Actualización BERT
La actualización BERT es el despliegue de Google de octubre de 2019 que introdujo BERT, un modelo de lenguaje transformer bidireccional, en la clasificación de la Búsqueda y en la selección de fragmentos destacados. Fue el mayor cambio algorítmico que Google había realizado en cinco años y la primera vez que modelos transformer profundos intervinieron en la búsqueda en tiempo real a gran escala.
La actualización BERT es el despliegue de Google de octubre de 2019 que introdujo BERT, un modelo de lenguaje transformer bidireccional, en la clasificación de la Búsqueda y en la selección de fragmentos destacados. Fue el mayor cambio algorítmico que Google había realizado en cinco años y la primera vez que modelos transformer profundos intervinieron en la búsqueda en tiempo real a gran escala.
Por qué es importante
BERT fue el puente entre la búsqueda por coincidencia de palabras clave y la búsqueda basada en el significado. Antes de BERT, Google podía entender consultas "palabra por palabra", pero tropezaba con las preposiciones, la negación y el orden de las palabras. Después de BERT, consultas como "2019 brazil traveler to usa need a visa" podían interpretarse correctamente: Google se dio cuenta de que "to" importaba y de que la consulta trataba sobre brasileños que viajaban a EE. UU., no sobre estadounidenses que viajaban a Brasil. Este fue el inicio de la era transformer de Google, que condujo directamente a MUM (2021), las AI Overviews (2024) y el AI Mode (2025). Comprender BERT ayuda a explicar por qué "escribir para el lector, no para las palabras clave" se convirtió en una estrategia de SEO real y no en un mero eslogan.
Qué hace BERT en realidad
BERT, Bidirectional Encoder Representations from Transformers, es un modelo de Google Research de 2018. La parte "bidireccional" es crucial: a diferencia de los modelos anteriores, que leían el texto de izquierda a derecha, BERT examina cada palabra de una frase en el contexto de todas las demás palabras, en ambas direcciones, de forma simultánea. Esto le permite comprender:
El orden de las palabras: "Can you get medicine for someone pharmacy" frente a "Can someone get medicine at a pharmacy for you" tienen significados diferentes.
Las preposiciones: "to", "from", "for", "with"; palabras pequeñas que invierten la intención de la consulta.
La negación: "do not" frente a "do"; algo que los modelos de palabras clave pasaban por alto con facilidad.
La polisemia: "bank" (orilla de un río) frente a "bank" (entidad financiera), determinado por las palabras circundantes.
Dónde usó Google BERT
Comprensión de la consulta: determinar lo que el usuario realmente quería decir.
Selección de fragmentos destacados: elegir el pasaje que responde de verdad a la pregunta, no solo el que tiene palabras clave coincidentes.
Ajuste de la clasificación: afectó a alrededor del 10 % de las consultas de búsqueda en inglés en su lanzamiento, el mayor cambio desde RankBrain (2015).
Extensión multilingüe: en cuestión de meses, Google extendió BERT a más de 70 idiomas, incluido el coreano.
Qué no hizo BERT
Backlinks: BERT cambió la forma en que Google comprendía las consultas, no la forma en que valoraba los enlaces.
Detección de la calidad del contenido: eso llegó más tarde con las actualizaciones de contenido útil.
Autoridad del sitio: las señales de autoridad de dominio no se vieron afectadas directamente.
Compatibilidad móvil, Core Web Vitals: señales independientes.
BERT trataba específicamente sobre la capa de comprensión del lenguaje de la búsqueda.
Cómo cambió BERT la práctica del SEO
El keyword stuffing se volvió aún menos eficaz: repetir "la mejor plataforma de SEO de blogs" 30 veces perjudicaba en lugar de ayudar en una consulta que BERT entendía como "¿cuál es la mejor plataforma para el SEO de blogs?".
Las consultas conversacionales de cola larga se volvieron más fáciles de abordar: las páginas redactadas como respuestas reales a preguntas reales empezaron a clasificarse mejor que las listas optimizadas para palabras clave.
El contenido basado en preguntas ganó terreno: las páginas estructuradas en torno a "qué es X" y "cómo hago Y" se beneficiaron porque BERT mejoró la capacidad de Google para emparejar preguntas con respuestas en pasajes.
El tráfico de cola larga se disparó en los sitios que escribían de forma natural: especialmente en mercados que no son de habla inglesa, donde las herramientas de palabras clave eran débiles.
Deja de intentar burlar al algoritmo: BERT fue el momento en que "escribe para humanos" pasó de ser un cliché a una estrategia legítima, porque Google por fin podía detectarlo.
BERT frente a modelos posteriores
| Modelo | Año | Función | Idiomas |
|---|---|---|---|
| RankBrain | 2015 | Primer ML en la búsqueda | Inglés |
| BERT | 2019 | Transformer bidireccional para la comprensión de consultas | Inglés y, después, más de 70 |
| MUM | 2021 | Multilingüe y multitarea, con 1000 veces la capacidad de BERT | Más de 75 |
| Search Generative Experience / AI Overviews | 2024 | Síntesis generativa de respuestas | Idiomas principales |
| AI Mode | 2025 | Interfaz de búsqueda completa al estilo de un chat | En expansión |
Cada paso se basa en el anterior. BERT sigue siendo la base: los modelos más nuevos amplían su comprensión de las consultas en lugar de sustituirla.
Errores comunes (entonces y ahora)
Intentar "optimizar para BERT" específicamente: BERT no es un factor de clasificación para el que se optimice; es un sistema de comprensión de consultas que recompensa el lenguaje natural en cualquier caso.
Suponer que BERT acabó por completo con las palabras clave: las palabras clave siguen importando como señales; BERT solo penaliza el relleno mecánico.
Leer consejos sobre BERT de 2019 en 2026: la mayoría han sido reemplazados por las directrices de contenido útil y las realidades de la búsqueda con IA.
Confundir BERT con el contenido útil: BERT trataba sobre la comprensión de las consultas; el contenido útil trataba sobre la evaluación de la calidad de la página. Capas diferentes.
Fuentes: