Notas de la agencia
Cómo saber si ChatGPT puede leer tu sitio web
Si le preguntas a ChatGPT o a Claude por una empresa de tu rubro y no apareces, hay dos explicaciones posibles y son muy distintas. Una es que te leyeron y prefirieron a otro. La otra es que nunca pudieron leerte.
La segunda es más común de lo que parece, y tiene una particularidad incómoda: tu web puede verse perfecta en el navegador y estar completamente vacía para ellos. Nadie te avisa. No hay error, no hay alerta, no hay caída. Simplemente no existes en la respuesta.
Este mes lo comprobamos en nuestro propio sitio. Lo que sigue son los comandos exactos para revisar el tuyo, y lo que encontramos en el nuestro cuando los corrimos.
¿Y por qué me importa que un robot pueda leer mi web?
Porque cambió a quién le pregunta la gente antes de comprar.
Piénsalo así. Necesitas un contador. Antes le preguntabas a un amigo que sabe: "¿conoces alguno bueno?", y él te daba dos o tres nombres. Ibas a ver a esos. Ese amigo hoy, para mucha gente, es ChatGPT. Y hay una diferencia importante: tu amigo al menos había oído hablar de la mayoría de los contadores del barrio. ChatGPT solo puede nombrarte si alguna vez pudo leer lo que dices de ti.
La diferencia con Google es más grande de lo que parece, y está en cuántos lugares hay.
Google te muestra una lista de diez enlaces. Si sales quinto, todavía te hacen clic. Si sales en la segunda página, te ven pocos, pero te ven. Un buscador de IA no da una lista: da una respuesta. Y en una respuesta caben dos o tres nombres, no diez. No hay segunda página. Estás adentro o no existes.
Es el mismo salto que pasó hace veinte años, cuando la gente dejó de abrir las páginas amarillas y empezó a buscar en Google. Los que estaban en la guía impresa y no en internet no perdieron el puesto tres: desaparecieron del mapa.
Y hay una parte buena, que es la razón por la que vale la pena mirarlo ahora: casi nadie lo está trabajando todavía. La mayoría de los sitios de empresas chicas y medianas están construidos con la misma tecnología que hace que sean invisibles, y sus dueños no lo saben porque nada falla. El que arregla esto hoy compite con muy pocos.
Nosotros somos el ejemplo incómodo: una agencia que vende infraestructura de IA, y la IA no nos podía leer.
¿Qué ve un buscador de IA cuando entra a tu web?
Menos de lo que crees. Los rastreadores de IA —GPTBot, ClaudeBot, PerplexityBot y el resto— no ejecutan JavaScript. Bajan el HTML tal como sale del servidor, leen lo que hay escrito ahí, y siguen de largo.
Piénsalo así. Mandas a alguien a buscar un libro a una biblioteca. Llega, y las estanterías están vacías: los libros los sacan de la bodega recién cuando alguien se sienta a leer. Tu visitante se sienta y espera, así que ve los libros. El mensajero no: entra, mira estanterías vacías, y se va convencido de que la biblioteca no tiene nada.
Tu navegador es el visitante que se sienta a esperar: descarga el HTML, ejecuta el JavaScript, y recién entonces arma la página que tú ves. El crawler es el mensajero. Si tu sitio está hecho con React, Vue, Angular o casi cualquier framework moderno sin renderizado en el servidor, lo que sale del servidor son las estanterías vacías: unas etiquetas de configuración y un <div> que el JavaScript llenará después.
Para comprobarlo hay un comando, y funciona en cualquier terminal:
curl -s https://tusitio.cl/ | wc -cEso te dice cuántos bytes de HTML entrega tu servidor antes de ejecutar nada. Un byte es aproximadamente una letra, así que el número que salga es más o menos cuántas letras se lleva el mensajero. Un sitio con contenido real devuelve decenas de miles. Si te da menos de 10.000, casi seguro estás sirviendo estanterías vacías.
Cuando lo corrimos en innobate.cl en agosto, nos dio 4.260 bytes sin una sola palabra de contenido. Éramos una agencia de IA que la IA no podía leer.
¿Cómo ver el contenido, y no solo el peso?
El peso te da una señal, pero puede engañarte: una caja vacía con mucho papel de embalaje también pesa. Lo que hay que mirar es si adentro hay algo.
curl -s https://tusitio.cl/ | grep -o "<h1>[^<]*" Ese comando busca el título principal de tu página. Si no devuelve nada, tu titular no está en el HTML servido, y ningún buscador —ni de IA ni Google— lo está viendo.
Prueba lo mismo con <h2> y verás cuántas secciones de tu sitio existen realmente para quien no ejecuta JavaScript.
¿Cuántos enlaces ve un crawler en tu portada?
