El feed de tu red social no es una ventana a la realidad sino un espejo pulido para reflejar tus peores impulsos. Crees que eliges lo que ves, pero no es así. El sistema siempre elige lo que te mantiene mirando, y así gana dinero.
Los sistemas de recomendación no son saneadores de contenido. No valoran la verdad ni tu bienestar mental. Optimizan una única métrica: el compromiso. En la jerga técnica, el watch time o la duración de la sesión. Cada acción que realizas es un dato. Cada pausa, cada desplazamiento hacia atrás, cada comentario escrito es una señal de recompensa. El algoritmo aprende qué combinación de palabras, imágenes y colores te detiene. Esto no es una conspiración política. Es cálculo diferencial aplicado a la psicología humana.
El modelo construye una representación vectorial de alta dimensión de ti y del contenido. Calcula para predecir la probabilidad de que hagas clic o veas un video durante diez segundos. Si acierta, refuerza esa ruta neuronal digital. Si falla, la descarta. El sistema es ciego al contexto moral. Solo entiende la correlación entre el estímulo y la respuesta conductual.
El problema que tenemos es que el odio es rentable, porque es biológicamente eficiente. Un estudio analizó más de 500.000 publicaciones de actores políticos en redes sociales para medir el efecto del lenguaje moral-emocional [1]. La metodología fue rigurosa: procesamiento de lenguaje natural a gran escala combinado con métricas de interacción real. El resultado fue contundente. Cada palabra moral-emocional aumentaba la probabilidad de que la publicación fuera compartida en un 20 %. Cuatro años después, otro equipo repitió la jugada a mayor escala: 2,7 millones de publicaciones de medios y congresistas en Facebook y Twitter [2]. Y encontró algo peor. Cada palabra adicional referida al grupo político contrario aumentaba las comparticiones en torno a un 67 %. Hablar mal del rival era el mayor predictor de viralidad de todo el estudio, muy por encima de hablar bien de los tuyos. La indignación vende. El desprecio al enemigo, más.
El algoritmo no entiende de política solo le importa que el contenido moral-emocional captura tu atención antes de que decidas si te interesa. Esto está testeado en laboratorio con paradigmas de captura atencional: las palabras con carga moral y emocional se detectan más rápido y retienen la mirada más tiempo que las neutras, y esa ventaja atencional predice qué mensajes se vuelven virales [3]. El estímulo indignante sobrepasa al escrutinio lento; cuando tu parte deliberativa llega, ya has clicado. La indignación moral genera más comentarios y esos comentarios pesan mucho en la función de optimización del compromiso. El sistema no está sesgado políticamente por diseño. Está sesgado biológicamente por defecto. El enfado y la ira son el combustible más barato y eficiente para mantener la maquinaria girando.
La narrativa popular afirma que los algoritmos crean la polarización desde cero. La evidencia científica cuenta una historia más matizada y mucho más incómoda. Un ensayo controlado aleatorizado cambió a decenas de miles de usuarios de Facebook e Instagram de un feed algorítmico a uno cronológico durante tres meses, en plena campaña electoral de 2020 [4]. La metodología es el estándar de oro: asignación aleatoria, grupo de control, medición de actitudes antes y después. El resultado desmonta la simplificación. El feed cronológico redujo el tiempo de pantalla y cambió la dieta informativa. Sin embargo, el efecto sobre la polarización afectiva fue mínimo.
La polarización afectiva no es disentir sobre impuestos. Es ver al grupo político opuesto como una amenaza existencial para la nación. Es la diferencia entre «tu política es errónea» y «tú eres malvado». El algoritmo alimenta esto, sí. Pero no es el origen de la enfermedad. Es el amplificador.
Para entender la magnitud real, hay que mirar los experimentos de desactivación. Un estudio monumental randomizó a 19.857 usuarios de Facebook y 15.585 de Instagram para desactivar sus cuentas durante seis semanas antes de las elecciones presidenciales de Estados Unidos en 2020 [5]. La metodología fue brutal en su simplicidad y rigor. Un grupo recibió dinero por desactivar su cuenta una semana. El grupo de tratamiento recibió más dinero por desactivarla seis semanas. Se utilizó un análisis de variables instrumentales para corregir el cumplimiento imperfecto, cruzando los datos con registros administrativos de votación y seguimiento pasivo de aplicaciones.
