Es ampliamente conocido que, al optimizar el engagement, los algoritmos de las redes sociales tienden a dar una visibilidad desproporcionada a las voces más extremas e incendiarias[1], lo que eleva la temperatura emocional de las conversaciones en línea y contribuye a la polarización política[2]. Pero ¿podríamos diseñar algoritmos de clasificación que ayuden a crear puntos en común? Esta es la motivación que subyace a un área emergente de investigación y de orden práctico en torno a los «algoritmos puente» y la «clasificación basada en puentes». En este artículo, ofrezco una introducción concisa a los algoritmos puente, te oriento sobre dónde y cómo han sido utilizados hasta ahora, tanto por organizaciones de la sociedad civil como por plataformas de redes sociales, y resumo sus limitaciones y retos actuales.
El término «clasificación basada en puentes» puede describir cualquier método de clasificación de alternativas —ya sean publicaciones en redes sociales, propuestas políticas, respuestas a encuestas o candidatos a cargos electos— que ayude a crear entendimiento mutuo y confianza entre las partes enfrentadas[3]. Este objetivo cualitativo puede ponerse en práctica de muchas maneras diferentes. Explicaré los enfoques más comunes, pero para ayudar a entenderlo, imagina que estás convocando — en la comunidad o región que mejor conozcas — un proceso en línea en el que los miembros de grupos que han estado en conflicto entre sí presentan sus propuestas por escrito sobre lo que debería suceder a continuación. Como persona facilitadora del proceso debes determinar las propuestas — que podrían ser miles — que tendrán mayor visibilidad cuando comuniques los resultados a la comunidad, y debes hacerlo de una manera que sirva de puente, es decir, que ayude a fomentar el entendimiento y la confianza mutuos.
Los algoritmos de las redes sociales tienden a dar una visibilidad desproporcionada a las voces más incendiarias. ¿Podríamos diseñar algoritmos de clasificación que ayuden a crear puntos en común?
El enfoque más común consiste en identificar las propuestas que representan alguna forma de terreno común o «aprobación diversa», es decir, aquellas que cuentan con la aprobación de personas que normalmente no están de acuerdo entre sí. Si se dispone de datos sobre los votos de las personas de la comunidad acerca de si apoyan o no cada propuesta, es posible cuantificar el nivel de apoyo a cada propuesta dentro de cada grupo y, a continuación, identificar aquellas propuestas que cuentan con un alto nivel de apoyo en varios grupos. Encontrar esas propuestas y darles visibilidad tiene — al menos — dos efectos importantes.
En primer lugar, demuestra que, de hecho, sí existe un terreno común, a menudo bastante amplio, que no suele ser frecuentemente aceptado en situaciones de conflicto. En segundo lugar, dirigir la atención hacia las ideas que se encuentran en la intersección entre diferentes grupos, incluso si dichas ideas no cuentan con un apoyo universal, ayuda a reducir la clasificación[4], es decir, la homogeneidad de los grupos de opinión, que es un conocido factor de riesgo para la escalada de conflicto. Veamos algunos ejemplos:
Este enfoque ha sido utilizado recientemente por la Alianza para la Paz en Oriente Próximo (ALLMEP) en una serie de diálogos en línea[5] destinados a ayudar a crear un terreno común entre constructores de paz israelíes y palestinos, lo que dio lugar a un conjunto de cinco demandas para los líderes mundiales y la comunidad internacional, las cuales contaron con un apoyo superior al 90% en cada bando.
También se ha implementado a gran escala en las Notas de la Comunidad una función de la plataforma de redes sociales X (anteriormente Twitter) en la que los usuarios pueden proponer notas que añaden un contexto importante a los tuits que consideran engañosos. Estas notas, pero, solo se muestran públicamente si un algoritmo determina que es probable que sean calificadas como útiles por personas de ambos extremos del espectro político. Este algoritmo es de código abierto y la función también se está probando en las plataformas de Meta (Facebook, Instagram, Threads), TikTok y YouTube.
