Guía

¿PDF o HTML: qué conviene para que Google y la IA lean tu catálogo?

Por Equipo Laurank · Publicado el · Actualizado el

Laurank es una empresa de AEO en español: ayudamos a que ChatGPT, Gemini, Perplexity y los AI Overviews de Google citen a tu marca, empezando por entender por qué hoy no lo hacen. Conoce a Laurank.

Puntos clave

  • Google lista el PDF entre los tipos de archivo que indexa; la regla práctica de su blog es que si puedes copiar el texto del PDF, Google debería poder indexarlo.
  • Un PDF escaneado, que es solo una foto de cada página, no es una base segura: Google dijo que puede aplicar OCR, pero es una afirmación antigua y con "puede".
  • En las páginas de bots de OpenAI y Perplexity que leímos (octubre de 2026) no aparece nada sobre PDF: no lo afirmes en ningún sentido.
  • El título del PDF sale de los metadatos del archivo y del texto de los enlaces que apuntan a él; ponle un buen título y enlázalo desde una página HTML.
  • Si bloqueas el PDF en robots.txt, Google no verá su etiqueta noindex: usa una cosa o la otra, según lo que quieras.
  • Criterio de Laurank: el PDF sirve para descargar e imprimir; la página HTML sirve para que te encuentren, te lean y te citen.

¿Google puede leer mis catálogos y fichas en PDF?

Sí: Google indexa el PDF y lo dice en su documentación. La página de Google Search Central sobre tipos de archivo indexables lista “Adobe Portable Document Format (.pdf)” entre los formatos de documento codificados que admite, junto con otros de oficina. Esa misma página dice que el tipo de archivo se determina por el encabezado HTTP Content-Type que devuelve el servidor, así que un servidor mal configurado puede entregar un PDF con un tipo equivocado.

La condición práctica la dio Google en su blog para webmasters, en una publicación de 2011: si puedes copiar el texto de un PDF y pegarlo en un documento de texto, Google debería poder indexarlo. Esa regla separa dos casos que el marketing suele mezclar. El catálogo exportado desde un programa de diseño o de Word suele conservar el texto; el catálogo escaneado de una imprenta suele ser una foto de cada hoja.

Dos advertencias. “Indexado” no es “posicionado”: estar en el índice solo te hace elegible. Y la publicación de 2011 es una fuente antigua; la usamos porque en las páginas actuales de Google que leímos (octubre de 2026) no encontramos esos detalles sobre PDF, y por eso la fechamos. Si tu duda es por qué una página concreta no aparece en el índice, ese diagnóstico está en por qué Google no indexa mi página; aquí tratamos solo lo que cambia con un PDF.

¿Qué pasa con un PDF escaneado, sin texto seleccionable?

Un PDF escaneado no es una base segura: Google dijo que “puede” aplicar OCR (reconocimiento óptico de caracteres), pero no lo garantiza. La frase literal del blog de Google es que, si el texto está incrustado como imágenes, “we may process the images with OCR algorithms to extract the text”. El verbo es “puede”, y el texto es de 2011. La misma publicación dice que las imágenes dentro de un PDF no se indexan (“Currently the images are not indexed”) y que, para que se indexen, hay que crear páginas HTML para ellas.

Para saber en qué situación estás, haz esta prueba (es criterio de Laurank, basado en la regla de copiar y pegar):

  1. Abre el PDF y trata de seleccionar una frase con el cursor. Si no se resalta nada, o se resalta toda la página como una imagen, es un escaneo.
  2. Copia el texto y pégalo en un bloc de notas. Si aparecen letras sin sentido o espacios entre cada letra, la codificación es mala aunque parezca texto.
  3. Busca una palabra con Ctrl+F (Cmd+F en Mac). Si el visor no la encuentra, un buscador tampoco tiene de dónde leerla.
  4. Revisa las tablas de precios y las especificaciones: si son imágenes pegadas dentro del PDF, esos datos no cuentan como texto.

Si falla alguna, la solución de fondo es exportar de nuevo desde el archivo original o pasar el contenido a HTML. Un programa de OCR propio puede añadir capa de texto al escaneo, pero revisa el resultado a mano: los errores en códigos de producto, medidas o precios son difíciles de ver y pasan a ser lo que el buscador lee.

