El 71% de las páginas que ChatGPT cita usan datos estructurados. El otro 29% confía en que la IA "ya lo pillará". La AEO on-page es lo que separa el contenido que los LLM citan del que ignoran: schema, jerarquía de encabezados y enlazado interno con lógica. Escribir bien ya no basta. La máquina necesita estructura, no prosa bonita.
TL;DR: El resumen sin rodeos
- Schema markup: las páginas con FAQPage schema aparecen 3,2 veces más en AI Overviews. No es opcional.
- Encabezados con respuesta directa: los LLM extraen el primer párrafo tras cada H2. Si la respuesta está en el tercero, pasan de largo.
- Enlazado interno semántico: construyes un grafo de autoridad temática que la IA recorre cuando descompone una consulta.
- Dato clave: las sesiones referidas por IA en contenido con schema crecieron un 527% entre enero y mayo de 2025.
¿Qué es la AEO on-page y por qué no es SEO con otro nombre?
La AEO on-page es la práctica de estructurar el HTML de tu página para que los modelos de lenguaje (ChatGPT, Gemini, Perplexity) puedan extraer, comprender y citar tu contenido como fuente en sus respuestas. No sustituye al SEO. Lo complementa. El SEO sigue peleando por el clic. La AEO va a otra cosa: que tu contenido sea LA respuesta.
¿Y por qué importa ahora? Porque los motores de respuesta no "leen" una página como un humano. Tokenizan el HTML y buscan estructuras claras. Lo que está explícito gana; lo que hay que inferir, se pierde. Si tu contenido depende de que la IA adivine qué quieres decir, mala suerte.
Ya cubrimos la estrategia de AEO (el qué y el por qué) en la guía de AEO estratégico. Este artículo va de meter las manos en el barro: el cómo técnico, con plantillas que puedes copiar.
Schema markup para AEO: el idioma nativo de los LLM
El schema markup (vocabulario de Schema.org en formato JSON-LD) traduce tu contenido en datos que las máquinas entienden sin adivinar. Es contexto explícito. Y el dato habla solo: alrededor del 65% de las páginas citadas por AI Mode y el 71% de las citadas por ChatGPT utilizan marcado de esquema.
Pero ojo. Hay una trampa que veo en MUCHAS implementaciones.
Copiar un bloque de JSON-LD de un tutorial y pegarlo al final de la página no te convierte en citable. El schema funciona cuando refleja contenido real, visible, estructurado para ser extraído. Si tu FAQPage schema tiene preguntas que no aparecen en el HTML visible, Google lo detecta y la IA lo descarta.
Los schemas que mueven la aguja
No todos los schemas pesan igual a la hora de que te citen. Estos son los que he visto marcar diferencia:
- FAQPage: el de mayor impacto directo. Las páginas con este schema aparecen 3,2 veces más en Google AI Overviews. Cada par pregunta-respuesta debe ser autocontenido y las respuestas ideales rondan las 40-60 palabras.
- Article + Person/Organization: clasifican tu contenido y refuerzan las señales de E-E-A-T. Los LLM priorizan fuentes con autoría clara y credenciales verificables.
- HowTo: ideal para tutoriales paso a paso. Los LLM extraen los pasos como listas directas en sus respuestas.
Ojo: no elijas uno. Combínalos. Un FAQPage dentro de un Article con Organization schema monta una capa de datos que cualquiera de ellos por separado no te da ni de lejos.
Una cosa que no es negociable: valida siempre con el Test de Resultados Enriquecidos de Google antes de publicar. Un error en el marcado es peor que no tener marcado.
Estructura de encabezados: la jerarquía que la IA necesita
Los LLM extraen fragmentos asociados a encabezados. Si tus H2 son vagos ("Más información", "Conclusiones"), la IA no tiene contexto para decidir si tu contenido responde a la consulta del usuario. Es así de mecánico.