Los hallazgos son contraintuitivos. La desactivación redujo la participación política en línea. Redujo ligeramente la creencia en desinformación. Pero los efectos sobre la polarización afectiva, la polarización de temas, la legitimidad percibida de la elección y la participación electoral fueron estimados con precisión y estuvieron cerca de cero. Apagar la aplicación no te hace menos polarizado. Las fracturas sociales existen independientemente del código. Desgraciadamente, en Estados Unidos, la polarización lleva décadas creciendo más rápido precisamente en el grupo demográfico que menos usa internet, los mayores de 65 años [6]. Si el algoritmo fuera la causa raíz, esperarías exactamente lo contrario. Es decir, seguramente hay más factores que influyen, cómo los medios de comunicación, la corrupción o las politicas actuales.
Es importante tener en cuenta que los estudios anteriores son una colaboración con Meta, y durante el periodo exacto de los estudios, la plataforma tenía activadas 63 medidas de emergencia —las llamaron «break glass», romper el cristal— diseñadas para reducir la visibilidad de noticias de fuentes poco fiables tras las elecciones [7]. Es decir: el algoritmo «normal» contra el que se comparaba todo ya estaba intervenido para parecerse a su versión más inofensiva. Un equipo independiente señaló que esto cambia la condición de control del experimento y puede explicar parte de sus resultados [8]. Los autores originales respondieron defendiendo sus conclusiones, y la disputa sigue abierta. El resultado nulo sobre polarización probablemente sobrevive; la idea de que el algoritmo estándar de Facebook es inocuo con la desinformación, no está tan clara. Cuando el laboratorio es propiedad del sujeto del experimento, conviene leer la letra pequeña.
Lo que nadie te contó
La evidencia dice que los autores crean el modelo teórico de plataforma con una consigna clara: cuanto más peso da el ranking a las señales sociales —me gusta, compartidos, comentarios—, más engagement genera, y más desinformación y polarización produce, porque los usuarios ideológicamente extremos interactúan de forma desproporcionada y el sistema los amplifica. Después contrastan el modelo con un experimento natural: el cambio de algoritmo de Facebook de 2018 («Meaningful Social Interactions»), que dio más peso justo a esas señales. Usando encuestas de Estados Unidos e Italia y una estimación de diferencias en diferencias, encuentran que aquel cambio contribuyó a un aumento del extremismo ideológico y de la polarización afectiva en ambos países.
Y no es el único experimento natural a escala internacional. Twitter mantuvo desde 2016 a un 1 % de sus usuarios —unos dos millones de personas— con el feed cronológico antiguo, como grupo de control permanente. Cuando sus propios investigadores compararon ambos grupos en siete países, encontraron que el feed algorítmico amplificaba el contenido político en general, y en seis de los siete países amplificaba más a la derecha política que a la izquierda [10]. Otro análisis, este sobre 375 millones de tuits en nueve países —Canadá, Francia, Alemania, Italia, Polonia, España, Turquía, Reino Unido y Estados Unidos—, encontró la misma estructura en todas partes: redes de interacción política polarizadas donde las menciones al grupo contrario son sistemáticamente más tóxicas que las internas [11]. Con un matiz incómodo para cualquier narrativa simple: esas interacciones hostiles recibían menos «me gusta» que las amistosas. La hostilidad estructura el debate político global aunque no siempre gane la subasta del engagement.
¿Por qué ocurre esto? Porque el feed algorítmico prioriza contenido novedoso y de alta excitación. En el ecosistema mediático actual, este tipo de encuadre se alinea de manera desproporcionada con el populismo y el antiestablishment. El algoritmo es ciego al ideario. Pero el contenido que recompensa no lo es. La arquitectura de la plataforma moldea el comportamiento sin necesidad de una intención política explícita por parte de sus ingenieros.
