Algoritmo de recomendación: cómo ordenan el contenido los algoritmos de redes sociales

El alcance en redes sociales no se reparte, se predice. Cada gran red opera un sistema que estima, para cada combinación de usuario y publicación, la probabilidad de una acción concreta: ver, dar like, comentar, reenviar, pasar de largo, denunciar. De esas probabilidades sale una puntuación y de la puntuación, el orden en el feed. Lo que los equipos de marketing viven como «el algoritmo no ha mostrado mi post» es exactamente el resultado de este cálculo.

La conclusión más importante en la práctica: las plataformas se diferencian en los pesos, apenas en la arquitectura. Quien ha entendido la mecánica común aprende un solo algoritmo y, para cada plataforma, solo sus desviaciones.

Cómo funciona un algoritmo de recomendación en cuatro etapas

El problema de fondo es de cálculo. Entre el momento en que alguien abre la app y el feed terminado pasan milisegundos, y en ese tiempo no se puede evaluar cada publicación disponible con un modelo grande. Por eso el conjunto se reduce por etapas y la evaluación se encarece por etapas. Cada etapa tiene su propio criterio de exclusión, y una publicación que no aparece en la etapa uno ya no puede ganar nada en la etapa tres.

Candidate Generation. Del total de publicaciones se extrae una preselección de varios miles de candidatos. No se hace revisándolas una a una, sino mediante embeddings: una red neuronal representa a los usuarios y otra los contenidos, ambas en el mismo espacio vectorial (arquitectura two-tower). La selección es entonces una búsqueda de vecinos, técnicamente una consulta de vecinos más cercanos aproximados (Approximate Nearest Neighbour). Esta etapa decide si tu publicación llega siquiera a la preselección. También es la razón por la que la claridad temática pesa más que la frecuencia: una cuenta sin un perfil temático reconocible no cae en ningún vecindario bien definido.

Light Ranking. Un modelo barato hace una preordenación aproximada del conjunto de candidatos y lo reduce a un tamaño que sí se puede evaluar con un modelo costoso. Aquí cuentan pocas características disponibles rápidamente: el rendimiento previo de contenidos similares, la actualidad y el encaje aproximado entre el perfil del usuario y el de la publicación. Esta etapa es la razón por la que una publicación con un arranque flojo rara vez remonta. Queda fuera antes de que el modelo preciso llegue a verla.

Heavy Ranking. Ahora entra en juego el modelo predictivo propiamente dicho. Evalúa los candidatos restantes y predice varias acciones a la vez, en lugar de optimizar una única variable objetivo (multi-task prediction). El resultado, para cada publicación, es un conjunto de probabilidades.

Re-Ranking. La última etapa corrige el orden basado únicamente en la puntuación: diversidad (no tres veces seguidas el mismo autor), reglas de negocio (proporción de anuncios, actualidad), Trust and Safety (reglas de moderación, limitación del alcance en casos dudosos). Lo que se filtra aquí no aparece en el feed, por alta que fuera la puntuación de ranking.

Las cuatro etapas explican también por qué los diagnósticos de alcance se contradicen tan a menudo. Una publicación puede fracasar en puntos muy distintos: porque temáticamente no encaja en ningún sitio (Candidate Generation), porque los primeros segundos no aportan nada (Light Ranking), porque recibe clics pero no se ve hasta el final (Heavy Ranking) o porque se aplica una regla de moderación (Re-Ranking). Desde fuera, cada uno de estos cuatro escenarios tiene el mismo aspecto: poco alcance. Quien no separa la causa optimiza la etapa equivocada.

Quien viene del ámbito de la búsqueda o de la IA reconoce el patrón enseguida: retrieval barato, reevaluación costosa. La misma división describe el reranking en sistemas RAG, solo que con documentos en lugar de posts.

El Value Model: qué significa «bueno» para la máquina

Del conjunto de probabilidades tiene que salir un único número; si no, no hay orden. Esta conversión la realiza el Value Model, una función de utilidad ponderada sobre las acciones predichas. El paper de arXiv de Milli, Pierson y Garg describe que la agregación se realiza como una combinación lineal de las señales individuales, y remite a las diez acciones cuyos pesos publicó X en 2023.

