Algoritmos de recomendación: la máquina que aprende lo que quieres antes de que lo sepas

Nadie eligió tu pantalla: la eligieron por ti

Abres una app y, sin buscar nada, aparece justo lo que ibas a querer. Eso no es telepatía: es un sistema que observó qué hicieron, hace dos segundos, miles de personas parecidas a ti, y apostó por lo más probable. Cada plataforma que uses compite por el mismo recurso escaso —tu tiempo despierto— y la que mejor predice qué te retendrá, gana. ¿Qué pasa cuando el intermediario entre tú y el mundo no es un editor sino una función matemática? Piensa: ¿cuándo fue la última vez que viste algo que no te interesaba y aprendiste algo?

Mientras ves el video, ten presente esta pregunta: ¿el algoritmo te conoce o te está formando?

Lo importante

La recomendación funciona por ensayo y error a escala: la plataforma te muestra algo, mide cuánto tardas en decidir, si lo terminas, si compartes, y actualiza tu perfil como una apuesta repetida. Los modelos más simples buscan vecinos —personas con gustos similares— y prestan su sabiduría; los modernos, una red neuronal que aprende qué combinaciones de usuario y contenido producen minutos. Lo sorprendente no es la precisión sino la velocidad de retroalimentación: cada una de tus dudas también es un dato. El "no me interesa" que no tocas y el video que ves a medias educan al sistema igual que un clic.

Y aquí asoma el problema social: optimizar la retención empuja hacia lo que engancha —novedad, indignación, confirmación—, no hacia lo que conviene. De ahí la "burbuja de filtro": si el sistema solo te sirve lo que ya se parece a lo anterior, tus gustos se estrechan en espiral y el mundo ajeno se vuelve invisible. No hace falta que nadie ordene manipularte: basta una métrica mal elegida y un incentivo económico. Por eso la discusión pública seria sobre estas plataformas ya no gira solo en qué se censura, sino en qué se optimiza: ¿quién puede auditar la métrica, y puede el usuario cambiar la función de recompensa?