Recomendaciones de IA frente a contenidos de tendencia: ¿qué genera una mayor participación?

Introducción

Las cifras más elevadas de interacción pueden ocultar un simple fracaso: la gente ha hecho clic, pero no ha encontrado nada por lo que merezca la pena quedarse. Las secciones de tendencias captan la atención rápidamente, mientras que las recomendaciones prometen relevancia. La verdadera prueba es qué vía ayuda a los usuarios a tomar una mejor decisión sin perder el tiempo ni poner a prueba su paciencia primero.

Abres una página web para buscar algo y acabas pasando diez minutos haciendo clic en sugerencias que nunca tenías pensado leer. Eso es interacción, pero puede que no sea una interacción útil. Tanto las recomendaciones basadas en IA como las listas de tendencias mantienen a los usuarios activos; la pregunta más difícil es si les ayudan a encontrar lo que realmente venían a buscar.

Un único vestíbulo puede dar cabida a varios tipos de descubrimiento

El éxito o el fracaso de un gran vestíbulo de juegos depende de que los usuarios puedan encontrar algo sin verse abrumados por la cantidad de opciones. Ese es el verdadero problema de la participación en este caso. Un visitante puede querer ver qué está llamando la atención, navegar por tipo de juego o ir directamente a un proveedor conocido, y la página debe facilitar cada una de esas decisiones sin que el usuario tenga que esforzarse por conseguirlas.

El vestíbulo de Nueva Zelanda del casinoonline theCasiny se ha diseñado en torno a ese tipo de descubrimiento por capas. Su sección «Popular» destaca de inmediato los títulos que están en el punto de mira, mientras que «Stevo’s Picks» ofrece una ruta curada independiente a través del catálogo. «Pokies» y «Live» dividen el vestíbulo por formato, y «Drops & Wins» da al contenido promocional de los torneos un espacio propio y claro, en lugar de mezclarlo con el feed general.

La barra de búsqueda y el filtro de proveedores devuelven entonces el control al visitante. Alguien que busque un título específico puede saltarse las secciones principales, mientras que otro usuario puede limitar el lobby al software de un estudio concreto. Casiny, por lo tanto, trata el descubrimiento como parte del propio producto: la popularidad actual ayuda con la primera decisión, la selección ofrece orientación y el filtrado directo ayuda a quienes ya saben lo que quieren.

Esa combinación ofrece a los profesionales del marketing una pregunta más adecuada que poner a prueba. El objetivo no es simplemente contar qué sección recibe más clics, sino ver qué ruta ayuda a cada tipo de visitante a llegar al contenido relevante con la menor fricción posible.

Las señales de comportamiento no siempre revelan un interés genuino

Un clic demuestra que alguien ha abierto algo. No demuestra que le haya gustado. El tiempo de visualización también puede ser engañoso, ya que la gente deja un vídeo en reproducción, se distrae o sigue viendo algo que no le gusta.

Meta probó ese problema en Facebook Reels.Un estudio de Meta Engineering de 2026, realizado por Senthil Rajagopalan y otros 11 coautores, reveló que las heurísticas de interés anteriores solo alcanzaban una precisión del 48,3 %. El equipo añadió comentarios directos de encuestas en el feed y, a continuación, probó el modelo revisado con más de 10 millones de usuarios. La precisión aumentó hasta el 63,2 %, la recuperación subió del 45,4 % al 66,1 % y la interacción total se incrementó en un 5,2 %.

La lección es clara. El comportamiento proporciona pistas al sistema, pero esas pistas no equivalen a la intención. Una persona puede hacer clic porque un titular le resulta extraño, quedarse porque el reproducción automática sigue en marcha y, a continuación, marcharse sin obtener nada útil.

El contenido de tendencia resuelve el problema del «arranque en frío»

La personalización funciona mejor una vez que el sistema conoce algo sobre el usuario. Un visitante que accede por primera vez no tiene historial de clics, ni elementos guardados, ni sesiones completadas, por lo que el algoritmo tiene muy poca información con la que trabajar.

El contenido de tendencia llena ese vacío de inmediato. Utiliza la actividad agregada, lo que significa que la página puede mostrar lo que está llamando la atención antes de saber nada sobre la persona que la está viendo. Esto resulta útil en torno a un evento en directo o un nuevo lanzamiento, ya que el interés actual puede ser más útil que un perfil de preferencias antiguo.

El punto débil es el bucle que puede crear. La visibilidad inicial genera clics, esos clics elevan la posición del contenido y, a su vez, esa posición más alta genera más visibilidad. El contenido popular puede seguir ganando terreno precisamente porque ya era popular.

Casiny reduce ese problema manteniendo su sección «Popular» junto a las secciones independientes de «Pokies», «Live» y «Drops & Wins». La página sigue ofreciendo a los nuevos visitantes una vía rápida hacia los títulos actuales, pero las categorías evitan que la popularidad se convierta en la única vía de acceso al lobby. Eso deja espacio para las personas que saben qué tipo de contenido quieren antes de llegar.

Los usuarios australianos siguen queriendo tener el control sobre lo que descubren

La gente no siempre quiere que un algoritmo tome la decisión por ella. La búsqueda sigue siendo útil porque la intención puede ser precisa, sobre todo cuando alguien ya conoce al artista, el tema o el proveedor que busca.

