¿Funcionan de verdad las páginas de entrenamiento para LLM?
Sí. En una prueba controlada de ocho semanas, la categoría que recibió páginas de entrenamiento fue rastreada alrededor de un 17% más que otra categoría comparable reservada como línea base. Una categoría de producto recibió páginas de entrenamiento para LLM prerenderizadas. Una categoría equivalente quedó fuera del despliegue y se usó como línea base. Ocho semanas después, la categoría tratada recibía un 17% más de rastreos que el grupo de control. El rastreo subió en todo el sitio durante esas mismas semanas, así que sin el grupo de control no habría forma de distinguir nuestro efecto del ruido de fondo. La página que cambiamos es una página de listado de categoría corriente, así que la misma implementación sirve para páginas de ecommerce en Shopify, Magento, Adobe Commerce, Salesforce Commerce Cloud y cualquier otra plataforma capaz de renderizar HTML en el servidor. Un rastreo de entrenamiento es la vía por la que un modelo se aprende tu marca de memoria. Hazlo bien y el asistente nombrará tu producto a partir de lo que ya sabe: sin petición web, sin cita, sin enlace que pulsar, solo las especificaciones y comparativas que leyó una vez y retuvo. Eso solo ocurre si un rastreador de entrenamiento pudo leer la página desde el principio, y es el único paso de la cadena que una marca puede controlar y medir de forma directa. Lo que sigue es la página que publicamos, las ocho semanas posteriores a su lanzamiento y las tres pruebas que hicimos para intentar tumbar el resultado.
- AI training crawls ran 17% above the untouched control. Medido a lo largo de las 8 semanas posteriores al lanzamiento. El resultado se mantiene tras una prueba placebo sobre 46 fechas de lanzamiento inventadas, tras eliminar cualquier página del análisis y tras modificar la ventana de análisis.
- A comparable category ran alongside as a holdout, and every number is measured against it. El rastreo subió con fuerza en todo el sitio durante la misma ventana, así que el grupo de control es lo que separa el efecto del ruido de fondo. También sostuvo los controles de calidad del dato: cuando los rastreos de entrenamiento marcaron cero durante siete días seguidos en todas las categorías a la vez, control incluido, eso identificó un fallo de registro y no un comportamiento de los rastreadores, y esos días se descartaron.
- Both categories more than doubled. The training pages account for the 22% gap between them. Los rastreos de entrenamiento en bruto subieron 2.7x en la categoría tratada y 2.2x en el grupo de control, que no recibió nada en absoluto, así que la mayor parte de ese crecimiento era sectorial y habría llegado igualmente. Indexadas contra sus propias medias previas al lanzamiento, las dos líneas terminan la ventana con una separación del 22%. Promediado sobre las ocho semanas completas, la brecha se sitúa en el 17%.
-
In-stock pages gained 43% of training crawls. Out-of-stock pages lost 22%.
Páginas en stock (10): 5,090 → 7,270 rastreos de entrenamiento (+43%)Páginas sin stock (3): 870 → 680 (−22%)Todas las páginas sin stock perdieron atención de rastreo. Esto sale de 13 páginas y no lo predijimos de antemano, así que es una pista que convendría probar en condiciones, no un hallazgo.
- Once a model has read your pages, it can recommend them without looking them up. A training crawl is what puts your product facts into the model itself, so an assistant can answer from memory rather than going out to the web. Getting crawled is not the same as getting recommended. What it changes is what the model knows about your range by default, before anyone asks it anything, and it is the part of the chain a brand can change on purpose and check the next morning. Crawls are the only thing we measured here.
Una categoría recibió páginas de entrenamiento. Una comparable, no.
Nuestro cliente publicó páginas de entrenamiento para LLM prerenderizadas en una categoría de producto en mayo de 2026. Una segunda categoría de tamaño comparable quedó fuera del despliegue para poder usarla como línea base. Todo lo que hay en este informe está medido contra ese grupo de control.
Una "página de entrenamiento" aquí es una página prerenderizada, servida desde el servidor, construida para que un rastreador de IA pueda leer toda la historia del producto sin ejecutar JavaScript: especificaciones, comparativas y respuestas en lenguaje llano, con enlaces desde el cuerpo del texto a cada página de producto. La pregunta es si publicarlas cambia algo en lo que hace un rastreador.
Responder a eso es más difícil de lo que parece, porque el rastreo de IA está subiendo en todas partes. Publica páginas de entrenamiento en mayo, ve cómo suben los rastreos en junio y habrás aprendido muy poco. Necesitas saber qué habría pasado de todos modos. La categoría de control aporta eso: es la estimación más cercana disponible de lo que habría hecho la categoría tratada si no se hubiera publicado nada.
Las categorías se renombran con nombres de planetas. Las páginas de producto dentro de la categoría tratada se renombran con nombres de lunas. Las cifras son exactamente las medidas. No se revelan ni nuestro cliente ni su sector.
La métrica son los rastreos de entrenamiento de IA: visitas de rastreadores de entrenamiento de IA a las páginas de producto que la página de listado de cada categoría enlaza desde el cuerpo del contenido. Los enlaces de navegación, cabecera y pie quedan excluidos, así que contamos rastreos en las páginas a las que la página de entrenamiento apunta realmente.
La unidad de observación es el día, no la visita. Una sola sesión de rastreo puede emitir cientos de peticiones de golpe, así que tratar 17,030 visitas como 17,030 observaciones independientes haría que casi cualquier cosa pareciera significativa. Hay 118 días en los gráficos siguientes, y 57 días a cada lado del lanzamiento dentro de las ventanas estadísticas.
Una vez que un modelo ha leído tus páginas, puede recomendarlas sin necesidad de consultarlas.
Un rastreo de entrenamiento traslada los datos de tu producto al propio modelo, de modo que un asistente puede responder de memoria en lugar de salir a la web. Esa es la métrica que mueve este estudio.
Así se ve en la práctica. Alguien le pregunta a un asistente cuál de estos debería comprar. Responde nombrando tu producto, describiendo qué hace y a quién le conviene, y comparándolo con la alternativa, todo a partir de lo que ya aprendió. No hay descarga, ni cita, ni enlace a la fuente. El modelo conoce tu gama igual que conoce cualquier otra cosa, y ese conocimiento vino de páginas que un rastreador de entrenamiento leyó y absorbió meses antes.
La recuperación en vivo, donde un asistente descarga una página a mitad de la respuesta y la cita, es la otra vía de entrada. Importa, y empieza en el mismo sitio: un rastreador pidiéndole una página a tu servidor y recibiendo algo que puede leer.
Entrégale una cáscara de JavaScript y no estarás en ninguna de las dos. El modelo no aprende qué hace tu producto, la capa de recuperación no tiene nada de donde tirar, y cuando un comprador le pide a un asistente que compare tu gama con la de un competidor, el asistente responde con lo que sí tiene. Eso suele ser una ficha de marketplace, una web de reseñas o el competidor.
Esa es la versión honesta de por qué importa este número, y también la razón por la que somos cuidadosos con lo que afirmamos a partir de él. Este estudio demuestra que las páginas de entrenamiento hicieron que las páginas se leyeran más a menudo. No demuestra qué hizo ningún modelo con lo que leyó. No vamos a fingir lo contrario, y un informe que salta directamente de un gráfico de rastreo a una promesa de ingresos es un informe del que no deberías fiarte.
Lo que hace que el rastreo merezca la pena de todos modos es que es el único eslabón de la cadena sobre el que puedes actuar directamente. No puedes obligar a un modelo a citarte. Sí puedes decidir qué le entrega tu servidor a un rastreador, y puedes contar lo que pasa después.
Unas 3,000 palabras de contenido prerenderizado viven bajo la rejilla de productos.
"Página de entrenamiento para LLM" es una expresión vaga, así que desmontamos la página en producción y contamos lo que había en ella.