Un experimento de campo aleatorizado en la plataforma X (anteriormente Twitter) lo demuestra con crudeza [12]. Un equipo académico independiente —sin cooperación de la plataforma, que es justo lo que da valor al dato— asignó aleatoriamente a casi 5.000 usuarios activos de Estados Unidos al feed cronológico «Siguiendo» o al feed algorítmico «Para ti» durante siete semanas de 2023. El resultado fue claro. El feed algorítmico aumentó significativamente el compromiso y desplazó las opiniones políticas hacia posiciones más conservadoras, particularmente en prioridades de políticas públicas, en las percepciones sobre las investigaciones criminales a Donald Trump y en las opiniones sobre la guerra de Ucrania. El análisis del contenido mostró el mecanismo: el algoritmo promovía publicaciones conservadoras y de activistas, y relegaba a los medios tradicionales.
Dos detalles de este estudio importan más que el titular. Primero: la polarización afectiva y el partidismo autodeclarado no se movieron. El algoritmo desplazó opiniones concretas, no convirtió a nadie en fanático en siete semanas. Coherente con todo lo anterior: amplificador, no origen. Segundo, y este es el que deberías recordar: el efecto fue asimétrico y persistente. Encender el algoritmo movió actitudes; apagarlo no las devolvió a su sitio. Los usuarios expuestos al feed algorítmico empezaron a seguir cuentas de activistas conservadores, y siguieron siguiéndolas cuando el algoritmo desapareció. El feed se apaga; la red de cuentas que te construyó, no. Esto explica, de paso, por qué los experimentos de desactivación encuentran nulos: llegan tarde. No detectan el efecto del algoritmo porque el algoritmo ya hizo su trabajo antes de que empezara el experimento.
Esto no sucede porque el código esté escrito por conservadores, yo creo que sucede porque el contenido conservador, normalmente tiende a usar de mayor exaltación emocional y retórica anti institucional que la métrica de compromiso recompensa automáticamente. El sistema es un mercenario. Se alía con quien le paga en atención, independientemente de la bandera que ondee.
El caso de TikTok apunta en la misma dirección mercenaria. Su feed «Para Ti» es un producto algorítmico casi puro; la agencia del usuario es mínima. Una auditoría con 323 cuentas fantasma sembradas con contenido demócrata o republicano, que recogió más de 280.000 recomendaciones durante las 27 semanas previas a las elecciones estadounidenses de 2024, encontró un sesgo sistemático y asimétrico: las cuentas republicanas recibían un 11,5 % más de contenido de su propio partido, y las demócratas eran expuestas a un 7,5 % más de contenido del partido contrario, en gran medida material anti-demócrata [13]. Antes de que nadie saque la pancarta: el mismo equipo había documentado en 2023 un sesgo hacia la izquierda en las recomendaciones políticas de YouTube. El sentido del sesgo depende de la plataforma y del momento. Lo que no depende de nada es la existencia del sesgo: la neutralidad algorítmica es un mito de departamento de comunicación.
Ahora bien, si apagar el algoritmo no despolariza, ¿el ranking de posicionamiento es entonces irrelevante para la polarización afectiva? No. Un experimento publicado en Science lo resolvió con un truco elegante: en lugar de apagar nada, reordenó [14]. Una extensión de navegador, armada con un modelo de lenguaje, detectaba en tiempo real las publicaciones de X con hostilidad partidista y actitudes antidemocráticas —pedir cárcel o violencia para los votantes del otro partido— y las bajaba o las subía en el feed de 1.256 participantes durante diez días de la campaña presidencial de 2024. Experimento preregistrado, independiente, sin permiso de la plataforma. Bajar ese contenido enfrió la animosidad hacia el partido contrario en unos dos puntos sobre un termómetro de cien; subirlo la calentó en la misma medida. En ambos bandos por igual. No se borró ni una publicación. Solo cambió el orden. Dos puntos en diez días equivalen, aproximadamente, a lo que la animosidad partidista estadounidense tarda unos tres años en crecer sola. La síntesis de una década de resultados contradictorios cabe en tres líneas: quitar el algoritmo entero no hace nada medible [4][5]. Encenderlo desplaza opiniones y deja huella persistente [12]. Y reordenar quirúrgicamente la hostilidad mueve la polarización afectiva en cuestión de días [14]. El problema nunca fue que exista un ranking, sino que sale al principio.
