Los algoritmos de recomendación hacen que todos acabemos en los mismos lugares

Un nuevo estudio confirma lo que muchos usuarios sospechaban: los algoritmos de recomendación basados en inteligencia artificial están reduciendo la diversidad de los lugares que frecuentamos. Cuanto mayor es la confianza que depositamos en estas sugerencias, más pronunciado resulta el efecto de homogenización urbana.

Los investigadores Luca Pappalardo y Marco Minici, del Consejo Nacional de Investigación de Italia (CNR), y Giovanni Mauro, de la Escuela Normal Superior de Pisa, diseñaron una simulación que reproduce el ciclo de retroalimentación entre los sistemas de recomendación y el comportamiento humano. Publicado en la revista Machine Learning, el estudio no evalúa la precisión de los algoritmos para predecir gustos, sino el modo en que influyen en la organización social y en los flujos urbanos.

Resultados: más variedad individual, menos diversidad colectiva

A nivel individual, seguir las recomendaciones de la IA tiende a ampliar la gama de sitios que una persona visita. En la simulación, los usuarios que aceptan las sugerencias llegan a explorar muchos más restaurantes, tiendas o museos que aquellos que ignoran las recomendaciones.

Sin embargo, cuando se observa el conjunto de usuarios, el efecto es opuesto. El 10 % de los lugares más populares concentran el 33 % de las visitas; si todos aceptaran las recomendaciones, esa cifra subiría al 57 %. Este patrón recuerda al “efecto de los ricos que se hacen más ricos”: los destinos ya populares atraen cada vez más gente, mientras que los establecimientos menos conocidos quedan prácticamente invisibles.

La simulación también mostró que la homogeneidad de los itinerarios aumenta considerablemente. Cuando la mayoría de los usuarios sigue las sugerencias, la coincidencia de horarios y ubicaciones se dispara, reduciendo la singularidad de cada recorrido.

Para llevar a cabo la investigación, los autores recopilaron datos reales de visitas a lugares como restaurantes, tiendas, estaciones de tren y museos a partir de redes sociales con geolocalización en dos megaciudades –Nueva York y Tokio–, cuyas culturas difieren notablemente. Con esos datos entrenaron sistemas de recomendación basados en aprendizaje automático y simularon distintos escenarios, variando la tasa de aceptación de las sugerencias para observar cómo cambiaban la diversidad individual, la diversidad colectiva y la uniformidad de los patrones de movimiento.

Los investigadores destacan que la principal dificultad fue la falta de transparencia de los algoritmos comerciales. “En teoría, la legislación europea obliga a plataformas como Google Maps a evaluar el riesgo que sus algoritmos suponen para el entorno urbano, pero en la práctica hay poca información disponible”, explicó Pappalardo.

La novedad del estudio radica en que es la primera simulación que incorpora explícitamente el papel de la IA en el ciclo de retroalimentación urbano, considerando tanto la aceptación como el rechazo de las recomendaciones por parte de los usuarios. Según Mauro, “cuando un usuario rechaza una sugerencia, esa decisión pasa a formar parte del historial digital que alimenta futuras recomendaciones”.

Los autores también analizan posibles vías para romper este círculo de homogeneización. Señalan que, aunque existen investigaciones que buscan reducir el sesgo de popularidad en los sistemas de recomendación, la mayoría se centra solo en la diversidad individual, sin atender la homogeneidad colectiva. Proponen la creación de sistemas adaptativos y multi‑objetivo que equilibren la variedad personal con la preservación de una diversidad urbana más amplia.

Finalmente, el estudio subraya que la solución no puede ser puramente tecnológica. Se requiere un marco regulatorio que obligue a las plataformas a considerar no solo métricas de interacción y beneficio económico, sino también valores sociales y culturales. Solo así se evitará que la velocidad con la que los algoritmos estandarizan nuestras decisiones dependa exclusivamente de nuestra obediencia ciega a sus sugerencias.

Mira tambien: