Cómo estructurar contenido para que la IA lo cite

El sitemap no es una novedad, pero sí es la primera señal que un crawler —de cualquier tipo— utiliza para entender la arquitectura de un sitio. Un sitemap bien construido le indica a los sistemas de rastreo qué páginas existen, con qué frecuencia se actualizan y cuál es su prioridad relativa.

Lo que ha cambiado en el contexto de AEO es la importancia de que el sitemap esté actualizado y que incluya, de manera prioritaria, el contenido de mayor densidad informativa: guías, artículos de fondo, páginas de preguntas frecuentes, glosarios. Los motores de IA favorecen el contenido que responde preguntas concretas, y si ese contenido no está correctamente mapeado y accesible, el crawler simplemente no llegará a él.

El archivo robots.txt es el guardián de tu sitio. Le dice a cada crawler qué puede y qué no puede acceder. Durante años, la conversación en torno a este archivo fue bastante binaria: permitir Googlebot, bloquear los demás. Hoy la situación es significativamente más compleja, porque existen crawlers espec��ficos de cada plataforma de IA y la decisión de permitirlos o bloquearlos tiene consecuencias estratégicas distintas.

OpenAI opera con dos bots independientes que cumplen funciones distintas. El OAI-SearchBot es el encargado de rastrear contenido para que ChatGPT lo cite en tiempo real cuando un usuario hace una búsqueda. El GPTBot es el crawler de entrenamiento: recopila contenido para alimentar los modelos futuros. Según la propia documentación de OpenAI, cada directiva es independiente. Un sitio puede permitir OAI-SearchBot —para aparecer en respuestas de ChatGPT— y al mismo tiempo desactivar GPTBot —para que su contenido no sea utilizado en el entrenamiento de modelos—.

Un fenómeno interesante es que GPTBot se ha convertido, según datos de 2025, en el segundo crawler más bloqueado en la web. Una parte importante de esta tendencia se explica por el rechazo de creadores de contenido que no quieren que su trabajo alimente modelos de IA sin compensación. La decisión es legítima. Lo que sí es importante dejar claro es que bloquear GPTBot no afecta el SEO ni la indexación en Google: son sistemas completamente separados.

Aquí es donde la investigación se vuelve más matizada, y debo ser honesto y admitir que cuando comencé a profundizar en este tema, tenía más expectativas de las que los datos justifican.

El archivo llms.txt fue propuesto en 2024 por Jeremy Howard, cofundador de Answer.AI, como un estándar abierto para guiar a los modelos de lenguaje hacia el contenido más relevante de un sitio. La idea es elegante: en lugar de que los crawlers de IA recorran todo el HTML de un sitio —con sus navegaciones, anuncios, scripts y contenido secundario—, el llms.txt les ofrece un mapa limpio en formato Markdown con las páginas de mayor valor informativo.

La adopción entre empresas líderes es real. Anthropic, Cloudflare, Stripe, Zapier, Cursor y otros actores relevantes del ecosistema tecnológico ya lo tienen implementado. Lo que todavía no es real —al menos según los análisis de logs disponibles hasta principios de 2026— es que los principales crawlers de IA estén leyendo este archivo de manera sistemática.

Dado que el costo de implementación es mínimo —es un archivo de texto plano— y dado que el estándar podría volverse relevante en los próximos meses a medida que los labs de IA formalicen su soporte, la recomendación pragmática es implementarlo ahora. No como una solución, sino como una declaración de intención y una apuesta por la infraestructura del futuro.

Si tuviera que elegir un solo elemento de infraestructura con el mayor impacto demostrable sobre la visibilidad en IA en este momento, elegiría este. La implementación de páginas de preguntas frecuentes con el marcado de datos estructurados FAQPage —en formato JSON-LD— es, según la evidencia disponible, uno de los factores más consistentes para ser citado en respuestas generativas.

Un fenómeno interesante que emerge de los datos de 2025 es la paradoja del FAQ schema: Google redujo la visibilidad de estos fragmentos enriquecidos en los resultados de búsqueda tradicionales en 2023, limitándolos principalmente a sitios gubernamentales y de salud. Sin embargo, su relevancia para los sistemas de IA aumentó exactamente en el mismo período. Según datos de Frase.io, las páginas con marcado FAQPage tienen 3.2 veces más probabilidades de aparecer en los AI Overviews de Google, y el tráfico referido desde plataformas de IA creció un 527% entre enero y mayo de 2025.

La razón técnica es directa: los modelos de lenguaje aprenden y responden en formato pregunta-respuesta. Cuando una página tiene ese formato explicitado en el marcado estructurado, la IA no necesita inferir ni extraer: encuentra la respuesta claramente delimitada, con un inicio y un final definidos.

Una advertencia importante: la pregunta dentro del schema debe coincidir exactamente con la pregunta visible en el cuerpo del texto. Google y los sistemas de IA detectan inconsistencias entre el markup y el contenido real, y eso penaliza la credibilidad de la fuente.

Más allá de la infraestructura técnica, el contenido mismo debe estar estructurado de una manera particular para que la IA lo prefiera como fuente. Hay algunos principios que emergen de la evidencia disponible y que vale la pena sistematizar.