Un influencer aparece una vez en nuestro feed. Vemos el video completo, quizá buscamos otro, dejamos un “me gusta” o simplemente nos detenemos unos segundos más de lo habitual. Días después vuelve a aparecer. Luego encontramos a alguien parecido y, más adelante, otra publicación de la misma persona.
No hace falta seguir una cuenta para que empiece a formar parte de nuestra experiencia digital. Los sistemas de recomendación observan distintas señales, las combinan y estiman qué contenidos podrían interesarnos en cada momento. Así, una aparición aislada puede convertirse en una presencia recurrente.
Detrás de ese proceso no existe un único “algoritmo” que decida todo. Plataformas como YouTube, TikTok, Instagram o Facebook utilizan distintos modelos y sistemas de clasificación según el lugar donde aparece el contenido, el comportamiento previo y el objetivo de cada superficie.
Cada reproducción deja señales
Ver un contenido ya proporciona información. También cuenta cuánto tiempo permanecemos, si terminamos el video, lo repetimos, buscamos algo relacionado, seguimos una cuenta, compartimos, comentamos o indicamos que algo no nos interesa.
YouTube explica que su sistema de recomendaciones aprende cada día de más de 80 mil millones de señales. Entre ellas incluye historial de reproducciones y búsquedas, suscripciones, “me gusta”, “no me gusta” y respuestas explícitas como “No me interesa”. La plataforma también considera cuánto contenido vemos y utiliza patrones de audiencias con hábitos similares para estimar qué podría resultar relevante.
TikTok describe una lógica semejante, aunque con su propia combinación de factores. Su sistema de “Para Ti” utiliza interacciones del usuario, información del video y algunos datos de configuración. La plataforma señala además que las señales reciben pesos distintos: terminar de ver un video largo, por ejemplo, puede ser un indicador más fuerte que compartir el mismo país con la persona que lo publicó.
Un algoritmo de recomendación no cuenta simplemente cuántas cosas hicimos. Intenta interpretar qué tan informativa puede ser cada señal.
El sistema combina, clasifica y ordena
Entre millones de publicaciones disponibles, primero hay que reducir las posibilidades y después decidir cuáles mostrar antes.
Una arquitectura clásica publicada por investigadores de YouTube en 2016 describía este problema en dos grandes etapas: generación de candidatos, para seleccionar un conjunto manejable de videos entre una cantidad enorme de opciones, y ranking, para ordenar posteriormente esos candidatos. Los sistemas actuales han evolucionado desde entonces, pero esa separación sigue siendo útil para entender cómo puede funcionar una recomendación a gran escala.
La plataforma tampoco necesita concluir literalmente “a esta persona le gusta este influencer”. Puede detectar patrones más específicos: interés por determinado tema, formato, duración, estilo de video o conjunto de canales. YouTube explica actualmente que considera tanto el rendimiento del contenido como la afinidad de intereses y que analiza señales en tiempo real, incluidos hábitos anteriores, dispositivo y momento de uso.
El resultado es una predicción. El sistema intenta estimar qué contenido tiene mejores posibilidades de resultar relevante o satisfactorio entre las opciones disponibles.
Así un influencer puede volver a aparecer
Imaginemos que alguien encuentra un video sobre tecnología y lo ve completo. Después mira otro sobre el mismo tema, busca una comparación y presta atención a publicaciones de una persona que suele explicarlo de cierta manera.
Esas acciones ofrecen nuevas señales. La siguiente recomendación puede incluir contenido semejante, otro video del mismo perfil o publicaciones que interesaron a personas con patrones parecidos. Si continúan las interacciones, el sistema obtiene todavía más información para ajustar las recomendaciones.
Eso no significa que una plataforma deba mostrar continuamente a la misma persona. TikTok, por ejemplo, ha explicado que introduce diversidad en “Para Ti” para interrumpir patrones demasiado repetitivos y evitar que la experiencia quede reducida a contenidos prácticamente idénticos.
La recurrencia puede construirse entonces de una manera menos evidente: el influencer aparece, desaparece entre otros contenidos y regresa más adelante dentro de un conjunto de temas que el sistema considera relacionados con nuestros intereses.
La recurrencia aumenta las oportunidades de exposición. La cercanía, credibilidad o confianza que pueda surgir después dependen también de la persona, el contenido y el contexto.
El mismo algoritmo no opera en todas partes
Incluso dentro de una sola plataforma, la recomendación cambia según dónde estamos.
En YouTube, la página de inicio depende especialmente del historial y de los intereses estimados del usuario, mientras que otros espacios pueden tomar como señal importante el video que se está reproduciendo o la búsqueda que acaba de realizarse. La compañía describe sus recomendaciones como sistemas que combinan personalización, rendimiento del contenido y contexto.
TikTok construyó buena parte de su experiencia alrededor de una lógica distinta: nuevamente, el feed “Para Ti” está pensado precisamente para descubrir contenido más allá de las cuentas que ya seguimos. Interacciones, características del video y señales de interés sirven para clasificar lo que aparece después.
