Estudio de citabilidad en IA en España: qué están haciendo 55 webs del sector SEO

La citabilidad en IA empieza mucho antes de que un modelo redacte su respuesta. Los rastreadores de OpenAI, Anthropic, Gemini o Perplexity acceden a las páginas y recopilan información para sus respectivos sistemas de búsqueda. Después intervienen los procesos de recuperación y selección de fuentes que determinan qué contenidos pueden aparecer citados en una respuesta.

Hemos auditado 62 webs reales del sector SEO español para analizar qué ocurre en esa primera capa y qué pueden rastrear los sistemas, cómo está organizado el contenido y qué señales técnicas encuentran. Los datos proceden de peticiones HTTP y del análisis de las páginas descargadas, no de estimaciones.

¿Qué mide este estudio y qué deja fuera?

Medimos 55 webs que respondieron a las peticiones. Otras 6 no respondieron (senormunoz.es, blogger3cero.com, aleydasolis.com, sicodeandres.com, lidiainfante.comyi12web.es) y quedan fuera de los denominadores.

De cada web descargamos robots.txt, el sitemap, la portada y hasta dos páginas de contenido. Después analizamos párrafos, encabezados, tablas, listas y bloques JSON-LD, además de las señales de rastreo y las fechas de actualización declaradas.

Este estudio no escribe consultas en ChatGPT para contar citas reales. Esa medición requiere credenciales de API de cada motor y un protocolo específico de consultas. Sin esa capa, cualquier cifra de citas sería inventada. Medimos las condiciones técnicas y estructurales que pueden facilitar que una página sea rastreada, recuperada y utilizada como fuente. Cuando se incorporen las claves de los motores, el mismo sistema podrá ampliar la medición y regenerar el artículo.

Estos son los resultados principales. Todos se pueden comprobar con los datos y los scripts del estudio. La citabilidad media del sector no llega a 43 sobre 100 y ninguna web alcanza los 76 puntos.

• El 85 % de los sitios con robots.txt legible no declara una regla específica para GPTBot; 7 lo permiten explícitamente y 1 lo bloquea.
• No encontramos ningún párrafo de respuesta directa que cumpla nuestro criterio en las 87 páginas de contenido analizadas.
• FAQPage aparece en 12 de los 55 sitios.
• 25 de los 48 sitios con fechas de sitemap verificables llevan más de un año sin actualizar el contenido declarado.
• 53 de las 55 marcas no tienen ficha identificada en Wikidata ni en Wikipedia.
• 19 sitios sirven un llms.txt real y 5 de los 54 sitios con robots.txt legible declaran Content-Signal.
• Ningún sitio del sector supera los 70 puntos en nuestro índice de citabilidad.
• En las 87 páginas analizadas encontramos 167 encabezados formulados como pregunta y 17 tablas.

El resultado dibuja ocho patrones claros como silencio en las reglas de rastreo, poca separación entre rastreo de entrenamiento y búsqueda, ausencia de respuestas directas, uso limitado de FAQPage, contenido poco actualizado, escasa consolidación de entidades, adopción desigual de llms.txt y una presencia reducida de tablas.

¿Qué dicen los motores de IA?

Antes de interpretar los resultados de la muestra, contrastamos las afirmaciones técnicas con la documentación oficial de cada proveedor. Esta revisión se realizó el 4 de noviembre de 2026.

OpenAI, en su documentación de rastreadores, diferencia los usos de sus bots. OAI-SearchBot se utiliza para mostrar sitios en las respuestas de búsqueda de ChatGPT, mientras que GPTBot recoge contenido para entrenar los modelos. Las dos reglas son independientes y si un sitio puede permitir OAI-SearchBot otro puede denegar GPTBot. ChatGPT-User actúa cuando un usuario solicita una visita o acción concreta; no es un rastreador automático y su comportamiento respecto a robots.txt puede ser distinto. No debe confundirse con el bot que determina la inclusión en la búsqueda de ChatGPT.

Anthropic, en su ayuda oficial sobre rastreo web, diferencia ClaudeBot, Claude-SearchBot y Claude-User. ClaudeBot recoge contenido para el entrenamiento; Claude-SearchBot mejora los resultados de búsqueda y permite descubrir contenido para esas respuestas; Claude-User atiende peticiones iniciadas por usuarios. Desde el 30 de octubre de 2026, Anthropic reconoce una señal legible por máquina para expresar la preferencia de no utilizar contenido para entrenamiento, basada en el borrador aipref de la IETF. Las reglas que nombran ClaudeBot tienen prioridad sobre esa señal general.

Perplexity, en su documentación de rastreadores, explica que PerplexityBot sirve para mostrar y enlazar sitios en sus resultados, no para entrenar modelos. Perplexity-User atiende acciones iniciadas por personas y, al tratarse de una petición humana, puede comportarse de forma distinta a un rastreador automático respecto a robots.txt.

Google, en su guía de funciones de IA, indica que no hay requisitos adicionales ni optimizaciones especiales para aparecer en AI Overviews o AI Mode. Tampoco exige un schema especial ni archivos de texto específicos para IA. La página debe estar indexada y ser elegible para mostrarse con un fragmento. Para limitar lo que aparece en las funciones de IA de la Búsqueda están disponibles controles como nosnippet, data-nosnippet, max-snippet y noindex. Googlebot es el rastreador que controla el acceso para la Búsqueda. Google-Extended, por su parte, limita el uso del contenido para entrenamiento y grounding de otros sistemas de Google, no el rastreo para la Búsqueda.

Corrección sobre Content-Signal. En una versión anterior de este artículo atribuíamos a Google la directiva Content-Signal como mecanismo para autorizar el uso del contenido en respuestas generadas. La documentación de Google no la menciona y sus controles documentados son nosnippet, noindex y max-snippet, además de las reglas de rastreo de Googlebot.

Content-Signal es una convención de terceros. En la documentación contrastada para este estudio, Anthropic es el proveedor que la reconoce explícitamente mediante la señal derivada del borrador aipref de la IETF. Los 5 sitios que la declaran aparecen en nuestro inventario, pero no hay evidencia pública de que Google la utilice para la Búsqueda. Publicamos esta corrección porque la precisión documental debe aplicarse también a nuestras propias afirmaciones.

¿Por qué el 85 % no dice nada sobre los rastreadores de IA?

De las 54 páginas webs con robots.txt legible, 7 mencionan a GPTBot y lo permiten, mientras que solo 1 lo bloquea. Los 46 restantes no declaran una regla específica. Ese silencio significa que no existe una directiva explícita en el archivo que lo bloquee; no significa que el bot vaya a rastrear necesariamente la web.

Hay un matiz importante y es que GPTBot como ClaudeBot no son los rastreadores de búsqueda. Los bots que intervienen en el descubrimiento de contenido para respuestas de búsqueda son OAI-SearchBot, Claude-SearchBot y PerplexityBot. Cada uno se controla con su propia regla, independiente de las demás.

En los 54 archivos legibles no encontramos una declaración específica para OAI-SearchBot ni para Claude-SearchBot. En el caso de PerplexityBot, 6 lo permiten y 48 no declaran una regla. Esto no demuestra que todas las webs estén bloqueando o permitiendo de hecho cualquier uso y describe exactamente lo que aparece en los archivos analizados.

La diferencia entre permitir entrenamiento y permitir búsqueda es relevante para cualquier estrategia de visibilidad. Una empresa puede decidir que no quiere autorizar el uso de su contenido para entrenamiento y, al mismo tiempo, permitir el rastreo necesario para aparecer en resultados de búsqueda.

La guía de robots.txt para rastreadores de IA explica las directivas y sus diferencias. La comparativa de asistentes SEO amplía el análisis sobre el comportamiento de cada motor.

¿Por qué no hay ni un solo párrafo de respuesta directa en 87 artículos?

Este es uno de los hallazgos más llamativos del estudio. De las 87 páginas de contenido analizadas, ninguna contiene un párrafo de entre 55 y 85 palabras que responda de forma directa a una pregunta, según el criterio aplicado en nuestra auditoría.

