26 de octubre de 2026
Los algoritmos de Instagram amplían la exposición comercial y los estímulos al consumo
Alcides Gomes Beato Neto; Heinrich Da Solidade Santos
DOI: 10.22167/2675-6528-202600485
Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
Instagram se ha consolidado como una plataforma que ha reunido interacción social, recomendación personalizada, publicidad y funciones de compra en un mismo flujo de uso, convirtiéndose en un caso relevante para discutir la dependencia digital y el consumismo desde la óptica de la ingeniería de software. El objetivo fue analizar cómo el scroll infinito, los algoritmos de recomendación y los estímulos comerciales de la plataforma influyeron en la permanencia del usuario, la presencia de contenido comercial y el estímulo al consumo en el entorno analizado. La investigación se clasificó como aplicada, exploratoria y descriptiva, con un enfoque mixto y un diseño experimental. Se realizaron una revisión bibliográfica, un análisis documental de materiales oficiales de Instagram y Meta, y una simulación computacional con datos sintéticos, en la que se manipularon parámetros de clasificación y se observaron sus efectos sobre escenarios de ranqueo de contenido. Los resultados indicaron que la combinación entre la continuidad de la interfaz, la personalización algorítmica y la inserción de señales comerciales elevó de forma expresiva la presencia de contenidos con potencial para estimular la compra y la comparación social, mientras que la profundidad de las sesiones presentó variaciones más moderadas entre los escenarios. Se concluyó que el problema estuvo ligado no solo al comportamiento individual del usuario, sino también a decisiones de diseño que priorizaron la retención y el valor comercial por encima de criterios de bienestar digital.
Palabras clave: Bienestar digital; Comparación social; Diseño persuasivo; Personalización de contenido; Desplazamiento infinito.
1. Introducción
Instagram se ha consolidado como una plataforma que trasciende su función original de compartir fotos. Con el tiempo, la aplicación ha evolucionado hasta convertirse en un entorno multifacético, integrando la producción de imágenes personales, el entretenimiento, la recomendación de contenido, la publicidad y las funciones de compra en un único flujo de uso. Esta transformación lo ha establecido no solo como un espacio de socialización, sino también como un escaparate de estilos de vida, un canal de influencia y un entorno de consumo. Dada esta complejidad, Instagram se ha convertido en un objeto de análisis relevante para comprender cómo las decisiones de ingeniería de software pueden influir en el comportamiento del usuario, su atención y sus elecciones de consumo.
La literatura reciente ha profundizado la discusión sobre los efectos del uso intensivo de redes sociales en el bienestar. Revisiones sistemáticas y meta-análisis han indicado que el uso problemático de estas plataformas está asociado a peores indicadores de salud mental, especialmente entre adolescentes y adultos jóvenes (Faelens et al., 2021; Shannon et al., 2022). En el contexto de Instagram, esta problemática se intensifica por la experiencia de uso basada en imagen, que fomenta la comparación social, exhibe métricas visibles de popularidad y ofrece refuerzo constante a través de “me gusta”, comentarios y recomendaciones. Así, la preocupación no se limita solo al tiempo que una persona pasa en la aplicación, sino también a la forma en que la plataforma organiza ese tiempo y a los estímulos que surgen durante la navegación.
Además de la dimensión conductual, Instagram opera con una dimensión económica prominente, donde la influencia digital, la publicidad segmentada y el deseo de consumo están profundamente integrados. Estudios recientes demuestran que el uso más intenso de redes sociales puede estar relacionado con el aumento de valores materialistas, el deseo de seguir estilos de vida idealizados y una mayor propensión a la compra impulsiva, especialmente cuando creadores de contenido e influenciadores digitales participan activamente en este proceso (Djafarova; Bowes, 2021; Yang et al., 2024; Ozimek et al., 2024; Dinh; Lee, 2024; Shamim et al., 2024). Esta dinámica posiciona a Instagram no solo como una red social, sino como un sistema digital que conecta la atención del usuario, el deseo y la conversión comercial.
