Preparación para la búsqueda con IA: problemas técnicos de SEO frecuentes que impiden que se descubra una web

De dónde salen las cifras

El 29 de septiembre de 2026, SitequiryBot rastreó 106 webs conocidas (sobre todo en esloveno y en alemán, además de otras en inglés y en otros idiomas; tiendas, medios de noticias, servicios públicos, empresas, turismo y organizaciones sin ánimo de lucro). El rastreo se completó en 90 sitios; 13 respondieron a nuestro rastreador con un 403, un 429 o un desafío anti-bots y 3 redirigieron a otro dominio. En cada sitio completado analizamos hasta 20 páginas y comprobamos los 12.381 enlaces internos que había en ellas, con las mismas comprobaciones que el Informe del sitio de pago.

Todas las cifras cuentan sitios, no páginas: un sitio cuenta una sola vez para cada problema, tanto si afectaba a una URL como a cincuenta. Es una muestra por conveniencia de sitios conocidos, no de la web en su conjunto, y 20 páginas no son un rastreo completo, así que un sitio que «aprobó» puede tener el problema en otra parte. Los sitios en español forman parte del grupo de otros idiomas y son demasiado pocos para dar cifras propias, por lo que aquí solo usamos las de la muestra completa. Las cifras de robots.txt, sitemap, llms.txt y marcado se publican con su metodología en nuestro estudio sobre la preparación para la búsqueda con IA; las cifras técnicas de esta página proceden del mismo rastreo y pueden descargarse en CSV y JSON (en inglés) con licencia CC BY 4.0. No publicamos resultados por sitio.

SEO clásico y visibilidad en IA: la misma base, un último paso distinto

Google lo deja claro: sus funciones de IA no necesitan nada adicional. Su página sobre las funciones de IA y tu sitio web indica que una página tiene que estar indexada y ser apta para mostrarse con un fragmento, y que se aplican los fundamentos habituales del SEO. No existe ningún marcado ni archivo especial que haga que una página pueda aparecer en AI Overviews o en AI Mode.

Los demás productos de búsqueda con IA envían sus propios rastreadores. OpenAI usa OAI-SearchBot para mostrar sitios en ChatGPT Search, y lo mantiene separado de GPTBot, que recopila datos de entrenamiento. Anthropic documenta Claude-SearchBot, Claude-User y ClaudeBot e indica que respetan robots.txt; Perplexity usa PerplexityBot para sus resultados de búsqueda. Hagan lo que hagan después, estos sistemas empiezan donde empieza un buscador: descargan la URL, siguen los enlaces y leen el HTML.

Lo que cambia es el último paso. Un buscador ordena una lista de páginas; una respuesta de IA elige unos pocos fragmentos y puede citarlos. Ninguna de estas empresas publica cómo selecciona las fuentes que cita, y ningún rastreo, tampoco el nuestro, puede medirlo. Lo que decide la capa técnica es más limitado y más fácil de comprobar: si una página puede llegar siquiera a estar entre las candidatas.

1. Los rastreadores se quedan en la puerta antes de ver una página

La primera barrera es robots.txt. En nuestro estudio, 14 de los 90 sitios (16 %) bloqueaban al menos uno de los cuatro rastreadores de búsqueda con IA que comprobamos, y 18 (20 %) bloqueaban al menos uno de 15 rastreadores de IA de cualquier tipo. Desde fuera no se puede saber si un bloqueo es intencionado, así que comprueba que una regla escrita para frenar el entrenamiento de IA no nombre también a un rastreador de búsqueda. La guía sobre rastreadores de IA y robots.txt explica qué hace cada user-agent.

La segunda barrera es el cortafuegos o la CDN, y robots.txt no dice nada de ella. De los 106 sitios de nuestra muestra, 13 no dejaron entrar a nuestro rastreador en absoluto y respondieron con un 403, un 429 o una página de desafío. Vimos lo mismo en nuestra propia web: el 13 de octubre de 2026, sitequiry.com permitía todos los rastreadores en robots.txt, pero el cortafuegos del hosting devolvía un 403 al user-agent Bytespider. Una protección contra bots que no distingue un rastreador de búsqueda de un scraper puede dejar fuera a OAI-SearchBot o a PerplexityBot igual que a cualquier otro, y el propietario nunca lo verá en robots.txt.

Una tercera barrera, más discreta, es noindex. Google advierte de que una página bloqueada en robots.txt no puede mostrar su etiqueta noindex, porque el rastreador nunca llega a descargarla (Google: bloquear la indexación). En nuestro rastreo, una página de inicio llevaba noindex: un solo sitio, pero con toda su puerta de entrada pidiendo quedarse fuera.

