Una investigación de Google DeepMind plantea un nuevo modelo de clasificación de documentos mediante inteligencia artificial que podría modificar la forma en que funcionan los motores de búsqueda. El trabajo estudia la posibilidad de utilizar modelos generativos para ordenar resultados sin depender de un índice de búsqueda separado, una arquitectura que, si llegara a aplicarse a gran escala, podría tener consecuencias importantes para el SEO.
La investigación ha sido analizada por Duane Forrester en Search Engine Journal, en un artículo publicado el 8 de octubre de 2026. El autor relaciona este avance con diferentes trabajos de Google desarrollados desde 2021 y plantea cómo podrían cambiar la visibilidad de las páginas web, la medición del posicionamiento y la publicidad en buscadores.
Sin embargo, existe una distinción fundamental: Google no ha anunciado que vaya a sustituir su índice de búsqueda ni que vaya a eliminar las páginas de resultados. El trabajo demuestra determinadas posibilidades matemáticas y presenta experimentos limitados. Las consecuencias comerciales y SEO descritas por Forrester son interpretaciones sobre una posible evolución futura.
Google lleva años investigando alternativas a la búsqueda tradicional
El nuevo estudio forma parte de una línea de investigación que se remonta a 2021, cuando investigadores de Google publicaron un trabajo que proponía replantear la búsqueda de información mediante sistemas capaces de generar respuestas directamente a partir de un conjunto de documentos.
La propuesta cuestionaba el modelo tradicional en el que un buscador recibe una consulta y devuelve una lista de enlaces. En su lugar, los investigadores exploraban la posibilidad de construir sistemas que proporcionasen respuestas basadas en información identificable y verificable.
En 2022 apareció otra investigación, denominada Differentiable Search Index (DSI), que estudiaba cómo un modelo Transformer podía asociar consultas directamente con identificadores de documentos. La información necesaria para realizar esa asociación quedaba representada dentro de los parámetros del modelo.
El trabajo publicado en enero de 2026 añade una base matemática a esta línea de investigación. Según el análisis de Forrester, los investigadores han demostrado propiedades teóricas que permiten plantear una clasificación generativa de un número arbitrario de documentos, sin las mismas limitaciones de representación que presentan determinadas arquitecturas tradicionales.
Cómo funciona la clasificación generativa de documentos
Los motores de búsqueda actuales suelen combinar diferentes sistemas para recuperar y ordenar información. Una primera etapa identifica documentos potencialmente relevantes y otra puede aplicar modelos más complejos para mejorar su clasificación.
La investigación de Google DeepMind estudia una arquitectura denominada AutoRegressive Ranking (ARR), en la que un modelo generativo produce identificadores de documentos siguiendo un orden de relevancia.
En lugar de asignar únicamente una puntuación independiente a cada documento, el sistema aprende a generar una secuencia ordenada. La clasificación pasa a formar parte del proceso de generación del modelo, utilizando mecanismos similares a los empleados para producir texto token a token.
El estudio también introduce una función de entrenamiento denominada SToICaL, diseñada para que el modelo tenga en cuenta la calidad de la lista completa de resultados y no solamente la posición del documento más relevante.
Desde el punto de vista matemático, los investigadores analizan las limitaciones de los sistemas basados en representaciones vectoriales. El trabajo sostiene que determinadas arquitecturas necesitan aumentar sus dimensiones de representación para expresar todas las ordenaciones posibles, mientras que un modelo autorregresivo puede representar clasificaciones arbitrarias manteniendo una dimensión oculta fija.
Los experimentos todavía están lejos de un buscador comercial
Uno de los aspectos más importantes del estudio es su alcance real. Los investigadores utilizaron Mistral-7B para sus experimentos, en lugar de un modelo de frontera diseñado específicamente para operar como buscador web a gran escala.
Además, las pruebas se realizaron con conjuntos de datos limitados. Uno de ellos utilizaba información de WordNet, con aproximadamente 82.000 conceptos nominales, mientras que la evaluación relacionada con compras incluía 310 ejemplos.
En los experimentos, los identificadores de los documentos candidatos se proporcionaban al modelo dentro del contexto. Esto significa que el sistema estaba reorganizando candidatos conocidos, no recuperando libremente cualquier documento de un conjunto abierto equivalente a toda la web.
Forrester destaca que esta diferencia impide interpretar el trabajo como una demostración de que Google ya dispone de un buscador comercial completamente independiente de los índices tradicionales.
Los resultados también presentan limitaciones. Algunas configuraciones mejoraron la ordenación de varios documentos relevantes, pero empeoraron la capacidad de colocar el mejor resultado en primera posición. La investigación representa una base experimental, no un producto listo para sustituir Google Search.
La búsqueda generativa podría cambiar la visibilidad SEO
Una de las hipótesis planteadas por Forrester es que la clasificación generativa podría modificar el concepto tradicional de posición en Google. En un buscador convencional, las páginas pueden ocupar posiciones dentro de una lista extensa de resultados, aunque el usuario no llegue a visitarlas.
En un sistema generativo que produce únicamente un conjunto reducido de documentos, la situación podría ser diferente. El modelo seleccionaría los identificadores que considera más probables y construiría una lista limitada a partir de ellos.
Este proceso puede utilizar una técnica denominada beam search, que mantiene durante la generación un número determinado de secuencias candidatas. Las alternativas descartadas dejan de participar en las siguientes etapas del proceso.
