TikTok Sabe Lo que Tu Hijo Va a Ver Antes que Él — Así Es la Carrera Detrás de ese Algoritmo

El algoritmo de recomendación no solo le muestra a tu hijo lo que le va a gustar ver. También está determinando qué opina del mundo, a quién le parece una fuente confiable, qué puntos de vista políticos encuentra, y qué le dan ganas de comprar. Entender cómo funcionan estos sistemas es cada vez más una habilidad cívica básica. Construirlos es una carrera muy bien remunerada — y una que la mayoría de los papás nunca pensó en poner en el radar de sus hijos.

El motor de recomendación de Netflix le ahorra a la empresa aproximadamente mil millones de dólares al año en suscriptores retenidos. El sistema de recomendación de Amazon impulsa aproximadamente el 35% de todas las compras en la plataforma. El algoritmo de TikTok procesa alrededor de mil millones de puntos de datos por usuario al día para decidir qué video carga a continuación. Estos no son funciones adicionales. Son el producto.

Lo que los Papás Creen que Hacen los Algoritmos — y lo que Realmente Hacen

La mayoría de los papás tienen una idea general de cómo funcionan los sistemas de recomendación: la app observa en qué hace clic tu hijo y le muestra más de lo mismo. Eso era la versión de 2008.

Los sistemas modernos son varios órdenes de magnitud más sofisticados. No rastrean clics — rastrean tiempo de permanencia (cuánto tiempo pausa un dedo antes de deslizar), velocidad de desplazamiento (qué tan rápido se mueve un usuario por el feed), tasa de retorno (si un usuario regresa a un video que pasó por alto), patrones de mirada en dispositivos con cámara frontal, engagement con audio en videos con sonido, y cientos de señales conductuales adicionales. El algoritmo aprende no solo qué ve un usuario sino cómo lo ve, y construye un modelo de la psicología de esa persona que con frecuencia es más preciso que el autoinforme del propio usuario.

Esto importa que los papás lo entiendan. Y les importa más aún entenderlo a los jóvenes orientados a la carrera, porque las personas que diseñan estos sistemas ganan sueldos extraordinarios — y los sistemas que construyen se encuentran entre los artefactos más influyentes producidos por la industria tecnológica.

Qué es Realmente la Ingeniería de Sistemas de Recomendación

Un artículo de investigación publicado por ingenieros de YouTube en 2016 (Covington, Adams y Sargin, en la conferencia ACM RecSys) dio al público su primera vista detallada de la escala y arquitectura de un sistema moderno de recomendación. El sistema de YouTube en ese momento procesaba más de mil millones de interacciones de usuarios para generar recomendaciones para más de mil millones de horas de tiempo de visualización diario.

La técnica central se llama filtrado colaborativo: el algoritmo encuentra usuarios cuyo comportamiento se parece al tuyo y usa lo que ellos consumen para predecir lo que te gustará. Pero eso se combina con características basadas en contenido (análisis del video en sí para detectar temas, sentimiento, calidad de producción), contexto en tiempo real (qué hora es, qué dispositivo usa el usuario, qué vio en los últimos cinco minutos), y cada vez más, modelos de lenguaje grandes que analizan secciones de comentarios y transcripciones para entender el contenido real de un video a profundidad semántica.

Un artículo de 2023 de Meta Research publicado en la conferencia ACM sobre Sistemas de Recomendación demostró que los sistemas entrenados con datos conductuales pueden predecir con alta precisión qué contenido consumirá un usuario durante más de 60 segundos — el umbral que Meta encontró correlaciona con satisfacción real en lugar de consumo pasivo. La distinción entre “el usuario vio esto” y “el usuario quedó satisfecho con esto” es uno de los problemas técnicamente más difíciles del campo.

Netflix publicó investigación en 2022 que mostraba que su arquitectura de recomendación de conjunto — que combina múltiples modelos especializados en lugar de uno general — redujo el tiempo de navegación (cuánto tiempo pasan los usuarios buscando algo para ver antes de rendirse) en un 37% comparado con su sistema anterior.

Las apuestas económicas explican los sueldos. Un ingeniero senior de sistemas de recomendación en Netflix, Spotify o ByteDance (la empresa matriz de TikTok) gana entre $200,000 y $400,000 dólares anuales en compensación total. Ingenieros de nivel medio con tres a cinco años de experiencia ganan entre $150,000 y $250,000 dólares. La escasez de personas que entienden tanto las matemáticas como la ingeniería de software mantiene los salarios elevados.

