Anuncio. El 7 de mayo de 2026, Google desactivó definitivamente los resultados enriquecidos de FAQ para todos los sitios web sin excepción. Esto marca el final de un proceso que comenzó en agosto de 2023. Pero si crees que se trata solo de la desaparición de los acordeones en los resultados de búsqueda, te equivocas. Detrás de esta decisión técnica se encuentra una transformación fundamental de cómo Google y los sistemas de IA consumen, procesan y sintetizan el contenido. En este artículo, encontrarás un análisis detallado: desde la cronología de los cambios y la arquitectura de ingeniería del marcado schema hasta las prácticas de GEO (Generative Engine Optimization) y cómo optimizar un sitio web para la búsqueda de recuperación de nueva generación.
1. ¿Qué ha cambiado exactamente Google y por qué era esperado?
Cronología de la depreciación
El proceso de eliminación de los resultados enriquecidos de FAQ se llevó a cabo en dos etapas claras. La primera, en agosto de 2023: Google anunció que los acordeones de FAQ en los resultados de búsqueda estarían disponibles solo para "sitios web gubernamentales y médicos autorizados". Según John Mueller, Search Advocate de Google, fue un cambio en la visualización de los resultados, no en el ranking. En la semana posterior al anuncio, las herramientas de SEO de toda la industria registraron lo mismo: el número de impresiones de resultados enriquecidos de FAQ para sitios web comerciales se desplomó a cero. Las páginas que durante años mostraron fragmentos de FAQ los perdieron literalmente de la noche a la mañana.
La segunda etapa, el 7 de mayo de 2026: Google anunció oficialmente que los resultados enriquecidos de FAQ ya no se mostrarían en Google Search para nadie. En junio de 2026, se desactivará el informe correspondiente en Search Console y el soporte en Rich Results Test. En agosto de 2026, se eliminará el soporte de resultados enriquecidos de FAQ en la API de Search Console. La depreciación ha finalizado.
¿Qué ha desaparecido de los resultados de búsqueda?
Para la gran mayoría de los sitios web, que representan el 99% de la web abierta, el valor en SERP del schema FAQ se ha vuelto nulo. Han desaparecido los acordeones interactivos que se desplegaban directamente en los resultados, se ha reducido el tamaño visual de los fragmentos y han cesado los informes en la consola. La actualización de marzo de 2026 redujo aún más las impresiones de resultados enriquecidos de FAQ aproximadamente a la mitad en comparación con el nivel posterior a 2023, incluso para aquellos sitios que mantenían una visibilidad residual.
¿Por qué es lógico para Google?
Creo que las razones de esta decisión fueron obvias para cualquiera que haya observado el mercado de SEO durante mucho tiempo. El marcado de FAQ se transformó gradualmente de una forma de estructurar respuestas útiles para el usuario a una herramienta para capturar espacio adicional en SERP. Muchos equipos añadieron bloques de FAQ artificiales no porque la página realmente necesitara el formato "pregunta-respuesta", sino exclusivamente para aumentar el área visual del fragmento. Como resultado, esto generaba más ruido que valor para la búsqueda. En mi opinión, Google ha resuelto el problema de manera radical: en lugar de un control de calidad interminable de implementaciones individuales, la empresa simplemente ha eliminado el mecanismo de visualización para la mayoría de los sitios. Esto se observa claramente en la eliminación gradual de los resultados enriquecidos de FAQ en los resultados de búsqueda.
Pero hay una razón más profunda y estratégica: Google se mueve sistemáticamente hacia la síntesis generativa de respuestas, en lugar de delegarlas a través de fragmentos extendidos a sitios externos. Las AI Overviews aparecen hoy en el 89% de los resultados de búsqueda para consultas de marca. ¿Por qué mostrar un acordeón de un sitio ajeno si Gemini puede sintetizar la respuesta por sí mismo?
El marcado Schema informa a Google de qué trata una página, en un formato legible por máquina. Los resultados enriquecidos son una función de visualización que utilizaba parte de estos datos para mostrar elementos visuales en SERP. Google puede dejar de mostrar la función visual sin renunciar a los datos que informan su modelo semántico.
La capa de UI ha perdido valor; la capa semántica sigue siendo relevante
El antiguo manual de 2018-2022, que trataba el schema FAQ como una herramienta de multiplicación de CTR, ya no funciona. Pero eso no significa que Schema.org haya perdido su sentido por completo. Al contrario, Schema.org ha evolucionado de ser una señal de visualización a una señal de aprendizaje: los sistemas LLM no "parsean" los datos estructurados en el sentido clásico, sino que los absorben, los integran en su knowledge graph interno y los reutilizan para generar respuestas.
