Re-ranking y SEO

TL;DR — El reranking es una segunda mirada. Un sistema de búsqueda o IA primero obtiene un gran montón de páginas posiblemente relevantes de forma rápida y aproximada, luego un modelo más lento e inteligente vuelve a puntuar esa lista corta y coloca las mejores arriba — antes de que veas los resultados o antes de que una IA escriba su respuesta. Ser incluido en la lista corta no es suficiente; también tienes que sobrevivir al reordenamiento.

Qué es el reranking

El reranking aplica una segunda etapa de puntuación a los candidatos producidos por un recuperador inicial. Evidence for this claim A cross-encoder can score query-document pairs for reranking after an initial retrieval stage. Scope: Sentence-BERT evaluation and related retrieve-then-rerank use; cross-encoders are one reranking approach, not a universal implementation. Confidence: high · Verified: 2026-07-14 Reimers and Gurevych: Sentence-BERT Los cross-encoders son un enfoque, no la definición de todo reranker. Evidence for this claim A rerank model can reorder an existing candidate list by relevance to a query. Scope: Cohere's Rerank product behavior; inputs, limits, and scoring semantics are vendor-specific. Confidence: high · Verified: 2026-07-14 Cohere: Rerank overview

Imagina que estás contratando y llegan 500 currículos. No lees los 500 con atención — nunca terminarías. Así que haces un vistazo rápido primero, sacas los 20 que parecen prometedores, y luego lees esos 20 de cerca para clasificarlos. Ese proceso de dos pasos es exactamente cómo los sistemas modernos de búsqueda e IA encuentran contenido relevante.

• Paso uno — recuperación. El sistema hace un pase rápido y barato sobre un índice enorme y devuelve un conjunto de candidatos de páginas o pasajes que parecen relevantes. Lanza una red amplia.
• Paso dos — reranking. Un segundo modelo, más lento y más cuidadoso, mira solo esa lista corta y vuelve a puntuar cada candidato según lo bien que realmente responde a la consulta, y luego los reordena.

Solo la parte superior de esa lista reordenada se te muestra, o se entrega a una IA para que escriba una respuesta a partir de ella. Así que la lista corta decide quién está en la carrera, y el rerank decide quién gana.

¿Por qué hacerlo en dos pasos?

Porque la lectura cuidadosa es costosa. El modelo preciso que juzga “¿qué tan bien responde esta página exacta a esta pregunta exacta?” es demasiado lento para ejecutarse en cada página de un índice de mil millones de páginas. Así que los sistemas recuperan ampliamente con algo barato, y luego gastan el modelo costoso solo en la lista corta. Rápido y aproximado para reducir, lento y preciso para terminar.

Por qué es importante para ti

Ser recuperado en la lista corta es necesario pero no suficiente. Tu página puede estar en el índice, ser incluida en el conjunto de candidatos, y aun así no pasar el corte final si el reranker decide que otros resultados responden mejor a la pregunta.

La conclusión práctica es una que ya has escuchado antes, ahora con una razón más clara: escribe pasajes que respondan a una pregunta específica de forma clara, por sí solos. El reranker mira tu pasaje junto con la consulta y puntúa qué tan bien coinciden. Una sección que se lee como una respuesta directa y autónoma puntúa mejor que una que solo tiene sentido después de haber leído tres párrafos anteriores.

¿Quieres los mecanismos reales — bi-encoders vs cross-encoders, cómo Google y Bing hacen esto, dónde encaja en la búsqueda con IA, y por qué no es lo mismo que la Fusión de Rango Recíproco? Cambia a la pestaña Avanzado.

TL;DR — El reranking es la segunda etapa de un pipeline de recuperación de dos etapas (o multi-etapa): un pase de recuperación barato y amplio (coincidencia de palabras clave BM25, similitud de vectores/embeddings, o ambos) obtiene un conjunto de candidatos, luego un modelo más lento y más preciso vuelve a puntuar y reordena esa lista corta. El mecanismo central es bi-encoder vs cross-encoder — un bi-encoder codifica la consulta y el documento por separado en vectores y los compara (rápido, precomputable, menos preciso); un cross-encoder los codifica juntos y genera una puntuación de relevancia por par (más lento, no se puede precomputar, más preciso). No puedes ejecutar un cross-encoder sobre todo un corpus, así que recuperas ampliamente y rerankeas la lista corta. Google no dice “reranking” públicamente, pero BERT y el ranking de pasajes hacen el trabajo; Microsoft documenta un reranker explícito derivado de Bing en Azure AI Search. Reranking ≠ Fusión de Rango Recíproco (RRF). Conclusión para SEO: los rerankers puntúan pares consulta-pasaje de forma conjunta, así que los pasajes autónomos y sin ambigüedad ganan.