• Descarga tu robots.txt y lee cada grupo User-agent que nombre a un rastreador de IA; el comprobador de rastreadores de IA lo hace con 15 de ellos.
• Pregunta a tu hosting o a tu CDN a qué bots somete su cortafuegos a un desafío. Cloudflare, por ejemplo, tiene un ajuste que bloquea los rastreadores de IA diga lo que diga robots.txt.
• Comprueba que las páginas que quieres que se encuentren no llevan noindex ni en el HTML ni en una cabecera X-Robots-Tag.

2. Enlaces internos que no llevan a ninguna parte o que dan un rodeo

Los rastreadores descubren la mayoría de las páginas siguiendo enlaces. De los 12.381 enlaces internos que comprobamos, 64 llevaban a una página de error (60 de ellos, a un 404). Parece poco, pero estaban repartidos entre 18 de los 90 sitios (20 %), y en 10 de esos 18 sitios el mismo destino roto estaba enlazado desde tres o más de las páginas analizadas, algo que suele delatar un enlace del menú, del pie de página o de la plantilla.

Las redirecciones eran mucho más frecuentes: 67 sitios (74 %) tenían al menos un enlace interno a una URL que redirigía, casi siempre de http:// a https:// o a la versión con o sin barra final. Un solo salto no hace daño. El problema son las cadenas: 23 sitios (26 %) tenían al menos una URL que necesitaba dos o más redirecciones. Los rastreadores de Google siguen hasta 10 saltos (Google: códigos de estado HTTP), y su guía para trasladar un sitio pide redirigir directamente a la URL final o, si hay cadena, que tenga menos de cinco saltos y, a ser posible, no más de tres (Google: trasladar un sitio). Los demás rastreadores de IA no documentan sus límites, así que lo prudente es suponer que cada salto de más es otra petición que quizá no llegue a hacerse.

Los dos problemas se corrigen igual: actualiza el propio enlace a la URL final, en la plantilla que lo genera, en lugar de añadir otra redirección. El checklist de auditoría SEO sitúa los enlaces rotos y las cadenas de redirecciones dentro de un orden de prioridades para revisar el sitio completo.

3. Sitemaps que contradicen a las páginas que incluyen

Un sitemap es la lista de URLs que pides a los buscadores que rastreen e indexen. De los 90 sitios, 75 tenían uno. Entre ellos, 15 (20 %) incluían al menos una URL que redirigía o devolvía un error, y 6 (8 %) incluían una página con noindex. Cada caso es una contradicción: el sitemap dice «indexa esto» mientras la página responde «me he mudado», «no existo» o «no me indexes».

Google pide que incluyas las URLs canónicas que quieres ver en los resultados y solo tiene en cuenta lastmod cuando es exacto de forma constante (Google: crear un sitemap). Bing insiste en lo mismo pensando en la búsqueda con IA: en una publicación de julio de 2025 recomienda un sitemap completo con un lastmod veraz e IndexNow para las páginas modificadas, de modo que los resultados con IA se mantengan actualizados.

• Genera el sitemap a partir de los mismos datos que deciden la canónica y el noindex, para que una página redirigida o excluida salga del sitemap automáticamente.
• Pon en lastmod la fecha en que cambió el contenido por última vez, no la fecha en que se generó el archivo.
• Declara el sitemap en robots.txt. Lo hacían 70 de los 84 sitios con un robots.txt legible; el resto confía en que los buscadores lo encuentren en la dirección predeterminada.

4. Señales de canónica, duplicados e idioma que no coinciden

Una etiqueta canónica indica a los buscadores cuál de varias URLs parecidas es la principal. Google la considera una señal fuerte, igual que las redirecciones, mientras que incluir una URL en el sitemap es una señal débil (Google: URLs canónicas). Una canónica que apunta a una página que redirige, da error o lleva noindex manda a los rastreadores a un callejón sin salida. Solo lo encontramos en un sitio. Los errores de canónica fueron raros en esta muestra, pero una canónica incorrecta en una plantilla afecta a todas las páginas que se generan con ella.

Los títulos duplicados eran más habituales: 16 sitios (18 %) tenían al menos dos páginas indexables con el mismo título. Cuando dos páginas se presentan de forma idéntica, el buscador tiene que deducir por su cuenta cuál responde a una consulta; las directrices de Google sobre los enlaces de título piden un título distinto y descriptivo para cada página.

