¿Qué he hecho yo para que Google me recomiende esto?

Si forma parte de los más de 500 millones de usuarios que usan a diario el feed de noticias de Google, seguramente se haya encontrado, sin haberlo buscado activamente, con algún titular que prometía revelarle la receta secreta de Ferràn Adrià, la hora a la que se acuesta Pilar Rubio a sus 46 años, el nuevo producto del supermercado o el coche que a partir de 2026 iba a permitirle decir “adiós” a la ITV.

Cuando hablamos de Google, solemos pensar en su icónico buscador: la barra sobre un fondo blanco que se instaló en nuestro lenguaje con el verbo “googlear” se ha ganado la posición de árbitro en nuestras sobremesas y es el producto estrella que vertebra los cuantiosos ingresos publicitarios de Alphabet.

De “buscar” a “encontrar” sin pedirlo

Pero, con el paso de los años, Google ha consolidado otro servicio que pasa del clásico “buscar” al algorítmico “encontrar”. Se trata de un sistema de recomendación de contenidos similar a la interfaz que comparten muchas redes sociales, aunque sin comentarios, retuits o interacciones visibles de otros usuarios.

Este producto se llama Google Discover y, a diferencia de otros servicios del ecosistema de Google como Maps, Drive o Fotos, no cuenta con una aplicación concreta que podamos descargar: sencillamente se encuentra preinstalado en los teléfonos Android, como un elemento consustancial más de la interfaz al que se suele acceder deslizando hacia la izquierda desde la pantalla principal.

La gran pregunta –sobre este y cualquier otro sistema de recomendación como el que pueden utilizar las polémicas Instagram y Facebook, Netflix, YouTube o hasta las presuntamente inocentes Vinted y Wallapop– es cómo decide qué contenidos le recomiendan. ¿Qué ha hecho usted como usuario para merecerlos en su teléfono?

Ni algoritmo ni fórmula mágica

Cuando los usuarios o creadores intentamos explicar el funcionamiento de las plataformas que nos recomiendan contenidos como Twitter, Facebook, Instagram, YouTube o Spotify, desarrollamos imaginarios algorítmicos, cotilleos o creencias infundadas. Algunos intentan, incluso, entrenar o manipular al “algoritmo” a partir de estas reconstrucciones.

Lo cierto es que no existe un solo algoritmo ni una gran ecuación que podamos controlar. Los sistemas de recomendación como Google Discover son más bien una gran infraestructura algorítmica opaca. Es decir, un circuito de instrucciones informáticas escondidas en una caja negra metafórica de la que Google ha revelado pocos detalles.

El resto de las piezas del rompecabezas provienen de los esfuerzos profesionales por descifrar cómo funciona y de la literatura científica, que ha observado su impacto en ámbitos como el periodismo. Pero, siendo honestos, no podemos leer los ingredientes de su composición como quien lee la etiqueta de un bote de catsup o champú.

Un embudo digital para captar la atención

La documentación oficial define Google Discover como un feed personalizado basado en los intereses del usuario, según su actividad en la web y aplicaciones. En los estudios científicos publicados por los propios ingenieros de Google se ha revelado como un sistema industrial de recomendación de contenidos. Mientras, la investigación académica independiente lo sitúa en la intersección entre la recuperación de información y la curación algorítmica.

Para explicar por qué Google Discover le enseña ciertos contenidos sin saber exactamente cómo funciona, podemos comparar la arquitectura típica de un sistema de recomendación con las evidencias e hipótesis que tenemos sobre el producto de Google.

Una metáfora útil es la del embudo dividido en etapas. En internet se publican diariamente millones de contenidos de toda clase: artículos web, videos largos, publicaciones de redes sociales o resúmenes de inteligencia artificial. ¿Cómo sintetiza esa inmensa variedad a una lista diseñada a medida para usted?