Desde la perspectiva de la ingeniería de software, esta discusión es particularmente relevante porque el comportamiento del usuario no es meramente una cuestión de voluntad individual, sino que está intrínsecamente influenciado por las elecciones de arquitectura del producto, el diseño de la interfaz y la lógica algorítmica. La documentación oficial de la plataforma, por ejemplo, revela que diferentes secciones, como Feed, Stories, Explore y Reels, utilizan señales distintas para organizar el contenido mostrado. La recomendación de contenido depende de modelos de machine learning entrenados para predecir acciones futuras y ordenar elementos basándose en la relevancia, la probabilidad de interacción y otros indicadores (Instagram, 2023; Instagram, 2025; Vorotilov; Shugaepov, 2023; Levis et al., 2025). Cuando esta lógica se combina con el scroll infinito, la experiencia de usuario tiende a eliminar puntos de parada naturales, fomentando el consumo continuo y aumentando la exposición repetida a contenidos inspiradores, comerciales y altamente atractivos (Rixen et al., 2023). Esta interconexión entre diseño y comportamiento revela una brecha importante en la comprensión de cómo las decisiones técnicas impactan el bienestar y el consumismo digital.
La relevancia de este estudio radica en la necesidad de comprender las implicaciones de las elecciones de diseño de software que priorizan la retención y el valor comercial, a menudo en detrimento de los criterios de bienestar digital. La problemática no se limita al comportamiento individual, sino que se extiende a las decisiones de diseño que dan forma a la experiencia del usuario. Considerando este escenario, este trabajo tuvo como objetivo analizar cómo la combinación de desplazamiento infinito, algoritmos de recomendación y estímulos comerciales en Instagram influyó en la permanencia del usuario, amplió la exposición comercial y reforzó los estímulos al consumo, basándose en una investigación experimental con revisión bibliográfica, análisis documental y simulación algorítmica simplificada.
2. Material y Métodos
La investigación se clasificó como aplicada, ya que abordó un problema real de producto digital con implicaciones técnicas, económicas y sociales. En cuanto a los objetivos, el estudio se caracterizó como exploratorio y descriptivo, buscando comprender la relación entre el scroll infinito, la recomendación algorítmica, el uso excesivo y el consumismo en Instagram, además de describir el funcionamiento de la plataforma. Se adoptó un enfoque mixto y un diseño experimental, con la manipulación de parámetros en escenarios simulados y la observación de los efectos sobre las variables de interés.
La construcción de la base teórica se realizó mediante una revisión bibliográfica de artículos científicos. Los temas abordados incluyeron el uso problemático de redes sociales, el diseño persuasivo, la comparación social, el consumismo digital y los sistemas de recomendación. Complementariamente, se procedió al análisis documental de materiales institucionales de Instagram y Meta, centrándose en textos sobre clasificación de contenido, recomendación y términos de uso. Esta etapa permitió relacionar la literatura académica con la información divulgada por la propia plataforma sobre su funcionamiento.
Para la simulación computacional, se generaron datos sintéticos y se ejecutaron rutinas en Python. Se utilizaron rutinas computacionales propias para sorteo pseudoaleatorio, organización de los escenarios experimentales y cálculo de las puntuaciones de los ítems. Este enfoque fue elegido para permitir la repetición controlada de procedimientos, la manipulación de parámetros y la comparación entre diferentes combinaciones de pesos y variables, garantizando la estandarización del experimento. La reproducibilidad se aseguró por el uso de una semilla fija para la generación pseudoaleatoria.
El tratamiento de los datos simulados y la consolidación de los resultados se realizaron con el apoyo de las bibliotecas NumPy y pandas. NumPy se empleó en la generación de las distribuciones beta y en las operaciones numéricas de la simulación. Pandas, por su parte, se utilizó en la organización de las sesiones simuladas, en el cálculo de las métricas agregadas y en la exportación de las tablas finales en formato tabular. Este entorno computacional contribuyó a la organización y reproducibilidad del experimento.
Los valores de las variables fueron producidos por distribuciones beta, seleccionadas por su adecuación en una escala limitada entre cero y uno y por la capacidad de generar asimetrías compatibles con diferentes perfiles de contenido y de usuario. Las variables incluyeron novedad, que representó el potencial de sorpresa del ítem para el usuario; intensidad emocional, referente a la capacidad del ítem de generar excitación afectiva; prueba social, que indicó el nivel de popularidad percibida del contenido; y atractivo comercial, relacionado con la presencia de marcas, productos o disparadores de compra.
Otras variables consideradas fueron la proximidad relacional, que midió el grado de vínculo social con el origen del contenido; la afinidad por compra, que denotó la predisposición individual a responder a contenido comercial; la comparación social, que reflejó la sensibilidad del usuario a señales inspiracionales y métricas sociales; y el autocontrol, que representó la capacidad de interrumpir la sesión. Estas variables fueron definidas para influir en la puntuación de los ítems y la probabilidad de interrupción de la sesión.
