Ir al contenido
Por NiLu Actualizado

Web agent-ready — qué cambia cuando parte de la audiencia no es humana

Tres capas — descubrir, citar y ejecutar — ordenan qué cambia cuando bots y agentes leen tu sitio, con prioridades y límites claros.

En resumen

  • Parte del tráfico que llega a un sitio siempre fue automatizado; lo que cambió es que una fracción también genera respuestas de IA y, aún de forma experimental, actúa en nombre de un usuario.
  • Tres trabajos distintos — descubrir, citar y ejecutar — ordenan mejor la prioridad que tratar todo como "SEO con más schema".
  • Para Google, optimizar para funciones de IA en Search sigue siendo SEO: sin markup especial ni llms.txt como requisito.
  • La ejecución por agentes (WebMCP) es experimental y no debe guiar el presupuesto hoy.

Una parte de la audiencia no es humana

No todo visitante de un sitio es una persona leyendo en un navegador. Parte del tráfico siempre fue de crawlers y herramientas automatizadas; lo que cambió es que una fracción ahora también se usa para componer respuestas en herramientas de búsqueda con IA y, aún de forma experimental, para actuar directamente en nombre de un usuario. Chrome for Developers describe este cambio como dos etapas de la “web agéntica”: agentes que buscan (searching, donde siguen aplicando los fundamentos de SEO) y agentes que usan el sitio directamente (using, donde entran el árbol de accesibilidad, la estabilidad del diseño y, en el límite, WebMCP). [1] La W3C Technical Architecture Group debatió, en una reunión de marzo de 2026, cómo distinguir humanos, bots y agentes que actúan en nombre de usuarios en la arquitectura de la Web — un debate en curso, sin una conclusión publicada en el post. [2]

Suele circular una cifra para ilustrar este cambio: el informe Bad Bot 2025 de Imperva, basado en la red propia del proveedor en 2024, registró tráfico automatizado (51%) superando al tráfico humano (49%), con 37% clasificado como bot malicioso y 14% como bot “bueno”. Es telemetría de un vendor de seguridad sobre su propia base de clientes — no un censo de la web — y “automatizado” no es sinónimo de “agente de IA”. Usa esta cifra para justificar una política de crawl y el monitoreo de bots, no para presupuestar “presencia en agentes”. [3]

Tres capas: descubrir, citar, ejecutar

Es útil separar tres trabajos que suelen agruparse bajo “SEO para IA”:

  • Descubrir — ser rastreado, indexado y elegible para aparecer en funciones de búsqueda, incluidas las generadas por IA.
  • Citar — ser usado como evidencia, con enlace y atribución, dentro de una respuesta generativa. No es lo mismo que ocupar una posición estable de ranking.
  • Ejecutar — que un agente llame acciones directamente en el sitio (completar un formulario, comprar, agendar). Hoy esto es experimental.

Para la capa Descubrir, la guía de Google Search Central sobre funciones de IA generativa afirma que estas funcionalidades se apoyan en los mismos sistemas centrales de calidad y ranking de Search, y que no existen markup especial de IA ni un archivo llms.txt obligatorio — optimizar para ellas sigue siendo optimizar para Search. La documentación “AI features and your website” refuerza que no hay requisito técnico más allá de estar indexado y ser elegible para snippet. [4] [5]

Para la capa Citar, los motores generativos recuperan contenido y sintetizan respuestas con atribución — OpenAI describe así ChatGPT search, con una barra lateral de fuentes. [6] No existe hoy un “marcador” público de posición de cita equivalente al ranking de búsqueda.

La capa Ejecutar depende de WebMCP, una propuesta aún en origin trial en Chrome (a partir de la versión 149) y documentada por el W3C Web Machine Learning Community Group como Draft Community Group Report — explícitamente, no es un estándar W3C ni está en camino de convertirse en uno. Tiene limitaciones relevantes: exige un contexto de navegador abierto, no funciona sin interfaz (headless) y el descubrimiento de capacidades exige visitar el sitio directamente. [7] [8]

Por qué no es solo “SEO con más schema”

La misma guía de Google incluye, entre los errores que se deben evitar, apostar por llms.txt, markup especial de IA, dividir contenido en “chunks” para IA o reescribir textos solo para agentes. Los datos estructurados siguen siendo útiles cuando corresponden al contenido visible — no como atajo para obtener citas. [4] El artículo “Succeeding in AI search”, del Search Central Blog, extiende el mismo consejo people-first y los mismos requisitos técnicos de siempre (rastreo, indexación, snippet) a las respuestas generadas por IA. [9]

Esto no invalida separar descubrir, citar y ejecutar — solo evita convertir el mapa en ciencia comprobada. El lenguaje de “searching vs. using” de Chrome y de “humans, bots, agents” de TAG sostiene el vocabulario, pero es lenguaje de implementadores y arquitectura, no prueba de que el modelo sea la mejor forma de describir 2026. Tratamos las tres capas como una hipótesis de trabajo contrastada con la evidencia disponible — no como un framework cerrado. [1] [2]