Este es el que más nos sorprendió, porque no se nos había ocurrido mirarlo.
curl -s https://tusitio.cl/ | grep -c "<a href"Nosotros ya habíamos arreglado el contenido: nuestra portada pasó a servir 19.634 bytes con 1.605 palabras reales. Todo bien. Pero al contar los enlaces nos dio 2: un correo y la política de privacidad.
Piénsalo así. Construyes un centro comercial precioso, con todas las tiendas llenas. Pero solo hay una puerta de entrada y ningún pasillo. El que entra ve el primer local y no tiene por dónde seguir caminando. Las otras tiendas existen, y para él es como si no.
Eso era nuestra portada: un crawler entraba, leía todo, y no tenía a dónde ir. Una isla. El contenido estaba, y el camino para llegar al resto no.
El error que cometimos midiendo, y que te va a pasar
Este vale más que los comandos anteriores, porque casi nos hace tomar una decisión equivocada.
Para saber si nos bloqueaban, corrimos esto:
curl -s -o /dev/null -A "GPTBot/1.2" -w "%{http_code}" https://innobate.cl/Nos devolvió 403 para todos los bots de IA. Conclusión inmediata y alarmante: estamos bloqueados en todas partes.
Era falsa. Ese comando no es GPTBot: es alguien diciendo que lo es.
Piénsalo así. Llega alguien a la puerta de un edificio y dice "soy de la compañía del gas". El conserje le pide la credencial, no se la puede mostrar, y no lo deja pasar. Que a ese señor lo hayan echado no significa que a la compañía del gas la echen: significa que echaron a alguien que dijo serlo. Nosotros llegamos disfrazados de GPTBot, nos echaron, y concluimos que a GPTBot lo echaban.
Las plataformas como Cloudflare verifican a los bots reales por dirección IP y firma. Un curl que se presenta con ese nombre es un impostor y recibe un 403 que el bot verdadero no recibe.
Cuando fuimos a mirar las métricas reales del panel, el bot de búsqueda de Claude había entrado 15 veces con respuesta 200 en las últimas 24 horas. Nunca estuvo bloqueado.
La lección no es sobre bots: es sobre medir. Un comando que responde algo no es lo mismo que un comando que responde lo que crees. Antes de actuar sobre un resultado alarmante, pregúntate qué está midiendo exactamente.
Si quieres saber de verdad quién te rastrea, el dato está en los registros de tu servidor o en el panel de tu proveedor de CDN, no en un curl.
¿Qué hacemos con lo que encontramos?
Nuestros dos defectos se arreglaron el mismo día y ninguno requirió rehacer el sitio.
El primero: publicar el contenido principal como HTML real dentro de la página, aunque después el JavaScript lo reemplace al cargar. Es dejar los libros en las estanterías además de tenerlos en la bodega. El visitante no nota nada; el mensajero se lleva el texto completo.
El segundo: poner enlaces de verdad a las secciones dentro de ese contenido. Los pasillos del centro comercial. Pasamos de 2 a 10.
Y hubo un tercero que descubrimos de paso. Teníamos cuatro preguntas frecuentes escritas en la página, pero maquetadas como una lista de definiciones en vez de como encabezados.
Piénsalo así. Un libro puede tener toda la información adentro, pero si no tiene índice, nadie encuentra el capítulo que busca. Un modelo que quiere citarte va buscando pares de "pregunta — respuesta corta". Si tus preguntas no están marcadas como títulos, para él no son preguntas: son párrafos más.
Para una persona se ve idéntico. Para el modelo, contaban cero. Cambiarlas a encabezados no tocó ni una coma del texto.
Medido con la misma herramienta antes y después, en las dos notas que importan:
- Visibilidad ante buscadores de IA: de 69,5 a 81,8 sobre 100
- SEO clásico: de 65,9 a 78,1 sobre 100
Por dónde empezar mañana
Si solo vas a hacer una cosa, corre el primer comando en tu sitio. Toma diez segundos y te dice si tienes un problema o no.
Si te da un número bajo, no necesitas migrar de tecnología ni rehacer nada: necesitas que tu contenido principal exista en el HTML que sale del servidor. Eso es un cambio acotado en casi cualquier stack.
Y si te da un número alto, revisa los enlaces igual. Nosotros habríamos jurado que ese estaba bien.
Un detalle final que casi nadie mira a tiempo: si todavía no tienes tu sitio conectado a Google Search Console, conéctalo hoy aunque no lo vayas a usar por meses. El dato no es retroactivo.
Piénsalo así. Es una cámara de seguridad. El día que la instalas empieza a grabar, y no hay forma de pedirle lo que pasó el mes pasado. Cada día que la dejas en la caja es un día que nunca vas a poder revisar.
Nosotros perdimos ese tiempo y no hay forma de ir a buscarlo.