Cómo funciona
El ciclo del engagement. El sistema de recomendación (recommender system). Por qué el algoritmo no tiene ningún incentivo para preocuparse por tu bienestar.
Cómo leer esta página. Toca cualquier palabra subrayada para ver el término académico preciso y una definición breve. Abre cualquier recuadro “Más a fondo” para ver la evidencia y los puntos en disputa. El texto principal se sostiene por sí solo: puedes saltarte ambas cosas y aun así entender todo el argumento.
La mecánica central
Todas las grandes plataformas de redes sociales están construidas en torno a una sola decisión que se toma miles de millones de veces al día: ¿qué ves a continuación?
Esa decisión la toma un algoritmo. El algoritmo no decide según lo que es verdad, lo que es importante o lo que te convendría saber. Decide, de forma abrumadora, según un solo tipo de señal: qué generó, en el pasado, el engagement de personas como tú. Un me gusta, una publicación compartida, un comentario, una pausa larga mientras te desplazas por la pantalla: cada interacción es un dato. El algoritmo aprende de esos datos y los usa para predecir con qué vas a interactuar después.
Sistema de recomendación (recommender system)
El tipo de algoritmos que decide qué ve cada usuario. Predicen, a partir de tu comportamiento anterior y del de usuarios parecidos, con qué contenido es más probable que interactúes, y ordenan tu feed en consecuencia. Son el motor de Facebook, YouTube y TikTok.
Lo decisivo es que optimizan el engagement que predicen, no la exactitud, la importancia ni tu bienestar. Cuando esas cosas entran en el modelo, si es que entran —un clasificador que puntúa una publicación como probable discurso de odio, una encuesta que pregunta a los usuarios qué les pareció valioso—, son ajustes que se añaden encima, no la magnitud que el sistema está hecho para maximizar.
Fuentes
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Universidad de Columbia.
Engagement optimisation
La práctica de entrenar un sistema de clasificación para maximizar señales de comportamiento que se pueden medir —clics, tiempo de visualización, contenidos compartidos, comentarios— y que se usan como sustituto del valor. Ese sustituto es cómodo porque es fácil de medir. También está desalineado de forma sistemática con el bienestar: el contenido que retiene la atención no es el contenido que te sirve.
Fuentes
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Universidad de Columbia.
Suena razonable. En la práctica, produce un problema sistemático.
El engagement no es lo mismo que el bienestar
Un choque de autos detiene el tráfico. Una pelea a gritos junta a una multitud. La indignación, el miedo y el conflicto entre bandos generan engagement, no porque a la gente le gusten, sino porque cuesta apartar la vista. El algoritmo no puede distinguir entre el engagement que te hace bien y el que no. Tampoco lo intenta. No es eso lo que está optimizando.
Las investigaciones internas de Facebook, filtradas en 2021 por la whistleblower (denunciante) Frances Haugen, mostraron que la empresa sabía que sus algoritmos amplificaban de forma desproporcionada, entre las publicaciones compartidas, lo que sus propios investigadores llamaban “desinformación, toxicidad y contenido violento”. Los documentos internos mostraron que se debatió si corregirlo. Las correcciones propuestas encontraron resistencia porque habrían reducido el engagement.
Esto no es una acusación de mala fe. Es una descripción de incentivos. Cuando la métrica es el engagement y la indignación impulsa el engagement, la indignación es lo que el sistema pone a la vista, sea cual sea la intención.
El ciclo de retroalimentación
El sistema de recomendación funciona mediante un ciclo continuo:
Tú interactúas con un contenido: haces una pausa, das me gusta, comentas, compartes o simplemente lo miras unos segundos. El sistema registra qué provocó esa interacción. El algoritmo actualiza su modelo de aquello a lo que respondes. Te muestra más contenido que, según su predicción, provocará respuestas parecidas. El ciclo funciona sin pausa y sin que nadie lo vea, para más de tres mil millones de personas al día solo en las aplicaciones de Meta. El propio Facebook se lanzó en 2004.
Con el tiempo, el algoritmo se vuelve muy preciso al predecir tus respuestas, no porque te entienda, sino porque ha acumulado suficientes datos sobre tu comportamiento como para modelarlo. El resultado es un feed que se siente personalizado y relevante, porque está calibrado según tu perfil psicológico específico.
Behavioural profiling
La construcción de un modelo predictivo de una persona a partir de los rastros que deja: en qué hace clic, cuánto tiempo se detiene, qué comparte, a quién sigue. El perfil no es una descripción en la que te reconocerías; es un objeto estadístico optimizado para predecir tu próxima acción. Nunca lo ves y no puedes corregirlo.
Fuentes
- Zuboff, S. (2019), The Age of Surveillance Capitalism, PublicAffairs (libro).
El mismo ciclo les paga a quienes hacen el contenido. Los creadores —medios, influencers, cualquier persona que publique para ganarse la vida— ganan con la parte de los ingresos publicitarios que la plataforma reparte, con patrocinios cuyo precio depende del alcance y con los fondos para creadores de la propia plataforma; todo eso crece con el engagement, así que la preferencia del sistema de clasificación por lo que provoca una reacción se convierte también en su incentivo. Los Facebook Files dejan constancia del hallazgo de la propia empresa: después de que el cambio de 2018 premiara los comentarios y las publicaciones compartidas, medios y partidos políticos le dijeron a Facebook que se habían pasado a publicaciones más divisivas porque eso era lo que ahora premiaba la clasificación. Nadie se lo ordenó; fueron los ingresos.
Lo que mostraron los datos
En 2018, Facebook cambió su algoritmo para impulsar las “Meaningful Social Interactions” (interacciones sociales significativas): contenido que generaba más comentarios y reacciones, con la intención de fomentar conexiones genuinas. Un estudio revisado por pares (Germano, Gómez y Sobbrio, publicado en el Journal of Public Economics en 2026), con datos de encuestas de Estados Unidos y de Italia, encontró que la actualización contribuyó, en cambio, a un aumento del extremismo ideológico y de la polarización afectiva en ambos países. Según esta evidencia, una decisión comercial tomada en una reunión de producto tuvo consecuencias políticas: son datos de encuestas, no un experimento, y no está resuelto en qué medida un solo cambio en la clasificación del feed mueve la polarización (ver más abajo).
Una presentación interna de Facebook de 2016, de la que informó el Wall Street Journal en 2020, encontró que, entre los grupos políticos alemanes que estudió, el 64% de todas las incorporaciones a grupos extremistas llegaron a través del propio sistema de recomendación de Facebook: un solo país, un solo año y la medición de la propia empresa. No fueron sitios marginales. Fue el motor de la propia empresa, un grupo sugerido tras otro.
Por qué la fuerza de voluntad individual es el enfoque equivocado
La respuesta habitual a todo esto es personal: úsalo menos, tómate pausas, ten más disciplina. El consejo no está mal, pero malinterpreta la escala del problema.
El sistema que optimiza tu feed fue construido durante años por grandes equipos de ingenieros muy calificados; se entrenó con enormes registros de lo que hace la gente y se perfecciona sin pausa —un cambio tras otro, probado con usuarios reales— hacia lo que genera más engagement. La idea de que la fuerza de voluntad individual es la principal defensa contra esto —y no un cambio estructural del propio sistema— es, en sí misma, un enfoque que beneficia a las plataformas. Pone la carga de responder sobre los usuarios y no sobre el diseño.
Entender el mecanismo es el comienzo. Lo demás es estructural: un cambio en lo que el sistema está hecho para maximizar, no en qué tan disciplinados son sus usuarios.
Cómo lo sabemos: el cambio de algoritmo de 2018 y lo que la evidencia muestra y no muestra
El cambio de 2018 llamado “Meaningful Social Interactions” (MSI) volvió a ponderar el News Feed para favorecer las publicaciones que generaban comentarios y reacciones, sobre todo las que se compartían entre amistades. Facebook lo presentó como una manera de fomentar la conexión. El análisis revisado por pares de Germano, Gómez y Sobbrio (2026; circuló como documento de trabajo en 2025) modeló cómo la clasificación según señales de engagement propaga el contenido, y contrastó sus predicciones con datos de Estados Unidos y de Italia; el modelo predice que dar más peso a los me gusta y a lo compartido aumenta el engagement, pero también la desinformación y la polarización, y los datos de las encuestas indican que el cambio MSI contribuyó a un aumento del extremismo ideológico y de la polarización afectiva. La evidencia es observacional: datos de encuestas, no un experimento controlado. Las revelaciones de Haugen mostraron después que el propio personal de Facebook había señalado que MSI premiaba la indignación y la desinformación compartida.
