Dos personas crean una cuenta nueva el mismo día, eligen el mismo idioma y siguen a los mismos cinco perfiles. Durante las primeras horas sus pantallas suelen parecer bastante parecidas. Una semana después, una recibe recetas rápidas, reseñas de cafeterías y videos de cocina; la otra ve fotografía, videojuegos y noticias sobre tecnología. Ninguna tuvo que llenar un cuestionario detallado sobre sus gustos.
La diferencia se fue construyendo mientras usaban la plataforma. Cada reproducción, búsqueda, cuenta seguida, publicación ignorada o señal explícita de interés aportó información. Un algoritmo de recomendación trabaja precisamente con ese tipo de pistas: intenta ordenar una cantidad enorme de opciones según la probabilidad de que resulten relevantes para una persona en un momento concreto.
Un sistema de recomendación necesita candidatos antes de poder ordenarlos
Cuando se habla del “algoritmo” de una red social, es fácil imaginar una fórmula única que examina todas las publicaciones existentes y elige la siguiente. En servicios grandes, el proceso suele ser más amplio. Primero hay que formar un conjunto de contenidos que podrían mostrarse; después, distintos sistemas los filtran, comparan y ordenan.
Los candidatos provienen de cuentas que sigues, temas relacionados con contenido que consumiste, publicaciones populares, creadores que todavía no conoces o materiales similares a otros con los que interactuaste. Las reglas exactas cambian entre plataformas y también entre superficies de una misma aplicación. El inicio de YouTube, el panel “A continuación” y Shorts, por ejemplo, no dependen exactamente de las mismas señales.
La documentación de YouTube sobre sus recomendaciones explica que la página principal utiliza sobre todo el historial de reproducciones, mientras que para sugerir qué mirar a continuación adquiere especial importancia el video que se está reproduciendo. Ese detalle muestra por qué hablar de “un algoritmo” simplifica demasiado: una plataforma mantiene varios sistemas de recomendación adaptados a contextos distintos.
También existe un problema al principio, cuando la plataforma sabe poco de ti. En ciencia de datos suele llamarse arranque en frío: hay menos historial disponible para personalizar. Algunas aplicaciones preguntan por intereses; otras recurren a contenido popular, ubicación aproximada, idioma, cuentas que decidiste seguir o comportamientos de usuarios con patrones parecidos.
El plan de estudios de Ciencia de Datos del IIMAS-UNAM incluye el arranque en frío, la retroalimentación explícita e implícita y diferentes estrategias de recomendación dentro del estudio formal de estos sistemas. Es una pista útil para entender que recomendar no consiste solo en “recordar tus gustos”: el sistema también tiene que funcionar cuando esos gustos todavía no están claros.
Dos cuentas parecidas empiezan a separarse en pocas sesiones
Volvamos a las dos cuentas del inicio.
Ambas reciben un video sobre preparación de café. La primera persona lo ve completo, visita el perfil del creador y guarda otra receta. La segunda abandona el video a los pocos segundos y continúa desplazándose. Más tarde, la primera busca “café frío en casa”; la segunda busca “mejores juegos cooperativos”.
Esas acciones no tienen que convertirse en órdenes absolutas. Ver un video completo una vez no significa que la plataforma haya decidido que “amas el café”. Lo que obtiene son señales que se combinan con otras para estimar intereses.
TikTok explica en su descripción de cómo recomienda videos en Para Ti que utiliza, entre otros factores, las interacciones del usuario, información sobre los videos y ciertos datos de configuración de la cuenta o del dispositivo. La misma página señala que no todos los factores pesan igual: una señal fuerte de interés tiene más importancia que otra mucho más débil.
Aquí aparece una distinción útil entre señales explícitas e implícitas. Dar “Me gusta”, seguir una cuenta o seleccionar “No me interesa” expresa una preferencia de manera relativamente directa. El tiempo de visualización, una repetición o el hecho de pasar rápidamente al siguiente contenido requieren interpretación: la plataforma observa el comportamiento, aunque no sabe qué pensabas exactamente.
YouTube incluye entre sus indicadores el historial de reproducciones, búsquedas, suscripciones, “Me gusta”, “No me gusta”, opciones como “No me interesa” y encuestas de satisfacción. Además, aclara que no se limita al tiempo de reproducción. Eso importa porque dos acciones aparentemente similares adquieren significado diferente cuando se combinan con el resto del historial.
Después de varias sesiones, las dos cuentas del ejemplo ya no ofrecen al sistema la misma información. Aunque sigan a los mismos perfiles, han construido patrones distintos.
Esa divergencia tampoco avanza en línea recta. Un día puedes investigar un tema por motivos académicos y mirar varios videos que no reflejan un interés permanente; después, nueva actividad vuelve a modificar las señales disponibles.
Clasificar contenido significa estimar qué podría interesarte, no conocer tu intención
Una recomendación es una predicción. El sistema toma información disponible y calcula qué contenidos parecen mejores candidatos para ocupar posiciones limitadas en la pantalla.
Las plataformas observan similitudes entre materiales, relaciones entre personas y patrones de comportamiento de grupos de usuarios. Si ciertas audiencias suelen coincidir en varios temas, ese patrón sirve como una pista; si un contenido se parece a publicaciones que ya viste, aparece otra. Los sistemas modernos combinan enfoques más complejos, pero la lógica general sigue siendo comparar información para ordenar opciones.
En el artículo de Skydutz sobre qué es un algoritmo vimos que un algoritmo organiza pasos y decisiones para resolver un problema. En una recomendación, el problema no suele ser encontrar una única respuesta correcta. Consiste en jerarquizar alternativas bajo incertidumbre.
Meta describe en su explicación sobre cómo la IA influye en lo que ves en Facebook e Instagram sistemas que utilizan señales y modelos predictivos para clasificar contenido en Feed, Reels, Historias y otras superficies. La empresa también distingue entre materiales de cuentas que ya sigues y recomendaciones de personas o cuentas que todavía no sigues.
Por eso dos usuarios reciben a veces la misma publicación en posiciones muy distintas, mientras que uno de ellos quizá ni siquiera la vea. El sistema está resolviendo el problema con información diferente para cada cuenta.
La popularidad tampoco funciona como una llave universal. Un video muy visto entra a veces en el conjunto de candidatos porque está funcionando bien entre determinadas audiencias, pero después compite con contenidos más cercanos al historial individual. Al mismo tiempo, las plataformas introducen reglas de elegibilidad, seguridad y diversidad que modifican lo que finalmente llega a la pantalla.
La Revista Mexicana de Ciencias Políticas y Sociales de la UNAM estudia estos sistemas como parte de ensamblajes sociotécnicos donde interactúan algoritmos, datos, plataformas y usuarios. Esa perspectiva resulta más precisa que atribuir todo a una caja negra autónoma. Las recomendaciones reflejan modelos técnicos, pero también objetivos de producto, normas de la plataforma, decisiones de diseño y actividad humana.
Lo que ves también modifica lo que el sistema podrá aprender después
Existe un detalle que complica cualquier explicación demasiado lineal: el algoritmo aprende de tu comportamiento, pero tu comportamiento ocurre sobre contenido que la propia plataforma decidió mostrarte.
Si durante varios minutos recibes videos de un tema y terminas interactuando con algunos, nuevas señales se incorporan al sistema. A partir de ahí aparecen más candidatos relacionados. El feed es, por tanto, un proceso de retroalimentación: selección y respuesta se influyen mutuamente.
Esto no significa que una sola interacción encierre automáticamente a una persona en un tema. Las plataformas incorporan mecanismos para introducir contenido nuevo, responder a cambios de interés y recibir señales negativas. TikTok, por ejemplo, ofrece la opción “No me interesa” y una función que explica por qué se recomendó determinado video. Entre las razones que muestra aparecen interacciones, cuentas seguidas, contenido reciente y popularidad regional.
YouTube permite eliminar videos del historial, pausar determinados historiales y marcar recomendaciones como “No me interesa”. Su página para gestionar recomendaciones incluso pone como ejemplo una búsqueda académica que no representa un interés personal: pausar el historial evita que esa actividad se utilice de la misma manera para futuras recomendaciones.
Meta también ha incorporado controles para modificar la experiencia, incluida la posibilidad de reiniciar recomendaciones en determinadas superficies de Instagram. Estas herramientas no convierten al usuario en diseñador del sistema, aunque sí introducen formas explícitas de corregir señales que dejaron de representar sus intereses.
Aquí se vuelve visible la relación entre personalización y datos. Como explicamos en privacidad en Internet, utilizar servicios conectados genera actividad cuya conservación depende de la plataforma, la cuenta y sus configuraciones. En los sistemas de recomendación, parte de esa actividad adquiere valor porque ayuda a distinguir entre millones de opciones posibles.
Tu feed es el resultado de un momento, no una descripción permanente de quién eres
Dos personas no necesitan tener personalidades opuestas para recibir feeds diferentes. Basta con que sus historiales se separen poco a poco, utilicen superficies distintas o respondan de manera diferente a lo que aparece.
Además, el conjunto disponible cambia todo el tiempo: aparecen publicaciones y tendencias nuevas, otras pierden relevancia y cada plataforma ajusta sus sistemas. Según el servicio, también influyen el contexto y el contenido que estás viendo en ese instante.
El artículo anterior sobre cómo funcionan las redes sociales detrás de la pantalla mostró que una red social coordina almacenamiento, servidores, moderación, publicidad, interfaces y numerosos procesos además de la recomendación. El algoritmo que organiza el feed ocupa una parte muy visible de ese sistema, pero trabaja dentro de ese entorno y con las reglas que la plataforma establece.
Volvamos, finalmente, a las dos cuentas que empezaron igual. Después de una semana ya no tienen el mismo historial, no han reaccionado ante los mismos contenidos y ni siquiera han ofrecido al sistema las mismas oportunidades de aprender.
El feed diferente no necesita una explicación misteriosa. Es el resultado acumulado de candidatos disponibles, señales, predicciones, reglas de la plataforma y respuestas del usuario.
Y como todas esas piezas siguen cambiando, la próxima pantalla tampoco está decidida para siempre.
Martin Rojas es especialista en tecnología y trabaja con herramientas digitales, computadoras, Internet y software desde hace muchos años. A lo largo de su trayectoria ha realizado cursos de actualización y desarrollado experiencia práctica con diferentes plataformas, sistemas y soluciones digitales. En Skydutz, transforma ese conocimiento técnico en explicaciones claras para estudiantes, profesionales y personas que quieren entender mejor la tecnología que utilizan todos los días.