La forma en que las personas encuentran y consumen información ha cambiado. Nosotros, como especialistas en marketing, debemos pensar en la visibilidad en las plataformas de IA y Google.
El desafío es que no tenemos la misma capacidad para controlar y medir el éxito que con Google y Microsoft, por lo que parece que estamos volando a ciegas.
A principios de este año, Google, Microsoft y ChatGPT comentaron cómo los datos estructurados pueden ayudar a LLMS a comprender mejor su contenido digital.
Los datos estructurados pueden dar a las herramientas de IA el contexto que necesitan para determinar su comprensión del contenido a través de entidades y relaciones. En esta nueva era de búsqueda, se podría decir que el contexto, no el contenido, es el rey.
El marcado de esquema ayuda a construir una capa de datos
Al traducir su contenido a Schema.org y definir las relaciones entre páginas y entidades, está construyendo una capa de datos para IA. Esta capa de datos de marcado de esquema, o lo que me gusta llamar su «gráfico de conocimiento de contenido», le dice a Machines cuál es su marca, qué ofrece y cómo debe entenderse.
Esta capa de datos es cómo su contenido se vuelve accesible y se entiende en una gama creciente de capacidades de IA, que incluyen:
- Descripción general de la IA
- Chatbots y asistentes de voz
- Sistemas de IA internos
A través de la conexión a tierra, los datos estructurados pueden contribuir a la visibilidad y al descubrimiento en Google, CHATGPT, Bing y otras plataformas de IA. También prepara que sus datos web sean de valor para acelerar su interno Iniciativas de IA también.
La misma semana en que Google y Microsoft anunciaron que estaban utilizando datos estructurados para sus experiencias generativas de IA, Google y OpenAI anunciaron su apoyo al protocolo de contexto modelo.
¿Qué es el protocolo de contexto del modelo?
En noviembre de 2024, Anthrope introdujo el Protocolo de contexto del modelo (MCP), «un protocolo abierto que estandariza cómo las aplicaciones proporcionan contexto a LLM» y posteriormente fue adoptado por Operai y Google Deepmind.
Puede pensar en MCP como el conector USB-C para aplicaciones y agentes de IA o una API para IA. «MCP proporciona una forma estandarizada de conectar modelos AI a diferentes fuentes y herramientas de datos».
Dado que ahora estamos pensando en los datos estructurados como una capa de datos estratégicos, el problema que Google y OpenAI necesitan resolver es cómo escalan sus capacidades de IA de manera eficiente y rentable. La combinación de datos estructurados que coloca en su sitio web, con MCP, permitiría una precisión en la inferencia y la capacidad de escalar.
Los datos estructurados definen entidades y relaciones
Los LLM generan respuestas basadas en el contenido en el que están entrenados o conectados. Si bien aprenden principalmente del texto no estructurado, sus salidas pueden fortalecerse cuando se basan en entidades y relaciones claramente definidas, por ejemplo, a través de datos estructurados o gráficos de conocimiento.
Los datos estructurados se pueden usar como un potenciador que permite a las empresas definir entidades clave y sus relaciones.
Cuando se implementa utilizando el vocabulario Schema.org, datos estructurados:
- Define las entidades en una página: Personas, productos, servicios, ubicaciones y más.
- Establece relaciones entre esas entidades.
- Puede reducir las alucinaciones Cuando los LLM se basan en datos estructurados a través de sistemas de recuperación o gráficos de conocimiento.
Cuando el marcado de esquema se implementa a escala, crea un gráfico de conocimiento de contenido, una capa de datos estructurada que conecta las entidades de su marca en su sitio y más allá.
Un estudio reciente de BrightEdge demostró que el marcado de esquema mejoró la presencia y la percepción de la marca en las descripciones de IA de Google, observando tasas de citas más altas en páginas con un marcado de esquema robusto.
Datos estructurados como estrategia de IA empresarial
Las empresas pueden cambiar su visión de los datos estructurados más allá de los requisitos básicos para la rica elegibilidad de resultados para administrar un gráfico de conocimiento de contenido.
Según los mandatos de IA 2024 de Gartner para la encuesta empresarial, los participantes citan la disponibilidad y la calidad de los datos como la principal barrera para la implementación exitosa de la IA.
Al implementar datos estructurados y desarrollar un gráfico de conocimiento de contenido robusto, puede contribuir tanto al rendimiento de búsqueda externa como al habilitación interna de IA.
Una estrategia de marcado de esquema escalable requiere:
- Relaciones definidas entre contenido y entidades: Las propiedades de marcado de esquema conectan todo el contenido y las entidades en toda la marca. Todo el contenido de la página está conectado en contexto.
- Gobernanza de la entidad: Definiciones y taxonomías compartidas en equipos de marketing, SEO, contenido y productos.
- Preparación del contenido: Asegurar que su contenido sea integral, relevante, representativo de los temas por los que desea ser conocido y conectado a su gráfico de conocimiento de contenido.
- Capacidad técnica: Herramientas y procesos interfuncionales para administrar el marcado de esquemas a escala y garantizar la precisión en miles de páginas.
Para los equipos empresariales, los datos estructurados son una capacidad interfuncional que prepara los datos web para ser consumidos por aplicaciones internas de IA.
Qué hacer a continuación para preparar su contenido para AI
Los equipos empresariales pueden alinear sus estrategias de contenido con los requisitos de IA. Aquí está cómo comenzar:
1. Auditar sus datos estructurados actuales Identificar las brechas en la cobertura y si el marcado de esquema está definiendo las relaciones dentro de su sitio web. Este contexto es crítico para la inferencia de IA.
2. Mapee las entidades clave de su marcacomo productos, servicios, personas y temas centrales, y asegúrese de que estén claramente definidos y constantemente marcados con el marcado de esquema en todo su contenido. Esto incluye identificar la página principal que define una entidad, conocida como la entidad Home.
3. Construya o amplíe el gráfico de conocimiento de su contenido Al conectar entidades relacionadas y establecer relaciones que los sistemas de IA pueden entender.
4. Integre los datos estructurados en el presupuesto y planificación de la IAjunto con otras inversiones de IA y ese contenido está destinado a descripciones de IA, chatbots o iniciativas internas de IA.
5. Operacionalizar la gestión del margen de esquema Al desarrollar flujos de trabajo repetibles para crear, revisar y actualizar el marcado de esquema a escala.
Al tomar estos pasos, las empresas pueden asegurarse de que sus datos estén listos en AI, dentro y fuera de la empresa.
Los datos estructurados proporcionan una capa legible por máquina
Los datos estructurados no aseguran la colocación en las descripciones de la IA ni controlan directamente lo que los modelos de lenguaje grande dicen sobre su marca. Los LLM todavía están entrenados principalmente en texto no estructurado, y los sistemas de IA pesan muchas señales al generar respuestas.
Que datos estructurados hace proporcionar una capa estratégica y legible por máquina. Cuando se usa para construir un gráfico de conocimiento, el marcado de esquema define las entidades y las relaciones entre ellas, creando un marco confiable del que los sistemas de IA pueden extraer. Esto reduce la ambigüedad, fortalece la atribución y facilita el contenido basado en las salidas de hecho cuando los datos estructurados son parte de un sistema de recuperación o conexión a tierra conectado.
Al invertir en un margen de esquema semántico y a gran escala y alinearlo en todos los equipos, las organizaciones se posicionan para ser lo más descubiertas posible en las experiencias de IA.
Más recursos:
Imagen destacada: Koto amatsukami/Shutterstock
