Agent Reading Score: la métrica GEO que determina si la IA cita o ignora tu web
El Agent Reading Score mide en qué grado un agente de IA puede descubrir, leer y utilizar el contenido de tu web.
Tu web puede estar en el puesto 1 de Google y ser completamente invisible para ChatGPT, Perplexity o cualquier agente de IA autónomo. El motivo no es la autoridad de dominio ni la calidad del contenido: es que los agentes no pueden leerla. El Agent Reading Score es el framework que mide exactamente eso en cinco dimensiones —discoverabilidad, parsabilidad, densidad factual, token efficiency y task completability— con una puntuación de 0 a 100. En este artículo defines qué es, cómo calcularlo en 30 minutos y qué cinco acciones producen el mayor salto de puntuación con el menor tiempo de implementación.
El problema que nadie te está contando
A finales de 2023, la superposición entre las fuentes que citaba la IA y los links que posicionaban en el top de Google era del 70%. En 2026, ese número ha caído por debajo del 20%. Esto significa que cuatro de cada cinco páginas que Google considera relevantes son ignoradas por los motores generativos. Y la brecha sigue creciendo.
El motivo no es la autoridad de dominio. No es la calidad del contenido en sentido humano. Es algo más técnico y más urgente: los agentes de IA no pueden leer tu web. Literalmente. El HTML que tu servidor envía, cargado de JavaScript que renderiza en cliente, menús que se serializan antes que el contenido, CSS de 80.000 caracteres antes de la primera frase útil, y un robots.txt que bloquea a GPTBot sin que nadie lo sepa, convierte tu web en un documento opaco para cualquier sistema autónomo que intente procesarla.
Dato crítico
La investigación de LLMrefs (marzo 2026) confirma que la superposición entre el top de Google y las fuentes citadas por IA ha caído del 70% a menos del 20%. Google y los agentes de IA están usando criterios completamente distintos para evaluar tu contenido.
Un sitio puede pasar todos los checks de Google Search Console, tener PageSpeed verde y backlinks de calidad — y aun así tener un Agent Reading Score de 15 sobre 100. Estos dos sistemas miden cosas completamente distintas.
SEO y GEO ya no son la misma disciplina con distinto nombre. Son juegos diferentes con reglas diferentes. Y existe un tercer nivel que pocos han empezado a nombrar: la optimización para agentes autónomos que no solo responden preguntas, sino que ejecutan tareas completas usando tu web como fuente de datos.
Eso es exactamente lo que mide el Agent Reading Score.
Qué es el Agent Reading Score (y por qué importa hoy)
El Agent Reading Score es una puntuación de 0 a 100 que mide en qué grado un agente de inteligencia artificial autónomo puede descubrir, acceder, parsear, extraer información útil y completar una tarea usando el contenido de una página web como fuente primaria. Se compone de cinco dimensiones de 20 puntos cada una: discoverabilidad, parsabilidad, densidad factual, token efficiency y task completability.
La diferencia entre GEO clásico y Agent Reading
El GEO clásico (Generative Engine Optimization) optimiza para que un LLM te incluya en una respuesta generada. Es básicamente visibilidad en el resultado: que ChatGPT te mencione cuando alguien pregunta algo relacionado con tu sector.
El Agent Reading Score opera en un nivel diferente. No mide si la IA te menciona. Mide si un agente autónomo puede usar tu contenido para hacer algo. La diferencia es crítica:
| Criterio | GEO clásico | Agent Reading Score |
|---|---|---|
| Pregunta clave | ¿La IA me cita en sus respuestas? | ¿Un agente puede usar mi contenido para completar una tarea? |
| Target | LLMs que generan respuestas (Perplexity, ChatGPT, Gemini) | Agentes autónomos (Claude con tools, agentes n8n, asistentes de compra) |
| Métrica principal | Citation rate · Share of voice | Task completability · Data extractability |
| Factor técnico crítico | Estructura de respuesta, densidad factual | HTML limpio, robots.txt, llms.txt, token budget |
| Impacto en negocio | Visibilidad de marca | Ser fuente ejecutable en flujos autónomos de compra, consulta y comparación |
Qué agentes lo necesitan y en qué contextos
En 2026, los agentes que navegan webs para completar tareas ya no son un concepto de laboratorio. ChatGPT con web browsing activo, Perplexity que indexa en tiempo real, Claude con capacidad de usar herramientas, agentes construidos sobre n8n o Make que consultan webs de proveedores, comparadores de precios autónomos, asistentes de reservas o de atención al cliente que buscan información de producto en tu dominio. Todos ellos leen tu web de la misma forma: extrayendo texto, headings, listas y datos estructurados. Todo lo demás es ruido o bloqueo.