La encuesta de YouGov de julio de 2025, realizada a 4.017 usuarios australianos de servicios de streaming ypublicada por Spotify en noviembre de 2025, reveló que el 85 % estaba satisfecho con su capacidad para descubrir nueva música. También se observó que el 81 % afirmaba que era fácil encontrar artistas australianos, porcentaje que ascendía al 83 % entre la Generación Z y al 84 % entre los millennials. Otra muestra de YouGov Profiles reveló que el 42 % buscaba activamente artistas independientes o menos conocidos.

Estas cifras muestran que los sistemas de recomendación complementan el descubrimiento activo en lugar de sustituirlo. Un oyente puede aceptar una lista de reproducción personalizada un día y, al día siguiente, buscar una banda local por su nombre.

El mismo principio se aplica a la búsqueda por nombre de juego y al filtro de proveedores de Casiny. Un visitante puede saltarse las secciones principales y filtrar directamente el vestíbulo, lo que proporciona a la interfaz una solución práctica cuando el contenido de tendencia o las selecciones curadas no se ajustan a la tarea actual.

La retención es una prueba más difícil que el siguiente clic

La participación inmediata es fácil de cuantificar. La retención es más complicada, ya que implica determinar si el usuario ha vuelto tras la primera visita, y ese resultado puede depender del precio, del momento o de una docena de factores externos.

El codirector ejecutivo de Spotify, Gustav Söderström, expuso la razón más clara para invertir en sistemas de recomendacióndurante el Día del Inversor de Spotify celebrado en mayo de 2026: «Invertimos desde el principio en el aprendizaje automático como motor de la retención».

Esa cita traza una línea útil entre la atención y el valor. Un titular de tendencia puede conseguir el primer clic, pero un sistema de recomendación solo se gana su lugar cuando sigue ayudando a alguien a encontrar contenido útil más adelante.

La retención también pone de manifiesto una mala personalización. Un sistema que repite los mismos temas puede generar una elevada tasa de clics al principio, pero luego acaba resultando aburrido. La mejor prueba es si los usuarios vuelven, exploran más allá de sus elecciones habituales y completan la tarea que vinieron a realizar.

Las pruebas controladas ofrecen a los profesionales del marketing una respuesta más clara

Las conjeturas son una mala forma de elegir entre contenido personalizado y contenido de tendencia. La respuesta más clara proviene de pruebas controladas con audiencias comparables, posiciones fijas en la página y un intervalo de tiempo definido.

Las herramientas de pruebas A/B abarcan las plataformas utilizadas para comparar la interacción, las conversiones y el comportamiento en diferentes experiencias de página. Este tipo de prueba puede mostrar si una barra de recomendaciones genera un uso más profundo o si simplemente atrae el primer clic.

Entre las métricas útiles se incluyen:

• Tasa de clics en cada sección
• Finalización tras el clic
• Uso de la búsqueda tras una recomendación poco acertada
• Comportamiento de ocultar u omitir
• Visitas repetidas en un periodo determinado
• Conversión o finalización de la tarea
• Diversidad del contenido consumido
• Resultados de los nuevos usuarios en comparación con los usuarios habituales

La división de la audiencia es importante. El contenido de tendencias puede tener más éxito entre los visitantes que acceden por primera vez, ya que elimina rápidamente la necesidad de elegir, mientras que el contenido personalizado puede funcionar mejor para los usuarios habituales con un historial claro. Probar ambos grupos juntos puede ocultar esa diferencia y llevar a una decisión errónea.

La posición en la página también debe permanecer fija durante la prueba. Una barra personalizada situada en la parte superior suele superar a una barra de tendencias situada más abajo, pero ese resultado dice más sobre la visibilidad que sobre la calidad de las recomendaciones.

El descubrimiento híbrido suele ofrecer la mejor experiencia

Los mejores sistemas ofrecen a los usuarios más de una vía de acceso. El contenido de tendencia proporciona un punto de partida inmediato, mientras que la clasificación personalizada resulta más útil una vez que el sistema dispone de suficientes datos fiables. La selección humana aporta criterio, y la búsqueda directa permite que el usuario mantenga el control.

Esa combinación también resulta útil cuando el motor de recomendación se equivoca. Un visitante puede ignorar la barra de sugerencias, elegir una categoría o buscar un elemento específico en lugar de abandonar la página.

El vestíbulo de Casiny, basado en navegador y optimizado para móviles, debe mantener esas opciones en las pantallas de ordenador, teléfono y tableta. La sección «Popular», las selecciones curadas y la búsqueda directa solo siguen siendo útiles cuando la interfaz permite acceder a ellas fácilmente en una pantalla más pequeña. No existe una aplicación nativa verificada, por lo que la experiencia depende de que el diseño del navegador funcione correctamente.

Aquí es donde el diseño híbrido demuestra su valía. El sistema puede guiar a los usuarios sin encerrarlos en un único método de clasificación, y el visitante sigue teniendo una ruta clara cuando la sugerencia automática no da en el clavo.

El mejor sistema depende de la intención actual del usuario

El contenido de tendencia funciona mejor cuando el visitante es nuevo, el momento es importante o la atención compartida forma parte de la experiencia. Las recomendaciones personalizadas ganan en eficacia una vez que el sistema dispone de datos individuales fiables y tiene en cuenta más aspectos que el primer clic.

El mejor diseño de interacción ofrece a los usuarios un punto de partida sensato, aprende de lo que hacen y, aun así, les permite buscar o cambiar de dirección. El ganador no es un sistema en sí mismo, sino el diseño que se adapta a la intención actual del usuario.

El juego está destinado a adultos y debe seguir siendo una forma de entretenimiento. Nunca debe considerarse una fuente de ingresos, y los jugadores solo deben apostar dinero que puedan permitirse perder.