Cuatro reglas que aplico en las páginas que optimizamos en Marketing Ultra:
- H1 único y explícito, con intención de respuesta: "Cómo [X]: [resultado concreto]" o "Qué es [X] y por qué [importa]". Nada de H1 de branding puro.
- H2 en forma de pregunta directa cuando la intención lo permita. Los LLM mapean la pregunta del usuario contra tus encabezados. Si coinciden, ventaja.
- H3 para desglosar cada H2. Los modelos de IA extraen los H3 para construir listas con viñetas en sus respuestas.
- Respuesta directa al abrir cada sección: una o dos frases que respondan de forma autónoma antes de desarrollar. Es el fragmento que el LLM extrae. Si la respuesta está enterrada en el tercer párrafo, no la va a encontrar.
El truco: piensa cada encabezado como una consulta de búsqueda. Si nadie buscaría "Más información", no lo pongas como H2. Si miles de personas buscan "¿Cómo implementar FAQPage schema?", ahí tienes tu encabezado.
Enlazado interno para citabilidad: construye el grafo, no solo enlaces
Para los LLM, los enlaces internos construyen un grafo de autoridad temática. Cuando un usuario pregunta algo, la IA descompone la consulta en sub-preguntas (el llamado "query fan-out"). Si tu sitio tiene un clúster de contenido interconectado que cubre todas esas sub-preguntas, la probabilidad de ser citado sube.
Tres patrones que veo funcionar en los sitios que tocamos:
- Pilar + satélites: una página pilar como la guía de búsqueda agéntica y SEO que enlaza a artículos específicos. El pilar cubre el "qué"; los satélites cubren cada "cómo".
- Schema relacional: propiedades como
isPartOfpara series yrelatedLinkpara páginas temáticamente relacionadas. Contexto explícito para que la IA entienda la conexión entre tus páginas. - Texto ancla con intención: nada de "haz clic aquí". El anchor debe describir lo que el lector (y la IA) va a encontrar al otro lado.
¿Sabéis cuál es el error más habitual? Confundir el enlazado interno con rellenar las anclas de palabras clave. Un enlace con la palabra clave pelada repetida diez veces no construye autoridad. Construye spam.
La fontanería que nadie quiere hacer
Apostaría a que el 90% de los sitios que implementan schema para AEO lo hacen como los que ponían meta keywords en 2008: porque "hay que ponerlo". Copian el JSON-LD, lo pegan y a otra cosa.
El schema sin encabezados claros y respuestas al inicio de cada sección es como poner el cartel de un restaurante en un edificio vacío. La IA lee el schema, va a buscar el contenido, y si lo que encuentra son párrafos densos sin jerarquía, pasa de largo. Lo que funciona es juntar las tres patas. Si tu schema promete contenido que luego los encabezados no entregan, la IA pasa de largo. Y si no hay enlazado que conecte las piezas, le falta contexto para fiarse. Todo junto o nada.
Y el crecimiento del 527% en sesiones referidas por IA en contenido con schema no viene de pegar un JSON-LD y rezar. Viene de tratar cada página como un producto estructurado para que un robot la desmonte pieza a pieza.
Eso es EXACTAMENTE lo que hace un LLM cada vez que responde una pregunta. Dale las piezas bien organizadas o no le des nada.
Preguntas frecuentes sobre AEO on-page
¿Qué es JSON-LD y por qué es el formato preferido para schema?
JSON-LD (JavaScript Object Notation for Linked Data) es un formato que permite insertar datos estructurados como un bloque de código independiente en el HTML, sin modificar el contenido visible. Google lo recomienda sobre alternativas como Microdata o RDFa porque es más limpio, más fácil de mantener y menos propenso a errores de implementación.
¿Se puede implementar schema AEO en WordPress sin programar?
Sí. Plugins como Rank Math o Yoast SEO permiten añadir FAQPage, Article y Organization schema desde la interfaz visual, sin tocar código. Lo importante es que el contenido del schema coincida con lo que el usuario ve en la página: preguntas reales, respuestas reales, autoría verificable.
