Qué es
La frescura de contenido (content freshness) mide cuán reciente y vigente es una página y cómo ese factor influye en su posicionamiento y en su recuperación por parte de un motor. El concepto fue formalizado por Google como Query Deserves Freshness (QDF, atribuido a Amit Singhal en 2007) y ampliado por el Freshness Update del 3 de noviembre de 2011, habilitado por la infraestructura de indexación Caffeine (2010). Su idea central es contraintuitiva: no toda consulta merece frescura. La actualidad solo pesa cuando la intención de búsqueda lo exige, es decir, cuando el análisis de lo que el usuario realmente quiere revela una necesidad sensible al tiempo.
Google distingue tres tipos de consultas sensibles al tiempo: eventos recientes o temas en tendencia (noticias), eventos recurrentes (elecciones, temporadas deportivas, resultados anuales) y temas con actualizaciones frecuentes (reviews de productos, versiones). Frente a ellos, el contenido evergreen —recetas, definiciones, conceptos estables— apenas se ve afectado por la frescura. Esto se traduce en un "half-life por tema": las señales decaen rápido en unos temas (algoritmos, noticias: semanas o días) y muy lento en otros (SEO técnico, definiciones: años).
En la búsqueda con IA (GEO/AEO) la frescura gana peso y cambia de naturaleza. En los sistemas de recuperación aumentada agéntica (RAG), el patrón que recupera fragmentos de un corpus para fundamentar la respuesta del modelo, la frescura actúa como una puerta de control en la etapa de crítica o reflexión: el contenido obsoleto puede descartarse aunque haya superado el retrieval y el re-rank, porque el componente crítico decide que no puede confiar en él. La frescura legítima no es cosmética: exige actualizaciones sustantivas del contenido, no solo cambiar la fecha.
Por qué importa
Cuando la intención de búsqueda es sensible al tiempo, un contenido desactualizado pierde valor con independencia de su calidad de fondo, y en los motores con IA puede quedar fuera en la fase de crítica antes de ser citado —es decir, antes de alcanzar la citabilidad en respuestas de IA, que es lo que de verdad da visibilidad en AI Overviews y AI Mode. Distintos estudios de proveedores apuntan a que el contenido citado por la IA tiende a ser más fresco que el orgánico clásico, aunque proceden de metodologías no homogéneas y conviene leerlos como indicios, no como leyes. La frescura nunca actúa sola: se combina con la autoridad temática —la señal acumulada de solvencia de un dominio sobre un campo— y con la relevancia semántica. Y tiene un límite ético y técnico claro: el llamado date-swapping —cambiar el año sin tocar el contenido— no es frescura, puede tratarse como manipulación, choca con los criterios de E-E-A-T y no ofrece una ventaja sostenible. Nadie puede garantizar posiciones ni citas; lo que sí es controlable es mantener el contenido genuinamente vigente al ritmo que su tema exige.
En profundidad
QDF y los tres tipos de consulta sensibles al tiempo
Query Deserves Freshness (QDF) prioriza contenido nuevo solo cuando un tema está "caliente": picos de búsqueda o cobertura de noticias. El Freshness Update del 3 de noviembre de 2011 amplió este criterio y, según Google, afectó a alrededor del 35% de las consultas (de forma notable en un 6-10%). El modelo separa tres tipos de consulta donde la actualidad pesa —eventos recientes, eventos recurrentes (elecciones, deportes, resultados anuales) y temas con actualizaciones frecuentes (productos, versiones)— del contenido evergreen, donde apenas influye. Esta distinción se solapa con la lógica de News SEO y Google Discover, el circuito por el que Google detecta y promueve contenido de actualidad. La consecuencia práctica es que no existe una "frescura universal": depende de qué busca el usuario, lo que conecta directamente con la intención de búsqueda de cada consulta.
| Tipo de consulta | Qué la activa | Peso de la frescura |
|---|---|---|
| Eventos recientes | Picos de búsqueda y cobertura de noticias | Alto: QDF prioriza lo nuevo |
| Eventos recurrentes | Elecciones, deportes, resultados anuales | Alto en el ciclo activo |
| Temas que cambian | Productos, versiones, actualizaciones | Medio-alto: la versión vigente |
| Evergreen | Conceptos consolidados sin cambio | Bajo: apenas influye |
Half-life por tema y decaimiento temporal
El half-life describe la velocidad a la que un contenido pierde valor según su tema. Los temas volátiles —actualizaciones del algoritmo (core updates), noticias— decaen en días o semanas; los estables —SEO técnico, conceptos consolidados— decaen en años. Es el mismo principio que ordena una capa de conocimiento por frescura, donde la relevancia combina señal semántica, autoridad de la fuente y un factor de decaimiento temporal calibrado por tema. Esa señal semántica suele calcularse comparando embeddings —representaciones vectoriales del significado— en una búsqueda semántica, sobre la que el decay temporal pondera la antigüedad. No es un parámetro publicado por Google: es un principio de diseño de la literatura GEO · Generative Engine Optimization y de los sistemas de recuperación.
