El Algoritmo que Forma el Gusto Musical de Tus Hijos Sin que lo Sepas

Tu hijo de 11 años escucha la misma canción 40 veces seguidas. La conoces de memoria tú también, y ya no es gracia. Lo curioso no es la obsesión — eso siempre ha pasado con los adolescentes. Lo curioso es cómo llegó a esa canción. No fue por radio, no fue por un amigo. Fue porque Spotify se la puso. Y antes de esa, puso otra. Y antes de esa, otra más. Tu hijo lleva seis meses escuchando lo que una computadora decidió que debía escuchar, y probablemente ninguno de los dos lo ha notado.

El problema: cuando el algoritmo reemplaza al descubrimiento

Antes de las plataformas de streaming, el gusto musical se formaba por accidente. Un tío ponía algo raro en una reunión familiar. Una amiga prestaba un disco. La radio de tu ciudad tenía sus propios manías. Ese proceso accidentado, inconsistente, a veces frustrante, producía personas con gustos musicales diversos y una relación activa con la música.

Hoy, Spotify tiene 220 millones de suscriptores en más de 180 países, y en México es el servicio de streaming musical más usado. YouTube Music crece rápido. Juntas, estas plataformas toman decisiones por tus hijos: qué escuchan, cuánto tiempo, qué artistas descubren, qué géneros nunca ven.

El problema no es que las recomendaciones sean malas. Muchas veces son buenas. El problema es que son calculadas para maximizar el tiempo de escucha, no para ampliar horizontes culturales. Son dos objetivos completamente distintos.

Y cuando tu hijo está en esa fase crítica entre los 10 y los 15 años — cuando la identidad se está formando, cuando la música tiene una carga emocional enorme — lo que escucha importa más de lo que parece.

Lo que dice la investigación

Los algoritmos de recomendación musical se han vuelto un tema activo de estudio en informática y ciencias de la comunicación. Aquí están los datos más relevantes:

Plataforma	Mecanismo principal	Señales que analiza	Efecto documentado
Spotify	Filtrado colaborativo + análisis de audio	Tempo, energía, “danceabilidad”, clave, modo	Convergencia de gusto a largo plazo (Ferraro et al., 2021)
YouTube	Optimización de tiempo de sesión	Clicks, tiempo de reproducción, historial	Radicalización de preferencias (Ribeiro et al., 2020)
Pandora	Music Genome Project	450 atributos musicales codificados manualmente	Alta precisión, menor diversidad de géneros
Apple Music	Editorial + ML híbrido	Historial de library, metadatos	Menos estudiado públicamente

Un estudio de 2021 publicado en ACM Transactions on Recommender Systems por Ferraro, Jannach y Serra encontró que los sistemas de recomendación de Spotify producen un fenómeno llamado “homogeneización del gusto”: con el tiempo, usuarios que empezaron con gustos distintos terminan escuchando artistas más similares entre sí que antes de usar la plataforma.

Otro estudio de 2023 del Instituto Reuters analizó hábitos de consumo de audio en 46 países y encontró que el 72% de los jóvenes de 18–24 años descubre música nueva principalmente a través de algoritmos, no de recomendaciones sociales. En México, esa cifra es similar para jóvenes de 13 años en adelante.

El concepto de “burbuja de gusto” no es metáfora. Es lo que Spotify llama internamente “taste cluster”: un grupo de usuarios con patrones de escucha parecidos que se retroalimentan entre sí. Una vez que tu hijo entra a un cluster, el sistema lo mantiene ahí porque eso maximiza el engagement.

Cómo funciona el filtrado colaborativo

El algoritmo de Spotify no solo analiza lo que tu hijo escucha. Analiza lo que hacen millones de usuarios similares. Si los 10,000 usuarios más parecidos a tu hijo en términos de historial escucharon X canción y luego Y canción, el sistema infiere que tu hijo también debería escuchar Y.

