JSON-LD y grafos externos en sistemas de IA: arquitectura real de recuperación

La respuesta corta y verificada es que ninguno de los tres sistemas consume JSON-LD Schema.org como dato estructurado en tiempo de respuesta; el markup actúa en la fase de crawling/índice como señal semántica que alimenta capas intermedias (Knowledge Graph, embeddings, índice de búsqueda) que luego entran al pipeline RAG del LLM.

Modelo de flujo: HTML → Índice → KG → RAG

El pipeline real, según la documentación de Google y análisis de arquitectura independientes, opera en cuatro etapas separadas:

1. Crawling/render: Googlebot y bots equivalentes (OAI-SearchBot para ChatGPT, ClaudeBot para Anthropic) descargan el HTML completo, incluyendo el bloque <script type="application/ld+json">. En esta fase el JSON-LD sí se parsea semánticamente por el crawler de Google.
2. Indexación y enriquecimiento de entidades: los triples schema.org (sameAs, @type, name, identifier) alimentan el Knowledge Graph de Google para consolidar y desambiguar entidades. Este paso es donde JSON-LD tiene impacto real y documentado.
3. Selección de fuentes para RAG: Google AI Overviews implementa un pipeline RAG con «query fan-out» (múltiples sub-consultas al índice) donde el Knowledge Graph provee contexto de desambiguación y los fragmentos de páginas seleccionadas se inyectan como contexto al LLM. 
4. Generación: el modelo genera la respuesta a partir del texto recuperado. En este punto el JSON-LD ya no existe como estructura; ha sido disuelto en el índice o en los embeddings.

¿ChatGPT Search parsea JSON-LD semánticamente?

La evidencia experimental disponible sugiere que no, no lo trata de forma especial. Mark Williams-Cook publicó en febrero 2026 un experimento de caja negra: insertó la dirección de una empresa ficticia («DUCKYEA t-shirts») únicamente dentro de JSON-LD inválido, sin mencionarla en el HTML visible. Tanto ChatGPT como Perplexity devolvieron esa dirección correctamente. La conclusión del experimento: los motores leen el JSON-LD como texto plano dentro del HTML, sin validar la sintaxis schema.org ni explotar la estructura semántica.

Esto se alinea con lo que OpenAI documenta sobre su Retrieval API: los pipelines de file_search y vector stores propios operan mediante chunking y embeddings; no existe mención alguna de procesamiento especial de markup schema.org en fuentes web externas.

Google AI Overviews: el caso más documentado

¿Cómo entra el Knowledge Graph en el RAG?

Google es el único de los tres proveedores con documentación semi-pública sobre su flujo. AI Overviews usa RAG sobre el índice de Search, y el Knowledge Graph se incorpora en dos puntos distintos del pipeline:

• Desambiguación de query: cuando la consulta contiene una entidad, el KG identifica a qué instancia específica se refiere (e.g., «Apple» empresa vs. fruta) antes de recuperar documentos.
• Contexto de entidades en el prompt del LLM: fragmentos del KG (propiedades verificadas de una entidad) se inyectan junto con los pasajes recuperados, funcionando como contexto factual de alta confianza.

El JSON-LD de las páginas contribuye a enriquecer ese KG en la fase de indexación: propiedades como sameAs (enlazando a Wikidata, LinkedIn, Wikipedia) permiten consolidar entidades dispersas en una sola representación canónica. Google lo confirma explícitamente: «Google uses structured data that it finds on the web to understand the content of the page, as well as to gather information about the web and the world in general».

¿Qué dice Google sobre markup especial para IA?

La documentación oficial de Google Search Central es explícita: no existe schema especial para AI Overviews, no es necesario chunking manual ni ficheros llms.txt para generative AI, y el structured data no es factor de ranking directo. John Mueller confirmó en 2025 que el impacto de schema se produce vía mejor comprensión semántica y señales de engagement, no vía ranking algorítmico directo.

Anthropic y Claude: grafos latentes, no KGs externos

¿Claude ingiere grafos externos en producción?

A nivel de producto de consumo, la respuesta documentada es no: Claude no integra knowledge graphs externos en tiempo de respuesta en su pipeline estándar. Sin embargo, la investigación de interpretabilidad de Anthropic publicada en marzo 2025 reveló que Claude construye y recorre grafos en espacio latente para razonar antes de traducir de vuelta a lenguaje. Estos grafos emergen del preentrenamiento sobre texto (incluyendo Common Crawl, que preserva JSON-LD de páginas indexadas ), no de la ingestión directa de KGs estructurados en tiempo de inferencia.