| Tema | Volatilidad | Half-life aproximado |
|---|---|---|
| Actualizaciones de algoritmo | Muy volátil | Días a semanas |
| Noticias del sector | Volátil | Semanas |
| SEO técnico | Estable | Años |
| Conceptos consolidados | Muy estable | Años |
Señales técnicas de frescura frente a cambios cosméticos
Las señales que importan al motor son sustantivas: dateModified que acompaña a un cambio real, número de versión en el cuerpo y encuadre temporal explícito en el texto. El dateModified vive en los datos estructurados, el marcado schema.org que comunica metadatos al motor de forma legible por máquina. Frente a ellas, los cambios cosméticos —editar la fecha visible o el schema sin tocar el contenido— no constituyen frescura. El date-swapping es el caso paradigmático: Google lo detecta y, según el Core Update de diciembre, puede tratarlo como manipulación, en línea con cómo E-E-A-T penaliza las señales de confianza fingidas. La frescura legítima exige reescribir, ampliar o corregir lo que el tiempo ha vuelto obsoleto.
La frescura como puerta de control en la recuperación con IA
En la búsqueda con IA, los sistemas de RAG (Retrieval-Augmented Generation) agéntico no se limitan a recuperar y ordenar: incorporan una etapa de crítica o reflexión. Según Search Engine Land (mayo de 2026), el crítico verifica la frescura de forma explícita y puede descartar contenido obsoleto aunque haya ganado el retrieval y el re-rank por pares —la fase donde un reranker reordena los candidatos por relevancia fina—, porque decide que no puede confiar en él. Microsoft (Copilot) también confirma la frescura como factor de recomendación. La frescura deja de ser un ajuste de ranking y se convierte en una condición para sobrevivir a la fase de selección antes de la cita, esto es, para alcanzar la citabilidad en respuestas de IA.
Qué observar
Las señales que importan.
dateModified coherente con cambios reales
El campo dateModified del schema comunica la fecha de última actualización. Importa cuando refleja una modificación sustantiva del contenido; actualizarlo sin tocar el cuerpo es una señal vacía que los motores pueden interpretar como manipulación.
Número de versión en el cuerpo
En temas que evolucionan (productos, software, metodologías), indicar la versión a la que se refiere el contenido ancla su vigencia y ayuda al motor a juzgar si la información sigue aplicando.
Encuadre temporal explícito en la narrativa
Expresiones como "a fecha de [fecha]" dentro del texto sitúan la afirmación en el tiempo. Es una señal que el componente crítico de un sistema con IA puede leer para decidir si confía en el contenido.
Cadencia de actualización calibrada al half-life del tema
La velocidad a la que un contenido pierde valor depende del tema. Las noticias y los cambios de algoritmo decaen en semanas; el SEO técnico o las definiciones, en años. Ajustar la frecuencia de revisión a ese ritmo evita tanto el abandono como el retoque innecesario.
Ausencia de date-swapping
Cambiar únicamente la fecha (por ejemplo, 2025 por 2026) sin actualizar el contenido es una señal de frescura falsa. Google la detecta y, según el Core Update de diciembre, puede tratarla como manipulación del algoritmo.
Conceptos clave
El vocabulario del término.
- Query Deserves Freshness (QDF)
- Modelo de Google, atribuido a Amit Singhal (2007), que prioriza el contenido reciente solo cuando una consulta muestra señales de estar "caliente" (picos de búsqueda, cobertura de noticias).
- Freshness Update
- Actualización de Google del 3 de noviembre de 2011 que amplió el peso de la actualidad; según Google afectó a cerca del 35% de las consultas, de forma notable en un 6-10%.
- Caffeine
- Infraestructura de indexación de Google (2010) que permitió indexar y servir contenido de forma mucho más rápida, habilitando las señales de frescura.
- Half-life por tema
- Principio según el cual la velocidad a la que un contenido pierde valor depende del tema: días o semanas en noticias y algoritmos, años en SEO técnico o definiciones.
- Date-swapping
- Práctica de cambiar solo la fecha de un contenido (por ejemplo, el año) sin actualizar su cuerpo; Google la detecta y puede tratarla como manipulación del algoritmo.
- Contenido evergreen
- Contenido cuya vigencia no depende del momento (recetas, conceptos estables); la frescura apenas influye en su recuperación o posicionamiento.
- RAG agéntico
- Sistema de recuperación aumentada por generación que añade etapas de razonamiento y crítica; en la fase de crítica puede descartar contenido obsoleto pese a haber superado el retrieval y el re-rank.
Dónde lo aplicamos
Aún no mostramos casos.
No inventamos resultados. Cuando tengamos casos reales —anonimizados y medibles— donde este concepto marcó la diferencia, vivirán aquí.
Conceptos relacionados
Fuentes
- Query Deserves Freshness: what it is and how it works
- Google Freshness Algorithm: Everything You Need To Know
- Más allá de RAG: por qué cada plataforma de búsqueda con IA es ahora agéntica y qué significa para tu contenido · 2026-05-29
- Cómo conseguir citas de LLM para construir tráfico y autoridad · 2026-01-10
- How to Optimize for Generative Engines: RAG prefiere contenido fresco
Una pieza del glosario.
Forma parte del glosario de SEO, analítica e IA de InnovaOrigen Tech: un mapa de conceptos definidos con criterio y fuentes. Si quieres llevarlo a tu caso, lo vemos sin compromiso.