El 13 de agosto de 2026, Microsoft Technology Licensing LLC publicó la solicitud de patente US20260236548A1, que describe un sistema para comprimir los datos procedentes de los resultados de búsqueda antes de transmitirlos a un modelo de IA generativa. Para resumir una página, este sistema retiene las frases más conectadas con el resto del texto y con la consulta. Sin embargo, el documento no prueba que Bing o Copilot apliquen este procedimiento tal cual.
Comprimir las fuentes antes de llamar al modelo
El documento se titula «Generating and utilizing compressed grounding data for search engines that utilize generative artificial intelligence models». Reivindica la prioridad de una solicitud provisional india presentada el 13 de febrero de 2025. Se refiere a los «grounding data», o datos de anclaje, es decir, los contenidos recuperados en los resultados de búsqueda (enlaces, extractos, metadatos, respuestas directas) y proporcionados a un modelo de lenguaje para fundamentar su respuesta en hechos verificables. Este mecanismo se conoce como RAG (retrieval-augmented generation, o generación aumentada por recuperación).
La patente parte de un problema técnico. Cuando estos datos superan el límite de tokens (las unidades de texto que un modelo puede procesar de una vez), hay que multiplicar las llamadas, lo que consume tiempo y recursos. Por el contrario, proporcionar demasiados de una vez conduce a respuestas generalistas o incoherentes. El texto cita dos defectos conocidos de los grandes modelos de lenguaje: el fenómeno «lost in the middle», según el cual la información situada en medio de un prompt largo se tiene poco en cuenta, y el sesgo de recencia, que otorga demasiado peso a los elementos situados al final del prompt.
La solución propuesta consiste en comprimir estos datos antes de enviarlos, para transmitirlo todo en una sola llamada. El sistema puede producir un resumen centrado en la consulta y luego convertirlo en embeddings, es decir, en representaciones vectoriales del significado de un texto. También puede evaluar previamente la actualidad y la credibilidad de los contenidos.
En una publicación en LinkedIn, Ian Sorin presenta esta patente como una descripción del funcionamiento de los chatbots Copilot y Bing. El texto, sin embargo, habla de «motores de búsqueda generativos» en general y cita como ejemplos los modelos GPT-3.5, GPT-4 o GPT-4o, sin nombrar Bing ni Copilot.
Frases centrales, actualidad y credibilidad
Para el resumen de las páginas, el sistema comienza limpiando el contenido eliminando las etiquetas HTML, los caracteres especiales y los errores de codificación. A continuación, el texto se divide en frases y se resume de forma extractiva, seleccionando frases existentes en lugar de reescribir el contenido. El método principal representa cada frase como un nodo de un grafo, conectado a las demás por su similitud coseno, una medida de proximidad semántica. Se considera que una frase es importante si está fuertemente conectada con otras frases que también son importantes, lo que Ian Sorin llama un «pagerank de las frases». La patente también describe una agrupación por temas y una selección basada en los términos frecuentes en relación con la consulta. Posteriormente, se favorecen las frases situadas en la introducción o la conclusión.
La actualidad se evalúa a partir de la marca de tiempo de los contenidos, es decir, su fecha de creación o de última modificación. Los contenidos más antiguos reciben una relevancia menor, con excepciones para los conocimientos de base, umbrales de vida útil variables según el ámbito y una detección de las actualizaciones. La credibilidad se basa en una puntuación de reputación que combina la exactitud histórica, la autoridad del dominio y la validación por pares. El sistema también contrasta la información entre varias fuentes independientes y verifica la diversidad de perspectivas. La patente no especifica cómo se miden estos criterios.
Pistas para los redactores, sin aplicación probada
El documento describe numerosas variantes, introducidas por la fórmula «en algunas implementaciones». Por tanto, su publicación no prueba que este sistema funcione hoy en día detrás de Bing o Copilot. Sin embargo, arroja luz sobre la lógica de selección que un motor generativo puede aplicar a las páginas que recupera. Para los equipos editoriales, Ian Sorin extrae varias lecciones: frases de síntesis autónomas, colocación de lo esencial en la introducción y la conclusión, fechas de publicación y actualización visibles, tono factual y datos contrastables.
No obstante, la patente deja una pregunta abierta: la de la información exclusiva. Un scoop o un dato propietario, recogido por pocas fuentes en el momento de su publicación, desencadena la búsqueda de fuentes complementarias. El texto no especifica qué ocurre con esta información cuando el sistema no encuentra ninguna.
