Algoritmos de redes sociales & distribución

En 2026, tu número de seguidores ya no decide quién ve tus publicaciones. Esa decisión la toma un sistema de recomendación, y la vuelve a tomar cada vez. Cada publicación compite de nuevo, cada vez que se muestra, contra todo el inventario de contenidos de la plataforma. La decisión se toma en milisegundos, mediante una suma ponderada de reacciones previstas de los usuarios. Los seguidores alteran ese cálculo, no lo sustituyen.

Este resumen ordena lo que está demostrado sobre la distribución en Instagram, LinkedIn, TikTok, YouTube y X, lo que es una declaración de la plataforma y lo que es folclore. La línea divisoria importa más que cualquier cifra concreta: solo X ha publicado su código de ranking, primero en 2023 y en una nueva versión en enero de 2026. Todo lo demás son declaraciones de las plataformas, papers de ingeniería o análisis de terceros que miden correlaciones, no causas.

Cómo reparte el alcance un algoritmo de redes sociales

Las grandes plataformas construyen sus sistemas de recomendación con el mismo patrón. Primero, una fase de candidate generation extrae unos pocos miles de candidatos de entre miles de millones de contenidos posibles, normalmente mediante búsqueda por embeddings. Después, un modelo barato de light ranking hace una preselección. Luego, un modelo neuronal costoso evalúa los candidatos restantes y predice para cada uno varias probabilidades de acción a la vez: like, comentario, reenvío, tiempo de reproducción, denuncia. Al final entra un re-ranking con reglas de diversidad, reglas de negocio y filtros de seguridad.

Los órdenes de magnitud están documentados públicamente. LinkedIn describe en un paper de ingeniería de octubre de 2025 cómo se preseleccionan unos 2.000 candidatos de entre cientos de millones de posts antes de que empiece el ranking propiamente dicho. Según su blog de ingeniería de 2023, X extraía unos 1.500 candidatos por sesión para la cronología «Para ti». Meta Engineering describe la misma fase en su sistema de retrieval Andromeda: de decenas de millones de anuncios salen unos pocos miles de candidatos antes de que tome el relevo el modelo de ranking.

La pieza decisiva es el value model: una función ponderada sobre las probabilidades de acción previstas. El paper de arXiv «Choosing the Right Weights» describe esta agregación como una combinación lineal de las señales individuales y sitúa en contexto los pesos publicados por X. En la práctica, no hay ningún truco con el que burlar el sistema. Hay una función objetivo que paga más caras unas reacciones de los usuarios que otras. Cómo encajan las fases en detalle, qué papel tienen los modelos two-tower y por qué el re-ranking a menudo cambia más que el propio ranking se explica en el artículo de fundamentos sobre el algoritmo de recomendación.

Si vienes del SEO, reconocerás la estructura. Google también trabaja con obtención de candidatos, evaluación y postprocesado, solo que con otras señales: la comparación con los factores de ranking de Google y con señales de interacción como NavBoost deja claro lo parecida que es la lógica y en qué punto se separa.

Del grafo social al grafo de contenidos

El cambio estructural de los últimos años cabe en una frase: la distribución responde a la pregunta de qué les interesa a usuarios que se comportan como tú. A quién sigues es ahora solo un factor entre varios. Instagram ya lo separa de forma explícita en Connected Reach (seguidores) y Unconnected Reach (recomendaciones a no seguidores). Ambos usan las mismas señales, pero las ponderan de forma distinta.

En la práctica, esto tiene dos consecuencias. Primero, el número de seguidores ha perdido casi todo su valor como indicador de gestión. Segundo, cada publicación se vuelve a probar prácticamente desde cero, independientemente de lo bien que funcionara la anterior. Eso explica la alta varianza que los equipos suelen malinterpretar como un cambio de algoritmo.

Adam Mosseri explicó abiertamente la lógica de Instagram en enero de 2025: el watch time, los likes y los envíos (sends) son las tres señales de ranking más importantes; los likes pesan algo más en el contenido que se muestra a seguidores y los envíos, algo más en el que se muestra a no seguidores. Además, Instagram tiene un sistema de ranking propio para cada superficie: feed, Reels, Stories, Explorar y búsqueda. Si quieres optimizar para «el algoritmo de Instagram», en realidad siempre optimizas para una superficie concreta.

Al mismo tiempo, la regulación da a los usuarios más control sobre la distribución. El Reglamento de Servicios Digitales (DSA) obliga a las plataformas a explicar de forma comprensible los parámetros principales de sus sistemas de recomendación y, además, a las plataformas de muy gran tamaño a ofrecer al menos una opción de recomendación que no se base en la elaboración de perfiles. TikTok anunció en agosto de 2023 que los usuarios europeos podrían desactivar la personalización. En enero de 2026, Instagram lanzó «Your Algorithm», un panel, de momento solo en inglés en todo el mundo, con el que los usuarios pueden añadir y quitar temas en el feed de Reels. Cuanta más gente lo use, más importantes serán los contenidos que funcionan también sin personalización: temas claramente nombrados, términos de búsqueda, sustancia evergreen.

Señales que cuentan en todas las plataformas

Hay cuatro familias de señales que aparecen en todos los sistemas documentados.

Tiempo de permanencia y tiempo de visualización: en vídeo, el watch time es la señal dominante. Instagram mide el tiempo de visualización como tiempo total, incluidas las reproducciones repetidas, no como número de visualizaciones cortas. LinkedIn usa el dwell time como señal de calidad y describe en el paper de LiRank un clasificador propio de long dwell para el consumo pasivo.

Reenvíos privados: en Instagram, los sends per reach, es decir, los reenvíos por mensaje directo, pesan algo más que los likes para el alcance entre no seguidores. En 2025, Mosseri señaló en una conversación con Business Insider que se comparten bastantes más fotos y vídeos por DM que en Stories o en el feed. Esta distribución por canales privados no aparece completa en ninguna interfaz de analítica. La tendencia es medible: sobre 70 millones de posts, Socialinsider contó un 45 % más de compartidos por post en TikTok y un 12 % más en Instagram, mientras que los comentarios por post cayeron un 24 % en TikTok y un 16 % en Instagram.

Conversación en lugar de reacción: en X el efecto se ve en el código; en LinkedIn, en análisis de terceros. A partir de más de 620.000 posts, AuthoredUp concluye que los comentarios pesan aproximadamente el doble que los likes. La cifra que circula entre creadores, «los comentarios cuentan 15 veces más», no tiene ninguna fuente primaria verificable.

Originalidad: los reposts y los contenidos ajenos agregados pierden distribución. La única cifra concreta que da Instagram es que el 75 % de las recomendaciones en EE. UU. procede de posts originales; las cuentas que suben sobre todo contenido ajeno dejan de ser aptas para recomendaciones y no vuelven a serlo hasta que la mayoría de sus posts en la ventana móvil de 30 días se considere original. En 2024, Instagram todavía indicaba un umbral fijo: las cuentas con 10 o más reposts de contenido ajeno en 30 días se retiraban de las superficies de recomendación. La regla actual funciona, en cambio, con la proporción mayoritaria dentro de la ventana móvil.

Plataforma por plataforma: lo que está realmente demostrado

Instagram y Facebook. Las tres señales de Mosseri son la base más sólida que existe para Meta. En cambio, la afirmación tan citada de que los envíos pesan entre tres y cinco veces más que los likes procede de guías de proveedores de herramientas y es una interpretación, no un valor publicado por Meta. En el lado publicitario, Meta ha rehecho su infraestructura: según la propia Meta, el foundation model GEM es 4 veces más eficiente que la generación anterior y aumentó las conversiones de anuncios en Instagram un 5 % en el segundo trimestre de 2025.

