Respuesta directa: el schema markup no convierte por sí solo a tu web en fuente recomendada por ChatGPT o Gemini. La evidencia de 2026 es clara: añadir JSON-LD a páginas ya citadas no aumentó su visibilidad, y en extracción en tiempo real los cinco grandes motores generativos leen el marcado como texto plano. Lo que sí hace el schema es tres cosas concretas: habilita rich results en Google, ancla tus entidades en el knowledge graph y entrega datos factuales extraíbles (precios, especificaciones, datos de contacto) que la IA sí usa cuando responde consultas comerciales. La estrategia correcta en 2026 es schema con atributos concretos sobre contenido answer-first, no schema genérico.
- Schema solo no genera citas de IA. El estudio de Ahrefs sobre 1.885 páginas que añadieron JSON-LD (ago 2025 a mar 2026) no halló alza de citas en ChatGPT ni en AI Mode; en AI Overviews las tratadas cayeron 4,6% frente a sus controles.
- Lo que sí funciona son los atributos concretos. Según un estudio empírico publicado en Zenodo (febrero 2026), las páginas con schema Product o Review poblado de datos factuales (precio, valoraciones, especificaciones) lograron 61,7% de citas frente a 41,6% de las que usaron tipos genéricos como Article u Organization.
- La IA lee el JSON-LD como texto. El experimento de searchVIU (octubre 2025) con ChatGPT, Claude, Perplexity, Gemini y AI Mode confirmó que durante la extracción en tiempo real ningún sistema interpretó el marcado como datos estructurados, solo como contenido visible del HTML.
- El ancla de entidad es la señal de mayor valor. Google declaró en 2026 que el schema se sirve como contexto a sus modelos en los fan-outs de búsqueda; el sameAs con Wikidata y el @id consistente consolidan tu entidad upstream y moldean cómo te describirán los LLM.
Qué hace realmente el schema markup frente a la IA
El vocabulario Schema.org existe desde 2011 y nació para que los buscadores entendieran el significado del contenido, no solo su texto. La promesa de 2026 (que un bloque JSON-LD bien formado te haría aparecer en las respuestas de Perplexity y compañía) necesita una corrección basada en datos: la cita es una decisión del modelo sobre qué fuente responde mejor, no un rich result que se gana implementando un marcado.
Los tres estudios más rigurosos del año convergen en la misma lectura. Ahrefs rastreó 1.885 páginas que añadieron JSON-LD entre agosto 2025 y marzo 2026, las emparejó con 4.000 controles y midió citas antes y después: efecto nulo en ChatGPT y AI Mode, levemente negativo en AI Overviews (-4,6%). Un estudio académico de Zenodo analizó 730 citas de ChatGPT y Gemini y encontró el matiz valioso: el predictor dominante fue la posición orgánica en Google (la posición 1 obtuvo cita en 43% de las consultas, cayendo a 5% en la séptima), no la presencia de schema. Y el análisis de 6 millones de URLs explica la correlación que engaña: las páginas citadas por IA tienen casi el triple de probabilidad de portar JSON-LD, pero porque los sitios con buen SEO técnico también invierten en contenido y autoridad; el schema es un síntoma del trabajo bien hecho, no su causa.
La conclusión práctica no es eliminar el schema, es reposicionarlo: sigue siendo obligatorio para el posicionamiento clásico (rich results y elegibilidad en fragmentos) y para E-E-A-T es la capa que ancla quién eres, qué vendes y dónde estás: justo lo que un motor generativo verifica antes de recomendarte.
Dónde el schema sí mueve la aguja ante los LLM
Si el marcado genérico no genera citas, ¿por qué mantenerlo? Porque hay tres usos con retorno demostrado, y todos pasan por entregarle al modelo algo que pueda extraer y verificar sin reinterpretar tu prosa.
1. Datos factuales extraíbles. El estudio de Zenodo halló la única excepción estadísticamente significativa: las páginas con Product o Review schema poblado de campos concretos (precio, aggregateRating, especificaciones) fueron citadas a tasas muy superiores que las páginas con Article u Organization genéricos, y esa ventaja fue más pronunciada en dominios de autoridad media o baja. En consultas comerciales (“cuánto cuesta”, “mejor X para Y”), el payload factual compensa la falta de señales de autoridad: terreno exacto donde una pyme chilena rinde frente a portales grandes.
