Cómo funciona el algoritmo de Amazon en 2026 (y por qué repetir keywords ya te perjudica)

El motor de búsqueda de Amazon dejó de contar palabras. Ahora entiende intención. Y eso cambia por completo lo que significa optimizar un listing.

Durante años, el consejo fue el mismo: mete tu keyword en el título, repítela en los bullets, llénalo de términos de búsqueda en el back-end. Funcionaba porque el sistema, en esencia, casaba palabras: si tu producto contenía las palabras que el cliente tecleaba, eras candidato a aparecer. Esa era la lógica del viejo motor que el sector bautizó como “A9”.

Ese motor ya no es el que decide si vendes. El de hoy traduce lo que el cliente quiere a lo que el cliente necesita, recupera productos por significado y por comportamiento real de compra, y —el matiz que casi nadie ha asimilado— esconde activamente lo que considera poco relevante para esa búsqueda concreta. No te baja de posición: te quita de en medio.

La consecuencia para quien vende es incómoda y liberadora a la vez. El keyword stuffing (repetir la palabra hasta saturar) y el keyword spoofing (colarte en búsquedas donde no eres la respuesta) han pasado de inútiles a contraproducentes. Y la optimización de verdad —ser genuinamente la mejor respuesta a una intención concreta— importa más que en ningún momento de la historia de Amazon.

Lo que sigue no es opinión. Es lo que la propia investigación publicada por Amazon describe sobre cómo funciona su sistema, leído con los ojos de quien gestiona cuentas de fabricantes y marcas todos los días. Distingo siempre entre lo que Amazon afirma en sus papers y lo que eso significa para ti, que es donde está el dinero.

En una frase: cómo funciona el algoritmo de Amazon hoy

El algoritmo de Amazon es un sistema de relevancia que interpreta la intención detrás de la búsqueda, recupera productos por significado y por comportamiento real de compra (no por coincidencia de palabras), los ordena en un embudo de varias etapas y suprime de la página los que no aportan valor a esa consulta concreta. Optimizar ya no es repetir keywords: es ser, de forma demostrable, la mejor respuesta a una intención.

Esa frase resume cuatro mecanismos que Amazon ha documentado por separado y que cuentan la misma historia. Vamos uno a uno, porque entender el “por qué” es lo que te permite tomar decisiones que tu competencia no toma.

1. COSMO: el algoritmo entiende lo que quieres decir, no lo que escribes

El punto de partida de todo es un problema que Amazon llama “la brecha semántica”: la distancia entre cómo busca un cliente y cómo está descrito tu catálogo.

Un cliente teclea “ropa de invierno”. No está pidiendo una etiqueta de categoría. Está pidiendo, implícitamente, algo que le mantenga el calor. Otro teclea “zapatos para embarazadas”. Lo que necesita, aunque no lo escriba, es calzado antideslizante y seguro. El cliente expresa una situación; tu ficha de producto, normalmente, expresa atributos. Entre las dos cosas hay un vacío, y ese vacío es donde se pierden las ventas.

Para cerrarlo, Amazon construyó COSMO, un grafo de conocimiento de sentido común que documentó en un paper presentado en SIGMOD 2024. La idea es elegante: en lugar de quedarse en los atributos que declara el vendedor (color, talla, material), el sistema aprende relaciones de intención del tipo “las personas embarazadas requieren calzado antideslizante” o “para un evento de invierno hace falta abrigo”.

Y aquí está lo que cambia las reglas del juego: COSMO no aprende eso de las palabras clave que tú declaras. Lo aprende del comportamiento real de millones de clientes.

De qué se alimenta el motor (y por qué tus keywords no bastan)

Para construir ese conocimiento, Amazon partió de pares reales de “búsqueda y compra” (muestrearon 1.868.331) y de pares de “comprado junto con” (3.147.120). Es decir: qué buscó la gente y qué acabó comprando de verdad. A partir de ahí, con grandes modelos de lenguaje y un filtrado en cascada (reglas, similitud, anotación humana y clasificadores que descartan lo implausible), destiló relaciones de intención hasta formar un grafo de 6,3 millones de nodos y 29 millones de conexiones, repartido en 18 dominios.

