MUVERA (Multi-Vector Retrieval Algorithm) es un paper de investigación de Google publicado en arXiv el 29 de mayo de 2024. Su objetivo es mejorar la eficiencia de la recuperación semántica multivectorial (como la que usa ColBERT), transformándola en un problema de recuperación monovectorial mediante una técnica llamada Fixed Dimensional Encodings (FDEs).
Es decir, se trata de una propuesta técnica para hacer más rápida y escalable la recuperación de documentos sin perder demasiada precisión. Está en fase experimental, el paper no ha sido revisado por pares y no hay confirmación alguna de que se use en producción.
Hay una razón por la que no he mencionado nada de MUVERA en mis canales cuando Google lo anunció, y es que, siendo claros, como SEO, no es algo que te tenga que preocupar en absoluto.
Pero en las últimas semanas he visto con bastante preocupación cómo se está esparciendo la idea de que Google ya está usando MUVERA en producción y esto ha llevado que se está diciendo alegremente que se puede hacer “SEO para MUVERA”. Algunos han llegado a bautizar la actualización core de junio de 2025 como la “MUVERA Update”... ¿Por qué? Porque más o menos coincidía en fechas con el post de Google Research… numerólogos hay en todas partes.
No hay ninguna confirmación oficial de que MUVERA esté en producción. A diferencia de BERT, RankBrain o MUM, donde Google sí comunicó su uso en el ranking, aquí solo hay un paper en arXiv (preprint, sin peer review) y un post en el blog de Google Research. Google publica cientos de papers al año, la inmensa mayoría nunca llega a Search y, ¿te cuento un secreto? No publicar un paper les supone una ventaja competitiva.
Con ColBERT (donde un Googler sí ha hablado de pruebas internas y otro ha insinuado que está producción), o con PLAID (posible sustituto parcial de BM25 en ciertos escenarios), nadie se lanzó a decir que había que optimizar para ellos y cómo hacerlo. Pero ahora con MUVERA, que no deja de ser una evolución técnica a nivel de eficiencia y velocidad de esas mismas ideas, de repente todo el mundo es experto.
Para que te hagas una idea, los FDEs operan en un nivel inaccesible para SEO. El sistema transforma los documentos usando particiones aleatorias del espacio con SimHash y vectores Gaussianos, proyecciones con matrices aleatorias de ±1 y parámetros técnicos (ksim, dproj, Rreps) que son decisiones de ingeniería y que no tienes.
Todo esto se aplica con embeddings de 128 dimensiones generados por modelos neuronales como ColBERT. Aunque estos embeddings iniciales sí dependen de tu contenido, las transformaciones FDE que aplica MUVERA son fijas y aleatorias.
Como SEO, no sabes qué modelo/versión específico de embeddings usa, qué valores específicos usan estas transformaciones, no tienes visibilidad sobre el proceso de recuperación, ni puedes medir su impacto porque MUVERA sólo selecciona candidatos, el ranking final lo hace otro sistema completamente diferente.
Intentar optimizar para esto es como hacer SEO sabiendo que Google usa “índices invertidos”, lo cual es técnicamente cierto, pero completamente inaccionable.
MUVERA no decide qué se posiciona primero. Sólo ayuda a encontrar documentos candidatos más rápido. El orden final lo deciden otros sistemas (como los rerankers basados en BERT o T5), donde sí entran señales como enlaces, relevancia, experiencia de usuario, etc. MUVERA es pura infraestructura, nada más.
Como vemos, el verdadero problema no es si MUVERA está en producción o no. El problema es la gente vendiendo humo sobre algo que ni siquiera sabe qué hace.
Todo esto genera ruido y desinforma a quienes sí quieren entender qué está pasando en Search para su negocio.
Y si mañana Google desplegara MUVERA en producción, tu estrategia SEO no cambiaría en absoluto. Porque esta tecnología no cambia qué es relevante, sólo cambia cómo se recupera más rápido lo que ya lo era.
Por favor, dejemos de inventar updates y estrategias SEO random basadas en papers que ni hemos leído ni hemos entendido.
En el contexto del juicio antimonopolio de USA contra Google, se han hecho públicas las declaraciones, muy jugosas, de 2 figuras clave del equipo de Búsqueda, las de Hyung-Jin Kim (HJ Kim), uno de los principales ingenieros responsables del sistema de ranking de búsqueda de Google (y creador de Navboost) y las de Pandu Nayak, […]
Leer másLos agentes de inteligencia artificial que navegan la web, como los de modelos LLM multimodales, se encuentran con HTML complejo y con interfaces hechas para humanos. Igual que los lectores de pantalla, muchos de estos agentes dependen de la estructura semántica y de la accesibilidad del HTML para entender una página y actuar correctamente. En […]
Leer más