Lo que sigue siendo relevante para grandes proyectos
3. Googlebot ≠ Agente de IA: la búsqueda moderna tiene dos modelos distintos de consumo de contenido
Robot de búsqueda clásico
Googlebot opera en un paradigma determinista: indexación, canonización, construcción de gráficos de enlaces, análisis de datos estructurados, renderizado de la estructura DOM. Busca señales claras: metaetiquetas, URL canónicas, sugerencias de esquema, y las procesa según reglas formales. Schema.org se creó inicialmente precisamente para estos modelos de análisis determinista.
Agentes de IA y sistemas LLM
Los agentes de IA — Perplexity, ChatGPT Search, Google AI Overviews, Copilot — funcionan de manera fundamentalmente diferente. Su trabajo se basa en la recuperación, extracción semántica, puntuación de relevancia de fragmentos, síntesis de respuestas e interpretación probabilística del contenido. No solo buscan señales formales en HTML o schema.org, sino que intentan interpretar el contenido de un documento a nivel semántico. Es por eso que para los sistemas de IA modernos, la estructura del texto, la lógica de las secciones y el contexto a menudo son más importantes que la presencia de FAQ JSON-LD. Ya he analizado esto en detalle en el artículo sobre la arquitectura RAG de Perplexity y la búsqueda de IA basada en recuperación.
La búsqueda de IA se orienta cada vez más no a las sugerencias de esquema formales, sino a la estructura lógica del documento y la calidad del contexto textual. Esto significa que un HTML bien estructurado con una jerarquía semántica clara puede dar un mayor efecto de recuperación que un JSON-LD sobrecargado con un contenido textual mínimo.
4. Bajo el capó de la búsqueda de IA: cómo los LLM procesan realmente el HTML
Evolución del análisis: de regex a recuperación semántica
Los primeros sistemas de web scraping utilizaban regex y selectores CSS, herramientas simples y deterministas. Los modernos pipelines de recuperación de IA están organizados de manera fundamentalmente diferente e incluyen varias capas de procesamiento secuencial.
Cómo la IA ve una página web
El primer paso es el saneamiento de HTML y la simplificación del DOM: el sistema elimina el ruido de navegación, la publicidad, los scripts, los elementos de seguimiento, los pies de página, los menús. Solo queda el contenido principal. Luego, se produce la conversión de HTML a una estructura de texto, a menudo en una representación similar a Markdown con un árbol DOM aplanado. El documento se simplifica antes de pasarlo a la ventana de contexto del modelo.
¿Qué sucede con JSON-LD en este proceso? Los datos estructurados no se pasan directamente al modelo, se procesan por separado. En algunos pipelines de recuperación, JSON-LD puede ser ignorado durante la limpieza del documento. Los sistemas de IA obtienen cada vez más información directamente del contenido textual, en lugar de la marcada auxiliar.
Chunking y embeddings: el corazón del sistema de recuperación
Cada chunk recibe su propio embedding vectorial: una representación numérica del contenido semántico del texto. Esto permite que el sistema de IA trabaje no con palabras individuales, sino con el contexto y el significado del fragmento. Ya he explicado en detalle cómo los embeddings ayudan a los modelos a "entender" el significado del texto en el material "Embeddings en palabras sencillas: cómo la IA entiende el significado, no solo las palabras".
Por qué el HTML semántico se vuelve más importante
Desde la perspectiva de un sistema de chunking, la conexión entre un encabezado <h2> y los párrafos <p> correspondientes es crucial para una delimitación correcta de los bloques semánticos. La jerarquía lógica del documento, la minimización del ruido y el uso eficiente de la ventana de contexto mejoran la calidad de recuperación para los agentes de IA.
Aquí el enfoque es diferente. No tiene sentido construir pipelines complejos de generación de preguntas frecuentes si el objetivo final es solo la visualización en la SERP, que ya no existe. Reducir la complejidad del backend/CMS y reorientar los recursos de ingeniería hacia la arquitectura de contenido y la optimización de la recuperación es una solución racional.
Lo que sigue siendo una prioridad
Los siguientes tipos de esquema conservan su plena relevancia y continúan generando resultados enriquecidos o proporcionando valor semántico para los sistemas de IA:
Organization: clave para el reconocimiento de entidades en sistemas de IA;
Article: señal básica para páginas de contenido;
Product + Offer: crítico para el comercio electrónico, los agentes de IA citan precios específicos;
BreadcrumbList: contexto semántico para la agrupación temática;
metadatos canónicos: higiene básica de SEO técnico.
