Schema, FAQ y búsqueda con IA: qué cambia tras los nuevos datos

Durante varios años, los datos estructurados se presentaron como una de las formas más directas de transformar contenido en visibilidad adicional en los resultados de búsqueda. Para muchos equipos de SEO, la lógica parecía sencilla: marcar mejor la información, ayudar a los motores de búsqueda a interpretar la página y, a cambio, conseguir elementos visuales más atractivos en la SERP. El problema es que esa relación entre implementación técnica y recompensa visible ya no es tan predecible.

La eliminación de los resultados enriquecidos de FAQ por parte de Google y los nuevos datos publicados por Ahrefs sobre citas en sistemas de búsqueda con inteligencia artificial obligan a replantear el discurso en torno al schema markup. La cuestión no es si el schema ha muerto. No ha muerto. La pregunta más exigente es otra: qué valor medible sigue creando, en qué contextos y con qué expectativas realistas.

El entusiasmo reciente alrededor de la llamada Generative Engine Optimization, o GEO, trajo al mercado una promesa muy atractiva: añadir datos estructurados podría aumentar la probabilidad de que una página fuera citada en respuestas generadas por IA. Esa promesa se volvió especialmente interesante porque es concreta, fácil de vender y relativamente simple de ejecutar. Pero la simplicidad de una recomendación no la convierte, por sí sola, en una ventaja competitiva sostenible.

El fin de las FAQ en la SERP es más que un cambio visual

La desaparición de los resultados enriquecidos de FAQ no debe verse únicamente como la pérdida de un formato. Durante mucho tiempo, las FAQ permitieron ocupar más espacio en los resultados de búsqueda, responder directamente a dudas de los usuarios y aumentar la tasa de clics en determinadas consultas. La implementación era relativamente accesible y, por eso, pasó rápidamente de buena práctica técnica a táctica masificada.

Cuando un formato deja de distinguir contenido útil y empieza a aplicarse de forma sistemática en casi cualquier página, la recompensa visual pierde valor para el usuario. Eso es lo que muchos profesionales ya habían observado: FAQ añadidas a páginas sin una verdadera necesidad editorial, preguntas artificiales creadas solo para ganar espacio y respuestas breves con poca contribución real. La tecnología era correcta, pero el incentivo empezó a generar ruido.

Esta evolución encaja en un patrón más amplio. Google ha ido reduciendo las recompensas visibles asociadas a ciertos tipos de datos estructurados. Algunos formatos se limitan a sectores específicos, otros se eliminan y otros siguen siendo válidos sin garantizar ningún elemento visual. El resultado es claro: la existencia de una propiedad soportada por schema no debe confundirse con una promesa de visibilidad permanente.

Los datos estructurados siguen siendo válidos, pero su papel ha cambiado

Es importante separar dos ideas que a menudo se tratan como si fueran la misma. La primera es la validez técnica de los datos estructurados. La segunda es la existencia de una recompensa visible en la SERP. Una página puede tener marcado correcto en JSON-LD, Microdata o RDFa y, aun así, no obtener ningún destaque visual en los resultados de búsqueda.

Esta distinción cambia la forma en que las empresas deben mirar la inversión. Implementar datos estructurados solo porque existe la expectativa de un resultado enriquecido inmediato se ha convertido en un enfoque frágil. Implementarlos como parte de una arquitectura de información más clara, coherente con entidades, productos, organizaciones, artículos o eventos, sigue teniendo sentido cuando existe una razón técnica y editorial.

El schema debe verse como una capa semántica adicional. Ayuda a declarar qué representa una página, qué relaciones existen entre los elementos y qué tipo de contenido está presente. Sin embargo, no sustituye el contenido visible, la calidad de la respuesta, la autoridad del dominio, la experiencia del usuario ni la coherencia de la marca en los distintos puntos de contacto digitales.

Qué aportan los datos de Ahrefs al debate sobre IA

El informe de Ahrefs mencionado en el texto de origen analizó páginas que añadieron JSON-LD y comparó la evolución de las citas en Google AI Overviews, AI Mode y ChatGPT con páginas de control que no recibieron ese cambio. Los resultados no mostraron un aumento claro y consistente de citas tras la implementación de schema.

Los valores presentados fueron poco expresivos en dos sistemas y negativos en un tercero. Google AI Mode habría registrado una variación positiva del 2,4%, ChatGPT una variación positiva del 2,2% y Google AI Overviews una caída del 4,6%. Incluso donde hubo crecimiento, el propio marco de los datos apunta a una diferencia demasiado pequeña para tratarse como prueba sólida de impacto. En el caso de la caída en AI Overviews, Ahrefs tampoco atribuyó ese cambio directamente al schema.