Como GEM aprende a la vez de las interacciones orgánicas y de las de pago, el testing orgánico de creatividades se convierte en input directo para el rendimiento de pago. Eso pone en duda la separación de presupuestos y se trata con más detalle en los fundamentos de Paid Social. Facebook tiene una tasa de alcance media del 1,65 % frente al 3,50 % de Instagram y, en nuestra opinión, en la región DACH (Alemania, Austria y Suiza) sigue siendo relevante sobre todo para públicos de más edad, grupos y visibilidad local. Los detalles sobre señales, superficies y política de originalidad están en el artículo sobre el algoritmo de Instagram en 2026.

LinkedIn. Para el B2B en la región DACH, LinkedIn es el canal central, y es ahí donde el ranking ha cambiado más claramente: menos viralidad, más encaje temático y experiencia demostrada. Daniel Roth, VP y Editor in Chief de LinkedIn, describió así el objetivo: no llegar a la mayor cantidad de gente, sino a la gente adecuada. En la práctica, la claridad de nicho gana a la amplitud. Los datos sobre la caída del alcance coinciden en la dirección, pero son dispares en el método. Richard van der Blom informa para 2025, sobre la base de 1,8 millones de posts, de un 50 % menos de visualizaciones, un 25 % menos de engagement y un 59 % menos de crecimiento de seguidores, y en su actualización de octubre, sobre unos 400.000 perfiles, de un 47 % menos de visibilidad, un 39 % menos de engagement y un 42 % menos de crecimiento de seguidores.

Otro análisis del Q4 2025 habla de un descenso del 65 % en la mediana de impresiones desde 2023. Ninguna de estas cifras procede de LinkedIn, y los años base y los métodos difieren. Valen como tendencia; como objetivo, no sirven. Al mismo tiempo, la visibilidad se concentra: la cuota de los creadores top en la visibilidad del feed subió del 15 % al 31 % desde 2022, mientras que la del resto de creadores cayó del 57 % al 28 %. También han cambiado la ventana de tiempo y la vida útil: los primeros 30 a 60 minutos determinan la trayectoria del alcance, y los buenos posts siguen visibles en el feed durante 2 a 3 semanas. En 2025, LinkedIn además volvió a impulsar en una prueba publicaciones antiguas que seguían siendo relevantes. Según la responsable de producto Gyanda Sachdeva, el objetivo era devolver la visibilidad a hitos profesionales y aportaciones valiosas. Qué significa esto para la redacción y la elección de temas lo explica el artículo sobre el algoritmo de LinkedIn.

TikTok. En 2022, ByteDance publicó con Monolith la arquitectura de su sistema de recomendación: entrenamiento online y una tabla de embeddings sin colisiones. El paper no menciona ni TikTok ni la página Para ti. Describe un diseño que explica la rapidez con la que se recogen las tendencias: el modelo aprende de forma continua, no por lotes. TikTok, por su parte, menciona en su explicación de 2020 la finalización y el tiempo de visualización como las señales más fuertes, junto con los compartidos, los likes y los comentarios. La regla de originalidad se ha endurecido: desde el 13 de septiembre de 2025, los contenidos no originales o reutilizados sin aportación propia ya no son aptos para el feed Para ti. Para la búsqueda, TikTok ofrece con Creator Search Insights su propia herramienta de keywords. La arquitectura, las señales demostradas y el análisis de fuentes de tráfico se tratan en el artículo sobre la página Para ti de TikTok.

YouTube. La fórmula básica para los vídeos largos sigue siendo el CTR multiplicado por la duración media de visualización, más la contribución a la sesión. YouTube indica en su propia ayuda que un CTR alto con una duración de visualización corta se considera una señal de clickbait y lleva a menos recomendaciones. Todd Beaupré, Senior Director of Growth and Discovery de YouTube, no pone el foco en el comportamiento de los espectadores, sino en cómo valoran el tiempo que han invertido. Los Shorts se evalúan de otra manera. Ahí, en lugar del CTR, cuenta la proporción entre vistos y deslizados, además de la finalización y los loops. Los umbrales de retención que circulan, en torno al 65 % por debajo de 30 segundos y en torno al 50 % entre 30 y 60 segundos, proceden de fuentes especializadas, no de YouTube.

