Análisis · Implementación técnica
Schema y citas de IA: qué respalda la evidencia
Distingue el JSON-LD web de los grafos de conocimiento empresariales, interpreta los límites del estudio de Ahrefs y elige datos estructurados para un uso documentado.
v1.1 · octubre de 2026 · Tenten GEO Research
CH.01
Empieza por el sistema y el resultado medido
El marcado web, los grafos de conocimiento empresariales y las citas de IA son temas distintos. El resultado de un sistema no establece el efecto de añadir JSON-LD a un sitio público.
Dos estudios originales ilustran la diferencia. data.world probó respuestas a preguntas sobre una base de seguros y un grafo de conocimiento. Ahrefs siguió cambios de citas en páginas que introdujeron JSON-LD. Sus intervenciones, muestras y resultados difieren, por lo que sus cifras no deben combinarse para pronosticar el retorno del schema.
| Investigación | Qué mide | Conclusión | Fuente |
|---|---|---|---|
| Benchmark de data.world, 2023 | Exactitud de ejecución de consultas de base de datos generadas por GPT-4 | 16.7% para SQL; 54.2% para la configuración grafo de conocimiento/SPARQL | 43 preguntas de seguros; no es JSON-LD web |
| Estudio observacional emparejado de Ahrefs, 2026 | Cambio de citas alrededor de la primera detección de JSON-LD | Sin aumento claro; la pequeña caída de AIO no puede atribuirse con certeza al schema | 1.885 páginas y 4.000 controles; páginas ya citadas |
Intervenciones y resultados diferentes; ningún estudio proporciona un multiplicador universal de citas web.
Lo clave de este capítulo
Identifica sistema, intervención y resultado antes de usar un estudio para decidir una implementación.
CH.02
El 16.7% y el 54.2% corresponden a consultas de base de datos
El benchmark de data.world del 13 de noviembre de 2023 pidió a GPT-4 generar consultas SQL o SPARQL sobre un grafo de conocimiento. Evaluó 43 preguntas de seguros. No probó añadir marcado schema.org a una página web.
Exactitud media global de ejecución en el benchmark de data.world
data.world, 2023-11-13, tabla 1
La métrica compara los resultados de consultas generadas con respuestas de referencia. No mide extracción web, adopción de schema.org ni citas de búsqueda con IA.
La configuración del grafo proporcionaba una ontología y correspondencias para los datos empresariales. Ese contexto difiere sustancialmente de publicar un objeto Article u Organization en una página. El estudio no demuestra que JSON-LD impida que un asistente indique mal un precio o autor.
Si operas un sistema interno de preguntas y respuestas, pruébalo con tus propias respuestas de referencia y modelo de datos. Para un sitio público, sigue los requisitos de datos estructurados del sistema previsto y comprueba los hechos renderizados de forma independiente.
Lo clave de este capítulo
Mantén este benchmark en su contexto de base de datos. No justifica una promesa de extracción web ni de citas.
CH.03
Qué puede decirnos el estudio de citas de Ahrefs
Ahrefs observó 1.885 páginas que introdujeron JSON-LD entre agosto de 2025 y marzo de 2026 y las comparó con 4.000 controles. El análisis emparejado encontró una caída relativa del 4.6% en AIO; las estimaciones de AI Mode y ChatGPT no fueron estadísticamente distinguibles de cero.
| Superficie | Estimación publicada | Interpretación | Fuente |
|---|---|---|---|
| Google AI Overviews | -4.6% | Respecto a controles emparejados; otros cambios simultáneos pueden explicar la diferencia | Ahrefs, 11 de mayo de 2026 |
| Google AI Mode | +2.4% | Estadísticamente indistinguible de cero | El mismo análisis emparejado |
| ChatGPT | +2.2% | Estadísticamente indistinguible de cero | El mismo análisis emparejado |
Estimaciones emparejadas de diferencias en diferencias, no un experimento aleatorizado ni una prueba de que el schema causa daño.