La página de listado conserva su rejilla de productos habitual arriba. Todo lo que hay debajo de la rejilla es el contenido de entrenamiento: HTML prerenderizado que un rastreador puede leer sin ejecutar JavaScript. Suma unas 3,000 palabras, alrededor del 77% del texto del cuerpo de la página.
La estructura se repite a propósito. Cada ficha en profundidad de producto tiene la misma forma: una sección de "qué hace diferente a este" dividida en seis razones con encabezado propio, seguida de una tabla de especificaciones. Un modelo que la lee tiene poco que inferir, porque cada respuesta ya está como un bloque autónomo bajo un encabezado que nombra la pregunta a la que responde.
Buena parte de los consejos sobre visibilidad en IA son en realidad consejos sobre schema, así que dejamos el schema fuera. Los enlaces a los productos dentro del texto se dejaron fuera por la misma razón. Lo que se movió, se movió porque el contenido estaba en el HTML, organizado bajo encabezados y en tablas, y era legible sin navegador. Eso nos da un suelo limpio sobre el que construir: la siguiente prueba añade los enlaces internos, la de después añade los datos estructurados, y cada vez podemos medir cuánto vale la adición por sí sola en lugar de publicarlo todo a la vez y adivinar qué parte hizo el trabajo.
Otra cosa omitida a propósito: solo 6 de las 13 páginas de producto enlazadas recibieron un bloque en profundidad propio. Las otras siete están enlazadas desde la rejilla y nada más. No fue un descuido. Deja siete páginas que recibieron el beneficio de estar en una página enriquecida sin texto propio, lo que resulta ser una de las comparaciones más útiles del estudio.
Los rastreos de entrenamiento subieron 2.7x en la categoría tratada y 2.2x en la de control. La brecha entre ambas es del 22%.
Cada línea está indexada de forma que su propia media previa al lanzamiento sea 100, así que ambas parten del mismo nivel. Las dos más que duplican a lo largo de la ventana, incluido el grupo de control, que no recibió nada. Solo el 22% con el que terminan separadas puede atribuirse a las páginas de entrenamiento.
En cifras semanales brutas, la categoría tratada pasó de 630 rastreos por semana a 1,690, una subida de 2.7x. En esas mismas semanas, el control intacto pasó de 1,670 a 3,650, una subida de 2.2x, sin ninguna página de entrenamiento.
El rastreo de IA está creciendo ahora mismo en casi todos los sitios, así que casi cualquier cambio que publiques irá seguido de una subida de rastreos. Una subida por sí sola aporta, por tanto, muy poca información. Lo que aporta información es crecer más rápido que una categoría comparable a la que no se tocó.
La categoría tratada creció por encima del control un 17%.
Los mismos datos con la marea ascendente descontada. La categoría tratada se divide por el control y luego se indexa de forma que la media previa al lanzamiento sea 100. Por encima de 100 significa que creció más rápido que el resto del sitio.
Antes del lanzamiento la línea deambula alrededor de 100 sin tendencia, que es el aspecto que tiene un control válido: las dos categorías se movían juntas. Después del lanzamiento sube y se mantiene arriba. La media posterior al lanzamiento de la propia línea es 114. La estimación formal, que es una regresión en escala logarítmica y no un promedio de ratios, es de +16.8% con un intervalo de confianza del 95% de +7.8% a +26.4%. Dos estimadores distintos, ambos cayendo dentro de la misma banda.
La línea azul y la banda sombreada son objetos distintos. La línea es un ratio diario y cualquier día suelto significa muy poco. La banda es el aumento medio estimado en toda la ventana posterior al lanzamiento, y su altura es la incertidumbre alrededor de esa media. La banda es el hallazgo. El último punto de la línea no lo es.
Cómo validamos el hallazgo: tres pruebas, y aguantó las tres.
Que una prueba devuelva un buen número no vale gran cosa por sí solo. Estas son las tres que le hicimos.
