Cómo el LLM fusiona los resultados (reranking)

Tras la búsqueda inicial, un sistema de IA se encuentra normalmente con muchos más pasajes candidatos de los que puede usar en una respuesta. Un mecanismo de clasificación, llamado reranking, evalúa y jerarquiza estos pasajes para conservar solo los más relevantes. Es en esta etapa, discreta pero decisiva, donde se juega gran parte de la cuestión de "quién será citado y quién no". A diferencia de un algoritmo de clasificación SEO, que se mantiene en general estable en el tiempo para una misma consulta, el resultado del reranking puede variar de una pregunta a otra incluso sobre un tema parecido, lo que hace su observación aún más delicada.

Por qué es necesaria una clasificación tras la búsqueda

La primera etapa de recuperación de documentos, ya sea a través de un motor de búsqueda clásico o de una base de datos vectorial, suele producir una lista bastante amplia de resultados potencialmente relevantes, sin garantía de precisión fina. Esta primera lista es deliberadamente amplia para no perder contenido útil, pero también contiene ruido: pasajes apenas relacionados con el tema, redundantes entre sí, o de calidad desigual. El reranking sirve para refinar esta lista, evaluando cada pasaje de forma más precisa respecto a la pregunta exacta formulada por el usuario. Esta etapa sigue siendo en gran medida invisible para un sitio: a diferencia de una posición en los resultados de Google, no existe una "página 2" del reranking que se pueda consultar para entender por qué se descartó un pasaje. Esto es lo que hace que el tema sea difícil de diagnosticar sin una herramienta de medición dedicada.

El principio general del reranking

En una arquitectura RAG típica, un modelo especializado, a menudo más pequeño y rápido que un LLM completo, reevalúa cada pasaje candidato comparándolo directamente con la pregunta formulada, en lugar de mediante una simple coincidencia de palabras clave. Este modelo asigna una puntuación de relevancia a cada pasaje, y solo los pasajes mejor puntuados se transmiten al modelo de lenguaje para la redacción de la respuesta final. Algunos sistemas también combinan varias fuentes de resultados, por ejemplo una búsqueda por palabras clave y una búsqueda por similitud semántica, y luego fusionan ambas clasificaciones en una sola; los investigadores suelen describir este tipo de fusión como "reciprocal rank fusion", un método que favorece los pasajes bien clasificados en varias listas a la vez en lugar de los que dominan una sola lista. Esta elección ilustra un principio bastante general del reranking: la robustez de un pasaje, es decir, su capacidad de seguir siendo relevante según varios métodos de evaluación distintos, suele importar más que una coincidencia perfecta pero aislada con un único criterio.

Qué hace que un pasaje tenga más probabilidades de clasificarse bien

Sin pretender conocer los criterios exactos y ponderados de cada sistema propietario, se pueden observar, en general, ciertas características que favorecen a un pasaje durante el reranking: una correspondencia clara y directa con la intención de la pregunta, una redacción que responde sin rodeos en lugar de dar vueltas al tema, una autonomía de sentido que permite entender el pasaje sin haber leído el resto de la página. Por el contrario, un pasaje diluido en contenido genérico, que necesita contexto externo para entenderse, o que reformula vagamente una pregunta sin responderla con precisión, tiene estadísticamente menos probabilidades de conservarse en esta etapa. Pongamos un ejemplo: para la pregunta "cuál es el plazo legal de desistimiento para una compra online", un pasaje que empieza directamente con "el plazo legal de desistimiento es de 14 días desde la recepción del producto" tiene más probabilidades de clasificarse bien que un párrafo que empieza con "la cuestión de los plazos es compleja y depende de varios factores" antes de llegar, unas frases más adelante, a la misma información.

La relación con el chunking y la estructura del contenido

El reranking opera sobre pasajes, no sobre páginas enteras. Por eso la forma en que se divide vuestro contenido de antemano, un proceso llamado chunking, influye directamente en lo que llega hasta esta etapa de clasificación. Un artículo en el que cada sección forma una unidad de sentido autónoma le da al sistema más "buenos candidatos" que evaluar, en lugar de un único bloque largo de texto donde la información útil queda diluida. Este mecanismo de división se explica en detalle en la lección El chunking: cómo el LLM divide vuestro contenido. Dicho de otro modo, un contenido de calidad pero mal segmentado puede acabar penalizado no por el fondo, sino por la forma: el reranking simplemente no dispone de las unidades adecuadas que evaluar.

Lo que esto significa para la redacción de vuestros contenidos

En la práctica, esto favorece una escritura que va directa al grano: responder a una pregunta desde las primeras frases de una sección, estructurar claramente cada subapartado con un subtítulo explícito, evitar párrafos que necesiten haber leído todo el artículo para entenderse. Estos principios de estructuración se detallan en la lección Estructurar un artículo para el GEO, que propone un esquema tipo diseñado para maximizar las probabilidades de que el mayor número posible de vuestros pasajes sobreviva a la etapa de reranking.

Recordad que el reranking es un filtro invisible pero determinante: vuestro contenido puede recuperarse perfectamente en la primera etapa y aun así no aparecer nunca en la respuesta final, simplemente porque no se consideró suficientemente relevante, claro o autónomo en el momento de la clasificación. Esta constatación es un argumento a favor de revisar regularmente vuestro propio contenido, sección por sección, preguntándoos honestamente si cada pasaje, tomado de forma aislada, daría una respuesta clara a alguien que no hubiera leído nada más.