Para el B2B hay un segundo beneficio: los sistemas de IA citan material de YouTube. En un análisis sobre 75.000 marcas, Ahrefs encuentra la correlación individual más fuerte entre las menciones de una marca en YouTube y su visibilidad en IA, con 0,737. Lo que se mide son las menciones de la marca en YouTube, no el rendimiento del canal propio, y sigue siendo una correlación. Además, YouTube es, con un 23,5 %, la tercera fuente más citada en las respuestas de los LLM. En la búsqueda de YouTube también se abren paso canales pequeños: un estudio de Semrush de 2021 sobre 15.000 keywords halló que el 18 % de los resultados del top 10 procede de canales con menos de 1.000 suscriptores. La lógica de las superficies, las señales de satisfacción y la desvinculación entre Shorts y vídeos largos se tratan en el artículo sobre YouTube.

X. X sigue siendo la única plataforma con código de ranking publicado y, por tanto, la mejor referencia si quieres entender cómo es un value model. Las fuentes de candidatos a partir de búsqueda in-network, recorrido del grafo, SimClusters y TwHIN están documentadas en el repositorio. Más reveladores son los pesos del Heavy Ranker, según los valores publicados en 2023: una respuesta pesa 13,5, una respuesta a la que contesta el autor 75,0, un like 0,5 y un repost 1,0, mientras que una denuncia pesa menos 369.

En X, la conversación sostiene el ranking; todo lo demás es accesorio. También está demostrado el impulso por suscripción: en el código de 2023, las cuentas Premium reciben un multiplicador de 4,0 dentro de la red y de 2,0 fuera de ella. En la rama principal actualizada de ese repositorio, este multiplicador ya no existe con el mismo nombre. Desde un commit de septiembre de 2025 se ven allí componentes basados en Grok para la asignación temática y el filtrado en el código de Para ti.

El estado actual lo muestra un segundo repositorio. El 20 de enero de 2026, X volvió a publicar el algoritmo de Para ti como xai-org/x-algorithm y lo actualiza casi cada día laborable desde mediados de agosto de 2026. Allí, un modelo transformer llamado Phoenix predice para cada post la probabilidad de like, respuesta, repost, envío por mensaje directo y tiempo de permanencia, pero también de silenciar, bloquear y denunciar. La puntuación es la suma ponderada de estas probabilidades, y las acciones negativas llevan pesos negativos. Los pesos del Heavy Ranker de arriba son, por tanto, el estado histórico de 2023. En el código actual, a fecha de octubre de 2026, una respuesta pesa 5,0, un like 0,66, un repost 1,0 y una denuncia menos 234. El scoring de ese repositorio no incluye ningún multiplicador Premium. Qué permite deducir el código y qué no, lo explica el artículo sobre el algoritmo de X publicado.

Los formatos deciden la distribución

La elección de formato es el ajuste con más palanca, porque cada formato entra en un sistema de distribución distinto. Buffer mide, sobre más de 4 millones de posts, que los Reels consiguen un 36 % más de alcance que los carruseles y un 125 % más que las imágenes individuales. En la tasa de engagement mediana, el orden se invierte: los carruseles, con un 6,9 %, superan a las imágenes individuales, con un 4,4 %, y a los Reels, con un 3,3 %.

Metricool confirma la tendencia: en un análisis de 24,3 millones de posts de Instagram de 375.000 cuentas, el watch time medio de los Reels se ha más que duplicado en comparación interanual, hasta 8,5 segundos, y los carruseles generan nueve veces más guardados que las imágenes individuales. Las imágenes individuales, en cambio, retroceden en todos los frentes: un 21,96 % menos de alcance, un 25,41 % menos de interacciones y un 45,98 % menos de engagement comparando enero y febrero de 2025 con los de 2026. El análisis de LinkedIn de Metricool, con 673.658 posts de 63.108 cuentas, muestra otro panorama: las encuestas consiguen las impresiones medias más altas en las páginas de empresa, aunque suponen menos del 1 % de las publicaciones, y los carruseles y los posts con varias imágenes superan a las imágenes individuales.

