Del análisis de páginas al análisis de redes: qué dicen los papers de Google sobre spam con IA
El 29 de septiembre de 2026, mientras el Spam Update de septiembre sigue desplegándose, conviene leer con calma dos documentos que Google Research ha publicado este año. No son anuncios de producto ni confirmaciones de lo que hace Search: son papers de investigación. Pero describen, con un nivel de detalle inusual, cómo se puede detectar y desmantelar spam generado con IA cuando deja de analizarse contenido suelto y se empieza a analizar redes enteras de cuentas coordinadas.
Para una empresa con web, la lectura útil no es "Google va a penalizar mi contenido con IA", porque eso no está confirmado en ninguna parte. La lectura útil es otra: los sistemas que Google describe evalúan patrones de grupo, no piezas individuales, y eso cambia qué debe revisar quien publica contenidos en internet.
Qué ha publicado Google
Este año han aparecido dos papers de Google Research que abordan el mismo problema desde ángulos distintos: el abuso coordinado con contenido sintético a escala.
El primero, publicado en junio según la cobertura de Roger Montti en Search Engine Journal, describe un sistema llamado S-CTS (Scalable Cluster Termination System). El segundo, publicado entre mayo y junio de 2026, presenta SAFE (Scaled Abuse Forensics Examiner), firmado por autores de Google Research con Abhinav Mathur como primer autor.
Ambos documentos comparten una premisa: la moderación centrada en evaluar contenidos de uno en uno se queda corta ante la producción sintética moderna. El problema que plantean es el de variaciones "únicas y localizadas" de contenido funcionalmente idéntico: miles de piezas que, vistas por separado, parecen originales, pero que responden a la misma plantilla, la misma infraestructura y el mismo comportamiento de publicación.
A esto se suma el contexto inmediato: el Spam Update de septiembre comenzó el 24 de septiembre a las 9:15 PDT, es global, afecta a todos los idiomas y puede tardar hasta dos semanas en completarse, según el Search Status Dashboard de Google. Es el cuarto spam update confirmado del año, tras marzo, junio y agosto. Google no ha detallado qué táctica ataca.
Lo nuevo: el cluster como unidad de análisis
Si hay una idea que extraer de estos papers, es el desplazamiento de la unidad de análisis. Los sistemas descritos no evalúan un vídeo o una página aislada: evalúan grupos.
Según describe el paper de S-CTS, el sistema combina dos componentes: un detector de redes de bots, que identifica clusters por la relación entre cuentas, y un clasificador de patrones sintéticos. Sobre ambos, una capa de LLM adaptada con LoRA (una técnica de ajuste fino de modelos) con optimización automática de prompts. Las señales que describe incluyen embeddings de texto, términos salientes, narrativas plantilladas, publicación no humana de alta frecuencia y señales de infraestructura propietarias.
La regla que describe es notable: si un alto porcentaje de cuentas de un cluster de infraestructura usa las mismas plantillas de texto o medios generados con IA, se termina el cluster entero. No se elimina pieza a pieza: se desmantela la red. Sus datos de prueba muestran terminaciones con alta precisión y menos carga de revisión humana, aunque el paper no afirma, en los extractos consultados, que el sistema esté en producción. La hipótesis de que podría estar en uso es de Search Engine Journal, no del propio documento.
SAFE, por su parte, presenta una arquitectura multiagente: un agente raíz que coordina a tres especialistas (contenido, comportamiento y relaciones entre canales de un cluster). Su objetivo es automatizar la investigación forense de redes que publican AI slop (lo que en jerga viene a significar contenido superficial masivo), incluyendo violaciones del "espíritu" de la política que las reglas explícitas no recogen. El paper afirma resultados tempranos de despliegue, con menos tiempo de investigación que los flujos con humano en el bucle, aunque no publica cifras, algo que la propia cobertura de SEJ señala como inusual.
La moderación centrada en el contenido individual falla ante variaciones únicas de contenido funcionalmente idéntico.
Esa frase, parafraseada del planteamiento de los documentos, resume el cambio de fondo: lo que importa ya no es solo qué se publica, sino quién publica, con qué cadencia, con qué plantillas y desde qué infraestructura.
Qué sabemos y qué no sabemos
Sería un error de análisis convertir estos papers en declaraciones de producto. Conviene separar lo confirmado de lo hipotético.
Lo que sabemos es que Google describe, en documentos de investigación, sistemas capaces de identificar clusters de cuentas coordinadas que publican contenido sintético adversarial. Sabemos que SAFE afirma resultados tempranos de despliegue en investigación forense. Y sabemos que hay un spam update en curso, sin detalles sobre su objetivo.
