Si forma part dels més de 500 milions d'usuaris que utilitzen diàriament el feed de notícies de Google, segurament s'haurà trobat, sense haver-ho buscat activament, amb algun titular que prometia revelar-li la recepta secreta de Ferran Adrià, l'hora a què se'n va a dormir Pilar Rubio als seus 46 anys, el nou producte de Mercadona o el cotxe que a partir del 2026 li permetria dir “adeu” a la ITV.
Quan parlem de Google, solem pensar en el seu icònic cercador: la barra sobre un fons blanc que es va instal·lar en el nostre llenguatge amb el verb “googlejar”; en una font d'informació que es va guanyar la posició d'àrbitre en les nostres sobretaules i, sobretot, en un producte que vertebra els quantiosos ingressos publicitaris d'Alphabet.
De “cercar” a “trobar” sense demanar-ho
Però, amb el pas dels anys, Google ha consolidat un altre servei que passa del clàssic “cercar” a l'algorítmic “trobar”. Un sistema de recomanació de continguts similar a la interfície que comparteixen moltes xarxes socials, però, en aquest cas, sense comentaris, retuits o interaccions visibles d'altres usuaris.
Aquest producte es diu Google Discover i, a diferència d'altres serveis de l'ecosistema de Google com Maps, Drive o Fotos no disposa d'una aplicació concreta que puguem descarregar: senzillament es troba preinstal·lat als telèfons Android i es presenta com un element més, consubstancial a la interfície, al qual en moltes ocasions s'accedeix lliscant cap a l'esquerra des de la pantalla principal.
La gran pregunta —sobre aquest i qualsevol altre sistema de recomanació com el que poden utilitzar les polèmiques Instagram i Facebook; Netflix, YouTube o fins i tot les innocents Vinted i Wallapop— és com decideix quins continguts li recomanen i, en conseqüència, què ha fet vostè com a usuari per merèixer-los al seu telèfon.
Ni algorisme ni fórmula màgica
Quan els usuaris o creadors intentem explicar el funcionament de les plataformes que ens recomanen continguts com Twitter, Facebook, Instagram, YouTube o Spotify desenvolupem imaginaris algorítmics, xafarderies o folk theories. Alguns intenten fins i tot entrenar o manipular l'algorisme a partir d'aquestes reconstruccions.
És ben cert que no existeix un sol algorisme ni una gran equació que puguem controlar. Els sistemes de recomanació com Google Discover són més aviat una gran infraestructura algorítmica opaca. És a dir, un circuit d'algorismes amagats en una caixa negra metafòrica de la qual Google ha fet públics pocs detalls.
La resta de les peces del trencaclosques provenen dels esforços professionals per desxifrar com funciona i de la literatura científica, que n'ha observat l'impacte en àmbits com el periodisme. Però, sent honestos, no podem llegir els ingredients de la seva composició com qui llegeix l'etiqueta d'un pot de quètxup o de xampú.
Un embut digital per captar l'atenció
La documentació oficial defineix Google Discover com un feed personalitzat basat en els interessos de l'usuari segons la seva activitat al web i a les aplicacions. En els estudis científics publicats pels mateixos enginyers de Google s'ha revelat com un sistema industrial de recomanació de continguts, mentre que la investigació acadèmica independent el situa en la intersecció entre la recuperació d'informació i la curació algorítmica.
Per explicar per què Google Discover li mostra determinats continguts sense saber exactament com funciona, podem comparar l'arquitectura típica d'un sistema de recomanació amb les evidències i hipòtesis que tenim sobre el producte de Google.
Una metàfora útil és la de l'embut dividit en etapes. Imaginem que a Internet es publiquen diàriament milions de continguts de tota mena: articles web, vídeos llargs, publicacions de xarxes socials. A més, Google també genera targetes esportives o resums d'intel·ligència artificial. Com sintetitza aquesta immensa varietat en una llista dissenyada a mida per a vostè?