La simulación involucró 1.000 sesiones independientes, cada una con hasta 15 bloques de consumo y 20 candidatos por bloque. La puntuación final de cada ítem resultó de la combinación ponderada entre proximidad relacional, novedad, intensidad emocional, prueba social y atractivo comercial ajustado por la afinidad de compra. En cada bloque, los 20 candidatos fueron comparados por puntuación, y el ítem con mayor puntuación fue considerado consumido en ese ciclo.
Se definieron cuatro escenarios para análisis comparativo. El escenario de referencia priorizó la novedad y la proximidad relacional. El escenario de compromiso amplió los pesos de las variables ligadas a la respuesta esperada del usuario. En el escenario con señal comercial, se atribuyó mayor peso al atractivo comercial y a contenidos con potencial de compra. Finalmente, el escenario de mitigación por fricción mantuvo la lógica del escenario con señal comercial, pero introdujo puntos artificiales de fricción cada cinco bloques consumidos.
La continuidad de la sesión se actualizó con cada bloque consumido, basándose en una función logística que combinó la puntuación del ítem seleccionado, la comparación social del usuario, la progresión de los bloques y el autocontrol. La probabilidad de interrupción se recalculó al final de cada bloque, considerando el autocontrol y el atractivo acumulado del feed, lo que permitió estimar la profundidad media de las sesiones en cada escenario. Dado que el estudio no involucró a seres humanos, entrevistas, cuestionarios ni datos personales, no fue necesaria la presentación al Comité de Ética.
3. Resultados y Discusión
Los resultados de esta investigación revelaron que la arquitectura de software de Instagram, al integrar desplazamiento infinito, algoritmos de recomendación y estímulos comerciales, influye significativamente en la experiencia del usuario, especialmente en lo que respecta a la exposición a contenidos con potencial de consumo y comparación social. El análisis documental, la revisión bibliográfica y la simulación computacional convergieron para indicar que el problema de la dependencia digital y el consumismo no se restringe al comportamiento individual, sino que está intrínsecamente ligado a decisiones de diseño que priorizan la retención y el valor comercial. Esta interconexión entre diseño y comportamiento fue el foco central de la investigación, buscando desvelar cómo la plataforma organiza el flujo de contenido y los estímulos que surgen durante la navegación.
Instagram como arquitectura de retención
El análisis documental de los materiales oficiales de Instagram y Meta demostró que la plataforma se concibe como un servicio altamente personalizado, donde el contenido, las recomendaciones y los anuncios se seleccionan cuidadosamente para cada usuario. Esta selección se basa en una amplia gama de señales de actividad y relevancia, según lo descrito por la propia empresa (Instagram, 2025). Este enfoque subraya que la discusión sobre la permanencia del usuario y el estímulo al consumo no puede aislarse del diseño de la plataforma, ya que el entorno de navegación se organiza activamente para optimizar la experiencia individualizada.
Los materiales examinados también evidenciaron que las diferentes secciones de la aplicación, como Feed, Stories, Explore y Reels, operan con lógicas de clasificación distintas. Aunque todas se alimentan de señales de comportamiento similares, cada superficie posee un mecanismo propio para clasificar el contenido. Esta diversidad de mecanismos contribuye a la fluidez y adaptabilidad de la experiencia de uso, haciendo que la aplicación parezca constantemente ajustada a los patrones e intereses de cada persona, lo que es un factor clave para la retención.
En el caso específico de Explore, la ingeniería de Meta detalló un embudo de múltiples etapas, que incluye recuperación de candidatos, clasificación inicial, clasificación posterior y reclasificación final, utilizando modelos de machine learning para predecir acciones futuras (Vorotilov; Shugaepov, 2023; Levis et al., 2025). Esta complejidad algorítmica es crucial para entender cómo la plataforma logra mantener la atención del usuario durante largos períodos. Con cada acción del usuario, el sistema busca una doble función: expresar un comportamiento presente y, al mismo tiempo, proporcionar datos para organizar comportamientos futuros, creando un ciclo de refuerzo que amplifica intereses y perfiles similares.
El scroll infinito, un mecanismo de continuidad sin fricción, fue identificado como un elemento central en esta arquitectura de retención. En la literatura de interacción humano-computadora, el scroll infinito es reconocido por eliminar puntos naturales de interrupción, lo que favorece el consumo continuo y aumenta la exposición repetida a contenidos inspiracionales, comerciales y altamente atractivos (Rixen et al., 2023). Esta característica de diseño, al eliminar hitos claros de parada, hace que el flujo de contenido sea percibido como una secuencia única, facilitando la prolongación de la navegación sin esfuerzo consciente del usuario.
Monge Roffarello y De Russis (2023) clasificaron el desplazamiento infinito como un patrón de captura de atención que reduce la autonomía temporal del usuario. La experiencia de uso, por lo tanto, no se limita a la cantidad de contenido disponible, sino a la forma en que la interfaz dirige la navegación, dificultando pausas naturales y decisiones de cierre. El efecto se intensifica porque el desplazamiento no requiere una acción deliberada, siendo percibido como un flujo continuo de recompensas. Esta combinación de desplazamiento infinito con una secuencia adaptativa de contenido hace que la experiencia sea inmersiva y, a menudo, difícil de interrumpir.
Esta elección de interfaz, aunque aparentemente neutral, tiene amplias consecuencias conductuales, como la permanencia prolongada y el uso sin una intención clara. Fagan (2024) describe este fenómeno como una “zona gris” entre la persuasión legítima y la oscura, donde elementos como los patrones de elección y las seducciones visuales se vuelven problemáticos al ser poco transparentes y difíciles de evitar. En Instagram, la conveniencia, la personalización y el incentivo comercial se unen en una experiencia que, por diseño, busca maximizar la retención.
De la personalización al refuerzo: el bucle algorítmico del compromiso
La literatura técnica y los materiales oficiales de Meta permiten describir el funcionamiento de Instagram como un bucle algorítmico de cuatro etapas. En primer lugar, el sistema recopila eventos del usuario, como tiempo de visualizaciones, “me gusta”, comentarios, guardados, compartidos, perfiles visitados y búsquedas. A continuación, esta información alimenta modelos que estiman la probabilidad de nuevas interacciones. En la etapa subsiguiente, los contenidos se ordenan según la función objetivo elegida por la plataforma. Por último, el comportamiento generado por la propia clasificación retorna al sistema como nueva señal de aprendizaje, realimentando el ciclo.
Este bucle, aunque útil para reducir la sobrecarga informacional y encontrar contenido relevante, se vuelve problemático cuando el objetivo dominante del sistema es la retención, la profundidad de la sesión o el valor comercial. En estos casos, la clasificación tiende a favorecer contenidos que maximizan la respuesta inmediata, y no necesariamente aquellos que serían más saludables, diversos o equilibrados para el usuario. La priorización de métricas de compromiso puede, así, llevar a un sesgo en la selección de contenido.
En redes sociales visuales, como Instagram, esta cuestión se intensifica porque muchas señales de engagement están ligadas a la comparación social y a la autoevaluación. Faelens et al. (2021) destacaron que gran parte de la literatura sobre el uso de Instagram aborda la comparación social, la imagen corporal y el bienestar psicológico. Esto significa que el mismo sistema que aprende a captar la atención del usuario también puede, inadvertidamente, reforzar contenidos que activan vulnerabilidades ya conocidas, como la insatisfacción con la propia imagen o el miedo a quedarse fuera (FOMO).
El scroll infinito, por ejemplo, tiene como objetivo técnico predominante reducir la fricción de navegación y aumentar la continuidad de la sesión. El efecto probable en el usuario es una menor percepción de cierre y una navegación más automática, con el riesgo asociado de permanencia prolongada y uso sin una intención clara. La clasificación personalizada, por su parte, tiene como objetivo ordenar ítems con mayor probabilidad de respuesta positiva, resultando en una secuencia de contenido más adherente al historial individual, pero con el riesgo de reforzar preferencias y reducir la diversidad de contenido.
Las métricas públicas de popularidad, como ‘me gusta’ y comentarios, tienen el objetivo de aumentar la señal social y el feedback visible, lo que puede llevar a la comparación social y la validación por números. El riesgo asociado incluye ansiedad, miedo a quedarse fuera (FOMO) y autoevaluación intensa. La integración de creadores de contenido con marcas busca aumentar la conversión comercial sin interrupción del flujo, promoviendo una percepción de naturalidad de la recomendación de consumo, pero con el riesgo de menor distinción entre contenido social y publicidad.