El patrón de recuperar y luego rerankear

La recuperación en dos etapas equilibra la amplitud de candidatos con una puntuación más costosa. Evidence for this claim A cross-encoder can score query-document pairs for reranking after an initial retrieval stage. Scope: Sentence-BERT evaluation and related retrieve-then-rerank use; cross-encoders are one reranking approach, not a universal implementation. Confidence: high · Verified: 2026-07-14 Reimers and Gurevych: Sentence-BERT La elección del modelo y las compensaciones entre latencia y calidad son específicas de la implementación. Evidence for this claim A rerank model can reorder an existing candidate list by relevance to a query. Scope: Cohere's Rerank product behavior; inputs, limits, and scoring semantics are vendor-specific. Confidence: high · Verified: 2026-07-14 Cohere: Rerank overview

Todo sistema de relevancia a gran escala se enfrenta al mismo problema: no puedes permitirte ejecutar tu modelo de relevancia más preciso sobre todo tu corpus. Así que la solución estándar es dividir el trabajo en etapas. La documentación de búsqueda de Google Cloud lo expresa claramente: “In short, retrieval is finding relevant documents, while ranking is ordering those retrieved documents. Ranking all the available documents can be computationally expensive. Therefore, retrieval and ranking work sequentially.” (traducción) «En resumen, la recuperación encuentra documentos pertinentes y la clasificación ordena los documentos recuperados. Ordenar la totalidad de los documentos disponibles puede resultar demasiado costoso en términos computacionales. Por eso, recuperación y clasificación funcionan de forma secuencial». (Google Cloud, «Acerca de la recuperación y la clasificación»)

Etapa uno — recuperación — lanza una red amplia de forma económica. Utiliza coincidencia léxica (BM25 sobre un índice invertido), búsqueda vectorial basada en embeddings, o una combinación de ambas, y devuelve un conjunto de candidatos. Etapa dos — reordenamiento — toma esa lista corta y vuelve a puntuar cada candidato con un modelo más costoso y de mayor precisión, y luego reordena. La versión en una línea en la que todos coinciden: recupera de forma económica y amplia, reordena con precisión sobre un conjunto pequeño, y luego sirve o genera.

Bi-encoders vs cross-encoders: el mecanismo central

Todo el tema depende de una distinción arquitectónica — cuándo se encuentran la consulta y el documento.

• Bi-encoder (el recuperador de primera etapa). Codifica la consulta y cada documento por separado, cada uno en su propio vector, y luego compara los dos vectores con algo como la similitud del coseno. Como los vectores de documento no dependen de la consulta, puedes calcularlos e indexarlos de antemano, lo que hace que la recuperación sea lo suficientemente rápida como para ejecutarse sobre todo un corpus. El costo: la consulta y el documento nunca interactúan realmente, por lo que el modelo tiene que, en efecto, comprimir todos los significados posibles de un documento en un solo vector — y los matices se pierden. Los bi-encoders son la base de los embeddings y la búsqueda vectorial.
• Cross-encoder (el reordenador de segunda etapa). Codifica la consulta y un documento candidato juntos, como una única entrada conjunta a través de un transformer, y genera una puntuación de relevancia única para ese par. Como el modelo ve ambos a la vez, puede sopesar directamente cómo se relacionan las palabras específicas de la consulta con las palabras específicas del documento — mucho más preciso. El costo: nada se puede precalcular. Cada par consulta-documento tiene que pasar por el modelo en el momento de la consulta, por lo que es demasiado lento para aplicarlo a un índice completo. Es precisamente por eso que se reserva para la lista corta.

Google, notablemente, describe este mecanismo exacto con sus propias palabras. En la documentación de recuperación/clasificación de Google Cloud, una de las señales de recuperación listadas es cross-attention, definida como algo que “allows a model to consider the relationship between a query and a document to assign a relevance score to the document.” (traducción) «permite que un modelo considere la relación entre una consulta y un documento para asignar una puntuación de relevancia al documento.» Esa es la idea del cross-encoder bajo un nombre diferente.

¿Por qué no usar simplemente el modelo preciso en todo?

La latencia y el costo lo hacen inviable a escala, y la diferencia es enorme, no marginal. El artículo de Pinecone sobre la recuperación en dos etapas le pone un número concreto: en un conjunto de 40 millones de registros, ejecutar un reordenador cross-encoder estilo BERT sobre todo en una GPU V100 llevaría más de 50 horas, frente a menos de 100 milisegundos para la búsqueda vectorial. (Pinecone, «Rerankers y recuperación en dos etapas») Esa es toda la justificación del diseño en dos etapas: obtienes la mayor parte de la precisión del cross-encoder mientras solo pagas su costo en unas pocas docenas o unos pocos cientos de candidatos.