Lo que está en disputa. Que la clasificación por engagement amplifica el contenido divisivo tiene buen respaldo; en qué medida eso mueve la polarización no está resuelto. Los experimentos más grandes sobre la cuestión apuntan en la dirección contraria: en los estudios sobre las elecciones de 2020 en Estados Unidos realizados con Meta, tres meses de un feed cronológico en lugar del feed clasificado, o de un tercio menos de contenido de fuentes afines, no cambiaron de forma medible la polarización ni las actitudes políticas, dentro de los límites de tres meses y una sola elección. Las magnitudes precisas, y la parte de la polarización real que se puede atribuir a un solo cambio de algoritmo, dependen de los supuestos del modelo. Los efectos de las plataformas interactúan con la política fuera de internet, con los medios y con la autoselección, lo que dificulta atribuir causas de forma limpia. Exponemos el mecanismo y el conocimiento interno documentado; no afirmamos que el algoritmo por sí solo haya causado la polarización.
Sobre la cifra del 64%. Proviene de una presentación interna de Facebook de 2016, de la que informó el Wall Street Journal en mayo de 2020, un año antes de las revelaciones de Haugen. La diapositiva, de un estudio sobre grupos políticos en Alemania, decía que el 64% de todas las incorporaciones a grupos extremistas se debían al propio sistema de recomendación de Facebook (“Nuestros sistemas de recomendación hacen crecer el problema”). Es la medición que la propia empresa hizo de su propio producto, y eso es lo que le da peso; pero es una sola cifra interna, de un país y de un año, no un estudio replicado de forma independiente, y no dice nada sobre si esos usuarios ya estaban buscando esos grupos.
Fuentes
- The Facebook Files (Wall Street Journal, 2021) — las revelaciones internas de Frances Haugen.
- Germano, F., Gómez, V. & Sobbrio, F. (2026), Ranking for Engagement: How Social Media Algorithms Fuel Misinformation and Polarization, Journal of Public Economics 255 (versión en acceso abierto como documento de trabajo en la Barcelona School of Economics) — estudio empírico sobre la actualización del algoritmo de Facebook en 2018.
- Guess, A.M. et al. (2023), How do social media feed algorithms affect attitudes and behavior in an election campaign?, Science 381(6656), 398–404 — experimento sobre las elecciones de 2020 en Estados Unidos realizado con Meta: tres meses de un feed cronológico en Facebook e Instagram “no alteraron de forma significativa los niveles de polarización en torno a temas, polarización afectiva, conocimiento político ni otras actitudes clave”.
- Hagey, K. & Horwitz, J. (15 de septiembre de 2021), Facebook Tried to Make Its Platform a Healthier Place. It Got Angrier Instead, Wall Street Journal (The Facebook Files) — memorandos internos en los que medios y partidos políticos cuentan que pasaron a publicaciones más negativas y divisivas después del cambio de clasificación de 2018.
- Horwitz, J. & Seetharaman, D. (26 de mayo de 2020), Facebook Executives Shut Down Efforts to Make the Site Less Divisive, Wall Street Journal — la presentación interna de 2016 y la cifra del “64%”.
- Meta, Company information — “cuando Facebook se lanzó en 2004”.
- Meta Platforms (29 de julio de 2026), Meta Reports Second Quarter 2026 Results — el recuento de la propia empresa: “las DAP fueron 3.60 mil millones en promedio en junio de 2026” (personas activas diarias en su familia de aplicaciones), según el documento presentado ante la Comisión de Bolsa y Valores de Estados Unidos (SEC).
- Milli, S., Carroll, M., Wang, Y., Pandey, S., Zhao, S. & Dragan, A.D. (2025), Engagement, user satisfaction, and the amplification of divisive content on social media, PNAS Nexus 4(3) — auditoría prerregistrada: la clasificación por engagement de Twitter amplificaba contenido con carga emocional y hostil hacia otros grupos, en comparación con un feed cronológico, y los usuarios no lo preferían.
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Universidad de Columbia.
- Nyhan, B. et al. (2023), Like-minded sources on Facebook are prevalent but not polarizing, Nature 620, 137–144 — reducir en alrededor de un tercio la exposición a fuentes afines, en 23,377 usuarios durante las elecciones de 2020 en Estados Unidos, no tuvo ningún efecto medible sobre la polarización afectiva, el extremismo ideológico ni otras seis actitudes prerregistradas.
- Zuboff, S. (2019), The Age of Surveillance Capitalism, PublicAffairs (libro).