¿Qué es MUM y cómo afecta la búsqueda con IA?

Comprendiendo MUM: el Modelo Unificado Multitarea de Google

MUM (Modelo Unificado Multitarea) es un marco revolucionario de inteligencia artificial desarrollado por Google y anunciado en mayo de 2021. Representa un avance significativo en la forma en que los motores de búsqueda comprenden y procesan consultas complejas de los usuarios. A diferencia de los modelos de IA anteriores que se centraban principalmente en la comprensión basada en texto, MUM es un sistema de IA multimodal y multilingüe que puede procesar simultáneamente información en formatos de texto, imágenes, video y audio. Este cambio fundamental en la tecnología tiene profundas implicaciones en cómo los motores de búsqueda con IA entregan resultados y cómo los usuarios interactúan con las plataformas de búsqueda.

La innovación central de MUM radica en su capacidad para comprender el contexto y los matices de formas que los modelos anteriores no podían lograr. El equipo de investigación de Google construyó MUM utilizando el marco T5 text-to-text, haciéndolo aproximadamente 1,000 veces más potente que BERT, su predecesor. Esta mayor capacidad permite a MUM no solo comprender el lenguaje, sino también generarlo, creando una comprensión más integral de la información y el conocimiento mundial. El modelo fue entrenado en 75 idiomas diferentes y en muchas tareas diferentes simultáneamente, lo que le permite desarrollar una comprensión más sofisticada de cómo la información se relaciona en distintos contextos, culturas y formatos.

Cómo MUM procesa consultas de búsqueda complejas

La forma en que MUM procesa las consultas de búsqueda es fundamentalmente diferente de los algoritmos de búsqueda tradicionales. Cuando un usuario envía una consulta compleja, MUM analiza múltiples interpretaciones posibles en paralelo en lugar de reducirse a una sola comprensión. Esta capacidad de procesamiento paralelo significa que el sistema puede mostrar ideas basadas en un conocimiento profundo del mundo mientras identifica simultáneamente preguntas relacionadas, comparaciones y diversas fuentes de contenido. Por ejemplo, si alguien pregunta “He subido al Mt. Adams y ahora quiero subir al Mt. Fuji el próximo otoño, ¿qué debo hacer para prepararme?”, MUM entiende que esta consulta implica comparar dos montañas, requiere información sobre elevación y senderos, e incluye aspectos de preparación como entrenamiento físico y selección de equipo.

MUM emplea tecnología de emparejamiento secuencia a secuencia que analiza consultas completas como secuencias totales en lugar de emparejar palabras clave individuales con entradas de la base de datos. El sistema convierte la entrada de búsqueda en vectores de alta dimensión que representan el significado semántico, luego compara estos vectores con el contenido en el índice de Google. Esta comprensión semántica basada en vectores permite a MUM recuperar resultados basados en el significado real y no solo en la coincidencia de términos. Además, MUM utiliza transferencia de conocimiento entre idiomas, permitiéndole aprender de fuentes escritas en idiomas diferentes al idioma de búsqueda del usuario y llevar esa información en su idioma preferido.

Comprensión multimodal y su impacto

Una de las capacidades más transformadoras de MUM es su comprensión multimodal, lo que significa que puede procesar y entender información de diferentes formatos simultáneamente. Esto es fundamentalmente diferente de las tecnologías de búsqueda anteriores que trataban texto, imágenes y video como flujos de datos separados. Con MUM, un usuario podría teóricamente tomar una foto de sus botas de senderismo y preguntar “¿puedo usar estas para subir al Mt. Fuji?” y el sistema comprendería tanto la imagen como la pregunta juntos, proporcionando una respuesta integrada que conecta información visual con conocimiento contextual.

Este enfoque multimodal tiene importantes implicaciones en cómo aparece el contenido en los resultados de búsqueda. En lugar de mostrar una simple lista de enlaces azules, los resultados de búsqueda impulsados por MUM son cada vez más visuales e interactivos. Los usuarios ahora ven carruseles integrados de imágenes, videos incrustados con marcas de tiempo, fotos de productos ampliables y superposiciones contextuales que brindan información sin requerir clics. La experiencia de búsqueda en sí se vuelve más inmersiva y exploratoria, con funciones como paneles de “Cosas que debes saber” que desglosan consultas complejas en subtemas digeribles, cada uno con fragmentos relevantes y elementos visuales.

Rompiendo barreras de idioma en la búsqueda con IA

El idioma ha sido tradicionalmente una barrera significativa para acceder a la información, pero MUM cambia fundamentalmente esta dinámica. La capacidad del modelo para transferir conocimiento entre idiomas significa que información útil escrita en japonés sobre el Mt. Fuji ahora puede informar los resultados de consultas en inglés sobre el mismo tema. Esta transferencia de conocimiento entre idiomas no simplemente traduce el contenido; en cambio, comprende conceptos e información en un idioma y aplica esa comprensión para entregar resultados en otro idioma.

Esta capacidad tiene profundas implicaciones para el acceso global a la información. Al buscar información sobre visitar el Mt. Fuji, los usuarios ahora podrían ver resultados sobre dónde disfrutar de las mejores vistas, onsen locales (aguas termales) y tiendas de recuerdos populares: información que es más común encontrar al buscar en japonés. El sistema esencialmente democratiza el acceso a información que antes estaba bloqueada por barreras idiomáticas. Para creadores de contenido y marcas, esto significa que las estrategias de contenido multilingüe se vuelven cada vez más importantes, ya que tu contenido en un idioma ahora puede influir en los resultados de búsqueda en otros idiomas.

