Abres una red social y parece que medio país detesta al otro medio. Insultos, indignación, acusaciones y videos de personas diciendo cosas extremas ocupan el feed. Después de suficiente tiempo mirando, es fácil llegar a una conclusión: “así piensa la gente”. Una investigación publicada este año en Nature encontró un problema inquietante: el algoritmo puede distorsionar nuestra percepción de cuánta hostilidad política existe realmente.
Los investigadores construyeron sus propias redes sociales experimentales y asignaron aleatoriamente a 2,000 participantes diferentes formas de ordenar el contenido durante ocho semanas alrededor de las elecciones presidenciales estadounidenses de 2024. Algunos recibieron un feed basado en interacción, parecido al principio utilizado por grandes plataformas; otros vieron publicaciones cronológicamente. Así pudieron aislar algo que normalmente resulta casi imposible estudiar: qué cambia únicamente por la manera en que un algoritmo decide qué mostrar primero.
El resultado fue claro. Los feeds optimizados por interacción amplificaron contenido intergrupal, moralizado, emocional y tóxico respecto de los cronológicos. El aumento fue especialmente marcado en indignación moral y contenido político. Además, quienes utilizaron esos feeds terminaron percibiendo mayor animosidad entre grupos partidistas.
Esto no significa que los algoritmos inventen toda la polarización ni que las personas carezcan de responsabilidad sobre lo que publican. Tampoco significa que el experimento de Estados Unidos pueda trasladarse automáticamente a México u otros países. La investigación demuestra algo más específico: cambiar el sistema que selecciona las publicaciones puede cambiar la imagen que recibimos sobre las normas políticas de una sociedad.
Otro estudio publicado en Nature en mayo auditó más de 280,000 recomendaciones de TikTok durante la elección estadounidense de 2024 y encontró asimetrías partidistas en la exposición. Las cuentas experimentales condicionadas con contenido republicano recibieron alrededor de 11.5% más material alineado con su posición que las condicionadas con contenido demócrata, mientras estas últimas recibieron más contenido contrario a su condicionamiento, particularmente material anti-Demócrata. Los autores pudieron descartar varias explicaciones basadas en métricas observables de interacción, pero no determinar el mecanismo interno exacto que produjo el desequilibrio.
Lo más interesante del primer experimento apareció cuando los investigadores probaron otro algoritmo. Diseñaron un sistema que reducía la influencia de usuarios extremos y diversificaba el contenido. Los participantes recibieron menos material tóxico, interpretaron con mayor precisión algunas normas sociales y disfrutaron la plataforma prácticamente igual. La hostilidad, por tanto, no parece ser inevitable para mantener a todo el mundo interesado.
Tal vez uno de los grandes problemas políticos de nuestra época sea que confundimos lo más visible con lo más común. Una persona furiosa publica veinte veces; diez personas moderadas quizá no publican ninguna. El algoritmo observa dónde existe interacción y nos devuelve aquello que consigue retenernos. Después nosotros observamos el resultado y creemos estar mirando directamente a la sociedad. Pero quizá algunas veces no estamos viendo cómo piensa un país: estamos viendo cómo una máquina aprendió a ordenar aquello que consigue que no apartemos la mirada.
Fuentes: Brady et al., Nature, “Redesigning algorithms to intervene on social norm misperceptions during a national election” (2026); Ibrahim et al., Nature, “Systematic partisan content skews in TikTok during the 2024 US elections” (2026).