La arquitectura oculta de Google Discover

Google Discover, un servicio consolidado por Google, transforma la interacción con la información al pasar de la búsqueda activa a una exposición de contenidos basada en recomendaciones. Preinstalado en dispositivos Android y accesible mediante un simple gesto, este feed personalizado es utilizado por más de 500 millones de usuarios diariamente, quienes reciben sugerencias de noticias y artículos sin haberlos solicitado explícitamente. La naturaleza precisa de su funcionamiento, sin embargo, permanece en gran medida como una infraestructura algorítmica opaca.

Según se detalla en un análisis publicado por The Conversation España, Google Discover no se apoya en un único algoritmo o una fórmula mágica. En su lugar, es una compleja red de instrucciones informáticas, descrita como una "caja negra metafórica" por la cual Google ha revelado pocos pormenores. La documentación oficial lo cataloga como un feed personalizado que se nutre de los intereses del usuario y su actividad en la web y aplicaciones. Investigaciones académicas lo ubican en la confluencia de la recuperación de información y la curación algorítmica.

El proceso de recomendación se puede visualizar como un embudo digital con varias etapas. Inicialmente, se produce una fase de elegibilidad donde el contenido de internet es indexado y filtrado según las políticas de Google, descartando material que infrinja normativas de seguridad. Un contenido que supera este filtro es solo elegible, no garantizado para aparecer.

Posteriormente, el sistema identifica los intereses del usuario. Esto se logra analizando elementos específicos, o "entidades", presentes en sus búsquedas e interacciones. Estas entidades se agrupan para formar temas y subtemas más amplios. La hipótesis de analistas profesionales sugiere que se utilizan "embeddings", representaciones matemáticas, para convertir estos grupos de intereses en coordenadas, donde la proximidad entre dos puntos indica mayor afinidad.

La fase siguiente incorpora modelos predictivos. Aquí, la inteligencia artificial del sistema intenta anticipar la reacción del usuario ante cada opción. Los ingenieros de Google han especificado siete de once objetivos predictivos, incluyendo cinco respuestas positivas (clics, "me gusta", encuestas, expansión de detalles) y dos negativas (desestimación o bloqueo del contenido). Una vez que todas las predicciones están disponibles, el sistema las combina en una puntuación única para ordenar los contenidos. No obstante, Google no ha hecho público cómo se ponderan y combinan estas predicciones.

Finalmente, el ciclo de Google Discover es un bucle continuo. El sistema se retroalimenta observando las señales explícitas del usuario (como bloquear una fuente) e implícitas (como el tiempo de lectura de un artículo). Estos nuevos datos son reintroducidos para actualizar y entrenar el modelo, asegurando que las futuras recomendaciones evolucionen con los patrones de interacción del usuario. La exactitud de cómo se combinan estas señales sigue siendo un aspecto no revelado.