46 fechas de lanzamiento inventadas no produjeron nada.
Repetimos todo el análisis contra 46 fechas de lanzamiento que nos inventamos. Un método que encuentra efectos en esas fechas los está encontrando en el ruido. Ninguna de las 46 produjo un efecto tan grande como el real.
Ninguna página por sí sola sostiene el resultado.
Eliminamos cada una de las 13 páginas por turnos y repetimos el análisis. El resultado se mantuvo siempre, moviéndose entre +10% y +19%. Ninguna página por sí sola sostiene el hallazgo.
La estimación es estable en distintas configuraciones.
Distintas longitudes de ventana y retardos de autocorrelación mueven la estimación unos pocos puntos y nunca cambian la conclusión.
Hay un patrón que merece mostrarse aparte. El rastreo sigue un ciclo semanal marcado, y el cambio tras el lanzamiento es muy desigual a lo largo de la semana. Cualquier comparación que no case día de la semana con día de la semana está midiendo en parte el calendario.
El sábado cayó. Todos los demás días subieron, y el jueves y el domingo fueron los que más.
Una corrección, y conviene explicarla. Cualquier resultado como este podría ser en principio una casualidad, así que lo primero que hacemos es preguntarnos de qué tamaño tendría que ser esa casualidad. Nuestro primer cálculo decía que las probabilidades de obtener esto solo por suerte eran de aproximadamente 1 entre 3,000.
La prueba placebo nos dijo que esa cifra era demasiado halagüeña. Cuando apuntamos las mismas matemáticas a fechas en las que no había pasado nada, seguía devolviendo un resultado mucho más a menudo de lo que debería, así que el método se impresiona con más facilidad de lo que aparenta. Rebajamos nuestra propia confianza en consecuencia. Una expresión justa de las probabilidades está más cerca de 1 entre 50. Sigue siendo un resultado real, solo que una afirmación más modesta que la primera.
Las probabilidades no son el número al que aferrarse. El rango sí. Nuestra mejor estimación del aumento es del 17%, y el intervalo a su alrededor va del 8% al 26%. Esa es la frase que defenderíamos: las páginas de entrenamiento produjeron entre un 8% y un 26% más de rastreo, y lo más probable es que en torno al 17%.
El rastreo adicional recayó en los productos que estaban en stock.
La media de la categoría esconde la forma de esto. Desglosado en las 13 páginas de producto, el rastreo adicional recae de forma muy desigual.
Agrupar las páginas antes de suavizar es lo que hace esto legible. Una sola página de producto recibe un puñado de rastreos al día, y una línea con eso es sobre todo ruido. Sumadas, las diez páginas en stock se mantienen planas durante la primavera y luego dan un salto tras el lanzamiento. Las tres páginas sin stock hacen otra cosa, y no es exactamente lo que esperábamos.
La línea de las páginas sin stock ya venía cayendo antes de que existieran las páginas de entrenamiento. Llega baja a la fecha de lanzamiento y sigue bajando después. No podemos atribuir toda esa caída a las páginas de entrenamiento, y no vamos a hacerlo. Parte empezó antes, por razones que este estudio no midió.
Página por página el ruido es evidente, que es justo el motivo de mostrarlo. Los paneles individuales se alejan mucho de su propia línea base en ambas direcciones antes de que se publicara nada. Lo que sobrevive a ese ruido es el recuento al final de la ventana.
Y no es solo el estado del stock. Recuerda que solo seis de las trece páginas recibieron un bloque en profundidad propio. Ordena las páginas según lo que la página de entrenamiento les dio realmente y aparece un gradiente.
Las páginas con un bloque escrito propio fueron las que más ganaron. Las páginas que solo estaban enlazadas desde una página que se enriqueció también ganaron, que es la mitad más sorprendente: un producto no necesita texto propio para beneficiarse. Las páginas sin stock perdieron terreno en ambos casos.
Las tres páginas sin stock perdieron atención de rastreo a lo largo de la ventana. Nueve de las diez páginas en stock la ganaron. La excepción, Pandora, es una referencia de bajo valor y no un producto principal, y cayó un 32%.