Finalmente, los anuncios y ofertas personalizadas buscan maximizar la relevancia comercial y el retorno publicitario. Esto resulta en exposición recurrente a productos compatibles con el interés inferido del usuario, con los riesgos de compra por impulso y saturación consumista. Esta articulación entre diseño de interfaz, función objetivo y lógica de monetización demuestra cómo la experiencia final del usuario es moldeada por elecciones de ingeniería de software.
Instagram y aumento del consumismo
Instagram estimula el deseo de compra no solo a través de anuncios explícitos, sino también por vías indirectas, según la literatura. La plataforma valora imágenes pulidas, estilos de vida inspiradores, la lógica de seguidores y la presencia constante de influencers y marcas. En este entorno, el consumo se presenta no solo como una transacción, sino como parte de la construcción de la identidad personal, lo que lo convierte en un mecanismo persuasivo más sutil e integrado a la experiencia de uso.
Djafarova y Bowes (2021) demostraron que las estrategias de marketing en Instagram influyen en las compras impulsivas entre los consumidores de la Generación Z. Destacaron la fuerza del contenido visual, la familiaridad con los influencers y la apariencia de espontaneidad como factores cruciales. Shamim et al. (2024) corroboraron, observando que la credibilidad de los influencers y las publicaciones patrocinadas aumentaron el impulso de compra. Estos hallazgos indican que la conversión comercial en Instagram trasciende la publicidad tradicional, siendo impulsada por una dinámica más compleja e integrada.
Esta discusión está respaldada por estudios más amplios sobre materialismo y redes sociales. Yang et al. (2024) identificaron una asociación entre el uso de redes sociales y valores materialistas, con el autocontrol y la autoaceptación desempeñando papeles importantes. Ozimek et al. (2024) constataron que una mayor orientación materialista se relaciona con más síntomas de estrés y dependencia de redes sociales. En conjunto, estos estudios sugieren que el entorno digital puede reforzar tanto el deseo de consumo como el desgaste subjetivo asociado a este proceso.
El trabajo de Okazaki et al. (2021) añadió que, en el contexto de Instagram, el compromiso con las marcas puede evolucionar hacia el uso compulsivo de la red y, posteriormente, hacia la compra compulsiva, mediado por el “technostress”. Este resultado es relevante porque aleja la idea de que el problema se reduce a la eficacia de la publicidad. En cambio, se trata de una dinámica más amplia, donde el entretenimiento, la marca, el afecto y el hábito se mezclan, creando un ciclo de refuerzo difícil de romper.
Desde el punto de vista del software, Instagram utiliza al menos cuatro mecanismos que favorecen este proceso. El primero es la personalización de la relevancia, que aumenta la compatibilidad entre el contenido mostrado y el interés probable del usuario. El segundo es la prueba social, que legitima el deseo a través de likes, visualizaciones, comentarios y la autoridad de los creadores de contenido. El tercero es la fluidez de la interfaz, que reduce el tiempo de reflexión entre un estímulo y otro. El cuarto es la integración entre contenido orgánico, publicidad y “social commerce”, que disminuye la separación simbólica entre ver, desear y comprar.
El análisis documental refuerza esta interpretación, ya que los Términos de Uso de Instagram (Instagram, 2025) explicitan que anuncios, ofertas y otros contenidos patrocinados forman parte integrante del servicio y se personalizan para cada persona. Esto significa que la monetización no es una capa externa, sino que está integrada al funcionamiento normal de la plataforma. Por lo tanto, la discusión sobre consumismo en Instagram es, fundamentalmente, una discusión sobre decisiones estructurales de producto y ingeniería de software.
Modelo algorítmico simplificado del caso
Con base en los elementos identificados, se desarrolló un modelo simplificado para representar el caso, preservando tres características centrales de Instagram. La primera es la existencia de un conjunto amplio de candidatos disponibles para visualización. La segunda es el cálculo de predicciones de interacción con base en señales del usuario y del ítem. La tercera es la posibilidad de desplazar la clasificación conforme al peso atribuido a la señal comercial. El objetivo no fue reproducir el sistema real, sino crear un instrumento didáctico para observar cómo cambios en los objetivos alteran la composición del feed.