Elegibilitat
Igual que a Google Search (el cercador), el primer pas és la indexació. Google manté un inventari on rastreja Internet i aplica un primer filtre per descartar tot allò que no compleix les seves polítiques. D'aquí que el contingut que infringeix les normes de seguretat quedi fora des del principi. Per exemple, continguts que busquin reclutar persones per a una organització terrorista o imatges de tortures sense context periodístic. Però superar aquest filtre només significa que un contingut és elegible, no pas que tingui una plaça assegurada.
Allò que busquem parla de nosaltres
Per reduir aquest univers inicial, el sistema necessita trobar quins continguts poden encaixar millor amb els seus interessos. En el cas de Google Discover, ho fa identificant quins elements concrets (entitats) són presents en les seves cerques i/o interaccions —Ferran Adrià, Pilar Rubio, Mercadona o la ITV— i relacionant-los entre si. Així pot interpretar què cerques o lectures desagregades formen part del mateix interès i organitzar-les en temes i subtemes més amplis.
Quan els seus interessos ja estan “fitxats”, el sistema necessita traduir-los a un llenguatge amb què pugui comparar i trobar continguts afins a gran escala. En el cas de Google Discover, la hipòtesi d'analistes professionals com Damien Andell és que s'utilitzen representacions matemàtiques anomenades embeddings.
Aquests vectors converteixen els grups d'entitats (famílies o clústers) i els seus interessos en coordenades d'un mateix tauler, com en el joc d'Enfonsar la flota: com més a prop estan dos punts, més gran és la seva afinitat.
Què passa quan fa clic, ‘m'agrada’ o amplia?
Un cop localitzades aquestes famílies de continguts, l'embut es torna a estrènyer en els models predictius. Aquí la intel·ligència artificial del sistema intenta endevinar com reaccionaria davant de cadascuna de les opcions. En aquest sentit, el treball dels enginyers de Google descriu onze objectius predictius i n'explicita almenys set: cinc de positius (que hi faci clic, que hi marqui “m'agrada”, que respongui positivament a una enquesta i que hi faci clic per veure'n els detalls i expandir el text) i de negatius (el rebuig o dismissal i el bloqueig definitiu del contingut).
Quan totes aquestes prediccions són sobre la taula, el sistema ha de resoldre-les per ordenar els candidats. El més habitual és combinar-les en una única puntuació, donant més pes a unes senyals que a unes altres (com quan en una avaluació la teoria “val” 0,6 punts i, la pràctica, 0,4 de la nota final). Un article pot tenir moltes probabilitats que hi faci clic, però també que acabi bloquejant-lo; un altre pot despertar menys curiositat immediata, però generar senyals més positives. Discover ha de resoldre aquesta cruïlla per decidir què apareix abans i què després. Però Google no ha publicat com combina aquestes prediccions.
En molts sistemes de recomanació, un cop ordenats els candidats, una última tria pot introduir criteris com la diversitat, la frescor o l'equitat per evitar, per exemple, que les cinc primeres targetes siguin totes sobre el mateix producte de Mercadona.
Un bucle sense fi
Som al final de l'embut i Google Discover ja ha decidit quines targetes mostrar-li, però el procés no s'atura aquí: el sistema observa els senyals que genera explícitament (quan bloqueja una font o marca “m'agrada” en un contingut) i implícitament, com quan mostra interès per un article o passa al següent.
Aquestes noves dades tornen al sistema per entrenar i actualitzar el model: les recomanacions generen interaccions, les interaccions produeixen noves dades i aquestes dades alimenten futures recomanacions.
No sabem amb exactitud quina amanida de senyals ha convidat Ferran Adrià, Pilar Rubio o qualsevol altre nom propi al feed del seu telèfon. Sí que sabem que el sistema és una ruleta que no s'atura i que s'alimenta del seu historial, de la seva ubicació i de petits comportaments quotidians que potser li passen desapercebuts, però que són la font de dades que rega tot el sistema de recomanació de Google Discover.