Los modelos de inteligencia artificial están cambiando la forma en que se posicionan los contenidos online. ¿Estás escribiendo para los humanos, pero olvidando cómo “piensan” los modelos que te posicionan? En este artículo te mostramos cómo TITANS y MIRAS la nueva dupla de google para optimizar el rastreo, rankeo y cita, procesan y recuerdan el contenido web, y qué implicaciones tiene eso para tu estrategia SEO.
¿Qué son TITANS y MIRAS?
TITANS y MIRAS son dos investigaciones de Google Research publicadas en 2024 (Titans) y 2025 (Miras), respectivamente, que replantean cómo los modelos de lenguaje (como los usados en buscadores o asistentes de IA) aprenden y recuerdan información textual en tiempo real.
- TITANS: Es un modelo con una memoria profunda y duradera, capaz de recordar información de sesiones largas sin saturarse.
- MIRAS: Es un marco conceptual (un framework) que explica cómo construir modelos que deciden qué recordar, qué olvidar y cómo organizar la información interna.
Ambos trabajan con la idea de que la IA no recuerda todo, sino que elige cuidadosamente qué almacenar y qué ignorar, en función de qué tan útil o “sorprendente” es la información.*
Los dos papers abordan cómo los modelos de lenguaje actuales, especialmente en tareas como recuperación de información (IR), razonamiento y aprendizaje en tiempo real, almacenan, priorizan, olvidan o recuerdan contenido textual largo.
* Quédate con los conceptos de «útil» y «sorprendente», los verás repetidos a continuación.
¿Y qué tiene que ver esto con mi web?
Mucho. Porque estos modelos son la base del futuro (y presente) de los buscadores e interfaces conversacionales como Google Search (con SGE). Son los modelos de lenguaje de propósito general (lo que se conoce como «foundation models») que impactan en tareas como language modeling, needle-in-haystack, commonsense reasoning, long-context modeling, test-time memorization o information retrieval tasks, todas ellas imprescindibles en la recuperación de información.
Si quieres que tu contenido sea visible, usado y citado, debes estructurarlo de forma que estos sistemas lo memoricen y lo retengan en su “memoria asociativa”.
Pero, si no impacta en ChatGPT ¿Tengo que tenerlo en cuenta?
¿Por qué se dice que están ligados al futuro de los buscadores? Porque, aunque no se mencione expresamente, podemos deducir con fundamento técnico que:
- Sistemas como ChatGPT o Copilot se basan en modelos de lenguaje de gran escala (LLMs).
- Estos LLMs están limitados por:
- su ventana de contexto
- su eficiencia computacional
- su capacidad de recuperar información precisa
- TITANS y MIRAS abordan exactamente esos tres cuellos de botella.
Por tanto, no se puede decir que están usados actualmente, pero sí es totalmente razonable afirmar que:
«Estos modelos están diseñados para resolver los mismos problemas que enfrentan los LLMs modernos en tareas de búsqueda, generación y razonamiento.»
Y como muchos buscadores ya están usando LLMs (ChatGPT, Bing Copilot, Google SGE, etc.), cualquier arquitectura que mejore esos modelos puede convertirse en base o inspiración de futuras versiones.
Así memorizan los modelos de IA modernos
Los modelos como TITANS + MIRAS ven tu contenido como una cadena de bloques informativos. Cada bloque (o “chunk”) puede ser:
- una sección con
h2 - un párrafo con contenido temático
- una lista de elementos
- un resumen
- …
Por cierto, te recomiendo echar un ojo a esta herramienta: Grounding snippet generator.
Secciones de los papers y relación con nuestro contenido
La memoria se entrena con gradientes de sorpresa
Fuente: Titans, Sección 3.1
La “sorpresa” se mide como la magnitud del gradiente respecto al input: cuanto más inesperado sea un input, más probable que se memorice.
Relación con contenido web:
- El contenido repetitivo o predecible no genera sorpresa, por tanto, es menos probable que un modelo lo memorice.
- En una web, esto puede traducirse en que el modelo se fijará más en frases que se salgan del patrón (tanto semánticamente como estructuralmente).
- Frases que destacan —por estar en listas, resaltadas (
<strong>,<em>), o en bloques separados— probablemente generen mayor activación y se almacenen mejor.
Los modelos actúan como «memoria asociativa»
Fuente: Miras, Sección 3, Definición 3.1
Los modelos son operadores que mapean claves (keys) a valores (values), y lo hacen optimizando un objetivo interno que llaman “attentional bias”.
Relación con contenido web:
- En una web, los títulos, encabezados y secciones actúan como “claves” (keys), mientras que el contenido dentro de ellos sería el “valor” (value).
- Si estos “keys” son claros y están bien diferenciados (como
h1,h2,p,ul), el modelo puede mapearlos con mayor precisión. - Una mala estructuración (texto plano sin jerarquía) dificulta que el modelo cree asociaciones correctas.
MIRAS plantea que todos los modelos modernos se pueden descomponer en 4 decisiones de diseño
Fuente: Miras, Sección 4 – Framework de Miras
Memoria, Attentional Bias, Retention Gate, y Algoritmo de Aprendizaje.
Relación con contenido web:
- La forma en que se presenta, jerarquiza y actualiza el contenido de una web puede alinear o desalinear con cómo un modelo gestiona esa memoria.
