Los sistemas de IA ahora están respondiendo preguntas sobre su negocio. El problema es que muchas veces se equivocan.
Considere la situación típica. Los productos, servicios, experiencia, ubicaciones, liderazgo y relaciones de una marca se distribuyen en docenas de páginas. Un modelo de IA recupera fragmentos de esas páginas, los une de forma probabilística y genera una respuesta. El resultado son a menudo nombres de productos alucinados, ejecutivos inventados, capacidades mal citadas y atribuciones débiles o ausentes.
Esto no es un fracaso de los modelos de IA. Es un fracaso del propio medio. Hemos construido la web alrededor de páginas, enlaces y prosa. Los sistemas de recuperación de IA necesitan algo fundamentalmente diferente: una capa estructurada de significado y evidencia.
La propuesta: EntityMap
EntityMap acaba de entrar en consulta pública. Es un nuevo estándar abierto que brinda a las organizaciones una forma de publicar un único archivo estructurado. Este archivo declara lo que sabe la organización, mapea cómo sus entidades clave se relacionan entre sí y vincula cada afirmación con su fuente de evidencia.
La consulta se prolongará hasta el 30 de junio de 2026, y el lanzamiento formal está previsto para el 1 de julio. Durante los próximos 33 días, el proyecto buscará activamente comentarios sobre la implementación, críticas técnicas y pruebas en el mundo real de desarrolladores, profesionales de SEO, editores, especialistas en datos estructurados y cualquier persona que cree o dependa de sistemas de recuperación de IA.
Dónde se ubica EntityMap en el panorama de estándares
EntityMap no reemplaza los estándares web existentes. Llena un vacío que sitemap.xml y esquema.org nunca fueron diseñados para abordar.
Sitemap.xml indica a los rastreadores qué páginas existen en un sitio web. Schema.org describe lo que aparece en páginas individuales. EntityMap les dice a los sistemas de inteligencia artificial qué es una organización, qué sabe y cómo ese conocimiento se conecta en todo el sitio web.
Esta distinción importa. Considere una organización de atención médica que publica protocolos de tratamiento. Con Schema.org, puedes anotar una sola página. Con EntityMap, puede decir lo siguiente: “Aquí están nuestras áreas principales de tratamiento. Estas son las relaciones entre ellas. Aquí está la evidencia revisada por pares que respalda cada afirmación. Aquí es donde reside esa evidencia en nuestro sitio”. Un sistema de inteligencia artificial que lea ese archivo obtiene una visión estructurada del conocimiento institucional en lugar de reconstruirlo a partir de fragmentos de páginas.
O considere una empresa de SaaS preocupada por cómo los sistemas de inteligencia artificial describen su producto. EntityMap permite a la empresa declarar: “Ofrecemos la función X. Se diferencia de la competencia en Y. Aquí está la prueba: enlace a la documentación, enlace al estudio de caso, enlace a la página de comparación”. La empresa ya no debe depender de un LLM para inferir la diferenciación del contenido web disperso.
La misma lógica se aplica a los editores que protegen la atribución, a las firmas legales que aclaran los límites de la experiencia, a las empresas de servicios financieros que navegan por los matices regulatorios y a las marcas preocupadas por la tergiversación de la IA.
Cómo funciona EntityMap
EntityMap es un archivo JSON publicado en una ubicación predecible de un dominio. Contiene tres elementos centrales.
Entidades Se nombran cosas que cubre la organización: productos, servicios, personas, conceptos, ubicaciones, regulaciones, áreas de especialización.
Relaciones mapear cómo se conectan esas entidades. Ejemplos: “este producto mejora este resultado”, “esta persona lidera este equipo”, “este reglamento rige este servicio”.
Fragmentos de evidencia son pasajes de apoyo del sitio web, vinculados a su URL de origen.
Cada fragmento contiene metadatos de atribución: el nombre del editor, la página de origen, la marca de tiempo de recuperación. Estos metadatos sobreviven a la extracción, agregación y almacenamiento en bases de datos vectoriales. Cuando un sistema de inteligencia artificial genera una respuesta utilizando su contenido, la cadena de evidencia permanece intacta.