Esa afirmación se apoya en 13 puntos de datos y no la predijimos de antemano. Ninguna página individual es significativa por sí sola y no hemos asociado ningún p-valor a ninguna de ellas. Parte de la caída de las páginas sin stock además es anterior al lanzamiento, como muestra el gráfico agrupado. Es una pista que merece probarse en condiciones en otra categoría, no un resultado.
El hallazgo cubre los rastreos de entrenamiento. No se extiende más allá de eso.
Lo que este diseño mide bien, y dónde se queda corto.
Los rastreos de entrenamiento son la métrica que este estudio puede sostener. Los recuentos diarios son lo bastante grandes, el grupo de control está limpio y el efecto sobrevive a todas las pruebas que le hicimos. Todo lo que hay en este informe es una afirmación sobre la frecuencia con la que los rastreadores de IA descargaron estas páginas, y nada más que eso.
El comportamiento posterior es otra cuestión. Las referencias procedentes de asistentes de IA quedaron en +9% frente al grupo de control, pero el cambio más pequeño que este diseño podía detectar con fiabilidad ronda el ±72%, así que esa cifra es ruido disfrazado de resultado. No vamos a presentarla como un hallazgo. Medir lo que ocurre después del rastreo requiere mucho más tráfico o mucho más tiempo, y probablemente ambas cosas.
Una categoría no es una ley. Esto es una única categoría tratada medida contra un único grupo de control durante ocho semanas. Basta para decir que el mecanismo funcionó aquí. No basta para decir cómo de grande sería el efecto en otro catálogo, en otro sector o dentro de un año.
Cómo construir tu primera página de entrenamiento para LLM: qué poner en ella y cómo saber si funcionó.
Esta es la página que medimos, descrita como especificación de construcción, más el montaje de medición que exigiríamos antes de que nadie publique nada.
La página que produjo un aumento del 17% es una página de listado de categoría con un bloque largo y bien organizado de HTML prerenderizado debajo de la rejilla de productos. No hay truco en ella. Los pasos siguientes son de lo que está hecha esa página, en el orden en que volveríamos a construirla.
Ponla en la página de categoría, debajo de la rejilla
No en una URL nueva, ni escondida tras una pestaña o un acordeón. La página que estás enriqueciendo es la que ya enlaza con todos los productos de la gama, y esos enlaces de producto son lo que el rastreador sigue a continuación.
Haz primero el SEO técnico aburrido, porque nada de esto funciona sin él
La página tiene que ser alcanzable antes de poder leerse. Confirma que devuelve un 200 y que no está bloqueada en robots.txt para los user-agents de IA que te importan, que está en el XML sitemap, que está enlazada desde algún sitio real en lugar de quedar huérfana, que el canonical apunta a sí misma y que no es noindex. Cada número de este informe depende de que un rastreador pueda llegar a la página, y nada de lo escrito importa si no puede.
Prerenderízala. Esta es la parte que no es opcional
El texto tiene que estar en el HTML que llega desde el servidor. Si un rastreador necesita ejecutar JavaScript para ver tu contenido, da por hecho que no lo verá. Pide la página con JavaScript desactivado y lee lo que vuelve. Eso es tu página de entrenamiento.
Nada de esto es específico de una plataforma. Una página de listado de categoría es una página de listado de categoría, y todas las grandes plataformas de ecommerce pueden renderizar una en el servidor. Lo que cambia es lo que suele romperla.
La prueba es la misma en todas partes y lleva un minuto: pide la página con JavaScript desactivado y lee lo que vuelve. Si el bloque no está en ese HTML, no existe a efectos de este estudio.
Un bloque por cada producto que quieras vender de verdad, de unas 400 palabras
Seis productos recibieron aquí un bloque, de unas 400 palabras de media. Cada uno seguía el mismo esqueleto: una sección de "qué hace diferente a este" y después una tabla de especificaciones. La repetición entre productos es una virtud. Hace que toda la gama sea fácil de analizar y fácil de comparar.