Los sistemas de recuperación necesitan localizar información relevante y extraer fragmentos que respondan a una consulta. Un contenido que presenta primero mucho contexto y retrasa la respuesta puede dificultar esa extracción. En cambio, un bloque que responde de forma clara, autónoma y concreta facilita identificar qué parte de la página resuelve una pregunta.

Las preguntas sí aparecen y encontramos 167 encabezados formulados como pregunta en 35 de las 87 páginas. Las tablas, en cambio, son escasas y solo 17 en todo el corte. La pregunta está; la respuesta directa y estructurada no aparece con el formato que hemos buscado.

Conviene distinguir entre lo que demuestra el dato y lo que todavía no podemos demostrar. Este estudio mide estructura y condiciones técnicas, no citas reales de los motores. Por tanto, no podemos afirmar que las webs no reciban citas porque les falten párrafos de respuesta directa. Lo que sí observamos es que ese formato facilita la extracción de respuestas y que no aparece en ninguna de las páginas analizadas. Es una hipótesis plausible para explicar parte de las dificultades de citabilidad del sector, pero confirmarla exige medir consultas reales a los motores y contrastar qué fuentes citan.

El formato de trabajo está desarrollado en contenido extraíble y tablas y en la ingeniería de contenidos para GEO. El concepto de citabilidad en LLMs explica por qué la estructura de la respuesta importa en este tipo de estrategias.

¿Qué le falta al schema que ya tienen 51 de 55 webs?

51 sitios publican JSON-LD y 44 declaran Organization o LocalBusiness. La base de datos estructurados está presente en buena parte de la muestra. Sin embargo, solo 12 incluyen FAQPage, y 48 describen la página mediante tipos como WebSite, Article o WebPage.

FAQPage es el tipo de schema que representa pares de pregunta y respuesta. En nuestra muestra lo publican 12 de las 55 webs. Que sea una señal poco extendida es un hecho del inventario, no un resultado de rendimiento medido: este estudio no cuenta citas de motores ni permite afirmar que añadir FAQPage provoque más menciones.

La especificación está en FAQ schema, el formato base en JSON-LD, los requisitos generales en la documentación de datos estructurados de Google y la definición del tipo en schema.org.

¿El contenido del sector está fresco?

De los 48 dominios cuyo sitemap declara fechas de última modificación verificables, la mediana se sitúa en 462,5 días. 25 de esos 48 sitios superan el año desde la fecha declarada. Solo 9 muestran una actualización dentro de los últimos 90 días. El rango completo va de 1 a 4919 días.

La fecha de modificación del sitemap es una señal declarada por el sitio, no una prueba independiente de que todo el contenido se haya revisado en profundidad. Aun así, permite observar cuándo se han actualizado las URLs según la información publicada por cada dominio.

La actualización editorial importa especialmente en sectores donde cambian las herramientas, los criterios y las recomendaciones. No basta con modificar una fecha: conviene revisar la información, comprobar enlaces, actualizar ejemplos y retirar afirmaciones que ya no se sostienen.

El índice de volatilidad SERP cruza los cambios en los resultados de búsqueda con el riesgo de que una fuente pierda visibilidad.

¿Por qué 53 de 55 marcas no tienen entidad identificada?

Consultamos Wikidata y Wikipedia en español para cada marca y profesional de la muestra. Después descartamos las coincidencias que no correspondían a la misma entidad. El resultado es que 53 de las 55 marcas analizadas no tienen una ficha identificada en esas fuentes.

Esto no significa que esas marcas no existan como entidades para los motores ni que carezcan de reconocimiento en otros sistemas. Significa que no encontramos una ficha coincidente en las dos fuentes consultadas siguiendo nuestro procedimiento.

La identificación coherente de una marca ayuda a reducir ambigüedades: mismo nombre, misma actividad, perfiles consistentes y referencias verificables. Es una línea de trabajo relacionada con la autoridad de entidad y el knowledge graph.

El dato conecta con otra medición publicada. Nacho Mascort lanzó 179 consultas a cinco motores para analizar qué consultores SEO recomienda la IA. En ese trabajo, la web más citada fue la de Natzir Turrado. Puedes consultar el contexto en nuestro ranking de consultores GEO.