Estas cifras son correlaciones, no causalidad. Si solo publicas encuestas, no consigues alcance, sino un problema de credibilidad. La decisión de formato para Instagram se trata en el artículo Reels vs. carrusel, y la producción y la reedición nativa para cada plataforma, en el resumen sobre creación de contenido.

Frecuencia, vida media y lo que de verdad aporta la constancia

La frecuencia de publicación es el tema con mejores datos y con más conclusiones erróneas. Buffer analizó 2,1 millones de posts de Instagram de 102.000 cuentas: publicar de 3 a 5 posts por semana más que duplica la tasa de crecimiento de seguidores frente a 1 o 2 posts, de 6 a 9 la multiplica por unos 3,7 y 10 o más, por unos 5,5, mientras que el alcance por post sube un 12 % con 3 a 5, un 18 % con 6 a 9 y un 24 % con 10 o más posts por semana. Estas cifras no muestran un punto de inflexión claro a partir de cinco posts. El crecimiento de seguidores sigue subiendo en cada tramo. El alcance por post también sube, pero, tras el mayor salto, el de 3 a 5 posts (+12 %), solo lo hace en pasos pequeños de 6 puntos porcentuales cada uno. Aun así, Buffer sitúa el punto óptimo en 3 a 5 posts por semana, porque por encima se corre el riesgo de saturación y pérdida de calidad.

El hallazgo más importante es la prueba inversa: en un análisis de 4,8 millones de semanas-canal en Facebook, Instagram y X, las semanas sin publicaciones rinden por debajo de la propia línea base en crecimiento de seguidores. Buffer concluye que la constancia cuenta más que el volumen. Para un equipo de marketing de dos a cinco personas, es una cuestión de capacidad: dos canales con una cadencia fiable son mejores que cinco con huecos. Cómo varían la frecuencia y la vida media del contenido según la plataforma, y qué implica eso para la planificación editorial, lo explica el artículo sobre frecuencia de publicación y vida media.

Perfil personal o página de empresa

Para el B2B es la decisión individual más cara, porque determina presupuesto, roles y gobernanza. Los datos son lo bastante claros para tomarla. El análisis de Van der Blom indica para las páginas de empresa un alcance orgánico del 1 al 2 % respecto a los seguidores. Un análisis de Whitehat cifra la cuota de posts orgánicos de páginas de empresa en el feed en alrededor del 2 %, mientras que los perfiles personales consiguen 2,75 veces más impresiones y 5 veces más engagement.

El mecanismo de fondo es la ponderación de las interacciones entre pares y de la conversación temprana. El análisis de Van der Blom muestra que las publicaciones con tres o más personas comentando en los primeros 60 minutos obtienen unas 5,2 veces más alcance, medido sobre 1,8 millones de posts. Justo aquí empieza la zona gris: coordinarse en el equipo es legítimo; automatizar, no. En marzo de 2026, LinkedIn anunció de forma explícita que actuará contra la automatización de comentarios, los engagement pods y las herramientas de terceros no autorizadas.

Cuidado con las cifras de advocacy: el tan citado 561 % más de alcance y la conversión de leads 7 veces mayor proceden de análisis de proveedores con muestras muy pequeñas y no se han reproducido de forma independiente. Plausibles en la dirección, inútiles como business case. En el lado de pago, Dreamdata aporta uno de los pocos valores comparativos sólidos para B2B: LinkedIn alcanza un ROAS del 121 %, frente al 67 % de Google Search y el 51 % de Meta, y concentra el 41 % de los presupuestos publicitarios B2B.