Lo más revelador es lo que el sistema descarta a propósito: las generaciones que son simples paráfrasis del texto de partida y las afirmaciones genéricas vacías. Premia lo típico y plausible; tira lo redundante.

Traducido a tu listing: repetir la keyword en el título, en cada bullet y en el back-end es exactamente el tipo de redundancia que el motor moderno aprendió a ignorar. Estas prácticas no “suman” en absoluto a tu listing, en el mejor de los casos, Amazon lo considerará ruido. Tu trabajo no es decir “zapatillas zapatillas zapatillas”; es que tu producto sea, de verdad, lo que compra quien busca esa intención. Tanto es así que, desde el año pasado, esta prohibido poner dos veces la misma palabra en el título.

Lo que Amazon midió (sin mezclar las cifras)

Conviene ser preciso aquí, porque las fuentes divulgativas suelen confundir dos experimentos distintos.

En un test offline, sobre un conjunto de datos público de búsqueda de productos (el del KDD Cup 2022), inyectar este conocimiento de intención mejoró la métrica de relevancia (Macro F1) en torno a un 60% y la Micro F1 alrededor de un 29% con el encoder fijo. Es una mejora enorme en la capacidad del sistema para juzgar qué es relevante.

En un test online distinto —un A/B sobre la navegación de búsqueda real, en torno al 10% del tráfico de Estados Unidos durante varios meses— el impacto fue un +0,7% en ventas y un +8% en interacción de navegación. A escala Amazon, ese 0,7% son cientos de millones de dólares al año; el propio paper especula con miles de millones si se aplicara a todo el tráfico, pero eso es una proyección, no una cifra medida.

El +60% y el +0,7% no son lo mismo: uno mide cuánto mejora la relevancia en laboratorio, el otro cuánto se mueve la caja en producción. Lo importante para ti es la dirección: Amazon ha demostrado, con su propio dinero, que entender la intención vende más que casar palabras. Y cuando algo así funciona en EE. UU., termina llegando a Europa.

2. Recuperación semántica: cómo elige Amazon los candidatos en un catálogo de 100 millones

Antes de ordenar nada, Amazon tiene que decidir qué productos entran siquiera en la conversación para tu búsqueda. Con un catálogo de “100 millones o más” de productos, esa criba inicial lo es todo. Si no estás entre los candidatos, no existes.

El método clásico para recuperar candidatos es el matching léxico (BM25 y similares): puntúa cada producto por la suma de palabras que se solapan con la consulta. Es rápido y barato, y por eso sigue ahí. Pero Amazon lo describe sin rodeos en su trabajo sobre matching semántico (KDD 2021): el léxico “no captura el significado ni las señales de comportamiento (clics, impresiones, compras) y es frágil ante variantes morfológicas y faltas de ortografía”.

La pieza que añadieron es la recuperación por embeddings: representaciones aprendidas a partir del comportamiento real del cliente, que miden si un producto y una consulta significan lo mismo aunque no compartan ni una palabra. Así, “calzado para no resbalar” puede recuperar tu zapato antideslizante aunque en tu ficha nunca aparezca la frase exacta.

Un matiz honesto, porque da credibilidad y porque cambia tu táctica: el matching léxico no ha desaparecido. El sistema semántico complementa al de palabras, no lo sustituye. ¿Qué significa esto en la práctica?

• Las keywords correctas, en su sitio, siguen siendo necesarias para ser elegible. Si vendes un humidificador y la palabra “humidificador” no está en tu listing, te estás autoexcluyendo de la criba léxica. Eso sigue siendo un error de principiante.
• Lo que ha muerto es el exceso: repetir, acumular sinónimos forzados, rellenar el back-end de términos sin relación. Eso ya no te recupera mejor; el motor semántico no premia la frecuencia, premia el significado.

La regla nueva es sencilla de decir y difícil de ejecutar: di cada cosa importante una vez, dila bien, y asegúrate de que tu producto significa lo que el cliente busca.