¿Cómo se pone el título a un PDF y cómo se enlaza para que Google lo encuentre?

El título que Google muestra para un PDF sale de dos elementos: el metadato de título dentro del archivo y el texto de los enlaces que apuntan a él. Lo dice el blog de Google: “We use two main elements to determine the title shown: the title metadata within the file, and the anchor text of links pointing to the PDF file”. Y añade que, para dar una señal clara, recomienda actualizar los dos.

Ejemplo ilustrativo: un archivo publicado como “catalogo_final_v3_OK.pdf”, con el título del documento vacío, enlazado con el texto “descargar”. Se arregla así:

  • Metadato de título: en Adobe Acrobat, en Archivo, Propiedades, pestaña Descripción; en Word y otros programas de oficina, en las propiedades del documento antes de exportar. Escríbelo como una etiqueta title: producto o colección primero, marca después.
  • Texto del enlace: algo como “Catálogo de bombas centrífugas (PDF)” y no “haz clic aquí”. Es un ejemplo ilustrativo.
  • Nombre del archivo: descriptivo, en minúsculas y con guiones, por ejemplo catalogo-bombas-centrifugas.pdf. Es criterio de Laurank: Google no lo documenta como factor de título.

Para que Google encuentre el archivo, enlázalo desde una página HTML rastreable. El blog de Google dice que los enlaces dentro de un PDF se tratan de forma parecida a los de HTML (pueden pasar señales y Google puede seguirlos tras rastrear el archivo); esa frase describe los enlaces que salen del PDF. Para los que entran, aplica lo de cualquier página.

El sitemap ayuda al descubrimiento, pero es criterio de Laurank que no sustituye el enlace desde una página, que además da contexto; el procedimiento está en cómo hacer un sitemap. Para verificar, busca site:tudominio.com filetype:pdf: la página de tipos de archivo describe el operador filetype para limitar los resultados a un tipo de archivo o extensión.

¿OpenAI y Perplexity leen PDF de mi sitio?

No lo encontramos documentado. En las páginas de OpenAI y de Perplexity sobre sus bots que leímos (octubre de 2026) no aparece ninguna mención a PDF, ni a favor ni en contra. Esas páginas describen los agentes de usuario y para qué se usan. Por eso no afirmamos que “ChatGPT lee tus PDF” ni que “los ignora”: en lo que leímos no hay base para ninguna de las dos cosas.

Lo que sí documentan es el rol de cada bot. OpenAI: “OAI-SearchBot is used to surface websites in search results in ChatGPT’s search features”. Perplexity: “PerplexityBot is designed to surface and link websites in search results on Perplexity”. Cada una recomienda permitir su bot en robots.txt y permitir las solicitudes desde sus rangos de IP publicados; el detalle está en robots.txt para bots de IA y en bots de IA que rastrean tu sitio.

Subir un PDF a ChatGPT para analizarlo es una función de la aplicación y no dice nada sobre cómo se descubren y citan los PDF públicos de tu sitio. Tampoco sabemos qué ocurre con tablas o columnas cuando se extrae el texto. Como prudencia, no como hecho documentado, trata las tablas y los diseños en columnas de un PDF como el punto donde más puede fallar una lectura automática.

¿Un PDF puede aparecer en los AI Overviews?

La página de funciones de IA de Google que leímos no trata el PDF aparte; fija una condición general: la página debe estar indexada y ser apta para mostrarse con fragmento. Añade que no hay requisitos técnicos adicionales y que cumplir los requisitos no garantiza que Google indexe o muestre el contenido. Un PDF indexado cumple la primera parte; la segunda depende de que Google extraiga texto útil. Además, en Search Console existe el control “Search generative AI”, cuya opción predeterminada es incluir el sitio; revísalo. El detalle de requisitos está en cómo aparecer en los AI Overviews.

¿Cuándo conviene pasar el catálogo a HTML y cuándo dejarlo en PDF?

