El auge de los modelos de lenguaje ha creado una nueva capa de búsqueda: ya no solo importa cómo ve tu web Google, sino también cómo la interpretan herramientas como ChatGPT, Perplexity o Claude.
Para responder a este reto, Lily Ray ha creado el LLM Content Visibility Scanner, una herramienta pensada para diagnosticar, en segundos, qué parte de tu contenido es realmente visible para los modelos de IA cuando solo pueden leer el HTML crudo de tu página.
Qué es el LLM Content Visibility Scanner
El LLM Content Visibility Scanner es una herramienta diseñada por Lily Ray bajo la marca Algorythmic para analizar cualquier URL y mostrar qué ve un modelo de lenguaje cuando rastrea la página sin ejecutar JavaScript.
Pruébala aquí: https://algorythmic.co/llm-content-visibility-scanner/.
Su objetivo es ayudarte a detectar problemas de renderizado del lado del cliente, carencias de metadatos y señales de accesibilidad que pueden limitar la visibilidad de tu sitio en respuestas generadas por IA.
La diferencia entre visibilidad SEO y visibilidad LLM
En SEO tradicional solemos pensar en rastreo e indexación dentro de un buscador concreto, principalmente Google.
La visibilidad LLM se centra en algo distinto: saber si el contenido de tu página es legible, comprensible y fácilmente reutilizable por modelos de lenguaje que consumen el HTML sin llegar a renderizarlo como lo haría un navegador completo.
Cómo funciona la herramienta
El funcionamiento del escáner es sencillo desde el punto de vista del usuario: introduces una URL, ejecutas el análisis y en pocos segundos recibes un informe detallado con puntuación, métricas y un plan de acción priorizado.
En segundo plano, la herramienta hace una petición al servidor, descarga la respuesta HTML y analiza una serie de patrones técnicos y de contenido sin ejecutar archivos JavaScript ni cargar recursos dinámicos.
Qué analiza en el HTML crudo
El informe se basa en un conjunto de señales que permiten estimar si la página es más o menos amigable para los modelos de lenguaje.
Renderizado del lado del cliente
La herramienta comprueba si el contenido principal se sirve ya en el HTML inicial o si, por el contrario, depende de frameworks y librerías que montan casi todo vía JavaScript.
Cuando detecta estructuras típicas de aplicaciones de una sola página, cuerpos vacíos o contenedores sin texto, lanza avisos porque los LLM podrían no llegar a ver el contenido real.
Dependencias de JavaScript
Otro apartado importante son los elementos que dependen de JavaScript para funcionar: enlaces que solo navegan con eventos, secciones que aparecen tras cargar scripts o contenido que se inserta después de la carga inicial.
Cuanto más dependa la experiencia de este tipo de comportamiento, más probable será que un modelo de IA se quede únicamente con un esqueleto incompleto de la página.
Metadatos y datos estructurados
El escáner revisa la presencia de elementos esenciales como title, meta description, etiquetas sociales, datos estructurados en JSON-LD, etiquetas canónicas y directivas para robots.
Estos campos ayudan a los modelos de IA a entender mejor de qué trata cada URL y cómo encaja dentro del resto del sitio.
Estructura de contenidos y accesibilidad
La herramienta analiza la jerarquía de encabezados, la cantidad de texto visible, el uso de texto alternativo en imágenes y la proporción entre marcado HTML y contenido real.
Un documento con buena estructura, encabezados claros y suficiente texto facilita que los modelos generen respuestas precisas y bien contextualizadas.
El informe: puntuación y métricas clave
Al finalizar el escaneo, el LLM Content Visibility Scanner muestra una puntuación general de visibilidad LLM en una escala de 0 a 100, acompañada de varias métricas cuantitativas.
Estas métricas ayudan a entender de un vistazo cómo de legible es la página para un modelo de lenguaje y qué elementos pueden estar limitando su comprensión.
Puntuación global de visibilidad LLM
La puntuación de visibilidad resume en un número el estado de la página desde la perspectiva de los modelos de IA.
Cuanto más alto es el valor, mayor es la probabilidad de que el contenido crítico esté ya presente en el HTML crudo y pueda ser interpretado sin necesidad de ejecutar JavaScript.
Métricas de contenido y estructura
Junto a la puntuación, el informe incluye datos como el número de palabras visibles, la cantidad de encabezados, cuántas imágenes y enlaces se encuentran en el HTML y cuántos bloques de datos estructurados existen.
Estas cifras permiten detectar páginas demasiado ligeras en texto, exceso de markup frente a contenido real o estructuras donde la información importante está diluida entre elementos poco relevantes.