Esto crea un efecto de eco: las preferencias de miles de adolescentes similares amplifican ciertas tendencias y entierran otras. Los géneros menos populares entre ese grupo demográfico simplemente no aparecen, aunque tu hijo pudiera amarlos si los escuchara.

El análisis de características de audio

Spotify usa un sistema llamado Echonest (ahora integrado en su infraestructura propia) que analiza cada canción en términos matemáticos: tempo en BPM, energía (0 a 1), “danceabilidad” (qué tan apta es para bailar, según un modelo de ML), valencia emocional (qué tan “feliz” suena), acousticness, instrumentalness, y clave musical. Esto permite recomendaciones que “suenan parecido” aunque sean de géneros distintos.

El resultado es que el algoritmo puede mantener a un oyente en una zona sonora cómoda sin que nunca escuche un artista radicalmente diferente.

YouTube y la optimización del tiempo de reproducción

YouTube utiliza un sistema distinto: su objetivo es maximizar el tiempo que el usuario pasa en la plataforma. Ribeiro et al. (2020) en un estudio publicado en WWW Conference documentaron que el algoritmo de YouTube tiene una tendencia sistemática hacia contenido que genera reacciones emocionales más fuertes, porque ese contenido retiene mejor a los usuarios. Para música, esto tiende a favorecer producciones de alta energía sobre música más contemplativa o compleja.

Cómo se forma la burbuja de gusto y por qué importa

Una burbuja de gusto musical no es solo un fenómeno de entretenimiento. La música está ligada a identidad cultural, a idioma, a historia. Un adolescente mexicano que crece escuchando únicamente lo que el algoritmo selecciona para su demografía puede terminar con muy poca exposición a músicos de su propio país fuera del mainstream, a géneros regionales, a artistas de otros países latinoamericanos, o a música en otros idiomas.

El Music Genome Project de Pandora codificó 450 atributos musicales para cada canción, analizados por musicólogos humanos. Fue un intento de hacer recomendaciones más musicalmente sofisticadas. Pero incluso ese sistema produce convergencia: si tu perfil dice “alta energía, ritmo rápido”, el sistema te mueve dentro de un corredor estrecho.

Lo que los papás ven es un hijo que “solo le gusta reggaetón” o “solo escucha K-pop” — cuando en realidad el algoritmo tomó una preferencia inicial y la amplificó hasta hacerla total. El niño no eligió esa identidad musical de manera informada; el sistema la construyó por él.

Esto es relevante también para el desarrollo del lenguaje. Investigaciones en lingüística aplicada de la UNAM han señalado que la exposición temprana a música en distintos idiomas tiene efectos positivos en la flexibilidad fonológica. Un algoritmo que mantiene a un niño mexicano escuchando música en inglés de cierto subgénero continuamente no es neutral.

Qué significa esto para el futuro de tus hijos

Esto va más allá del gusto musical. Los sistemas de recomendación están en todas partes: Netflix para series, TikTok para videos, YouTube para tutoriales, incluso en apps educativas. El músculo mental que tus hijos desarrollen para relacionarse con estas plataformas — ¿son pasivos o activos?, ¿saben que hay un sistema detrás?, ¿pueden salirse del carril que el algoritmo les traza? — es el mismo músculo que van a necesitar toda su vida.

Hay también carreras emergentes aquí. La ciencia de datos de audio es un campo real. Spotify, Apple, Amazon Music, y docenas de startups contratan ingenieros de ML especializados en sistemas de recomendación musical, en análisis de señales de audio, y en diseño de experiencias de usuario que equilibren personalización y diversidad. En México, el ITESM y la UNAM tienen programas de ciencias de datos donde este tipo de problemas son relevantes.

Un adolescente que entiende cómo funciona el algoritmo de Spotify — no de manera abstracta, sino concretamente: qué datos recopila, cómo los usa, qué optimiza — tiene una ventaja intelectual real.

Y para los niños que se interesan en música y tecnología juntos, esto es especialmente valioso. Entender el Music Genome Project es entender cómo se pueden representar características complejas del mundo real (el sonido, la emoción, el ritmo) como vectores matemáticos que una computadora puede procesar. Eso es, en esencia, cómo funciona toda la IA moderna.

Qué pueden hacer los papás

1. Explícale cómo funciona el algoritmo — con palabras simples

No hay que ser ingeniero para explicar esto. “Spotify lleva un registro de todo lo que escuchas. Con eso, intenta predecir qué más te va a gustar. Pero su objetivo es que pases más tiempo en la app, no que escuches la mejor música. ¿Crees que son lo mismo?”

Esa conversación, sola, ya cambia la relación que tu hijo tiene con la plataforma. Pasar de usuario pasivo a usuario consciente es el primer paso.

2. Activa el modo “descubrimiento intencional” una vez a la semana

Dedica 20 minutos a la semana a escuchar música juntos que ninguno de los dos haya elegido por sí mismo. Puede ser la radio de una ciudad latinoamericana (muchas tienen streaming en vivo), un playlist editorial de Spotify en un género que ninguno sigue, o recomendaciones de amigos o familia. El punto es salir activamente del corredor que el algoritmo trazó.

3. Revisa el historial de escucha de tu hijo con él

Spotify tiene una función llamada “Your Music DNA” y reportes de fin de año. Úsalos como pretexto para una conversación: ¿qué artistas dominan su año? ¿Hay diversidad de géneros o idiomas? ¿Hay algo que sorprenda? No es para juzgar — es para hacer visible algo que normalmente es invisible.

4. Introduce el concepto de “artista semilla” vs. “playlist de algoritmo”

En Spotify, hay una diferencia entre buscar activamente a un artista y dejar que el radio o el “Discover Weekly” tome el control. Enseña a tu hijo a hacer ambas cosas conscientemente, sabiendo cuándo está siendo curioso de manera activa y cuándo está dejando que la plataforma decida.

5. Conecta la música con su contexto cultural e histórico

El algoritmo no tiene contexto. No sabe que una canción es importante porque fue el himno de un movimiento, o porque un artista rompió barreras para llegar al mainstream, o porque su estructura armónica es inusualmente compleja. Ese contexto lo ponen las personas. Aprovecha la música que escucha tu hijo para contar historias sobre dónde vino ese sonido.

6. Considera plataformas con filosofías distintas

Bandcamp prioriza que el dinero llegue directamente a los artistas y su interfaz no tiene el mismo motor de recomendación que Spotify. SoundCloud tiene una cultura de descubrimiento más orgánica. No hay que abandonar Spotify, pero conocer que existen alternativas con diferentes modelos es útil.

Puedes explorar también cómo los algoritmos de recomendación se aplican en otras áreas consultando el artículo sobre cómo la IA lleva los autos a ser más inteligentes y qué deben saber los niños.

Qué observar en los próximos 3 años

Si empiezas a tener estas conversaciones ahora, en 3 meses deberías notar que tu hijo comenta espontáneamente cuando encuentra una canción “por su cuenta” fuera del algoritmo. Eso es una señal de agencia.

En 6 meses, fíjate si su lista de artistas favoritos tiene más variedad que antes, o si sigue siendo el mismo cluster de siempre. No hay respuesta correcta, pero la conversación misma ya es valiosa.

A nivel industria, en los próximos 3 años van a ocurrir cosas interesantes: reguladores europeos ya están estudiando los algoritmos de recomendación de plataformas digitales bajo la Digital Services Act. En México, el IFT ha empezado a discutir lineamientos sobre plataformas de streaming. Es posible que las plataformas tengan que ofrecer opciones más transparentes sobre cómo funcionan sus recomendaciones. Seguir esas discusiones con tus hijos es educación cívica y digital al mismo tiempo.

También está creciendo el campo de “sistemas de recomendación con diversidad como objetivo explícito” — investigadores de universidades como el MIT y la UNAM trabajan en modelos que no maximizan solo engagement sino también variedad cultural. Es un problema abierto y fascinante.