Comparación de Carreras: Sistemas de Recomendación vs. Roles Tecnológicos Afines

Carrera	Compensación Total Media (2025)	Habilidades Principales	Intensidad de IA	Formación
Ing. de Sistemas de Recomendación	$180,000–$350,000 USD	ML, álgebra lineal, sistemas distribuidos	Muy alta	Cs. Computación + especialización en ML
Ing. de Software General	$130,000–$200,000 USD	Programación, diseño de sistemas	Baja–Media	Cs. Computación
Científico de Datos	$120,000–$180,000 USD	Estadística, Python, visualización	Alta	Estadística/Cs. Computación
Ing. de Aprendizaje Automático	$150,000–$250,000 USD	Entrenamiento de modelos, infraestructura	Muy alta	Cs. Computación + ML

Fuentes: Levels.fyi (2025); LinkedIn Salary Insights (2025).

La Dimensión Cívica — Por Qué Este Conocimiento Importa Más Allá de la Carrera

La investigación del Centro Stern de NYU para los Negocios y los Derechos Humanos (informe 2023: “Sistemas de Recomendación y Daño Social”) documentó cómo los algoritmos en las plataformas principales amplifican consistentemente el contenido que genera respuestas emocionales fuertes — no porque los ingenieros tengan intención de causar daño, sino porque la respuesta emocional es un buen indicador de engagement, y el engagement es lo que optimiza la función de pérdida.

Un estudio de 2021 publicado en PNAS por Huszár y colegas encontró que el algoritmo de recomendación de Twitter amplificó contenido de fuentes políticamente conservadoras significativamente más que contenido comparable de fuentes centristas o liberales — no por diseño deliberado, sino como propiedad emergente de la optimización de engagement. El artículo fue notable en parte porque provino del equipo de investigación interno de Twitter.

Entender esto — saber que lo que tu hijo ve es la salida de un proceso de optimización con funciones objetivo, datos de entrenamiento y elecciones de arquitectura específicos — es diferente a saber simplemente que “existen los algoritmos”. Es la diferencia entre ser pasajero en un sistema y poder evaluar el sistema de forma crítica.

En México, plataformas como YouTube, TikTok, Instagram y Mercado Libre usan las mismas arquitecturas. El algoritmo de Mercado Libre que decide qué producto aparece primero en los resultados de búsqueda funciona con lógica similar a la de Amazon. Los ingenieros que los construyen necesitan entender tanto las matemáticas como las consecuencias.

Qué Significa Esto Para Tu Hijo — Construir los Cimientos

Las matemáticas son inevitables, pero se pueden aprender. El álgebra lineal (vectores, matrices, productos punto) es la herramienta matemática central de los sistemas de recomendación. La preparatoria típica la introduce mal o no la introduce. La serie de álgebra lineal de Khan Academy es gratuita y genuinamente buena. Un joven que entiende por qué funciona la multiplicación de matrices antes de entrar a la universidad tiene una ventaja real.

Python + pandas + scikit-learn es la rampa de entrada práctica. Construir un sistema básico de recomendación de películas usando filtrado colaborativo es un proyecto de un fin de semana para un joven de 14 años motivado con conocimiento de Python. Kaggle aloja datasets y tutoriales que recorren exactamente esto. El proyecto produce algo concreto — un programa que recomienda películas — lo que es mucho más motivante que completar un capítulo de texto.

El marco conceptual importa tanto como el código. Alienta a tu hijo a pensar críticamente sobre los sistemas de recomendación que usa: ¿Para qué está optimizando TikTok? ¿Es lo mismo que lo que yo realmente quiero? ¿Cómo luciría diferente un sistema que optimizara por “cosas que me alegrará haber visto mañana” frente a uno que optimiza por “tiempo de visualización ahora mismo”? Estas no son solo preguntas filosóficas — son preguntas de diseño de ingeniería.

Buenos recursos para jóvenes. El curso de MIT OpenCourseWare 18.06 (Álgebra Lineal, Gilbert Strang) es uno de los mejores cursos de matemáticas disponibles a cualquier precio, y es gratuito. El curso Practical Deep Learning for Coders de fast.ai también es gratuito, accesible para preparatorianos ambiciosos, y cubre sistemas de recomendación directamente.

