Tu archivo de noticias es el activo. Deja de dejar que Google lo alquile gratis.

Un diario regional con el que me senté el invierno pasado tenía cuatro millones de lectores mensuales y un archivo de treinta y dos años, y el dossier del consejo de febrero era el peor documento que alguien en la sala había leído en una década. Las referencias de búsqueda orgánica caían un 41% interanual. Las tarifas de publicidad programática bajaban otro 18%. Los ingresos de afiliación que discretamente mantuvieron las luces encendidas en 2023 se habían desplomado a un tercio de su punto máximo. La directora financiera puso la diapositiva, me miró y formuló la única pregunta que importaba: ¿qué nos debe Google exactamente, y cómo hacemos que pague?

Tuve que decirle la verdad: Google no les debe nada contractualmente. El acuerdo tácito que construyó la web —dejas que te rastreemos, nosotros te enviamos tráfico— quedó reescrito en el momento en que las Vistas Generales de IA empezaron a aparecer en el 48% de todas las búsquedas de Google a marzo de 2026 (theStacc / Search Engine Land). Cuando un resumen de IA se sitúa por encima del enlace orgánico, el lector rara vez se desplaza; el porcentaje de clics del Daily Mail en el escritorio para esas consultas cayó un 89%, del 25,23% al 2,79%. El contenido se sigue leyendo. Al editor simplemente ya no se le paga por él. El camino de vuelta, estoy convencido, es la IA conversacional construida sobre el propio archivo del editor.

Esa conversación es la razón por la que mi equipo en Veriprajna ahora construye IA conversacional para editores: motores de generación aumentada por recuperación que operan sobre el propio archivo de noticias de un editor, con la aplicación de citas y la estrategia de licencias que los hacen seguros para colocar bajo una cabecera. La generación aumentada por recuperación, o RAG, simplemente significa que la IA responde solo a partir de tus documentos en lugar de a partir de lo que sea que absorbió de internet abierto. Esa distinción resulta ser todo el juego. Pero quiero recorrer cómo llegamos ahí, porque la primera versión la hicimos rematadamente mal, y la forma en que la hicimos mal es exactamente la forma en que la mayoría de los editores están a punto de hacerla mal.

La economía de las referencias se acabó. La economía de las licencias aún no está construida.

Empecemos por lo grave que es la hemorragia, porque la escala es el argumento. El tráfico de búsqueda de Google hacia los editores cayó aproximadamente un 33% a nivel mundial en el año hasta noviembre de 2025, y los ejecutivos de noticias que encuestó el Reuters Institute esperan un declive adicional del 43% en los próximos tres años; una quinta parte de ellos se prepara para pérdidas superiores al 75% (Reuters Institute Journalism Trends 2026). Los casos individuales son peores, y uno de ellos se convirtió en una demanda: Penske Media, cuyos ingresos de afiliación cayeron más de un tercio desde su punto máximo, demandó a Google en septiembre de 2025 —el primer gran caso antimonopolio que alega que la empresa coacciona a los editores para el entrenamiento de IA.

El motor de búsqueda que construyó tu distribución es ahora tu mayor competidor, y no pidió permiso para cambiar de bando.

Así que el instinto en cada sala de juntas es idéntico: si Google no nos va a enviar lectores, construiremos nuestra propia IA y los mantendremos en nuestro sitio. Instinto correcto. La ejecución es donde la gente sale herida.

Construimos primero lo obvio. Alucinó sobre un concejal.

Seré honesto sobre nuestro propio tejido cicatricial, porque me lo gané. El primer motor que levantamos fue la versión que cualquier proveedor de SaaS te cotizará por entre 60.000 y 120.000 dólares y desplegará en unas pocas semanas: coge el archivo, trocea cada artículo en fragmentos, convierte los fragmentos en incrustaciones vectoriales y deja que un chatbot recupere las coincidencias más cercanas. Hace una demostración preciosa. Le preguntas por una noticia reciente, extrae el artículo correcto, suena genial.

Luego, en una sesión piloto, un editor le hizo el tipo de pregunta que cualquier lector haría: ¿cuál es la historia entre este concejal de la ciudad y el promotor que está detrás del proyecto del centro? Esa es una pregunta de múltiples saltos: significa conectar a una persona a lo largo de una docena de artículos que abarcan años, donde aparece de diversas formas como el nombre completo con título, luego solo un apellido, y una vez, en el pie de una foto antigua, únicamente como «el representante del distrito», mucho antes de que ocupara el escaño siquiera. La búsqueda vectorial recuperó unos cuantos fragmentos que eran textualmente similares, los cosió en un párrafo fluido y afirmó una relación que el archivo en realidad no respaldaba. Inventó el tejido conectivo.

Vi la cara de la editora cuando lo detectó. Esa mirada —una periodista dándose cuenta de que la máquina acababa de fabricar un hecho bajo el nombre de su periódico— es lo que ahora construyo todo para evitar. Habíamos lanzado un mentiroso seguro de sí mismo.

Ese fracaso es toda la razón por la que ya no creo que un widget de chat sea un producto. No tiene ni idea de que esos nombres dispersos son una sola persona. No tiene ningún modelo del tiempo —de que el hombre fue un ciudadano privado durante años antes de ganar el escaño—. Y no tiene ningún mecanismo para comprobar si la frase que acaba de generar está realmente fundamentada en una fuente. En las consultas que no importan, va bien. En las consultas que a los lectores de verdad les importan, las longitudinales, las que tratan de personas y dinero a lo largo del tiempo, se rompe exactamente donde más necesita aguantar.

¿Por qué RAG no resolvió esto sin más?

Porque «RAG» describe una categoría, no una competencia, y el difícil 60% del trabajo es la parte que nadie vende.

Lo primero que subestimé —gravemente— fue la ingesta. Entré asumiendo que un archivo de treinta años era un corpus limpio esperando a ser incrustado. No lo era. Eran dos décadas de HTML destrozado por tres migraciones de CMS, enlaces internos muertos que no apuntaban a ninguna parte, y una capa anterior a 2005 que existía únicamente como microfilm escaneado. Cuando ejecutamos OCR ordinario sobre esos escaneos, los titulares, las columnas de texto y los pies de foto volvían fusionados en un único bloque de sinsentidos, porque el OCR no podía ver la maquetación de la página. Tuvimos que incorporar reconocimiento óptico de caracteres consciente de la maquetación —el tipo que detecta columnas y separa un titular de un pie de foto y del texto corrido— usando herramientas como Amazon Textract y Azure Document Intelligence. Ese es el trabajo poco glamuroso que determina si la cosa entera funciona, y es la partida que todo proveedor de chatbot deja fuera del presupuesto.

La segunda cosa fue el problema del concejal, que tiene un nombre: resolución de entidades. Para que la IA razone sobre una persona, cada mención de esa persona —cada variante de la firma, cada tratamiento honorífico, cada referencia oblicua— tiene que colapsar en un único nodo. Lo resolvimos como lo hacen las casas serias, con un grafo de conocimiento: el GraphRAG de código abierto de Microsoft superpuesto sobre Neo4j, con la biblioteca de ciencia de datos de grafos haciendo la desambiguación para que «Sr. Musk», «Elon Musk» y «el CEO de Tesla» se conviertan en una sola entidad, no en tres. Una implementación en este espacio alcanzó los 12 millones de nodos. De fábrica, GraphRAG no sabe nada sobre tu cobertura política local ni sobre tus cincuenta fuentes recurrentes. Enseñarle las personas específicas de tu archivo es trabajo a medida, y es el trabajo que convierte «fragmentos textualmente similares» en «la historia real de una persona».

Una búsqueda vectorial encuentra pasajes que suenan parecido. Un grafo de conocimiento sabe que dos pasajes tratan del mismo ser humano. Los lectores preguntan por seres humanos.

La tercera fue el tiempo. Las noticias son inherentemente temporales: el mismo cargo ocupado por distintas personas, el mismo proyecto de ley enmendado a lo largo de varias sesiones, la misma empresa antes y después de una fusión. Damos a las aristas del grafo marcas de tiempo de inicio-válido y fin-válido y descomponemos una pregunta como «quién presidía el comité cuando se aprobó el proyecto de ley» en subconsultas temporales, apoyándonos en la investigación de RAG temporal que ha surgido durante el último año (las líneas de trabajo T-GRAG y VersionRAG). Sin ello, el motor aplana la historia en un único presente confuso, que es precisamente cómo se acaba afirmando que un ciudadano privado ocupó un cargo años antes de ser elegido.

La línea que debería estar en el pliego de condiciones de todo editor: ¿quién es responsable de la cita fabricada?

Aquí está el momento que me hizo leer en voz alta una filtración de Slack a mi propio equipo como advertencia.

En noviembre de 2024 el Washington Post lanzó Ask The Post AI. A finales de 2025 lo habían extendido a un pódcast generado por IA, y en diciembre se filtraron los mensajes internos del editor de estándares: la cosa estaba inventando citas, atribuyendo mal las fuentes e insertando comentarios como si fueran la propia postura editorial del periódico. «Es verdaderamente asombroso que se permitiera siquiera seguir adelante con esto», escribió un editor (Semafor, 11 de diciembre de 2025). El defecto técnico era pequeño y específico: un paso de verificación de citas que faltaba. El daño reputacional fue global, y le ocurrió a una de las redacciones con más recursos del planeta.