Vectara plantea el mismo mito directamente — la cuestión de por qué no puntuar todos los documentos con el modelo más preciso si está disponible — y la respuesta es la misma: no puedes, así que filtras de forma económica primero. (Vectara, “What is reranking and why does it matter?”)

Cómo lo hace Google

Google nunca ha publicado una declaración oficial usando los términos “reranking”, “cross-encoder” o “bi-encoder” sobre el propio Google Search — vale la pena decirlo claramente para no exagerar. Pero la función está documentada bajo otros nombres.

La propia Guía de sistemas de clasificación de búsqueda de Google nombra dos sistemas que hacen el trabajo de reranking:

• BERT — “an AI system Google uses that allows us to understand how combinations of words express different meanings and intent.” (traducción) «un sistema de IA que Google usa y que nos permite entender cómo las combinaciones de palabras expresan diferentes significados e intenciones». BERT lee conjuntamente las palabras de una consulta en contexto; un reranker basado en BERT puntúa la relevancia consulta-documento de la misma manera que un cross-encoder.
• Passage ranking — “an AI system we use to identify individual sections or ‘passages’ of a web page to better understand how relevant a page is to a search.” (traducción) «un sistema de IA que usamos para identificar secciones individuales o “pasajes” de una página web para entender mejor cuán relevante es una página para una búsqueda». Eso es reranking a nivel de pasaje en lugar de a nivel de página (consulta passage ranking para el análisis profundo).
• RankBrain — el sistema anterior de Google que “helps us understand how words are related to concepts,” (traducción) «nos ayuda a entender cómo se relacionan las palabras con los conceptos», por lo que puede devolver contenido relevante incluso sin palabras de coincidencia exacta.

Google Research también ha publicado el mecanismo directamente: su artículo Learning-to-Rank with BERT in TF-Ranking describe la codificación de consultas y documentos con BERT y la aplicación de una capa de aprendizaje para clasificar encima, y lo enmarca explícitamente como re-ranking de pasajes — reportando el mejor rendimiento en la tarea de re-ranking de pasajes de MS MARCO a partir del 30 de marzo de 2020. Eso es una publicación de Google Research más que una guía de producto de Search Central, así que trátalo como la investigación técnica de Google, no como una declaración sobre el pipeline de búsqueda en vivo.

Un número que vale la pena matizar: el marco de “reducir a los 1 000 resultados principales y luego reordenarlos” que circula ampliamente en SEO se remonta a la interpretación de mi propia presentación de conferencia sobre investigación pública y patentes — no a una declaración actual y literal de Google sobre la Búsqueda web. El producto de búsqueda empresarial de Google Cloud sí documenta un pipeline concreto (“the model retrieves documents in the order of thousands… The ranking model then orders the retrieved documents and serves the top 400 ranked results” (traducción) «el modelo recupera documentos en el orden de miles… El modelo de clasificación luego ordena los documentos recuperados y sirve los 400 resultados clasificados principales»), pero eso es el producto Vertex AI Search, no la Búsqueda web de Google. No asumas que ni el 1 000 ni el 400 se aplican al propio Google Search.

Cómo lo hace Bing/Microsoft

Microsoft es mucho más explícito, y su documentación más clara es lo más cercano a una descripción oficial de un reranker de producción que encontrarás. El semantic ranker de Azure AI Search está documentado como “a feature that measurably improves search relevance by using Microsoft’s language understanding models to rerank search results” (traducción) «una característica que mejora mediblemente la relevancia de búsqueda al usar los modelos de comprensión del lenguaje de Microsoft para reordenar los resultados de búsqueda» — y crucialmente, “the underlying technology is from Bing and Microsoft Research.” (traducción) «la tecnología subyacente proviene de Bing y Microsoft Research».

La mecánica se ajusta claramente al patrón de dos etapas:

• “always adds secondary ranking over an initial result set that was scored using BM25 or Reciprocal Rank Fusion (RRF).” (traducción) «siempre añade una clasificación secundaria sobre un conjunto de resultados inicial que se puntuó mediante BM25 o Reciprocal Rank Fusion (RRF)». La etapa uno es BM25 o RRF; el clasificador semántico es la etapa dos.
• Microsoft llama a esa etapa clasificación L2, que “uses the context or semantic meaning of a query to compute a new relevance score over preranked results.” (traducción) «usa el contexto o significado semántico de una consulta para calcular una nueva puntuación de relevancia sobre resultados previamente ordenados».
• Solo reclasifica la lista corta, nunca todo el corpus: “What semantic ranker can’t do is rerun the query over the entire corpus… Semantic ranking reranks the existing result set, consisting of the top 50 results as scored by the default ranking algorithm.” (traducción) «Lo que el clasificador semántico no puede hacer es volver a ejecutar la consulta sobre todo el corpus… La clasificación semántica reclasifica el conjunto de resultados existente, que consiste en los 50 mejores resultados según la puntuación del algoritmo de clasificación predeterminado». Incluso si vuelven más de 50 resultados, “only the top 50 results progress to semantic ranking.” (traducción) «solo los 50 mejores resultados avanzan a la clasificación semántica».