- Por ejemplo:
- Una página que actualiza constantemente sin conservar contexto puede romper la cadena de retención.
- Una web con estructura de enlaces interna clara y bien jerarquizada puede ayudar a que el modelo vea coherencia y persistencia de conceptos.
El Retention Gate decide qué información se olvida y cuál se conserva
Fuente: Miras, Sección 3.3 y Titans, Sección 3.1
No hay un “borrado” explícito de la memoria, sino que el modelo aprende qué retener o no según la relevancia del nuevo input.
Relación con contenido web:
- Si el contenido nuevo añade valor real o cambia el contexto, puede hacer que el modelo “olvide” lo anterior.
- En una web, esto implica que si cada párrafo introduce conceptos nuevos relevantes, es más probable que el modelo conserve la información anterior como parte de una cadena lógica.
- Por el contrario, si el contenido es redundante, el modelo puede simplemente dejar de prestarle atención (como si lo olvidara).
El aprendizaje se hace en tiempo real y en pasos paralelos
Fuente: Titans, Sección 3.2 y Miras, Sección 5
Se pueden procesar trozos de información de forma paralela, manteniendo coherencia mediante estructuras jerárquicas de memoria.
Relación con contenido web:
- Las webs con bloques temáticos claros, independientes pero relacionados, permiten a los modelos procesarlos como “chunks” paralelos sin perder el hilo general.
- Ejemplo: artículos largos divididos por secciones (
<section>) con encabezados temáticos (<h2>), permiten al modelo paralelizar su aprendizaje, tal como los papers proponen.
A ver, importante: TITANS y MIRAS no dan consejos de SEO, pero sí describen cómo los modelos de lenguaje de nueva generación procesan y memorizan contenido textual a gran escala.
Así que, si alineas tu contenido web con esa forma de procesamiento (estructurado, jerárquico, con secciones claras, ideas destacadas, y contenido no redundante), estás facilitando que esos modelos comprendan, recuerden y prioricen tu página.
Esto es relevante porque:
- Motores como Google Search, ChatGPT, Gemini, Perplexity, etc., están basados en modelos de este tipo.
- Por tanto, alinear tu contenido con cómo ellos piensan es clave para que te muestren mejor en sus respuestas.
Hasta aquí la parte teórica ¿Estás preparado para la parte práctica? Sigamos.
¿Qué contenido se queda en su memoria?
1. Contenido bien estructurado
Los modelos reconocen y retienen mejor los fragmentos que tienen una jerarquía clara.
Así pues usa:
- Encabezados (
h1,h2,h3) con temas concretos - Listas y esquemas
- Separación visual clara entre ideas
2. Contenido “sorprendente” o informativamente denso
Los modelos guardan lo que les sorprende, lo que rompe el patrón.
Añade:
- Datos concretos
- Comparaciones inesperadas
- Insights que no aparecen en todos lados
Evita:
- Frases genéricas sin contenido real (“ofrecemos soluciones innovadoras”)
3. Conexión entre secciones (retención)
MIRAS describe cómo el modelo decide si olvidar o mantener lo anterior. Si lo nuevo está conectado, se conserva.
Ayuda:
- Enlazar internamente entre secciones relacionadas
- Retomar ideas anteriores con sinónimos o reformulaciones
Esto se parece a cómo el cerebro conecta ideas: no repite literalmente, pero recuerda por asociación.
Cómo se vería tu contenido desde la perspectiva de un modelo IA
Imagina que un modelo como TITANS entra en tu página. Esto es lo que hace:
| Paso | ¿Qué hace el modelo? | ¿Cómo influye tu contenido? |
|---|---|---|
| 1 | Lee el inicio | Si el primer párrafo es claro y enfocado, lo memoriza. |
| 2 | Detecta estructura | Si usas encabezados y listas, puede dividir la info en bloques útiles. |
| 3 | Evalúa «sorpresa» | Si ve algo único o útil, lo marca como relevante y memorable. |
| 4 | Decide qué olvidar | Si una sección es genérica o repetitiva, la descarta de su memoria activa. |
| 5 | Crea asociaciones | Conecta conceptos relacionados, igual que lo haría un buscador al generar snippets o respuestas. |
Checklist técnica: optimiza tu web para la “memoria de la IA”
Si recuerdas el artículo que escribimos el otro día sobre blockrank, los cambios a realizar desde el punto de vista estructural se van a parecer mucho. Déjame enumerarlos:
- Encabezado
h1que diga claramente de qué trata la página - Primer párrafo útil, directo y no genérico
- Uso de
h2para dividir temas y facilitar “chunks” de información - Inclusión de listas y tablas
- Ideas clave repetidas de forma variada, no copiada
- Insights únicos, ejemplos o casos reales
- Enlaces internos relevantes y explicativos
- Evita contenido de relleno o “palabrería SEO”
Escribe para la memoria, no solo para el buscador
Los buscadores modernos ya no solo indexan texto: lo comprenden, lo organizan y lo recuerdan.
TITANS y MIRAS son la prueba técnica de que la IA moderna elige qué vale la pena retener.
Si quieres que tu contenido sea parte de esa memoria, no basta con escribir bien: tienes que estructurar, destacar y conectar como lo haría un sistema de aprendizaje en tiempo real.
Deja un comentario