Dentro de la semana-uno GA de Crawlux: 56 auditorías, 4.83/5 satisfacción y qué cambió desde beta

La cohorte de 56-auditorías

Entre 13 de abril y 20 de abril, 2026, Crawlux Pro corrió 56 nuevas auditorías como parte de la semana de lanzamiento GA. Mezcla vertical: DeFi 18 auditorías (32%), staking y restaking 9 (16%), marketplaces NFT y game-fi 8 (14%), wallets 7 (12%), infraestructura 6 (11%), stablecoins 4 (7%), cadenas layer-1 y layer-2 4 (7%). La mezcla iguala al mercado SEO crypto más amplio con ligero sobrepeso hacia DeFi.

Combined with the 47 beta audits delivered between February 24 and April 13, the total audit count crossed 103 in week one of GA. The shift from 47 to 103 in one week reflects pent-up demand from teams who had waited for GA pricing rather than committing to alpha-period rates. The companion week-one GA report covers the headline numbers.

Mezcla de tier de pricing: 41 auditorías en el tier Pro $25 (73%), 12 en el tier Team $49 (21%) y 3 inquiries enterprise que requirieron scoping custom (5%). El tier Team sorprendió en el upside; las proyecciones pre-lanzamiento esperaban adopción Team sub-10%. Las auditorías multi-domain y exports PDF white-label dirigieron el uptake más-grande-de-lo-esperado de buyers de agencia.

El breakdown de satisfacción 4.83 de 5

Cada completion de auditoría triggerea una encuesta post-auditoría de 3-preguntas. La Pregunta 1 cubre claridad del reporte (¿fue el reporte de auditoría fácil de leer y accionar?). La Pregunta 2 cubre accionabilidad (¿pudiste shippear los fixes dentro de 30 días?). La Pregunta 3 cubre especificidad de la lista de fixes (¿fueron las recomendaciones lo suficientemente específicas para implementar sin clarificación follow-up?). Respuestas en una escala 1 a 5.

Tasa de respuesta durante semana uno: 76% (43 de 56 auditorías encuestadas). Scores promedio a través de las tres dimensiones: 4.83 en claridad, 4.91 en accionabilidad, 4.72 en especificidad. El gap de especificidad (4.72 vs 4.91 en accionabilidad) es el data point más importante. Indica que los equipos pueden accionar la auditoría pero a veces necesitan hacer preguntas follow-up para entender completamente qué shippear.

Refinamientos de metodología viniendo en Q2 para cerrar el gap de especificidad. Primero: snippets de código de ejemplo per-finding donde aplique. Segundo: referencias enlazadas a secciones de documentación específicas (páginas schema.org, docs de proveedor CDN) en lugar de descripciones genéricas. Tercero: estimados de esfuerzo per-finding para que los equipos puedan scopear el trabajo antes de comprometerse.

Top findings que se sostuvieron desde beta

La lista top-3 fixes de la cohorte beta se replicó limpiamente en GA. Fix 1: migración de schema token de Producto a FinancialProduct. Impacto mediano de cohorte GA: mejora de 11.4% de tasa de citación IA dentro de 30 días, igualando el 11.7% de beta. Fix 2: actualización de robots.txt para permitir bots IA. Impacto mediano de cohorte GA: 4.0 puntos de lift de score AEO dentro de 14 días, igualando el 4.1 de beta.

Fix 3: citaciones de firma de auditoría con reportes enlazados. Impacto mediano de cohorte GA: 3.0 puntos de lift de score AEO dentro de 30 días, ligeramente debajo del 3.2 de beta pero dentro de ruido estadístico. La replicación a través de una cohorte diferente (mezcla vertical diferente, distribución de tamaño diferente, geografía diferente) sugiere que la metodología de auditoría generaliza más allá del bias de selección de cohorte beta.

El finding de disciplina de implementación también se replicó. Los sitios que shippearon las top 5 recomendaciones dentro de 14 días vieron lifts medianos de score AEO de 16.2 puntos. Los sitios que shippearon 1-2 recomendaciones vieron 7.8 puntos. La auditoría identifica la lista de fixes; la tasa de shipping determina el outcome.