Regla de decisión: HTML cuando quieres que alguien encuentre, lea y cite un producto o dato concreto; PDF cuando lo que importa es descargar, imprimir o enviar el documento completo. Es criterio de Laurank, no una regla de Google. La tabla ayuda a decidir:

Si tu caso es… Qué conviene Por qué (criterio de Laurank)
Quieres que se cite un producto, precio, medida o especificación HTML, una URL por producto El dato queda a la vista y no enterrado en un documento largo
El cliente quiere imprimir, archivar o mandar el catálogo por WhatsApp PDF Es el formato natural para eso
Actualizas precios o disponibilidad con frecuencia HTML Se edita una página; el PDF exige regenerar y subir el archivo
Necesitas medir visitas y conversiones del documento HTML, con Google Analytics Un PDF abierto en el visor no corre la etiqueta de tu sitio; sin ella, solo tendrás los registros del servidor y los clics en el enlace que lo precede
El texto del PDF es imagen (escaneo) HTML, o PDF nuevo con texto Una imagen no es texto que se pueda copiar
Documento legal o ficha de seguridad que debe conservarse tal cual PDF, más una página HTML resumen que lo enlace Conserva el documento y da una entrada rastreable

La columna de la derecha es nuestro razonamiento, no documentación de Google. En la misma línea, los datos estructurados de producto se colocan en páginas HTML; cómo elegirlos está en datos estructurados para empresas, y el marcado por sí solo no es una palanca para que la IA te cite.

¿Qué hago si tengo cientos de fichas y no puedo reescribirlas todas?

Empieza por las fichas con más consultas y deja el resto en PDF enlazado desde una página de categoría. Esta secuencia es criterio de Laurank:

  1. Ordena tus productos por importancia comercial: lo que más vendes y lo que más preguntan por WhatsApp.
  2. Para los primeros, crea una página HTML por producto con nombre, para qué sirve, especificaciones en una tabla, disponibilidad, preguntas frecuentes y el enlace al PDF.
  3. Para el resto, crea una página de categoría con una descripción real y los PDF enlazados con texto descriptivo.
  4. Revisa cada PDF con la prueba de copiar y pegar y corrige primero los escaneados.
  5. Pon título a cada PDF y revisa el resultado en Search Console (cómo usarlo).

Si tus especificaciones o mediciones son propias, publicarlas bien las vuelve citables: datos propios que la IA cite.

¿Cómo evito que un PDF se indexe o se duplique con su versión HTML?

Para sacar un PDF de Google usa la cabecera X-Robots-Tag con noindex; no lo bloquees además en robots.txt, porque entonces Google no verá la cabecera. Un PDF no tiene etiqueta meta ni elemento link de HTML, así que las instrucciones viajan en las cabeceras del servidor. Google: “To block indexing of non-HTML resources, such as PDF files, video files, or image files, use the X-Robots-Tag response header instead”. Sirve para una lista de precios para distribuidores, un presupuesto con datos de clientes o una versión vieja del catálogo. La configuración la hace quien administra el servidor (Apache, NGINX o el hosting).

La trampa: Google explica que, si una página está bloqueada para rastreo en robots.txt, cualquier instrucción de indexación “will not be found and will therefore be ignored”. Si bloqueas la carpeta de PDF y además pones noindex, Google no ve el noindex. Elige una intención: o el archivo se rastrea con noindex, o se bloquea el rastreo sabiendo que otras vías de descubrimiento pueden mantener la URL conocida.

Duplicado con la versión HTML: el blog de Google recomienda servir una sola copia siempre que se pueda; si no, indicar la versión preferida en el sitemap o con la URL canónica en el HTML o en las cabeceras HTTP del PDF. La página de URLs duplicadas añade que la cabecera Link con rel=“canonical” sirve para documentos no HTML, incluidos los PDF, y que Google la admite solo para los resultados de búsqueda web.

Ejemplo ilustrativo: la ficha de la bomba modelo X existe en HTML y en PDF con el mismo texto. Si quieres que se muestre la página HTML, el PDF responde con la cabecera Link: <https://tusitio.com/productos/bomba-x>; rel="canonical". Si el PDF aporta algo distinto, como planos o un manual completo, no es un duplicado y no necesita canónica.

Para comprobar lo que entrega tu servidor, pide las cabeceras con curl -sI https://tusitio.com/catalogo/bombas.pdf y revisa el código de estado, content-type: application/pdf y que no haya un x-robots-tag: noindex no deseado. La prueba completa está en cómo saber si tu sitio es legible para la IA.

¿Qué errores son los más comunes con los PDF?