Lo que se vuelve menos prioritario: spam de esquema, ingeniería de CTR impulsada por preguntas frecuentes, duplicación excesiva de contenido en JSON-LD sin contenido textual correspondiente.
6. Transición de SEO a GEO: cómo optimizar el contenido para la búsqueda de IA
Requisito clave de los sistemas de recuperación: una sección = una idea completa. Los agentes de IA extraen fragmentos (chunks) y sintetizan una respuesta a partir de ellos. Si un bloque de contenido no es autosuficiente, o no será recuperado, o perderá contexto al ser extraído.
Qué deben hacer los propietarios de sitios web en 2026
En mi opinión, el principal error tras la depreciación de los resultados enriquecidos de FAQ es la reacción de pánico. Algunos equipos comenzaron a eliminar masivamente el schema de FAQ, como si el marcado en sí mismo se hubiera vuelto "dañino". No creo que este sea el enfoque correcto. El problema no es la existencia de schema.org, sino que el mercado la ha utilizado durante años principalmente como un truco de interfaz de usuario para aumentar el tamaño del snippet.
No veo sentido en eliminar masivamente JSON-LD de FAQ de proyectos antiguos si ya existe y se mantiene sin costos adicionales. La presencia del schema en sí misma no crea una penalización. Pero al mismo tiempo, ya no construiría una estrategia de SEO en torno a bloques de FAQ y la ingeniería de CTR a través de datos estructurados.
En mi opinión, en 2026 el enfoque se desplaza en otra dirección: de la manipulación de la interfaz de usuario de SERP a la optimización del contenido para la recuperación y la interpretación de IA. Esto significa que la clave ya no es la cantidad de marcado schema, sino la calidad de la estructura semántica de la página.
Prestaría atención a varias cosas:
la estructura lógica del documento;
la jerarquía coherente de H2/H3;
los límites semánticos claros entre las secciones;
la minimización del contenido repetitivo y ruidoso;
la autosuficiencia contextual de los bloques de texto.
Los sistemas de IA modernos funcionan a través de pipelines de recuperación, fragmentación (chunking) y embeddings. Por lo tanto, el contenido debe ser cada vez más amigable para los fragmentos (chunk-friendly), es decir, fácilmente divisible en fragmentos lógicos separados que se puedan extraer, analizar y utilizar para generar una respuesta.
También creo que el tema subestimado es la claridad de las entidades. Para los agentes de IA, no solo son importantes las palabras que están en el texto, sino cuán inequívocamente el documento explica las entidades, los términos y las relaciones entre ellos. Cuanta menos ambigüedad haya, más fácil será para el sistema de recuperación interpretar correctamente el contenido.
Por separado, consideraría H2/H3 no solo como elementos de diseño o estructura SEO, sino como límites de recuperación. En muchas pipelines de IA, son los encabezados los que ayudan al sistema a determinar los límites de los fragmentos semánticos y a comprender qué bloque responde a una intención específica.
Y lo más importante: en 2026, no gana el sitio con la optimización de schema más agresiva, sino el sitio cuyo contenido es más fácil de:
analizar (parse);
fragmentar (chunk);
incrustar (embed);
interpretar;
citar para los sistemas de IA.
7. Conclusión: el schema de FAQ no ha "muerto", el modelo de búsqueda ha cambiado
Creo que la depreciación de los resultados enriquecidos de FAQ es solo un síntoma de una transformación mucho más profunda de la búsqueda. El verdadero cambio radica en que Google y todo el stack de búsqueda de IA moderno están pasando gradualmente de un sistema de *snippets enriquecidos* a un sistema de *síntesis generativa de respuestas*. La lógica que determinó la optimización SEO durante 2018-2022 —la lucha por el espacio en SERP, los acordeones de FAQ, la expansión máxima del snippet— ya no es central.
En mi opinión, los sistemas de IA modernos dependen cada vez menos de señales de visualización auxiliares y obtienen cada vez más significado de la estructura, el contexto y la integridad semántica del documento. Esto no significa que schema.org haya perdido valor. Más bien, su función ha cambiado: de un disparador de visualización a una huella semántica, de una herramienta para aumentar el CTR a una de las señales de aprendizaje adicionales para los sistemas de recuperación y LLM.
La nueva realidad para la web requiere una reevaluación de las prioridades:
Analizar (Parse): el contenido debe estar libre de ruido;
Fragmentar (Chunk): los bloques deben ser semánticamente autosuficientes;
Incrustar (Embed): la terminología debe ser precisa y coherente;
Citar para sistemas de IA (Cite for AI systems): la estructura debe ser tal que un LLM pueda tomar un bloque e insertarlo en una respuesta sin pérdida de contenido.
