¿Por qué los datos de búsqueda de Google son tan valiosos para OpenAI?

OpenAI puede entrenar modelos cada vez más potentes, rastrear la web y construir sistemas de búsqueda alrededor de ChatGPT. Lo que resulta bastante más difícil de replicar son más de dos décadas observando cómo buscamos en Internet. Google no solo sabe qué consulta hacemos y qué resultados muestra: también puede observar qué ocurre después, qué resultado recibe una interacción, cómo reformulamos una búsqueda o cuándo seguimos buscando porque probablemente no hemos encontrado lo que necesitábamos.

Parte de esos datos están ahora en el centro de una disputa entre Google y la Unión Europea. La Comisión Europea aprobó en julio las condiciones bajo las que Google debe proporcionar a otros motores de búsqueda acceso a determinados datos anonimizados de Search en virtud de la Ley de Mercados Digitales (DMA). La decisión incluye también a chatbots de inteligencia artificial que ofrecen funcionalidades de búsqueda, por lo que empresas como OpenAI podrían estar entre los beneficiarios. Google ha recurrido la medida y esta semana ha pedido al Tribunal General de la Unión Europea que suspenda su aplicación mientras se resuelve el procedimiento.

A primera vista puede parecer que Europa está obligando a Google a enseñar a sus competidores cómo funciona su buscador. No es exactamente eso. Google no tiene que compartir su algoritmo de ranking ni entregar la tecnología que utiliza para ordenar los resultados. Lo que contempla la decisión europea son datos de consultas, visualizaciones, ranking e interacciones de los usuarios. Y cuando se mira con algo más de detalle qué incluye cada categoría se entiende mejor por qué pueden resultar tan valiosos para alguien que intenta construir una alternativa a Google.

No es el algoritmo, son los datos que deja cada búsqueda

La información sobre consultas no se limita necesariamente a aquello que escribimos inicialmente en el cuadro de búsqueda. La documentación europea contempla también las modificaciones posteriores de esas consultas y determinados metadatos que Google utiliza para optimizar Search. A esto se suma información sobre qué URLs y elementos se mostraron realmente, qué posición ocupaban, cuál era su prominencia dentro de la página y cómo interactuó posteriormente el usuario con ellos.

Esta última parte me parece especialmente interesante. La decisión habla del tipo de interacción, su momento, el orden en el que se producen las acciones y, cuando sea relevante, su duración. También contempla la ausencia de interacción. Evidentemente, una acción individual no permite saber por qué una persona hizo algo y sería un error interpretar cada clic como una señal inequívoca de satisfacción. El valor aparece cuando ese comportamiento puede analizarse de forma agregada en cantidades enormes de búsquedas.

Pensemos en una consulta como mejor portátil para programar. Google muestra varios resultados, el usuario entra en uno, vuelve al buscador, visita otro y después modifica su consulta por portátil programar 32 gb ram. El primer término ya contiene información sobre la intención, pero la secuencia completa cuenta bastante más. Algo en los resultados anteriores no terminó de resolver la necesidad o hizo que el usuario concretara lo que estaba buscando. No sabemos exactamente qué ocurrió en su cabeza, pero el sistema sí puede observar cómo evolucionó la búsqueda.

Un buen LLM no es automáticamente un buen buscador

Aquí aparece una diferencia que a veces se pierde cuando hablamos de la competencia entre Google y los nuevos buscadores basados en IA. Un modelo puede tener muchísimo conocimiento, interpretar preguntas complejas y generar una respuesta excelente, pero construir un sistema de recuperación de información implica resolver problemas diferentes. Hay que decidir qué documentos recuperar, cuáles descartar, cómo ordenarlos y qué información parece responder mejor a una intención concreta.

Un competidor puede rastrear Internet y construir su propio índice. También puede utilizar embeddings, modelos de lenguaje y otros sistemas para entender mejor los documentos y relacionarlos con una consulta. Lo difícil de reproducir rápidamente es el bucle que Google lleva años ejecutando: mostrar resultados a miles de millones de usuarios y observar qué ocurre después.

Esto no significa que Google utilice cada clic como un factor directo de ranking ni que podamos deducir su algoritmo a partir de estos datos. De hecho, la discusión sobre cómo utiliza Google las señales de interacción es bastante más compleja. Pero tampoco hace falta asumir eso para entender su valor. Un conjunto suficientemente grande de consultas, resultados e interacciones permite estudiar cómo se comportan usuarios reales cuando intentan encontrar información, y eso es útil para mejorar cualquier sistema de búsqueda.