¿Sirve llms.txt y sirve Content-Signal?

19 de las 55 webs sirven un llms.txt real. Para evitar falsos positivos, comprobamos que el cuerpo de la respuesta fuese un documento dirigido a modelos y no una portada o una página genérica que simplemente devolviese un código HTTP 200.

El archivo puede servir como documento de orientación para sistemas que decidan leerlo, pero no debe confundirse con una directiva universal ni con un requisito oficial de Google. Su presencia tampoco demuestra que un motor concreto lo haya consultado.

El detalle técnico está en llms.txt y el análisis de las webs del sector que lo tienen está en qué hacen los del sector que lo tienen.

En cuanto a Content-Signal, 5 de las 54 webs con robots.txt legible declaran esta convención. No es un control documentado por Google para la Búsqueda. Su interpretación debe hacerse de acuerdo con el proveedor que la reconoce y con las reglas específicas de cada rastreador.

¿Cómo se asignan los puntos del índice?

El índice suma seis bloques y alcanza un máximo de 100 puntos. Publicamos la regla exacta para que cualquier profesional pueda reproducir el cálculo y discutir sus criterios.

¿Qué ocurre cuando un dato no se puede verificar?

La forma de tratar los datos ausentes también forma parte de la metodología:

• Si el robots.txt no es legible, esa web solo queda fuera del denominador de robots.txt, que corresponde a las 54 webs con el archivo verificable. En el índice, el bloque de rastreadores recibe 0 puntos; la web sigue puntuando en los otros cinco bloques y cuenta en los demás denominadores.
• Si el sitemap no es legible, el dominio no cuenta en las estadísticas de frescura, ni como favorable ni como desfavorable.
• Si la web no responde, no entra en los denominadores del estudio: 7 de los 62 dominios auditados quedaron fuera por ese motivo.
• Si no hay entidad identificada en Wikidata ni Wikipedia, cuenta como marca sin entidad identificada en esas fuentes. No existe un valor intermedio ni un «casi entidad».
• Ningún bloque se puntúa con datos de otra web. Cada punto se calcula únicamente con la información descargada de ese dominio.

El punto ciego del índice es importante: mide estructura, no autoridad ni citas reales. Un sitio con cero puntos puede ser el mejor del sector en otros aspectos y uno con 70 puede no aparecer nunca citado. El índice ordena las señales técnicas y editoriales que hemos decidido medir; no certifica que una web vaya a ser recomendada por un sistema de IA.

La tabla completa del índice de citabilidad de las 55 webs

Construimos un índice propio de 0 a 100 para ordenar la muestra según las señales que hemos definido. Pondera seis bloques: acceso de los rastreadores de cita (20), Organization en schema (20), schema de página (15), párrafos de respuesta directa (20), encabezados en forma de pregunta (15) y tablas más listas (10).

Es una métrica propia, no un factor de Google ni una clasificación oficial de los proveedores de IA. Publicamos la tabla completa para que se pueda contrastar cada resultado.

La media de citabilidad del sector es 42,75 puntos y el máximo es 70. La distribución queda así: 9 sitios por debajo de 25 puntos, 20 entre 26 y 50, 26 entre 51 y 75 y ninguno por encima de 75.

A igualdad de puntuación no aplicamos un criterio secundario de ordenación: los puestos empatados se comparten. Por eso Agencia SEO Local y Netbulb ocupan el puesto 2, ambas con 66 puntos. La tabla conserva el mismo criterio en todos los empates.

¿Quiénes ocupan las primeras posiciones?

Netbulb comparte puntuación con Agencia SEO Local. No hemos introducido un criterio subjetivo para desempatar: ambas tienen 66 puntos y ambas ocupan el segundo puesto.

¿Qué tienen en común algunas webs con cero puntos?

Estas tres webs son ejemplos de dominios que obtienen cero puntos en el índice:

No significa necesariamente que carezcan de contenido o de autoridad. Significa que, en los bloques y criterios que puntúa nuestro índice, no reúnen las señales necesarias para obtener puntos. En la muestra hay cinco dominios empatados a cero; mostramos estos tres como ejemplos, no como una clasificación adicional.