El propio blog de Bing de mayo de 2026 sobre el papel cambiante del índice no menciona directamente la reclasificación, pero refuerza que la calidad de la recuperación ahora se juzga por la fiabilidad del soporte de respuestas: “Retrieval systems must therefore optimize not just for one-shot retrieval, but for consistent, repeatable behavior across iterative use.” (traducción) «Los sistemas de recuperación deben, por tanto, optimizar no solo para la recuperación de una sola vez, sino para un comportamiento consistente y repetible en el uso iterativo».

Reclasificación en RAG y búsqueda con IA

Aquí es donde la reclasificación toca más directamente a AI Overviews, AI Mode, Copilot, ChatGPT Search y Perplexity. En un pipeline de RAG, la reclasificación es una etapa nombrada entre la recuperación y la generación: el contenido se divide en fragmentos, cada fragmento se incrusta y almacena, la consulta recupera fragmentos cercanos por similitud vectorial, un reclasificador vuelve a puntuar esos candidatos, y solo los mejores supervivientes se entregan al LLM como contexto. El reclasificador es la puerta entre “tu pasaje fue recuperado” y “tu pasaje fue realmente usado”.

Esa puerta puede ser estricta. En los sistemas de búsqueda con IA, solo una fracción de las fuentes recuperadas suele superar el umbral de reclasificación para entrar en la etapa de generación — así que ser incluido en el grupo de candidatos es el precio de entrada, no una garantía de cita. Como la propia investigación de Ahrefs sobre optimización para búsqueda con LLM plantea el problema central: “AI companies don’t reveal how LLMs select sources, so it’s hard to know how to influence their outputs.” (traducción) «Las empresas de IA no revelan cómo los LLM seleccionan las fuentes, por lo que es difícil saber cómo influir en sus resultados». La reclasificación es una gran parte de ese paso de selección oculto.

Reclasificación vs. Reciprocal Rank Fusion (RRF)

Estos se confunden constantemente — incluso en contenido SEO que por lo demás es bueno — y no son el mismo mecanismo.

• Reclasificación vuelve a puntuar un grupo de candidatos evaluando conjuntamente cada par consulta-documento con un solo modelo (el cross-encoder). Pregunta: ¿qué tan relevante es este documento para esta consulta, realmente?
• Reciprocal Rank Fusion (RRF) fusiona múltiples listas ya clasificadas — por ejemplo, los resultados de BM25 y los resultados de búsqueda vectorial, o los resultados de varias subconsultas en abanico — recompensando los documentos que aparecen de manera consistente en las listas. El explicador de Query Fan-Out de Ahrefs lo describe: las consultas en abanico se buscan en los índices “using reciprocal rank fusion (RRF) — a method that scores and merges multiple lists of results by rewarding those that appear consistently across them.” (traducción) «usando reciprocal rank fusion (RRF) — un método que puntúa y fusiona múltiples listas de resultados recompensando aquellos que aparecen de manera consistente en ellas».

Ambos pueden vivir en el mismo pipeline — el clasificador semántico de Azure literalmente reclasifica sobre un conjunto clasificado por BM25 o RRF — pero RRF es un paso de fusión de listas (ningún modelo lee tu contenido), mientras que la reclasificación es un paso de puntuación de contenido (un modelo lee la consulta y tu pasaje juntos). Si te llevas una aclaración: RRF combina listas; la reclasificación vuelve a leer contenido.

Una breve historia: BM25 → RankBrain → BERT → reclasificadores LLM

La reclasificación no es nueva — es el nombre moderno de un patrón que la búsqueda ha usado durante años. El hilo conductor, que recorro en mi charla de Ahrefs Evolve 2025 ¿GEO? ¿AEO? ¿LLMO? ¿A qué viene todo esto de la IA?:

• BM25 / recuperación léxica — la puntuación clásica de coincidencia de palabras clave que aún realiza el primer filtrado amplio.
• RankBrain (2016) — el primer sistema de clasificación de Google basado en aprendizaje automático, que entiende las palabras como conceptos.
• BERT / DeepRank (2019) — comprensión contextual del lenguaje a nivel de pasaje; comienza la era de la reclasificación estilo cross-encoder.
• Reclasificadores modernos basados en LLM (RankEmbed y cross-encoders de la era RAG) — los reclasificadores neuronales ahora se sitúan entre la recuperación y la generación en la búsqueda con IA.

La forma consistente en todos ellos: primero una recuperación amplia y barata, después una reordenación precisa y costosa de una lista corta.