Reducción de fricción en la búsqueda a través de resultados integrales

Uno de los objetivos principales de diseño de MUM es reducir el número de búsquedas que los usuarios necesitan realizar para obtener respuestas completas. La investigación mostró que los usuarios suelen realizar ocho consultas separadas en promedio para tareas complejas. Antes de MUM, si alguien quería comparar el senderismo en Mt. Adams con el Mt. Fuji, tendría que buscar diferencias de elevación, temperaturas promedio, dificultad de los senderos, equipo requerido, recomendaciones de entrenamiento y más. Cada búsqueda requeriría hacer clic en múltiples resultados y sintetizar información de diferentes fuentes.

Con MUM, el sistema intenta anticipar estas preguntas de seguimiento y proporcionar información integral en un solo resultado de búsqueda. La SERP se convierte en un centro unificado de información que aborda múltiples aspectos de la necesidad subyacente del usuario. Este cambio tiene importantes implicaciones para cómo las marcas y los creadores de contenido piensan sobre la visibilidad. En lugar de optimizar para clasificaciones individuales de palabras clave, el éxito depende cada vez más de formar parte de clústeres de temas integrales que aborden la intención del usuario desde múltiples ángulos. El contenido que proporciona información profunda y en capas sobre varios aspectos de un tema tiene más probabilidades de ser mostrado por MUM.

Datos estructurados y comprensión de entidades

La efectividad de MUM depende en gran medida de los datos estructurados y el reconocimiento de entidades. El sistema utiliza marcado de esquema e información estructurada para comprender mejor de qué trata el contenido y cómo se relacionan diferentes piezas de información entre sí. Esto significa que implementar un marcado de esquema adecuado—como los esquemas FAQPage, HowTo, Article y VideoObject—se vuelve cada vez más importante para la visibilidad en los resultados de búsqueda impulsados por MUM.

Más allá de la simple implementación de esquemas, MUM se enfoca en la construcción de entidades y la autoridad temática. En lugar de pensar en palabras clave individuales, las estrategias de contenido exitosas ahora enfatizan el establecimiento de temas clave o entidades relevantes para tu industria. Por ejemplo, en vez de optimizar para la única palabra clave “CRM para pequeñas empresas”, un enfoque integral establecería entidades relacionadas como gestión de relaciones con clientes, automatización de ventas, gestión de leads, soporte al cliente y gestión de datos de clientes. Este enfoque basado en entidades ayuda a MUM a comprender el alcance total de tu experiencia y mostrar tu contenido en una gama más amplia de consultas relacionadas.

Implicaciones para la visibilidad en la búsqueda con IA

El auge de MUM y modelos de IA multimodal similares tiene importantes implicaciones para cómo las marcas aparecen en los resultados de búsqueda potenciados por IA. Las métricas tradicionales de SEO como el porcentaje de clics y las clasificaciones de páginas individuales se vuelven menos relevantes cuando los usuarios pueden consumir información integral directamente en los resultados de búsqueda sin hacer clic en los sitios web. Esto crea tanto desafíos como oportunidades para creadores de contenido y marcas.

El desafío es que los usuarios pueden encontrar respuestas a sus preguntas sin visitar nunca tu sitio web. La oportunidad es que aparecer de manera destacada en estos resultados de búsqueda ricos y multimodales—a través de fragmentos destacados, carruseles de videos, galerías de imágenes y paneles de conocimiento—proporciona visibilidad y autoridad de marca incluso sin tráfico directo. Esto requiere un cambio fundamental en cómo se mide el éxito. En lugar de centrarse únicamente en métricas de tráfico, las marcas deben desarrollar nuevos KPI que reflejen la visibilidad dentro de los resultados de búsqueda, menciones de marca en respuestas generadas por IA y la interacción con formatos de contenido multimodal.

Preparando el contenido para la búsqueda impulsada por MUM

Para optimizar para MUM y modelos de IA similares, las estrategias de contenido deben evolucionar en varias direcciones clave. Primero, el contenido debe volverse genuinamente multimodal, incorporando imágenes de alta calidad, videos, infografías y elementos interactivos junto con el texto. Segundo, el contenido debe estar estructurado con relaciones semánticas claras, utilizando jerarquías de encabezado adecuadas, marcado de esquema y enlaces internos para establecer conexiones temáticas. Tercero, los creadores de contenido deben centrarse en una cobertura temática integral en lugar de la optimización de palabras clave individuales, abordando todo el espectro de preguntas y necesidades de los usuarios relacionadas con un tema.

Además, las marcas deben considerar estrategias de contenido multilingüe que reconozcan la capacidad de MUM para transferir conocimiento entre idiomas. Esto no significa necesariamente traducir cada pieza de contenido, sino comprender cómo la información en diferentes idiomas puede complementarse y servir a audiencias globales. Finalmente, el contenido debe crearse teniendo en cuenta la intención del usuario y el mapeo del recorrido, abordando las preguntas que los usuarios pueden hacer en diferentes etapas de su proceso de toma de decisiones, desde la conciencia inicial hasta las decisiones finales de compra.

La aparición de MUM y modelos de IA multimodal similares representa un cambio fundamental en cómo los motores de búsqueda comprenden y entregan información. Al procesar múltiples formatos e idiomas simultáneamente, estos sistemas pueden proporcionar resultados más completos, contextuales y útiles. Para las marcas y los creadores de contenido, el éxito en este nuevo panorama requiere ir más allá de la optimización tradicional de palabras clave para adoptar estrategias de contenido multimodal, temáticamente integrales y semánticamente ricas que sirvan a la intención del usuario en múltiples formatos e idiomas.