La actividad digital contiene más información de la que solemos percibir mientras navegamos. Un like, una búsqueda, un video visto hasta el final o una publicación guardada parecen acciones pequeñas. Analizadas en conjunto, pueden ayudar a un sistema a reconocer regularidades y estimar qué podría interesarnos después.
La pregunta de fondo no es menor. Si plataformas y algoritmos organizan contenidos, publicidad y recomendaciones a partir de nuestras acciones, conviene entender cuánto pueden saber realmente de nosotros y hasta dónde llega ese conocimiento.
La actividad digital puede revelar patrones valiosos, pero un patrón no explica por completo a una persona.
La actividad digital puede convertirse en información útil
Lo que hacemos en internet deja rastros que pueden analizarse estadísticamente. Por separado, una acción dice poco. Varias acciones reunidas empiezan a formar un patrón: una búsqueda se conecta con otra, un grupo de contenidos vistos sugiere una preferencia y una serie de interacciones permite reconocer tendencias.
Ese paso de la actividad a la estimación es central para entender cómo operan muchos sistemas actuales. No necesitan escuchar una conversación ni recibir una confesión explícita. Les basta con relacionar conductas observables para producir una lectura probabilística sobre intereses, afinidades o decisiones probables.
Hasta aquí, el proceso puede resumirse de forma sencilla en el siguiente esquema:
Los likes mostraron muy pronto que podían decir más de lo esperado
Uno de los estudios más citados sobre este tema fue publicado en PNAS en 2013 por Michal Kosinski, David Stillwell y Thore Graepel. A partir de registros de actividad en Facebook, los autores mostraron que ciertos rastros digitales podían utilizarse para predecir estadísticamente características personales que los usuarios no habían declarado de forma directa.
El hallazgo fue importante porque hizo visible algo que desde entonces no ha dejado de discutirse: acciones aparentemente simples pueden contener suficiente información para producir inferencias sobre una persona.
Esa línea se volvió todavía más conocida en 2015, cuando un estudio de Wu Youyou, Michal Kosinski y David Stillwell encontró que las evaluaciones de personalidad basadas en huellas digitales podían, en determinadas condiciones, resultar comparables o incluso superiores a las realizadas por algunas personas cercanas al participante.
El trabajo no significaba que un algoritmo “conociera” mejor a alguien en todos los sentidos. Mostraba, más bien, que ciertos patrones de comportamiento podían utilizarse con bastante eficacia para estimar rasgos concretos.
La investigación reciente también ha puesto límites
Ese primer entusiasmo necesitaba matices, y la literatura más reciente los ha ido aportando. Un metaanálisis publicado en Psychological Bulletin en 2024 reunió resultados de distintas investigaciones sobre predicción computacional de personalidad y encontró una relación moderada entre las estimaciones de los modelos y las mediciones de personalidad.
La conclusión importa porque evita dos exageraciones. La primera sería decir que los algoritmos no saben nada relevante de nosotros. La segunda, asegurar que pueden descifrarnos por completo. La evidencia apunta a un punto intermedio: los modelos pueden captar señales útiles, pero sus resultados siguen siendo parciales, probabilísticos y dependientes de los datos disponibles.
Algo parecido ocurre con los sistemas que buscan anticipar preferencias. Un modelo puede identificar que ciertos contenidos tienen una alta probabilidad de gustarnos o que un producto podría resultarnos relevante. Eso no significa que entienda todas las razones detrás de ese interés ni que siempre vaya a acertar.
Una estimación no equivale a una explicación
Aquí aparece una diferencia decisiva. Los algoritmos pueden reconocer regularidades en el comportamiento; las personas vivimos contextos, motivaciones y dudas que no siempre quedan registradas del mismo modo.
Dos usuarios pueden ver el mismo video completo por razones opuestas. Alguien puede buscar un producto para sí mismo, para un familiar o simplemente por curiosidad. Una publicación guardada puede indicar interés genuino, comparación o intención de revisarla después sin volver nunca a abrirla.
Por eso conviene distinguir entre estimar y comprender. Un sistema puede acertar al sugerir algo que nos interesa y, al mismo tiempo, desconocer la historia concreta que explica por qué nos interesa.
Saber más no significa saberlo todo
La ciencia ayuda a salir de una idea demasiado simple: ni los algoritmos trabajan a ciegas ni poseen un acceso total a nuestra vida interior. Lo que tienen son registros de conducta, capacidad de comparación y modelos cada vez más eficaces para encontrar patrones.
Eso alcanza para personalizar experiencias con bastante precisión. También alcanza para que una recomendación se sienta inquietantemente acertada. Pero esa precisión sigue siendo una forma de lectura estadística, no una comprensión completa de quiénes somos.
En ese matiz está buena parte de la discusión actual. La actividad digital puede decir bastante sobre nosotros, aunque nunca diga todo.
▏
Desde la investigación
- Kosinski, Stillwell y Graepel (2013), PNAS. Mostraron que registros digitales de comportamiento podían utilizarse para predecir estadísticamente características personales que los usuarios no habían declarado directamente.
- Youyou, Kosinski y Stillwell (2015), PNAS. Encontraron que ciertas evaluaciones de personalidad basadas en huellas digitales podían resultar comparables o superiores a las de algunas personas cercanas.
- Metaanálisis publicado en Psychological Bulletin (2024). Reunió evidencia sobre predicción computacional de personalidad y encontró asociaciones moderadas, no perfectas, entre las estimaciones de los modelos y las mediciones de personalidad.
- Investigación contemporánea sobre recomendación y personalización. La literatura reciente coincide en que la actividad digital puede alimentar estimaciones útiles sobre preferencias e intereses, aunque esos resultados siguen siendo probabilísticos y contextuales.