La integración experimental de KG-BERT con Claude sí demuestra ganancias medibles (+4.5% F1 en QA tasks sobre benchmarks GLUE/SQuAD) cuando se inyectan triples de Wikidata/Freebase en capas de atención intermedias, pero esto es investigación académica, no la arquitectura de producción.

Lo que los tests revelan

Hipótesis	Resultado observado	Desviación	Conclusión técnica
JSON-LD se parsea semánticamente en tiempo de respuesta	ChatGPT/Perplexity leen JSON-LD inválido como texto plano	Schema inválida igualmente citada	El agente no valida estructura schema.org; tokeniza el bloque completo
Schema mejora directamente el ranking en AI Overviews	John Mueller: schema no es ranking factor directo	Correlación positiva en aparición (+20-30%) existe	El efecto es mediado: mejor indexación → mayor probabilidad de selección RAG
LLMs sin KG externo son suficientes para QA factual	GPT-4 base: hallucinations documentadas; +KG-BERT logra F1=94.7% vs baseline	Overhead computacional significativo con grafos grandes	Integración KG mejora precisión factual pero no está en pipelines de producción estándar

Configuraciones que no funcionan

Los patrones más comunes de implementación incorrecta que no generan valor en GEO/LLM-O:

• JSON-LD con datos que no coinciden con el texto visible: los LLMs que leen el HTML como texto plano pueden presentar información contradictoria entre schema y contenido.
• sameAs apuntando a entidades incorrectas o muertas: el KG de Google no puede consolidar la entidad correctamente, degradando la representación de autoridad.
• Schema de entidad sin propiedades de identificación mínimas (name, url, sameAs): el KG no puede hacer entity resolution, el markup no contribuye a la capa de grafos.
• Contenido marcado como FAQPage sin answers de 40-80 palabras autocontenidas: la probabilidad de extracción RAG cae porque el chunk no es citable de forma aislada.

Metodología de caja negra

Para replicar el test de sensibilidad JSON-LD vs. texto y monitorizar cambios en respuestas de IA, el setup mínimo verificable es:

# 1. Verificar que el bot ha recrawleado la página
curl -A "Mozilla/5.0" -s https://tu-dominio.com/pagina | grep -o '"dateModified":"[^"]*"'

# 2. Forzar recrawl y medir tiempo de reflejo en índice
# Herramienta: Google Search Console > URL Inspection > Solicitar indexación

# 3. Comprobar si ChatGPT Search recoge el cambio (requiere browsing habilitado)
# Prompt: "¿Cuál es el [campo modificado] de [entidad] según [URL específica]?"

# 4. Comparar Knowledge Panel antes/después de modificar sameAs
# Herramienta: Google Knowledge Panel + Wikidata entity ID

El dataset de control mínimo requiere: servidor con logs de acceso accesibles, dos variantes de página (schema vs. sin schema, contenido HTML idéntico), ventana de observación de 6-8 semanas para reflejo en KG, y prompts estructurados que obliguen a citar fuente explícita en Claude/Gemini/Perplexity.

Determinar en qué fase del pipeline OpenAI, Google y Anthropic consumen JSON-LD Schema.org para sus sistemas de IA generativa. Tras analizar documentación oficial, experimentos de caja negra publicados (febrero 2026) y literatura KG+LLM (arXiv 2512.10440), el resultado principal es que ningún sistema parsea JSON-LD semánticamente en tiempo de respuesta.

ChatGPT y Perplexity lo tratan como texto plano tokenizado; Google es el único donde el markup alimenta activamente el Knowledge Graph durante la indexación, que luego entra en el pipeline RAG de AI Overviews como contexto de entidades. Claude construye grafos latentes del preentrenamiento, no de KGs externos en producción.

El ROI de JSON-LD para GEO se concentra en sameAs para consolidación de entidades en el KG de Google, y en schemas FAQPage/HowTo con answers autocontenidas de 40-80 palabras que maximizan la probabilidad de extracción RAG, no en la complejidad sintáctica del markup per se. Dato cuantificable: páginas con structured data válida aparecen un 20-30% más en AI Overviews que páginas sin ella, efecto mediado por mejor indexación semántica, no por lectura directa del JSON-LD.