Schema Markup
El schema markup es un vocabulario estructurado de schema.org que añades a una página web para etiquetar su contenido de cara a las máquinas, indicando a los buscadores y a los sistemas de IA qué significa cada elemento para que puedan mostrar resultados enriquecidos y reconocer la página como una entidad concreta.
El HTML normal le dice al navegador cómo mostrar el texto, pero no aclara si un número es un precio, una valoración o un teléfono. El schema markup cierra esa brecha etiquetando el contenido con tipos y propiedades acordados, normalmente escritos como JSON-LD en una etiqueta script dentro de la cabecera de la página. Cada tipo es un vocabulario con propiedades definidas: un Product lleva un nombre, una marca, una imagen y un bloque offers; un Offer lleva un precio, una moneda y un estado de disponibilidad; un Review lleva un autor, una valoración y un cuerpo de texto. El marcado convive con la página visible en lugar de sustituirla, así que la misma descripción de producto que lee un comprador queda también descrita en una forma que una máquina puede interpretar sin tener que adivinar.
Para una tienda, los tipos que más rinden son Product, Offer, Review, AggregateRating, Organization, BreadcrumbList y FAQPage, y cada uno asocia una parte de la página con un significado sobre el que una máquina puede actuar. Piensa en un comerciante de Shopify que vende una camiseta térmica de merino a 49 dólares, con 211 reseñas y una media de 4,6 estrellas. Sin marcado, un rastreador ve un título, algunos párrafos y un gráfico de estrellas que no sabe leer. Con un bloque Product que anida un Offer (precio 49,00, moneda USD, disponibilidad InStock) y un AggregateRating (ratingValue 4,6, reviewCount 211), la página enuncia esos datos con claridad, y la ficha pasa a ser elegible para mostrar el precio y la valoración con estrellas debajo del título.
El beneficio es doble. Primero, la elegibilidad para resultados enriquecidos: valoraciones con estrellas, precios y acordeones de preguntas frecuentes en la ficha del buscador, que suelen captar más atención que un enlace azul a secas. Segundo, un reconocimiento de entidad más claro, que cada vez alimenta más a los motores de respuesta con IA que resumen y citan fuentes en lugar de ordenar diez enlaces. Cuando ChatGPT, Perplexity o Google AI Overviews componen una respuesta sobre un producto, los datos estructurados les dan hechos limpios e inequívocos que citar, así que es más probable que un precio o una valoración que llega a una respuesta sea el tuyo y sea correcto. Esto importa sobre todo en las afirmaciones concretas y comparables en las que se apoyan esos sistemas: precio, disponibilidad y valoración.
La regla con la que tropieza la gente es la coincidencia con el contenido visible: el marcado debe describir contenido que el usuario pueda ver de verdad en la página. Marcar reseñas o valoraciones que no están presentes, o inflar las cifras, va contra las directrices de Google y puede provocar una acción manual por datos estructurados que retira tus resultados enriquecidos por completo. La disciplina honesta consiste en añadir el vocabulario para reflejar lo que ya está en la página, mantenerlo al día cuando cambian los precios y el número de reseñas, y validarlo con la prueba de resultados enriquecidos antes de publicar. El marcado no garantiza un resultado enriquecido: hace que la página sea elegible, y el buscador sigue decidiendo si lo muestra o no.