Esa es la palanca que las plataformas mueven de verdad. Cuando una red «cambia el algoritmo», rara vez reconstruye el pipeline: lo que hace es desplazar pesos o añadir un nuevo objetivo de predicción. LinkedIn lo documentó en su paper de ranking LiRank: para el feed se combinan linealmente seis predicciones, entre ellas una señal long-dwell introducida expresamente para detectar la lectura pasiva. Allí, el tiempo de permanencia es uno de seis objetivos y se compensa con los otros cinco; el umbral se define de forma deliberadamente dependiente del contexto, no como un número fijo de segundos.

Cuánto cuenta cada acción es algo que apenas se puede medir desde fuera. La plataforma de análisis AuthoredUp, a partir de un conjunto de datos propio de más de 621.000 publicaciones de LinkedIn, concluye que los comentarios cuentan aproximadamente el doble que los likes. Es un análisis de un tercero, no un dato de LinkedIn, y debe leerse como valor orientativo. Los factores mucho más altos que circulan en guías y artículos de consejos no se han reproducido de forma independiente en ningún sitio.

El límite honesto: hasta ahora, solo X ha publicado pesos de ranking exactos. En 2023, X publicó su código de ranking con los pesos incluidos, en enero de 2026 el código del nuevo feed For You y en agosto de 2026 también los pesos con los que este feed convierte las acciones predichas en una puntuación. Las demás grandes plataformas no publican pesos exactos. Qué componentes se pueden deducir del código de X se explica en detalle en el artículo sobre el algoritmo de X y su código abierto.

La mecánica de fondo es antigua e incómoda:

«Cuanto más popular es una publicación, más alcance recibe. […] Quien entiende este principio puede aprovecharlo para sí mismo y para sus propios fines.»

Björn Tantau, consultor de redes sociales, en LinkedIn. La frase describe con precisión el bucle de retroalimentación: las primeras señales aumentan el valor predicho, el valor más alto trae más distribución y más distribución genera nuevas señales.

Del Social Graph al Content Graph

Durante años, la distribución fue una cuestión de conexión: sigues a alguien y recibes sus publicaciones. Ese modelo no ha desaparecido, pero ha pasado a un segundo plano. Hoy lo habitual es la distribución basada en intereses, en la que el sistema deduce del comportamiento de usuarios similares qué podría encajar.

Instagram hace explícita esta división. En enero de 2025, Adam Mosseri nombró las tres señales centrales y distinguió entre el alcance entre seguidores y el alcance entre no seguidores: el tiempo de visualización (watch time), los likes y los envíos (sends) son las señales más importantes; los likes pesan algo más en el contenido para seguidores existentes y los envíos, en las recomendaciones a no seguidores. Las mismas señales, pesos distintos, dos bolsas de alcance. Lo que esto implica en concreto para formatos y señales en Instagram lo trata el artículo sobre el algoritmo de Instagram en 2026.

En términos estratégicos, el cambio significa que tu número de seguidores solo influye en la primera etapa. Proporciona al sistema un primer conjunto de candidatos barato y, con ello, señales rápidas. Que una publicación se muestre o no lo decide la calidad de esas señales, no el tamaño de la cuenta. En la práctica, cada post compite de nuevo con el conjunto de contenidos relevante de su tema, en lugar de heredar un alcance base ya ganado. En nuestra opinión, esa es la razón principal por la que los calendarios editoriales que calculan con un alcance constante por post fallan con regularidad.

Un efecto secundario afecta a la reutilización de contenido. Instagram excluye de las superficies de recomendación a las cuentas que publican diez o más veces en 30 días contenido ajeno sin edición propia. Si la distribución pasa por las recomendaciones, la originalidad se convierte en requisito de acceso.