2. Consolidación de entidad upstream. Google no solo muestra tus datos: los usa como contexto para construir respuestas generativas. Un Entity SEO bien armado, con sameAs hacia perfiles verificables (LinkedIn, directorios gremiales, Wikidata cuando aplique) y un @id estable, consolida la canónica de tu entidad antes de que el próximo modelo la describa. Menos del 4% de las páginas con schema usa estas técnicas de entity-linking: quien lo hace bien queda en territorio casi despoblado.
3. Elegibilidad y verificación en superficies de IA. Las experiencias de compra de ChatGPT y Google ya consumen product data estructurado en consultas transaccionales, y el Organization schema con datos verídicos permite a un agente confirmar que tu empresa existe y qué vende antes de recomendarla; sin esa capa, el modelo prefiere citar a quien sí puede verificar.
La arquitectura de contenido que sí citan los motores generativos
Si el schema es el embalaje, el contenido es el producto que la IA cita. El resto del pipeline pesa más que el marcado: la posición orgánica en Google es el predictor dominante de la cita, porque los motores generativos recuperan sus fuentes del ranking clásico antes de evaluar el contenido con el LLM.
Sobre esa base, la arquitectura que mejor se cita en 2026 es la de respuesta primero: un lead que responde la intención en las primeras 60 palabras, encabezados con forma de pregunta, estadísticas citadas y una estructura de silo que consolide la topical authority del tema. Zenodo lo resume: los esfuerzos de GEO rinden más en calidad y autoridad del contenido que en marcado genérico.
El corolario para Chile: un blog con JSON-LD impecable pero 20 temas sin profundidad genera menos citas que un clúster de 8 artículos que responden las 8 preguntas reales de tu buyer. La recuperación RAG prefiere la fuente que cubre la intención completa.
Checklist de implementación en WordPress que respeta la evidencia
Esta tabla resume qué implementar, en qué orden y con qué justificación, para que la inversión técnica siga el orden de retorno real.
| Paso | Implementación | Justificación basada en evidencia |
|---|---|---|
| Organization schema con sameAs completo | Persona o empresa con @id fijo, logo, contacto y perfiles verificables | Google lo sirve como contexto en sus fan-outs; los modelos verifican existencia y coherencia |
| Schema de contenido por tipo de página | Article en blog, Service en landings, Product en tienda, FAQPage en soporte | El marcado debe coincidir con el contenido visible; los tipos duplicados no aportan señal |
| Atributos factuales poblados | Precio, disponibilidad, valoraciones, especificaciones en Product y Review | Única mejora de citas significativa (61,7% vs 41,6%); máxima ventaja en dominios de autoridad media o baja |
| Contenido answer-first sobre el marcado | Lead directo, encabezados de pregunta, estadísticas citadas en el cuerpo | El ranking es el predictor dominante de la cita (43% en posición 1 vs 5% en la séptima) |
| Validación y monitoreo | Rich Results Test, Search Console, conteo de menciones en IA | Medir con grupo de control antes de atribuir efectos, como recomienda Ahrefs |
Un aviso sobre la última moda: el archivo llms.txt no reemplaza ninguna de estas capas. El análisis de Ahrefs sobre 137.000 dominios mostró que el 97% de los archivos publicados jamás fue leído y ningún bot de IA los busca si no existen. Si el presupuesto es limitado, invierte primero en contenido citable y schema factual.
“Oye Google, ¿cómo hago que la IA recomiende mi empresa?”
La respuesta conversacional corta: publica respuestas directas al inicio de cada página, marca tus datos clave con schema (qué vendes, cuánto cuesta, dónde estás, cómo te contactan) y enlaza tu empresa con tus perfiles oficiales usando sameAs. La IA recomienda empresas que puede verificar: primero contenido que responde, después schema que lo hace extraíble.
Qué NO hacer
- No publiques un JSON-LD y esperes citas. Añadir marcado a páginas ya visibles no sube su tasa de cita; ese presupuesto rinde más invertido en contenido.
- No uses schema genérico en todo el sitio. Organization o BreadcrumbList duplicados no mueven nada; la única mejora medida está en tipos con atributos factuales poblados (Product, Review con precio y valoraciones).
- No dupliques tipos ni contradigas el contenido visible. Los motores cruzan el marcado contra la página renderizada; un precio en schema que no coincide con el precio visible destruye la confianza en todo el resto del sitio.
- No descuides el ranking orgánico por perseguir la IA. La posición en Google es el predictor dominante de la cita (cada posición reduce las probabilidades en ~24%); si tu página no rankea, el schema no la va a rescatar.
- No confías en llms.txt como estrategia de visibilidad. 97% de los archivos publicados no recibe una sola lectura y ningún bot de IA va a buscarlo si no existe; es un adorno, no una palanca.
- No midas sin grupo de control. Las menciones crecen para todos en booms de plataforma; sin comparar contra páginas sin cambio atribuirás a tu schema tendencias que no causaste.
Preguntas frecuentes
¿El schema markup hace que ChatGPT cite mi web?
No por sí solo. Un estudio de Ahrefs que rastreó 1.885 páginas que añadieron JSON-LD entre agosto 2025 y marzo 2026 no halló alza de citas en ChatGPT ni en AI Mode, y en AI Overviews las tratadas cayeron levemente frente a sus controles. Las páginas citadas suelen tener más schema, pero porque los sitios con buen SEO técnico invierten en todo lo demás a la vez: el schema ayuda a que te extraigan datos, no a que te elijan como fuente.
¿Cómo leen los LLM el JSON-LD de mi página?
Como texto plano. El experimento de searchVIU (octubre 2025) probó ChatGPT, Claude, Perplexity, Gemini y Google AI Mode en extracción en tiempo real y ninguno interpretó el JSON-LD ni el microdata oculto como datos estructurados: extrajeron solo el contenido visible. La excepción son las superficies de Google, donde el schema se sirve como contexto a los modelos en los fan-outs de búsqueda, y las experiencias de compra, que sí consumen product data.
¿Qué tipos de schema sí mejoran la visibilidad en IA?
Los que llevan atributos factuales concretos. Un estudio empírico de Zenodo (2026) halló que las páginas con Product o Review schema poblado (precio, aggregateRating, especificaciones) fueron citadas en 61,7% de los casos frente a 41,6% de las que usaron tipos genéricos como Article u Organization, con ventaja más marcada en dominios de autoridad media o baja. Para consultas comerciales en Chile, ese payload factual es lo único del schema que la IA extrae con provecho.
¿Vale la pena implementar schema si mi web ya rankea bien?
Sí, por las razones clásicas: mantiene tu elegibilidad para rich results (estrellas, precios, snippets enriquecidos), le da a Google un parseo más limpio de tus entidades y entrega a los asistentes de voz y agentes los datos de contacto que necesitan para verificar y recomendarte. Lo que no harás es multiplicar tus citas en IA: el efecto medido sobre páginas ya citadas es nulo. Es higiene técnica con retorno en el buscador clásico.
¿Cuánto demora ver resultados del schema markup para IA?
Depende de qué midas. Los rich results aparecen tras el re-rastreo y la revalidación, típicamente días o semanas verificables en Search Console. La consolidación de entidad (sameAs, @id) opera en meses y se nota en cómo los motores generativos describen tu empresa. Las citas directas en IA siguen al ranking orgánico: si tu página no aparece entre las fuentes que el modelo recupera, ningún cambio de schema lo acelerará. Mide siempre con grupo de control para no confundir tendencias de plataforma con efectos propios.
Que la IA te cite es estrategia, no azar
En Best Solution aplicamos esta misma evidencia a cada proyecto: contenido answer-first, schema con atributos factuales y entidades verificables con SemanticGEO, nuestro plugin de GEO para WordPress. Revisa cómo estructuramos la capa de datos para que los motores generativos te encuentren, te verifiquen y te recomienden.
Frase para video: La IA no cita al que más schema tiene: cita al que responde mejor y puede verificar.
Fuentes
- Ahrefs: We Tracked 1,885 Pages Adding Schema: estudio de diferencia-en-diferencias sobre el efecto del JSON-LD en citas de AI Overviews, AI Mode y ChatGPT (mayo 2026).
- Zenodo: Does Schema Markup Predict AI Citation?: estudio empírico de 730 citas en ChatGPT y Gemini sobre 75 consultas comerciales; hallazgo del efecto de atributos factuales (61,7% vs 41,6%).
- Google Search Central: Introducción a los datos estructurados: documentación oficial sobre cómo Google procesa el schema para features de búsqueda.
- Ahrefs: estudio de 137K sitios sobre llms.txt: medición de adopción y lectura real del archivo llms.txt (97% de archivos sin una sola petición, junio 2026).
- Schema.org: vocabulario oficial de datos estructurados mantenido por la comunidad fundadora (Google, Microsoft, Yahoo y Yandex).
