Introducción

Cada mañana, muchas personas en Chile toman su celular y en segundos abren Instagram apenas unos instantes después de despertar. O quizá escuchan su música favorita en Spotify durante el trayecto al trabajo. Es muy probable también que revisen YouTube durante el almuerzo o terminen su día haciendo scroll en TikTok. Entre cada una de esas acciones, algo invisible pero invariable ocurre: un algoritmo decide qué vemos, en qué orden, con qué frecuencia y a qué hora. Y esa decisión no es neutral. Está diseñada para influir en nuestras actitudes, en nuestras preferencias y, finalmente, en nuestras conductas.

Lo que describimos no es ciencia ficción ni teoría conspirativa. Es la definición técnica de lo que la literatura hoy denomina persuasión algorítmica: el uso de algoritmos para influir en las actitudes y comportamientos de los usuarios en línea (Zarouali et al., 2022). Y aunque el fenómeno existe desde hace años, la pregunta de si los usuarios realmente lo comprenden, o siquiera lo perciben, sigue abierta, especialmente en contextos como el latinoamericano.

Este breve artículo presenta evidencia reciente obtenida directamente en Chile, desde tres frentes complementarios: un marco conceptual que permite entender por qué la conciencia algorítmica importa, un estudio cualitativo con 28 usuarios digitales chilenos que explora la manera en que estos experimentan los algoritmos en las plataformas que utilizan, y un estudio cuantitativo con más de 3 mil participantes expuestos a los algoritmos de seis plataformas distintas (Facebook, Instagram, YouTube, Spotify, Netflix y TikTok). Nuestros primeros resultados arrojan luces sobre qué tan conscientes somos los chilenos del rol persuasivo de los algoritmos, qué diferencias existen entre plataformas y qué implicancias tiene todo esto para las marcas y la comunicación que estas hacen en favor de sus productos y servicios en los actuales entornos digitales.

¿Comprenden nuestros clientes el rol de los algoritmos en plataformas digitales?

El marketing, incluso en su versión digital, ha operado históricamente sobre el supuesto implícito de que los usuarios comprenden suficientemente los entornos en los que participan, incluidos los mecanismos mediante los cuales el contenido al que resultan expuestos es personalizado y distribuido para ellos. Sin embargo, no debe ser sorpresivo que esta premisa resulte cada vez más problemática en ecosistemas mediados por algoritmos.

En este sentido, conviene comenzar por entender lo que ocurre en la comunicación persuasiva tradicional. Cuando vemos un comercial de televisión, recibimos un folleto o nos acercamos a un vendedor, generalmente reconocemos al persuasor: sabemos que una marca quiere vendernos algo, que un partido político busca nuestro voto, que una organización sin fines de lucro quiere nuestra donación. Ese reconocimiento es más relevante de lo que parece, porque activa lo que la psicología de la comunicación denomina el conocimiento de persuasión, o persuasion knowledge, por sus términos en inglés (Ham y Nelson, 2019; Friestad y Wright, 1994).

El conocimiento de persuasión es el repertorio cognitivo que las personas construyen a lo largo de su vida a través de la exposición repetida a intentos de influencia. Incluye la capacidad de 1) reconocer cuándo alguien intenta persuadirnos, 2) entender qué tácticas se están usando y 3) evaluar si esas tácticas son apropiadas. En teoría, cuando ese conocimiento se activa, el receptor se vuelve más crítico, más escéptico y, en general, más difícil de persuadir (Boerman et al., 2017). Cuando no se activa, el mensaje llega sin filtros. La clave está precisamente en esa activación: para que el conocimiento de persuasión entre en juego, la persona primero debe reconocer que está ante un intento de influencia. Y aquí es donde el actual escenario digital introduce una complicación que no existía antes.