Las webs multilingües añaden hreflang, que solo funciona si cada versión de idioma se incluye a sí misma y a todas las demás y si cada enlace es recíproco; de lo contrario, las anotaciones pueden ignorarse (Google: versiones localizadas). De los 31 sitios con hreflang, 4 (13 %) rompían ese círculo en al menos una página. El comprobador de canonical y hreflang revisa una URL y sus versiones alternativas en pocos segundos.

5. Contenido que solo existe después de ejecutar JavaScript

En 5 de los 90 sitios (6 %), al menos una página analizada era una carcasa renderizada en el cliente: el HTML que enviaba el servidor no tenía texto legible hasta que se ejecutaba JavaScript. Otros tres sitios quedaron fuera de las cifras de páginas del estudio por el mismo motivo, porque casi ninguna de sus páginas tenía contenido en el HTML.

Google renderiza JavaScript, pero en un paso aparte, después del rastreo, y sigue recomendando el renderizado en el servidor o el prerrenderizado, en parte porque no todos los rastreadores pueden ejecutar scripts (Google: conceptos básicos de SEO para JavaScript). Para los rastreadores de IA, la mejor medición pública es el análisis de Vercel de diciembre de 2024: ninguno de los principales rastreadores de IA renderizaba JavaScript en ese momento; los de OpenAI y Anthropic descargaban los archivos de script, pero no los ejecutaban, mientras que Gemini (a través de la infraestructura de Google) y Applebot sí renderizaban. Puede cambiar, pero hoy una página cuyo texto solo aparece en el navegador probablemente sea invisible para algunos rastreadores de búsqueda con IA.

La prueba es sencilla: abre el código fuente de la página (no el inspector) y busca una frase del texto principal. Si no está, pregunta a tu desarrollador por el renderizado en el servidor o la generación estática para las páginas que importan.

6. Páginas difíciles de entender una vez leídas

Que una página se descargue no significa que se entienda. El estudio encontró que el 59 % de las páginas de inicio tenía algún marcado schema.org, pero solo el 35 % identificaba a la organización que hay detrás del sitio, y en el 43 % de los sitios comprobados había dos o más páginas indexables sin H1. Los datos estructurados no consiguen por sí solos un hueco en las respuestas de IA; la norma de Google es que describan lo que se ve en la página (Google: directrices de datos estructurados), y su consejo de mayo de 2025 sobre las experiencias de búsqueda con IA pone el contenido único y útil por delante de cualquier aspecto técnico.

En la práctica, eso significa un único H1 claro que nombre el tema, un título y una descripción distintos de los de cualquier otra página, un bloque Organization que coincida con el nombre y la dirección que aparecen en la página, y un texto que responda con frases sencillas a la pregunta de la que trata. La guía de datos estructurados incluye un ejemplo mínimo de Organization.

Lo que este rastreo no puede decirte

• Si un sitio aparece citado en ChatGPT, Perplexity, Claude o las respuestas de IA de Google. Solo medimos señales de preparación; ninguna cifra de esta página mide visibilidad ni posicionamiento.
• Si alguno de estos problemas provocó un cambio de posiciones. Son obstáculos documentados para el rastreo y la indexación, no factores de citación en IA demostrados.
• Nada más allá de 20 páginas por sitio, ni lo que habría recibido un rastreador desde otra ubicación o con otro user-agent.
• La velocidad y los Core Web Vitals, que no se midieron en esta muestra.

Un orden para revisar tu propia web

• Acceso: los grupos de robots.txt para los rastreadores de búsqueda y de IA, y la configuración de bots del cortafuegos o la CDN. Usa el comprobador de rastreadores de IA.
• Indexabilidad: ningún noindex no deseado y canónicas que apunten a páginas activas e indexables. Usa el comprobador de metaetiquetas.
• Enlaces: ningún enlace interno a un 404 y ninguna cadena de redirecciones; actualiza los enlaces a su URL final.
• Sitemap: solo URLs canónicas e indexables que respondan con un 200, con un lastmod veraz.
• Renderizado: el texto principal está en el código fuente de la página.
• Idiomas: hreflang incluye todas las versiones, también la propia página, y cada enlace es recíproco. Usa el comprobador de canonical y hreflang.
• Comprensión: un H1, un título y una descripción únicos y datos estructurados que coincidan con la página.

El análisis gratuito revisa estas señales en una URL, además de la velocidad con Google PageSpeed. El Informe del sitio de pago ejecuta las mismas comprobaciones que este rastreo en hasta 20 páginas de una web y revisa los enlaces internos que encuentra. Si las correcciones necesitan un desarrollador, el equipo de GE-KO que está detrás de Sitequiry puede encargarse de la implementación.

Preguntas frecuentes