Abrimos Search Console de un cliente nuevo y lo primero que miramos no es el contenido. Es la pestaña de páginas: cuántas están indexadas, cuántas «rastreadas, actualmente sin indexar» y cuántas con un canonical que Google decidió ignorar. Casi siempre hay más en esas dos últimas categorías que páginas activas en el sitio.
El dueño del sitio suele pensar que el problema es que el texto no es lo bastante bueno, o que faltan palabras clave. A veces sí. Pero antes de escribir una sola línea nueva hay que saber tres cosas: si Google puede llegar a la página, si la indexa y si entiende para qué sirve frente a las otras cien páginas parecidas del mismo sitio. Si la respuesta a cualquiera de las tres es no, el contenido no importa todavía.
Rastreado sí, indexado no es el diagnóstico más común
Que Googlebot visite una URL no significa que decida guardarla en su índice. Es la diferencia entre que alguien entre a una tienda y que decida quedarse. El informe de cobertura de Search Console tiene una categoría entera para esto: «rastreada, actualmente sin indexar». Google la vio, la leyó y no le pareció que mereciera un lugar en los resultados.
Las razones más frecuentes son tres. La página es casi idéntica a otras cinco del mismo sitio. El contenido es demasiado corto para justificar su propia URL. O el dominio todavía no tiene la confianza suficiente para que Google gaste rastreo en páginas marginales. Google lo decide por prioridad, porque sus recursos de rastreo son limitados.
Los canonicals peleados confunden más de lo que ayudan
La etiqueta canonical existe para decirle a Google «esta es la versión que cuenta, ignora las demás». El problema aparece cuando dos páginas se apuntan la canonical la una a la otra. O cuando una plantilla genera la etiqueta sola y termina apuntando a una URL que ni siquiera existe.
Vemos esto constantemente en catálogos con filtros: la página de un producto con parámetros de color y talla se autodeclara canonical de sí misma en vez de apuntar a la ficha limpia. Google entonces tiene que decidir por su cuenta cuál versión indexar, y esa decisión casi nunca coincide con la que el sitio quería.
- Canonicals que se apuntan entre sí en bucle
- Plantillas que generan la etiqueta con la URL relativa mal resuelta
- Páginas con parámetros que se autodeclaran canónicas
- Versión http y https compitiendo por el mismo contenido
- www y sin www sin una redirección que resuelva cuál manda
La paginación infinita y los filtros multiplican URLs que nadie pidió
Un catálogo de doscientos productos con filtros de color, talla, precio y disponibilidad puede generar decenas de miles de combinaciones de URL. Cada filtro que se puede combinar con otro filtro es una URL nueva a los ojos de un rastreador, aunque para el usuario sea la misma categoría vista de otra forma.
Google gasta el mismo presupuesto de rastreo revisando esas combinaciones que revisando las páginas que sí importan. El resultado es un sitio con miles de URLs indexables y ninguna autoridad concentrada en las que generan negocio. El scroll infinito tiene el mismo efecto. Si cada carga nueva de contenido no tiene su propia URL y enlaces reales, Google no la ve o la toma como duplicado.
Un robots.txt de una línea puede bloquear la mitad del sitio
El robots.txt se escribe una vez, casi siempre al lanzar el sitio, y después nadie vuelve a mirarlo. Encontramos seguido una regla heredada del entorno de pruebas, «Disallow: /», que nadie quitó al pasar a producción. O un «Disallow: /wp-content/» que, de paso, bloquea las imágenes que el sitio necesita mostrar.
El otro caso típico es el contenido que solo existe después de que corre JavaScript. Por ejemplo, un catálogo que se pinta con una llamada a una API, o un menú que depende de un framework del lado del cliente. Googlebot ejecuta JavaScript, pero no siempre en el mismo momento ni con el mismo presupuesto que dedica al HTML. Si el contenido esencial (el texto, los enlaces internos, los datos del producto) solo aparece después de que corre JavaScript, el rastreo es más lento y menos fiable. Lo seguro es que esté en el HTML desde el primer byte.
- Reglas de Disallow heredadas del entorno de pruebas
- Carpetas de imágenes o recursos bloqueadas sin querer
- Contenido y enlaces que solo existen tras ejecutar JavaScript
- Sitemap que no coincide con lo que el robots.txt permite rastrear
El orden en que se arregla, y por qué importa
Arreglar contenido antes que rastreo es escribir para un lector que no puede entrar. El orden que seguimos es este. Primero, que Google pueda llegar a cada página que importa: robots.txt limpio, sitemap al día y el contenido en el HTML. Segundo, que cada página tenga una sola versión canónica. Tercero, poner reglas claras para las URLs de filtros y paginación: qué se indexa y qué no. Solo entonces mejoramos lo que dice cada página.
Saltarse el orden no ahorra tiempo. Un contenido excelente en una URL que Google no rastrea, o que compite consigo misma por un canonical mal puesto, no sube. Y el diagnóstico completo toma más tiempo del que parece. Hay que cruzar Search Console, el sitemap, el robots.txt y una muestra real de páginas rastreadas. En sitios grandes, revisar bien los patrones puede llevar varios días.
Si tienes acceso a Search Console, el primer paso lo puedes dar hoy sin ayuda de nadie. Entra al informe de páginas, mira cuántas están en «rastreadas, actualmente sin indexar» y abre cinco al azar. Esa lista ya dice más sobre por qué no apareces de lo que diría cualquier auditoría de palabras clave. Terapia a un Click venía de una plataforma en Angular que no estaba pensada para que Google la encontrara. Después de pasarla a WordPress y trabajar el contenido, los clics desde Google pasaron de 4.751 a 12.648 en seis meses.