Para la simulación, se realizaron 1.000 sesiones independientes, cada una con hasta quince bloques de consumo y veinte candidatos por bloque, totalizando un volumen de datos suficiente para comparar los escenarios sin comprometer la simplicidad del modelo. La puntuación de los ítems se construyó mediante una combinación ponderada de variables simuladas: novedad, intensidad emocional, prueba social, proximidad relacional y atractivo comercial ajustado por la afinidad de compra. En cada bloque, los veinte candidatos se comparaban por puntuación, y el ítem con mayor puntuación se consideraba consumido en ese ciclo.
En el escenario de referencia, la simulación asignó mayor peso a la novedad y a la proximidad relacional. En el escenario de compromiso, se ampliaron los pesos de las variables ligadas a la respuesta esperada del usuario. En el escenario con señal comercial, se añadió un peso más alto al atractivo comercial y a contenidos con mayor potencial de compra. Esta estructura permitió una comparación clara de los resultados. La probabilidad de interrupción se recalcularon al final de cada bloque, combinando el autocontrol del usuario simulado con la atratividad acumulada del feed, lo que permitió estimar la profundidad media de las sesiones en cada escenario.
Las principales variables utilizadas en el modelo algorítmico simplificado incluyeron la novedad, que representa el potencial de sorpresa del artículo para el usuario y aumenta la expectativa de recompensa. La intensidad emocional, que mide la capacidad del artículo para generar excitación afectiva, eleva la probabilidad de permanencia. La prueba social, que indica el nivel de popularidad percibida del contenido, aumenta la validación social y la curiosidad. El atractivo comercial, que denota la presencia de marcas, productos o disparadores de compra, eleva el valor comercial del artículo.
La proximidad relacional, que es el grado de vínculo social con el origen del contenido, favorece el interés relacional. La afinidad por compra, que representa la predisposición individual a responder a contenido comercial, interactúa con el atractivo comercial. Por último, la comparación social, que mide la sensibilidad del usuario a señales inspiracionales y métricas sociales, reduce la probabilidad de interrupción. Todas estas variables se definieron en un rango de cero a uno, lo que permite la manipulación de parámetros en los escenarios simulados de forma controlada.
Resultados de la simulación
Los resultados de la simulación revelaron diferencias significativas entre los escenarios, principalmente en la composición del feed y en el estímulo al consumo. En el escenario de referencia, que priorizaba aspectos relacionales y temporales, la profundidad media de la sesión fue de 4,12 bloques, con un tiempo estimado de 2,1 minutos. La participación media de contenido comercial en este escenario fue del 15,5%, y el índice medio de estímulo a la compra fue de 0,460. La probabilidad final media de interrupción fue de 0,247.
En el escenario optimizado por el compromiso, la profundidad media de la sesión aumentó discretamente a 4,29 bloques, manteniendo el tiempo estimado en 2,1 minutos. Sin embargo, la presencia de contenido comercial aumentó expresivamente a 47,9%, y el índice de estímulo a la compra a 0,568. La probabilidad final media de interrupción permaneció cercana, en 0,246. Este resultado sugiere que la optimización para el compromiso alteró la calidad del contenido mostrado de forma más acentuada que la duración de la sesión.
En el escenario optimizado por el compromiso con el refuerzo de la señal comercial, la profundidad media de la sesión cayó a 3,54 bloques, con un tiempo estimado de 1,8 minutos. Sin embargo, la participación de contenido comercial alcanzó el 94,2%, y el índice de estímulo a la compra aumentó a 0,695. La probabilidad final media de interrupción subió a 0,299. Estos datos indican que la priorización de señales comerciales intensifica drásticamente la exposición a contenidos de consumo, incluso si esto no resulta en sesiones más largas.
Este patrón es crucial porque demuestra que el principal efecto de los ajustes algorítmicos, en este experimento, no fue un aumento sustancial en la duración de las sesiones, sino un cambio relevante en la calidad de la exposición. Los escenarios más orientados por engagement y señal comercial alteraron de forma más intensa el tipo de contenido mostrado que el tiempo total de permanencia del usuario. Esto sugiere que, en sistemas como Instagram, el valor comercial puede ser ampliado no solo prolongando el uso, sino reorganizando el flujo de contenidos hacia estímulos más compatibles con el consumo y la comparación social.