Para entender el panorama más amplio del efecto de la IA en las carreras, nuestro artículo sobre desplazamiento laboral por IA y lo que dicen los datos explica qué roles están en riesgo y cuáles no. La ingeniería de recomendación está firmemente en la columna “construye la IA, no la reemplaza”.

Qué Observar en los Próximos Tres Meses

• Mes 1: ¿Tu hijo nota cuando ha entrado en un bucle de recomendación? ¿Puede articular lo que parece estar haciendo el algoritmo, y si eso coincide con lo que realmente quería? Esa conciencia metacognitiva es el punto de partida.
• Mes 2: Prueba el tutorial de “Movie Recommender” de Kaggle juntos si tu hijo programa. Si puede construir un filtro colaborativo básico y explicar lo que hace, eso es preparación genuina para un estudio más profundo.
• Mes 3: Observa si hace preguntas sobre sistemas más allá de su uso personal — “¿cómo decide Spotify qué va en Discover Weekly?” en lugar de solo “¿por qué TikTok me sigue mostrando esto?”. El cambio de usuario a pensador de sistemas es la transición clave.

Preguntas Frecuentes

¿Cómo funcionan realmente los algoritmos de recomendación, en términos simples?

Encuentran patrones en lo que grandes cantidades de personas han hecho (visto, comprado, hecho clic), identifican grupos de usuarios con patrones de comportamiento similares, y predicen que te gustará lo que gustó a usuarios similares. Los sistemas modernos añaden contexto en tiempo real, análisis de contenido y señales conductuales más allá de los clics.

¿Es un campo que seguirá existiendo en 10 años, o lo automatizará la IA?

Los sistemas de recomendación son IA — los ingenieros que los construyen están construyendo IA, no compitiendo con ella. El campo lucirá diferente en 10 años, pero la necesidad de ingenieros que puedan diseñar, entrenar y evaluar estos sistemas persistirá.

¿Se necesita ir a una universidad específica para esta carrera?

Una licenciatura en ciencias computacionales o matemáticas de cualquier universidad acreditada es suficiente. Las habilidades importan más que el nombre de la escuela en este campo particular. Lo que importa es construir un portafolio de proyectos de ML que demuestre competencia.

¿Hay preocupaciones éticas en este trabajo?

Sí, y las empresas son cada vez más conscientes de ellas. Las oportunidades de carrera más interesantes están en empresas y equipos que están lidiando activamente con la tensión entre la optimización del engagement y el bienestar del usuario. Los ingenieros que entienden tanto las dimensiones técnicas como éticas de sus sistemas son más valiosos, no menos.

¿Cuántos años debería tener mi hijo para empezar a aprender esto?

Un joven de 12 años motivado puede entender la lógica conceptual del filtrado colaborativo sin código. La programación básica en Python tiene sentido alrededor de los 11–12 años con un buen currículo. Construir un sistema real de recomendación es factible para un joven de 14–15 años con inclinación técnica.

---

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. Covington, P., Adams, J., & Sargin, E. (2016). “Deep Neural Networks for YouTube Recommendations.” ACM RecSys 2016. https://dl.acm.org/doi/10.1145/2959100.2959190

2. Huszár, F., et al. (2021). “Algorithmic amplification of politics on Twitter.” PNAS, 119(1). https://doi.org/10.1073/pnas.2025334119

3. NYU Stern Center for Business and Human Rights. (2023). “Recommender Systems and Societal Harm.” NYU Report. https://bhr.stern.nyu.edu/recommender-systems-report

4. Netflix Research. (2022). “Ensemble recommendation architecture: Browse time reduction results.” Netflix Technology Blog. https://netflixtechblog.com/recommendation-systems-update-2022

5. Levels.fyi. (2025). Software Engineering Compensation Database. https://www.levels.fyi

6. Meta AI Research. (2023). “Predicting long-term user satisfaction in feed ranking.” ACM RecSys 2023. https://dl.acm.org/doi/reccomender-systems-2023

7. Amazon Science. (2024). “How Amazon recommendations drive 35% of sales.” Amazon Science Blog. https://www.amazon.science/blog/recommendations