Búsqueda agéntica

TL;DR — La búsqueda agéntica es una IA que hace todo el trabajo de investigación por alguien, no solo responde a una pregunta. En vez de dar una respuesta rápida, realiza decenas de búsquedas, lee las páginas reales y vuelve con una respuesta redactada, a veces varios minutos después. Piensa en ChatGPT dándote una respuesta rápida frente a ChatGPT Deep Research desapareciendo durante diez minutos y volviendo con un informe. Lo importante en la práctica: algunos de estos agentes navegan como un navegador Chrome real, así que robots.txt no puede detenerlos.

Las tres capas de la búsqueda

La «búsqueda agéntica» es un patrón de producto en evolución, no una única arquitectura de posicionamiento estandarizada. Evidence for this claim Deep-research products can perform multi-step web research and synthesize cited results. Scope: Documented product capabilities, not a universal definition or ranking architecture for agentic search. Confidence: high · Verified: 2026-07-14 OpenAI: Introducing deep research Los sistemas documentados pueden navegar, sintetizar y realizar acciones de varios pasos, pero el comportamiento varía según el producto y la versión. Evidence for this claim The term agentic search covers an evolving set of vendor implementations whose tools and behavior can differ. Scope: Editorial synthesis from documented product behavior; implementations and releases may vary. Confidence: medium · Verified: 2026-07-14 OpenAI: Introducing deep research

Ayuda pensar que la búsqueda ha crecido en tres capas, una encima de otra:

1. Búsqueda tradicional. Escribes una consulta, Google devuelve una lista de enlaces y tú los lees y decides. El trabajo lo hace la persona.
2. Búsqueda con IA. Haces una pregunta, la IA incorpora algunas fuentes y redacta una respuesta: un AI Overview, una respuesta de ChatGPT o una respuesta de Perplexity. La IA lee y tú lees su resumen.
3. Búsqueda agéntica. Le das a la IA un objetivo: «compara las mejores herramientas de gestión de proyectos para una agencia de 10 personas y dime cuál elegir»; y se pone a trabajar por su cuenta. Planifica el trabajo, hace muchas búsquedas, abre y lee páginas reales, cambia de enfoque según lo que encuentra y finalmente redacta un informe (o incluso realiza una acción, como rellenar un formulario). Puede que nunca veas los pasos intermedios.

La forma más sencilla de recordar la relación: toda búsqueda agéntica es búsqueda con IA, pero no toda búsqueda con IA es agéntica. La búsqueda agéntica es el subconjunto que se pone a trabajar por su cuenta durante un tiempo.

Un ejemplo concreto

El mismo producto, dos modos:

• ChatGPT, respuesta normal: preguntas algo y responde en unos segundos con lo que ya «sabe» y quizá una consulta rápida en la web. Una pasada.
• ChatGPT Deep Research: preguntas lo mismo, te dice que tardará un rato y pasa minutos buscando, leyendo y contrastando decenas de fuentes antes de redactar una respuesta estructurada con citas.

Ese segundo modo es búsqueda agéntica. Gemini Deep Research de Google y Deep Research de Perplexity funcionan de la misma manera.

Por qué debería importarle a un profesional del SEO

Dos motivos:

• Estos agentes leen sus páginas reales y en profundidad. Un rastreador tradicional hojea muchas páginas superficialmente. Un agente puede leer 5–10 páginas con mucha atención y extraer afirmaciones concretas. Ser una de esas pocas páginas es el nuevo objetivo.
• No siempre puede mantenerlos fuera. Las versiones de «rastreador de investigación» (como la de Gemini) se identifican y siguen su robots.txt. Pero las versiones de navegador agéntico —ChatGPT Agent y Project Mariner de Google— abren un navegador Chrome real en la nube y parecen exactamente una persona visitando el sitio. No hay un nombre de bot que bloquear, así que robots.txt no sirve de nada.

¿Quiere el desglose completo —todas las plataformas, la tabla de user-agents y las señales de contenido que realmente ayudan—? Cambie a la pestaña Avanzado.

TL;DR — La búsqueda agéntica es la tercera capa de la búsqueda (tradicional → búsqueda con IA → agéntica): un sistema que ejecuta durante minutos un bucle de varios pasos —Planificar → Buscar → Leer → Evaluar → volver a buscar → sintetizar/actuar—, lanzando entre 20 y más de 160 consultas por sesión y leyendo el contenido completo de las páginas, no instantáneas en caché. Para el control, las plataformas se dividen en dos grupos. Los rastreadores declarados (Gemini-Deep-Research, Claude-User) respetan robots.txt. Los navegadores agénticos (ChatGPT Agent, Project Mariner y Copilot Actions) ponen en marcha máquinas virtuales Chrome/Edge reales sin un user-agent de bot declarado; robots.txt no puede tocarlos, y solo sirven los controles del servidor o el RFC emergente Web Bot Auth. El beneficio: el tráfico referido por IA convierte aproximadamente un 42 % mejor que el tráfico no referido por IA, y el tráfico agéntico es la parte de mayor intención.

La búsqueda agéntica es una tercera capa, no un reemplazo

Las descripciones actuales de los proveedores respaldan la investigación de varios pasos y el uso de herramientas, no un reemplazo universal de la recuperación o el posicionamiento. Evidence for this claim Deep-research products can perform multi-step web research and synthesize cited results. Scope: Documented product capabilities, not a universal definition or ranking architecture for agentic search. Confidence: high · Verified: 2026-07-14 OpenAI: Introducing deep research Los diagramas de pipeline de aquí son modelos explicativos, salvo cuando un proveedor los documente explícitamente. Evidence for this claim The term agentic search covers an evolving set of vendor implementations whose tools and behavior can differ. Scope: Editorial synthesis from documented product behavior; implementations and releases may vary. Confidence: medium · Verified: 2026-07-14 OpenAI: Introducing deep research

El modelo mental al que vuelvo una y otra vez:

• La búsqueda tradicional devuelve enlaces; la persona lee y decide.
• La búsqueda con IA (el objetivo de GEO/AEO: AI Overviews, respuestas de ChatGPT y Perplexity) devuelve una respuesta sintetizada a partir del contexto recuperado.
• La búsqueda agéntica divide un objetivo en subtareas, elige sus propias herramientas, lee páginas completas, itera sobre lo que aprende y termina en un informe sintetizado o en una acción (una compra, una reserva o el envío de un formulario).

Semrush expresó la relación tan bien como cualquiera: «All agentic search is AI search. Not all agentic search is the same thing as AI search.» (traducción) «Toda búsqueda agéntica es búsqueda con IA. No toda búsqueda agéntica es lo mismo que la búsqueda con IA». La versión corta que conviene recordar: toda búsqueda agéntica es búsqueda con IA; no toda búsqueda con IA es agéntica. Nada de esto sustituye al SEO tradicional. La autoridad, la indexabilidad y los datos estructurados siguen siendo requisitos previos; la optimización agéntica añade completitud, legibilidad para máquinas y claridad de entidades.

Cómo funcionan realmente los sistemas agénticos

La diferencia que los define frente a RAG o a una única llamada de recuperación es que la recuperación ocurre durante el razonamiento, dentro de un bucle:

Firecrawl lo describe como un método en el que el agente «decides when to search, formulates the query from context, reads actual page content from each result, and evaluates what it found before deciding whether to synthesize or search again.» (traducción) «decide cuándo buscar, formula la consulta a partir del contexto, lee el contenido real de cada página de resultados y evalúa lo que encontró antes de decidir si sintetiza o vuelve a buscar». Consecuencias prácticas:

• Lecturas de páginas en tiempo real, no resúmenes preindexados. Los agentes obtienen y leen contenido completo y activo. La frescura y la disponibilidad actual importan más que en la búsqueda tradicional; no trabajan a partir de una instantánea en caché.
• Reformulación iterativa de consultas. Si los resultados están desactualizados o no responden al objetivo, el agente reescribe la consulta (por ejemplo, añade «2026» cuando encuentra documentación obsoleta) y vuelve a intentarlo.
• Encadenamiento de herramientas. Una sola tarea puede combinar búsqueda web, ejecución de código, lectura de archivos y envío de formularios.

Cuántas búsquedas hace por sesión

No se trata de una sola consulta. Volumen por plataforma:

La investigación SAGE de Google descubrió que los agentes de IA realizan una media de 4,9 pasos por consulta: buscan, comparan y evalúan varias fuentes antes de entregar un resultado.

Las principales plataformas agénticas

OpenAI — Deep Research + ChatGPT Agent. Deep Research (o3-deep-research / o4-mini-deep-research) está diseñado para «find, analyze, and synthesize hundreds of sources to create a comprehensive report at the level of a research analyst» (traducción) «encontrar, analizar y sintetizar cientos de fuentes para crear un informe completo al nivel de un analista de investigación», y OpenAI advierte que las solicitudes «can take a long time» (traducción) «pueden tardar mucho». ChatGPT Agent es el sucesor de Operator: una instancia de Chromium alojada en la nube que navega por la web real y puede ejecutar unas 10 tareas en paralelo. Sus bots de recuperación (OAI-SearchBot y ChatGPT-User) están declarados; el navegador agéntico no.

Google — Gemini Deep Research + Project Mariner. Gemini Deep Research ejecuta un bucle explícito «Planificar → Buscar → Leer → Iterar → Resultado»; Google lo describe como “continuously refin[ing] its analysis, browsing the web by searching and finding interesting pieces of information then starting a new search based on what it’s learned, repeating this process multiple times before generating a comprehensive report.” (traducción) «Google describe un proceso que refina continuamente el análisis, busca información y repite la búsqueda antes de generar un informe completo». Tiene un user-agent Gemini-Deep-Research declarado y respeta robots.txt. Project Mariner es el agente de automatización del navegador (hasta 10 tareas en paralelo): ejecuta una huella estándar de Chrome desde máquinas virtuales en la nube sin un user-agent de bot declarado.

Perplexity — Deep Research / Sonar. Perplexity «performs dozens of searches, reads hundreds of sources, and reasons through the material to autonomously deliver a comprehensive report» (traducción) «hace decenas de búsquedas, lee cientos de fuentes y razona sobre el material para entregar autónomamente un informe completo»: entre 20 y 50 consultas en 2–4 minutos. Su PerplexityBot declarado dice que respeta robots.txt. En agosto de 2025, Cloudflare informó de la observación de rastreadores no declarados que atribuyó a Perplexity, que accedían al contenido pese a las directivas de no rastreo; Perplexity rechazó la versión de Cloudflare. Por separado, la documentación de Perplexity dice que Perplexity-User suele ignorar robots.txt porque representa una obtención solicitada por una persona.

Anthropic — búsqueda web de Claude + uso del ordenador. Claude-User (obtenciones en tiempo real iniciadas por personas) respeta robots.txt. Cuando Claude funciona en modo de uso del ordenador, controla un navegador estándar y no emite un user-agent de bot declarado: el mismo patrón de navegador agéntico que Mariner y ChatGPT Agent.

Microsoft — Copilot + Copilot Actions. La recuperación web subyacente de Copilot utiliza Bingbot, que respeta robots.txt. Copilot Actions (navegación agéntica) usa un user-agent estándar de Edge/Chromium sin una señal de bot declarada: en la capa del user-agent es indistinguible de la navegación humana.

