GEO y Rich Results: por qué las IA muestran tu precio pero recomiendan a tu competidor

Por qué las IA muestran tu precio pero recomiendan a tu competidor

Los motores de IA modernos (ChatGPT, Perplexity, Gemini, Claude) disocian dos tareas distintas: la extracción de datos estructurados y la generación de recomendaciones. Tu schema Product u Offer se parsea correctamente, tus precios y ratings se muestran en la respuesta de IA, pero el algoritmo recomienda la compra o la acción en un competidor. Esta separación no es un bug, es la arquitectura misma de los modelos lingüísticos: procesan los metadatos y el contenido natural por separado, y el ranking final no depende únicamente de los datos estructurados visibles.

La distinción crítica: extracción vs recomendación

Cuando instalas un schema JSON-LD en tu sitio, facilitas la extracción de datos estructurados. Los crawlers de IA recuperan tu Product schema con el nombre, el precio, la nota media, la disponibilidad. Es esta capa la que rellena la tabla o la ficha mostrada en la respuesta. Sin embargo, la recomendación final («elige este producto», «compra en este vendedor») se basa en otras señales: la pertinencia textual, la autoridad de dominio, las menciones externas, la coherencia entre la intención del usuario y el contenido natural, y los patrones de entrenamiento del modelo.

Un competidor con menos datos estructurados pero un contenido más informativo, una mejor reputación externa o una mejor correspondencia con la consulta puede por tanto ser privilegiado a pesar de la ausencia de schema enriquecido. Las IA no «leen» tus rich results como un directorio: los utilizan como señales entre decenas de otras.

Cómo los modelos de IA tratan de forma diferente los rich results

Schema Product: visible pero no decisivo

El schema Product (nombre, imagen, descripción, price, offers) se extrae y se muestra. ChatGPT y Gemini lo mencionan a menudo en sus contextos: «Encontrarás este producto en X al precio de Y euros». Sin embargo, este schema no mejora directamente el ranking de recomendación. Sirve sobre todo para enriquecer la visualización y proporcionar una información básica. Un sitio sin Product schema pero con contenido rico sobre las características del producto y reseñas detalladas puede superar a un competidor que ha instalado el schema pero no ofrece nada más.

Schema Review: el impacto en la credibilidad percibida

El schema Review (author, rating, reviewBody, datePublished) tiene un peso diferente. Perplexity y Claude citan las reseñas estructuradas para justificar sus recomendaciones: «este artículo tiene una nota de 4,8/5 por 200 usuarios». Este schema influye por tanto indirectamente en la recomendación, porque proporciona la prueba social que el modelo articula en su respuesta. Un producto con 3 reseñas estructuradas de 5 estrellas será citado sistemáticamente de forma más favorable que uno sin datos de reseñas.

Schema Offer: la información de disponibilidad y de precio

El schema Offer incluye el precio, la moneda, la disponibilidad (in stock, out of stock, preorder) y las condiciones de entrega. Las IA extraen esta información para la visualización inmediata. Si tu Offer schema indica «in stock» y un precio competitivo, la respuesta de IA lo mostrará. Pero si un competidor tiene una mejor ratio precio/disponibilidad/plazo de entrega, este último será recomendado aunque tus datos estructurados sean impecables.

Las señales ocultas que superan los rich results

La autoridad de dominio y el historial de la entidad

Los modelos de IA integran una representación interna de la autoridad de los dominios. Un sitio como Amazon o Cdiscount, independientemente de sus rich results, se beneficia de un peso estructural: es conocido, sus datos históricos son masivos, los modelos lo han visto recomendado millones de veces. Un sitio nuevo con excelentes rich results pero sin ningún historial externo no recuperará esa ventaja de inmediato.

Las menciones externas y las citas de marca

Cuando un blog independiente, un foro o un medio cita tu producto o recomienda tu marca sin enlace, los modelos de IA integran esa mención en su representación de tu entidad. Un competidor mencionado 50 veces en contextos de recomendación será favorecido, aunque no haya invertido en los rich results.