Forrester plantea que, si una arquitectura de este tipo llegara a convertirse en el mecanismo principal de búsqueda, las páginas que no fueran generadas podrían quedar fuera del conjunto visible de resultados, en lugar de ocupar simplemente una posición más baja.
La idea de que desaparecería la segunda página de Google es, por tanto, una interpretación de las posibles consecuencias del modelo. No representa un cambio anunciado para el buscador actual ni demuestra que todos los sistemas generativos deban funcionar necesariamente de esa manera.
La diferenciación del contenido podría adquirir más importancia
El artículo también analiza cómo podrían verse afectados los contenidos muy similares entre sí. En la arquitectura estudiada, los documentos se representan mediante identificadores que el modelo aprende a generar.
En uno de los experimentos relacionados con compras, los investigadores construyeron identificadores a partir de representaciones vectoriales de los títulos de productos. Estos identificadores se comprimían en secuencias cortas de números que conservaban cierta información semántica.
Forrester considera que, en un escenario de clasificación generativa, la capacidad de diferenciar claramente un documento de otros similares podría convertirse en un factor especialmente relevante.
Su razonamiento es que dos páginas prácticamente idénticas podrían resultar difíciles de distinguir dentro de determinadas representaciones. Sin embargo, esta consecuencia no ha sido demostrada como una regla de posicionamiento de Google y debe entenderse como una hipótesis sobre posibles sistemas futuros.
Para los profesionales del SEO, la reflexión apunta a la importancia de trabajar contenidos que aporten información diferenciada. No obstante, el estudio no establece nuevas directrices oficiales de Google ni confirma que exista un cambio en sus sistemas de ranking actuales.
La actualización de contenidos plantea un desafío para estos modelos
Otro problema identificado está relacionado con la incorporación de documentos nuevos y la actualización de la información. En un índice tradicional, un buscador puede rastrear una página e incorporarla a su infraestructura de recuperación.
En un sistema donde las asociaciones entre consultas y documentos dependen de los parámetros aprendidos por el modelo, incorporar información nueva puede requerir procesos adicionales de entrenamiento o actualización.
Investigaciones anteriores, como DSI++, ya habían señalado dificultades relacionadas con el olvido de documentos previamente aprendidos cuando se introducen otros nuevos de forma continua.
Este desafío resulta especialmente relevante para medios de comunicación y páginas que publican información de actualidad. La rapidez con la que un sistema aprende y puede recuperar nuevos contenidos sería un elemento esencial para cualquier arquitectura generativa que aspirase a utilizarse en búsquedas web reales.
Forrester considera que una posible etapa intermedia consistiría en mantener mecanismos tradicionales de recuperación y utilizar posteriormente un modelo generativo para ordenar los candidatos. Esa combinación permitiría explorar parte de las ventajas del nuevo enfoque sin depender exclusivamente de un índice almacenado en los parámetros del modelo.
La publicidad y las métricas SEO también podrían evolucionar
El análisis de Search Engine Journal también plantea posibles consecuencias para la publicidad en buscadores. Si las respuestas generadas mediante IA se convirtieran en una superficie principal de búsqueda, los formatos publicitarios podrían adaptarse a experiencias menos centradas en listas convencionales de enlaces.
Forrester relaciona esta posibilidad con investigaciones sobre sistemas capaces de generar contenido publicitario de forma dinámica. En su interpretación, las plataformas podrían utilizar información de productos, marcas y anunciantes para construir mensajes adaptados al contexto de cada consulta.
Sin embargo, el estudio sobre clasificación generativa no demuestra la viabilidad comercial de ese modelo publicitario. La relación entre ambas tecnologías es una hipótesis del autor sobre cómo podrían evolucionar conjuntamente la búsqueda orgánica y los anuncios.
La medición SEO también podría cambiar en un escenario de resultados generados. En lugar de analizar únicamente posiciones, los profesionales podrían prestar más atención a la frecuencia con la que una marca o página aparece dentro del conjunto de fuentes seleccionadas.
Esta aproximación ya tiene interés en los sistemas de respuestas basadas en IA, aunque no implica que las métricas tradicionales hayan dejado de ser útiles para el buscador actual.
Qué significa esta investigación para el futuro del SEO
La conclusión principal es que Google DeepMind está investigando arquitecturas capaces de replantear la recuperación y clasificación de información. El trabajo ofrece resultados matemáticos y experimentales relevantes, pero todavía existen diferencias importantes entre una demostración académica y un motor de búsqueda comercial.
Forrester recomienda observar especialmente la diferenciación semántica del contenido y la medición de la presencia en respuestas generativas. Son propuestas estratégicas derivadas de su interpretación del estudio, no instrucciones oficiales publicadas por Google.
Por ahora, no hay evidencia de que Google vaya a eliminar su índice tradicional ni sus páginas de resultados como consecuencia directa de esta investigación. Tampoco se ha anunciado una fecha de implantación o una actualización del algoritmo relacionada con AutoRegressive Ranking.
El interés del estudio reside en que muestra una posible dirección de desarrollo para los sistemas de búsqueda basados en inteligencia artificial. Si estas arquitecturas consiguieran superar sus limitaciones actuales, la forma de descubrir, seleccionar y presentar contenidos podría cambiar considerablemente, con implicaciones tanto para los usuarios como para los profesionales del posicionamiento web.