Guardo cerca ese mensaje filtrado porque es la lección más barata disponible en todo este campo. El Post tenía los ingenieros. Lo que no tenían, en ese flujo de trabajo, era una capa de aplicación que se niega a emitir una frase a menos que cada afirmación en ella se remonte a una fuente recuperada, más un umbral de confianza que enruta las respuestas dudosas a una cola de revisión humana antes de que salgan en directo, más una respuesta clara a la pregunta de nivel directivo: cuando la máquina fabrica una cita, ¿quién es responsable? Esa gobernanza no es software preempaquetado. Es la diferencia entre una herramienta que puedes colocar bajo tu cabecera y un bochorno global.

Contrástalo con Ask FT, que el Financial Times construyó sobre Claude de Anthropic, fundamentado estrictamente en el periodismo del FT con citas obligatorias que enlazan de vuelta a los artículos fuente. Notablemente, produjo un aumento de la retención, no la canibalización de suscripciones que todos temían. La diferencia entre los dos resultados no es la calidad del modelo. Es si la aplicación de citas se trató como el producto o como una función que añadir después.

¿Por qué no comprarlo sin más, o construirlo como hizo el FT?

La gente me pregunta esto constantemente, así que déjame exponer el panorama con honestidad, porque he visto a editores perder su margen de maniobra a manos de cada una de las respuestas equivocadas.

Los proveedores de chatbots SaaS sueltan un widget en tu sitio por entre 60.000 y 120.000 dólares. Ya te he dicho lo que eso compra: incrustaciones vectoriales, sin resolución de entidades, sin razonamiento temporal, sin verificación de citas, y tu archivo viviendo en la nube de otro. Alucina exactamente en las consultas que importan.

Los desarrollos internos de los Cinco Grandes —el FT, el Times, Bloomberg, el Post, el Guardian— son reales e impresionantes, y fueron construidos por equipos de aprendizaje automático de seis a veinte ingenieros a lo largo de doce a veinticuatro meses, con costes de siete cifras. Un diario regional con un equipo de ingeniería de una a tres personas no puede replicar esa plantilla. Y punto. Decirle a un editor de gama media que «lo construya como el FT» es decirle que le crezca un órgano que no tiene.

Las grandes consultoras —Accenture, Deloitte, IBM— por supuesto que lo construirán, con contratos que van de 1,5 a más de 5 millones de dólares y una fase de descubrimiento que sobrevive a tu margen de maniobra. Recurren al mismo stack de Microsoft GraphRAG y Neo4j que nosotros, luego cobran tarifas de socio por encima, y no han construido cinco archivos de editores uno tras otro como para saber dónde están enterrados los cadáveres.

Esa brecha —entre el widget que no funciona y el equipo de siete cifras que no puedes contratar— es toda la razón por la que los editores de gama media necesitan un socio de construcción que ya haya hecho el trabajo poco atractivo de ingesta, resolución de entidades y aplicación de citas. No una suscripción SaaS, y no un dosier de descubrimiento. Es exactamente lo que construimos nuestra práctica de editores para ser, y está expuesto por completo en nuestra página de solución sobre IA conversacional sobre archivos de noticias.

La parte que la mayoría de las consultoras hacen mal: necesitas dos jugadas de ingresos, no una.

Aquí está el error estratégico que veo cometer incluso a editores inteligentes. Tratan «construir nuestra propia IA» y «licenciar nuestro contenido a las empresas de IA» como algo excluyente. Es ambas cosas, y capturan dinero diferente.

Tu propio motor conversacional es la jugada de retención: mantiene a los lectores en tu sitio haciéndole preguntas a tu archivo en lugar de rebotar a Perplexity. Pero no hace nada respecto a la fuga que está ocurriendo ahora mismo, donde los rastreadores de IA ingieren tu contenido gratis. Para eso necesitas la jugada de captura, y la infraestructura para ello acaba de construirse.

Cloudflare lanzó Pay Per Crawl en enero de 2026, bloqueando por defecto a los rastreadores de IA en aproximadamente el 20% de todo el tráfico web y permitiendo a los editores fijar Permitir, Cobrar o Bloquear por rastreador a un precio por solicitud: el primer impuesto a los bots a nivel de infraestructura. Tollbit hace algo similar bot por bot; el Boston Globe, Vox y Future lo han probado. Y en marzo de 2026 la News/Media Alliance firmó un acuerdo con ProRata que permite a 2.200 editores pequeños y medianos sumarse a un fondo de licencias colectivas con un reparto de ingresos 50/50 sobre las respuestas de IA con atribución rastreada, con un acuerdo paralelo con Bria para uso de RAG empresarial. La NMA se ocupa del papeleo que un diario regional nunca podría gestionar por sí solo.

