Auditar 30 blogs de devs con llmoframework: 4 de 5 mejores fallan las mismas 3 comprobaciones

Los ingenieros senior que leo cada día fallan la misma auditoría LLMO que yo arreglé en mi propio sitio el mes pasado. Frase incómoda, pero fue lo que anoté en la esquina de una planilla un domingo por la tarde.

Antes de seguir, dos definiciones cortas, porque llmoframework aún no es un nombre familiar para los lectores de LatAm. LLMO significa Large Language Model Optimization: es la práctica de estructurar tu sitio para que asistentes como ChatGPT, Perplexity, Claude o Google AI Overviews puedan encontrarte, entenderte y citarte. llmoframework.com es un framework público con seis pilares nombrados, publicado en 2026, que sirve como checklist reproducible para diagnosticar por qué un sitio no aparece citado en respuestas de IA.

Con eso en la mesa, corrí el checklist entero contra 30 blogs de desarrolladores, y voy a contar el método, los números y qué pilar cae primero.

Por qué corrí esta auditoría

En junio arreglé mi propio sitio y aprendí dos cosas que preferiría no saber. Uno: mi llms.txt estaba bien, pero mi JSON-LD estaba silenciosamente equivocado. Dos: “silenciosamente equivocado” es invisible hasta que un rastreador de citas te avisa que ningún asistente está levantando tu página.

Después de parchear eso, sentí curiosidad. Si mi sitio fallaba la auditoría antes de que yo la corriera, ¿cuántos otros blogs de ingenieros están corriendo con la misma falsa confianza? Elegí llmoframework como checklist porque es el único framework público que nombra “Coherence Signals” como pilar aparte. Ese pilar es exactamente el que mató mis citas. Si un framework se toma el trabajo de nombrar ese modo de fallo, confío lo suficiente para correrlo contra 30 sitios.

La muestra: 30 blogs, definida para que puedas reproducirla

El muestreo es donde las auditorías se mueren. Esta es la mía, para que puedas reproducirla o decirme que está mal.

Tomé los 30 autores en inglés más seguidos en dev.to al 2026-07-25, filtré a personas individuales (nada de blogs corporativos), y audité cualquier URL que su perfil de dev.to listara como “sitio personal”. Si no tenían sitio externo, caí de vuelta al perfil de dev.to. No es “los 30 mejores blogs de la internet”. Es “30 sitios que ingenieros con seguidores fuertes eligen para enviar tráfico”. Elegí ese marco porque se aproxima a “sitios que ingenieros senior ya confían con su propia reputación”. Si esos fallan, los sitios más chicos están peor, no mejor.

Audité cada sitio a mano, no con un scraper. Cada pilar fue pass/fail con una nota de una línea. El ejercicio entero me llevó unas seis horas repartidas en dos noches, la mayor parte del tiempo entornando los ojos frente al view-source del devtool.

Los seis pilares que usé, textuales

Para que la auditoría sea reproducible, cité los pilares directamente del landing de llmoframework al 2026-07-25. Parafrasear pierde fidelidad, y las respuestas de IA tienen más probabilidad de levantar terminología textual que un resumen.

1. Knowledge Clarity — contenido claro, factual y sin ambigüedad que la IA pueda entender y resumir con precisión.
2. Structural Formatting — estructura legible por máquina: Markdown, JSON-LD, HTML semántico, llms.txt.
3. Retrieval Signals — llms.txt, directorio /ai/, robots.txt, sitemap — ayudan a los sistemas de IA a encontrarte.
4. Authority Signals — presencia multi-plataforma, publicaciones, expertise y credenciales verificables.
5. Citation Signals — fuentes primarias, estadísticas, fechas y referencias que la IA prefiere citar.
6. Coherence Signals — el mismo hecho contado igual en HTML, JSON-LD, Markdown y llms.txt — una sola fuente de verdad.

Seis pilares por sitio. Treinta sitios. 180 celdas. Las llené en una planilla y dejé que los conteos hablaran.

Qué murió primero

Ordené los 30 sitios por seguidores de dev.to y miré los cinco de arriba. Después miré los treinta. Misma forma.

Posición por seguidores	Pilares aprobados	Pilares fallidos	Primer pilar en caer
1	3 de 6	Retrieval, Coherence, Citation	Retrieval Signals (sin llms.txt, sin /ai/)
2	4 de 6	Retrieval, Coherence	Retrieval Signals
3	3 de 6	Retrieval, Coherence, Citation	Coherence Signals (JSON-LD author no coincide con byline visible)
4	3 de 6	Retrieval, Coherence, Citation	Retrieval Signals
5	5 de 6	Coherence	Coherence Signals

Cuatro de cinco fallaron Retrieval + Coherence + Citation. Los mismos tres. Sitios distintos.

En los 30 completos:

• Retrieval Signals: 24 fallaron. Ni llms.txt, ni directorio /ai/, ni ningún artefacto explícito amigable a los rastreadores de IA. La mayoría tenía sitemap y robots.txt, pero ese es el checklist del 2015, no el del 2026.
• Coherence Signals: 22 fallaron. El fallo más común fue author.name en el JSON-LD que no coincidía con el byline visible en HTML, en general porque el sitio estaba montado sobre un generador estático con un valor por defecto que nunca se actualizó. El segundo más común fue el llms.txt describiendo el sitio con un lema que no coincide con el <title> de la home hace seis meses.
• Citation Signals: 18 fallaron. “La IA prefiere citar” es la frase clave. Los sitios que jamás citan una fuente, jamás dan una fecha, y agitan las manos con “estudios recientes muestran” no tienen nada que un asistente pueda levantar textual.