Los benchmarks, la ponderación entre pares y cómo funciona un programa de advocacy sin engagement falso se tratan en el artículo Página de empresa o perfil. Sobre el caso especial de XING en DACH: New Work SE declara 22,5 millones de miembros registrados en DACH y señala como foco estratégico la reorientación de la plataforma hacia una red de empleo. En nuestra opinión, XING ya apenas tiene peso como canal de contenido B2B; la comparación LinkedIn vs. XING recoge los pros y los contras.

Cómo leer benchmarks sin engañarte

Las cifras de benchmark varían enormemente porque usan denominadores distintos o no los revelan. Socialinsider mide para Instagram una tasa de engagement sobre seguidores del 0,45 % en Q1 y Q2 2026; Emplifi informa para la misma plataforma de un descenso de la tasa de engagement mediana del 16,9 % en Q1 2024 al 9,7 % en Q4 2025, y Hootsuite indica un 3,5 % para Instagram, un 3,4 % para LinkedIn, un 1,8 % para X, un 1,5 % para TikTok y un 1,3 % para Facebook. Los tres valores miden cosas distintas: engagement por seguidor, una mediana sin denominador declarado y una media entre sectores.

La métrica más útil es el engagement by reach. Socialinsider lo justifica con que esta fórmula muestra lo relevante que fue un contenido para los usuarios a los que realmente llegó, en lugar de medirlo con un número de seguidores que cada vez tiene menos que ver con la distribución. Los órdenes de magnitud por plataforma y formato, con columna de metodología incluida, están en el artículo Qué es una buena tasa de engagement; cómo construir a partir de ahí un conjunto de KPI con el que puedas dirigir en lugar de solo informar lo explica el resumen de analítica y KPI.

Para la realidad de DACH, la distribución del uso importa más que cualquier tasa de engagement. Según datos de GWI para Alemania (encuesta del Q2 2025), el 85,1 % de los internautas de 16 años o más usa WhatsApp cada mes, el 58,9 % Facebook, el 56,2 % Instagram, el 48,2 % YouTube y el 34,0 % TikTok. En el tiempo de uso, el panorama se invierte: TikTok llega a unos 75 minutos diarios, YouTube a más de 30, Facebook a 23, Instagram a 21,5 y WhatsApp a 18,2 minutos. El alcance publicitario potencial de Instagram en Alemania es de 31,3 millones, un 2,3 % menos entre octubre de 2024 y octubre de 2025, y YouTube llega a un ad reach de 64,7 millones. Qué plataforma funciona para qué centro de compras lo ordena la comparativa de plataformas.

Un ejemplo del uso descuidado de las cifras es esa estadística eterna según la cual el 75 % de los compradores B2B usaría las redes sociales para apoyar sus decisiones de compra. Procede de un estudio de IDC de 2014 con 760 encuestados de ocho países y no es específica de DACH. Como argumento en una presentación ante el consejo de dirección, no vale nada.

Shadowban, cold start y otro folclore

Las publicaciones nuevas se prueban con audiencias pequeñas, y la calidad de las primeras señales decide si se escalan. Es plausible, pero ninguna plataforma lo ha documentado en fuentes primarias. Y menos aún con umbrales fijos. No existe ninguna «golden hour» documentada con valores objetivo fijos, ningún pool de prueba escalonado de TikTok demostrado con 500 visualizaciones como primer nivel y ninguna penalización de alcance general entre plataformas por enlaces externos. La propia TikTok no describe tales umbrales en su explicación sobre la recomendación de vídeos.

En X, una función de spam scoring en el código prevé una degradación en el ranking de búsqueda. En el código de Para ti publicado en 2023, en cambio, no hay ninguna penalización general por enlaces; lo que sí figura de forma explícita es el multiplicador Premium. En LinkedIn e Instagram se habla mucho de una penalización por enlaces, pero la evidencia empírica es dispar. Lo pragmático sigue siendo poner el enlace en el primer comentario o en la bio, sin sobrevalorar el efecto.