Ejemplo práctico
Un usuario le dice a su agente: «Compara tres proveedores de alimentación ecológica para restaurantes en Barcelona y dime cuál ofrece productos con certificación ecológica y mejor trazabilidad.» El agente visita tres webs. La primera muestra fichas detalladas con origen de los productos, certificados BIO y valores nutricionales estructurados. La segunda tiene descripciones comerciales genéricas y catálogos en PDF no indexables. La tercera impide el acceso al bot mediante robots.txt. El agente cita la primera, interpreta parcialmente la segunda y descarta la tercera. El Agent Reading Score de cada una determina el resultado, no su posición en Google.
Las 5 dimensiones del Agent Reading Score
El score se estructura en cinco dimensiones, cada una con un máximo de 20 puntos. La suma define el nivel de madurez de tu web para el ecosistema agente. A continuación, la explicación de cada dimensión, sus síntomas de fallo y las acciones correctivas.
Dimensión 1: Discoverabilidad
¿Pueden los agentes encontrar tu contenido?
0 – 20 pts
Antes de leer tu contenido, un agente necesita permiso para acceder. Muchas webs bloquean a GPTBot, ClaudeBot o PerplexityBot sin saberlo — a través de un robots.txt heredado, una configuración de Cloudflare activada por defecto en 2025, o la ausencia de señales explícitas para agentes como el archivo llms.txt. Si fallas aquí, las otras cuatro dimensiones son irrelevantes.
Síntomas de score bajo
- Tu web no aparece citada en Perplexity aunque rankeas bien en Google
- No encuentras tráfico de GPTBot o ClaudeBot en tus server logs
- No tienes archivo llms.txt en la raíz de tu dominio
- Activaste Cloudflare hace menos de 12 meses sin revisar la configuración de bots
¿Qué hay que corregir exactamente en Discoverabilidad?
Checklist técnico completo, herramientas y pasos en el artículo complementario
Ver guía técnica →
Dimensión 2: Parsabilidad del HTML
¿El agente recibe contenido limpio o ruido?
0 – 20 pts
Aunque el agente tenga acceso, lo que recibe puede ser mayoritariamente basura. HTML con decenas de miles de caracteres de CSS inline antes del primer párrafo, menús serializados antes del contenido, o texto que solo existe tras ejecutar JavaScript — todo eso hace que el agente extraiga ruido en lugar de información. El resultado no es un error visible: es una citación incorrecta, un dato inventado o simplemente silencio.
Síntomas de score bajo
- ChatGPT menciona tu marca pero con información incorrecta o desactualizada
- Tu web está construida mayoritariamente en JavaScript con renderizado cliente
- Orden del DOM correcto: el contenido de la página aparece antes en el HTML que nav, sidebar y footer
- Usas un page builder pesado sin cacheo de HTML estático
¿Cómo se diagnostica y corrige un HTML no parseable?
Herramientas, curl commands y criterios de corrección en el artículo complementario
Ver guía técnica →
Dimensión 3: Densidad factual
¿Hay datos concretos y citables?
0 – 20 pts
Los LLMs no citan opiniones, citan hechos. Un contenido sin cifras, sin fechas, sin especificaciones técnicas, sin schema.org que declare entidades verificables — es un contenido que los agentes pasan por alto para citar a un competidor que sí tiene esos datos. La densidad factual no es solo una cuestión de redacción: es una decisión arquitectónica sobre qué información estructurada expones y cómo.
Síntomas de score bajo
- Tus páginas de servicio o producto usan lenguaje de marketing sin cifras concretas
- No tienes JSON-LD con tipos Service, Product o FAQPage implementados
- No publicas precios, plazos, especificaciones técnicas o resultados medibles
- Tu contenido describe lo que haces pero no cuantifica el resultado
¿Qué datos y qué schema.org necesita cada tipo de página?
Tipos de schema, ejemplos de JSON-LD y criterios de densidad en el artículo complementario
Ver guía técnica →
Dimensión 4: Token Efficiency
¿Tu contenido cabe en el context window?
0 – 20 pts
Los agentes tienen un presupuesto de tokens por página. Cuando se agota, el contenido se trunca silenciosamente — sin error, sin aviso. El problema no es la longitud del artículo: es cuánto ruido consume el presupuesto antes de que el agente llegue al contenido útil. Una página puede tener 2.000 palabras valiosas que ningún agente llega a leer porque los primeros tokens estaban ocupados por tu mega-menú.
Síntomas de score bajo
- Tu web tiene navegación compleja con submenús expandidos en el HTML
- El footer repite en HTML todos los links del menú principal
- No tienes llms-full.txt con versión limpia de tu contenido clave
- Tus páginas superan los 100KB de HTML sin comprimir
¿Cómo calcular el token budget real de tu web y cómo optimizarlo?