Las 50 agencias del estudio, una por una

La muestra parte de rankings publicados y de agencias relevantes del sector. Estos son los 50 nombres incluidos en el ranking de agencias y el dominio que verificamos para cada uno. Cuando no pudimos verificar el dominio mediante petición HTTP y comprobación del título, lo indicamos expresamente: esa agencia no se audita y queda fuera de la muestra de webs.

Netbulb forma parte de la medición y se ha evaluado con exactamente los mismos criterios que el resto de dominios.

¿Qué haríamos con una web de esta muestra?

Los resultados permiten establecer un orden de trabajo. No empezaría por añadir schema sin revisar antes el acceso de los rastreadores y la estructura del contenido. Las mejoras técnicas deben acompañar a una página que realmente resuelva las preguntas de sus usuarios.

1. Decidir el contrato de rastreo. Revisar las reglas de OAI-SearchBot, Claude-SearchBot y PerplexityBot. Decidir expresamente qué hacer con GPTBot y ClaudeBot según el modelo de negocio y las preferencias sobre entrenamiento. Si se utiliza Content-Signal, comprobar qué proveedor reconoce esa señal y qué alcance tiene.
2. Escribir el párrafo de respuesta. Preparar un bloque breve y autónomo que empiece por la respuesta. Nuestro criterio de auditoría utiliza párrafos de 55 a 85 palabras. Se puede empezar por las preguntas que ya hacen los clientes y que aparecen en los encabezados del contenido.
3. Poner las preguntas en los encabezados. Crear H2 y H3 que se entiendan por sí solos y anticipen con claridad qué responde cada sección.
4. Añadir FAQPage cuando corresponda. Representar en JSON-LD los pares de pregunta y respuesta que realmente aparecen en la página. El marcado debe reflejar el contenido visible y cumplir las directrices aplicables.
5. Convertir comparativas en tablas. Cuando haya datos, características, ventajas o diferencias que comparar, utilizar tablas claras con encabezados descriptivos. No se trata de añadir tablas por añadirlas, sino de estructurar información que se presta a la comparación.
6. Actualizar por fecha. Revisar los contenidos que llevan más de un año sin cambios. Actualizar la información que haya quedado obsoleta y modificar la fecha de última actualización solo cuando se haya realizado una revisión real.
7. Construir entidad. Unificar el nombre de marca, la descripción, los perfiles y las referencias externas. Comprobar si existen fichas adecuadas en fuentes de conocimiento como Wikidata y trabajar la consistencia de la identidad digital.

La revisión de estos puntos puede apoyarse en herramientas de auditoría como SEOwer Pro, que permite comprobar distintos elementos SEO y GEO de una página.

¿Cómo repites el estudio con tus propias URLs?

El sistema que hay detrás de este artículo utiliza scripts para descargar, analizar y procesar los datos. El proceso permite repetir la auditoría sobre una muestra propia y obtener resultados con las mismas reglas.

python src/run_audit.py      # audita la muestra y guarda los datos crudos
python src/pages.py          # añade las páginas de contenido
python src/entities.py       # consulta Wikidata y Wikipedia
python src/analyze.py        # calcula descriptivos, contrastes y tabla
python src/build_article.py  # regenera este artículo con los datos

Para incorporar la capa de consultas y citas reales de los motores se pueden configurar las claves correspondientes en un archivo .env, como GEMINI_API_KEY, OPENAI_API_KEY o PERPLEXITY_API_KEY, según los conectores y scripts habilitados. Esa capa es distinta de la auditoría HTTP descrita en este artículo.

La forma de medir esa parte está relacionada con la monitorización de menciones en LLMs.

Preguntas frecuentes

¿Qué es la citabilidad en IA y cómo se mide?

La citabilidad en IA es la capacidad de un contenido para ser recuperado, seleccionado y utilizado como fuente en una respuesta generada por un sistema de inteligencia artificial. Puede analizarse desde distintas capas: acceso de los rastreadores, claridad de las respuestas, estructura semántica, datos estructurados y organización de la información.