Los peajes de rastreadores capturan ingresos de rastreo. No hacen nada por los ingresos de consultas. La respuesta honesta es operar tanto un peaje como un motor de retención: cualquiera que te diga que elijas uno te está vendiendo la mitad que da la casualidad de que construye.

Una salvedad que siempre doy: ninguna de las herramientas de captura impide que las Vistas Generales de IA te resuman, porque esas recuperan en el momento de la consulta, no en el momento del rastreo. La fuga y el resumen son problemas separados. Pero un editor que opera Tollbit o Cloudflare del lado del rastreo, se suma a ProRata del lado de las licencias y opera su propio motor del lado de la retención ha reconstruido por fin un modelo de negocio a partir de tres respuestas parciales. Esa es la estrategia entera, y coser esos cuatro sistemas —ProRata, Bria, Tollbit, Cloudflare— en un plan de ingresos coherente junto al motor es la mayor parte de lo que en realidad hacemos.

Y hay una tercera jugada que impulso con más fuerza con los editores de prensa especializada y B2B, porque es la que tiene más potencial al alza: el motor no es solo un foso de retención, es un producto por el que puedes cobrar. Una interfaz de consultas fundamentada en citas sobre un archivo vertical profundo —treinta años de expedientes judiciales, aprobaciones de fármacos o datos de operaciones sobre tu cobertura específica, el tipo de corpus que un responsable de cumplimiento o un analista incluirá en sus gastos para pagar un puesto de consulta— es un nivel de inteligencia de pago, y con el tiempo una API, que un competidor literalmente no puede generar porque no posee tu corpus. Esa es la jugada que hizo el FT en la gama alta con su nivel profesional de más de mil dólares, y Bloomberg con un sistema que convierte inglés llano en su propio lenguaje de consulta a través de conferencias de resultados e investigación. La prensa especializada está sentada sobre la misma oportunidad sobre un archivo más estrecho y más profundo, y la mayor parte de ella aún no se ha dado cuenta.

Qué aspecto tiene esto cuando funciona

El motor que sobrevivió a nuestro desastre del concejal no se parece en nada al primero. Ingiere el archivo con OCR consciente de la maquetación que respeta la página. Resuelve las entidades en un grafo de conocimiento para que una persona sea un solo nodo, no una docena de menciones dispersas. Razona sobre el tiempo para que la historia no se aplane en el presente. Ejecuta recuperación híbrida —coincidencia dispersa de palabras clave (BM25) junto a búsqueda semántica densa, porque una consulta de «Proyecto de Ley 402» necesita una coincidencia exacta que ninguna incrustación sacará a la superficie de forma fiable— y reordena los candidatos antes de que lleguen al modelo, un reordenador Cohere o BGE que compra un 15-30% de calidad de recuperación por 50-200 milisegundos de latencia, un intercambio que aceptaré siempre en una consulta que importa. Y se niega, estructuralmente, a emitir una afirmación que no pueda citar, enrutando las inciertas a un editor en lugar de a un lector.

También se acopla a cualquier CMS que el editor ya ejecute, y esa integración nunca es genérica. Arc XP expone una API de contenido pero ningún gancho de incrustación, así que construyes a su lado. WordPress VIP te permite registrar endpoints personalizados. Brightspot es más flexible. Atypon, usado por editores académicos, tiene su propia búsqueda junto a la que tienes que sentarte. Un constructor que ha visto los cinco sabe dónde te pelea cada uno.

Las redacciones que cambian más rápido ya sienten la dirección: recortan las noticias generales de consumo masivo, que han bajado un 38% en su producción, y vuelcan el esfuerzo en investigaciones originales, que suben un 91%, y en análisis contextual, que sube un 82% (Reuters Institute). Su archivo de ese trabajo distintivo es el único activo que una empresa de IA no puede generar y que un competidor no puede replicar. El error es dejarlo depositado en un servidor, indexado gratis, mientras los que resumen lo monetizan.

La directora financiera de ese diario regional preguntó qué le debía Google. La mejor pregunta, la que ojalá más editores se hicieran primero, es cuánto vale su propio archivo cuando ellos controlan el motor que lo lee. Treinta y dos años de reportería son un corpus propietario con el que ningún modelo del planeta fue entrenado, y las únicas personas que pueden convertirlo en una conversación que un lector pagará por seguir teniendo son las personas que lo poseen. Puedes descubrir cómo construimos eso, de principio a fin, aquí. El archivo siempre fue el activo. Lo que cambió es que por fin tienes que dejar de regalarlo.