El negocio de la confrontación

Algoritmos, medios y partidos ante una competencia por la atención que puede deteriorar la convivencia democrática.

Imaginemos una escena: un dirigente insulta, el recorte circula, los programas lo repiten y su nombre gana presencia. Alguien propone que su partido deje de premiarlo. La respuesta aparece enseguida: si esa persona consigue atención y podría atraer votos, ¿por qué habría de dejarla afuera?

La objeción merece ser tomada en serio. Una organización que necesita competir difícilmente renuncie a un recurso valioso mientras sus adversarios lo utilizan. Con los medios ocurre algo parecido: pedirles que abandonen un contenido que atrae audiencia también puede tener un costo. La discusión sobre la convivencia democrática debe hacerse cargo de esas condiciones.

Mi hipótesis es que podemos estar frente a un conflicto entre beneficios particulares y costos compartidos: una conducta proporciona exposición a quien la practica y oportunidades de audiencia a quienes la difunden, mientras el deterioro del debate alcanza al conjunto. Comprobar ese mecanismo exige separar varias preguntas: qué atrae atención, qué amplifican las plataformas, qué cambia en las personas y qué consecuencias electorales tiene.

La disputa por nuestra atención tiene una historia anterior a las redes. En 1971, Herbert Simon explicó que la abundancia de información vuelve escasa la atención de quienes la reciben. Su observación ayuda a entender por qué disponer de más mensajes puede intensificar la competencia por ser escuchado.[1]

También conocemos antecedentes de agresión política con enorme exposición mediática. En 1954, las audiencias entre el Ejército estadounidense y el senador Joseph McCarthy fueron televisadas. Según la historia institucional del Senado, la cobertura contribuyó a deteriorar su popularidad al mostrar su trato a los testigos. El 2 de diciembre, el Senado lo censuró.[2] El caso recuerda que la exposición puede tener consecuencias distintas según el contexto y la manera en que se presenta una conducta. No permite asegurar que aquel desenlace se repetiría hoy.

La investigación contemporánea permite medir algunos componentes del fenómeno. Un trabajo publicado en Nature Human Behaviour en 2023 analizó 22.743 pruebas aleatorizadas de titulares realizadas por Upworthy entre 2013 y 2015: unas 105.000 variantes, expuestas más de 370 millones de veces. Para un titular de longitud media, cada palabra negativa adicional elevaba la tasa de clics un 2,3 % en términos relativos.[3]

El hallazgo tiene alcance concreto: mide decisiones de hacer clic en aquel sitio. Una palabra negativa tampoco equivale a una mentira, un insulto o una incitación. La investigación periodística sobre corrupción puede ser negativa y cumplir una función democrática indispensable. El dato muestra una ventaja de atención que merece estudiarse; no autoriza a descalificar las noticias incómodas.

Otra investigación, publicada en PNAS en 2021, examinó 2.730.215 publicaciones de medios y legisladores estadounidenses en Facebook y Twitter. Las referencias al espacio político adversario se asociaban fuertemente con una mayor difusión, tanto entre liberales como entre conservadores.[4] Es evidencia observacional: nombrar al adversario no prueba por sí mismo hostilidad, ni el estudio demuestra que un algoritmo haya causado el patrón.

Hay, además, un aprendizaje posible. William Brady y sus colegas combinaron dos estudios observacionales sobre 7.331 usuarios y 12,7 millones de tuits con dos experimentos conductuales que reunieron 240 participantes. Encontraron que la aprobación recibida por expresar indignación favorecía nuevas expresiones de indignación. También observaron adaptación a las normas de la propia red.[5] Lo medido fue la expresión pública; eso no equivale a demostrar un aumento idéntico de la emoción experimentada.

Esta distinción resulta relevante para la política. Un dirigente podría aprender qué clase de intervención recibe más respuesta y repetirla. El paso siguiente —que un partido lo elija por esa visibilidad y obtenga mejores resultados electorales— es una hipótesis que requiere pruebas adicionales. Los clics, las adhesiones, la confianza y los votos son medidas diferentes.

La evidencia sobre algoritmos también exige precisión. Un experimento realizado en Estados Unidos en 2023 y publicado en Nature en 2026 comparó, durante siete semanas, feeds cronológicos y algorítmicos de X. Activar el feed algorítmico modificó determinadas opiniones hacia posiciones más conservadoras, pero no produjo un cambio significativo en la polarización afectiva, entendida como el rechazo hacia el otro partido. Desactivarlo tampoco generó un efecto inverso comparable.[6]

Por eso conviene hablar de sistemas concretos, períodos determinados y efectos específicos. Cambiar prioridades políticas, rechazar al adversario y apoyar prácticas antidemocráticas son fenómenos distintos. Atribuirlos todos a una única causa haría más contundente el argumento, pero menos confiable.

El estudio que mejor ilumina el dilema de los incentivos apareció en Science en noviembre de 2025. Un experimento con 1.256 participantes en X, durante la campaña estadounidense de 2024, alteró la posición de publicaciones con animosidad partidaria y actitudes antidemocráticas. El seguimiento duró diez días, con siete de intervención. Reducir esa exposición mejoró 2,11 puntos la valoración del adversario en una escala de 0 a 100; aumentarla la empeoró 2,48 puntos. El grupo con exposición reducida también pasó 4,71 minutos menos por día en la plataforma.[7]

Son efectos modestos y de corto plazo, en una muestra específica. No prueban consecuencias duraderas en Argentina ni una pérdida de ingresos para la empresa. Sin embargo, muestran que una intervención favorable a la convivencia puede reducir una variable comercialmente relevante: el tiempo de uso. Comprender esa tensión ayuda a formular propuestas que contemplen sus costos.

En Argentina contamos con señales que vuelven pertinente la discusión. El Digital News Report 2026 del Reuters Institute registra un 26 % de confianza general en las noticias, seis puntos porcentuales menos que en 2025, y un 46 % de evasión de noticias.[8] Son respuestas de una encuesta online, no una medición objetiva de la calidad periodística. Tampoco establecen que el algoritmo o la confrontación hayan causado esos niveles. Sirven para describir un entorno de confianza debilitada, en el cual disputar atención merece especial cuidado.[9]

Con estos antecedentes, pedir buenos modales queda corto. Propongo discutir mecanismos que distribuyan responsabilidades y permitan evaluar resultados.

Los partidos podrían acordar reglas públicas ante conductas identificables: amenazas, difusión de datos personales para intimidar y organización de hostigamiento. Su aplicación necesitaría procedimientos, derecho de defensa y criterios comunes. Una crítica dura o una propuesta de transformación profunda deben conservar plena posibilidad de expresión. La visibilidad seguiría siendo un recurso legítimo; ciertas prácticas para conseguirla tendrían límites verificables.

Los medios podrían hacer públicos sus criterios de cobertura de episodios virales: relevancia, contexto, verificación y justificación de la repetición. Medir audiencia junto con confianza, retorno de lectores y comprensión permitiría ensayar decisiones editoriales menos dependientes del impacto inmediato. Lo propongo como una línea de trabajo: falta demostrar qué combinación puede sostenerse económicamente en cada medio.

Las plataformas deberían facilitar investigación independiente y opciones comprensibles para que los usuarios decidan cómo se ordena lo que ven. Un antecedente es el Reglamento de Servicios Digitales europeo: para las plataformas y buscadores de muy gran tamaño contempla auditorías independientes y publicación de informes de riesgos; también exige una opción de recomendación que no se base en el perfilado del usuario.[10][11] Son mecanismos de rendición de cuentas. Su existencia no demuestra que hayan resuelto la polarización.

Ningún sistema de evaluación está libre de errores o sesgos. Quien clasifica contenidos puede confundir denuncia con hostilidad o discrepancia con extremismo. Por eso, cualquier intervención necesita criterios transparentes, revisión, apelación y protección del pluralismo. Un gobierno tampoco debería poder convertir esta preocupación en una herramienta para disciplinar a sus críticos.

Para nuestra comunidad queda una tarea concreta: producir evidencia local. Un observatorio universitario podría comparar, durante un período definido, publicaciones de dirigentes de distintos espacios, alcance, interacciones y tratamiento periodístico. Tendría que distinguir crítica, insulto, amenaza y denuncia documentada; publicar su método y reconocer que una asociación no prueba causalidad. Una encuesta o un experimento consentido permitirían estudiar efectos sobre las personas. Medir votos exigiría otro diseño.

La pregunta que propongo abrir es cómo preservar la competencia política y la libertad de expresión cuando conseguir atención puede volver rentable el deterioro de la convivencia. Tenemos evidencia de algunos mecanismos y desconocimiento sobre otros. Reconocer ambas cosas permite empezar una discusión útil.

También obliga a precisar qué esperamos de la política digital. Necesitamos saber cuánto informa, a cuántas personas permite participar y qué capacidad deja para discutir una decisión común. La atención es un recurso necesario. El valor democrático de lo que hacemos con ella merece una evaluación propia.

Fuentes y referencias

Fuentes consultadas el 25 de octubre de 2026. Las interpretaciones y propuestas del artículo son propias; los estudios se identifican para permitir su revisión.

1. Herbert A. Simon (1971). Designing Organizations for an Information-Rich World, en M. Greenberger, Computers, Communications, and the Public Interest, pp. 40–41. Texto original digitalizado.
2. Senado de Estados Unidos. The Censure Case of Joseph McCarthy of Wisconsin (1954).
3. Claire E. Robertson et al. (2023). Negativity drives online news consumption. Nature Human Behaviour, 7, 812–822. DOI y texto completo.
4. Steve Rathje, Jay J. Van Bavel y Sander van der Linden (2021). Out-group animosity drives engagement on social media. PNAS, 118(26), e2024292118. DOI. Texto en el repositorio de Cambridge.
5. William J. Brady et al. (2021). How social learning amplifies moral outrage expression in online social networks. Science Advances, 7(33), eabe5641. DOI. Resumen en Princeton.
6. Germain Gauthier et al. (2026; experimento realizado en 2023). The political effects of X’s feed algorithm. Nature, 652, 416–423. DOI y texto completo.
7. Tiziano Piccardi et al. (2025; experimento realizado en 2024). Reranking partisan animosity in algorithmic social media feeds alters affective polarization. Science, 390(6776), eadu5584. DOI. Texto completo en Stanford. Resultados postintervención y uso: p. 4 del artículo; límites: p. 5.
8. Eugenia Mitchelstein y Pablo Boczkowski (2026). Argentina, Digital News Report 2026. Reuters Institute, Universidad de Oxford.
9. Reuters Institute (2026). Metodología del Digital News Report.
10. Comisión Europea (2026). Q&A on risk assessment reports, audit reports and audit implementation reports under DSA. Obligaciones de auditoría y publicación para servicios de muy gran tamaño.
11. Comisión Europea. DSA: Very large online platforms and search engines. Opción de recomendación sin perfilado. La regulación citada corresponde a la Unión Europea.