La coherencia entre el contexto y la consulta del usuario

Si un usuario pregunta «mejor laptop para la programación», un sitio con un Product schema básico pero un contenido detallado sobre la programación en Python, las especificaciones de CPU y la RAM será recomendado antes que un sitio con un Product schema completo pero contenido genérico. Las IA buscan la correspondencia máxima entre la intención y el contenido global.

Por qué Perplexity, ChatGPT y Gemini no recomiendan al que tiene los mejores datos

Los modelos optimizan para la pertinencia, no para la riqueza de los metadatos

Las funciones loss utilizadas para entrenar los LLM recompensan la pertinencia y la utilidad, no la presencia de schemas estructurados. Un modelo aprende a reconocer un buen producto a través del contenido circundante, las señales de calidad externas y el lenguaje natural bien construido. La ausencia de schema JSON-LD nunca es una penalización directa: es la ausencia de contenido de calidad lo que penaliza.

La diversidad de fuentes en la ventana de contexto

Perplexity y Claude incluyen generalmente varias fuentes en su contexto. Si tu sitio está clasificado número 2 o 3 pero el número 1 tiene un mejor contenido natural, la recomendación irá al número 1. Aunque tengas el mejor Product schema del sector, sigues en la misma categoría de fuentes que los demás, sin ventaja decisiva.

Los patrones de entrenamiento superan los datos del momento

Los modelos generativos se entrenaron con miles de millones de páginas antes de que el GEO (Generative Engine Optimization) fuera un tema. Sus patrones internos sobre lo que es una "buena fuente" para las recomendaciones provienen de una época en la que los rich results no eran una estrategia SEO. Aunque los modelos más recientes integran más las señales técnicas, este sesgo histórico persiste.

Cómo convertir la extracción de datos en recomendación

1. Enriquecer los rich results con contenido natural relacionado

No instales tus rich results aislados. Alrededor de cada Product schema, escribe contenido que explique por qué este producto es pertinente, sus ventajas diferenciadoras, sus casos de uso. Si el modelo encuentra tu schema en un contexto rico y coherente, estará más inclinado a recomendarlo. Ejemplo: si vendes unos auriculares con un Product schema, escribe también una sección sobre la acústica, los tipos de uso (deporte, estudio, viaje) y las comparaciones honestas con las alternativas.

2. Estructurar los Review schemas con justificaciones detalladas

No pongas solo «5 estrellas» en tus Review schemas. Añade un reviewBody descriptivo que justifique el rating. Una frase como «Excelente relación calidad-precio, batería de 48h, muy cómodo para sesiones largas» será más útil para el modelo que una simple estrella numérica. Las IA extraen y citan estos textos de reseñas: cuanto más específicos sean, más influyen en la recomendación.

3. Construir una presencia externa con menciones temáticas

Los rich results solos no bastan: hacen falta menciones externas pertinentes. Anima a los blogs, a los foros de nicho, a los influencers técnicos a hablar de tu producto. Responde a preguntas en Reddit, Stack Overflow, Quora recomendando (sobriamente, sin spam) tu solución. Cada mención externa refuerza la señal que las IA integran en su recomendación final.

4. Implementar schemas de autoridad y atribución

Utiliza los schemas Organization y Author para establecer una entidad fuerte y creíble. Un Author schema indica quién ha escrito una reseña o un contenido; un Organization schema indica tu legitimidad, tus certificaciones, tu presencia en directorios. Estas señales completan los Product y Review schemas para construir una imagen de confianza.

5. Optimizar el Offer schema para la comparación

En tu Offer schema, rellena todos los campos: price, priceCurrency, availability, seller, shippingDetails, hasMerchantReturnPolicy. Cuanto más completo sea tu Offer, más podrán los modelos de IA citarlo en detalle y compararlo con otros. Un Offer mínimo permite la extracción, pero un Offer rico facilita la diferenciación y la recomendación a tu favor (si tu propuesta es efectivamente mejor).

Las señales que pesan más que tus rich results

La calidad de la landing page

Una página de producto rápida, mobile-friendly, con una estructura clara, imágenes de alta calidad y contenido único pesa más que un Product schema perfecto en una página lenta y genérica. Las IA evalúan la experiencia de usuario implícitamente: si tu sitio es friccional, ni siquiera los mejores metadatos salvarán la recomendación.