Las especificaciones son deliberadamente mínimas. El piso de conformidad consta de aproximadamente 12 campos obligatorios en tres objetos. Todo lo demás es enriquecimiento opcional: predicados personalizados, resolución entre fragmentos, declaraciones de estado de verificación, seguimiento del registro de cambios.
¿Quién debe prestar atención?
Si está construyendo sistemas de generación aumentada de recuperación (RAG), unos datos de origen más limpios significan mejores cadenas de razonamiento y menos alucinaciones.
Si eres un profesional de SEO, esto representa una nueva palanca para la visibilidad de la IA. Funciona con contenido tradicional y estrategias de enlaces en lugar de reemplazarlos.
Si es editor, esta es una forma de declarar lo que sabe y preservar la atribución a medida que su contenido se desagrega en las plataformas de inteligencia artificial.
Si le preocupa cómo los sistemas de IA representan a su organización, esta es una herramienta para ejercer el control.
El estándar está publicado bajo CC BY 4.0. No hay dependencia de ningún proveedor, ni suscripción, ni requisitos de software propietario. La contribución de la comunidad está abierta. El código fuente, las especificaciones y las herramientas de validación están disponibles en GitHub.
Lo que el proyecto necesita de usted
El período de consulta no es ceremonial. El equipo del proyecto busca activamente formas específicas de retroalimentación.
Comentarios sobre la implementación técnica: ¿Ha intentado crear un EntityMap para su sitio o producto? ¿Qué se rompió? ¿Qué se sintió incómodo en la práctica?
Validación de casos de uso: ¿Esto resuelve un problema al que realmente te enfrentas? ¿Se le escapa algo crítico para su dominio o industria?
Crítica de predicados: El estándar define 24 predicados centrales (MEJORA, DEPENDE_DE, MEDIDAS y otros). ¿Son estas las abstracciones semánticas adecuadas para su trabajo? ¿Deberíamos agregar o eliminar de esta lista?
Ideas de integración: ¿Estás construyendo un generador? ¿Un validador? ¿Un panel para gestionar EntityMaps? El proyecto quiere saber qué herramientas está considerando.
Aplicaciones sectoriales: Si trabaja en salud, finanzas, educación, derecho u otro sector vertical, ¿cómo sería un perfil de EntityMap para su sector?
La especificación está disponible enentitymap.org/spec/v1.0. Un validador está activo enentitymap.org/validate. El foro de la comunidad y el repositorio de GitHub se encuentran en github.com/entitymap.
Se invita a los participantes a revisar la especificación, probar la implementación, plantear problemas, sugerir mejoras y contribuir a la discusión antes del 30 de junio de 2026.
Contexto importante: esto es genuinamente abierto
Esta es una propuesta de estándares dentro de la comunidad de búsqueda e inteligencia artificial. RV Guha, uno de los fundadores de esquema.org, revisó el proyecto y le dio su respaldo.
La consulta es realmente abierta. La primera fase se centra en la revisión técnica y la implementación temprana. Después del cierre de la consulta se producirá una adopción más amplia, aplicaciones sectoriales específicas y una investigación sobre el impacto más amplio de la norma.
Por qué es importante este momento
Si ha pasado los últimos años observando cómo los sistemas de IA tergiversan su trabajo, el trabajo de sus clientes o la experiencia de su organización, este es el momento de dar forma a cómo eso cambia.
El listón de entrada es bajo. Debe revisar la especificación, probarla con un problema real que le interese y contarle al proyecto lo que encontró. Esa retroalimentación informará al estándar antes de que sea finalizado.
La consulta tiene una duración de 33 días. Posteriormente comienza la fase de adopción.
Divulgación: Soy el director ejecutivo de InLinks y Waikay, que apoyan la propuesta de estándares de EntityMap.
Más recursos:
Imagen de portada: optimarc/Shutterstock