3. El embudo: tu producto tiene que sobrevivir a la primera criba para entrar en la fina

Recuperar candidatos por significado es solo el principio. Ordenarlos cuesta cómputo, y Amazon no puede permitirse aplicar su modelo más caro a millones de productos por cada búsqueda. Por eso ordena en cascada, como un embudo.

Lo explican en su trabajo sobre rankers neuronales en cascada (WWW 2025). La arquitectura tiene, como mínimo, dos etapas:

• Etapa 1. Una red pequeña, con pocas señales, evalúa a todos los candidatos rápido y barato. Su único trabajo es quedarse con los más prometedores.
• Etapa 2. Una red mayor, con todas las señales disponibles, re-ordena con precisión solo a los pocos supervivientes de la etapa 1.

El detalle técnico que importa: el coste dominante no es “pensar”, es extraer las señales de cada producto. Por eso tiene todo el sentido gastar el cómputo caro solo en los candidatos que ya pasaron una primera prueba. (En la investigación, aplicada a búsqueda web, recortaron hasta un 40% el coste de extracción de señales perdiendo menos de medio punto de calidad. No es un dato de Amazon retail, pero ilustra perfectamente por qué el sistema trabaja en embudo.)

La implicación para ti es directa y dura: si tu producto no sobrevive a la criba barata, nunca llega al re-ranking fino donde se decide de verdad el orden. Y la criba barata se gana con las señales más básicas y honestas: que tu listing sea genuinamente relevante para la consulta, que tu histórico de clics y conversiones diga que la gente que te ve te compra. No con palabras repetidas.

Aquí está la micro-tesis de todo el artículo, por si te la quieres llevar grabada:

El motor entiende intención (COSMO), recupera por significado (embeddings), ordena por mérito en cascada y —como vas a ver ahora— borra de la página lo que no encaja. No hay un solo punto del recorrido donde repetir keywords te ayude. Hay varios donde te perjudica.

4. COCO: el remate. El algoritmo no solo te ordena, te puede esconder

Aquí es donde la mayoría de marcas todavía no ha llegado, y es lo que separa una optimización de 2018 de una de 2026.

Históricamente pensábamos en el algoritmo como un sistema que ordena: el bueno arriba, el malo abajo. Pero Amazon publicó (SIGIR 2026) un mecanismo llamado COCO cuyo trabajo no es ordenar, sino suprimir: decidir que un producto, aunque esté bien posicionado, sencillamente no se muestre en esa búsqueda.

La frase del propio paper lo dice sin anestesia: “incluso el contenido mejor rankeado puede ser irrelevante, engañoso o redundante”. Y si lo es, el sistema lo quita.

¿Cómo decide qué esconder? Estima el valor incremental de mostrar cada producto: cuánto mejora (o empeora) la experiencia el hecho de que aparezca, frente a no mostrarlo. Si ese valor incremental es negativo —el producto resta—, lo suprime. La sofisticación está en que no lo hace a la ligera: usa técnicas estadísticas (límites de confianza y predicción conforme) para suprimir solo cuando tiene confianza real de que ese producto sobra, evitando esconder algo por simple ruido. En producción, esos umbrales se recalculan a diario, posición por posición.

Las cifras del A/B (cuatro semanas) son pequeñas en porcentaje —del orden de centésimas de punto en ingresos— pero a escala de cientos de millones de usuarios significan mucho, y vienen acompañadas de algo que a Amazon le encanta: el sistema unificado reduce el número de modelos en más de un 70% y el coste del pipeline en más de un 40%. Cuando algo es más barato y mejora la experiencia, no se revierte. Se queda.

Ahora, la implicación para quien vende, que es el corazón de este artículo:

Si te cuelas en una búsqueda donde no eres la respuesta, el sistema no te penaliza con una mala posición. Te quita. Desapareces de esa página. Y lo hace a propósito, con confianza estadística, no por accidente.

Esto entierra definitivamente el keyword spoofing —esa vieja táctica de meter en tu listing términos populares pero ajenos a tu producto para “pescar” tráfico. Antes, en el peor de los casos, aparecías en una mala posición y alguien te ignoraba. Hoy, el sistema detecta que no aportas a esa consulta y te suprime. Has gastado caracteres de tu listing, has confundido tu propia relevancia semántica, y a cambio no apareces. Es el peor negocio posible.

5. La página entera, las tendencias y un juez de IA: todo estrecha el cerco al truco

Por si los cuatro mecanismos anteriores dejaran alguna grieta para el atajo, otras tres líneas de investigación de Amazon la cierran.

Optimización de la página entera (WSDM 2026). Amazon ya no optimiza una lista lineal de resultados, posición por posición. Optimiza la página completa —productos, widgets, recomendaciones, elementos visuales— como un todo, y lo hace contra la satisfacción del cliente a largo plazo (en torno a dos semanas), no contra el clic inmediato. El A/B reportado mejoró la “relevancia de marca” en un 1,86%. La consecuencia es demoledora para los títulos-cebo: un clic que no convierte, o que acaba en devolución, resta en el horizonte largo. El listing engañoso que arrancaba un clic y decepcionaba ya no es neutro: es activamente malo para tu posicionamiento.

Detección de tendencias por tracción real (TrendRec, RecSys 2023). Amazon detecta qué productos están despegando no por el volumen acumulado de ventas, sino por la velocidad y la aceleración de la interacción real. Eso permite empujar productos con tracción genuina aunque no tengan un histórico largo. Para una marca que lanza bien, es una oportunidad: la señal que cuenta es el interés real de la gente, y eso no se falsea con keywords. Se gana con un producto que la gente quiere y un listing que lo comunica.

Un juez de IA que mide la relevancia mejor que un humano (SAER, SIGIR 2026). Este es, quizá, el dato que mejor resume hacia dónde va todo. Amazon usa grandes modelos de lenguaje como jueces para evaluar a escala la relevancia de sus resultados. Y el dato es contundente: el juez de IA coincide con el consenso humano mejor de lo que los humanos coinciden entre sí (un coeficiente de acuerdo de 0,58 frente al 0,38 entre humanos), con un 88% de consistencia en comparaciones y un 91% de detección de casos adversariales —es decir, intentos de engañar al sistema.

Léelo otra vez: un sistema de IA, que entiende el lenguaje natural en su sentido, juzga si tu producto es relevante para una búsqueda, y detecta nueve de cada diez intentos de manipulación. La densidad de palabras clave no significa nada para ese juez. La relevancia genuina lo es todo.

Qué significa todo esto para tu marca (la parte que Amazon no escribe, pero yo sí)

Recapitulemos la lógica, porque encadenada es imbatible:

1. El motor entiende la intención detrás de la búsqueda, no las palabras (COSMO).
2. Recupera candidatos por significado y comportamiento real, no por coincidencia léxica (embeddings).
3. Los ordena en un embudo que premia las señales honestas de relevancia y conversión (cascada).
4. Suprime —esconde— lo que no aporta a esa consulta, a propósito (COCO).
5. Optimiza la página entera contra la satisfacción a largo plazo, no el clic (whole-page).
6. Y se autoevalúa con IA que detecta la manipulación mejor que un humano (SAER).

En un sistema así, solo hay una estrategia sostenible: ser, de forma demostrable, la mejor respuesta a una intención concreta. Eso es optimización real, y es lo contrario de rellenar campos.

En la práctica, para una marca o fabricante, esa “mejor respuesta” se construye sobre cosas medibles y nada glamurosas:

• Una intención de compra clara detrás de cada producto: a quién resuelve qué, en qué situación. Si tú no lo tienes claro, el motor tampoco.
• Un listing que comunica esa intención sin redundancia: el término correcto una vez, en su sitio, y el resto del espacio dedicado a demostrar que tu producto es la respuesta (imágenes, beneficios, contenido A+).
• Señales de comportamiento sanas: que quien te ve te compre, que quien te compra no te devuelva. Eso depende de que el producto cumpla lo que el listing promete. Relevancia y rentabilidad, aquí, son la misma cosa.
• Cero spoofing: nada de pescar en búsquedas ajenas. No solo no funciona; te suprime y te diluye.