User-agents y la brecha de robots.txt

Esta es la parte que suele confundir, así que aquí tiene todo el panorama en una tabla:

Las categorías importantes son estas: los rastreadores de entrenamiento y los bots de índices de búsqueda respetan robots.txt; los fetchers activados por el usuario varían (OpenAI modificó discretamente la posición de ChatGPT-User en diciembre); y los navegadores agénticos lo ignoran por diseño.

La clave: los navegadores agénticos no se pueden bloquear con robots.txt

robots.txt es una directiva para rastreadores. Los navegadores agénticos —ChatGPT Agent, Project Mariner, Copilot Actions y Claude en modo de uso del ordenador— ponen en marcha instancias reales de Chrome o Edge dentro de máquinas virtuales en la nube. Se presentan como navegadores estándar, no declaran una identidad de bot y se tratan como proxies de navegador, no como rastreadores. Por eso:

• Sí puede bloquear en robots.txt los bots de entrenamiento (GPTBot y ClaudeBot) y los bots de índices de búsqueda (OAI-SearchBot y Claude-SearchBot).
• No puede bloquear allí los navegadores agénticos. Sencillamente no leen el archivo.

Lo único que funciona contra la capa del navegador agéntico son los controles del lado del servidor (reglas de rangos IP, limitación de frecuencia y gestión de bots en el edge) y el RFC emergente Web Bot Auth: verificación criptográfica de agentes. ChatGPT Agent ya ofrece una señal temprana: envía una firma HTTP Signature-Agent: "https://chatgpt.com" firmada con ed25519, que es el único identificador fiable del lado del servidor (en analíticas simples aparece como “direct/(none)” en una visita directa o como “Bing/organic” cuando te encontró mediante una búsqueda de Bing).

Una consecuencia que conviene decir claramente: bloquear GPTBot no impide que ChatGPT lea sus páginas en tiempo real. GPTBot es el rastreador de entrenamiento. Deep Research y ChatGPT Agent llegan a su contenido mediante mecanismos completamente distintos.

Qué señales de contenido importan para la IA agéntica

Los agentes leen páginas completas y las evalúan por su completitud, capacidad de ser citadas, coherencia y legibilidad para máquinas. Según la investigación, esto es lo que realmente ayuda:

• Páginas completas de un único recurso. Los agentes van en profundidad, pero con amplitud limitada: pueden leer 5–10 páginas detenidamente en vez de hojear cientos. Una página que responde por completo a un tema (y a las subpreguntas que plantea) es mucho más útil que cinco páginas superficiales. ALM Corp lo resume así: «Structure gives agents stable extraction points — a page with clear headings, labeled sections and consistent formatting is easier to quote accurately.» (traducción) «La estructura proporciona a los agentes puntos de extracción estables: una página con encabezados claros, secciones etiquetadas y formato coherente es más fácil de citar con precisión».
• Contenido autorizado, legible para máquinas y con buenas citas. Los agentes contrastan la información con fuentes externas y bases de conocimiento, así que las citas externas ayudan a superar su umbral de confianza. Esto coincide con lo que encontré para AI Overviews: las menciones en páginas muy enlazadas correlacionan en ~0,70 (Spearman) con la visibilidad en IA —la señal individual más fuerte de ese estudio, y un patrón en el que esperaría que también se apoyase la recuperación agéntica.
• Datos estructurados. JSON-LD no es obligatorio para que se cite el contenido, pero mejora la precisión de extracción: en una prueba citada, GPT-4 pasó del 16 % al 54 % de respuestas correctas cuando el contenido incluía datos estructurados.
• Velocidad. Los datos de BrightEdge muestran que los agentes de ChatGPT abandonan inmediatamente los sitios que cargan despacio: tienen menos paciencia que Googlebot, lo que extiende la disciplina de Core Web Vitals al contexto agéntico. Además, el contenido debe ser accesible sin ejecutar JavaScript.
• Claridad del alcance y de las compensaciones. Las páginas que explican para quién es una solución, para quién no es y cuáles son las compensaciones son más útiles para un agente que prepara una lista corta que el contenido que intenta atraer a todo el mundo.