La narrativa del shadowban suele ser una mala interpretación de la varianza del cold start. Las plataformas reducen el alcance según reglas y a veces las nombran, por ejemplo con contenidos no originales o con contenidos de IA sin etiquetar. Qué efectos están demostrados y cuáles no lo separa el artículo Qué es un shadowban.

La búsqueda es la segunda vía de distribución

El descubrimiento se desplaza del feed a la búsqueda, tanto dentro de las plataformas como antes de llegar a ellas. SparkToro mide para los cuatro primeros meses de 2026 que el 68,01 % de las búsquedas en Google en EE. UU. termina sin clic, frente al 60,45 % en 2024. Si planificas la distribución, ya no puedes contar con que la atención se convierta en tráfico web. El valor tiene que generarse en la propia plataforma.

Dentro de las plataformas, el panorama es este: TikTok indica que el 23 % de los usuarios inicia una búsqueda en los 30 segundos posteriores a abrir la app y el 57 % usa la búsqueda de TikTok, y ha introducido allí campañas de Search Ads con sugerencias de keywords. En EE. UU., según una encuesta de Adobe publicada en febrero de 2026, el 49 % de los encuestados ya ha usado TikTok como buscador, frente al 41 % en 2024, mientras que la proporción de la generación Z que prefiere TikTok a Google cayó del 8 % al 4 %. La búsqueda social crece, pero no sustituye a Google. Para DACH faltan cifras comparativas fiables.

A finales de 2024, Instagram eliminó la posibilidad de seguir hashtags y desde entonces se guía más por keywords. LinkedIn describe su retrieval como basado en LLM desde 2025. En la práctica, para las tres plataformas significa lo mismo: los términos van en la descripción, el texto en pantalla, la locución y los nombres de archivo, no en una nube de hashtags al final. Cómo funcionan las superficies de búsqueda de cada plataforma lo explica el artículo sobre Social SEO.

La regulación ya forma parte de la lógica de distribución

Dos actos legislativos intervienen directamente en la distribución. El DSA obliga a revelar los parámetros principales y, a las plataformas de muy gran tamaño, a ofrecer una opción de feed sin elaboración de perfiles. Desde el 2 de agosto de 2026, el Reglamento de IA de la UE obliga en su artículo 50 a los proveedores de sistemas de IA a marcar los contenidos sintéticos de forma legible por máquina, y a los responsables del despliegue a revelar los deepfakes y aquellos textos generados por IA que se publiquen para informar al público sobre asuntos de interés público. En el caso de los textos, la obligación no se aplica si una persona los ha revisado editorialmente y alguien asume la responsabilidad editorial. Para los sistemas de IA generativa que ya estaban en el mercado antes del 2 de agosto de 2026, la obligación de marcado se aplica, según el Ómnibus Digital, a partir del 2 de diciembre de 2026. No es solo una cuestión de cumplimiento normativo: los contenidos de IA sin etiquetar se arriesgan además a sanciones de la plataforma. YouTube deja claro en su propia documentación que el etiquetado no limita ni el alcance ni la monetización de un vídeo, mientras que la omisión reiterada de la información puede acarrear una etiqueta impuesta, la retirada del vídeo o la exclusión del Programa de Socios. Qué funciona en la producción con IA y qué le cuesta a la distribución se describe en nuestra base de conocimiento, en creación de contenido asistida por IA.

Qué se deduce para la gestión

De la evidencia disponible se puede derivar una rutina de decisión breve. No sustituye a una estrategia, pero evita las inversiones erróneas más frecuentes.

El núcleo práctico no tiene nada de espectacular: produce señales que el value model paga caras y mídelas por el alcance, no por el número de seguidores. Todo lo demás es interpretar cifras que nadie fuera de las plataformas conoce de verdad. Los principios duran más que los valores concretos, y los valores concretos de este texto corresponden a octubre de 2026.