Qué significa esto para el contenido y el SEO

Debido a que un cross-encoder puntúa la consulta y tu pasaje conjuntamente, las implicaciones prácticas refuerzan las mejores prácticas que ya conoces — ahora con un mecanismo detrás:

• Escribe pasajes autocontenidos. Un reclasificador puntúa un pasaje en gran medida por sus propios méritos frente a la consulta. Una sección que solo tiene sentido en el contexto de los tres párrafos anteriores puntúa peor que una que se lee como una respuesta completa. Esto se relaciona directamente con clasificación de pasajes y fragmentación.
• Responde a la pregunta específica, cerca del inicio de la sección. Las respuestas directas puntúan mejor que la introducción gradual. Pon la respuesta primero y luego desarrolla.
• Minimiza la ambigüedad. Los pronombres y las frases dependientes del contexto (“como se mencionó anteriormente”, “este enfoque”) que solo se resuelven en otra parte de la página hacen que un pasaje sea más difícil de puntuar de forma aislada. Nombra la cosa.
• La recuperación sigue siendo el requisito previo. La reclasificación solo ve lo que la recuperación le entrega. Una página que no puede ser rastreada e indexada, o que nunca se recupera, nunca llega al reclasificador. Arregla primero la visibilidad; optimiza los pasajes después.

Nada de esto es un ajuste que envíes a Google. Es el mismo consejo de “sé claro y sé encontrado”, dirigido a la etapa específica — la segunda mirada — que decide qué contenido recuperado se utiliza realmente.

Resumen de IA

Una versión condensada de la versión avanzada:

• La reclasificación = etapa dos de un pipeline de recuperación. La etapa uno recupera un conjunto de candidatos de forma barata y amplia (BM25, búsqueda vectorial o híbrida); la etapa dos vuelve a puntuar y reordena esa lista corta con un modelo más lento y preciso antes de que los resultados se sirvan o se alimenten a un LLM.
• Bi-encoder vs cross-encoder es el mecanismo central. Un bi-encoder codifica la consulta y el documento por separado en vectores y los compara — rápido, precomputable, menos preciso; es el recuperador. Un cross-encoder los codifica juntos y genera una puntuación de relevancia por par — más lento, no se puede precomputar, más preciso; es el reclasificador.
• Por qué dos etapas: el modelo preciso es demasiado lento para ejecutarse sobre todo un corpus. Pinecone: un cross-encoder sobre 40M de registros ≈ 50+ horas frente a menos de 100ms para la búsqueda vectorial. Recupera barato, reclasifica la lista corta.
• Google no dice “reclasificación” públicamente, pero BERT y clasificación de pasajes hacen el trabajo, y los documentos de Google Cloud enumeran atención cruzada (la idea del cross-encoder). La cifra “top 1,000 then reorder” (traducción) «los 1 000 primeros y luego reordenar» proviene de la presentación de Patrick que interpreta investigaciones y patentes, no de una declaración textual actual de Google Search.
• Bing/Microsoft documenta un reclasificador explícito: el clasificador semántico de Azure AI Search (clasificación L2) reclasifica un conjunto clasificado por BM25 o RRF, solo los ~50 mejores resultados, usando tecnología “de Bing y Microsoft Research.”
• En RAG/búsqueda con IA, la reclasificación es la puerta entre “recuperado” y “realmente utilizado” — solo algunas fuentes recuperadas la superan hacia la generación.
• La reclasificación ≠ RRF. RRF fusiona múltiples listas clasificadas; la reclasificación vuelve a puntuar un único grupo de candidatos leyendo la consulta y el pasaje juntos. A menudo se confunden; no son lo mismo.
• Conclusión para SEO: dado que los reclasificadores puntúan pares consulta-pasaje conjuntamente, los pasajes autocontenidos y sin ambigüedad que responden directamente a una pregunta específica puntúan mejor. La recuperación (rastreable + indexada) sigue siendo el requisito previo.

Documentación oficial

Documentación de fuentes primarias sobre recuperación y reordenamiento de los proveedores de búsqueda y nube.

Google

• Acerca de la recuperación y el ranking (Google Cloud / Vertex AI Search) — la descripción oficial más clara de Google sobre la división recuperación→ranking, la señal de atención cruzada y la cifra de los 400 principales (para el producto empresarial, no para la Búsqueda web).
• Una guía de los sistemas de ranking de la Búsqueda de Google — BERT, ranking de pasajes y RankBrain en las propias palabras de Google (los sistemas que hacen el trabajo de reordenamiento en la Búsqueda).
• Aprendizaje para rankear con BERT en TF-Ranking (Google Research) — la propia investigación de Google sobre re-ranking de pasajes con cross-encoders en MS MARCO.

Microsoft / Bing

• Descripción general del ranking semántico — Azure AI Search — la documentación pública más detallada de Microsoft sobre reordenadores: ranking L2 sobre un conjunto BM25/RRF, solo los 50 principales, tecnología “de Bing y Microsoft Research”.
• La ciencia detrás de la búsqueda semántica (Microsoft Research) — la investigación que sustenta el ranker semántico (base BM25 + reordenamiento con Transformers). La fuente emplea el título “science behind semantic search” (traducción) «ciencia detrás de la búsqueda semántica».
• Evolución del rol del índice (Blog de Búsqueda de Bing, mayo de 2026) — fiabilidad de la recuperación para sistemas de respuestas.

Referencias de proveedores / RAG

• Reordenadores y recuperación en dos etapas (Pinecone) — la explicación de la pérdida de información del bi-encoder y el benchmark de latencia de 50 horas frente a 100ms.
• Uso de Cross-Encoders como reordenador (Weaviate) — el marco de “rápido pero menos preciso” frente a “preciso pero lento” y el pipeline multietapa.
• ¿Qué son los reordenadores? (MongoDB) — definición, rol en la búsqueda y optimización de RAG.
• ¿Qué es el reordenamiento y por qué importa? (Vectara) — la pregunta de “¿por qué no usar simplemente el modelo caro en todo?”.

Citas de la fuente

Declaraciones registradas de Google y Microsoft. Cada enlace es un enlace profundo que salta al pasaje citado en la página de origen.

Google Cloud — la división recuperación-luego-ranking

• “In short, retrieval is finding relevant documents, while ranking is ordering those retrieved documents. Ranking all the available documents can be computationally expensive. Therefore, retrieval and ranking work sequentially.” (traducción) «En resumen, la recuperación consiste en encontrar documentos relevantes, mientras que el ranking ordena esos documentos recuperados. Clasificar todos los documentos disponibles puede ser computacionalmente costoso. Por lo tanto, la recuperación y el ranking funcionan secuencialmente.» — Google Cloud, “Acerca de la recuperación y el ranking.” Ir a la cita

Google Search Central — los sistemas que hacen el trabajo de reordenamiento

• “Bidirectional Encoder Representations from Transformers (BERT) is an AI system Google uses…” (traducción) «Las representaciones de codificador bidireccional de Transformers (BERT) son un sistema de IA que Google utiliza…» — Google Search Central, “Una guía de los sistemas de ranking de la Búsqueda de Google.” Ir a la cita
• “Passage ranking is an AI system we use to identify individual sections or ‘passages’ of a web page…” (traducción) «El ranking de pasajes es un sistema de IA que utilizamos para identificar secciones individuales o “pasajes” de una página web…» — Google Search Central, misma guía. Ir a la cita

Microsoft — un reordenador explícito derivado de Bing

• “In Azure AI Search, semantic ranker is a feature that measurably improves search relevance by using Microsoft’s language understanding models to rerank search results.” (traducción) «En Azure AI Search, el clasificador semántico es una función que mejora de forma medible la relevancia de la búsqueda al usar los modelos de comprensión del lenguaje de Microsoft para reclasificar los resultados de la búsqueda.» — Microsoft Learn, «Información general sobre la clasificación semántica». Ir a la cita
• “What semantic ranker can’t do is rerun the query over the entire corpus to find semantically relevant results. Semantic ranking reranks the existing result set, consisting of the top 50 results as scored by the default ranking algorithm.” (traducción) «Lo que el clasificador semántico no puede hacer es volver a ejecutar la consulta sobre todo el corpus para encontrar resultados semánticamente relevantes. La clasificación semántica reclasifica el conjunto de resultados existente, que consta de los 50 mejores resultados según la puntuación del algoritmo de clasificación predeterminado.» — Microsoft Learn, misma página.

Bing: recuperación para sistemas de respuestas

• “Retrieval systems must therefore optimize not just for one-shot retrieval, but for consistent, repeatable behavior across iterative use.” (traducción) «Por lo tanto, los sistemas de recuperación deben optimizarse no solo para la recuperación de una sola vez, sino para un comportamiento coherente y repetible en el uso iterativo.» — Krishna Madhavan, Knut Risvik, Meenaz Merchant (Microsoft AI), Bing Search Blog, mayo de 2026. Leer la fuente

Los modelos mentales

1. Recupera amplio, reclasifica con precisión. La primera etapa lanza una red amplia y barata; la segunda lee la lista corta con cuidado. Cuando una respuesta de IA o un resultado de búsqueda no incluye tu página, pregunta qué etapa la descartó: ¿nunca fuiste recuperado en el conjunto de candidatos, o fuiste recuperado pero reclasificado por debajo del corte? Son problemas diferentes con soluciones diferentes (capacidad de descubrimiento frente a claridad del pasaje).