Por qué merece la pena: calidad de conversión

Las cifras de tráfico son pequeñas, pero la calidad no. En marzo de 2026, el tráfico referido por IA convierte aproximadamente un 42 % mejor que el tráfico no referido por IA, y el tráfico de búsqueda con IA convierte aproximadamente un 14,2 % frente al 2,8 % de Google. El tráfico agéntico es un subconjunto del tráfico de IA y casi con seguridad la parte de mayor intención, porque un agente solo lleva a una persona a su página después de evaluarla frente a alternativas en su nombre. Ser una de las pocas páginas que lee un agente y ser la que recomienda tiene un valor desproporcionado.

Cómo pensarlo: SEO → GEO → ASO

Trate la optimización agéntica como una tercera capa colocada sobre las dos primeras, no como un reemplazo. Los fundamentos no cambian: autoridad, indexabilidad y datos estructurados. Lo nuevo que se añade es contar con recursos completos de un solo tema, legibilidad implacable para máquinas, claridad de entidades, citas externas y reconocer que robots.txt ya no es una historia completa de control de acceso. Consulte la pestaña Listas de comprobación para ver el procedimiento concreto.

Resumen de IA

Una síntesis de la pestaña Avanzado:

• La búsqueda agéntica es la tercera capa de la búsqueda: tradicional (enlaces) → búsqueda con IA (una respuesta) → agéntica (investigación o acción autónoma de varios pasos). «All agentic search is AI search. Not all AI search is agentic.» (traducción) «Toda búsqueda agéntica es búsqueda con IA. No toda búsqueda con IA es agéntica».
• Ejecuta un bucle, no una consulta: Planificar → Buscar → Leer → Evaluar → volver a buscar → sintetizar/actuar, durante minutos. Gemini Deep Research lanza unas 80–160 consultas por sesión; Perplexity, 20–50; SAGE de Google encontró unos 4,9 pasos por consulta.
• Dos grupos de control. Los rastreadores declarados (Gemini-Deep-Research y Claude-User) respetan robots.txt. Los navegadores agénticos (ChatGPT Agent, Project Mariner y Copilot Actions) ejecutan máquinas virtuales Chrome/Edge reales sin un user-agent de bot declarado; robots.txt no puede bloquearlos.
• La clave: solo los controles del servidor o el RFC emergente Web Bot Auth detienen los navegadores agénticos. El encabezado ed25519 Signature-Agent de ChatGPT Agent es el único identificador fiable del lado del servidor. Bloquear GPTBot ≠ impedir que ChatGPT le lea.
• Cloudflare y Perplexity discrepan sobre lo ocurrido. Cloudflare informó de que unos rastreadores no declarados que atribuyó a Perplexity sortearon las directivas de no rastreo; Perplexity negó la acusación. Trate el episodio como una disputa documentada, no como un hecho resuelto.
• Lo que ayuda: páginas completas de un solo tema, citas externas (~0,70 de Spearman con la visibilidad en IA), datos estructurados, velocidad (los agentes abandonan los sitios lentos) y claridad de alcance.
• Por qué importa: el tráfico referido por IA convierte aproximadamente un 42 % mejor; la búsqueda con IA, un 14,2 % frente al 2,8 % de Google. La búsqueda agéntica es el subconjunto de mayor intención.

Documentación oficial

Documentación de fuentes primarias de los creadores de las plataformas.

OpenAI

• Guía de Deep Research: los modelos o3-deep-research / o4-mini-deep-research, la ejecución en segundo plano y el acceso a herramientas.
• Bots y rastreadores de OpenAI: cadenas completas de user-agent para GPTBot, OAI-SearchBot y ChatGPT-User.
• Presentación de ChatGPT Agent: el sucesor agéntico de navegador de Operator.

