¿Puede la IA resolver la sobrecarga de opciones en las plataformas con gran cantidad de contenido?

Introducción

Los sistemas de recomendación reducen el número de decisiones que una persona tiene que tomar, y los datos sugieren que eso tiene más valor para una plataforma de lo que la mayoría de la gente supone. Si ello supone perder la oportunidad de descubrir algo nuevo es otra cuestión, que tampoco es fácil de responder.

Las aplicaciones de streaming exigen mucho de una noche de martes. Al abrir una, hay que recorrer filas y filas de miniaturas antes de dar con algo que merezca la pena ver, suponiendo que la persona llegue a encontrar algo. Muchas personas no lo consiguen. Los banners van rotando, siempre aparecen los mismos títulos una y otra vez, y llega un momento en que cerrar la aplicación puede parecer la opción más fácil. Los sitios de casino como Vegas Stars casino nz se enfrentan a un problema similar desde otro punto de vista: una cuenta nueva inicia sesión y se encuentra con cientos de fichas de juegos desconocidos sin un punto de partida claro. Los investigadores le dieron un nombre a esto hace tiempo, «sobrecarga de opciones», y las plataformas lo tratan como una especie de problema de ingresos.

El valor real de un motor de recomendaciones

Si se sustituye el motor de recomendaciones de Netflix por una simple clasificación por popularidad, la participación cae un 12 %, según un documento de trabajo de SSRN de noviembre de 2025 elaborado por un grupo de economistas afiliados a la empresa (tres de los autores del documento trabajan directamente en Netflix). Si, en cambio, se prueba un modelo de factorización de matrices —un paso por debajo de la personalización total—, el descenso es menor, del 4 %. Multiplicado por una base de suscriptores de cientos de millones, esa diferencia supone miles de millones de horas de visionado y dinero que, de una forma u otra, acaba reflejándose en las cifras de renovación.

Klaus Wertenbroch no está del todo convencido de que la personalización sea algo inequívocamente positivo. Imparte clases de marketing en el INSEAD y es coautor de un artículo que cuestiona, en primer lugar, el peso que la gente concede a las selecciones algorítmicas. «Mis coautores y yo advertimos a los consumidores de que no confíen excesivamente en los algoritmos de IA a la hora de tomar este tipo de decisiones», señaló Wertenbroch en el artículo, en un intento de que la gente se lo piense dos veces antes de caer en sesgos. Afirmó que esperaba que las recomendaciones se vieran simplemente como lo que son, no como un respaldo oficial, sino simplemente como un consejo.

Esto está relacionado con el sesgo de popularidad. Cuando un número suficiente de cuentas ya ve una serie, esto puede indicar al modelo que la recomiende a otros (es más seguro recomendar un éxito ya consolidado que algo desconocido) y, como resultado, las audiencias más reducidas van disminuyendo en las siguientes rondas, hasta desaparecer de la vista de quienes no buscan activamente un título concreto. Los economistas se refieren al «efecto de que los ricos se hacen más ricos» para explicar este proceso. Esto tiene implicaciones para la indexación de los motores de búsqueda y los feeds de las redes sociales, es decir, en cualquier lugar donde los algoritmos utilicen implícitamente la popularidad como indicador para juzgar la calidad.

Netflix e INSEAD acabaron llegando a la misma conclusión, pero tomaron caminos diferentes para llegar hasta allí. Aunque trabajaban con datos totalmente distintos de sectores diferentes, descubrieron que la razón subyacente por la que los usuarios se quedan suele ser la misma. Las catálogos en expansión que no mejoran la calidad de la oferta que ya tienen tienden a acumular contenido de baja calidad y se vuelven ineficaces a la hora de atraer a nuevos usuarios o retener a los ya existentes.