En este estudio construimos un índice propio de 0 a 100 que mide seis bloques técnicos y editoriales. No mide citas reales ni garantiza que un motor vaya a recomendar una web. La definición completa está en citabilidad en LLMs y el plan de trabajo en estrategia de citabilidad.

¿Sirve llms.txt si Google dice que no lo usa?

llms.txt puede servir como documento de orientación para los sistemas que decidan leerlo. Sin embargo, no es un requisito de Google para aparecer en AI Overviews o AI Mode y su presencia no garantiza que un motor lo consulte.

Este estudio mide su presencia por separado de las reglas de robots.txt. En la muestra encontramos 19 archivos llms.txt reales. La adopción de este archivo no debe confundirse con el control del rastreo ni con la posibilidad de aparecer en respuestas de IA.

¿Basta con añadir schema para que la IA cite tu web?

No. En esta muestra, 51 de 55 sitios publican JSON-LD, pero el estudio también encuentra cero párrafos de respuesta directa según nuestro criterio y solo 17 tablas en 87 páginas. El schema ayuda a describir entidades y contenidos, pero no sustituye a una página útil, clara y bien estructurada.

Además, este estudio no mide citas reales, por lo que no podemos atribuir un efecto directo sobre las recomendaciones de los motores.

¿Debo bloquear GPTBot?

Depende de tu estrategia y de los usos que quieras permitir. GPTBot está asociado a la recopilación de contenido para entrenamiento, mientras que OAI-SearchBot se utiliza para la búsqueda de ChatGPT. Son rastreadores distintos y sus reglas pueden configurarse de forma independiente.

Una empresa que prioriza la visibilidad en búsqueda puede querer permitir el rastreador de búsqueda y tomar una decisión separada sobre el entrenamiento. La decisión debe responder al modelo de negocio, a los derechos sobre el contenido y a las preferencias de publicación. La estrategia de citabilidad y el test AEO ayudan a revisar estos aspectos.

¿Cada cuánto conviene repetir la auditoría?

Como referencia, conviene repetirla cada trimestre y después de cambios importantes en la plantilla, el sistema de publicación o las reglas de rastreo. También es recomendable revisar los datos cuando cambie la documentación de los proveedores.

Los datos de este estudio se recuperaron el 4 de noviembre de 2026. Una nueva ejecución permitirá comparar los cambios con el corte anterior, siempre que se mantengan la muestra y los criterios de medición.

Lo que nos llevamos

El sector SEO español tiene una base de SEO técnico que todavía no se traduce necesariamente en una estructura preparada para facilitar la recuperación de respuestas por sistemas de IA.

Hay JSON-LD en 51 de 55 sitios. Sin embargo, no encontramos párrafos de respuesta directa que cumplan nuestro criterio en ninguna de las 87 páginas analizadas. Hay 17 tablas, 19 archivos llms.txt reales y 5 declaraciones de Content-Signal entre los 54 sitios con robots.txt legible. Además, 53 de las 55 marcas no tienen una ficha identificada en Wikidata ni Wikipedia.

El índice medio es de 42,75 puntos y ninguna web supera los 70. Netbulb obtiene 66 puntos y comparte el segundo puesto con Agencia SEO Local. El resultado se publica con el mismo sistema de puntuación aplicado al resto de la muestra.

Estas cifras no demuestran qué webs cita cada motor ni permiten afirmar que una señal concreta garantice visibilidad. Sí muestran dónde están las carencias estructurales que hemos medido y ofrecen una referencia reproducible para trabajar sobre ellas.

La citabilidad no se consigue añadiendo una etiqueta aislada. Se construye con rastreo bien configurado, contenido que responde, estructura comprensible, datos coherentes y una identidad digital reconocible. Si quieres que revisemos tu web, puedes pedir una auditoría o consultar nuestro análisis de factores de clasificación en IA.

Autor: Jorge Sánchez Mosquete · Consultor SEO y especialista en IA generativa.

Metodología y datos reproducibles en el repositorio del estudio. Las cifras de auditoría proceden de las peticiones HTTP registradas el 5 de noviembre de 2026 a las 22:21 horas.