Otro ejemplo es Polis, una herramienta de código abierto destinada a facilitar el diálogo colectivo en línea que se ha utilizado bastante en contextos de la sociedad civil y de consolidación de la paz, hace que este tipo de clasificación sea muy accesible. En el informe estándar de una conversación de Polis, basta con desplazarse hacia abajo hasta la sección «Todas las declaraciones» y seleccionar la opción de ordenar las declaraciones por «consenso grupal».
La clasificación basada en puentes puede describir cualquier método para clasificar alternativas – publicaciones en redes o propuestas políticas- que ayude a construir entendimiento mutuo y confianza entre las partes enfrentadas
Un segundo enfoque consiste en intentar reflejar un conjunto de propuestas que sean representativas de las opiniones de la comunidad, garantizando que se incluyan propuestas diversas, pero también que haya suficiente contexto sobre el grado de apoyo que tienen esas propuestas y de dónde proviene ese apoyo. Dicha representación y dicho contexto social son importantes porque, en contextos polarizados, suelen existir diferencias de percepción[6]: tendemos a pensar que la otra parte tiene opiniones más extremas o intolerables de lo que realmente son. El contexto social necesario para desmontar estas falsas percepciones también suele faltar en las redes sociales,[7] que actúan como un «prisma[8]» al dar una visibilidad desproporcionada a las perspectivas más incendiarias, y solo proporcionan recuentos brutos de «me gusta», «compartir», etc., sin información sobre el grado en que una publicación resuena en la población en general, o en qué subcomunidades ese sentimiento está más presente. Por ello, puede ser importante que los procesos gestionados por la sociedad civil contribuyan a proporcionar ese contexto social.
Este enfoque también se aplica en Polis, la herramienta mencionada anteriormente, que en su informe estándar proporciona tanto una visualización de los grupos de opinión más destacados como un informe sobre el grado de acuerdo de cada grupo con cada afirmación.
Esta visión es también una de las razones fundamentales que justifican el uso de encuestas de opinión pública más tradicionales en los procesos de paz[9], como las realizadas por Colin Irwin[10] en Irlanda del Norte, Cachemira, los Balcanes, Sri Lanka y otros lugares, cuyo objetivo, en parte, es ayudar a las personas a darse cuenta de que hay mucha más gente que comparte sus opiniones de lo que creen; es decir, reducir la «ignorancia pluralista».
Los algoritmos puente son parte de un ecosistema emergente de «herramientas deliberativas» en línea que pueden facilitar el diálogo en contextos polarizados
Un tercer tipo de enfoque consiste en utilizar clasificadores automatizados para identificar y mejorar la clasificación de las propuestas que presentan características evidentes de haber sido redactadas de buena fe. Estos clasificadores suelen ser más «opacos» que los dos enfoques anteriores, lo que significa que no siempre es posible saber por qué el clasificador ha puntuado un texto determinado de una determinada manera. Por ello, el uso de este tipo de clasificadores podría ser menos adecuado en aquellos procesos en los que la transparencia y la equidad procedimental resultan fundamentales. Sin embargo, pueden ser útiles en foros en línea más informales, por ejemplo, para animar a las personas a reflexionar sobre cómo su contribución puede ser recibida por los demás y para empoderarlas para que filtren los tipos de contribuciones que consideran valiosas.
Como ejemplo, Google Jigsaw ha creado clasificadores automatizados, de uso gratuito, que pueden utilizarse para puntuar textos (por ejemplo, comentarios en un foro en línea) en función del grado en que muestran «atributos puente», como la compasión, la curiosidad, los matices o el respeto.
Desafíos y limitaciones
Cada uno de estos enfoques tiene sus limitaciones, y el diseño de algoritmos puente es un área de investigación muy activa. No obstante, existen tres retos que es importante tener en cuenta.
En primer lugar, la clasificación de los elementos de contenido es intrínsecamente de suma cero, y la optimización de cualquier aspecto — ya sea el terreno común, la representatividad, los matices o cualquier otra cosa — implicará que uno se enfrente a concesiones respecto de otros objetivos que tiene como facilitador del proceso. A modo de ejemplo, consideremos el objetivo del terreno común. Es mucho más fácil que las personas se pongan de acuerdo en vaguedades sobre la creación de un futuro más armonioso que, por ejemplo, en cláusulas redactadas de forma precisa que podrían incluirse en un acuerdo de paz sustantivo. Y muchas personas del ámbito de la construcción de paz serán conscientes de la «jugada» diplomática por la que, para permitir la continuidad del diálogo a pesar de un desacuerdo irresoluble, se modifica el lenguaje a fin de que sea cada vez más abstracto o procedimental. El resultado, por ejemplo, no es un acuerdo sobre cómo se distribuirán los beneficios y las cargas, sino un acuerdo que tratará meramente sobre el hecho de que deben distribuirse «de manera justa» o el que se seguirá un determinado proceso para deliberar acerca del modo en el que se procederá a su distribución.
Para avanzar con el diálogo se modifica el lenguaje a fin de que sea cada más abstracto; el objetivo de maximizar los puntos en común entra en tensión con el objetivo de minimizar la ambigüedad.
Aunque a veces sea la única forma posible de avanzar, esa vaguedad no hace sino posponer el problema — el desacuerdo que inevitablemente habrá que resolver — al jugar con la ambigüedad del lenguaje — y, por tanto, el fondo — de lo que se acuerda. De este modo, el objetivo de maximizar los puntos en común entra en tensión con el objetivo de minimizar la ambigüedad, por lo que la clasificación por aprobación diversa puede dar lugar a que las declaraciones relativamente vagas o ambiguas ocupen los primeros puestos. Esto se puede apreciar en los resultados del proceso ALLMEP mencionado anteriormente, en el que algunos de los «valores» y «visiones» más integradores (puente) para el futuro tienen este carácter. En relación con esta cuestión, está en curso un proyecto, en el que colaboro, que busca desarrollar un método que permita identificar declaraciones, a la vez integradoras (puente) e inequívocas.
En segundo lugar, el hecho de que se pueda utilizar un algoritmo para reconocer puntos en común o matices no garantiza que se vayan a encontrar muchos. Las aplicaciones con más éxito en estos métodos se han dado en contextos en los que también se realizó un esfuerzo considerable para crear las condiciones en las que las personas participan de buena fe y aportan ideas que consideran que pueden tener una amplia resonancia. Una limitación de las Notas de la Comunidad[11] ampliamente conocida, por ejemplo, es que solo un porcentaje relativamente pequeño — menos del 10% — de todas las notas que se escriben se consideran puente -y, por lo tanto, se muestran públicamente-. Su eficacia como control de falsedades en la esfera pública se ve, por tanto, significativamente limitada por la reflexión de los colaboradores de las notas, pero es difícil crear una cultura de este tipo a la escala de una plataforma moderna de redes sociales.
Por el contrario, cuando los algoritmos puente se utilizan en procesos con una incorporación y una creación de confianza adicionales, con tiempo para la deliberación y en comunidades lo suficientemente pequeñas como para que las personas tengan un sentido compartido de la responsabilidad — por ejemplo, porque viven en el mismo lugar y reconocen que tienen que construir alguna forma de vida en común juntos —, es probable que tengan más éxito, debido a que habrá más ideas puente que encontrar.
En tercer lugar, es importante reconocer que la accesibilidad de la clasificación basada en puentes como herramienta para facilitadores y constructores de paz aún no es la que debería ser. Quizás la implementación más accesible sea la herramienta de código abierto Polis. Y las personas familiarizadas con utilizar una hoja de cálculo, también verán sencillo utilizar la clasificación basada en puentes para seleccionar los resultados de los procesos ejecutados en Remesh — la herramienta utilizada por ALLMEP — o en las votaciones recopiladas mediante cualquier herramienta de encuesta estándar. Los algoritmos puente son solo una de las características que suelen estar presentes en un ecosistema emergente de «herramientas deliberativas» en línea que pueden facilitar la deliberación en contextos polarizados.[12]
El impacto de los algoritmos puente probablemente provenga de su uso estratégico por parte de organizaciones de construcción de paz y de la sociedad civil en contextos polarizados
¿Y ahora qué?
Los algoritmos puente siguen siendo un área de investigación activa[13]. En el contexto de las redes sociales, un amplio estudio académico ha probado recientemente varios algoritmos puente con aproximadamente 6.000 participantes, durante cuatro meses, en múltiples plataformas (Facebook, X y Reddit), y pronto sabremos si ha tenido éxito en la reducción de la polarización afectiva. Un estudio reciente más pequeño[14], que probó una forma de algoritmo puente en X, ya ha demostrado que es posible. Pero, aunque gran parte de la atención se ha centrado en las redes sociales, el impacto de los algoritmos puente — al menos a corto plazo — probablemente provenga de su uso estratégico por parte de organizaciones de construcción de paz y de la sociedad civil en contextos polarizados a una escala más local o regional.
*Si estás interesado en utilizar estos métodos puedes contactar con el autor o con el centro Deliberative Tech del Consejo de Tecnología y Cohesión Social, una comunidad de práctica emergente para organizaciones de la sociedad civil que utilizan estas herramientas.
[1] Smitha Milli, Micah Carroll, Yike Wang, Sashrika Pandey, Sebastian Zhao y Anca D. Dragan. Marzo de 2025. «Engagement, user satisfaction, and the amplification of divisive content on social media». En PNAS Nexus, volumen 4, número 3.
[2] Tiziano Piccardi, Martin Saveski, Chenyan Jia, Jeffrey T. Hancock, Jeanne L. Tsai y Michael Bernstein. 2024. «Social Media Algorithms Can Shape Affective Polarization via Exposure to Antidemocratic Attitudes and Partisan Animosity». Preprint.
[3] Aviv Ovadya y Luke Thorburn. 2023. «Bridging Systems: Open problems for countering destructive divisiveness across ranking, recommenders, and governance», ArXiv.
[4] Luke Thorburn, Maria Polukarov y Carmine Ventre. 2024. «Societal Sorting as a Systemic Risk of Recommenders». En la 18.ª Conferencia de la ACM sobre Sistemas de Recomendación (RecSys ’24), Nueva York: Association for Computing Machinery, 2024, p. 951-956.
[5] Andrew Konya, Luke Thorburn, Wasim Almasri, Oded Adomi Leshem, Ariel Procaccia, Lisa Schirch y Michiel Bakker. 2025. «Using collective dialogues and AI to find common ground between Israeli and Palestinian peacebuilders». En la Conferencia de 2025 de la ACM sobre equidad, rendición de cuentas y transparencia (FAccT ’25), Nueva York: Association for Computing Machinery, 2025, p. 312-333.
[6] Jonathan Stray. 2025. «Why Do They Think We’re Extreme?». En el Better Conflict Bulletin.
[7] E. Glen Weyl, Luke Thorburn, Emillie de Keulenaar, Jacob Mchangama, Divya Siddarth y Audrey Tang. 2025. « Prosocial Media ». ArXiv.
[8] Chris Bail. 2021. Breaking the Social Media Prism: How to Make Our Platforms Less Polarizing. Prince University Press.
[9] Colin Irwin. 2025. «The People’s Peace Third AI and UN Edition. Public Opinion, Public Diplomacy and World Peace». Peace Polls Publication.
[10] Ver la página web de Peace Polls.
[11] Madison Czopek. 2023. «Why Community Notes mostly fails to combat misinformation». En Poynter.
[12] La AI & Democracy Foundation facilita el acceso gratuito a probar herramientas de deliberación a través de su Deliberative Tools Access Program.
[13] Madon Revel, Smitha Milli, Tyler Lu, Jamelle Watson-Daniels y Max Nivkel. 2025. «Representative Ranking for Deliberation in the Public Sphere», ArXiv.
[14] Tiziano Piccardi, Martin Saaveski, Chenyan Jia, Jeffrey T. Hancock, Jeanne L. Tsai y Michael Bernstein. 2024. «Social Media Algorithms Can Shape Affective Polarization via Exposure to Antidemocratic Attitudes and Partisan Animosity», ArXiv.
Esta es una versión traducida del artículo publicado originalmente en inglés.
Fotografía
Representación simbólica de los algoritmos y su papel en la polarización en el ámbito digital. Author: Achira22 (Shutterstock).