El algoritmo como “persuasor invisible”

En los entornos algorítmicos, el "persuasor" ya no es una persona, marca u organización fácilmente identificable. Hoy, el persuasor es también un sistema automatizado que opera en segundo plano y que conoce al usuario con una precisión que ningún vendedor humano podría igualar. El algoritmo sabe cuándo abrimos la aplicación, qué contenidos nos detienen más tiempo, qué tipo de publicaciones nos generan respuestas emocionales y a qué hora del día somos más susceptibles a ciertos mensajes. Con esa información, construye una experiencia personalizada que, aunque se percibe como "natural" o "relevante", está orientada a un objetivo específico: capturar nuestra atención y moldear nuestras decisiones (Yeung, 2017). Esta capacidad de personalización, habilitada en gran medida por la publicidad conductual en línea y el procesamiento algorítmico de datos personales, es lo que hace de estos sistemas herramientas persuasivas de un alcance sin precedentes (De Keyzer et al., 2015; Boerman et al., 2017).

Esto transforma de manera fundamental la dinámica persuasiva. En los contextos tradicionales, el conocimiento de persuasión se activa porque somos capaces de identificar al agente: vemos la marca, reconocemos el formato publicitario y, por ende, percibimos la intención comercial. En los contextos algorítmicos, en cambio, el agente es difuso, múltiple y, con frecuencia, completamente invisible. El contenido que nos llega parece una consecuencia natural de nuestros propios intereses, no el resultado de una decisión automatizada orientada a influirnos.

“Los niveles de conciencia algorítmica resultaron estadísticamente equivalentes entre las seis plataformas analizadas, con puntajes que oscilaron entre 3,51 y 3,97 en una escala de 1 a 5, pese a que operan bajo lógicas de recomendación estructuralmente distintas".

Esta asimetría tiene consecuencias prácticas. Si el usuario no reconoce que está siendo influido algorítmicamente, sus mecanismos de defensa cognitiva simplemente no se activan. Y un usuario sin defensas activas es, desde la perspectiva de quien diseña la comunicación, un receptor altamente efectivo. Pero también es un receptor que, cuando finalmente percibe esa influencia, puede reaccionar con incomodidad, desconfianza o rechazo hacia la marca o plataforma responsable.

La investigación reciente ha documentado este efecto. Cuando los usuarios reconocen que un contenido fue curado o generado algorítmicamente, aumenta su evaluación crítica del mensaje, emerge una sensación de "traición" asociada a la percepción de que fueron manipulados sin saberlo, y disminuyen variables de marketing como la actitud hacia la marca y la intención de compartir el contenido (Yang y Lee, 2025; De Cicco et al., 2025), indicadores clave de la salud de una marca. El reconocimiento del algoritmo, en otras palabras, cambia la conducta, no solo la evaluación. El concepto que articula todo esto es el de la conciencia algorítmica.

Conciencia algorítmica: cuando el algoritmo deja de ser invisible

La conciencia algorítmica refiere al grado en que los individuos reconocen y comprenden la existencia, el funcionamiento y el impacto de los algoritmos en los entornos digitales que frecuentan (Hargittai et al., 2020). Es, en términos del persuasion knowledge, la capacidad del receptor de identificar al "agente algorítmico" detrás del contenido que consume.

Una aclaración importante: conciencia algorítmica no significa saber programar, ni tener conocimientos técnicos sobre aprendizaje automático, ni comprender la arquitectura interna de los sistemas de recomendación. Un usuario puede tener una conciencia algorítmica alta sin haber escrito nunca una línea de código. Lo que sí implica es una percepción informada y contextual de cómo los algoritmos moldean la experiencia digital cotidiana (Zarouali et al., 2021; Dogruel et al., 2022).

En términos concretos, un usuario con alta conciencia algorítmica sabe que el contenido que ve no es aleatorio ni neutral; reconoce que sus propias conductas en la plataforma (los likes que da, el tiempo que dedica a cada publicación, las búsquedas que realiza) influyen en lo que el algoritmo le mostrará después; entiende que la publicidad que recibe está diseñada específicamente para él; y tiene noción de que todo esto no está exento de dilemas éticos, como quién controla esos datos, con qué criterios se toman esas decisiones automatizadas y si puede haber sesgos en el proceso.

Estos cuatro elementos: filtrado de contenido, toma de decisiones automatizada, interacción usuario-algoritmo y consideraciones éticas, constituyen las dimensiones de la conciencia algorítmica según el marco teórico más consolidado en esta área (Zarouali et al., 2021). Es precisamente sobre esta base que construimos nuestra investigación en Chile.