Discusión crítica e implicaciones para ingeniería de software
La discusión de los resultados confirma que el problema de Instagram no puede atribuirse a un único componente aislado. La plataforma se vuelve más propensa a inducir un uso problemático cuando tres elementos actúan en conjunto: una interfaz de continuidad casi sin fricciones, algoritmos entrenados para predecir y reforzar el compromiso, y una monetización integrada en el propio flujo de navegación. Es esta combinación la que amplifica la exposición comercial, refuerza los estímulos aspiracionales y aumenta la presión de consumo, aunque los efectos sobre la permanencia puedan variar entre los escenarios simulados.
Para la ingeniería de software, este análisis trae al menos cinco implicaciones importantes. La primera es la necesidad de revisar las métricas de éxito. Indicadores como tiempo de permanencia, profundidad de sesión y tasa de retorno son útiles para el negocio, pero son insuficientes como criterio único de calidad. Un sistema puede retener mucho al usuario y, al mismo tiempo, producir efectos indeseados sobre la autonomía, el bienestar y el patrón de consumo, exigiendo una visión más abarcadora del impacto del producto.
La segunda implicación se refiere a la transparencia del producto. Aunque Meta ya ofrece descripciones públicas sobre el funcionamiento general de Instagram, lo que representa un avance respecto a la opacidad total, estas descripciones permanecen a un nivel alto. No aclaran de forma concreta cómo se resuelven los conflictos entre retención, diversidad de contenido, exposición comercial y bienestar del usuario. Para productos de gran impacto social, este límite de transparencia es un punto relevante a mejorar, permitiendo una comprensión más profunda de las elecciones de diseño.
La tercera implicación es que los mecanismos de fricción, aunque técnicamente simples, pueden ser importantes. Estudios de interacción humano-computadora, como los de Monge Roffarello y De Russis (2023), muestran que pequeñas interrupciones contextuales pueden reducir la navegación automática y devolver al usuario cierto sentido de control. En el contexto de este trabajo, esto sugiere que los recordatorios de pausa, los puntos de parada o las confirmaciones de continuidad pueden funcionar como medidas complementarias de un diseño más responsable, mitigando la continuidad excesiva.
La cuarta implicación es que los modelos de recomendación deberían incorporar la diversidad y el bienestar como restricciones explícitas de reclasificación. Si el sistema aprende que contenidos inspiracionales y consumistas generan más respuesta, la tendencia natural es reforzarlos. Una reordenación más responsable podría limitar la concentración excesiva de determinados estímulos, distribuir mejor los tipos de contenido y reducir ciclos de refuerzo nocivos, promoviendo una experiencia más equilibrada y menos propensa a vulnerabilidades.
La quinta y más amplia implicación es que la ingeniería de software no puede tratar la dependencia digital como una externalidad inevitable. Cuando un producto mide, prueba y ajusta continuamente su experiencia para maximizar la retención, los efectos del uso problemático dejan de ser un accidente puramente individual. Pasan a ser parte de los riesgos predecibles de la propia arquitectura del sistema, exigiendo que los desarrolladores consideren las implicaciones éticas y sociales de sus elecciones de diseño desde las fases iniciales del proyecto.
Escenario complementario de mitigación por fricción
Como un ejercicio complementario, se ejecutó un cuarto escenario en la simulación, en el cual se mantuvo la lógica de clasificación con señal comercial, pero se insertaron puntos artificiales de fricción cada cinco bloques consumidos. Estos puntos representaron recordatorios de pausa, cambios de ritmo del feed o la necesidad de confirmación para continuar la navegación. La intención fue observar si pequeñas barreras de interfaz podrían reducir la continuidad automática de la sesión y, consecuentemente, la permanencia del usuario en la plataforma.
En este escenario de mitigación por fricción, la profundidad media de la sesión cayó a 3,40 bloques y la probabilidad final media de interrupción aumentó a 0,311. El tiempo estimado de la sesión fue de 1,7 minutos. Aunque la fricción redujo la permanencia en comparación con los demás escenarios, la proporción de contenidos comerciales se mantuvo muy elevada, alcanzando el 94,3%, y el índice de estímulo a la compra fue de 0,696. Este dato indica que la capa de interfaz, por sí sola, no altera de forma suficiente la lógica general de la exposición cuando la clasificación continúa dirigiendo el feed hacia estímulos consumistas.