El detalle más relevante está en el perfil de las páginas analizadas. Todas ya tenían más de 100 citas en AI Overviews antes de añadir los datos estructurados. Es decir, eran páginas que ya estaban visibles, accesibles y reconocidas por los sistemas de búsqueda con IA. En este contexto, añadir una nueva capa de marcado puede compararse con colocar una etiqueta adicional en un producto que ya está en una estantería muy concurrida: la etiqueta puede organizar mejor la información, pero no garantiza que el producto se elija más veces.

El estudio no demuestra que el schema sea inútil

Una lectura apresurada podría concluir que los datos estructurados ya no sirven para nada. Esa conclusión sería tan exagerada como la promesa de que el schema aumenta automáticamente las citas en IA. El estudio descrito evalúa un resultado específico: la variación de citas en determinados sistemas, durante un periodo concreto, para páginas que ya eran citadas antes del cambio.

Quedan varias preguntas abiertas. ¿El impacto sería diferente en páginas nuevas, todavía sin visibilidad en respuestas de IA? ¿Algunos tipos de schema, como Product, Review, Event, Video, Organization o Article, tendrían comportamientos distintos si se analizaran por separado? ¿Un periodo de observación más largo mostraría efectos indirectos, por ejemplo en la interpretación de entidades o en la elegibilidad para determinados formatos? Estas preguntas aún no tienen una respuesta definitiva.

También es relevante señalar que sistemas diferentes pueden tratar los datos estructurados de formas diferentes. Un modelo puede priorizar el HTML visible durante la recuperación directa de una página, mientras que otro puede usar señales recogidas en fases anteriores de indexación, extracción de entidades o consolidación de conocimiento. El hecho de que un experimento no detecte el uso directo de JSON-LD en una fase del proceso no elimina todos los posibles papeles de los datos estructurados en el ecosistema.

El problema está en un discurso comercial demasiado simplificado

La principal debilidad revelada por estos acontecimientos no está en la tecnología, sino en la forma en que se vende. La frase “añade schema para aumentar las citas en IA” se ha convertido en una promesa cómoda para consultores, herramientas y guías de optimización. Es específica, suena técnica y da al cliente la sensación de que existe una acción objetiva para resolver un problema nuevo.

Pero la búsqueda con IA no funciona como un interruptor que se activa con una propiedad JSON-LD. Los sistemas de respuesta combinan rastreo, indexación, recuperación de información, evaluación de relevancia, calidad del contenido, autoridad percibida, frescura, coherencia y adecuación a la intención del usuario. El schema puede ayudar a aclarar algunos elementos, pero no convierte una página débil en una fuente citable.

Aquí es donde muchos enfoques de GEO empiezan a repetir errores antiguos del SEO. Cuando una táctica parece funcionar o, al menos, parece plausible, se empaqueta rápidamente como solución universal. Después se replica a escala, pierde diferenciación y termina generando señales de baja calidad. La historia de las FAQ es un buen ejemplo: una funcionalidad útil se convirtió en una práctica demasiado explotada y, con el tiempo, la recompensa desapareció.

El contenido visible puede pesar más que el marcado invisible

Uno de los puntos más interesantes del debate es la relación entre los datos estructurados ocultos en el código y el contenido realmente visible en la página. Si determinados sistemas de IA recurren sobre todo al HTML visible durante la recuperación directa, entonces la estructura editorial gana aún más importancia. Títulos claros, subtítulos útiles, respuestas directas, definiciones objetivas, listas bien construidas y ejemplos concretos pueden volverse más relevantes para una cita en IA que un marcado invisible sin reflejo en el contenido.

Esto no significa abandonar la técnica. Significa alinear técnica y contenido. Una página que se declara como artículo mediante datos estructurados debe contener un artículo sólido. Una página de producto con Product schema debe presentar información completa, precios claros cuando corresponda, disponibilidad, variantes, descripciones útiles y señales de confianza. Un área de FAQ debe responder a preguntas reales, no simplemente rellenar un bloque de marcado.

En la práctica, la mejor optimización para sistemas de respuesta empieza muchas veces por hacer que la página sea más comprensible para humanos. Cuando el contenido está bien jerarquizado, responde de forma concisa y profundiza lo suficiente para demostrar autoridad, también resulta más fácil de interpretar por máquinas. El schema debe confirmar y estructurar esa realidad, no intentar compensar su ausencia.

Cómo deben revisar las marcas su estrategia de datos estructurados

El primer paso es auditar lo que ya existe. Muchas empresas acumulan marcados antiguos, propiedades sin utilidad, bloques de FAQ que ya no tienen impacto visual e implementaciones creadas por módulos automáticos sin validación estratégica. Mantener ese historial sin revisión puede generar una falsa sensación de optimización.

Una auditoría útil debe responder a preguntas simples: ¿qué tipos de datos estructurados están activos? ¿Están alineados con el contenido visible? ¿Son compatibles con funcionalidades que siguen siendo relevantes? ¿Existen errores técnicos? ¿Hay información incoherente entre el HTML y el JSON-LD? ¿El mismo contenido está marcado de formas contradictorias? Estas preguntas son más importantes que añadir nuevas capas de código solo porque una tendencia las recomienda.

Después, es necesario priorizar. En muchos casos, Product, Review, Event, Video, Organization y Breadcrumb siguen teniendo valor práctico cuando son aplicables y se usan correctamente. Article y Organization pueden contribuir a una representación más clara de publicaciones, autores, entidades y marcas. FAQ, por otro lado, debe dejar de tratarse como herramienta de expansión visual y pasar a usarse solo cuando exista una sección real de preguntas y respuestas útil para el usuario.

Qué hacer con FAQ después de la eliminación de los resultados enriquecidos

La eliminación del destaque visual no significa que todas las FAQ deban desaparecer de los sitios web. Muchas siguen siendo útiles para reducir fricción, anticipar dudas comerciales, explicar condiciones, aclarar procesos y apoyar decisiones de compra. La diferencia es que su existencia debe justificarse por valor editorial y no por la expectativa de ocupar más espacio en la SERP.

Una buena sección de FAQ debe nacer de preguntas reales: dudas planteadas a equipos comerciales, búsquedas internas en el sitio, interacciones en redes sociales, conversaciones con clientes, datos de atención al cliente y análisis de intención de búsqueda. Cuando las respuestas salen de ese conocimiento, la sección se convierte en un activo de experiencia, no solo en un recurso técnico.

También conviene replantear el formato. Algunas preguntas merecen respuestas breves. Otras justifican páginas propias, guías detalladas, comparativas o demostraciones. La decisión no debe depender solo de la existencia de un tipo de schema, sino de la profundidad necesaria para resolver la intención del usuario.

La búsqueda con IA exige autoridad, no solo formato

Las citas en respuestas generadas por IA tienden a favorecer fuentes que parecen fiables, completas y adecuadas para la pregunta. El marcado técnico puede ayudar a eliminar ambigüedad, pero la autoridad se construye con consistencia. Esto incluye contenido actualizado, autores identificables cuando sea relevante, señales de especialización, referencias claras, coherencia temática y una presencia digital que confirme la credibilidad de la marca.

Para las empresas, esto implica pensar más allá de páginas aisladas. Una sola página optimizada con JSON-LD difícilmente compensa un ecosistema débil. Por el contrario, un conjunto consistente de contenidos, páginas de servicio bien estructuradas, casos de estudio, datos propios, información institucional clara y respuestas útiles a dudas del mercado puede crear un contexto más fuerte para motores de búsqueda y sistemas de IA.

Por eso, la conversación sobre datos estructurados debe integrarse en una estrategia más amplia de marketing digital. La técnica sigue siendo importante, pero solo crea ventaja cuando se conecta con posicionamiento, contenido, arquitectura, experiencia y objetivos de negocio.

Menos automatización, más intención editorial

Una de las tentaciones actuales es automatizar la producción de marcado y contenido con la misma lógica: generar más, más rápido y con menos intervención humana. Este enfoque puede parecer eficiente, pero aumenta el riesgo de crear páginas redundantes, secciones artificiales y datos estructurados que solo repiten información sin aportar claridad.

La búsqueda se está volviendo más exigente en la evaluación de la utilidad. Eso no significa que la automatización no tenga lugar. Lo tiene, sobre todo en catálogos grandes, tiendas online, bases de conocimiento y sitios con mucha información repetible. Sin embargo, la automatización debe respetar reglas editoriales, datos correctos y revisión continua. Marcar automáticamente todos los elementos posibles no es una estrategia; es solo acumulación técnica.

La intención editorial debe liderar. Antes de decidir qué schema aplicar, el equipo debe entender qué problema resuelve la página, qué entidad representa, qué información necesita ser inequívoca y qué acción se espera del usuario. Solo entonces tiene sentido elegir el marcado que mejor traduce esa estructura.