Qué priorizar primero

  • Base de SEO — rastreo, indexación, elegibilidad para snippet y contenido people-first. Es la base documentada para aparecer en cualquier función de búsqueda con IA. [4] [5]
  • Representaciones limpias — HTML semántico y contenido principal bien diferenciado de menús y pies de página; negociar Markdown (Accept: text/markdown) es un recurso complementario cuando el stack lo admite, no una exigencia de Search.
  • Política de crawl — separar bots de entrenamiento de bots de búsqueda/cita. OpenAI distingue GPTBot (entrenamiento), OAI-SearchBot (indexación de búsqueda) y ChatGPT-User (búsqueda en tiempo real del usuario); Anthropic documenta cómo bloquear su crawler. [10] [11] Proveedores de borde informan que los crawlers de IA ya representan una parte relevante del tráfico de bots observado en sus propias redes — Fastly citó casi 80% del tráfico de bots de IA identificado en su análisis; usa este tipo de cifra para dimensionar el costo de ancho de banda y origen, no como estadística global de la web. [12]
  • Métricas reales — Search Console (incluidos los informes de impresiones para funciones gen-AI, cuando existan), sesiones y conversión — no archivos llms.txt publicados “porque todos los tienen”. Un estudio de Ahrefs con cerca de 137 mil sitios encontró que 97% de los archivos llms.txt publicados no recibió ninguna solicitud en el mes analizado. [13]
  • Ejecución (WebMCP) — observar, sin apostar presupuesto; sigue siendo origin trial y draft de comunidad.

Dónde está el hype

El paper que definió el término GEO (Generative Engine Optimization) informó una ganancia relativa de visibilidad “de hasta 40%” — pero en un entorno experimental de los propios autores, con un pipeline específico (top-5 de Google reprocesado por un modelo al estilo GPT-3.5), no en un producto de ranking público. Es evidencia de método, no previsión de retorno de negocio. [14]

Incluso cuando un contenido es citado, eso no equivale a una visita. El Pew Research Center encontró, en un análisis correlacional, una tasa de clics en enlaces orgánicos de cerca de 8% cuando aparecía un resumen de IA en los resultados de Google, frente a cerca de 15% cuando no aparecía; solo alrededor de 1% de los usuarios hizo clic en enlaces dentro del propio resumen. [15] Reportajes de Digiday, citando datos de Digital Content Next, informaron una mediana de aproximadamente -10% interanual en el tráfico de referencia desde Google entre publishers (con amplia variación entre casos) asociada a AI Overviews; otro reportaje, citando Similarweb, señaló zero-click en búsquedas de noticias subiendo de cerca de 56% a 69%, mientras el tráfico proveniente de plataformas de IA crecía sin compensar esa pérdida. Son datos de prensa especializada sobre cohortes específicas — útiles como señal de presión económica, no como prueba causal universal. [16] [17]

La calidad de la propia cita también es frágil: un estudio de 2023 (Liu et al.) midió recall de citas por frase de alrededor de 51,5% en los motores de búsqueda generativa evaluados — casi la mitad de las frases generadas sin una cita verificable adecuada en el snapshot estudiado. [18]

Incertidumbres

  • No se sabe si el modelo de tres capas realmente ayuda a tomar mejores decisiones de presupuesto, o solo organiza la narrativa sin cambiar resultados.
  • No hay una lista pública de los criterios exactos que Google usa para elegir qué enlaces aparecen como apoyo en AI Overviews.
  • No se sabe cuándo (o si) WebMCP deja de ser origin trial / draft de comunidad y se convierte en un estándar estable entre navegadores.
  • No es posible separar, en cifras de tráfico “automatizado” como las de Imperva, qué fracción es un agente que actúa en nombre de un usuario y qué fracción es crawler o scraper común.
  • No hay estudio público que convierta métricas sintéticas de “visibilidad en IA” en impresiones, clics o ingresos reales de publishers.

Referencias

  1. Chrome for Developers — A developer toolkit to make your website agent-ready. Chrome for Developers. Acceso el 07 ago. 2026.
  2. W3C — The W3C TAG Meeting in London, March 2026. W3C. Acceso el 07 ago. 2026.
  3. Imperva — 2025 Bad Bot Report. Imperva. Acceso el 07 ago. 2026.
  4. Google Search Central — Optimizing your website for generative AI features on Google Search. Google. Acceso el 07 ago. 2026.
  5. Google Search Central — AI features and your website. Google. Acceso el 07 ago. 2026.
  6. OpenAI — Introducing ChatGPT search. OpenAI. Acceso el 07 ago. 2026.
  7. Chrome for Developers — WebMCP. Chrome for Developers. Acceso el 07 ago. 2026.
  8. W3C Web Machine Learning Community Group — WebMCP API (Draft Community Group Report). W3C WebML CG. Acceso el 07 ago. 2026.
  9. Google Search Central Blog — Succeeding in AI search. Google. Acceso el 07 ago. 2026.
  10. OpenAI — Crawler / bot documentation. OpenAI. Acceso el 07 ago. 2026.
  11. Anthropic — Does Anthropic crawl data from the web, and how can site owners block the crawler?. Anthropic. Acceso el 07 ago. 2026.
  12. Fastly — New Fastly threat research reveals AI crawlers make up almost 80% of AI bot traffic. Fastly. Acceso el 07 ago. 2026.
  13. Ahrefs — We Analyzed 137K Sites: 97% of llms.txt Files Never Get Read. Ahrefs. Acceso el 07 ago. 2026.
  14. Aggarwal et al. — GEO: Generative Engine Optimization. arXiv. Acceso el 07 ago. 2026.
  15. Pew Research Center — Google users are less likely to click on links when an AI summary appears in the results. Pew Research Center. Acceso el 07 ago. 2026.
  16. Digiday — Google AI Overviews linked to publisher referral traffic drops, new data shows. Digiday. Acceso el 07 ago. 2026.
  17. Digiday — In graphic detail: AI platforms are driving more traffic, but not enough to offset zero-click search. Digiday. Acceso el 07 ago. 2026.
  18. Liu et al. — Evaluating Verifiability in Generative Search Engines. arXiv. Acceso el 07 ago. 2026.