agentes?
El SEO tradicional parte de que quien lee es una persona que ve imágenes y contenido en un navegador. La preparación para agentes parte de otra premisa: quien lee es un programa que recibe el código HTML, el texto sin formato y los datos estructurados que devuelve el servidor, no necesariamente la pantalla completa generada con JavaScript. La diferencia es decisiva. Muchos sitios reservan el contenido principal para el renderizado del framework de frontend: las personas lo ven al abrir la página, pero el agente recibe primero una estructura casi vacía. La preparación para agentes mide cuánta información conserva una página cuando solo cuenta con señales legibles por máquina, sin depender del renderizado ni de la interpretación visual humana.
En la práctica, evalúa tres cuestiones: si el contenido puede extraerse correctamente, si la estructura semántica es clara y si la máquina puede determinar de qué trata la página y quién respalda lo que afirma. Las tres influyen tanto en la probabilidad de que un agente cite la página como en que atribuya correctamente la marca, las cifras y las conclusiones. Una cita mal atribuida puede ser peor que no aparecer.
Cómo interpretar la puntuación de isitagentready
isitagentready ofrece una puntuación general y varias comprobaciones específicas. El resultado total no es una métrica de vanidad: refleja la probabilidad de que un agente encuentre información útil al rastrear la página. Una puntuación baja no suele indicar que el contenido esté mal escrito, sino que está presentado de una forma difícil de leer o interpretar para una máquina. Por eso, lo verdaderamente importante es revisar en qué apartados se pierden puntos.
- HTML semántico: ¿La jerarquía de encabezados (de h1 a h3) es correcta? ¿Los párrafos utilizan etiquetas reales en lugar de una sucesión de div anidados?
- Capacidad de extracción del contenido: ¿El texto principal está presente en el HTML inicial o solo aparece después de que JavaScript lo renderiza?
- Datos estructurados: ¿La página incluye marcado de Schema.org (Article, FAQPage, Organization) para que las máquinas puedan interpretar directamente sus campos?
- Accesibilidad en formato de texto: ¿Existe una versión limpia en texto o Markdown, con límites claros entre párrafos?
- Permisos de rastreo: ¿robots.txt y llms.txt bloquean a los agentes de IA o les indican qué contenido pueden rastrear?
- Señales de autoridad: ¿Hay indicadores de confianza que una máquina pueda interpretar, como autoría, fecha de publicación y citas de fuentes?
Ningún apartado se reduce a un simple aprobado o suspenso: hay distintos grados de cumplimiento. Una página puede obtener una puntuación alta gracias a una estructura semántica muy limpia, pero perder puntos si todas las cifras importantes aparecen dentro de imágenes sin una alternativa textual. En ese caso, el agente podrá leer los párrafos, pero no reproducir el dato que más interesa que cite.
Qué ocurre cuando un agente de IA lee una página
Imaginemos que Perplexity recibe una consulta y decide rastrear una página. Envía una solicitud similar a una petición de texto sin formato, recibe el HTML, descarta los estilos y scripts, divide el contenido restante en fragmentos y determina cuál responde a la pregunta. Todo sucede en pocos segundos y nadie interviene para explicarle qué debería decir una imagen. Si la idea principal está oculta en un carrusel, un acordeón o un bloque que exige hacer clic para desplegarse, es muy probable que el agente la pase por alto.
Esto explica un fenómeno habitual: un contenido puede recibir citas cuando se publica con una estructura de artículo limpia y desaparecer al integrarse en componentes interactivos. El agente no avisa del problema; simplemente elige otra fuente.
Errores habituales que restan puntos
Al evaluar la preparación para agentes de los sitios de nuestros clientes, suelen repetirse unos pocos problemas muy concretos:
- El contenido se renderiza mediante JavaScript en el cliente, el HTML inicial está casi vacío y el agente solo encuentra una estructura sin contenido antes de abandonar la página.
- Los estilos visuales sustituyen a los encabezados: se agrandan y ponen en negrita elementos div, pero la máquina no puede reconocer la jerarquía.
- Los datos, las especificaciones y los precios principales están integrados en imágenes, sin una versión equivalente en texto o tabla.
- No hay datos estructurados, o el tipo de Schema se ha configurado de forma incorrecta y no coincide con el contenido visible.
- Las preguntas frecuentes se presentan únicamente como un acordeón visual, sin el marcado FAQPage correspondiente.
- Sin un archivo llms.txt, el agente debe deducir por su cuenta qué páginas conviene rastrear y cuáles debe omitir.
Ninguno de estos problemas exige reescribir el contenido. Son cuestiones estructurales y técnicas relacionadas con la forma de poner el material existente a disposición de las máquinas. Es una buena noticia: la preparación para agentes suele mejorar con pocas optimizaciones de bajo coste, cuyo efecto se refleja directamente en la tasa de citación. Resulta mucho más rentable que reescribir un lote completo de artículos.
¿Qué puntuación basta y cuál es el siguiente paso?
No existe una puntuación mínima universal, pero sí un criterio práctico: si un agente puede consultar únicamente el HTML inicial e identificar quién eres, de qué trata la página, cuáles son las conclusiones y cifras principales y quién las respalda, el sitio está razonablemente preparado. La puntuación sirve para localizar carencias, no para presumir del resultado.
Las prioridades prácticas están claras: primero hay que asegurarse de que el contenido sea legible en el HTML inicial; después, incorporar etiquetas semánticas y una jerarquía correcta de encabezados; a continuación, añadir los datos estructurados adecuados; y, por último, resolver llms.txt y las señales de autoridad. Invertir este orden —acumular numerosos Schema mientras el contenido sigue sin renderizarse— equivale a etiquetar algo que no se puede leer. Si quieres saber cómo ven tu sitio los agentes y qué carencias perjudican más la tasa de citación, puedes solicitar un diagnóstico GEO de 30 minutos. Revisaremos contigo los resultados de una evaluación completa de preparación para agentes.
