El algoritmo como amplificador de la indignación: anatomía del rage bait en la economía digital de la atención

Un análisis multidisciplinar del fenómeno del cebo de ira, sus mecanismos psicológicos, su retroalimentación algorítmica y sus implicaciones para la gobernanza de las plataformas sociales

Índice

Introducción

Sección 1. Fundamentos psicológicos y sociales del rage bait

• 1.1. La asimetría de la emocionalidad negativa en entornos digitales: por qué la ira se propaga más rápida e intensamente que las emociones positivas

• 1.2. Indignación moral como mecanismo de señalización de pertenencia grupal y posicionamiento identitario

• 1.3. El papel de la validación social y el contagio emocional en la amplificación de contenido provocador

• 1.4. La paradoja del engagement crítico: compartir para desmentir como vector de viralidad

Sección 2. Arquitectura algorítmica y economía de la atención

• 2.1. Principios de diseño de los sistemas de recomendación: maximización del tiempo de permanencia y priorización de interacciones intensas

• 2.2. Evidencia empírica: los algoritmos basados en engagement amplifican sistemáticamente la indignación moral frente a los feeds cronológicos

• 2.3. El rage bait como estrategia racional de monetización para creadores de contenido: incentivos económicos y pagos por rendimiento

• 2.4. La generación automatizada de rage bait mediante inteligencia artificial: un nuevo escalón en la deshumanización de la provocación

Sección 3. Consecuencias sistémicas y costes sociales

• 3.1. Polarización política y fragmentación del espacio público: el papel de la indignación como catalizador de burbujas de filtro y cámaras de eco

• 3.2. Desinformación y erosión de la confianza epistémica: cómo el rage bait facilita la difusión de noticias falsas al desactivar los mecanismos de verificación

• 3.3. Impacto en la salud mental y el bienestar digital: doomscrolling, fatiga emocional y alteración de la regulación afectiva

• 3.4. El problema de la "minoría ruidosa": la concentración de la influencia en usuarios extremos y su distorsión de la percepción de normas sociales

Sección 4. Respuestas institucionales, regulatorias y de diseño

• 4.1. Propuestas de rediseño algorítmico: intervenciones sobre la percepción de normas sociales y la desescalada de la indignación

• 4.2. Límites de la autorregulación: por qué los ajustes técnicos no bastan para desactivar la toxicidad estructural

• 4.3. El marco regulatorio emergente: el Digital Services Act (DSA) de la UE y sus exigencias de transparencia algorítmica y gestión de riesgos sistémicos

• 4.4. Perspectivas de futuro: hacia una economía de la atención basada en el bienestar y no en la intensidad emocional extrema

Bibliografía

Introducción

En diciembre de 2025, la Universidad de Oxford anunció la elección de rage bait como la palabra del año, definiéndola como "contenido en línea diseñado deliberadamente para provocar ira o indignación al ser frustrante, provocador u ofensivo, típicamente publicado para aumentar el tráfico o engagement con una página web o contenido de redes sociales" (8). La decisión, respaldada por más de 30.000 votos públicos, refleja no solo la penetración del término en el léxico cotidiano, sino la creciente conciencia sobre un fenómeno que ha transformado la economía digital de la atención (19).

El rage bait, o cebo de ira, constituye una evolución del clickbait clásico. Mientras este último apela a la curiosidad para atraer clics, el rage bait explota la indignación como motor de interacción. Su eficacia descansa sobre una combinación de vulnerabilidades psicológicas, incentivos económicos y sesgos algorítmicos que han convertido la ira en una de las monedas más fiables del ecosistema digital (1, 3). El fenómeno no es marginal: los creadores de contenido que obtienen la mayor parte de sus ingresos de los pagos directos de las plataformas recurren al rage bait como estrategia central de monetización (13), mientras que los sistemas de recomendación amplifican sistemáticamente el contenido moralmente indignado por encima del neutral o positivo (5).

Este artículo ofrece un análisis multidisciplinar del rage bait, integrando aportaciones de la psicología social, la economía algorítmica, la comunicación digital y la gobernanza de plataformas. Su objetivo es doble: por un lado, desentrañar los mecanismos que hacen del rage bait un producto tan eficaz desde la perspectiva del creador y tan adictivo desde la del usuario; por otro, evaluar las respuestas institucionales y regulatorias que se están ensayando para mitigar sus efectos más nocivos, con especial atención al Digital Services Act (DSA) de la Unión Europea y a los experimentos de rediseño algorítmico que apuntan a una economía de la atención menos polarizada.

Sección 1. Fundamentos psicológicos y sociales del rage bait

1.1. La asimetría de la emocionalidad negativa en entornos digitales: por qué la ira se propaga más rápida e intensamente que las emociones positivas

La eficacia del rage bait descansa sobre un sustrato psicológico profundo: las emociones negativas, y en particular la ira, poseen una dinámica de propagación significativamente más rápida e intensa que las emociones positivas en los entornos digitales (7). Este fenómeno, documentado en la literatura sobre contagio emocional en redes sociales, responde a un imperativo evolutivo: desde una perspectiva adaptativa, resulta más urgente para un individuo y su grupo procesar y difundir información sobre una amenaza o una injusticia que sobre una experiencia placentera (7). La atención humana está sesgada hacia lo que puede dañarnos, y los algoritmos de las plataformas han aprendido a explotar este sesgo ancestral.

