El schema no aumenta las citas de IA. Este es el experimento que lo demostró.

Durante los últimos dos años la industria SEO ha hecho dos afirmaciones contradictorias sobre schema y búsqueda con IA. La primera: "a los motores de IA les encantan los datos estructurados, añade todos los que puedas." La segunda: "el schema no le importa a los LLMs, lo único que cuenta es el contenido." Ambos bandos argumentaban desde la intuición, no desde datos.

En 2026 Ahrefs publicó el primer estudio causal sobre la pregunta. La metodología importa porque el ruido es enorme: las páginas que tienen schema también tienden a tener mejor SEO, más autoridad, sitios más rápidos y contenido más limpio. La correlación es trivial. La causalidad es el único número que vale citar.

El equipo identificó 1,885 páginas que añadieron schema JSON-LD entre agosto de 2025 y marzo de 2026, y las emparejó con 4,000 páginas de control con tasas de citación pre-tratamiento similares. Luego midió cambios de citación en Google AI Overviews, Google AI Mode y ChatGPT usando un diseño diff-in-diff y cuatro pruebas estadísticas separadas.

Pre-tratamiento, la correlación parecía un slam dunk. Las páginas citadas tenían casi 3× más probabilidad de tener JSON-LD que las no citadas. Si te detienes ahí — como hace la mayoría de los posts — te vas convencido de que el schema es una palanca de citación. El experimento controlado fue lo que dio la conclusión opuesta.

El hallazgo principal es que añadir schema JSON-LD no produjo un alza importante en ninguna superficie de IA medida. En AI Mode el efecto fue de +2.4%, dentro del ruido y estadísticamente no significativo. En ChatGPT el efecto fue de +2.2%, tampoco significativo. En Google AI Overviews el efecto fue de −4.6%, modesto en términos absolutos pero estadísticamente significativo en la dirección opuesta a lo que la industria asumía.

Leer el −4.6% en AI Overviews requiere cuidado. No significa que el schema activamente te perjudica en promedio. Significa que, entre páginas ya citadas con frecuencia, añadir schema no las movió hacia arriba y pudo haber sacado a algunas de una superficie particular. Los autores señalan esto como algo a investigar, no como un hallazgo para extrapolar.

El +2.4% / +2.2% en AI Mode y ChatGPT es más fácil de leer. Son demasiado pequeños y ruidosos para llamarlos efecto real. En la práctica, el schema no produjo una ventaja medible en las dos superficies con mayor comportamiento de citación.

Diff-in-diff con controles emparejados es uno de los diseños de investigación más limpios disponibles fuera de los ensayos aleatorios. Funciona comparando el cambio en tasa de citación de las páginas tratadas contra el cambio de los controles emparejados en el mismo periodo. Si el schema causara un alza, las páginas tratadas deberían acelerarse respecto a los controles. No lo hicieron.

Las cuatro pruebas estadísticas independientes reducen la posibilidad de que un modelo idiosincrático produzca el resultado. La ventana de 7 meses es lo suficientemente larga para que la volatilidad de corto plazo en motores de IA se promedie. El screening de 6M URLs reduce el riesgo de una muestra no representativa.

Lo que el diseño no puede descartar: efectos indirectos (schema mejorando descubribilidad antes del horizonte de citación), diferencias por tipo (Product puede comportarse diferente a FAQ) y efectos en páginas no citadas. Son limitaciones reales, pero acotan el reclamo, no lo debilitan. El reclamo es estrecho y bien fundamentado: para páginas ya citadas, en las superficies estudiadas, el schema no es una palanca de citación.

Esta es la evidencia más fuerte que tenemos. Cualquier cosa que afirme lo contrario tiene que apuntar a un experimento mejor diseñado (no existe aún) o argumentar desde correlación confundida (que el equipo de Ahrefs probó explícitamente y descartó).