Instagram y Facebook también han aumentado el peso de las recomendaciones de contenidos procedentes de cuentas que una persona todavía no sigue. Eso convierte al sistema de recomendación en algo más que un organizador de nuestras suscripciones: puede funcionar como mecanismo de descubrimiento de personas.
Cómo están afinando la recomendación las plataformas
Los principios generales de estos sistemas pueden durar años, pero sus implementaciones cambian constantemente. Por eso vale la pena mirar 2026 como una fotografía del momento.
TikTok incorporó en 2025 Administrar Temas, una función que permite aumentar o reducir la frecuencia con la que aparecen contenidos relacionados con distintas categorías. También añadió filtros inteligentes de palabras clave apoyados por IA. La plataforma aclara que estos controles modifican la frecuencia de recomendación, pero no necesariamente eliminan por completo un tema.
Eso añade una capa interesante: la personalización ya no depende exclusivamente de lo que la plataforma infiere observándonos. También puede incorporar instrucciones explícitas de la persona sobre aquello que quiere recibir con mayor o menor frecuencia.
Meta está siguiendo otro camino de expansión. Desde diciembre de 2025 comenzó a utilizar determinadas interacciones con Meta AI como una señal adicional para personalizar publicaciones y Reels en sus servicios. Si alguien conversa con su asistente sobre senderismo, por ejemplo, esa interacción puede incorporarse a las señales utilizadas para recomendar posteriormente contenido relacionado.
En enero de 2026, Meta informó además que modificaciones en sus sistemas de ranking produjeron un aumento de 7% en visualizaciones de publicaciones orgánicas y video en Facebook durante el cuarto trimestre de 2025. La compañía señaló también que 75% de las recomendaciones de Instagram en Estados Unidos procedía ya de publicaciones originales. Son cifras comunicadas por la propia empresa y describen el desempeño de sus sistemas en ese periodo.
YouTube, mientras tanto, sigue describiendo la recomendación como un sistema que aprende de decenas de miles de millones de señales y busca equilibrar lo que una persona ha disfrutado antes con contenidos, temas y canales que todavía podría descubrir.
Las tres aproximaciones muestran algo en común: la competencia tecnológica ya no consiste únicamente en encontrar un video interesante, sino en organizar de forma más precisa qué temas, formatos y personas vuelven a entrar en nuestra experiencia.
Repetir no significa conocer perfectamente nuestros gustos
Una recomendación acertada puede dar la impresión de que una plataforma sabe exactamente lo que queremos. En realidad, trabaja con estimaciones basadas en señales que también pueden ser ambiguas.
Podemos terminar un video porque nos interesa, porque nos sorprende o simplemente porque era breve. Buscar algo una vez tampoco significa que queramos verlo todos los días. Para compensar esa incertidumbre, los sistemas incorporan nuevas señales, retroalimentación explícita y mecanismos destinados a introducir cierta diversidad.
De ahí que botones como “No me interesa”, seguir o dejar de seguir una cuenta, las búsquedas y ahora incluso algunos controles temáticos tengan valor tecnológico: proporcionan información adicional para corregir una predicción.
El algoritmo tampoco crea por sí solo la relación que podamos establecer con un influencer. Puede aumentar las posibilidades de encuentro, facilitar la repetición y hacer que determinadas personas regresen a nuestro feed. Lo que ocurre después pertenece también al terreno humano: atención, identificación, experiencia previa, credibilidad y esa sensación de cercanía que la psicología estudia como parte de las relaciones parasociales.
Un creador de contenido puede empezar apareciendo entre cientos de publicaciones. Con suficientes encuentros, podemos aprender su manera de hablar, sus temas habituales e incluso anticipar qué clase de contenido publicará después.
La tecnología participa en esa continuidad. No decide automáticamente quién se vuelve importante para nosotros, pero sí organiza buena parte de las oportunidades para volver a encontrarnos.
▏
Desde la investigación
- Neural Computing and Applications, 2025. Revisa sistemas de recomendación basados en aprendizaje profundo, incluidos modelos de predicción, ranking, características y tendencias recientes.
- Google Research / ACM RecSys. Describe la arquitectura de generación de candidatos y ranking utilizada como referencia para comprender sistemas de recomendación a gran escala.
- TensorFlow. Explica las etapas de retrieval, ranking y post-ranking que pueden intervenir en sistemas modernos de recomendación.
- Google / YouTube. Explica las señales y sistemas que utiliza para personalizar recomendaciones en distintas superficies.
- TikTok. Describe cómo pondera señales en el feed Para Ti y cómo combina interacción, información del video y otros factores.
- TikTok, 2025. Presenta nuevos controles de personalización, como Manage Topics y filtros inteligentes de palabras clave.
- Meta, 2025. Explica cómo las interacciones con Meta AI se incorporaron como señal para personalizar publicaciones y Reels.
- Meta, 2026. Reporta cambios recientes en ranking y recomendaciones; sus cifras corresponden a resultados comunicados por la propia empresa.