Las páginas ya tenían una actividad considerable de citas en AIO. El estudio agrupó tipos de schema, utilizó una ventana de 30 días tras la intervención y no aisló otros cambios simultáneos. No resuelve si un tipo específico ayuda a una página aún no citada o a otro sistema.
Lo clave de este capítulo
No presupuestes un aumento garantizado de citas ni retires marcado útil por la caída publicada. Evalúa el uso documentado y tu propia evidencia.
CH.04
Describe la organización y el autor reales
Organization y Person pueden describir de quién trata una página y quién la escribió. Google documenta Organization para proporcionar detalles administrativos y ayudar a distinguir una organización. No garantiza la inclusión en un grafo de conocimiento ni en una respuesta de IA.
Usa nombre real, URL oficial y relaciones verificables. Un enlace sameAs identifica otra página sobre la misma entidad; no debe sugerir una asociación o identidad inexistente. El marcado debe concordar con el contenido visible.
| Tipo | Describe | Verifica | Límite |
|---|---|---|---|
| Article | Artículo, autor y fechas | Autoría visible y fechas de actualización sustantiva | Sin garantía automática de cita o resultado enriquecido |
| Product / Dataset | Producto o conjunto de datos real | Propiedades aplicables y requisitos que admite el sistema previsto | No inventar precios, reseñas ni datos |
| Person | Una persona identificada | Nombre, autoría y credenciales declaradas | Una propiedad no demuestra que una credencial sea cierta |
| Organization | La organización real | Nombre oficial, URL y enlaces de identidad | Sin inclusión garantizada en panel de conocimiento o citas |
Elige tipos que correspondan al contenido visible y al sistema que los utilizará.
Lo clave de este capítulo
Los datos estructurados describen hechos. Conserva las pruebas de esos hechos en el contenido visible y los registros de fuentes.
CH.05
Asigna la implementación según su finalidad documentada
Empieza por el contenido de la página y el sistema que utilizará el marcado. Prioriza una función de búsqueda admitida, una aclaración de identidad o una discrepancia conocida que puedas verificar.
Google dice que AI Overviews y AI Mode no requieren marcado especial de schema.org. Las páginas siguen necesitando la elegibilidad habitual de Search y de fragmentos. Mantén exactos los datos estructurados útiles, pero no trates tipos adicionales como un atajo hacia la visibilidad IA.
PASO 1
Confirma los hechos visibles
Comprueba nombres, precios, fechas, autores y detalles de productos antes de codificarlos. Corrige la discrepancia factual en su fuente.
PASO 2
Elige un tipo y un sistema compatibles
Lee las propiedades obligatorias y recomendadas actuales del proveedor. Que un tipo exista en el vocabulario no significa que cada buscador ofrezca una función para él.
PASO 3
Mantén una implementación proporcionada
Reutiliza los hechos que el sitio ya mantiene. Evita entidades duplicadas, credenciales inventadas y resultados sin respaldo.
PASO 4
Verifica sintaxis, significado y uso real
Valida el marcado, compáralo con el contenido visible e inspecciona el resultado del sistema previsto. Una sintaxis válida no demuestra indexación ni citas.
| Tu objetivo | El schema que debes hacer | Lo que NO debes hacer | Base |
|---|---|---|---|
| Apoyar una presentación de búsqueda documentada | El tipo pertinente admitido | Inventar datos para completar un campo | Documentación actual del proveedor |
| Aclarar una organización o autor | Relaciones Organization / Person exactas | Afirmar un multiplicador de citas al añadir sameAs | Identidad visible y perfiles verificables |
| Evaluar el rendimiento de citas | Identificar cambios de marcado en el plan de prueba | Tratar una diferencia antes-después sin control como causa | Respuestas registradas, controles y limitaciones |
Define la finalidad y la evidencia de aceptación antes de implementar.
Lo clave de este capítulo
Un cambio útil tiene un sistema previsto claro y una finalidad verificable. Su valor no necesita un multiplicador de citas inventado.