La propia Comisión Europea apunta precisamente a esta ventaja. Su argumento es que la escala de Google le proporciona una cantidad de datos de usuarios difícil de igualar para un competidor y que esos datos pueden utilizarse para seguir mejorando el servicio, reforzando a su vez la posición del buscador. La obligación de compartir una parte anonimizada pretende reducir esa barrera de entrada.

Las reformulaciones pueden ser incluso más interesantes que los clics

Hay un detalle de la decisión que me parece especialmente relevante ahora que las búsquedas empiezan a mezclarse con interfaces conversacionales: las modificaciones de las consultas.

Quien trabaja habitualmente con Search Console conoce bien el problema. Podemos analizar miles de queries, agruparlas, detectar patrones e intentar reconstruir intenciones, pero normalmente estamos viendo búsquedas como unidades independientes. Resulta mucho más difícil saber que una persona empezó buscando viaje japón, continuó con ruta japón 15 días y terminó preguntando jr pass merece la pena. Vistas por separado son tres consultas. Vistas como una secuencia describen bastante mejor cómo una necesidad se va concretando.

Y aquí hay una conexión interesante con ChatGPT. Una conversación funciona de una forma parecida: hacemos una primera pregunta, recibimos información, añadimos contexto, corregimos algo y volvemos a preguntar. La interfaz es distinta, pero en ambos casos existe una intención que se va definiendo mediante sucesivas interacciones.

No tengo tan claro que los clics sean necesariamente la parte más interesante de los datos que Google podría tener que compartir. Entender cómo millones de usuarios reformulan sus búsquedas después de ver determinados resultados puede ser especialmente útil para sistemas que precisamente están intentando convertir la búsqueda en una conversación.

El problema es que las búsquedas también contienen información muy sensible

Google sostiene que compartir estos datos plantea riesgos para la privacidad de los usuarios europeos. Y no es una preocupación difícil de entender. Probablemente pocas cajas de texto reciben información tan sensible como un buscador: problemas médicos, cuestiones económicas, ubicaciones, nombres, relaciones personales o preguntas que una persona no introduciría en prácticamente ningún otro sitio.

La Comisión exige que los datos sean anonimizados y sostiene que el mecanismo incorpora salvaguardas de privacidad y seguridad. Además, lo que recibirían los competidores no sería una reproducción de todos los datos internos de Google. La propia documentación reconoce que se trata de un subconjunto que debe sufrir modificaciones importantes para cumplir los requisitos de anonimización. Google considera que estas medidas no son suficientes y ha llevado la cuestión ante la justicia europea.

Por eso tampoco podemos plantear esto como si mañana OpenAI fuese a recibir una base de datos con todo lo que buscan los usuarios de Google. Ni sabemos exactamente cuánto valor conservarán esos datos después del proceso de anonimización ni qué podrá extraerse realmente de ellos. Esa será probablemente una de las cuestiones más interesantes si finalmente el acceso llega a producirse.

Hay una ventaja de Google que no se puede rastrear con un crawler

Cuando pensamos en competir con Google solemos pensar en infraestructura, capacidad de rastreo, tamaño del índice o calidad del algoritmo. Todas son barreras enormes, pero los datos de comportamiento introducen otra bastante menos visible.

Puedes construir otro crawler. Puedes descargar una parte enorme de Internet. Puedes generar embeddings de esos documentos y utilizar un LLM para decidir cuáles parecen relevantes para una pregunta. Incluso puedes desarrollar un modelo mejor que el de Google en determinadas tareas. Lo que no puedes descargar de Internet son las décadas de interacciones entre personas, consultas y resultados que se han producido dentro del buscador.

Quizá por eso esta disputa es bastante más interesante de lo que parece inicialmente. No estamos hablando simplemente de que Europa obligue a Google a compartir datos con sus competidores. Estamos hablando de decidir si una de las ventajas acumuladas durante más de dos décadas por el buscador debe convertirse, parcialmente y bajo determinadas condiciones, en una infraestructura accesible para quienes intentan competir con él.

Y ahora que ChatGPT, Gemini y otros sistemas están cambiando la forma en la que buscamos información, hay una pregunta que me parece todavía más interesante: ¿qué pesa más para construir el próximo gran buscador, tener el mejor modelo o haber observado durante años cómo busca la gente?