A los algoritmos no se les dan bien los «accidentes afortunados»

El historial de clics, el tiempo de permanencia en la página y los términos de búsqueda constituyen la base de la mayoría de los motores de búsqueda. Se basan en esas huellas digitales para ofrecerte más contenido similar a lo que ya has dedicado tiempo a ver o jugar. Tiene sentido desde el punto de vista de la intención de diseño. Pero, por otra parte, existe la posibilidad de que nunca se te muestre este tipo concreto de sugerencia. La razón es algo sutil, y se basa en el hecho de que nunca ha habido ningún indicio de interés porque nunca te lo han presentado. Antes, antes de que aparecieran los sistemas de recomendación y la IA, se utilizaba el marketing «boca a boca». Cuando tu hermano o hermana te daba una cinta con solo unas pocas canciones y, de repente, descubrías un subgénero completamente nuevo sin haberlo buscado nunca.

Tipo de contenido	Interacción estándar	Interacción seleccionada	Observación clave
Éxitos de gran repercusión	Ya es elevado	Apenas se mueve	La popularidad por sí sola hace que estos títulos sean descubiertos
Catálogo de nivel medio	Ocultos, fáciles de pasar por alto	Sube notablemente	La selección de contenidos es lo que realmente marca la diferencia aquí
Títulos de nicho	Casi invisibles	Aumenta ligeramente	Incluso una buena segmentación tiene sus límites

Los datos puros tienen dificultades para sacar a la luz por sí solos esas selecciones inesperadas y divertidas. Una web como Vegas Stars gestiona un amplio catálogo repleto de juegos de cartas, tragaperras de alta volatilidad y crupieres en vivo que trabajan las 24 horas del día. Obviamente, se necesita cierta organización para ordenar una biblioteca así. El algoritmo de aprendizaje automático se encarga de las matemáticas subyacentes, mientras que el diseño inteligente de la experiencia de usuario y del producto completa la tarea. Si una persona crea una nueva cuenta sin ninguna experiencia previa, la IA y unas buenas categorías de contenido hacen su magia. Organizar la plataforma de esta manera garantiza que la cuadrícula de juegos no se sature.

Una buena selección de contenidos marca la diferencia

Los que visitan Vegas Stars por primera vez se encuentran con unas 200 fichas de juego distintas, sin ningún historial de clics a sus espaldas por el momento. Muchos motores de recomendación más antiguos gestionan ese «lienzo en blanco» de una forma anticuada, sobre todo porque nadie los diseñó teniendo en cuenta ese escenario. Algunos acaban reciclando el mismo puñado de géneros hasta que todo lo que aparece en pantalla empieza a difuminarse. Los mejores sistemas lo intentan con más ahínco: hacen un seguimiento de lo que ya le gusta al jugador y luego introducen de vez en cuando un título que se sale de ese patrón, solo para ver qué cuaja.

• Los clics y la duración de las sesiones dicen más sobre un jugador que cualquier encuesta.
• Se comparan miles de cuentas entre sí mediante filtrado colaborativo, buscando coincidencias en lo que se ha jugado o se ha omitido.
• La volatilidad y la mecánica se leen directamente de los archivos del juego, por lo que las coincidencias de estilo se basan en datos, no en conjeturas.
• También se detecta un cambio de estado de ánimo a mitad de la sesión, algo que un perfil estático simplemente pasaría por alto.

Los ingenieros tienen un nombre para ese escenario inicial, una cuenta nueva sin nada registrado todavía: el problema del «arranque en frío». Algunos sistemas lo gestionan asignando por defecto a las nuevas cuentas lo que sea más popular en general, hasta que se acumulen suficientes datos de comportamiento para personalizar adecuadamente. Otros, en cambio, plantean unas cuantas preguntas de bienvenida, cambiando un proceso de registro ligeramente más engorroso por una ventaja inicial a la hora de hacer coincidencias. Ninguna de las dos soluciones es perfecta, pero ambas son mejores que mostrar 200 fichas al azar y esperar a que algo dé en el blanco.

Hay dos técnicas que se encargan de la mayor parte de la clasificación real cuando empiezas a examinarlo todo. En primer lugar, el filtrado colaborativo establece una puntuación de similitud entre una cuenta y miles de otras comparando los títulos en los que se ha hecho clic, que se han reproducido o incluso que se han «saltado en común». El etiquetado basado en el contenido se salta esa comparación y, en su lugar, lee los metadatos de cada título —índice de volatilidad, tema, estructura de la tabla de pagos— y luego compara esos atributos con lo que una cuenta ha preferido anteriormente (ambas técnicas suelen funcionar en paralelo, en lugar de que una sustituya a la otra). Cualquiera de los dos métodos evita que alguien tenga que quedarse ahí sentado revisando todo el catálogo a mano.

Si lo desglosamos, el proceso consta de unos cinco pasos, todos ellos bastante sencillos:

1. Los datos de las sesiones, las preferencias de categorías y los patrones de omisión se incorporan al modelo antes de que se clasifique nada.
2. Los perfiles individuales se emparejan con títulos vinculados al historial real de clics, no solo con lo que sea popular en general.
3. Clasifícalo correctamente. La mayor parte de la interacción que recibe la cuadrícula de la página de inicio se produce en sus primeras filas, lo que explica en parte por qué el orden de clasificación tiene más peso que el tamaño de la lista que hay debajo.
4. Los nuevos clics, omisiones y sesiones completadas se incorporan como datos de entrenamiento adicionales.
5. Los nuevos lanzamientos y los cambios en el comportamiento de los usuarios se incorporan en cuestión de minutos, en lugar de esperar a una actualización programada.

Cómo se traduce una mejor curación de contenidos en Vegas Stars

Las sesiones desde dispositivos móviles constituyen la mayor parte del tráfico en un sitio como Vegas Stars, y eso cambia lo que la curación de contenidos realmente tiene que ofrecer al usuario. Una pantalla más pequeña tiene espacio para unos seis u ocho mosaicos visibles antes de que el usuario tenga que desplazarse, por lo que lo que aparezca en esa primera fila visible tiene un peso desmesurado, similar al efecto de la cuadrícula de la página de inicio que señala el estudio de Netflix. Si esa primera fila no es la adecuada, el jugador nunca verá el resto de la biblioteca, por muy buena que sea la coincidencia subyacente.

Luego están los juegos de mesa con crupier en vivo, que añaden un nuevo nivel de complejidad. Imagina que tienes una mesa de blackjack con tres plazas libres y un usuario interesado en unirse; tienes que conectarlo en milisegundos, no en segundos dedicados a rebuscar en un calendario de citas. No basta con darle al «reproducir» en una repetición una vez que el asiento está ocupado. Aquí el tiempo es crucial, a diferencia de lo que ocurre con una biblioteca de vídeo bajo demanda, porque una vez que esa mesa en directo se llena, el jugador pierde la oportunidad. Es como una sala multijugador en cualquier Call of Duty u otro juego por equipos que encuentres en PlayStation y Xbox.

La rapidez de los pagos también influye, de forma algo indirecta, en el descubrimiento. Los jugadores que mueven dinero a través de criptomonedas o monederos electrónicos suelen pasar de una sesión a otra más rápido que alguien que espera días por una transferencia bancaria, lo que deja al motor de recomendaciones menos tiempo por visita para aprender algo antes de que esa cuenta se vaya a otra plataforma. Un ingreso de dinero más rápido suele significar un veredicto más rápido sobre si la sala realmente funcionó para ese jugador.

Lograr esto requiere una verdadera ingeniería. Exige sistemas de backend rápidos y con buena capacidad de respuesta, combinados con un diseño creado para adaptarse a dónde se centra realmente la atención del jugador.

Aviso legal: El juego es una forma de entretenimiento y conlleva un riesgo inherente. No debe considerarse una fuente de ingresos ni una estrategia financiera. Apuesta solo lo que puedas permitirte perder, establece límites estrictos y busca ayuda si el juego te está afectando. La participación está restringida a mayores de 18 años. Juega siempre con responsabilidad.