2. Bi-encoder frente a cross-encoder: separado frente a conjunto. Un bi-encoder codifica la consulta y el documento por separado y compara vectores: rápido, indexable, con pérdida. Un cross-encoder los codifica juntos y puntúa el par: lento, exacto, no se puede precalcular. La recuperación usa el primero; la reclasificación usa el segundo. Esa única distinción de «separado frente a conjunto» explica todo el equilibrio entre velocidad y precisión.

3. El modelo caro solo se justifica en una lista corta. No puedes ejecutar un cross-encoder sobre mil millones de páginas (más de 50 horas en 40 millones de registros). El diseño de dos etapas existe precisamente para pagar el costo del modelo preciso en docenas o cientos de candidatos, no en todo el corpus. Esa restricción es la razón por la que la reclasificación es una etapa separada.

4. Reclasificación ≠ RRF. La fusión de rangos recíprocos combina múltiples listas clasificadas (BM25 + vector, o subconsultas en abanico) al recompensar el acuerdo entre listas; ningún modelo lee tu contenido. La reclasificación vuelve a puntuar un solo grupo al leer la consulta y el pasaje juntos. RRF combina listas; la reclasificación vuelve a leer el contenido.

5. Misma función, nombres diferentes. «Reclasificación» es vocabulario de proveedores/ML. Google llama a sus versiones BERT y clasificación de pasajes; Microsoft llama a su versión clasificador semántico / clasificación L2. La ausencia de la palabra en los documentos de Search Central no es ausencia de la función.

6. La regla de decisión sobre el contenido. No hay un control de reclasificación que enviar. Pregunta en su lugar: ¿este pasaje responde a una pregunta específica con claridad, por sí solo, sin depender del resto de la página? Si es así, puntúa bien cuando un cross-encoder lo lee junto a la consulta. Si necesita el contexto circundante para tener sentido, no lo hace.

Reclasificación: hoja de referencia

Qué es en una línea La segunda etapa de la recuperación: volver a puntuar y reordenar una lista corta recuperada con un modelo más lento y preciso antes de servir o generar.

Bi-encoder frente a cross-encoder

Quién hace qué (por nombre)

Reordenamiento vs RRF

Datos rápidos

• El diseño de dos etapas existe porque los cross-encoders son demasiado lentos para un corpus completo: ~más de 50 horas (40M registros) frente a <100ms para la búsqueda vectorial (Pinecone).
• Google nunca usa públicamente “reranking”/“cross-encoder”/“bi-encoder” para la Búsqueda web en sí — BERT y la clasificación de pasajes son los equivalentes nombrados.
• El clasificador semántico de Azure solo reordena los top ~50 resultados recuperados, nunca todo el corpus.
• La cifra de “top 1,000 y luego reordenar” proviene de la presentación de Patrick que lee investigaciones públicas / patentes — no es una declaración textual de Google Search.

Mi página no aparece — ¿es recuperación o reordenamiento?

Una forma rápida de localizar qué etapa está fallando antes de cambiar nada. El reordenamiento y la recuperación son problemas diferentes; arreglar el equivocado desperdicia esfuerzo.

Inicio: ¿está la página indexada en absoluto?

• No → Es un problema de rastreo/índice, anterior a ambos. Arregla rastreo e indexación primero — nada llega a la recuperación o al reordenamiento hasta que la página esté en el índice.
• Sí → continúa.

¿La página se clasifica / se recupera para la consulta amplia en absoluto (aunque sea baja)?

• No, no aparece en ningún lado → Esto parece un fallo de recuperación: el recuperador de primera etapa no te está incluyendo en el conjunto de candidatos. Trabaja en la relevancia temática, en ser una coincidencia genuina para el significado de la consulta (embeddings / búsqueda semántica), y en enlaces internos y autoridad para que seas un candidato en absoluto.
• Sí, apareces pero bajo / no citado → Esto parece un fallo de reordenamiento: estás en la lista corta pero puntuado por debajo del corte. Continúa.

¿La sección relevante se lee como una respuesta autocontenida a la consulta específica?

• No — depende del contexto circundante, usa pronombres ambiguos, entierra la respuesta → Este es el arreglo de mayor apalancamiento. Reescribe el pasaje para responder la pregunta específica directamente, cerca del inicio de la sección, sin depender del resto de la página (ver clasificación de pasajes y fragmentación).
• Sí — ya es una respuesta limpia y directa → Probablemente estás perdiendo por autoridad / competencia, no por claridad. Fuentes competidoras más fuertes y autoritativas están siendo reordenadas por encima de ti; la palanca ahí es E-E-A-T y enlaces, no más reescritura.

Regla general: no aparece en ningún lado → recuperación; presente pero no elegido → reordenamiento. No reescribas pasajes para arreglar una página que nunca fue recuperada, y no persigas enlaces para arreglar un pasaje que se lee mal de forma aislada.

Anti-patrones de reordenamiento

Formas comunes en que las personas malinterpretan o usan mal el concepto.