Este hallazgo refuerza una conclusión importante para la ingeniería de software: las intervenciones solo en la interfaz ayudan, pero no sustituyen los cambios en la capa algorítmica. Cuando la arquitectura de recomendación privilegia fuertemente señales consumistas, los recordatorios de pausa funcionan como amortiguadores parciales, pero no resuelven la raíz del problema. Para un cambio más efectivo y un impacto significativo en el bienestar digital, sería necesario revisar el propio objetivo del sistema y los pesos atribuidos a la clasificación de contenido, desplazando el foco de métricas puramente comerciales para incluir criterios de calidad y diversidad.
En resumen, la investigación demostró que la combinación de desplazamiento infinito, personalización algorítmica y estímulos comerciales en Instagram resultó en una ampliación expresiva de la presencia de contenidos con potencial para estimular la compra y la comparación social. Aunque la profundidad de las sesiones presentó variaciones más moderadas entre los escenarios, la calidad de la exposición se alteró drásticamente hacia un entorno más consumista. Esto refuerza la comprensión de que el problema no solo está ligado al comportamiento individual del usuario, sino también a decisiones de diseño que priorizan la retención y el valor comercial por encima de criterios de bienestar digital, respondiendo directamente al objetivo del estudio.
4. Conclusión
Este estudio tuvo como objetivo analizar cómo el scroll infinito, los algoritmos de recomendación y los estímulos comerciales de Instagram influyeron en la permanencia del usuario, la presencia de contenido comercial y el estímulo al consumo en la plataforma. Se observó que la combinación de la continuidad de la interfaz, la personalización algorítmica y la inserción de señales comerciales elevó de forma expresiva la presencia de contenidos con potencial para estimular la compra y la comparación social. Los resultados de la simulación indicaron que, aunque la profundidad de las sesiones presentó variaciones más moderadas entre los escenarios, la calidad de la exposición se alteró drásticamente hacia un ambiente más consumista. Esta dinámica resalta que el problema no se restringe al comportamiento individual del usuario, sino que está intrínsecamente ligado a decisiones de diseño de ingeniería de software que priorizan la retención y el valor comercial por encima de criterios de bienestar digital. La principal contribución reside en demostrar, de forma aplicada, cómo las elecciones de arquitectura de producto y diseño de interfaz moldean la experiencia del usuario, influyendo directamente en el consumismo y el bienestar digital.
A pesar de los hallazgos relevantes, el estudio presentó limitaciones, como el uso de un modelo algorítmico sintético que no reprodujo fielmente el sistema propietario de Instagram y el enfoque en una única plataforma, lo que no agota la discusión sobre redes sociales visuales. Para la ingeniería de software, los resultados implican la necesidad de revisar las métricas de éxito, incorporando explícitamente el bienestar digital, la transparencia y la diversidad de contenido como criterios de calidad. Se sugiere que mecanismos de fricción, como recordatorios de pausa, pueden actuar como medidas complementarias, pero no sustituyen la revisión de los objetivos del sistema y de los pesos atribuidos a la clasificación algorítmica. Estudios futuros podrán expandir el experimento con nuevos escenarios de clasificación, probar otras combinaciones de pesos y variables, e incorporar mecanismos adicionales de fricción en la interfaz. Se recomienda también el desarrollo de investigaciones con datos observacionales, bases públicas o participación de usuarios, cuando metodológicamente sea viable y éticamente aprobado, para verificar la proximidad de los patrones simulados con el comportamiento real de navegación y consumo en redes sociales.
Referencias Bibliográficas
Djafarova, E.; Bowes, T. 2021. Instagram made me buy it: Generation Z impulse purchases in fashion industry. Journal of Retailing and Consumer Services 59: 102345.
Faelens, L.; Hoorelbeke, K.; Cambier, R.; Van Put, J.; Van de Putte, E.; De Raedt, R.; Koster, E.H.W. 2021. The relationship between Instagram use and indicators of mental health: a systematic review. Computers in Human Behavior Reports 4: 100121.
Ozimek, P.; Brailovskaia, J.; Bierhoff, H.-W.;
Shannon, H.; Bush, K.; Villeneuve, P.J.; Hellemans, K.G.C.; Guimond, S. 2022. Problematic social media use in adolescents and young adults: systematic review and meta-analysis. JMIR Mental Health 9(4): e33450.
Yang, Q.; Xu, Y.; Van den Bos, K. 2024. Social network site use and materialistic values: the roles of self-control and self-acceptance. BMC Psychology 12(1): 55.
Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Ingeniería de Software del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy