Cómo preparar una web para buscadores y sistemas de IA

Una máquina no lee tu web como una persona, de arriba abajo y en el orden que diseñaste. Lee declaraciones sueltas: el título de cada página, su descripción, sus encabezados, sus datos estructurados, los textos de los enlaces que apuntan a ella. Si esas declaraciones coinciden, forman una entidad. Si se contradicen, forman ruido.

El problema más común no es que falte información: es que sobra información antigua. Una empresa cambia de posicionamiento, reescribe la portada y deja vivas las páginas de la etapa anterior, que siguen indexadas y siguen describiendo a otra empresa.

Qué revisar:

• que el título y la descripción de cada página describan a la misma empresa;
• que los encabezados principales sean coherentes con esa descripción;
• que las páginas de etapas anteriores no sigan siendo indexables si describen algo que ya no eres;
• que los datos estructurados de la organización coincidan con el texto visible.

Muchas webs modernas entregan un documento casi vacío y construyen el contenido en el navegador. Para una persona el resultado es el mismo. Para un rastreador depende de si ejecuta ese código, cuándo y hasta dónde, y eso no lo decides tú.

La comprobación es sencilla: pide la página sin ejecutar JavaScript y mira qué queda. Tienen que estar el texto completo, la jerarquía de encabezados —un solo h1 y secciones con h2— y los enlaces. Las listas tienen que ser listas y las fechas, fechas (<time>), no párrafos que lo parecen.

Cuidado también con lo que se esconde por diseño: pestañas, acordeones y animaciones de entrada. Si el contenido está en el documento aunque esté plegado, se puede leer. Si sólo se crea al pulsar, no existe hasta que alguien pulsa.

¿Y llms.txt?

llms.txt es una propuesta, publicada en 2024, para colocar en la raíz de un sitio un fichero en Markdown que resuma su contenido y enlace sus páginas principales, pensado para que un modelo lo consulte cuando busca información. Es una propuesta, no un estándar adoptado.

Ninguna de las documentaciones de rastreadores que citamos en esta guía —Google, OpenAI y Perplexity— dice que sus sistemas lean ese fichero en otros sitios. OpenAI y Perplexity publican uno para su propia documentación, lo que no es lo mismo. Google, además, dice expresamente que no hace falta crear archivos de texto para IA ni datos estructurados especiales para aparecer en sus funciones de IA.

Nosotros mantenemos uno, y por un motivo concreto: es el sitio donde está escrita, en un solo texto y sin diseño, la descripción exacta de la empresa, y nos sirvió de referencia para comprobar que el resto de superficies dijeran lo mismo. Lo que no hace es sustituir al documento: si el contenido no está en el HTML, un resumen aparte no lo arregla.

Qué es exactamente, qué está documentado y qué no, y en qué se diferencia de robots.txt: ¿Qué es llms.txt y sirve realmente para algo?

Lo básico no ha cambiado: un robots.txt que no bloquee lo que quieres que se encuentre, páginas que respondan con el código correcto, una URL canónica por página y un sitemap que liste sólo las páginas que representan a la empresa hoy.

Lo que sí ha cambiado es que los proveedores separan el rastreo para buscar del rastreo para entrenar modelos, y lo documentan con nombres distintos que se controlan por separado en robots.txt:

• OpenAI documenta OAI-SearchBot para mostrar webs en los resultados de búsqueda de ChatGPT, GPTBot para rastrear contenido que puede usarse en el entrenamiento de sus modelos, y ChatGPT-User para acciones que inicia un usuario.
• Perplexity documenta PerplexityBot para mostrar y enlazar webs en sus resultados, y Perplexity-User para las consultas de los usuarios, del que advierte que por lo general no sigue las reglas de robots.txt.
• Google documenta Google-Extended, que controla si el contenido se usa para entrenar Gemini y para fundamentar sus respuestas, y especifica que no afecta a la inclusión ni a la posición en Google Search.

La consecuencia práctica es que bloquear «la IA» en bloque tiene efectos que no siempre se buscan: puede cerrar la puerta a los sistemas que citarían tu web como fuente. Permitir que te encuentren y decidir sobre el entrenamiento son dos decisiones distintas.

Es el punto donde más fácil es equivocarse con buena intención. Casi todas las guías recomiendan añadir más tipos de marcado de schema.org, y cada tipo que se añade es una afirmación más que tiene que ser verdad.

Lo que conviene declarar suele ser poco: quién es la organización (Organization), qué sitio es el suyo (WebSite) y, en las páginas de contenido, qué es cada una y quién la firma (Article, con autor y fechas reales). Todo relacionado mediante identificadores (@id), para que no haya dos copias de la misma empresa que puedan divergir.

Y conviene no declarar lo que no se puede sostener: valoraciones sin fuente, preguntas frecuentes de un producto que ya no se vende, perfiles externos que no existen. Google recuerda que no hay ningún marcado especial necesario para aparecer en sus funciones de IA.

Una página que puede servir de fuente tiende a cumplir cinco condiciones:

• Responde a una pregunta concreta, y lo dice al principio, no al final.
• Se entiende sola, sin necesitar el resto de la web ni un contexto que sólo tiene quien la escribió.
• Distingue los hechos de las opiniones, y dice cuál es cuál.
• Aporta algo comprobable: un dato, una decisión, una fuente, un ejemplo real.
• Se puede extraer: encabezados que nombran lo que viene debajo y párrafos que no mezclan tres ideas.

Esta guía está escrita así a propósito: cada sección empieza con su respuesta en una o dos frases, y lo que hicimos nosotros está separado de la explicación general.

Lo contrario es más común: páginas que existen para ocupar una búsqueda, con mucho texto y ninguna afirmación que se pueda comprobar. Se pueden encontrar; es más difícil que alguien —persona o sistema— las use para afirmar algo.

Los perfiles oficiales de la empresa enlazados entre sí, los datos societarios públicos, los clientes que se pueden comprobar, las menciones en publicaciones y los enlaces de sitios que tratan el mismo tema son señales que están fuera de tu web. Ninguna se puede fabricar dentro de ella.

Es la parte más lenta y la que menos depende de la técnica. También es la más fácil de falsear: enlaces comprados, directorios sin lectores, contenido publicado en volumen para aparentar actividad. Además del riesgo, tiene un problema de coherencia: una web que presume de rigor y compra señales de autoridad se contradice de una forma que cualquiera puede comprobar.

Son seis capas, y conviene no mezclarlas:

Indexación

Si la página está en el índice de un buscador. Google Search Console y Bing Webmaster Tools lo informan para sus buscadores.

Aparición

Para qué consultas se muestra y cuántas veces. Las mismas herramientas. Google indica que la actividad de sus funciones de IA —AI Overviews y AI Mode— se incluye en el informe de rendimiento de Search Console, dentro de los totales de búsqueda web.

Citación

Si una respuesta generativa usa la página como fuente. A la fecha de esta guía no conocemos un informe general de los proveedores que lo mida; se puede observar repitiendo un conjunto fijo de preguntas y anotando las fuentes que aparecen.

Referencia

Si el sistema menciona a la empresa aunque no la enlace. Sólo se puede observar a mano, y con cautela: la misma pregunta no produce siempre la misma respuesta.

Visitas

Cuántas llegan desde buscadores y desde sistemas de IA, identificables por el sitio de procedencia en la analítica.

Conversión

Qué hacen esas visitas. Es la única capa que depende por completo de tu propia medición.

La regla más útil es no mezclarlas. Estar indexado no es aparecer, aparecer no es ser citado y ser citado no es que alguien llegue. Una cifra que combine las seis en una sola puntuación está estimando, no midiendo.