La investigación en psicología cognitiva ha demostrado que el contenido emocionalmente cargado, especialmente el que provoca indignación, activa respuestas fisiológicas y neurológicas que incrementan la probabilidad de interacción inmediata (18). Cuando un usuario se encuentra con una publicación que le genera enfado, su sistema límbico responde antes de que la corteza prefrontal pueda ejercer un control inhibitorio. Este cortocircuito cognitivo es el que los creadores de rage bait explotan deliberadamente: el tiempo entre la percepción de la ofensa y la reacción (comentar, compartir, reaccionar con ira) es lo suficientemente breve como para eludir los mecanismos de verificación y reflexión crítica. La fuente (17) sistematiza esta anatomía del fenómeno identificando un patrón recurrente en la proliferación del rage bait: la provocación se construye sobre afirmaciones deliberadamente simplificadas o exageradas, cuya función no es transmitir información precisa, sino maximizar la probabilidad de una reacción visceral inmediata.

Asimismo, la literatura señala que el contenido que provoca indignación moral se propaga al menos con tanta fuerza como las noticias confiables, y en ocasiones con mayor rapidez, porque las personas comparten desinformación indignante sin verificar su exactitud (6). Este comportamiento no responde a una negligencia cognitiva simple, sino a una función social: compartir contenido que provoca ira es una forma de señalar la pertenencia a un grupo, de manifestar una posición moral y de reforzar los lazos comunitarios frente a una amenaza percibida (6). El acto de compartir se convierte así en un marcador de identidad, y la veracidad del contenido pasa a un segundo plano.

1.2. Indignación moral como mecanismo de señalización de pertenencia grupal y posicionamiento identitario

El rage bait no opera en el vacío; su efectividad depende de la existencia de comunidades interpretativas que comparten valores, normas y sensibilidades morales. La indignación moral actúa como un pegamento social: cuando un individuo comparte o reacciona con enfado a una publicación, está comunicando a su red a qué grupo pertenece y cuáles son sus límites éticos (6). Este mecanismo, estudiado en el marco de la psicología social, explica por qué el rage bait tiende a polarizar en lugar de unificar: al apelar a la identidad grupal, refuerza las fronteras entre el "nosotros" y el "ellos".

La fuente (18) añade que el contenido dirigido a grupos sociales opuestos o compartido por usuarios influyentes amplifica su viralidad, polarizando comunidades e intensificando la indignación moral. Este efecto se ve potenciado por la arquitectura de las propias plataformas, que permiten segmentar audiencias y dirigir mensajes emocionalmente cargados a nichos específicos. El rage bait no es, por tanto, un mensaje universal: es un mensaje diseñado para resonar con los valores y agravios de un público concreto, lo que multiplica su capacidad de provocar una respuesta visceral.

1.3. El papel de la validación social y el contagio emocional en la amplificación de contenido provocador

Las redes sociales son, ante todo, ecosistemas de validación. Cada interacción —un "me gusta", un comentario, una repetición— actúa como un refuerzo que señala al creador y al algoritmo que el contenido es relevante. El contagio emocional, entendido como la transferencia de estados afectivos entre individuos a través de la observación de expresiones emocionales, se ve magnificado en estos entornos por la exposición repetida a publicaciones que generan ira (18). Cuanto más se comparte un contenido indignante, más usuarios lo ven, y más usuarios reaccionan con ira, creando un bucle de retroalimentación emocional que los algoritmos no solo registran, sino que amplifican activamente.

La fuente (1) introduce un concepto clave: la "fabricación del disenso" y las "redes de indignación moral". El rage bait no se limita a reflejar una indignación preexistente; la construye, la moldea y la intensifica mediante la selección de encuadres, la omisión de matices y la exageración de conflictos. En este sentido, el rage bait es una tecnología de producción de emociones, no un mero espejo de la realidad. Y esta producción se ve facilitada por la arquitectura de las plataformas, que ofrecen métricas en tiempo real (número de visualizaciones, comentarios, reacciones) que alimentan la sensación de que la indignación es compartida y mayoritaria, incluso cuando no lo es (16).

1.4. La paradoja del engagement crítico: compartir para desmentir como vector de viralidad

Uno de los hallazgos más contraintuitivos en el estudio del rage bait es que la interacción crítica —es decir, compartir o comentar un contenido con la intención de desmentirlo o denunciarlo— contribuye igualmente a su viralidad (1). Los algoritmos no distinguen entre la intención positiva y negativa; solo miden la actividad. Un usuario que comparte una publicación de rage bait acompañada de un comentario que la refuta está generando el mismo tráfico y el mismo engagement que aquel que la comparte porque está de acuerdo. La fuente (1) denomina a esto "la paradoja del desmentido": el intento de combatir la desinformación o la provocación a través de la interacción directa acaba por fortalecerla, porque la señal algorítmica que se envía es idéntica.

Este fenómeno tiene implicaciones profundas para los intentos de moderación y alfabetización digital. Las campañas de verificación que circulan en las propias plataformas, si no se diseñan con cuidado, pueden convertirse en vehículos involuntarios de amplificación. La fuente (6) confirma que compartir desinformación indignante sin verificar su exactitud es una práctica común, precisamente porque el acto de compartir tiene un valor social y emocional que precede a la evaluación cognitiva. Romper este bucle requiere, por tanto, intervenciones que operen no solo sobre el contenido, sino sobre los incentivos estructurales que premian la intensidad emocional por encima de la precisión.

Sección 2. Arquitectura algorítmica y economía de la atención

2.1. Principios de diseño de los sistemas de recomendación: maximización del tiempo de permanencia y priorización de interacciones intensas

Los sistemas de recomendación que gobiernan las principales plataformas sociales —TikTok, X, Facebook, Instagram— no son neutrales respecto al contenido que distribuyen. Su arquitectura responde a un objetivo primario: maximizar el tiempo de permanencia (time-on-platform) y, con ello, los ingresos publicitarios (3). Para lograr este fin, los algoritmos priorizan aquellas publicaciones que generan interacciones rápidas e intensas, ya que estas son las que mejor predicen la retención del usuario. Dentro de este marco, el contenido emocionalmente cargado, y muy especialmente aquel que provoca ira o indignación, presenta una ventaja competitiva estructural sobre el contenido neutro o positivo (1).

La fuente (1) desarrolla el concepto de "economía de la indignación" para explicar cómo las plataformas han internalizado este sesgo. Los ingenieros de algoritmos no diseñan explícitamente sistemas para promover la ira; lo que diseñan son sistemas que optimizan el engagement, y el engagement resulta estar correlacionado de manera robusta con la intensidad emocional negativa. Esta correlación no es accidental: las emociones negativas, en particular la ira, activan respuestas fisiológicas que incrementan la probabilidad de interacción inmediata (comentario, repetición, reacción) y reducen el umbral para la acción impulsiva (3). Como resultado, el rage bait se convierte en un producto algorítmicamente favorecido sin que exista una intencionalidad explícita en ese sentido. Se trata, más bien, de un efecto emergente de la optimización de métricas superficiales. La fuente (14) llega a una conclusión convergente desde una perspectiva más histórica: cada salto tecnológico en los medios de comunicación —de la imprenta al telégrafo, de la radio a la televisión— ha generado un período de disrupción en la capacidad social de procesar la información, y las redes sociales actuales atraviesan su propio "valle oscuro", en el que la arquitectura de incentivos económicos favorece sistemáticamente el contenido que polariza sobre el que informa.

La fuente (3), centrada en el ecosistema del deporte digital, demuestra empíricamente cómo las estrategias de rage bait son recompensadas directamente por los algoritmos. En su estudio, las publicaciones que apelaban a la rivalidad, la controversia arbitral o la confrontación entre aficiones generaban tasas de interacción significativamente superiores a las que ofrecían análisis técnicos o crónicas neutrales. Los creadores que adoptaban estas estrategias veían incrementada su visibilidad y, por tanto, sus ingresos, creando un incentivo perverso para la escalada de la provocación.

2.2. Evidencia empírica: los algoritmos basados en engagement amplifican sistemáticamente la indignación moral frente a los feeds cronológicos

La evidencia cuantitativa sobre el sesgo algorítmico hacia la indignación ha crecido considerablemente en los últimos años. Un estudio reciente (5), realizado durante una campaña electoral nacional, comparó el rendimiento de los feeds algorítmicos basados en engagement con los feeds cronológicos (orden temporal estricto). Los resultados fueron concluyentes: los feeds algorítmicos amplificaron sistemáticamente el contenido tóxico y moralmente indignado en comparación con los feeds cronológicos, con los mayores aumentos registrados en las categorías de indignación moral y contenido político polarizante (5).

Este hallazgo es crucial porque desmonta la narrativa de que los algoritmos simplemente reflejan las preferencias de los usuarios. Si los usuarios quisieran ver contenido indignante, un feed cronológico también lo mostraría, pero en proporción a su frecuencia de publicación. El hecho de que los feeds algorítmicos amplifiquen desproporcionadamente ese contenido indica que los sistemas de recomendación no son espejos pasivos, sino amplificadores activos de la intensidad emocional (5). Los autores del estudio sugieren que esta amplificación se debe a que los algoritmos aprenden a identificar señales débiles de engagement (por ejemplo, el tiempo de visualización o la velocidad de desplazamiento) y a priorizar contenido que maximiza esas señales, incluso cuando los propios usuarios declaran preferir contenido menos polarizante.

La fuente (16) añade una capa adicional de complejidad: los algoritmos diseñados para maximizar el engagement terminan asegurando el dominio de los usuarios más ruidosos y extremos. Un pequeño número de usuarios de alto perfil acapara la mayor parte de la atención e influencia, y estos usuarios tienden a producir contenido más polarizado y provocador porque es el que mejor funciona en el ecosistema algorítmico. El resultado es una distorsión de la percepción de las normas sociales: los usuarios llegan a creer que la indignación y el conflicto son más comunes de lo que realmente son, lo que a su vez alimenta más indignación (16).

2.3. El rage bait como estrategia racional de monetización para creadores de contenido: incentivos económicos y pagos por rendimiento

Para los creadores de contenido, el rage bait no es una patología ni un accidente; es una estrategia racional de maximización de ingresos. La fuente (13), procedente de Stanford Report, señala que el rage bait es particularmente prevalente entre los creadores que obtienen la mayor parte de sus ingresos de los pagos directos de las plataformas, como los fondos de creadores de TikTok o los sistemas de reparto de ingresos publicitarios de YouTube. Estos sistemas recompensan el volumen de visualizaciones, el tiempo de visualización y la tasa de interacción, métricas que el rage bait genera con una eficiencia inusitada.

El razonamiento económico es sencillo: producir un contenido que genera ira cuesta lo mismo que producir un contenido neutral o positivo, pero sus rendimientos en términos de alcance e ingresos son desproporcionadamente mayores (13). Además, el rage bait tiende a ser más barato de producir que el contenido de alta calidad informativa o artística, ya que no requiere investigación, verificación de hechos, producción elaborada ni talento creativo especializado. Basta con un encuadre provocador, una afirmación controvertida o una narrativa de confrontación para activar el circuito de la indignación.

La fuente (1) profundiza en esta economía política del rage bait al describir cómo la "fabricación del disenso" se ha convertido en un modelo de negocio. Los creadores no solo responden a la demanda existente de contenido indignante; la estimulan activamente mediante estrategias de encuadre, selección de información y apelación a identidades grupales. El rage bait es, en este sentido, un producto cuidadosamente diseñado para explotar las vulnerabilidades emocionales de las audiencias, y su producción responde a incentivos económicos claros y mensurables.

2.4. La generación automatizada de rage bait mediante inteligencia artificial: un nuevo escalón en la deshumanización de la provocación

Una evolución reciente y particularmente preocupante del fenómeno es la generación automatizada de rage bait mediante sistemas de inteligencia artificial. La fuente (2), publicada en SAGE Journals, presenta un análisis de casos de rage bait generado por IA, identificándolo como una forma severa de trolling automatizado. A diferencia del rage bait creado por humanos, el generado por IA no tiene un actor humano detrás que pueda ser responsabilizado, ni responde a una intención comunicativa genuina, sino a la optimización de modelos lingüísticos entrenados para maximizar métricas de engagement (2).

El estudio (2) documenta cómo los modelos de lenguaje de gran escala pueden generar contenido provocador a escala industrial, adaptado a audiencias específicas y a contextos culturales particulares. Estos sistemas son capaces de identificar patrones de éxito en publicaciones previas y replicarlos con variaciones suficientes para eludir los sistemas de detección de contenido duplicado. La automatización del rage bait reduce drásticamente los costes de producción y permite una escalabilidad que los creadores humanos no pueden igualar.

La fuente (2) advierte que esta automatización introduce nuevos desafíos para la moderación de contenidos y la gobernanza de plataformas. Si el rage bait generado por humanos ya era difícil de abordar, el generado por máquinas, que puede producirse en volúmenes masivos y adaptarse dinámicamente a los cambios algorítmicos, representa una amenaza cualitativamente distinta. La deshumanización de la provocación elimina incluso el límite ético que algunos creadores humanos podrían imponerse, y convierte la indignación en un subproducto industrial del procesamiento de datos (2).

Sección 3. Consecuencias sistémicas y costes sociales

3.1. Polarización política y fragmentación del espacio público: el papel de la indignación como catalizador de burbujas de filtro y cámaras de eco

Una de las consecuencias más documentadas del rage bait y su amplificación algorítmica es la intensificación de la polarización política y la fragmentación del espacio público digital. La fuente (18) señala que el contenido compartido por usuarios influyentes o dirigido a grupos sociales opuestos amplifica su viralidad, polarizando comunidades e intensificando la indignación moral. Este proceso no es incidental: el rage bait apela deliberadamente a identidades grupales, reforzando las fronteras entre el "nosotros" y el "ellos" y transformando el debate público en una confrontación entre tribus emocionales.

El mecanismo subyacente es el de las burbujas de filtro y las cámaras de eco. Los algoritmos, al priorizar el contenido que genera interacción, tienden a exponer a los usuarios a más contenido que confirma sus sesgos y aviva sus indignaciones, al tiempo que filtran perspectivas matizadas o disonantes. La fuente (5) aporta evidencia empírica robusta: durante una campaña electoral, los feeds algorítmicos amplificaron sistemáticamente la indignación moral y el contenido político polarizante en comparación con los feeds cronológicos. Esto significa que la arquitectura algorítmica no solo refleja la polarización existente, sino que la acelera y profundiza al recompensar las expresiones más extremas y emocionalmente intensas.

La fuente (16) añade que este proceso distorsiona la percepción de las normas sociales. Los usuarios, expuestos de manera recurrente a contenido indignante y polarizado, llegan a creer que el conflicto y la hostilidad son más comunes y más intensos de lo que realmente son en la población general. Esta percepción errónea, a su vez, legitima y fomenta comportamientos más extremos, creando un ciclo de retroalimentación que erosiona los fundamentos del debate democrático: la disposición a escuchar, el respeto por el disenso y la búsqueda de puntos de encuentro.

3.2. Desinformación y erosión de la confianza epistémica: cómo el rage bait facilita la difusión de noticias falsas al desactivar los mecanismos de verificación

La relación entre el rage bait y la desinformación es estrecha y preocupante. La fuente (6) demuestra que la indignación moral ayuda a difundir la desinformación al menos con tanta fuerza como las noticias confiables. El hallazgo central es que las personas comparten desinformación indignante sin verificar su exactitud porque el acto de compartir cumple una función social de señalización de pertenencia grupal y posicionamiento moral (6). La verificación de los hechos se convierte en un coste cognitivo que muchos usuarios están dispuestos a eludir cuando la recompensa emocional de compartir es suficientemente alta.

Este fenómeno tiene implicaciones profundas para la confianza epistémica, es decir, la confianza en las instituciones y procesos que generan conocimiento fiable. Cuando el rage bait desinformador circula con la misma o mayor velocidad que la información verificada, se erosiona la distinción entre lo verdadero y lo falso, y se instala un escepticismo generalizado que afecta tanto a los medios tradicionales como a las fuentes científicas y gubernamentales. La fuente (1) describe este proceso como parte de la "fabricación del disenso": el rage bait no se limita a difundir información falsa, sino que crea un entorno en el que cualquier información es sospechosa y cualquier afirmación puede ser impugnada apelando a la emoción en lugar de a la evidencia.

La automatización del rage bait mediante IA, documentada en (2), agrava este problema al escalar la producción de desinformación emocionalmente cargada. Los modelos generativos pueden producir variaciones de contenido falso adaptadas a diferentes audiencias y contextos, dificultando aún más los esfuerzos de verificación y moderación.

3.3. Impacto en la salud mental y el bienestar digital: doomscrolling, fatiga emocional y alteración de la regulación afectiva

Los costes psicológicos del consumo continuado de rage bait comienzan a ser objeto de atención clínica y científica. La fuente (12) examina cómo el ragebait, el doomscrolling (el desplazamiento compulsivo por noticias negativas) y la amplificación algorítmica alteran silenciosamente la atención, la regulación emocional y la percepción del usuario. El acceso constante a reacciones en vivo y a contenido diseñado para provocar ira crea una atmósfera de intensidad perpetua que dificulta la desconexión y el procesamiento emocional saludable (12).

El doomscrolling es un fenómeno estrechamente relacionado: los usuarios, atrapados en bucles de indignación, consumen grandes volúmenes de contenido negativo sin un propósito informativo claro, simplemente porque el algoritmo continúa ofreciéndoselo. Este comportamiento se asocia con síntomas de ansiedad, irritabilidad, fatiga cognitiva y una sensación generalizada de desesperanza. La fuente (12) sugiere que el rage bait actúa como un desencadenante crónico de respuestas de estrés, activando el sistema nervioso simpático de manera repetida y prolongada, con efectos acumulativos sobre la salud física y mental.

Además, la alteración de la regulación afectiva se manifiesta en una disminución de la tolerancia a la frustración y un aumento de la reactividad emocional en contextos offline (12). Los usuarios habituados a la intensidad del rage bait pueden encontrar los intercambios cotidianos insípidos o irrelevantes, o reaccionar con una hostilidad desproporcionada a desacuerdos menores. Esta transferencia de la dinámica digital a la vida real es una de las consecuencias menos visibles pero más insidiosas del fenómeno.

3.4. El problema de la "minoría ruidosa": la concentración de la influencia en usuarios extremos y su distorsión de la percepción de normas sociales

La fuente (16) introduce un hallazgo crítico para entender la dinámica sistémica del rage bait: un pequeño número de usuarios de alto perfil acapara la mayor parte de la atención e influencia en las plataformas. Estos usuarios, que tienden a producir contenido más polarizado y provocador, dominan el espacio público digital no porque sean representativos de la población, sino porque los algoritmos diseñados para maximizar el engagement amplifican desproporcionadamente sus publicaciones (16).

El resultado es una distorsión sistemática de la percepción de las normas sociales. La fuente (16) denomina a esto el "problema de la minoría ruidosa": los usuarios más extremos y conflictivos acaparan la atención, creando la ilusión de que sus opiniones son más comunes y más intensas de lo que realmente son. Los usuarios moderados, al ver dominado el espacio por contenido radical, pueden retirarse de la conversación pública o radicalizarse ellos mismos para ser escuchados, lo que produce un desplazamiento de todo el espectro discursivo hacia los extremos.

Este fenómeno se ve agravado por el rage bait generado por IA (2), que puede amplificar artificialmente a la minoría ruidosa mediante la creación de cuentas automatizadas que simulan apoyo o indignación, distorsionando aún más la percepción de la opinión pública. La combinación de algoritmos que favorecen la intensidad, creadores que explotan ese favorecimiento y bots que escalan el proceso convierte el espacio público digital en un escenario donde la representatividad cede el paso a la espectacularidad emocional.

Sección 4. Respuestas institucionales, regulatorias y de diseño

4.1. Propuestas de rediseño algorítmico: intervenciones sobre la percepción de normas sociales y la desescalada de la indignación

La evidencia acumulada sobre los efectos distorsionadores de los algoritmos basados en engagement ha estimulado un creciente interés por propuestas de rediseño que mitiguen sus consecuencias negativas sin sacrificar la experiencia de usuario. Un hito reciente en esta dirección es el estudio publicado en Nature (2026) por Brady y colaboradores, que constituye el primer experimento a gran escala con control total sobre algoritmos de recomendación en un entorno real (5). Los investigadores construyeron algoritmos de clasificación de feeds personalizados y asignaron aleatoriamente a 2.000 participantes a utilizarlos durante ocho semanas, antes y después de las elecciones presidenciales de Estados Unidos de 2024 (5).

Los resultados del estudio son concluyentes. Los feeds basados en engagement amplificaron sistemáticamente el contenido intergrupal, moralizado y emocional (IME) y el contenido tóxico en comparación con los feeds cronológicos inversos, con los mayores aumentos registrados en la indignación moral y el contenido político (5). Concretamente, la amplificación de la indignación moral y el contenido político aumentó aproximadamente un 37 % antes de las elecciones y casi un 80 % después de ellas, en relación con la línea de base del feed cronológico (5). Los feeds basados en engagement también redujeron la precisión de la percepción de normas sociales y aumentaron la animosidad partidista percibida (5).

Frente a este diagnóstico, los investigadores diseñaron y probaron un algoritmo de "extremidad diversificada" (diversified extremity algorithm), concebido para reducir la influencia desproporcionada de los usuarios extremos (5). Este algoritmo actuaba mediante tres mecanismos: relegar a los usuarios que publicaban con excesiva frecuencia (super-posters), reducir la probabilidad de aparición de publicaciones tóxicas y aumentar la probabilidad de diálogo constructivo (5). Los resultados fueron significativos: el algoritmo de extremidad diversificada redujo la exposición a contenido IME y tóxico, mejoró la precisión de la percepción de normas sociales y, crucialmente, mantuvo niveles comparables de disfrute de la plataforma (5). Este hallazgo sugiere que reducir la influencia de los usuarios extremos puede corregir las distorsiones algorítmicas sin deteriorar la experiencia del usuario (5). Como señaló el investigador principal, William Brady, "durante años, el debate sobre la amplificación algorítmica se ha visto obstaculizado por el hecho de que los investigadores independientes no tienen control total sobre los algoritmos que estudian. La arquitectura abierta de Bluesky nos permitió construir los algoritmos nosotros mismos, realizar un experimento en el mundo real a escala y medir lo que estos sistemas realmente hacen a la conversación política" (5).

4.2. Límites de la autorregulación: por qué los ajustes técnicos no bastan para desactivar la toxicidad estructural

A pesar de estos avances en el rediseño algorítmico, existe un creciente consenso en que las soluciones puramente técnicas, implementadas voluntariamente por las propias plataformas, son insuficientes para abordar la toxicidad estructural del ecosistema digital. Las fuentes (9, 20) sostienen que no hay ajustes que puedan hacer que las redes sociales sean menos tóxicas, dado que las redes sociales, en su arquitectura fundamental, fomentan la indignación, permiten la radicalización y generan burbujas de filtro. Esta posición radical encuentra respaldo en la fuente (16), que argumenta que las redes sociales probablemente no pueden "arreglarse" en sus términos actuales: un pequeño número de usuarios de alto perfil acapara la mayor parte de la atención e influencia, y los algoritmos diseñados para maximizar el engagement terminan amplificando la indignación y el conflicto, asegurando el dominio de los usuarios más ruidosos y extremos.

El problema de la autorregulación es, en esencia, un problema de incentivos. Las plataformas son empresas con fines de lucro cuyo modelo de negocio depende de la maximización del tiempo de permanencia y la interacción. Como documenta la fuente (3), las estrategias de rage bait son recompensadas directamente por los algoritmos, aumentando los ingresos de creadores y plataformas. Pedir a estas empresas que voluntariamente reduzcan la amplificación de contenido que les genera beneficios equivale a solicitar una modificación de su propio interés económico. La fuente (1) describe este fenómeno como la "economía de la indignación": la ira se ha convertido en una de las monedas más fiables de la economía digital, y los sistemas de recomendación han aprendido a priorizar el contenido que desencadena las emociones más fuertes (3).

La fuente (15) añade que la atención se ha convertido en un "activo geoeconómico": las plataformas optimizan el engagement y el tiempo invertido, mientras que actores políticos e informativos compiten en el mismo mercado. En este contexto, la autorregulación voluntaria choca con la lógica competitiva del mercado: la plataforma que reduzca la amplificación de contenido indignante corre el riesgo de perder usuarios e ingresos frente a competidores que no lo hagan. Este dilema del prisionero hace que la intervención regulatoria externa sea no solo conveniente, sino necesaria.

4.3. El marco regulatorio emergente: el Digital Services Act (DSA) de la UE y sus exigencias de transparencia algorítmica y gestión de riesgos sistémicos

La respuesta regulatoria más ambiciosa al fenómeno de la amplificación algorítmica de la indignación es el Digital Services Act (DSA) de la Unión Europea, un reglamento adoptado en octubre de 2022 que establece normas uniformes para los servicios digitales (0, 10). El DSA representa un cambio de paradigma en la gobernanza de las plataformas: su objetivo es crear un entorno en línea más seguro donde se protejan los derechos fundamentales, incluida la libertad de expresión y la información (10). La novedad fundamental del DSA es que su atención no se limita a los contenidos ilegales individuales, sino que se extiende a los llamados "riesgos sistémicos" vinculados al diseño mismo de los servicios, incluidos los sistemas de recomendación (2, 11).

En la lógica del DSA, los sistemas de recomendación son responsables de sugerir, clasificar y priorizar información, y tienen un impacto significativo en la capacidad de los usuarios para recuperar e interactuar con la información en línea (10). Los proveedores de plataformas en línea de muy gran tamaño (VLOPs) y motores de búsqueda en línea de muy gran tamaño (VLOSEs) —aquellos que superan los 45 millones de usuarios activos mensuales en la UE— están obligados a evaluar y mitigar los riesgos sistémicos identificados, de conformidad con los artículos 34 y 35 del DSA (0, 10). Estos riesgos incluyen, entre otros, la propagación de contenidos ilegales, el impacto de los algoritmos en los debates públicos, los procesos electorales y la salud mental de los menores (0, 2). Los sistemas de recomendación deben ser objeto de especial atención en esta evaluación, ya que desempeñan un papel importante en la amplificación de ciertos contenidos, la diseminación viral de información y la estimulación del comportamiento en línea (10).

El DSA introduce además instrumentos concretos para hacer efectiva esta supervisión. El artículo 40 establece, por primera vez, un derecho legal para que los investigadores independientes accedan a los datos de las plataformas en interés público (11). Una vez designadas como VLOPs o VLOSEs, las plataformas deben proporcionar acceso a los datos para apoyar la investigación sobre "riesgos sistémicos" (11). El artículo 40 crea dos vías: el artículo 40(12) permite el acceso a datos públicamente disponibles más allá de las herramientas voluntarias de las plataformas, mientras que el artículo 40(4) permite a los investigadores acreditados solicitar datos no públicos —como registros de exposición, registros de moderación y métricas de recomendación— a través de los Coordinadores de Servicios Digitales nacionales en lugar de a las propias plataformas (11). Ambas vías están limitadas al estudio de riesgos sistémicos y, en el caso del artículo 40(4), de medidas de mitigación (11).

La Comisión Europea ha respaldado este marco con iniciativas técnicas como la creación del Centro Europeo para la Transparencia Algorítmica (ECAT), lanzado para apoyar la aplicación del DSA con experiencia técnica y realizar investigaciones sobre el impacto a largo plazo de los sistemas algorítmicos (10). El Centro Común de Investigación (JRC) de la Comisión ha propuesto, asimismo, una taxonomía de diseños de estudio para auditar riesgos algorítmicos, que incluye categorías como estudios de descubrimiento de riesgos, estudios de ingeniería inversa, estudios de diseño de interfaz y estudios de medición de riesgos (10). Estas herramientas pretenden dotar a los reguladores y a la comunidad investigadora de los medios para evaluar de manera rigurosa el impacto de los algoritmos en la sociedad.

La aproximación europea no es la única posible, y el contraste con otros ordenamientos ilumina sus rasgos distintivos. El Reino Unido, tras su salida de la Unión, ha optado por un modelo estructuralmente distinto en la Online Safety Act 2023: en lugar del umbral cuantitativo de 45 millones de usuarios que activa el régimen reforzado del DSA, el regulador británico, Ofcom, clasifica a los servicios por categorías de riesgo funcional y exige evaluaciones anuales de riesgo que, desde 2025, deben abordar expresamente el diseño de los sistemas de recomendación y los llamados feeds personalizados (21). El primer ciclo de evaluaciones, correspondiente a 2025, reveló carencias significativas en la información aportada por los propios proveedores sobre gobernanza algorítmica, lo que ha llevado a Ofcom a reforzar sus exigencias documentales para el segundo ciclo (21). La comparación resulta instructiva en clave doctrinal: mientras el DSA europeo articula la supervisión algorítmica en torno al tamaño de la plataforma y a un derecho de acceso de investigadores externos, el modelo británico se apoya en una arquitectura de autoevaluación de riesgo por categorías supervisada directamente por el regulador, con menor participación de la comunidad científica independiente. Esta divergencia regulatoria anticipa un terreno fértil para el forum shopping normativo por parte de las plataformas transnacionales, que podrán optar por priorizar el cumplimiento en la jurisdicción que les imponga menores cargas de transparencia frente a terceros.

4.4. Perspectivas de futuro: hacia una economía de la atención basada en el bienestar y no en la intensidad emocional extrema

El horizonte que dibujan las investigaciones y las respuestas regulatorias apunta a una transformación profunda de la economía digital de la atención. La fuente (4) describe el fenómeno del "calentamiento social" (social warming) como un proceso gradual pero real de deterioro de nuestras actitudes y comportamientos en línea y fuera de línea —un ciclo vicioso de ira e indignación— que, sin embargo, puede corregirse (4). La pregunta es si la corrección vendrá de la mano de la regulación, del rediseño tecnológico o de una combinación de ambos.

El DSA representa un primer paso significativo, pero su aplicación efectiva enfrenta desafíos considerables. La fuente (11) señala que la implementación temprana revela problemas como el cumplimiento desigual, estándares técnicos inciertos, limitaciones de financiación y restricciones al intercambio de datos para la replicación. No obstante, el DSA marca un punto de inflexión: la investigación sobre plataformas ya no depende de la discreción corporativa, sino que se fundamenta en una regulación de interés público (11). Los investigadores desempeñan ahora un papel central en la configuración de una supervisión basada en evidencia de las plataformas digitales en Europa (11).

La fuente (15) sugiere que, para empresas y ciudadanos, la palanca no es "apagar" las redes sociales, sino reducir los incentivos al conflicto mediante políticas de seguridad de marca, higiene informativa, diseño con fricciones y transparencia sobre los algoritmos. La fuente (3) añade que los algoritmos no solo muestran contenido polarizante a los usuarios; también enseñan a los usuarios a producir más de ese contenido. Cuando un usuario publica indignación moral y obtiene "me gusta" y repeticiones como recompensa, aprende a publicar más indignación la próxima vez (3). Romper este ciclo de aprendizaje requiere intervenciones que actúen sobre los mecanismos de retroalimentación, no solo sobre el contenido.

En última instancia, el desafío es reconceptualizar la economía de la atención. Durante la última década, el valor se ha medido en términos de intensidad emocional y tiempo de permanencia. Un modelo alternativo basado en el bienestar, la calidad del debate y la precisión informativa requeriría no solo cambios técnicos, sino también un realineamiento de los incentivos económicos y una mayor conciencia ciudadana sobre los mecanismos de manipulación emocional. Como señala la fuente (4), el calentamiento social es real, pero puede corregirse. La cuestión es si la corrección llegará a tiempo y con la profundidad necesaria.

Bibliografía

(0) Reglamento (UE) 2022/2065 del Parlamento Europeo y del Consejo, de 19 de octubre de 2022, relativo a un mercado único de servicios digitales y por el que se modifica la Directiva 2000/31/CE (Reglamento de Servicios Digitales). DO L 277 de 27.10.2022, p. 1--102. Disponible en: https://eur-lex.europa.eu/legal-content/ES/TXT/?uri=CELEX%3A32022R2065

(1) Ayolov, P. (2026). Rage as Revenue: How Anger Became the Currency of Digital Media. PhilArchive. Disponible en: https://philpapers.org/rec/AYORAR

(2) Cover, R. (2025). AI generation of rage bait: Implications for digital harms. New Media & Society. Publicado en línea el 16 de diciembre de 2025. DOI: 10.1177/14614448251400675. Disponible en: https://sage.cnpereading.com/doi/10.1177/14614448251400675

(3) Karavelioğlu, B. (2025). Dijital Spor Ekosisteminde Rage Bait: Taraftar Etkileşimini Manipüle Eden Yeni Medya Algoritması. Spor Eğitimi ve Bilim Dergisi, Cilt 1, Sayı 2, 30 Aralık 2025, ss. 76-90. Disponible en: https://dergipark.org.tr/tr/pub/sporegitimivebilimdergisi/article/1838693

(4) Arthur, C. (2021). Social Warming: The Dangerous and Polarising Effects of Social Media. Oneworld Publications / MIT Press. ISBN: 9780861543175.

(5) Brady, W. J., Doyle, M., Elnakouri, A., Finkel, E. J., Jackson, J. C., Kteily, N., Parker, V., Puryear, C., et al. (2026). Redesigning algorithms to intervene on social norm misperceptions during a national election. Nature. Publicado el 27 de mayo de 2026. DOI: 10.1038/s41586-026-10536-1. Disponible en: https://www.nature.com/articles/s41586-026-10536-1

(6) McLoughlin, K., et al. (2024). Misinformation exploits outrage to spread online. Science. Publicado el 29 de noviembre de 2024.

(7) McAlaney, J. (2025). Rage bait: the psychology behind social media's angriest posts. The Conversation. Publicado el 9 de diciembre de 2025. Disponible en: https://theconversation.com/rage-bait-the-psychology-behind-social-medias-angriest-posts-271041

(8) Oxford University Press. (2025). The Oxford Word of the Year 2025 is rage bait. Disponible en: https://corp.oup.com/word-of-the-year-2025/

(9) Study: Social media probably can't be fixed. (2025). Ars Technica. Publicado en agosto de 2025.

(10) European Commission, Joint Research Centre (JRC). (2024). Digital Services Act: Application of the risk assessment framework for algorithmic recommender systems. Disponible en: https://digital-strategy.ec.europa.eu/en/library/digital-services-act-application-risk-assessment-framework-algorithmic-recommender-systems

(11) The DSA's investigator access provisions in practice: opening the black box of platforms? (2025). Verfassungsblog. DOI: 10.17176/20250307-110400-0. Disponible en: https://verfassungsblog.de/dsa-investigator-access/

(12) R, J. (2026). Scrolling Without Consent: Ragebait, Doomscrolling, and the Chaos Inside Our Heads. Jay R. Publicado el 3 de febrero de 2026. ISBN: 9798224807574.

(13) Christin, A. (2025). Why we can't stop clicking on rage bait. Stanford Report. Publicado el 2 de diciembre de 2025. Disponible en: https://news.stanford.edu/stories/2025/12/rage-bait-explained-oxford-word-year

(14) Rose-Stockwell, T. (2023). Outrage Machine: How Tech Amplifies Discontent, Disrupts Democracy—and What We Can Do About It. Legacy Lit / Hachette Books, Nueva York. Primera edición.

(15) Briggs, M. (2026). OUTRAGE MACHINE: How Social Media Algorithms Learned to Profit from Human Anger. Heritage Books. ISBN: 9786266728124.

(16) Azmi, F. T. (2025). From ‘Brain Rot’ to ‘Rage Bait’: Stuck in the Online Loop. Outlook India. Publicado el 14 de diciembre de 2025. Disponible en: https://www.outlookindia.com/culture-society/from-brain-rot-to-rage-bait-stuck-in-the-online-loop

(17) Eastwood, M. W. (2025). The Anatomy of Outrage: The Proliferation of Rage Baiting. Independently published. Publicado el 29 de septiembre de 2025. ISBN-13: 979-8267712309.

(18) Guadagno, R. E. (2025). Virality, social validation, and emotional contagion on social media. En Psychological Processes in Social Media: Why We Click, Capítulo 6, pp. 133-148. Elsevier / ScienceDirect. Publicado en 2025.

(19) Nanji, N. (2025). 'Rage bait' named Oxford word of the year 2025. BBC News. Publicado el 30 de noviembre de 2025. Disponible en: https://www.bbc.com/news/articles/cewjxqvqzgyo

(20) Weiß, E.-M. (2025). Social media won't get any better without algorithms. Heise. Publicado el 18 de agosto de 2025. Disponible en: https://www.heise.de/en/news/Social-media-won-t-get-any-better-without-algorithms-10539734.html

(21) Ofcom. Year 1 Online Safety Risk Assessments Report. Publicado el 4 de diciembre de 2025, en aplicación de la Online Safety Act 2023 (Reino Unido). Disponible en: https://www.ofcom.org.uk/siteassets/resources/documents/online-safety/research-statistics-and-data/os-standards/online-safety-risk-assessments-report-year-one.pdf