Google

• Documentación de la API de Gemini Deep Research: recuento de consultas, límites de duración y ejecución en segundo plano.
• Prueba Deep Research en Gemini: descripción de Google en lenguaje sencillo del bucle de investigación.

Anthropic

• Herramienta de uso del ordenador de Claude: cómo Claude controla un navegador o un escritorio en modo agéntico.

Perplexity

• Sonar Deep Research — el modelo de API detrás de Deep Research.
• Rastreadores de Perplexity — PerplexityBot frente a Perplexity-User y su comportamiento declarado respecto a robots.txt.

Microsoft

• Bing Webmaster Tools: Bingbot sustenta la recuperación web de Copilot; el control del rastreo vive aquí.

Citas de la fuente

Declaraciones públicas de los creadores de las plataformas y de los investigadores que documentan su comportamiento.

Google — el bucle de Gemini Deep Research

• “Over the course of a few minutes, Gemini continuously refines its analysis, browsing the web by searching and finding interesting pieces of information then starting a new search based on what it’s learned, repeating this process multiple times before generating a comprehensive report.” (traducción) «Durante unos minutos, Gemini refina continuamente su análisis, navega por la web buscando y encontrando piezas de información interesantes, inicia una nueva búsqueda basada en lo que ha aprendido y repite este proceso varias veces antes de generar un informe completo». — Google Blog. Fuente

OpenAI — para qué sirve Deep Research

• Los modelos de Deep Research “find, analyze, and synthesize hundreds of sources to create a comprehensive report at the level of a research analyst.” (traducción) «encuentran, analizan y sintetizan cientos de fuentes para crear un informe completo al nivel de un analista de investigación». [unverified] — Paráfrasis de la propuesta de Deep Research de OpenAI; confirma el texto contra la documentación activa. Fuente

Perplexity — cómo funciona Deep Research

• “Perplexity performs dozens of searches, reads hundreds of sources, and reasons through the material to autonomously deliver a comprehensive report.” (traducción) «Perplexity hace decenas de búsquedas, lee cientos de fuentes y razona sobre el material para entregar autónomamente un informe completo». — Perplexity Blog. Fuente

Cloudflare — los rastreadores furtivos de Perplexity

• “Both their declared and undeclared crawlers were attempting to access the content for scraping contrary to the web crawling norms as outlined in RFC 9309.” (traducción) «Tanto sus rastreadores declarados como los no declarados intentaban acceder al contenido para extraerlo, en contra de las normas de rastreo web descritas en el RFC 9309». — Cloudflare. Fuente

Firecrawl — definición de búsqueda agéntica

• La búsqueda agéntica es un método en el que el agente “decides when to search, formulates the query from context, reads actual page content from each result, and evaluates what it found before deciding whether to synthesize or search again.” (traducción) «decide cuándo buscar, formula la consulta a partir del contexto, lee el contenido real de cada resultado y evalúa lo que encontró antes de decidir si sintetiza o vuelve a buscar». — Firecrawl Blog. Fuente

ALM Corp — qué recompensan los agentes

• “Structure gives agents stable extraction points — a page with clear headings, labeled sections and consistent formatting is easier to quote accurately.” (traducción) «La estructura proporciona a los agentes puntos de extracción estables: una página con encabezados claros, secciones etiquetadas y formato coherente es más fácil de citar con precisión». — ALM Corp. Fuente

Semrush — la distinción entre capas

• “All agentic search is AI search. Not all AI search is agentic.” [unverified] (traducción) «Toda búsqueda agéntica forma parte de la búsqueda con IA; no toda búsqueda con IA es agéntica». — Paráfrasis del planteamiento de Semrush; confirma la formulación exacta contra la publicación activa. Fuente

Lista de comprobación de optimización para la búsqueda agéntica

Una revisión para asegurarse de que los agentes pueden encontrarle, leerle, confiar en usted y citarle, y de que usted puede verlos cuando lo hacen:

• Páginas completas de un solo tema. Cada tema importante tiene una página que lo responde por completo (incluidas las subpreguntas que plantea), en vez de varias páginas superficiales. Los agentes leen en profundidad, no a lo ancho.
• Fuentes citadas y autoridad externa. Las afirmaciones son atribuibles; se le menciona en páginas de terceros muy enlazadas y con autoridad (la señal de visibilidad en IA más fuerte que he medido).
• Datos estructurados instalados. JSON-LD (Organization, FAQPage, Product, etc.) para que los agentes extraigan los hechos con precisión y sin adivinar.
• Claridad de alcance y de compensaciones. Las páginas indican para quién es una solución, para quién no es y cuáles son las compensaciones: es más fácil para un agente que prepara una lista corta.
• Accesible sin JavaScript y rápida. El contenido principal está en HTML sin procesar; las páginas cargan rápido (los agentes abandonan los sitios lentos más deprisa que Googlebot).
• Controles de acceso en el servidor, no solo robots.txt. Si necesita limitar el acceso, use reglas de rangos IP o gestión de bots en el edge: los navegadores agénticos ignoran robots.txt.
• robots.txt sigue configurado correctamente para los bots declarados. Decida según su estrategia entre entrenamiento (GPTBot y ClaudeBot), recuperación (OAI-SearchBot y Claude-SearchBot) e investigación profunda (Gemini-Deep-Research).
• Supervise los rastreadores agénticos en los logs del servidor. Observe los UAs declarados de investigación profunda y también el encabezado Signature-Agent (el único ID fiable de ChatGPT Agent); recuerde que las visitas directas de agentes pueden aparecer como «direct/(none)» en analíticas.

Referencia de user-agents de IA agéntica — hoja rápida

La regla en una línea: los rastreadores y bots de búsqueda declarados respetan robots.txt; los navegadores agénticos (máquinas virtuales reales de Chrome/Edge) no. Bloquéelos en el servidor o mediante Web Bot Auth.

Errores de la búsqueda agéntica

Suponer que robots.txt controla todos los agentes

Algunos sistemas agénticos navegan mediante infraestructura de navegador normal en vez de usar una identidad de rastreador declarada. Use las reglas de robots para los bots que las respetan, pero no presente el archivo como una frontera de control de acceso.

Diseñar solo para respuestas de una sola pasada

Los agentes pueden comparar, volver a visitar, filtrar y completar tareas de varios pasos. Mantenga la navegación, los formularios, los estados, los precios, las políticas y las relaciones entre entidades suficientemente explícitos para soportar un flujo de trabajo más largo.

Ocultar hechos críticos tras interacciones frágiles

Un agente no puede usar de forma fiable la información que solo aparece después de un gesto inaccesible, un estado de canvas o una acción del cliente no documentada. Conserve HTML semántico, URL estables, etiquetas claras y resultados que el servidor pueda verificar.

Marco Descubrir, Entender, Actuar, Verificar

1. Descubrir: las páginas y capacidades importantes tienen enlaces estables o puntos de entrada documentados y legibles para máquinas.
2. Entender: las entidades, restricciones, precios, políticas y siguientes pasos se expresan claramente en contenido semántico.
3. Actuar: los formularios y flujos tienen etiquetas explícitas, controles predecibles y estados de error recuperables.
4. Verificar: una acción completada produce una confirmación duradera que una persona o un agente puede inspeccionar antes de continuar.

Use el marco para revisar un recorrido completo de tarea. Una página puede ser fácil de recuperar y aun así fallar cuando un agente intenta actuar o confirmar el resultado.