CH.06
Revisa el cambio con la evidencia adecuada
Separa validez de implementación, exactitud factual y resultados de búsqueda. Evita presentar el éxito de un validador como un aumento de negocio o citas.
Elige unas páginas representativas y registra qué cambió. Conserva hechos públicos, marcado generado, validación y fecha de observación para que otra persona pueda reproducir la comprobación.
| Pregunta | Evidencia | Posible problema | Siguiente acción | No inferir |
|---|---|---|---|---|
| ¿Es válido el marcado? | Analizador y validador de la función aplicable | Sintaxis o propiedades obligatorias ausentes | Corregir el error específico | Que la página esté indexada o citada |
| ¿Describe la página visible? | Comparación campo por campo | Hechos obsoletos o entidad equivocada | Reparar la fuente compartida | Que más propiedades sean mejores |
| ¿Lo utiliza el sistema previsto? | Resultado observado y diagnóstico del proveedor | Tipo no admitido o elegibilidad incumplida | Comprobar requisitos documentados | Que un resultado ausente pruebe que el marcado es inútil |
| ¿Cambiaron las citas? | Respuestas repetidas con muestra y fechas | Ruido, cambios de modelo o fuentes competidoras | Comparar con controles y registrar limitaciones | Que solo el marcado haya causado la diferencia |
| ¿Cambiaron los resultados de negocio? | Registros de leads y ventas autorizados | Atribución o cualificación ausentes | Informar de lo observable | Que el número de citas equivalga a ingresos |
Una lista práctica de revisión propuesta por Tenten, no resultados medidos de clientes.
VALIDACIÓN 1
Comprueba los hechos
Si un asistente da mal un precio o autor, inspecciona la fuente citada, el contenido y el contexto de recuperación. La respuesta equivocada por sí sola no diagnostica un defecto de schema.
VALIDACIÓN 2
Comprueba la identidad de forma coherente
Compara nombres de organización y autor entre página visible, marcado y perfiles oficiales. Corrige discrepancias reales sin inventar enlaces ni credenciales.
VALIDACIÓN 3
Investiga cambios de resultados
Registra motor, fecha, prompts y cambios concurrentes. Prueba una explicación concreta antes de atribuir el problema al marcado o a una reescritura.
Mantén la conclusión dentro de la evidencia
Usa marcado exacto para fines documentados. Evalúa los sistemas de grafos de conocimiento en su propio entorno y los cambios de citas con muestras y límites explícitos.
Fuentes y metodología
Fuentes comprobadas el 5 de octubre de 2026. El informe técnico de data.world del 13 de noviembre de 2023 prueba la ejecución de consultas de GPT-4 en SQL y una configuración grafo de conocimiento/SPARQL (43 preguntas de seguros; tabla 1: 16.7% y 54.2%). No es un experimento de schema.org web. https://data.world/mstatic/assets/pdf/kg_llm_accuracy_benchmark_11132023_public.pdf El artículo de Ahrefs del 11 de mayo de 2026 informa de un estudio observacional emparejado de 1.885 páginas que introdujeron JSON-LD y 4.000 controles, con una ventana de 30 días y páginas ya citadas. Los cambios concurrentes y la agrupación de tipos limitan la interpretación causal. https://ahrefs.com/blog/schema-ai-citations/ La guía de implementación sigue la documentación de datos estructurados y funciones de IA de Google, las indicaciones de identidad Organization y la definición sameAs de schema.org. https://developers.google.com/search/docs/appearance/structured-data/intro-structured-data https://developers.google.com/search/docs/appearance/structured-data/organization https://developers.google.com/search/docs/appearance/ai-features https://schema.org/sameAs Las tablas son recomendaciones de Tenten, no rendimiento de clientes ni un efecto universal en citas.
© 2026 Tenten GEO · Puedes citar el contenido de este whitepaper indicando la fuente.
Hablemos de tus prioridades en búsqueda con IA
Solicitar una interpretación del benchmark de 30 minutosEnvía la solicitud. Te confirmaremos un horario por correo en un plazo de 24 horas.