Lo que dicen los usuarios chilenos

Antes de medir la conciencia algorítmica con encuestas, quisimos comprenderla desde adentro (Buzeta y Guevara-Iturbe, 2025). Entre 2024 y 2025 realizamos 28 entrevistas en profundidad con usuarios digitales chilenos. El objetivo era explorar cómo estos usuarios perciben, interpretan e interactúan con los algoritmos de las plataformas que utilizan cotidianamente.

Lo primero que emerge de esas conversaciones es una conclusión que parece sencilla pero tiene implicancias profundas: los usuarios sí notan el algoritmo, incluso cuando no lo comprenden técnicamente. Al mismo tiempo, las metáforas que usan para describirlo son reveladoras. Algunos hablan de “un espejo” que refleja sus propios gustos y los amplifica. Otros lo describen como “una araña que conecta todo”, capaz de relacionar búsquedas en Google con anuncios en Instagram, o intereses en una plataforma con recomendaciones en otra. Hay quienes lo describen simplemente como “un asistente útil” que ya sabe lo que uno quiere antes de que uno mismo lo pida. Aún cuando estas metáforas no son técnicamente precisas, capturan algo importante: los usuarios tienen una comprensión experiencial del algoritmo, construida a partir de la observación de patrones en su propia conducta y en la respuesta de las plataformas.

Lo segundo que emerge es que muchos usuarios han desarrollado lo que podríamos llamar tácticas de domesticación algorítmica: estrategias deliberadas para influir en lo que el algoritmo les muestra. Usan likes, guardados y comentarios de manera estratégica, sabiendo que esas acciones “pesan” en el sistema. Evitan interactuar con ciertos contenidos para no entrenar al algoritmo en la dirección equivocada. Algunos incluso relatan que hacen búsquedas deliberadamente distintas a sus intereses reales para confundir al sistema o diversificar el tipo de contenido que reciben. No son usuarios pasivos: son negociadores activos con el algoritmo (Chen, 2023).

En relación con la publicidad, esta aparece en las entrevistas que realizamos como un detonador privilegiado de conciencia algorítmica. Es a través de los avisos y anuncios, especialmente cuando se perciben como sorprendentemente precisos, que los usuarios infieren cómo funciona el sistema. “Instagram me sigue [muestra] lo que busco en Google”, comenta un entrevistado. Esa percepción de exceso de precisión, lo que en la literatura se denomina creepiness, genera incomodidad pero también mayor conciencia sobre los mecanismos de personalización (De Keyzer et al., 2022). La publicidad, paradójicamente, aparentemente educa al usuario sobre los algoritmos que la hacen posible.

Una tercera dimensión relevante que emerge de las entrevistas es la comparación entre plataformas. Los usuarios no evalúan el algoritmo de cada plataforma de manera aislada: lo comparan. [Si bien] “YouTube me muestra cosas al azar”, “TikTok sabe exactamente lo que me gusta”, [aunque a veces] “Netflix me aburre con las mismas recomendaciones”. Esta mirada comparativa sugiere que la conciencia algorítmica no se construye plataforma por plataforma, sino a través de la experiencia acumulada en múltiples ecosistemas digitales. Vemos que el usuario aprende sobre los algoritmos de una plataforma y ese aprendizaje es capaz de transferirlo a las demás.

Finalmente, las entrevistas revelan que cuando el algoritmo se vuelve visible para el usuario, el efecto sobre la comunicación persuasiva no es neutro. La percepción de que un contenido fue seleccionado por un sistema automatizado con fines comerciales activa evaluaciones más críticas, reduce la confianza en la fuente y, en algunos casos, genera una sensación de manipulación que el usuario no experimenta de la misma manera ante la publicidad tradicional. El conocimiento de persuasión, al activarse en su dimensión algorítmica, cambia el modo en que se procesa el mensaje.

