Google prepara updates silenciosos dentro del modelo, no del índice
El 27 de octubre, Ali Behrouz y Vahab Mirrokni, de Google Research, publicaron el llamado sleep framework: un método que da al modelo de lenguaje una fase offline programada para mover lo aprendido durante el uso a sus pesos de largo plazo y entrenarse sobre datos que genera para sí mismo. La lectura viral (el modelo se vuelve más listo solo) es ruido. Lo que importa para quien se dedica al SEO y al GEO es otra cosa: si este diseño llega a producción, el conocimiento dentro de los modelos de Google deja de estar congelado en una fecha de corte y empieza a actualizarse en ciclos que nadie fuera de Google verá.
En marzo defendí que el training data cutoff se había convertido en un factor de posicionamiento, porque el contenido a cada lado del corte vivía en sistemas distintos con comportamientos de confianza distintos. Aquel consejo asumía que el corte era un muro con fecha. Este paper describe un muro que se mueve solo, sin fecha ni anuncio. Y esa es la forma que va a adoptar la próxima generación de updates: no cambian cómo se ordena el índice, cambian lo que el modelo cree.
Qué publicó Google exactamente
El framework describe un ciclo de dos fases. En la fase wake, el modelo recibe input y mantiene la información nueva en memoria corta, parecido a cómo funciona el contexto hoy. En la fase sleep, deja de recibir input y ejecuta dos etapas:
- Consolidación: desbloquea expertos de bajo rango dormidos dentro de una arquitectura mixture-of-experts y les asigna los nuevos hechos en parámetros frescos, sin sobrescribir los viejos. Lo llaman knowledge seeding.
- Dreaming: genera muestras sintéticas mezclando dominios, las filtra con selección basada en gradiente y hace fine-tuning sobre las que sobreviven.
Los resultados reportados incluyen traducción secuencial a idiomas nunca vistos con caída de rendimiento cercana a cero, recall en contexto largo hasta 10 millones de tokens, incorporación de conocimiento factual superior al fine-tuning supervisado y razonamiento matemático sobre un modelo abierto de 8.000 millones de parámetros. El paper está en arXiv desde junio y en OpenReview desde septiembre de 2025, así que el post del blog es Google decidiendo decirlo en voz alta.
No es un producto, pero marca dirección
Importante: son experimentos sobre modelos Qwen abiertos (1.700M y 8.000M de parámetros), no sobre Gemini. No hay coste computacional publicado, ni timeline de despliegue, ni nadie fuera del equipo ha replicado los resultados. Y los hechos nuevos entran como documentos, no como conversaciones de usuario. Cualquiera que diga que el modelo aprende de tus chats está extrapolando.
Dicho esto, Google publica arcos de investigación y luego lanza piezas. Titans → Hope → Nested Learning → sleep framework es un recorrido de dos años muy coherente. La pregunta útil no es si este método concreto se despliega, sino qué dirección marca. Y la dirección es: un modelo con memoria de largo plazo que se reescribe en ciclos.
Por qué esto rompe tu diagnóstico actual
Google ya ejecuta miles de cambios en Search al año y en 2022 Danny Sullivan habló de más de 800.000 tests. Solo nombra un puñado como core updates. El ritual del SEO lleva años siendo el mismo: cae tráfico, miras la fecha del update tracker, atribuyes. Con la consolidación del modelo ese ritual deja de funcionar, porque:
- Un hecho recuperado por AI Overviews viene citado, matizado y reemplazable al siguiente crawl.
- Un hecho consolidado en los pesos se pronuncia con confianza, sin cita, y persiste hasta el próximo ciclo sleep que nadie te va a anunciar.
Para una marca española que compite en SERP y en respuestas generativas, esto significa que buena parte de la narrativa sobre tu empresa ya no la decide Search Console. La decide lo que el modelo recuerda, y ese recuerdo se refresca en silencio.
Qué hacer desde ya en el mercado hispano
Dejar de cuadrar caídas de tráfico con fechas de update es solo el primer paso. Lo operativo:
- Muestreo programado de asistentes: consulta semanalmente a Gemini, ChatGPT, Perplexity y Copilot sobre tu marca, productos, fundadores, precios y categorías. Guarda las respuestas con fecha.
- Tracking de deriva factual: compara respuesta a respuesta qué datos cambian. Un precio antiguo, una sede equivocada, un competidor mal atribuido son señales de qué ha consolidado el modelo.
- Publicación densa y repetida de hechos clave: si la consolidación se alimenta de documentos, la frecuencia y la consistencia de tu página de empresa, notas de prensa en medios tier 1 (Expansión, Cinco Días, El País) y fichas en Wikipedia/Wikidata pesan más que nunca.
- Sincronización entre idiomas: en mercados hispanos, los modelos mezclan datos en inglés y español. Una contradicción entre tu site .es y tu .com puede acabar consolidada como «duda» en las respuestas.
- Entity SEO sobre keyword SEO: trabajar la entidad (schema Organization, sameAs, menciones coherentes) deja de ser un extra y pasa a ser la vía principal de influir en lo que el modelo cree.
Conclusión práctica
El próximo update relevante de Google puede no tocar el índice, no tener fecha y no anunciarse. Va a notarse en cómo los asistentes hablan de tu marca de un mes a otro. Si todavía estás montando dashboards contra el update tracker, estás midiendo la capa equivocada. Monta ya un sistema de muestreo recurrente de respuestas de IA, audita qué hechos sobre ti están derivando y trata tu presencia documental como un activo que entrena, no como contenido que posiciona. El sleep framework no es el futuro, es la pista de aterrizaje de un cambio que ya está ocurriendo en la capa de retrieval y que pronto bajará a los pesos.
Fuente original: Search Engine Journal
Autor
Vakho Mtchedlishvili
SEO Lead especializado en ecommerce y AI Search. Ayudo a negocios digitales a crecer en Google y en los nuevos entornos de búsqueda con IA.