callmo convierte una exportación de PIM en preguntas, respuestas y relaciones entre productos: el material que un buscador puede indexar y un motor de respuestas puede citar.
“Necesito equipar ocho puestos con el mismo sistema y sus accesorios. ¿Qué necesito comprar?”
Fuentes citadas: su-catalogo.comde las citas de AI Overview salen del top 10 orgánico
de trabajo manual para 3.000 productos, una sola vez
de las relaciones entre productos hechas a mano resultaron inválidas
Una ficha de producto es una tabla de especificaciones. Responde preguntas de atributo: qué longitud tiene, qué consumo, qué conector.
Las preguntas que llevan a una compra no son de atributo. Son de proyecto: qué equipo sirve para ocho puestos con sus accesorios, qué hay que cambiar si mañana son dieciséis, qué se puede usar en lugar del modelo que quedó descontinuado. Esas preguntas se responden con relaciones entre productos. Y esas relaciones no están escritas en ninguna parte de su catálogo: están en la cabeza de su equipo de ventas.
Qué es variante de qué. Qué se pide junto. Qué reemplaza a qué. Un motor de respuestas no puede citar lo que nadie escribió.
Datos estructurados schema.org publicados en la página del producto.
Procesa el marcado y extrae entidades y relaciones.
El producto queda ligado a su categoría, sus variantes y sus usos.
Esas señales alimentan la posición en resultados.
La respuesta generada se arma con lo que ya rankea.
El modelo no lee su catálogo en el momento de responder. Tokeniza el JSON-LD como texto, no lo interpreta como dato estructurado. La cadena es indirecta y pasa por el buscador. Eso no debilita el trabajo: lo vuelve medible. La promesa deja de ser "la IA lo va a mencionar" y pasa a ser posición orgánica y participación en citas, que se miden.
Un estudio de Digital Applied sobre 1.000 AI Overviews muestreados en abril de 2026 encontró que las páginas con datos estructurados se citan más seguido que sus equivalentes sin estructurar, controlando por autoridad de dominio. Alrededor del 76% de las citas de AI Overview provienen del top 10 de resultados orgánicos.
Un análisis de 658 fuentes no encontró correlación estadísticamente significativa entre la presencia de datos estructurados y la frecuencia de cita. Midió presencia de marcado sin controlar por autoridad de dominio ni por calidad de contenido, así que es un estudio más débil, no una refutación. Se lo decimos antes de que lo encuentre usted.
Un grupo europeo de distribución en electrónica, con un catálogo de unos 3.000 productos, ya intentó resolverlo. Su administrador de PIM lo hizo a mano con un asistente de IA: dos días de trabajo y cinco choques contra los límites de la API. Produjo 9.564 preguntas y respuestas, y una segunda versión con JSON-LD de 9.142. El equipo de marketing tenía previsto poner cuatro horas semanales por persona para sostenerlo.
El texto salió bien. Las relaciones entre productos, que son la parte que permite responder una pregunta de proyecto, salieron mal en la mayoría de los casos. Y una relación equivocada es peor que ninguna: le enseña al buscador algo falso sobre su catálogo. Además no es un proyecto que se termina. Un catálogo cambia todas las semanas.
respuestas combinables entre sí sin contradecirse
respuestas que se contradicen
referencias cruzadas de tipo variante inválidas
Auditoría propia sobre 300 SKUs · 12 de cada 14 relaciones de variante, inválidas
Una exportación de su PIM en CSV o XLSX. Akeneo u otro. Sin integración, sin acceso a sus sistemas.
De la exportación sucia a la ficha citable: normalizar, agrupar en familias, generar preguntas y relaciones.
Lo que un cliente pregunta sobre ese SKU en particular, redactadas en el formato que los motores de respuesta citan.
La versión de la pregunta que hace alguien que está resolviendo un problema y todavía no sabe qué producto necesita.
Product y FAQPage válidos, listos para publicar en la ficha.
Variantes, upsell, cross-sell y comparativos dentro de cada familia. Es la pieza que permite responder una pregunta que abarca varios productos, y es la que el trabajo manual rompe primero.
{
"sku": "59102107101",
"model_number": "ACC-01",
"brand": "[su marca]",
"family": "accessories",
"name": "ACC-01 Accessory for PROD-08/PROD-16",
"faqs_product": [
{
"question": "Is the ACC-01 compatible with the PROD-08 and PROD-16?",
"answer": "Yes, the ACC-01 is specifically designed to work with the PROD-08 and PROD-16 models."
}
],
"faqs_market": [
{
"question": "I need to fit out several workstations with the same setup. Can I use the ACC-01?",
"answer": "The ACC-01 is a great option for completing each PROD-08 setup."
}
]
}Excel con columnas fusionadas y encabezados en dos filas. Fichas técnicas que solo existen en PDF. Catálogos sin taxonomía, donde la familia de producto no es un campo sino una convención en el nombre. Descripciones en varios idiomas dentro del mismo archivo.
Normalizar eso es la mitad del trabajo, y es la mitad que las herramientas genéricas dan por resuelta. callmo empieza ahí.
No le pedimos que crea en el mecanismo. Le proponemos medirlo en su catálogo.
Un subconjunto de SKUs estructurado con callmo y publicado en sus fichas.
Un grupo de control emparejado, del mismo tamaño y perfil de tráfico, que se deja como está.
Medición de la línea de base antes de publicar nada.
Informe de posición orgánica y de aparición en AI Overview para los dos grupos.
Otterly, Peec y Profound le dicen que no aparece. No lo arreglan.
Es un entregable con alcance definido y un resultado que se mide.
Es una cadena causal explicada y una medición que puede dar en contra.
No. Tokeniza el JSON-LD como texto, no lo interpreta como dato estructurado. La cadena es indirecta y pasa por el buscador: los datos estructurados alimentan al crawler, el crawler alimenta al Knowledge Graph, eso mueve la posición orgánica, y la respuesta generada se arma con lo que ya rankea. Eso no debilita el trabajo, lo vuelve medible.
A favor: un estudio de Digital Applied sobre 1.000 AI Overviews muestreados en abril de 2026 encontró que las páginas con datos estructurados se citan más seguido que sus equivalentes sin estructurar, controlando por autoridad de dominio, y alrededor del 76% de las citas de AI Overview provienen del top 10 orgánico. En contra: un análisis de 658 fuentes no encontró correlación estadísticamente significativa, aunque midió presencia de marcado sin controlar por autoridad de dominio ni por calidad de contenido. Es un estudio más débil, no una refutación.
Tres cosas: la exportación del catálogo, capacidad de publicar JSON-LD en las fichas de producto, y acceso de lectura a Search Console. A cambio recibe el informe con el grupo tratado y el de control comparados, y los archivos generados, que quedan suyos aunque la prueba salga negativa.
Las herramientas de monitoreo le dicen que no aparece. No lo arreglan. callmo produce el material que falta: las preguntas, las respuestas y las relaciones entre productos que el motor necesita para poder citarlo.
Es el caso normal, y es donde empieza el trabajo. Excel con columnas fusionadas y encabezados en dos filas, fichas técnicas que solo existen en PDF, catálogos sin taxonomía donde la familia no es un campo sino una convención en el nombre, descripciones en varios idiomas dentro del mismo archivo. Normalizar eso es la mitad del trabajo, y es la mitad que las herramientas genéricas dan por resuelta.
Esta sección está marcada con FAQPage de schema.org, igual que las fichas que produce callmo. Mire el código fuente.