¿Qué es la preparación agéntica?

Qué tan bien los agentes de IA pueden leer un sitio web, confiar en él y realizar transacciones con él, medido mediante señales concretas como datos estructurados, HTML semántico, archivos de descubrimiento y marcadores de confianza, no opiniones.

¿La preparación agéntica es lo mismo que el SEO?

Se superponen (el HTML limpio y los datos estructurados ayudan a ambos), pero la preparación agéntica se centra en el consumo por máquinas: el árbol de accesibilidad, los resúmenes legibles por máquinas, los permisos explícitos para rastreadores y el contenido citable.

¿Cómo se calcula una puntuación de preparación agéntica?

En MarkosWeb, como una fracción de comprobaciones deterministas superadas, al estilo de la puntuación de navegación agéntica de Google Lighthouse, nunca una puntuación inventada de 0 a 100. Las puntuaciones se pueden mejorar corrigiendo las comprobaciones fallidas, nunca comprar.

La lista de comprobación de preparación agéntica

Los agentes de IA leen su sitio a través del árbol de accesibilidad, los datos estructurados y los archivos de descubrimiento, no de una captura de pantalla renderizada. Esta lista cubre las 30 señales concretas que medimos en miles de auditorías, agrupadas según la forma en que los agentes realmente consumen un sitio. Puntuación promedio en nuestro directorio auditado: menos del 50%; la mayor parte de la web no está preparada.

1. Interacción con agentes: ¿puede una máquina analizar sus páginas?

Landmarks semánticos de HTML: <main>, <nav>, <article>, encabezados en orden, lang en <html>, texto alternativo en las imágenes. El árbol de accesibilidad ES el modelo de datos del agente.
Marcado limpio y rastreable: título y meta descripción reales; contenido presente sin ejecutar JavaScript.
Baja fricción de extracción: respuestas cerca del inicio; primeros párrafos cortos; sin muros de jerga.
Indexabilidad: sin bloqueos accidentales de noindex/robots; ser indexable es la condición previa para aparecer en las respuestas de IA.
Una URL canónica por página: los agentes no deben ver duplicados.
Estabilidad y peso del diseño: dimensiones de imagen explícitas (sin desplazamiento del diseño), DOM ligero, mínimos recursos que bloqueen el renderizado.

2. Extracción por máquinas: ¿puede un agente citarlo?

Tablas y listas HTML reales para comparaciones y especificaciones: los agentes extraen estructura, no capturas de pantalla de ella.
Oraciones atómicas: afirmaciones autocontenidas que un agente pueda tomar sin perder el sentido (objetivo: 40%+ de las oraciones).
Densidad de entidades: nombre los productos, lugares, personas y cifras; el texto vago no se puede citar.
Patrones de definición: oraciones claras del tipo "X es ..." permiten a los agentes responder directamente.
Cápsulas de respuesta: abra cada sección con una respuesta autocontenida de 15 a 30 palabras.

3. Datos estructurados: hechos que las máquinas pueden consumir

JSON-LD de Schema.org: como mínimo Organization/WebSite; tipos de producto, artículo y FAQ donde corresponda.
Amplitud: propiedades ricas (dirección, logotipo, sameAs, fechas), no esqueletos vacíos.
Marcado speakable para superficies de voz donde encaje.

4. Descubrimiento por IA: ¿pueden los agentes encontrarlo y usarlo?

llms.txt: el resumen curado para máquinas (guía completa). Solo el 6.4% de los 48.005 sitios que sondeamos tiene uno.
Reglas de robots.txt para rastreadores de IA: decisiones explícitas para GPTBot, ClaudeBot, PerplexityBot (guía).
sitemap.xml con lastmod: permita que las máquinas lo enumeren y lo vuelvan a rastrear con eficiencia.
Un feed de contenido (RSS/Atom): los agentes siguen los cambios.
Señales de idioma y región: lang, hreflang.
Permisos declarados de uso por IA: un ai.txt o una nota de licencia elimina la ambigüedad.

5. Confianza: ¿realizaría un agente una transacción con usted?

Identidad consistente: nombre, dirección y teléfono coherentes en todas partes; el esquema Organization como ancla.
Autoría y fechas visibles: tanto los humanos como las máquinas las leen como señal de responsabilidad.
Transparencia metodológica: muestre cómo se produce, prueba o revisa el contenido o los productos.
Divulgación de asistencia de IA donde un lector razonable la espere.
Títulos y meta sólidos: únicos, descriptivos, de longitud adecuada.
Frescura: vuelva a fechar y actualice las páginas clave; los sitios desactualizados se leen como abandonados.

La longevidad, HTTPS y la actividad actual también alimentan la confianza: un agente (o su usuario) sopesa "cuánto tiempo lleva existiendo este sitio y si se mantiene" antes de realizar una transacción; mostramos estos datos en cada perfil.

Obtenga su puntuación

Cada punto anterior se mide automáticamente en nuestra auditoría gratuita: superado o fallido, con el hallazgo específico y las correcciones de mayor impacto ordenadas por prioridad.

Ejecute la auditoría de 30 comprobaciones en su dominio

Detalles del método: metodología. Vea quién lidera: sitios web mejor preparados para IA.

Preguntas frecuentes

¿Qué es la preparación agéntica?: Qué tan bien los agentes de IA pueden leer un sitio web, confiar en él y realizar transacciones con él, medido mediante señales concretas como datos estructurados, HTML semántico, archivos de descubrimiento y marcadores de confianza, no opiniones.
¿La preparación agéntica es lo mismo que el SEO?: Se superponen (el HTML limpio y los datos estructurados ayudan a ambos), pero la preparación agéntica se centra en el consumo por máquinas: el árbol de accesibilidad, los resúmenes legibles por máquinas, los permisos explícitos para rastreadores y el contenido citable.
¿Cómo se calcula una puntuación de preparación agéntica?: En MarkosWeb, como una fracción de comprobaciones deterministas superadas, al estilo de la puntuación de navegación agéntica de Google Lighthouse, nunca una puntuación inventada de 0 a 100. Las puntuaciones se pueden mejorar corrigiendo las comprobaciones fallidas, nunca comprar.