Los modelos fundacionales concentran las colecciones de modelos

Hasta hace poco, un stack de ranking consistía en una multitud de modelos especializados, uno por tarea y por superficie. Ahora, grandes modelos fundacionales aprenden de forma centralizada lo que antes cada modelo individual aprendía por su cuenta. Meta describe su modelo publicitario GEM como el mayor modelo fundacional del sector para sistemas de recomendación, entrenado en miles de GPU a una escala comparable a la de los grandes modelos de lenguaje y 4 veces más eficiente por cantidad de datos y de cómputo empleada que la generación anterior; para el segundo trimestre de 2025, Meta habla de un 5 % más de conversiones publicitarias en Instagram y un 3 % más en el feed de Facebook. GEM no sustituye a los modelos individuales. Funciona como modelo profesor y transfiere su conocimiento a cientos de modelos de ranking de anuncios posteriores. Meta no describe un uso de GEM en el feed orgánico. Aunque GEM también aprende de las interacciones con publicaciones orgánicas, Meta presenta un ranking común para contenido orgánico y anuncios solo como objetivo de futuro.

En LinkedIn se observa el mismo movimiento. El paper sobre 360Brew describe un modelo decoder-only con 150 mil millones de parámetros que resuelve más de 30 tareas de predicción que, de otro modo, tendrían cada una su propio modelo. La afirmación extendida de que así se sustituyen miles de modelos individuales no aparece tal cual en el paper.

En la práctica, de esto se deriva menos de lo que sugieren los titulares, pero sí algo concreto: si un único modelo grande entiende semánticamente de qué trata una publicación, los trucos formales pierden efecto y la claridad del contenido gana peso. El relleno de palabras clave, las nubes de hashtags y la imitación de formatos apuntan a una generación de sistemas que pierde relevancia.

Qué cambia el DSA en la UE

Los sistemas de recomendación están regulados en la UE, y eso repercute directamente en la disponibilidad de alcance. El artículo 27 del Reglamento de Servicios Digitales obliga a los prestadores de plataformas en línea que utilicen sistemas de recomendación a exponer en sus condiciones, en un lenguaje claro y comprensible, los parámetros principales de esos sistemas. El artículo 38 va más allá: las plataformas en línea y los motores de búsqueda de muy gran tamaño deben ofrecer, para cada uno de sus sistemas de recomendación, al menos una opción que no se base en la elaboración de perfiles. TikTok anunció el 4 de agosto de 2023 que permitiría a los usuarios europeos desactivar la personalización; en ese caso, For You muestra vídeos populares a nivel regional y global.

La consecuencia operativa es poco espectacular, pero real: una parte creciente de los usuarios puede cambiar a feeds no personalizados. Para ti, eso desplaza el valor hacia los contenidos que se encuentran también sin personalización, es decir, contenido buscable y evergreen frente a las apuestas puras de timing.

Qué es mecánica y qué es folclore

Está demostrado que las publicaciones nuevas se prueban primero con públicos pequeños y que la calidad de las primeras señales decide su distribución posterior. No lo están las cifras concretas que circulan al respecto: tamaños fijos del grupo de prueba, umbrales exactos de completion rate o una golden hour con valores límite definidos. Esos valores proceden de artículos de agencias, no de fuentes de las plataformas. Igual de dispar es la evidencia sobre las penalizaciones de alcance por enlaces externos. En X, Elon Musk había admitido él mismo en el pasado una menor distribución de los posts con enlaces, y en julio de 2026 declaró que X llevaba más de un año sin penalizar los enlaces. En otras redes, la penalización se reporta ampliamente, pero no se ha confirmado empíricamente de forma consistente. La diferencia entre la moderación documentada y lo que se cuenta como castigo encubierto la trata el artículo Qué es un shadowban.

De ahí se desprende una regla de trabajo útil: los principios de arquitectura tienen una vida media larga; las cifras sueltas, corta. El pipeline de cuatro etapas, la predicción multitarea y la distribución basada en intereses eran válidos en 2023 y lo siguen siendo en 2026. Los pesos porcentuales, los umbrales y las bonificaciones por formato cambian continuamente y, en la mayoría de los casos, no pasan de ser interpretaciones. Quien orienta sus decisiones de contenido según los principios y usa las cifras solo como hipótesis en sus propias pruebas trabaja de forma más estable que quien persigue el siguiente anuncio de ponderaciones. Qué plataforma se desvía en qué punto y qué formatos contribuyen a ello lo ordena la visión general sobre algoritmos de redes sociales y distribución. Todas las cifras mencionadas aquí corresponden a agosto de 2026.