Métricas, herramientas y arquitectura limpia explicadas en el artículo complementario
Ver guía técnica →
Dimensión 5: Task Completability
¿Puede el agente completar una tarea desde tu web?
0 – 20 pts
La dimensión más difícil y más valiosa. Mide si un agente autónomo puede completar una tarea de decisión — comparar, reservar, contactar, comprar — usando solo tu página como fuente, en una sola lectura. Si el precio está en una página, las especificaciones en otra y el contacto requiere un formulario previo, el agente pasa a la siguiente fuente. Ese competidor gana la cita.
Síntomas de score bajo
- La información clave de un producto o servicio está repartida en varias páginas
- No hay precio ni rango de precio visible sin contactar ante
- La página no responde las preguntas de decisión más frecuentes de tu cliente
- No hay un paso siguiente claro enlazado desde el contenido principal
¿Qué hace que una página sea completable por un agente? ¿Cómo se diseña?
Estructura de página, ejemplos reales y checklist de completabilidad en el artículo complementario
Ver guía técnica →
¿Quieres el desglose técnico completo de las 5 dimensiones?Checklists accionables, herramientas de medición, ejemplos de código y plan de mejora paso a paso — todo en el artículo complementario.
Ir a la guía técnica →
Por qué el audit manual tiene puntos ciegos
Muchos responsables de marketing revisan el robots.txt, comprueban si tienen schema y prueban que la web carga — y concluyen que «todo está bien». Ese audit detecta los problemas obvios. Los que destruyen el score sin dejar rastro visible son otros.
Punto ciego 1
Un plugin de seguridad instalado la semana pasada puede haber sobrescrito tu robots.txt y bloquear GPTBot. No lo verás en Google Search Console porque Googlebot sigue entrando.
Punto ciego 2
El schema.org puede estar técnicamente presente pero con datos vacíos que hacen que los agentes lo descarten. Un validador básico dice «verde» aunque los datos no sirvan para citación.
Punto ciego 3
La truncación de tokens no produce error. El agente simplemente deja de leer. No hay log, no hay aviso, no hay dato que te diga que tus últimas 800 palabras nunca se procesaron.
Punto ciego 4
El score cambia. Una actualización de WordPress o un nuevo plugin puede degradar una dimensión completa de un día para otro. El audit puntual no lo detecta.
La diferencia entre saber y monitorizar
Saber tu score hoy es el primer paso. Lo que marca la diferencia competitiva es saber cuándo cambia y por qué. Las webs que mantienen un score alto no son las que lo midieron una vez: son las que lo monitorizan.
Preguntas frecuentes
¿El Agent Reading Score es una métrica oficial de Google o de algún motor de IA?
No. Es un framework de evaluación que sintetiza criterios técnicos dispersos en AEO y GEO bajo una puntuación unificada de 0 a 100 en cinco dimensiones.
¿En qué se diferencia del SEO tradicional?
El SEO optimiza para rankings en Google. El Agent Reading Score optimiza para que un agente autónomo pueda usar tu contenido para completar tareas. Un sitio puede tener posición 1 en Google y un Agent Reading Score de 20 sobre 100.
¿Cómo puedo saber cuál es mi Agent Reading Score?
Analizar tu Agent Reading Score, identificar los fallos e implementamos las correcciones.
¿Afecta al posicionamiento en ChatGPT, Perplexity o Gemini?
Directamente sí. Un score bajo implica que aunque el motor encuentre tu URL, el contenido extraído puede estar truncado o contaminado, reduciendo drásticamente la probabilidad de citación.
¿Es relevante para PYMEs o solo para grandes empresas?
Especialmente crítico para PYMEs. Las grandes marcas compensan deficiencias técnicas con autoridad de dominio. Una PYME con score alto puede superar en citación IA a un competidor grande con web mal estructurada.
Conclusión
El Agent Reading Score no es una métrica más. Es el diagnóstico de si tu web existe para la generación de interfaces que ya está aquí: agentes que no buscan links, no hacen clic en anuncios y no evalúan el diseño. Solo extraen datos, completan tareas y citan fuentes que pudieron procesar sin fricción.
Mide tu score ahora · Auditoría Profesional
Analizamos tu Agent Reading Score, identificamos los fallos e implementamos las correcciones. Resultado en una semana. Sin humo, sin datos genéricos.
Solicitar análisis →
Etiquetas: GEO, AEO, inteligencia artificial, SEO, optimización para IA, agentes de IA, LLM, visibilidad IA, Generative Engine Optimization, Agentic Engine Optimization, llms.txt, schema.org, ChatGPT, Perplexity, automatización