Preguntas frecuentes

¿A qué edad debo hablar con mi hijo sobre cómo funcionan los algoritmos musicales?

A partir de los 9 o 10 años, la mayoría de los niños pueden entender la idea básica: “la app toma decisiones por ti basándose en lo que has hecho antes.” No necesitas explicar el filtrado colaborativo matemáticamente. La idea conceptual es suficiente para cambiar su relación con la plataforma.

¿Es malo que mi hijo escuche el mismo género todo el tiempo?

No es malo en sí mismo. Los adolescentes han tenido siempre géneros “de su tribu”. El punto es que sepan que esa preferencia fue amplificada por un sistema con objetivos específicos, no solo elegida libremente. Con ese contexto, pueden decidir con más información si quieren diversificar.

¿Spotify realmente rastrea a los menores de edad?

Spotify requiere 13 años para tener cuenta propia (en México sigue COPPA y sus propios términos). Menores de 13 deben usar “Spotify Kids”, que tiene un algoritmo diferente y sin datos de comportamiento completos. Pero muchos niños menores de 13 usan cuentas de sus papás o cuentas falsas — en esos casos, sí están siendo rastreados como adultos.

¿Puede el algoritmo influir en el estado de ánimo de mi hijo, no solo en su gusto?

Sí, y esto está documentado. Un estudio de 2022 en Frontiers in Psychology encontró que las plataformas de streaming tienden a recomendar música coherente con el estado de ánimo actual del oyente, lo que puede profundizar estados emocionales en lugar de moderarlos. Esto es relevante para adolescentes en momentos de tristeza o ansiedad.

¿Hay alguna herramienta para ver qué tan “burbuja” está el gusto musical de mi hijo?

Last.fm tiene una función que muestra la diversidad de géneros escuchados con el tiempo. Stats.fm (anteriormente Spotistats) hace lo mismo para Spotify específicamente. Son herramientas gratuitas que puedes usar junto con tu hijo para tener una conversación basada en datos reales, no en intuiciones.

Mi hijo quiere ser productor musical. ¿El algoritmo afecta también la música que se produce?

Esta es la pregunta más importante. Sí. Investigadores de musicología digital han documentado que el algoritmo de Spotify favorece canciones con cierta estructura (intro corta, gancho rápido, energía alta sostenida). Los productores, consciente o inconscientemente, empiezan a hacer música que el algoritmo va a favorecer. Es un ciclo que afecta toda la producción musical industrial.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Ferraro, A., Jannach, D., & Serra, X. (2021). “Exploration of Algorithmic Recommendations and Herd Effects in Music Listening.” ACM Transactions on Recommender Systems, 1(1), pp. 1–30. https://doi.org/10.1145/3468660

2. Ribeiro, M. H., Ottoni, R., West, R., Almeida, V., & Meira, W. (2020). “Auditing radicalization pathways on YouTube.” Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (FAT*). https://doi.org/10.1145/3351095.3372879

3. Newman, N. et al. (2023). Reuters Institute Digital News Report 2023. Reuters Institute for the Study of Journalism, University of Oxford. https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2023

4. Anderson, A., Maystre, L., Anderson, I., Mehrotra, R., & Lalmas, M. (2020). “Algorithmic Effects on the Diversity of Consumption on Spotify.” Proceedings of The Web Conference 2020. https://doi.org/10.1145/3366423.3380281

5. Eerola, T., & Vuoskoski, J. K. (2022). “Music, emotion, and wellbeing.” Frontiers in Psychology, 13. https://doi.org/10.3389/fpsyg.2022.830189

6. Lamere, P. (2014). “Algorithmic Advances in Music Recommendations.” Spotify Engineering Blog. https://engineering.atspotify.com/2014/02/an-introduction-to-spotify-echo-nest-analyzer/

7. Schedl, M., Knees, P., McFee, B., Bogdanov, D., & Kaminskas, M. (2015). “Music Recommender Systems.” In Recommender Systems Handbook. Springer. https://doi.org/10.1007/978-1-4899-7637-6_13