Los modelos actuales generan contenido sintético, hiperpersonalizado, diseñado en tiempo real para maximizar el compromiso de un usuario particular. Si el sistema puede crear contenido y una realidad especifica para cada usuario, generando el argumento perfecto, con el tono exacto y la referencia cultural precisa, de tal forma que se le mantiene atrapado en su bucle de dopamina, ¿Qué sucede con el concepto de realidad compartida? El experimento de reordenación [14] demostró que un modelo de lenguaje puede enfriar un feed a voluntad. La misma tecnología, con el signo invertido, puede calentarlo. Nos movemos de la selección de contenido algorítmica a la generación de túneles de realidad a medida. ¿Es posible controlar un algoritmo que se adapta y evoluciona más rápido que cualquier proceso legislativo humano? ¿O simplemente seremos miles de millones de nodos, cada uno viviendo nuestra realidad particular, generada por el algoritmo? Incapaces de siquiera definir los términos de un desacuerdo o un acuerdo.
La evidencia converge en un punto único y sólido. Las redes sociales explotan la neurobiología humana para maximizar nuestro tiempo enfrente de la pantalla. Amplifican la polarización porque es rentable, no porque exista una gran conspiración política en un sótano de Silicon Valley. Y sus efectos no se deshacen apagando el interruptor, porque el algoritmo no solo ordena lo que ves: reconstruye a quién sigues, qué temas te importan y qué versión del adversario conoces. Eso se queda.
Eliminar tu cuenta de instagram no sanará a una sociedad dividida. Las grietas están ahí, con o sin la aplicación. Pero desactivarla te devolverá varias horas de tu semana en las cuales podrás pensar por ti mismo y elegir tus fuentes y darle importancia por ti mismo a los sucesos. Te liberará del bucle de retroalimentación de indignación. La pregunta real no es cómo arreglar el algoritmo. La pregunta es por qué sigues dispuesto a ser su materia prima.
Referencias
[1] Brady, W. J., Wills, J. A., Jost, J. T., Tucker, J. A. y Van Bavel, J. J. (Universidad de Nueva York, 2017). Emotion shapes the diffusion of moralized content in social networks. Proceedings of the National Academy of Sciences, 114(28).
Etiqueta: Fiable. Revisada por pares y muy citada, pero reanálisis posteriores han discutido el tamaño del efecto según cómo se modele la estructura de la red (ver nota 1).
[2] Rathje, S., Van Bavel, J. J. y van der Linden, S. (Universidad de Cambridge / Universidad de Nueva York, 2021). Out-group animosity drives engagement on social media. Proceedings of the National Academy of Sciences, 118(26).
Etiqueta: Fiable. Revisada por pares, sobre 2,7 millones de publicaciones reales, con hallazgos consistentes en dos plataformas y replicados conceptualmente en trabajos posteriores.
[3] Brady, W. J., Gantman, A. P. y Van Bavel, J. J. (Universidad de Nueva York, 2020). Attentional capture helps explain why moral and emotional content go viral. Journal of Experimental Psychology: General, 149(4).
Etiqueta: Con reservas. Serie de experimentos de laboratorio de un solo equipo; mecanismo plausible y medido, pendiente de réplica independiente amplia.
[4] Guess, A. M. et al. (Universidad de Princeton y consorcio US 2020 Facebook & Instagram Election Study, 2023). How do social media feed algorithms affect attitudes and behavior in an election campaign? Science, 381(6656), 398–404.
Etiqueta: Ensayo aleatorizado de gran escala y estándar de oro metodológico, pero realizado en colaboración con Meta y bajo disputa metodológica activa (ver notas 2 y 3).
[5] Allcott, H., Gentzkow, M., Mason, W., Wilkins, A., Barberá, P. et al. (Universidad de Stanford / Universidad de Nueva York y consorcio US 2020, 2024). The effects of Facebook and Instagram on the 2020 election: A deactivation experiment. Proceedings of the National Academy of Sciences, 121(21), e2321584121.
Etiqueta: Fiable. El experimento de desactivación más grande realizado hasta la fecha, con asignación aleatoria, seguimiento pasivo y registros administrativos de voto. Nota: forma parte del mismo consorcio con Meta y su periodo solapa con las medidas de emergencia de la plataforma (ver notas 2 y 3).
[6] Boxell, L., Gentzkow, M. y Shapiro, J. M. (Universidad de Stanford / Universidad de Brown, 2017). Greater Internet use is not associated with faster growth in political polarization among US demographic groups. Proceedings of the National Academy of Sciences, 114(40).
Etiqueta: Fiable. Series demográficas largas con múltiples medidas de polarización.
[7] Thorp, H. H. y Vinson, V. (2024). Context matters in social media. Science, 385(6716), 1393.
Etiqueta: Editorial (documento institucional, sin calificación empírica).
[8] Bagchi, C., Menczer, F., Lundquist, J., Tarafdar, M., Paik, A. y Grabowicz, P. A. (Universidad de Massachusetts Amherst / Universidad de Indiana / University College Dublin, 2024). Social media algorithms can curb misinformation, but do they? Science (comentario técnico).
Etiqueta: Con reservas. Crítica metodológica en disputa activa, con respuesta publicada de los autores originales (ver nota 3).
[9] Germano, F., Gómez, V. y Sobbrio, F. (Universitat Pompeu Fabra / Universidad de Roma Tor Vergata, 2026). Ranking for engagement: How social media algorithms fuel misinformation and polarization. Journal of Public Economics, 255, 105589.
Etiqueta: Reciente. Revisado por pares; modelo teórico con validación empírica mediante diferencias en diferencias sobre datos de encuestas de EE.UU. e Italia. Sin réplica independiente todavía.
[10] Huszár, F., Ktena, S. I., O’Brien, C., Belli, L., Schlaikjer, A. y Hardt, M. (Twitter / Universidad de Cambridge, 2022). Algorithmic amplification of politics on Twitter. Proceedings of the National Academy of Sciences, 119(1).
Etiqueta: Con reservas. Diseño experimental sólido con millones de usuarios durante años, pero elaborado con datos internos de la empresa no auditables por terceros.
[11] Falkenberg, M., Zollo, F., Quattrociocchi, W., Pfeffer, J. y Baronchelli, A. (City University of London / Universidad Ca’ Foscari de Venecia / Universidad Sapienza de Roma / Universidad Técnica de Múnich, 2024). Patterns of partisan toxicity and engagement reveal the common structure of online political communication across countries. Nature Communications, 15, 9560.
Etiqueta: Con reservas. Análisis observacional y correlacional, aunque de escala masiva (375 millones de tuits, nueve países).
[12] Gauthier, G., Hodler, R., Widmer, P. y Zhuravskaya, E. (Escuela de Economía de París / Universidad de St. Gallen, 2026). The political effects of X’s feed algorithm. Nature. DOI: 10.1038/s41586-026-10098-2.
Etiqueta: Reciente. Experimento de campo aleatorizado e independiente de la plataforma, con casi 5.000 usuarios durante siete semanas. Revisado por pares en revista de máximo impacto; pendiente de réplica en otros contextos y plazos.
[13] Ibrahim, H., Jang, H. D., Aldahoul, N., Kaufman, A. R., Rahwan, T. y Zaki, Y. (Universidad de Nueva York en Abu Dabi, 2026). Systematic partisan content skews in TikTok during the 2024 US elections. Nature. DOI: 10.1038/s41586-026-10447-1.
Etiqueta: Reciente. Auditoría algorítmica revisada por pares, con 323 experimentos controlados; limitada a una ventana electoral concreta (ver nota 4).
[14] Piccardi, T., Saveski, M., Jia, C., Hancock, J., Tsai, J. L. y Bernstein, M. S. (Universidad de Stanford / Universidad Johns Hopkins / Universidad de Washington / Universidad Northeastern, 2025). Reranking partisan animosity in algorithmic social media feeds alters affective polarization. Science, 390(6776). DOI: 10.1126/science.adu5584.
Etiqueta: Reciente. Experimento de campo preregistrado e independiente de la plataforma; efecto causal limpio, medido a corto plazo y durante el pico de una campaña electoral.