El impacto en ecommerce y páginas transaccionales

En las tiendas online, la conversación es especialmente sensible. El schema de producto puede seguir siendo relevante porque ayuda a declarar atributos esenciales como precio, disponibilidad, valoraciones, marca, referencia y variantes. Cuando se aplica correctamente, puede apoyar resultados enriquecidos y facilitar la interpretación de catálogos complejos.

Pero también aquí existe una diferencia entre marcado y calidad de la experiencia. Una página de producto con datos estructurados completos, pero descripciones pobres, imágenes genéricas, falta de información logística o valoraciones poco creíbles, difícilmente maximizará su potencial. El marcado debe reflejar una página sólida, no disfrazar una página incompleta.

Para marcas con presencia en plataformas como Shopify, la implementación técnica debe ir acompañada de una revisión de temas, aplicaciones, datos de producto y coherencia entre catálogo, HTML y JSON-LD. Muchas veces, el problema no es la ausencia total de schema, sino la existencia de marcado duplicado, incompleto o contradictorio generado por distintos módulos.

Cómo medir valor sin caer en promesas fáciles

Medir el valor de los datos estructurados exige elegir métricas adecuadas. Para algunos tipos, tiene sentido seguir impresiones y clics asociados a resultados enriquecidos en Google Search Console. Para otros, la evaluación pasa por errores técnicos, cobertura, elegibilidad, consistencia de entidades y evolución de la visibilidad orgánica. En el caso de las citas en IA, la medición es aún más inestable porque los sistemas varían, las respuestas cambian y los datos disponibles siguen siendo limitados.

Una buena metodología debe comparar periodos, aislar cambios siempre que sea posible y evitar conclusiones a partir de casos individuales. Si una página gana citas después de añadir JSON-LD, eso no prueba causalidad. Quizá el contenido se actualizó, quizá aumentó la demanda por el tema, quizá la página recibió enlaces, quizá el sistema de IA cambió su comportamiento. Lo contrario también es cierto: la falta de crecimiento en una muestra específica no demuestra inutilidad universal.

El punto central es abandonar la lógica del atajo. El schema debe entrar en el plan como hipótesis técnica con objetivos definidos, no como garantía. Cuando existe un resultado enriquecido activo, se mide ese resultado. Cuando la utilidad es semántica, se evalúa la coherencia y la capacidad de reducir ambigüedad. Cuando la ambición es aparecer en respuestas de IA, también hay que medir la calidad del contenido, la autoridad temática y la estructura visible de la página.

El futuro del schema será menos espectacular y más estructural

Es probable que los datos estructurados sigan formando parte de la búsqueda, pero con menos momentos de recompensa visual espectacular. La tendencia apunta a un papel más discreto: ayudar a los sistemas a comprender entidades, relaciones, tipos de contenido y atributos importantes. Ese valor puede ser real incluso cuando no aparece en forma de estrellas, cajas desplegables o tarjetas destacadas.

Para los profesionales de SEO, esto exige madurez. No todo lo que cuenta se puede ver en la SERP. Pero tampoco todo lo invisible debe venderse como una ventaja garantizada. El equilibrio está en implementar lo que tiene sentido, retirar lo que ha perdido utilidad, validar lo que está activo y explicar al cliente que los datos estructurados son una pieza de infraestructura, no una fórmula mágica.

La eliminación de las FAQ y los datos de Ahrefs no cierran el tema. Al contrario, hacen que la conversación sea más seria. El mercado necesita menos afirmaciones absolutas y más pruebas bien diseñadas, segmentadas por tipo de schema, tipo de página, sector, sistema de IA y madurez del dominio. Solo así será posible entender dónde el marcado sigue creando valor medible.

Conclusión: el schema no ha muerto, pero la promesa ha cambiado

El schema markup sigue siendo útil cuando traduce contenido real, apoya funcionalidades activas y mejora la claridad semántica de una página. Lo que se ha debilitado es el discurso que lo presenta como un atajo directo para ganar espacio en la SERP o conseguir citas en sistemas de IA. Tras la eliminación de las FAQ y los datos presentados por Ahrefs, esa promesa exige mucha más cautela.

Las marcas deben seguir usando datos estructurados, pero con prioridades revisadas. Primero, contenido visible y útil. Después, arquitectura clara. A continuación, marcado alineado con lo que la página realmente contiene. Por último, medición honesta. Este camino puede no ser tan seductor como una solución rápida para AI citations, pero es mucho más resistente a los cambios de plataforma.

En BYDAS, unimos estrategia, contenido e implementación técnica para transformar los datos estructurados en parte de una presencia orgánica más sólida. Si tu marca necesita revisar prioridades, estructura y oportunidades de búsqueda, descubre nuestro trabajo en SEO y tráfico orgánico.