El contenido multimodal: imágenes, vídeo, audio

El contenido multimodal designa todo lo que, en un sitio, no se presenta en forma de texto plano: imágenes, vídeos, podcasts, infografías. Para que una IA generativa pueda aprovechar este contenido, debe ir acompañado de una descripción textual lo bastante precisa — de lo contrario, sigue siendo, para un motor, en gran medida invisible.

Por qué el contenido no textual sigue siendo en gran medida invisible para las IA

Los modelos de lenguaje que alimentan las IA generativas están, en su base, entrenados con texto. Algunos modelos recientes incorporan capacidades de comprensión de imágenes o descripción automática, pero esta capacidad sigue siendo desigual según el modelo y el contexto, y no sustituye a un texto asociado claro y explícito. Tanto para un motor de búsqueda tradicional como para uno generativo, una imagen o un vídeo sin descripción textual sigue siendo, en gran medida, un contenido que no puede indexar con precisión ni citar de forma fiable.

Esto crea un punto ciego frecuente: una empresa puede invertir en un vídeo de demostración de producto muy cuidado, o en una infografía que resume perfectamente su experiencia, sin que ese contenido llegue nunca a aparecer en una respuesta generada — simplemente porque ningún texto asociado permite a un motor entender qué contiene.

El texto alternativo (alt text): la base para las imágenes

El texto alternativo es la descripción textual asociada a una imagen en el código de una página. Concebido originalmente para la accesibilidad (lectores de pantalla para personas con discapacidad visual), también se ha convertido en una señal esencial para los motores de búsqueda y, por extensión, para el GEO.

Algunos principios sencillos:

Describe lo que la imagen muestra realmente, de forma factual, sin relleno de palabras clave.
Ajusta el nivel de detalle a la importancia de la imagen: una foto decorativa puede mantenerse sobria, un esquema técnico o una captura de producto merece una descripción más completa.
Evita textos genéricos ("imagen1.jpg", "foto producto") que no aportan ninguna información aprovechable.
Para las imágenes puramente decorativas, un alt text vacío es preferible a un texto artificial que no añade nada.

Un alt text bien redactado permite a un motor entender que una imagen ilustra un punto concreto de la página, y por tanto considerarla parte de un contenido coherente — un criterio ligado a los principios del contenido GEO-ready.

Las leyendas: un contexto complementario valioso

A diferencia del texto alternativo, invisible para un visitante humano, la leyenda (caption) se muestra debajo o al lado de la imagen. Aporta un contexto complementario — la fuente de una foto, una cifra asociada a un gráfico, la explicación de un esquema — que ayuda tanto a los visitantes como a los motores a entender el contenido visual sin necesidad de interpretar la imagen en sí.

Las leyendas son especialmente útiles para gráficos e infografías con datos: reformular en una leyenda, o idealmente en el texto circundante, las cifras clave presentadas visualmente permite a un motor recogerlas correctamente, mientras que un dato presente únicamente en una imagen sigue siendo muy difícil de extraer de forma fiable.

Las transcripciones para vídeo y audio

Para vídeo y audio (podcasts, webinars, entrevistas), la transcripción textual completa sigue siendo la forma más fiable de hacer que este contenido sea aprovechable por un motor, generativo o no. Una transcripción bien estructurada también permite localizar y citar un pasaje concreto, lo cual conecta con la lógica de chunking utilizada por muchos sistemas de búsqueda (ver el glosario).

Algunas buenas prácticas:

Publica la transcripción completa en la misma página que el vídeo o el audio, en lugar de en una página separada difícil de enlazar.
Estructura la transcripción con subtítulos o marcas de tiempo cuando el contenido es largo, para facilitar la localización de un pasaje concreto.
En el caso de los subtítulos integrados en el vídeo, comprueba su exactitud: una transcripción automática sin revisar suele contener errores que pueden distorsionar el sentido de un pasaje citado.
Añade un resumen al principio de la transcripción para los contenidos largos, útil tanto para los visitantes con poco tiempo como para dar acceso rápido al tema principal.

Los datos estructurados aplicados al contenido multimodal

Más allá del texto asociado, existen datos estructurados específicos para imágenes y vídeos (los tipos "ImageObject" y "VideoObject" en schema.org), que permiten precisar metadatos como la duración de un vídeo, su fecha de publicación o su descripción. Este marcado técnico no sustituye a una buena descripción textual, pero la refuerza al hacerla legible de forma estructurada para los sistemas que la analizan automáticamente.

Un método práctico para ponerse al día

Pocos sitios gestionan correctamente todo su contenido multimodal desde el principio. He aquí un método progresivo para cubrir las carencias existentes:

Haz un inventario de tus contenidos no textuales más estratégicos: vídeos de demostración de producto, infografías con datos clave, podcasts o webinars de alto valor.
Revisa con prioridad el alt text de las imágenes en tus páginas más visitadas o más importantes comercialmente.
Añade una transcripción a los vídeos y contenidos de audio que aún no la tengan, empezando por los que contienen la información más útil.
Reformula en texto las cifras e información clave que hoy solo existen en forma visual.
Comprueba si este contenido empieza a aparecer en las respuestas generadas, en particular mediante el análisis de tus fuentes de citas.

El contenido multimodal sigue siendo un aspecto a menudo descuidado del GEO, aunque con frecuencia representa el contenido más rico y diferenciador de un sitio. Hacerlo legible para los motores, más allá de su calidad visual o sonora, es un paso que no conviene saltarse.