Divide el argumento en unas seis razones con encabezado propio
No una lista de viñetas, ni un único párrafo corrido. Cada razón lleva su propio subtítulo y unas 30 palabras debajo. El encabezado debe nombrar aquello a lo que responde, para que la respuesta pueda extraerse por sí sola y seguir teniendo sentido.
Dale a cada producto una tabla de especificaciones
Unas 14 filas de atributos: lo que un comprador compararía de verdad antes de elegir entre dos de tus productos. Una tabla enuncia el dato y la etiqueta del dato en la misma fila, y por eso sobrevive a la extracción mucho mejor que esa misma información escrita en prosa.
Añade una tabla comparativa de toda la gama
Los mismos atributos, todos los productos, precio incluido. Es el objeto más citable de la página: es la respuesta a "cuál me conviene", que es la pregunta que la gente le hace de verdad a un asistente.
Termina con cuatro o cinco preguntas reales de compra
Preguntas como encabezados, respuestas de unas 100 palabras y una tabla pequeña dentro de la respuesta cuando una tabla ayude. Escribe las preguntas que le hacen a tu equipo comercial, no las que sugiere una herramienta de palabras clave.
Apúntala a productos que puedas vender de verdad
Todas las páginas sin stock de este estudio perdieron atención de rastreo mientras que las páginas en stock la ganaron. Esa división no está demostrada y parte de la caída es anterior al lanzamiento, pero actuar en consecuencia no cuesta nada. No gastes presupuesto de rastreo anunciando productos que nadie puede comprar.
Elige un grupo de control antes de construir nada
Escoge una categoría comparable de tamaño y tráfico similares, y acuerda por escrito que no recibe páginas de entrenamiento este trimestre. Sin ella no puedes distinguir tu efecto de la subida sectorial del rastreo de IA, y acabarás reportando esa subida como si la hubieras causado tú.
Recoge primero al menos ocho semanas de línea base
Necesitas suficiente histórico para demostrar que las dos categorías se movían juntas antes de que cambiaras una de ellas. Si ya estaban divergiendo, la comparación no vale nada, y eso solo lo descubres desde la línea base.
Registra las visitas de rastreadores de IA en el edge, por URL y por día
Registros de servidor o de CDN, no una etiqueta de analítica en JavaScript: los rastreadores que te importan nunca ejecutan la etiqueta. Mantén la granularidad diaria. El día es la unidad que vas a analizar, porque una sola sesión de rastreo puede disparar cientos de peticiones de golpe y contar visitas haría que casi cualquier cosa pareciera significativa.
Para esto se construyó WISLR AI Channel Analytics. Lee el tráfico de rastreadores de IA en el edge, por URL y por día, desde tus propios registros en lugar de una estimación de terceros, que es exactamente el dato sobre el que está construido cada número de este informe. Si no quieres montar tú mismo la infraestructura, ese es el atajo.
Reporta la brecha, nunca el crecimiento bruto
Tus rastreos subirán. Los del grupo de control también. El único número que merece la pena poner delante de la dirección de un ecommerce es la diferencia entre ambos, y cualquier informe que te enseñe crecimiento de rastreo sin un grupo de comparación te está enseñando un gráfico, no un resultado.
Vuelve a medir dentro de un trimestre
Las semanas más fuertes de este estudio fueron las dos últimas. Eso es un efecto acumulativo a medida que los rastreadores reindexan la gama, o es ruido, y ocho semanas no bastan para distinguirlo. Agenda ya el seguimiento, mientras el grupo de control siga existiendo.
Podemos hacer este estudio con tu catálogo.
Construimos las páginas de entrenamiento, reservamos una categoría comparable como línea base antes de publicar nada y medimos qué hicieron las páginas frente a ella. Esa es la diferencia entre reportar una subida de 2.7x y reportar el 22% de esa subida que causaste de verdad.