Herramientas para experiencias de búsqueda accesibles a agentes

• SEO MCP Server: inspeccione un ejemplo acotado y de solo lectura de cómo exponer directamente a los agentes contenido SEO publicado y capacidades de verificación.
• Robots.txt Tester: verifique las reglas para rastreadores declarados e identifique la directiva ganadora, recordando que los agentes basados en navegadores normales pueden no presentar una identidad de rastreador controlable.
• Herramientas de desarrollo del navegador: inspeccione nombres semánticos, orden de foco, llamadas de red, estados de error y señales duraderas de finalización durante la tarea.
• Logs del servidor: distinga bots documentados, navegadores normales y clientes desconocidos sin afirmar que cada solicitud identifica a un agente o su propósito.

Ponte a prueba: búsqueda agéntica

Recursos que merecen tu tiempo

Documentación oficial de las plataformas

• OpenAI Deep Research y bots de OpenAI.
• API de Google Gemini Deep Research y la publicación de lanzamiento.
• Uso del ordenador de Anthropic Claude.
• Perplexity Sonar Deep Research y rastreadores de Perplexity.

Mis artículos relacionados

• Lo que realmente sabemos sobre optimizar para la búsqueda con LLM: el estudio de correlación detrás del hallazgo de ~0,70 de Spearman para menciones en páginas de gran autoridad.
• Conoce a los nuevos rastreadores web: los bots de IA se acercan a los bots de los motores de búsqueda: el panorama cambiante de los rastreadores.

De otros autores

• Cloudflare: Perplexity usa rastreadores furtivos no declarados: la acusación y explicación técnica de Cloudflare; Perplexity lo negó.
• Simon Willison: user-agent del agente de ChatGPT: el detalle de Signature-Agent / ed25519.
• Firecrawl: qué es la búsqueda agéntica: la anatomía técnica del bucle.
• Semrush: búsqueda agéntica y ALM Corp: explicación de la web agéntica: el marco estratégico.
• No Hacks: panorama de los agentes de usuario de IA en 2026 y lista de agentes de usuario de IA de SEJ.
• BrightEdge: la actividad de la IA agéntica se duplica: adapta tu estrategia SEO: datos sobre la duplicación de la actividad del agente de ChatGPT entre julio y agosto de 2025 y sobre cómo los agentes abandonan los sitios lentos más rápido que Googlebot.
• Seer Interactive: cómo saber cuándo el agente Operator de OpenAI llega a tu sitio: guía práctica para identificar y medir las visitas de navegadores agénticos en las analíticas.
• Cloudflare: de Googlebot a GPTBot, quién rastrea tu sitio en 2025: datos de Cloudflare sobre el volumen de rastreo de bots de IA declarados frente a rastreadores de búsqueda tradicionales.
• Navoto: optimización para la búsqueda agéntica, guía de visibilidad en la búsqueda con IA en 2026: marco ASO práctico sobre las capas SEO → GEO → ASO y las señales de contenido.

Estadísticas que merece la pena citar

• El tráfico referido por IA convierte aproximadamente un 42 % mejor que el tráfico no referido por IA (marzo de 2026): el motivo principal por el que merece la pena trabajar la visibilidad agéntica. Fuente
• La búsqueda con IA convierte aproximadamente un 14,2 % frente al ~2,8 % de Google: el tráfico agéntico es el subconjunto de mayor intención de ese tráfico de IA. Fuente
• Gemini Deep Research: ~80 consultas por sesión (estándar), ~160 (Max): la escala de una sola sesión de investigación agéntica. Fuente
• Perplexity Deep Research: 20–50 consultas por sesión, 2–4 minutos: una sesión más ligera, pero todavía de varios pasos. Fuente
• Correlación de ~0,70 de Spearman entre las menciones en páginas muy enlazadas y la visibilidad en IA (Google AI Overviews): mi hallazgo y la forma probable de las señales de confianza agénticas. Fuente
• El tráfico de IA agéntica creció un 1 300 % durante los primeros 8 meses de 2025, y la actividad del agente de ChatGPT se duplicó entre julio y agosto de 2025: la parte de mayor crecimiento del tráfico referido por IA. Fuente

Registro de cambios