Tratar “recuperado” como “listo”. Ser incluido en el conjunto de candidatos es el comienzo, no el final. El reranker aún tiene que puntuarte por encima del corte. Optimizar solo para la recuperación (ser encontrado) e ignorar la claridad del pasaje (sobrevivir al reranking) deja resultados sobre la mesa.

Confundir el reranking con la fusión de rango recíproco. RRF combina múltiples listas clasificadas por acuerdo entre listas; el reranking vuelve a puntuar un grupo leyendo consulta + pasaje juntos. El contenido que “gana RRF” (aparece en muchas listas) y el contenido que “gana el reranking” (se lee como la mejor respuesta) no son lo mismo. Mucha escritura SEO que por lo demás es buena difumina estos conceptos — no lo hagas.

Asumir que el número “top 1,000 → reordenar” se aplica a la búsqueda web de Google. Esa cifra proviene de la interpretación de mi propia presentación de la investigación y patentes públicas. El proceso documentado de “miles recuperados, top 400 servidos” es el producto de búsqueda empresarial de Google Cloud, no la búsqueda web de Google. Cita el mecanismo, matiza los números específicos.

Trocear el contenido en fragmentos diminutos “para el reranker”. El reranking recompensa pasajes que se leen como respuestas completas y autocontenidas — no confeti. La sobre-fragmentación destruye el contexto que hace que un pasaje sea puntuable. Una estructura clara de H2/H3 con una respuesta directa por sección se divide bien por sí sola; no necesitas destrozar la página.

Creer que “si Google no dice ‘reranking’, no está sucediendo”. El vocabulario difiere de la función. El BERT y el ranking de pasajes de Google, y el ranker semántico de Microsoft, hacen exactamente este trabajo. La ausencia de la palabra no es ausencia del mecanismo.

Pensar que un cross-encoder “reemplaza” la búsqueda vectorial. Son secuenciales, no competitivos. Los cross-encoders son demasiado lentos para ejecutarse sobre un corpus completo, por lo que la recuperación bi-encoder / vectorial sigue siendo necesaria como etapa uno. Necesitas ambos.

Ponte a prueba: Reranking

Cinco preguntas rápidas sobre cómo el reranking reordena los resultados recuperados. Elige una respuesta para cada una, y luego comprueba.

Recursos que valen tu tiempo

Mis escritos y charlas relacionados

• GEO? AEO? LLMO? ¿Qué es todo este asunto de la IA? — mi charla en Ahrefs Evolve 2025 sobre el linaje BM25 → RankBrain → BERT/DeepRank → RankEmbed en el que se inserta el reranking. (Versión en YouTube.)
• Cómo funciona la búsqueda (SlideShare) — mi explicación del rastreo, renderizado, indexación y ranking, incluida la etapa de recuperar y luego reordenar (“ajustes posteriores a la recuperación”). Se aplica mi descargo de responsabilidad habitual: esta es mi comprensión de estos sistemas, no un relato garantizado completo o perfectamente preciso, y los números exactos del conjunto de candidatos son mi lectura de la investigación y patentes públicas.

Mis charlas (búsqueda de IA más amplia)

• Lo que realmente sabemos sobre optimizar para la búsqueda LLM — el artículo de Ahrefs que utiliza mi investigación; enmarca cuán poco revelan las empresas de IA sobre cómo se seleccionan las fuentes (el paso del que el reranking forma parte).

Del sector

• Rerankers y recuperación en dos etapas (Pinecone): la explicación de la pérdida de información del bi-encoder y el punto de referencia de latencia de 50 horas frente a 100ms.
• Uso de cross-encoders como reranker en la búsqueda vectorial multietapa (Weaviate): el marco claro de “rápido pero menos preciso” frente a “preciso pero lento”.
• ¿Qué son los rerankers? (MongoDB): definición, papel en la búsqueda y cómo encajan los rerankers en RAG.
• ¿Qué es el reranking y por qué es importante? (Vectara): el mito de “¿por qué no usar simplemente el modelo caro para todo?”.
• Descripción general de la clasificación semántica (Microsoft Learn): la documentación pública más clara sobre rerankers de producción, construida explícitamente sobre la tecnología de Bing.
• Inmersión profunda en la arquitectura de búsqueda con IA (Mike King, iPullRank): vincula el reranking con cross-encoders al pipeline inferido de Bing Copilot (trata los detalles específicos de la arquitectura como una inferencia informada, no como declaraciones oficiales de Microsoft).
• ¿Qué es el query fan-out? (Despina Gavoyannis, Ahrefs): cubre la fusión de rango recíproco, el concepto adyacente pero distinto con el que a menudo se confunde el reranking.
• Query fan-out en la búsqueda con IA: qué es y cómo funciona (Search Engine Land): más sobre RRF y la síntesis de fan-out, para la desambiguación.

Registro de cambios