Plan de acción priorizado
Uno de los puntos fuertes de la herramienta es que genera un plan de acción con recomendaciones priorizadas.
En lugar de limitarse a listar problemas, sugiere qué ajustes implementar primero para conseguir las mayores mejoras de visibilidad con el menor esfuerzo posible.
Caso práctico: resultados para diseñowebmalaga.com
Para entender mejor cómo se presenta el informe, podemos tomar como referencia el escaneo de la página principal de diseñowebmalaga.com.
En este análisis, la web obtiene una puntuación de visibilidad LLM de 98 sobre 100, lo que indica que la gran mayoría del contenido relevante está disponible directamente en el HTML inicial.
Métricas destacadas del análisis
- 614 palabras en el HTML crudo, suficientes para que un modelo de lenguaje entienda con claridad la propuesta de valor del sitio.
- 11 encabezados, lo que refleja una estructura de contenidos bien jerarquizada.
- 4 imágenes integradas en la página analizada.
- 40 enlaces presentes en el documento.
- 2 bloques de datos estructurados JSON-LD, útiles para describir la entidad y los servicios.
- 0 iframes, lo que reduce el riesgo de contenido opaco o difícil de interpretar para los modelos.
Recomendaciones del plan de acción
Aunque la puntuación es muy alta, el informe también identifica algunas oportunidades de mejora que ayudan a refinar todavía más la experiencia desde la perspectiva de los LLM.
- Reducir o adaptar enlaces dependientes de JavaScript, de forma que la navegación crítica funcione igualmente mediante enlaces HTML estándar.
- Mejorar ligeramente el ratio texto frente a marcado, optimizando el uso de scripts y estilos para que el peso del documento se concentre en contenido informativo.
Este caso demuestra que una web corporativa bien pensada puede obtener una visibilidad casi perfecta en modelos de lenguaje, incluso aunque existan pequeños detalles técnicos por pulir.
Ventajas de usar el LLM Content Visibility Scanner
La herramienta creada por Lily Ray aporta varias ventajas para profesionales de SEO, desarrolladores y propietarios de sitios que quieren entender cómo se ve su contenido desde la óptica de la IA.
Diagnóstico rápido y orientado a acción
En pocos segundos es posible saber si una página depende en exceso de JavaScript, si carece de metadatos importantes o si el contenido principal está enterrado bajo capas de código.
El plan de acción priorizado convierte ese diagnóstico en una lista concreta de tareas, lo que facilita integrarlo en la planificación de mejoras técnicas.
Enfoque específico en modelos de lenguaje
Mientras otras herramientas se centran en rastreos tradicionales o en simulaciones de navegadores completos, este escáner se alinea con la forma en que muchos modelos de IA consumen contenido web.
Eso permite optimizar con más precisión para escenarios donde la respuesta al usuario viene generada por un modelo que solo ha leído la versión sin renderizar de la página.
Limitaciones y buenas prácticas
Aunque es muy útil como herramienta de diagnóstico rápido, el LLM Content Visibility Scanner no sustituye a una auditoría técnica completa ni a un análisis manual del código fuente.
En sitios híbridos, con parte del contenido renderizado en el servidor y otra parte montada por JavaScript, el informe puede no reflejar todos los matices de la experiencia real.
Cómo integrarlo en tu flujo de trabajo
La mejor forma de aprovechar el escáner es utilizarlo como primer filtro para detectar posibles problemas de visibilidad en modelos de lenguaje.
- Escanea las páginas clave del sitio, como home, servicios y contenidos estratégicos.
- Revisa la puntuación y el plan de acción para priorizar ajustes rápidos de alto impacto.
- Combina estos datos con otras herramientas y con una revisión manual del HTML para validar cada cambio.
De esta manera, la herramienta creada por Lily Ray se convierte en un aliado práctico para adaptar cualquier proyecto web a la nueva realidad de la búsqueda impulsada por modelos de IA.
Apasionado del diseño web, el SEO y el marketing digital, soy redactor en el blog de Diseño Web Málaga , donde comparto guías prácticas y recursos para ayudar a profesionales y negocios a mejorar su presencia online y captar más clientes desde Google. Combino la creación de sitios web rápidos y optimizados con estrategias de posicionamiento web y contenidos orientados a resultados, siempre con el foco puesto en Málaga y su tejido empresarial local. Si te interesan el diseño, el SEO y las estrategias digitales aplicadas a proyectos reales, sigue mis publicaciones y no dudes en consultarme tus dudas sobre cómo potenciar tu web.