Cinco errores se repiten; los tres primeros se apoyan en lo que dicen las fuentes de arriba y los dos últimos son criterio de Laurank. Ninguno exige rehacer el catálogo:

  • Publicar un escaneo como si fuera texto. Falla la regla de copiar y pegar y dependes de un OCR que Google no garantiza (fuente: blog de Google, 2011).
  • Dejar el título vacío o con el nombre de la plantilla. Google toma el título de los metadatos y del texto del enlace.
  • Bloquear en robots.txt y poner noindex a la vez. Google no ve la cabecera.
  • No enlazar el archivo desde ninguna página HTML (criterio de Laurank: pierde la ruta de rastreo y el texto del enlace).
  • Tener el PDF como única versión y esperar que los asistentes lo citen (criterio de Laurank: en lo que leímos de OpenAI y Perplexity no hay nada sobre PDF).

Si quieres saber por qué la IA no cita tu marca, a quién cita en tu lugar y qué arreglar, eso es lo que hacemos en Laurank. Es parte del servicio de arreglo, competencia y medición de citas: diagnóstico de por qué la IA no te cita, análisis de a quién cita en tu lugar, arreglo y medición. Depende de tu sector y de tu competencia.

Si quieres empezar, escríbenos por WhatsApp al +1 415 202 4369 con el nombre de tu marca y tu sector.

Preguntas frecuentes

¿Google indexa los PDF?

Sí. La página de Google Search Central sobre tipos de archivo indexables incluye Adobe Portable Document Format (.pdf) entre los formatos codificados que admite. El texto debe poder extraerse: un PDF protegido con contraseña o cifrado queda fuera, según el blog de Google.

¿La IA de ChatGPT o Perplexity puede leer un PDF de mi sitio?

En las páginas que leímos (octubre de 2026) no hay nada sobre PDF. Las de OpenAI y Perplexity sobre sus bots describen los agentes de usuario y cómo permitirlos, y no mencionan ese formato. Eso no prueba que no puedan leerlos; solo impide afirmarlo.

¿Un PDF puede aparecer en los AI Overviews?

En la página de Google que leímos (octubre de 2026) no hay una regla específica para PDF. La guía exige que una página esté indexada y sea apta para mostrarse con fragmento en la Búsqueda, sin requisitos técnicos adicionales, y aclara que cumplir los requisitos no garantiza aparecer. Un PDF indexado cumple la primera parte; la garantía no existe.

¿Cómo evito que un PDF aparezca en Google?

Envía la cabecera HTTP X-Robots-Tag con noindex al servir el archivo. Google dice que para bloquear la indexación de recursos que no son HTML, como los PDF, se usa X-Robots-Tag. No bloquees además ese archivo en robots.txt, porque entonces Google no verá la cabecera.

¿Tengo el mismo contenido en PDF y en HTML, es contenido duplicado?

Google recomienda, siempre que se pueda, servir una sola copia. Si necesitas ambas, indica la versión preferida: para el PDF se puede usar la cabecera HTTP rel="canonical", que apunta a la URL HTML que quieres que prevalezca.

Fuentes

¿Quieres que la IA cite a tu marca?

Cuéntanos tu caso por WhatsApp y te decimos por dónde empezar.

Escríbenos por WhatsApp

Artículos relacionados

Contenido citable ·

¿Cómo publicar datos propios que Google y la IA puedan citar?

Para publicar datos propios que Google y la IA puedan citar: elige una pregunta que tus clientes hagan, describe el método y la muestra, publica la tabla como texto HTML (no solo PDF o imagen), pon fecha de publicación y de actualización, licencia y enlace de descarga, y mantén una URL estable. Ninguna práctica garantiza citas.

SEO técnico ·

¿Por qué Google no indexa mi página?

Google no indexa una página por cinco causas: es nueva y no la ha encontrado, no puede acceder a ella (robots.txt, login o error del servidor), tiene una etiqueta noindex, es un duplicado o una redirección, o la rastreó y decidió no indexarla. Para saber cuál es, inspecciona la URL en Search Console y lee su estado.

SEO técnico ·

¿Cómo hacer un sitemap XML y enviarlo a Google?

Para hacer un sitemap XML: deja que tu CMS lo genere o crea un archivo UTF-8 con una etiqueta url por cada página canónica, súbelo a la raíz del sitio y envíalo en el informe Sitemaps de Search Console o con la línea Sitemap en robots.txt. Cada archivo admite hasta 50.000 URL.