El Feed que nos Aprende: Sesgos Humanos, Sesgos de IA, Razonamiento en las Generaciones (1a parte)

 El tema que ahora nos ocupa, de cierta manera ha sido abordado en anteriores publicaciones, especialmente cuando se ha analizado las generaciones Zeta, Alfa y Beta, y el contexto que les rodea en una sociedad cada día más digitalizada, quienes viven en las ciudades, donde existen más posibilidades para obtener acceso a tecnologías digitales: dispositivos electrónicos móviles (celular, tablet, videojuegos). Lo que ahora nos ocupa y centra en esta publicación, se enfoca en las redes sociales, las cuales no inventan nuestros sesgos cognitivos, que los instrumentan; y la inteligencia artificial (IA) que las gobierna aprende de esos mismos sesgos y los devuelve amplificados. En este caso, la entrada sigue el recorrido de una sesión de redes: antes del deslizamiento (presesgos y construcción), durante (razonamiento) y después (postsesgos, corrección y agnosticismo), nos va a permitir contrastar al periodo de la infancia representado por las generaciones Alfa y Beta, la adolescencia joven con los denominados Zeta y el periodo de la adultez.

Comencemos entonces, antes de deslizar el dedo, mediante atajos de la mente y de la máquina que aprende de ellos. Todos hemos vivido la escena: abrimos con nuestro celular alguna aplicación "solo cinco minutos" y, cuando levantamos la vista, ha pasado una hora. Esa experiencia cotidiana tiene una explicación que la psicología describe hace medio siglo: la mente humana no evalúa cada dato desde cero, sino que recurre al uso de atajos o heurísticas que ahorran esfuerzo y, a veces, producen errores sistemáticos que se han denominado como sesgos cognitivos (Tversky y Kahneman, 1974). Un sesgo, entonces, no es una tontería ni un defecto de carácter; es una regularidad en la forma que juzgamos. Si todos lo tenemos, entonces ¿por qué casi nunca creemos que nuestros juicios influyen en lo que decidimos mirar?

Conviene matizar que los sesgos no son solo fallas. Desde la psicología evolucionista se ha sostenido que ciertos sesgos son apuestas razonables cuando implica equivocarse en una dirección cuesta menos que en otra (Haselton y Buss, 2000), y desde la racionalidad ecológica se argumenta que muchas heurísticas funcionan bien en entornos inciertos (Gigerenzer y Brighton, 2009). El problema surge cuando el entorno cambia más rápido que nuestra mente. Un atajo que servía para decidir entre un fruto conocido y uno extraño puede resultar frágil frente a un flujo infinito de videos diseñados sirve para captar la atención en un par de segundos (TikTok, Instagram, YouTube Shorts).

Así tenemos por ejemplo, la imagen conocida de Cognitive Vias Codex (Benson y Manoogan, s.f.) ayuda a visualizar esa fragilidad. Reúne 188 sesgos en cuatro problemas que la mente intenta resolver: demasiada información, falta de sentido, necesidad de actuar rápido y qué recordar al instante. Es un mapa divulgativo y no una taxonomía arbitrada, pero resulta elocuente: cada uno de esos cuatro problemas coincide con una característica de una red social. Hay información sin fin, contenidos ambiguos que invitan a rellenar huecos, urgencia por responder y una memoria que se forma con lo que más se repite. ¿Es causalidad que los cuatro problemas de la mente sean también los cuatro motores del feed?

Podemos llamar presesgos a lo que ya está operando antes de que empecemos a razonar. No es un término consolidado en la literatura, sino una propuesta de este ensayo para nombrar los filtros previos: aquello a lo que atendemos primero, lo que nos parece familiar y lo que confirma lo que ya supuestamente creíamos. La investigación sobre el sesgo de confirmación muestra que tendemos a buscar e interpretar la evidencia de modo que respalde nuestras ideas (Nickerson, 1998). Además, detectamos con más facilidad los sesgos ajenos que los propios (Pronin et al., 2002). Ese es justo, el terreno sobre el que se instala cualquier plataforma.

Las máquinas también parten de supuestos previos. Así lo exponen Friedman y Nissenbaum (1996), distinguieron hace casi treinta años el sesgo preexistente de un sistema informático, que proviene de valores sociales e institucionales ya presentes, del sesgo técnico del emergente. En el aprendizaje  automático, Mitchell (1980) mostró que ningún sistema puede generalizar sin algún sesgo inductivo, es decir, sin suposiciones sobre qué patrones buscar. La consecuencia es incómoda y liberadora a la vez: no existe ningún algoritmo neutral. Todo sistema que recomienda, clasifica o predice incorpora decisiones humanas, explícitas o no.

De dónde provienen esos sesgos de la IA lo han ordenado con claridad. Así lo declara Mehrabi et al. (2021): provienen de los datos y de los propios algoritmos, y entre ambos se forma un ciclo de retroalimentación con los usuarios que pueden perpetuar y amplificar la distorsión. En los modelos de lenguaje, la revisión de Gallegos et al. (2024) señala que aprenden de enormes volúmenes de texto no curado y heredan estereotipos y lenguaje excluyente. Los casos documentados son concretos: disparidades en el reconocimiento facial según género y tono de piel (Buolamwini y Gebru, 2018), un algoritmo de salud que subestimaba la necesidad de atención de pacientes negros (Obermeyer et al., 2019) y asociaciones sesgadas incrustadas en el lenguaje que las máquinas aprenden (Caliskan et al., 2017).

El punto crítico ocurre cuando ambos sesgos se acoplan. Tepe (2026) resume la adicción digital como la interacción entre vulnerabilidades psicosociales, refuerzo algorítmico y acceso constante: los algoritmos personalizan el contenido observando nuestra conducta y optimizando la permanencia, lo que puede intensificar la preocupación y la revisión repetitiva sobre todo en quien ya lucha con soledad o necesidad de aprobación. La propia autora advierte que la relación no es mecánicamente causal y que la responsabilidad está distribuida. Desde la crítica filosófica Byung-Chul Han (2014) y S. Zuboff (2019) hablan de psicopolítica y del capitalismo de vigilancia para describir cómo la conducta se vuelve materia prima. Si la plataforma nos aprende mientras la usamos. ¿Quién educa a quién?

Ahora bien, ¿quién está del otro lado de la pantalla? Las etiquetas generacionales son convenciones demográficas y comerciales, no categorías científicas, pero sirven para pensar. La generación Alfa abarca, de forma aproximada (nacidos entre 2010 y 2024); los Beta  (nacidos desde 2025); los Zeta, quienes nacieron a grandes rasgos entre finales de los años noventa y 2012. Aunque cabe aclarar que la generación Beta todavía no usa redes sociales: su relación con ellas es indirecta. Se manifiesta en la atención de los adultos que la rodean. Tepe (2026) describe lo que denomina como phubbing parental, es decir, la atención del adulto absorbida por el teléfono, y lo vincula con menor sensibilidad hacia el niño y riesgo para el apego seguro en la primera infancia.

Para la generación Alfa en edad escolar el panorama es distinto: aprende a leer el mundo mientras el mundo ya llega filtrado por recomendaciones. Conviene ser honestos: la evidencia directa sobre cómo los feeds moldean los sesgos en niños pequeños es todavía escasa, y buena parte de lo que se afirma son hipótesis razonables, no hechos probados. Lo que si sabemos por el estudio de Tepe (2026) es que la escuela es el lugar donde se hacen visibles las huellas digitales: cada estudiante entra al aula con sus cuentas, sus comunidades de juego y las tensiones de sus grupos de mensajería. ¿Qué aprende primero un niño hoy: a buscar una respuesta o a esperar que se la recomienden?

En la adolescencia joven, la generación Zeta enfrenta una combinación particular. Tepe (2026) explica que en esta etapa el sistema de recompensa funciona con intensidad mientras las áreas de control de impulsos siguen madurando, y que la identidad y el valor propio son especialmente sensibles a la retroalimentación externa: cuando su respuesta es "me gusta", comentarios y seguidores se convierten en una vara para medirse. Los juegos y las plataformas ofrecen recompensas rápidas que encajan con esa sensibilidad. Por eso un sesgo que en un adulto sería una molestia, en un adolescente puede incidir en la forma en que se define así mismo.

Los adultos no están a salvo, aunque su vulnerabilidad sea de otro tipo. En ese sentido, Tepe (2026) documenta cómo el miedo a quedarse fuera (FoMO) se traslada al trabajo, donde pensamientos como "si no respondo ahora perderé la oportunidad" mantienen de esta forma a la persona, y cómo la presión de visibilidad en redes empuja a construir una identidad exhibible que genera tensión con el yo real. La diferencia no es a quién es más vulnerable, sino a qué: la infancia lo es por dependencia relacional, la adolescencia por sensibilidad a la aprobación y la adultez por sobrecarga y presión de rendimiento. Además, la ceguera ante el propio sesgo (Pronin et al., 2002) hace que muchos adultos subestimen su exposición.

Con todo, conviene evitar el pánico. Un análisis de más de 355,000 adolescentes encontró que la asociación entre el uso de la tecnología digital y el bienestar es negativa pero pequeña, explicando como máximo el 0,4% de la variación (Orben y Przybylski, 2019). Eso no significa que no haya riesgos, sino que el tiempo de pantalla por sí solo es una pista débil; importan el tipo de uso, el diseño de las plataformas y el contexto de cada persona: Quizá la pregunta útil no sea cuántos minutos, sino qué mecanismos actúan mientras tanto. A eso dedicamos el siguiente apartado. Si el problema no fuera el tiempo, ¿qué deberíamos medir en su lugar?