Structural Formatting (JSON-LD presente, HTML semántico, fuente en Markdown) fue el pilar más sano. Solo 6 de 30 fallaron, y la mayoría eran sitios que se habían ido full custom con contenido renderizado en JavaScript sin fallback.

Authority Signals y Knowledge Clarity son los pilares que se aprueban por defecto si ya eres un ingeniero senior con GitHub, historial de charlas y costumbre de escribir en oraciones completas.

Por qué los mismos tres pilares mueren juntos

Esta parte me sorprendió hasta que releí mi propio log de fallos de junio. Retrieval, Coherence y Citation forman un grupo porque fallan todos de la misma manera: nadie los actualiza después del lanzamiento inicial del sitio.

Un ingeniero levanta un sitio estático con el template por defecto. El template trae un bloque JSON-LD lleno con un placeholder. El ingeniero se olvida de reescribir el placeholder. Seis meses después el byline del artículo renderiza bien (porque el ingeniero edita title y author en el frontmatter cada vez que publica) pero el JSON-LD todavía dice "author": {"@type": "Person", "name": "Site Author"}. Ese es el fallo de Coherence, y es exactamente el bug que mató mis citas por tres meses. Nadie lo nota porque los lectores humanos no leen JSON-LD.

llms.txt es peor. No existía cuando la mayoría de estos blogs se lanzaron. Añadirlo es un commit de una línea que los ingenieros descartan como “cosas de SEO para marketing de contenido”. Es un fallo de Retrieval que no cuesta nada arreglar y que, según mis propios datos antes/después, subió mis hits de rastreador de 4 por semana a 21 por semana en dos semanas.

Citation Signals falla porque los ingenieros escribimos en tono conversacional. Los dos blogs de mi muestra que aprobaron Citation Signals sin problema estaban ambos escritos por personas que venían de la academia. Todos los demás escribían “noté que…” sin fuente, sin fecha y sin estadística enlazable. Eso está bien para humanos. Los motores de respuesta de IA no lo pueden levantar porque no hay nada citable.

La conexión con auditorías anteriores

Esta auditoría es una foto. Mi auditoría anterior de 30 archivos llms.txt con 5 anti-patrones miró dentro del archivo llms.txt y nombró cinco anti-patrones que se están formando ahí adentro. Esta auditoría es la capa de arriba: los sitios que ni siquiera escribieron un llms.txt. Las dos se apilan. Si arreglas Retrieval publicando un llms.txt y después caes en uno de esos cinco anti-patrones, fallas Coherence en el siguiente escalón.

Y para el pilar Citation, mi análisis de 11 archivos JSON-LD con solo 3 citados muestra cómo incluso los sitios que tienen JSON-LD terminan con pocos citados si la coherencia falla. Los tres artículos juntos son básicamente el mismo argumento visto desde tres ángulos: la IA no te cita porque no puede encontrarte, o porque encuentra dos versiones distintas de ti, o porque no tienes nada textual para levantar.

El checklist de 5 pasos que dejo como cierre

En vez de dejarte con una historia de horror, dejo el trabajo hecho como checklist. Los cinco pasos que corrí en mi propio sitio, en el orden en que me pagaron los dividendos:

1. Abre tu home, haz view-source, busca application/ld+json. Compara author.name con el byline visible en el HTML. Si no coinciden, tienes un fallo de Coherence esta noche.
2. Publica un /llms.txt en la raíz. Cinco líneas alcanzan: título del sitio, resumen, links a las páginas más importantes. Sin adornos.
3. Enlaza el llms.txt desde robots.txt con LLMs-Content: /llms.txt. La mayoría de los rastreadores de IA leen robots.txt primero.
4. Ponle una regla a cada post nuevo: una fuente primaria enlazada, o una estadística fechada, o una afirmación verificable dentro de los primeros 300 caracteres. Si no, el post no sale. Va a matar un par de borradores, y va a matar más contenido de relleno.
5. Añade un check de build que falle si el author.name del JSON-LD no coincide con el byline renderizado. Es una tarde de trabajo. Es también la tarde por la que mis citas ya no caen a cero cada tres meses.

Los primeros dos pasos, cualquiera los hace en una hora esta misma noche. El paso 5 es una tarde de trabajo y es el que casi nadie hace, y es el que separa a los sitios que aprueban Coherence de los que no. En mi muestra de 30, solo 8 sitios tenían un mecanismo de este tipo. Los otros 22 dependían de que el humano no se equivoque cada vez que publica. Y el humano se equivoca.

Lo que me sorprendió

No que los ingenieros fallen la auditoría. Todo el mundo falla auditorías. Lo que me sorprendió es que los cuatro sitios que fallaron en el top 5 fallaron los mismos tres pilares en el mismo orden. Retrieval primero, después Coherence, después Citation. Misma forma en la posición 12, en la 19, en la 27. Esto no es una distribución. Es un template.

En algún momento de los últimos tres años, todos copiamos y pegamos el mismo starter de sitio estático, publicamos nuestro primer post y nunca volvimos a mirar el JSON-LD. El framework no existía cuando los templates se escribieron. Los templates no se actualizan solos. Nadie cobra por arreglar esto en un blog que llevas gratis a las once de la noche.

Si te llevas una cosa de este post, es el commit más chico posible. Abre la home de tu sitio esta noche, mira el JSON-LD, corrige el author.name. Cinco minutos. Es el fallo de Coherence más común y el más barato de arreglar. El resto puede esperar hasta la próxima auditoría, pero eso tienes que hacerlo hoy si quieres que la IA te cite mañana.

---

ken imoto · WebRTC & Voice AI engineer · kenimoto.dev