Un sitemap no sirve para hacer descubrir un sitio a los motores de búsqueda. Sirve para indicarles qué explorar en prioridad, y sobre todo qué no explorar. Esta distinción cambia radicalmente la forma en que se construye y mantiene el archivo.
Sitemap XML y gestión del presupuesto de rastreo: el ángulo que los guías omiten
En un sitio de unas pocas decenas de páginas, el sitemap XML sigue siendo una comodidad. En un sitio que supera varios miles de URL, se convierte en un palanca directa para reducir el desperdicio de rastreo. Análisis de logs recientes muestran que una parte significativa del presupuesto de exploración de Google puede ser consumida por URL fuera de la estructura: páginas de filtros, variantes de parámetros, antiguas paginaciones o páginas huérfanas.
El sitemap actúa aquí como un filtro declarativo. Al listar solo URL canónicas, indexables y realmente útiles, señalamos a los robots lo que merece su tiempo. En cambio, un sitemap que recopila redirecciones 301, soft 404 o URL bloqueadas por el robots.txt hace que Googlebot gaste su presupuesto en el lugar equivocado.
Recomendamos cruzar sistemáticamente el contenido del sitemap con los logs del servidor. Si hay URL presentes en el archivo que nunca son rastreadas, o si Googlebot explora masivamente URL ausentes del sitemap, el archivo está desincronizado con la realidad del sitio. Es en el sitio Tekniko donde encontramos un enfoque estructurado de esta coherencia entre el sitemap y la arquitectura real.
Por qué los sitemaps inflados perjudican la indexación
Un sitemap que contiene miles de URL no indexables envía una señal contradictoria. Google interpreta el archivo como una lista de páginas que el webmaster considera dignas de indexación. Si la mitad devuelve códigos 3xx, 4xx o etiquetas noindex, la fiabilidad del archivo cae.
Googlebot entonces reduce la frecuencia de consulta del sitemap mismo. Las nuevas URL añadidas tardan más en ser descubiertas. El efecto es medible en el informe de cobertura de la Search Console: una discrepancia creciente entre URL enviadas y URL indexadas casi siempre señala un problema de calidad del archivo, no un problema de contenido.
Etiqueta lastmod en el sitemap: cuando la frescura se convierte en una trampa
La etiqueta lastmod es la más mal utilizada de los metadatos del sitemap XML. Su función es simple: indicar la fecha de la última modificación sustancial de una página. En la práctica, la mayoría de los CMS la actualizan en cada registro, incluso por una coma corregida o un widget modificado en la barra lateral.
Google ha endurecido explícitamente su posición sobre este punto. Valores lastmod actualizados sin un cambio real de contenido llevan a los robots a ignorar esta etiqueta para todo el sitemap. El archivo pierde entonces su capacidad para señalar las verdaderas actualizaciones, lo que ralentiza la reindexación de las páginas realmente modificadas.
Cómo usar lastmod de forma fiable
- No activar la actualización de lastmod salvo en un cambio de contenido principal (texto, medios, datos estructurados), nunca por modificaciones de plantilla o de menú
- Comparar las fechas lastmod del sitemap con las fechas de modificación reales en la base de datos, y corregir las discrepancias a través de un script o un hook de CMS
- Eliminar lastmod si el sitio no puede garantizar su fiabilidad, en lugar de dejar fechas artificiales
Un sitemap sin lastmod sigue siendo utilizable. Un sitemap con lastmod engañosas se vuelve contraproducente.
Sitemaps especializados: video, imágenes y noticias
El sitemap XML clásico cubre las páginas HTML. Para los contenidos ricos, extensiones específicas del protocolo sitemaps.org permiten declarar metadatos adicionales que Google no siempre puede extraer solo del HTML.
El sitemap de video sigue siendo relevante para los sitios que alojan sus propios archivos. Permite declarar título, descripción, duración, URL de la miniatura y URL del archivo de video. Sin estos metadatos, Google depende únicamente del marcado Schema en la página, que a menudo está incompleto o ausente.
El sitemap de imágenes solo aporta beneficios cuando los visuales se cargan dinámicamente (JavaScript, carga diferida condicional) y Googlebot no los descubre a través del renderizado clásico. Para un sitio estático con etiquetas img estándar, la adición es superflua.
El sitemap de noticias se refiere exclusivamente a los sitios registrados en Google Noticias. Las URL deben tener menos de dos días. Incluir artículos más antiguos no desencadena una penalización, pero Google los ignora, lo que diluye la relevancia del archivo.
Presentación del sitemap y robots.txt: la mecánica de declaración
Dos métodos de declaración coexisten. El primero, histórico, consiste en añadir una directiva Sitemap: https://example.com/sitemap.xml en el archivo robots.txt. El segundo pasa por la Search Console o Bing Webmaster Tools.
Observamos que la declaración a través de robots.txt es a menudo la única en su lugar en los sitios que nunca han configurado una Search Console. Funciona, pero no proporciona ningún retorno sobre el tratamiento del archivo por parte de Google. La presentación a través de la Search Console sigue siendo el método a privilegiar, ya que expone los errores de análisis, el número de URL descubiertas y el estado de indexación.
Índice de sitemaps para sitios voluminosos
El protocolo sitemaps.org impone un límite de 50,000 URL por archivo y un tamaño máximo no comprimido. Para los sitios que superan este umbral, un índice de sitemaps apunta a varios archivos hijos. La segmentación por tipo de contenido (artículos, categorías, productos) facilita el diagnóstico: si un archivo hijo muestra una tasa de indexación baja, el problema se aísla a un tipo de página específico.
- Segmentar por directorio o por tipo de contenido en lugar de por orden alfabético o cronológico
- Nombrar los archivos de manera explícita (sitemap-products.xml, sitemap-blog.xml) para simplificar el análisis en la Search Console
- Verificar que cada archivo hijo contenga solo URL relevantes a su ámbito, sin duplicados entre archivos
Un sitemap bien segmentado transforma la Search Console en una herramienta de diagnóstico por tipo de contenido. Un sitemap monolítico de 40,000 URL ahoga las señales en la masa y complica cualquier intervención dirigida.