Lo que no sabemos también importa. No sabemos si SAFE o S-CTS se aplican a Google Search y a páginas web, o solo a plataformas de cuentas y canales. Los dos papers hablan de plataformas online, y S-CTS se plantea explícitamente para plataformas de vídeo; sobre SAFE, varios medios han leído que apunta a YouTube, aunque en los extractos consultados no aparece ese nombre. No sabemos si estos sistemas forman parte del Spam Update de septiembre: SEJ lo plantea solo como posibilidad, y los papers son anteriores en meses. Y no conocemos umbrales, tasas de error ni qué ocurriría con sitios web frente a cuentas.
Por tanto, cualquier afirmación del tipo "Google ya penaliza redes de sitios con IA" no está respaldada. Lo que sí está descrito es la lógica técnica, y esa lógica es razonable discutirla como escenario posible, no como hecho consumado.
Qué significa esto para una empresa con web
Aquí entro en interpretación, y quiero señalarlo como tal.
Si la unidad de análisis se desplaza del contenido individual al cluster, y si esa lógica llegara algún día a aplicarse a la web, el riesgo no estaría en usar IA con supervisión editorial. Estaría en la producción en serie: plantillas narrativas repetidas entre páginas o entre sitios, cadencias de publicación que no corresponden a un equipo humano real, e infraestructura compartida combinada con contenido masivo generado a partir de patrones comunes.
Es una distinción que me parece decisiva y que, en mi experiencia, muchas pymes no tienen clara. Usar un LLM para redactar un borrador que después revisa, corrige y firma una persona con criterio editorial no reproduce el patrón de grupo descrito: no hay alta frecuencia no humana, no hay plantillas replicadas, no hay cluster. En cambio, contratar a un proveedor que produce miles de contenidos al mes para decenas de clientes a partir de las mismas estructuras sí produce, aunque sea de forma involuntaria, un patrón de grupo.
El paper de S-CTS, de hecho, no presenta la tecnología compartida (hosting, CMS) como una violación en sí. La señal descrita es la combinación: infraestructura común unida a plantillas de contenido generado y comportamiento de publicación no humano. De ahí que, en mi criterio, la pregunta correcta para una empresa no sea "¿uso IA o no?", sino "¿mi forma de producir contenidos se parece a una red o a un equipo editorial?".
El problema de las granjas de contenido es un viejo conocido para cualquier profesional SEO en activo entre 2008 y 2012: lo que vemos ahora es el mismo intento de abuso, a otra escala.
Qué revisar en tu propio ecosistema
Si tuviera que auditar hoy la huella de publicación de una pyme, revisaría cuatro cosas, en este orden.
- Las plantillas narrativas. Contenidos distintos que comparten estructura de redacción, bloques recurrentes y forma de introducir ejemplos. Cuando decenas de textos siguen el mismo esqueleto, el conjunto es más visible que cada pieza por separado.
- La cadencia. Publicar a un ritmo que ningún equipo editorial real podría sostener, con horarios imposibles, es una de las señales de comportamiento que el paper describe de forma explícita.
- La infraestructura compartida combinada con producción en serie. No es el hosting lo que preocupa, sino ese hosting unido a decenas de sitios con la misma plantilla de contenido.
- La que considero más incómoda: los proveedores. Agencias o servicios que generan contenido masivo para múltiples clientes a partir de los mismos flujos pueden colocar a todos esos clientes dentro del mismo patrón de grupo, aunque ninguno lo sepa. Preguntar cómo produce tu proveedor, con qué supervisión y con qué variedad real es, en mi opinión, una diligence básica desde este año.
Nada de esto significa que deba abandonarse la IA. En Brandam la usamos a diario, con criterio editorial y sin producción en serie, y no considero que esa posición contradiga lo anterior: es precisamente la línea que separa el uso responsable del patrón que los papers describen.
Cierre: Revisar la huella con calma
El mensaje central de este análisis es deliberadamente moderado. Google describe sistemas que evalúan redes y no solo piezas sueltas; su aplicación concreta a Search no está confirmada, pero la dirección técnica es legible en sus documentos públicos. Mientras el Spam Update de septiembre termina de desplegarse, la reacción razonable de una empresa no es la alarma, sino la revisión: saber qué huella deja su ecosistema de contenidos y corregir lo que se parezca a producción en serie.
Si quieres que analicemos la huella de publicación de tu web, plantillas incluidas, puede interesarte pasar por una auditoría de huella y plantillas.
Y si tu interés está en incorporar IA a los contenidos con criterio editorial y sin producción mecánica, nuestro trabajo de consultoría en inteligencia artificial está pensado exactamente para eso.
Nota editorial: este análisis se basa en documentos públicos de investigación de Google Research y en la cobertura de Search Engine Journal, con estado de la información al 29-09-2026. Google no ha confirmado la aplicación de estos sistemas a Search ni su relación con el Spam Update de septiembre, que seguía en despliegue en esa fecha.
Ricard Menor, SEO Manager de Brandam Digital - Consultor
