Un método en tres niveles para auditar datos estructurados en la era de la IA

Ray Martinez, de la agencia ArcherEDU, ha documentado en Search Engine Land un caso de estudio sobre datos estructurados para respuestas generativas. El trabajo analiza dos programas universitarios que partían con apenas un 1 % de cuota de visibilidad en inteligencia artificial (IA) frente a su competencia. La metodología consistió en comparar el código JSON-LD y el texto visible de cada URL frente a un modelo ideal de 85 entidades. Cada dato se clasificó en tres niveles de precisión: legible, ambiguo o no verificable.

El inventario reveló que el primer programa tenía un tercio de sus entidades ambiguas o no verificables, con 20 vacíos de información en sus páginas. El segundo sumaba 58 entidades, con más de la mitad ambiguas y 27 imposibles de verificar. Los huecos de información se concentraban en áreas clave: el plan de estudios, el profesorado, las admisiones y las ayudas.

Las correcciones se basan en los estándares de Schema.org y se enfocan en la precisión de los formatos. La auditoría de la agencia identificó múltiples huecos y errores de formato en el código de la universidad privada, que se corrigieron para ajustarlos a los estándares exactos:

Lo que no se corrigió también es un aprendizaje. La agencia evitó marcar la información que no podía garantizar, dejando fuera la fecha límite para admisiones continuas o los listados de profesorado sin datos fiables. En marcado de datos, marcar un dato no verificable es peor que no marcarlo.

Tras implementar los cambios, el primer programa (universidad privada de negocios) no aumentó el volumen total de contactos, pero sí disparó su calidad y el porcentaje de conversión a pago final:

Para el segundo programa (grado de enfermería en línea), la intervención en el contenido visible y en los datos estructurados sirvió para revertir la tendencia a la baja en tráfico y mejorar las solicitudes:

Pese a estas mejoras, las cuotas de visibilidad de ambos programas siguen siendo marginales frente a los líderes de su sector. El propio autor reconoce que el impacto real en visibilidad generativa fue «limitado» y que las cifras carecen de un grupo de control aislado.

La utilidad del caso no reside en las citas de IA, sino en el método de auditoría aplicable a cualquier página de producto. Clasificar los datos en tres niveles demuestra que la mayoría de los fallos no son de sintaxis técnica, sino de falta de precisión entre lo que lee el rastreador y lo que ve el usuario. Aunque siga sin demostrarse de forma aislada que Google use este marcado para citar mejor, la mejora en las conversiones confirma una regla analógica: una página con requisitos exactos convierte mejor que una con texto ambiguo.

Si gestionas páginas de programa, producto o servicio, selecciona las diez entidades principales que compara un cliente. Verifica en cada URL que el valor del JSON-LD utiliza un formato estándar comparable (fechas ISO, números con unidad) y que el texto visible refleja exactamente esa misma precisión. Lo que no puedas afirmar con certeza, déjalo sin marcar.

• Medio original que dio el aviso: Search Engine Land (Ray Martinez).
• Fecha original: 18 de septiembre de 2026.
• URL: https://searchengineland.com/schema-ai-search-entity-gaps-organic-growth-489462
• Licencia: Derechos reservados (adaptación con análisis propio).

Otras páginas consultadas:

1. https://schema.org/EducationalOccupationalProgram — Documentación de Schema.org (propiedades timeToComplete, startDate, numberOfCredits, applicationDeadline, offers).