Lo veo cada semana en cuentas reales. Marcas que pagan a una agencia por “optimizar” exactamente como en 2018 —keywords apiladas, back-end saturado, títulos kilométricos— y no entienden por qué no rankean ni por qué su PPC se come el margen. No rankean porque están optimizando para un motor que ya no existe. Y el PPC se infla precisamente porque la relevancia orgánica es pobre: cuando el sistema no te ve como la respuesta natural a una búsqueda, cada clic pagado te cuesta más.

Con el cliente con el que mejor he visto esta lógica funcionar —una de las marcas con las que trabajo— el punto de partida ni siquiera era el ranking: era una cuenta bloqueada. Recuperarla y reconstruir la relevancia desde la base (intención clara, listings honestos, señales de conversión sanas, expansión ordenada) lo llevó de cero a más de 20.000 euros al mes en seis meses, con cerca de un 30% de margen neto. No hubo ningún truco de keywords. Hubo relevancia real, que es lo único que este motor recompensa.

El mismo principio lo validé antes con mi propia marca privada, productos por debajo de 20 euros, hasta 150.000 euros de facturación. Cuando el producto es genuinamente la respuesta y el listing lo comunica sin humo, el algoritmo de Amazon —el de verdad, el de 2026— juega a tu favor.

El motor ya decidió. La pregunta es si tú vas a seguir optimizando para el de 2018

La conclusión no es “las keywords ya no importan”. Es más precisa y más exigente: las keywords correctas en su sitio te hacen elegible, pero la relevancia genuina es lo que te hace ganar. Repetirlas no suma y colártelas donde no perteneces ya te resta, porque el sistema entiende la intención, mide la relevancia con IA y esconde lo que sobra.

Amazon ha invertido años y papers en construir un motor que premia exactamente lo que un buen producto bien presentado hace de forma natural. Es, en el fondo, una buena noticia para las marcas serias: el atajo está muerto, y el trabajo bien hecho rinde más que nunca.

La pregunta que deberías hacerte no es “¿tengo bien puestas las keywords?”. Es “¿es mi producto, de forma demostrable, la mejor respuesta a la intención de quien lo busca, y lo comunica mi listing sin humo?”. Si no sabes responderla con datos, ahí tienes tu siguiente trabajo.

Si gestionas una marca o eres fabricante y sospechas que estás optimizando para el Amazon de hace cinco años —keywords apiladas, PPC que se come el margen, posiciones que no suben—, puedo decirte exactamente dónde estás perdiendo relevancia y margen antes de que gastes otro euro en publicidad.

Es la fase Review de mi método R.O.I. (Review, Optimize, Implement): una auditoría que te dice qué está roto, por qué, y qué hacer, en lenguaje de negocio, no de agencia. Sin compromiso de seguir conmigo después. Trabajo con una sola marca por nicho a la vez, así que el diagnóstico también te dice si encajamos.

Escríbeme con tu categoría y el marketplace donde vendes (o donde deberías vender) y te digo por dónde se te está escapando la relevancia.

Fuentes

• COSMO — COSMO: A Large-Scale E-commerce Common Sense Knowledge Generation and Serving System at Amazon (SIGMOD-Companion 2024). PDF · Resumen divulgativo
• Matching semántico — Extreme Multi-label Learning for Semantic Matching in Product Search (Amazon, KDD 2021). PDF
• Rankers neuronales en cascada — Cost-Efficiency Trade-offs for Neural Cascade Rankers in Web Search (Amazon, WWW Companion 2025). PDF
• COCO — CoCo: Conformal Confidence Suppression to Optimize Search Results (Amazon, SIGIR 2026). PDF
• Página entera — Design and Evaluation of Whole-Page Experience Optimization for E-commerce Search (Amazon, WSDM 2026). arXiv:2602.02514
• Tendencias — Ensuring that customers don’t miss out on trending products (TrendRec, Amazon Science, RecSys 2023). Artículo
• SAER — SAER: Scalable Assessment of E-commerce Recommendations Using Large Language Models (Amazon, SIGIR 2026). Publicación