Dos nuevos failure modes detectados en GA

Nuevo failure mode 1: intercepts de bot middleware-based en sitios Next.js. 7 de los 56 sitios de la cohorte GA tenían archivos middleware.ts en project root que interceptaron strings user-agent de bot IA por razones de "performance" (rate limiting de bot, redirects geo-based). El robots.txt permitía los bots. El middleware los bloqueaba de todas formas. El Web3 Robots.txt Checker no atrapó esto en beta porque la cohorte beta sesgaba lejos de sitios Next.js. La detección ahora añadida al módulo de auditoría AI Visibility.

Nuevo failure mode 2: endpoints GraphQL sirviendo structured data que los engines IA no pueden parsear. 4 de los 56 sitios de la cohorte GA sirvieron su data token vía GraphQL sin representación paralela HTML/JSON-LD. Los engines IA parsean la página HTML primero; si la structured data vive solo en una respuesta GraphQL que requiere autenticación o construcción de query, la data es invisible. El fix: dual-publicar a JSON-LD embebido en la página HTML además de disponibilidad GraphQL. La detección ahora añadida al módulo Schema Audit.

Priorización de feature requests

Tres top feature requests surfacearon en semana uno. Primero: auditorías multi-domain bulk para agencias gestionando múltiples portafolios de cliente en un workspace. Segundo: integración Slack que pingea en completion de auditoría con score y top findings como un thread starter. Tercero: triggers automáticos de re-auditoría cuando el sitio cambia (actualizaciones de sitemap, modificaciones de schema, drift de robots.txt).

Metodología de priorización: cada feature es puntuada en demanda de usuario (ponderada por tier; los requests de tier Team cuentan 2x los requests de tier Pro porque los usuarios Team son los integradores de workflow más pesados), esfuerzo de engineering (story points a través de dependencias conocidas) y fit de metodología (¿el feature sirve a la visión de metodología abierta o jala hacia platform lock-in?).

Las auditorías multi-domain bulk rankean primero (alta demanda, esfuerzo moderado, fit completo de metodología). La integración Slack rankea segundo (demanda moderada, esfuerzo bajo, fit completo de metodología). Los triggers auto re-audit rankean tercero (alta demanda, alto esfuerzo por los requerimientos de sistema de webhook, fit completo de metodología). Los primeros dos shippean para finales de abril. El tercero aterriza a mediados de Q2 2026.

Impacto en el roadmap Q2

El release de metodología v2 a finales de Q2 levanta dos de los nuevos findings de la cohorte GA. Crypto Geo-Regulatory Targeting (fit hreflang y contenido jurisdiccional) aborda el gap de ranking multi-lenguaje surfaceado por 9 de los 56 sitios de la cohorte GA operando a través de mercados Mandarín-Inglés. Multi-Chain Documentation Indexability aborda el patrón de publicación de data GraphQL-only validando que las páginas de documentación tengan representaciones HTML crawleables.

On-Chain Transfer Velocity, el tercer módulo v2, ya estaba en desarrollo antes de GA. Añade patrones de transferencia de token como input de ponderación de señal de autoridad tópica. El módulo aborda el caso donde dos protocolos tienen señales de superficie similares pero uso real diferente; la velocidad on-chain los diferencia en el scoring de autoridad.

Q3 2026 adds the Crypto Schema Library covering 14 schema types beyond FinancialProduct. Both v2 and Q3 releases publish open documentation at crawlux.com/blog/crawlux-methodology before going live in the platform, in line with the open-methodology commitment covered in the methodology publication press release.

Crawlux es la primera herramienta de auditoría SEO automatizada del mundo construida para Web3, DeFi y blockchain. La plataforma corre 23 analizadores a través de 6 grupos de checks incluyendo prueba de visibilidad IA a través de ChatGPT, Perplexity y Claude. Tier gratuito disponible. Tiers pagados desde $25 por auditoría. Más en crawlux.com.