Los backlinks y el enlazado interno

Los enlaces externos hacia tu producto, procedentes de sitios pertinentes y autoritarios, siguen siendo una de las señales más fuertes. Un competidor con 10 backlinks de autoridad probablemente superará a un sitio con rich results impecables pero sin enlaces externos.

El contenido perenne y original

Una guía completa, una FAQ detallada, tutoriales en vídeo o casos prácticos en torno a tu producto forman parte del contenido que los modelos de IA valoran para la recomendación. Los rich results facilitan el parsing, pero el contenido crea el valor percibido.

Estrategia completa para dominar las recomendaciones de IA

Paso 1: Auditar tus rich results existentes

Verifica que todos tus Product, Review y Offer schemas estén implementados, válidos y completos. Utiliza Google's Rich Results Test para confirmar que no hay errores. Si tus rivales no tienen estos schemas, es una primera victoria: tendrás como mínimo la ventaja de la visualización enriquecida.

Paso 2: Producir contenido natural especializado en torno a cada oferta

Para cada producto principal, crea una página con contenido perenne: historia del producto, usos, comparaciones honestas, FAQ, reseñas detalladas. Este contenido debe ser único y responder a las preguntas que las IA plantean implícitamente: "¿por qué este producto y no otro?".

Paso 3: Multiplicar los Review schemas auténticos

Anima a los clientes a dejar reseñas detalladas. Importa estas reseñas en Review schemas estructurados. Cada reseña se convierte en una pieza de contenido que los modelos de IA pueden extraer y citar para justificar una recomendación. 50 reseñas estructuradas de 4+ estrellas pesarán más que cualquier contenido autoproducido.

Paso 4: Construir una presencia externa específica

Identifica los foros, blogs de nicho, youtubers e influencers pertinentes para tu sector. Da a conocer tu producto sin spam agresivo. Responde a las preguntas en Reddit o Quora recomendando tu solución cuando sea realmente pertinente. Las menciones externas aumentan tu credibilidad a los ojos de los modelos de IA.

Paso 5: Monitorizar las recomendaciones de IA y ajustar

Plantea las mismas preguntas a ChatGPT, Perplexity y Gemini que tus clientes. Anota quién es recomendado y por qué. Si un competidor te supera a pesar de tus mejores rich results, analiza su contenido natural, sus backlinks y su presencia externa. Adapta tu estrategia para cubrir esas lagunas.

Errores comunes que evitar

No suponer que los rich results bastan

Muchos sitios instalan Product schemas perfectos y luego esperan recomendaciones de IA. Es una falsa seguridad. Los rich results son una condición necesaria pero no suficiente. Facilitan la extracción y la visualización, pero no garantizan la recomendación.

No descuidar la coherencia entre schema y contenido

Si tu Product schema indica un precio de 99€ pero tu página muestra 120€, o si el Product schema menciona una característica ausente del contenido, los modelos de IA detectarán la incoherencia y penalizarán tu credibilidad.

No ignorar los Review schemas negativos

Si hay reseñas estructuradas de 2 o 3 estrellas con críticas fundadas, las IA las verán y las mencionarán. No elimines las reseñas negativas en tus schemas: en su lugar, respóndelas públicamente en el contenido natural para mostrar que te tomas en serio los comentarios.

No hacer spam de menciones externas

Los intentos de manipulación (reseñas falsas en otros sitios, menciones pagadas ocultas, comentarios robot) serán detectados por los modelos de IA modernos. Las menciones pertinentes y auténticas valen infinitamente más que cien menciones sospechosas.

El futuro: la integración creciente de los rich results en las recomendaciones de IA

Los modelos de IA evolucionarán probablemente hacia un mejor uso de los schemas estructurados, especialmente para los Product y Offer. A medida que el GEO se convierta en una práctica estándar, los modelos aprenderán a recompensar más a los sitios que ofrecen datos estructurados ricos y coherentes. Esto significa que tu inversión en los rich results de hoy no será en vano: prepara tu sitio para mañana.

Sin embargo, esto no eliminará la necesidad de un contenido excelente, de una presencia externa y de una autoridad de dominio. Los rich results amplificarán estos factores, no los sustituyen.