Elegibilidad

Al igual que en Google Search (el buscador), el primer paso es la indexación. Google mantiene un inventario donde rastrea internet y aplica un primer filtro para descartar todo lo que no cumple sus políticas. De ahí que el contenido que infringe las normas de seguridad quede fuera desde el principio. Por ejemplo, publicaciones que busquen reclutar personas para una organización terrorista o imágenes de torturas sin contexto periodístico. Pero superar este filtro solo significa que un contenido es elegible, no una plaza asegurada.

Lo que buscamos habla de nosotros

Para reducir ese universo inicial, el sistema necesita encontrar qué contenidos pueden encajar mejor con nuestros intereses. En el caso de Google Discover, lo hace identificando qué elementos concretos (entidades) están presentes en sus búsquedas o interacciones para relacionarlos entre sí. Así, puede interpretar qué búsquedas o lecturas desagregadas forman parte del mismo interés y organizarlo en temas y subtemas más amplios.

Cuando nuestros intereses ya están “fichados”, el sistema necesita traducirlos a un lenguaje con el que comparar y encontrar contenidos afines a gran escala. En el caso de Google Discover, la hipótesis de analistas profesionales como Damien Andell es que se utilizan representaciones matemáticas llamadas embeddings.

Estos vectores convierten los grupos de entidades (familias o clusters) y sus intereses en coordenadas de un mismo tablero, como en el juego de hundir la flota: cuanto más próximos están dos puntos, mayor es su afinidad.

Qué pasa cuando hace clic, ‘me gusta’ o ‘zoom’

Una vez localizadas esas familias de contenidos, el embudo vuelve a estrecharse en los modelos predictivos. Aquí la inteligencia artificial del sistema intenta adivinar cómo reaccionaríamos ante cada una de las opciones. En este sentido, el trabajo de los ingenieros de Google describe once objetivos predictivos, de los que explicita siete: cinco positivos (que hagamos clic, que marquemos “me gusta”, que respondamos positivamente a una encuesta y que hagamos clic para ver detalle y que cliqueemos para expandir el texto) y dos negativos (la desestimación o dismissal y el bloqueo definitivo del contenido).

Cuando todas esas predicciones están sobre la mesa, el sistema tiene que resolverlas para ordenar los candidatos. Lo habitual es combinarlas en una única puntuación, dando más peso a unas señales que otras (como cuando en una evaluación la teoría “vale” 0.6 puntos y la práctica 0.4 de la nota final). Un artículo puede tener muchas probabilidades de que hagamos clic en él, pero también de que acabemos bloqueándolo; otro puede despertar menos curiosidad inmediata, pero generar señales más positivas. Discover tiene que resolver ese cruce para decidir qué aparece antes y qué después. Pero Google no ha publicado cómo combina esas predicciones.

En muchos sistemas de recomendación, una vez ordenados los candidatos, una última criba puede introducir criterios como diversidad, frescura o equidad, para evitar, por poner un caso, que las cinco primeras tarjetas o contenidos sean todas sobre el mismo producto del supermercado.

Un bucle sin fin

Estamos al final del embudo y Google Discover ya ha decidido qué enseñarle, pero el proceso no se detiene aquí: el sistema se retroalimenta, es decir, observa las señales que genera explícitamente (cuando bloquea una fuente o le da “me gusta” a un contenido) e implícitamente (cuando se detiene a leer un artículo o pasa al siguiente).

Estos nuevos datos vuelven al sistema para entrenar y actualizar el modelo: las recomendaciones generan interacciones, las interacciones producen nuevos datos y esos datos alimentan futuras recomendaciones.

No sabemos con exactitud qué ensalada de señales ha invitado a Ferràn Adrià, Pilar Rubio o cualquier nombre propio al feed de su teléfono. Sí sabemos que el sistema es una ruleta que no se detiene y que se alimenta de su historial, de su ubicación y de pequeños comportamientos cotidianos que quizá resulten imperceptibles para usted mismo, pero que son la fuente de datos que riega todo este enorme sistema de recomendación.

Síguenos en Google Noticias