Datos estructurados para respuestas de IA: el Schema que leen los modelos

¿Los datos estructurados siguen importando cuando la IA responde las preguntas?

Importan de forma diferente. Durante una década, el Schema te proporcionaba valoraciones con estrellas y resultados enriquecidos en Google. Ese trabajo no ha desaparecido, pero ha surgido un segundo trabajo: ayudar a un modelo a entender de qué trata tu página, a qué entidad pertenece y si la afirmación de la página está corroborada en algún otro lugar.

Los datos estructurados no son un truco de posicionamiento para los motores de respuesta. Son una capa de desambiguación. Un modelo que lee HTML sin procesar tiene que adivinar a qué se refiere un bloque de texto. El marcado limpio de Product, Review y Organization convierte esa suposición en un hecho, que es exactamente lo que estos sistemas necesitan antes de citarte o atribuirte.

¿Qué tipos de Schema ayudan a un modelo a atribuir un producto?

Tres tipos hacen el trabajo principal de atribución de productos. Product nombra el artículo y lleva sus identificadores, Review lleva las opiniones individuales y aggregateRating lleva la puntuación resumida. El marcado válido en los tres ayuda a un motor a atribuir un producto a una tienda y una valoración, en lugar de dejar el texto de la reseña flotando sin propietario.

Los identificadores dentro de Product importan más de lo que la mayoría espera. Un gtin, mpn, sku o brand le da al modelo un identificador estable para resolver tu producto frente a otras menciones del mismo en la web.

• Product: nombre, marca e identificador (gtin, mpn o sku) para que el artículo pueda identificarse.
• Review: author, reviewBody y reviewRating para cada reseña individual.
• aggregateRating: ratingValue, reviewCount y bestRating para el resumen.
• Anida Review y aggregateRating dentro de Product, no de forma independiente.

¿Cómo ayudan Organization y sameAs a que el motor de IA reconozca tu marca?

El marcado de Product le dice a un modelo qué vendes. El marcado de Organization le dice quién eres. Son dos problemas distintos, y los motores de respuesta tienen que resolver ambos antes de citarte con confianza.

Organization lleva tu nombre, logo y URL canónica. La propiedad sameAs es donde resulta útil para la optimización de motores de respuesta: lista los otros lugares que inequívocamente eres tú, tu perfil de Trustpilot, tu listado en G2, tu entrada en Wikipedia, tus cuentas sociales verificadas. Las declaraciones de Organization y sameAs refuerzan el reconocimiento de la entidad porque permiten al modelo vincular tu tienda con las fuentes independientes que ya responden por ti, que es la corroboración en la que se apoyan estos sistemas antes de repetir una afirmación.

• Organization: nombre legal, logo y la URL canónica de la página principal.
• sameAs: tus perfiles verificados de terceros y cuentas sociales.
• Mantén el nombre idéntico en todos los sitios; un nombre diferente se lee como una entidad distinta.

¿Por qué el marcado debe coincidir con el contenido visible en la página?

Porque el Schema que describe contenido que un visitante no puede ver no es elegible, y un motor que detecta la discrepancia confía menos en el resto de tu marcado. Si tu aggregateRating dice 4,8 de 900 reseñas pero la página no muestra ninguna valoración, los datos estructurados están haciendo una afirmación que la página no respalda.

Esta es la trampa para las tiendas cuyas reseñas se cargan dentro de un Widget de JavaScript. El marcado puede ser válido, pero si el texto de la reseña visible solo aparece después de que se ejecuta un script, la página puede fallar el requisito básico de que el marcado y el contenido visible coincidan. La solución fiable es la misma que ayuda a todos los demás aspectos de la optimización para motores de respuesta: renderiza las reseñas y la valoración en el HTML de la página desde el servidor, para que el marcado describa algo genuinamente presente.

¿Cómo verifico que el Schema está funcionando correctamente?

Comprueba el marcado y luego comprueba la página como la ve un modelo. Las herramientas de validación confirman que el JSON-LD es sintácticamente válido y elegible, lo cual es necesario pero no suficiente. La segunda prueba es si los valores de tu Schema aparecen en el HTML sin procesar, antes de JavaScript, junto al marcado.

Ve al código fuente de la página en lugar del DOM renderizado y comprueba que tu valoración, recuento de reseñas y texto de las reseñas están presentes antes de que se ejecute cualquier script. Si el marcado está en el código fuente pero los números visibles no, tienes un Schema válido que describe contenido que el modelo puede que nunca vea.

• Ejecuta el JSON-LD a través de un validador de Schema para comprobar la sintaxis y la elegibilidad.
• Ve al código fuente de la página y confirma que la valoración y las reseñas están presentes.
• Comprueba que el nombre de la marca en Organization coincide exactamente con todos los perfiles de sameAs.

¿Cómo conectan los datos estructurados con la optimización para motores de respuesta?

Los datos estructurados son el puente entre tener reseñas y conseguir que se citen. La optimización para motores de respuesta exige tres cosas de tus reseñas: que sean legibles, corroboradas y específicas. El Schema sirve directamente a las dos primeras. Product, Review y aggregateRating hacen que el contenido de las reseñas sea legible como hechos atribuidos. Organization y sameAs lo hacen corroborado al vincular los perfiles en los que un modelo ya confía.

La mayoría de las aplicaciones de reseñas fueron construidas para el comprador en la página y se detienen en renderizar estrellas en un Widget, lo que deja el marcado describiendo contenido que el modelo no puede leer y la entidad sin declarar. Hacer que tus reseñas existentes sean legibles, corroboradas y citadas en la búsqueda y la IA es el problema que BeyondReviews está diseñado para resolver.