Los datos estructurados de Schema.org: entender cómo funcionan

Schema.org es un vocabulario estandarizado que permite describir, en el código de una página, hechos precisos e inequívocos: un precio, una valoración media, un autor, una fecha de publicación. Estos datos estructurados le dan a los motores y a las IA información que ya no tienen que deducir del texto libre.

Qué es el marcado Schema.org

Schema.org es un vocabulario compartido, mantenido conjuntamente por Google, Microsoft, Yahoo y Yandex, que define tipos de entidades (Product, Article, Organization, FAQPage...) y sus propiedades (price, author, datePublished...). Este vocabulario puede expresarse en HTML mediante varias sintaxis, la más extendida hoy es JSON-LD: un bloque de datos estructurados en formato JSON, insertado en una etiqueta <script>, separado del contenido visual de la página.

Existen otras dos sintaxis — microdata y RDFa — que se insertan directamente en los atributos de las etiquetas HTML visibles en lugar de en un bloque separado. JSON-LD se ha impuesto como la sintaxis recomendada por la mayoría de los motores, principalmente porque puede añadirse, modificarse o eliminarse sin tocar el HTML visual de la página, lo que simplifica enormemente su mantenimiento a lo largo del tiempo.

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Entender los datos estructurados de Schema.org",
  "author": {
    "@type": "Organization",
    "name": "Vurto"
  },
  "datePublished": "2026-01-15"
}
</script>

Por qué le da a las IA hechos inequívocos

Un texto escrito en lenguaje natural puede ser ambiguo o requerir interpretación: "desde 49 €" puede significar un precio mensual, anual, o una oferta promocional temporal. Una IA que necesita extraer ese precio para responder a una pregunta tiene entonces que interpretar el contexto, con riesgo de error. El mismo problema se presenta con una fecha escrita en palabras ("el 15 de enero" sin especificar el año) o con una valoración cualitativa ("muy bien valorado" sin un valor numérico): información que una persona interpreta sin esfuerzo gracias al contexto, pero que una máquina tiene que adivinar. Ese mismo precio marcado en Schema.org elimina esa ambigüedad:

"offers": {
  "@type": "Offer",
  "price": "49.00",
  "priceCurrency": "EUR"
}

Aquí el dato está estructurado, tipado y no admite interpretación. Es precisamente el tipo de claridad que buscan las IA generativas cuando necesitan citar un dato preciso (precio, valoración, disponibilidad, fecha) en lugar de parafrasear un fragmento de texto.

Cómo funciona en la práctica

El principio se apoya en tres elementos: un tipo (@type, ej. Product, Article, FAQPage) que indica la naturaleza de la entidad descrita, unas propiedades (name, price, author, review...) que describen sus atributos, y un contexto (@context, casi siempre https://schema.org) que indica qué vocabulario se está usando. Esta combinación permite que cualquier sistema que entienda el vocabulario de Schema.org interprete los datos de forma estrictamente idéntica, sin ambigüedad de lectura.

Lo que Schema.org no hace

El marcado estructurado no sustituye a un contenido de calidad, ni mejora artificialmente el posicionamiento de una página cuyo contenido real sea pobre o engañoso. Tampoco garantiza la aparición de resultados enriquecidos (rich snippets) en los resultados de búsqueda: estos dependen de criterios adicionales y de decisiones propias de cada motor. El papel de Schema.org es hacer explícita información que ya está presente y es exacta en la página — nunca declarar datos que no corresponden al contenido visible, una práctica que los motores penalizan cuando la detectan.

Esta distinción es esencial antes de empezar la implementación: Schema.org acelera y hace más fiable la lectura de un contenido ya sólido, pero nunca compensa la ausencia de ese contenido. Un sitio que aplicara un marcado AggregateRating elaborado en una página sin reseñas reales de clientes correría un riesgo de penalización muy superior al beneficio esperado.

La relación con las entidades y los grafos de conocimiento

Más allá de los hechos aislados (un precio, una fecha), Schema.org también ayuda a definir entidades y las relaciones que las unen: qué Organization es autora de qué Article, qué Product pertenece a qué Brand, qué página forma parte de qué BreadcrumbList. Esta red de relaciones explícitas acerca su contenido al funcionamiento de los grafos de conocimiento que los motores y algunas IA construyen en segundo plano para relacionar entidades, marcas y temas entre sí. Un sitio cuyas entidades están claramente identificadas y conectadas mediante Schema.org facilita este trabajo de conexión, en lugar de dejar que el motor deduzca esos vínculos solo a partir del texto.

Hacia la implementación

Entender el principio es el primer paso; ponerlo en práctica — qué tipos priorizar, cómo estructurar el JSON-LD, cómo validarlo — es el tema de la siguiente lección sobre la implementación de los datos estructurados de Schema.org. Esta claridad factual conecta también con un tema central del siguiente módulo: cómo las citas, cifras y pruebas refuerzan la credibilidad de un contenido ante una IA, junto con las señales de E-E-A-T que en parte dependen de ella.