Lo que muestran los datos cuantitativos: seis plataformas, más de 3.000 chilenos

Para ir más allá de las percepciones individuales y obtener una imagen estadísticamente robusta, realizamos un estudio cuantitativo a gran escala (n = 3.022) con usuarios digitales adultos en Chile. Los participantes fueron distribuidos entre seis plataformas: Facebook, Netflix y YouTube en el primer estudio, replicando la validación original de la escala desarrollada por Zarouali et al. (2021); e Instagram, Spotify y TikTok en el segundo, extendiendo la medición a plataformas que estaban ausentes en la literatura.

Utilizamos la escala AMCA (Algorithmic Media Content Awareness) de Zarouali et al. (2021), el instrumento más riguroso disponible para medir conciencia algorítmica, adaptado al español siguiendo estándares metodológicos internacionales. Y los resultados fueron, en varios aspectos, sorprendentes.

Plataformas distintas, conciencia similar

Antes de presentar los datos, conviene recordar que las seis plataformas analizadas representan lógicas algorítmicas estructuralmente muy distintas. Facebook e Instagram organizan el contenido en torno a redes sociales y conexiones personales, aunque Instagram ha ido evolucionando hacia una lógica más orientada a intereses, especialmente con el auge de los Reels. YouTube y TikTok son plataformas orientadas al contenido, donde el algoritmo infiere preferencias a partir del comportamiento de navegación sin que el usuario necesite seguir explícitamente a nadie. TikTok lleva esta lógica al extremo, siendo la plataforma con mayor orientación al interés individual (Gerbaudo, 2024). Netflix y Spotify operan desde una categoría distinta: son servicios de streaming que recomiendan desde catálogos cerrados basándose en el historial de consumo individual, sin componente social significativo. Los usuarios de estas plataformas tienden a experimentar las recomendaciones algorítmicas como parte constitutiva de la interfaz, más que como un proceso que pueden identificar o sobre el cual pueden ejercer control (Espinoza-Rojas et al., 2023).

Sin embargo, y pese a estas diferencias, los niveles de conciencia algorítmica resultaron estadísticamente equivalentes entre plataformas. Los puntajes promedio oscilaron entre 3,51 y 3,97 en una escala de 1 a 5, lo que indica una conciencia moderadamente alta y, sobre todo, consistente. Las diferencias entre plataformas existen, pero son de magnitud moderada y no estadísticamente significativas cuando se controlan otras variables.

Este hallazgo tiene una interpretación teórica relevante: la conciencia algorítmica no es específica de una plataforma. Funciona como un esquema cognitivo generalizado, una comprensión del fenómeno algorítmico que los usuarios trasladan de un entorno digital a otro, sin necesidad de aprenderla desde cero en cada aplicación (Oeldorf-Hirsch y Neubaum, 2025). Los entrevistados del estudio cualitativo ya habían dado una pista de esto al comparar plataformas y transferir aprendizajes entre ellas. Los datos cuantitativos lo confirman a gran escala.

Desde el punto de vista del conocimiento de persuasión, este resultado tiene una implicancia importante: los usuarios llegan a cada interacción digital cargando consigo un esquema previo sobre cómo funcionan los algoritmos. Ese esquema puede activarse o no ante un contenido específico, pero existe como disposición de fondo que condiciona cómo se procesa la experiencia.

TikTok como caso especial

Si bien la equivalencia entre plataformas es el hallazgo principal, existe un matiz que merece atención: TikTok mostró consistentemente los niveles más altos de conciencia algorítmica, con diferencias que, aunque moderadas, apuntan en una dirección consistente.

La respuesta probablemente tiene que ver con la visibilidad del algoritmo en esa plataforma. TikTok no organiza el contenido en torno a una red de contactos, sino directamente en torno a intereses inferidos. El “Para Ti” de TikTok es explícitamente algorítmico: el usuario sabe desde el primer momento que ese contenido fue seleccionado por el sistema, no porque alguien conocido lo compartió. Esa transparencia estructural, aunque no es el resultado de una política de divulgación deliberada, podría estar generando mayor conciencia en sus usuarios. Dicho de otra manera: cuando el algoritmo se hace visible por diseño, los usuarios lo notan y actualizan su comprensión del sistema.

Esta observación conecta directamente con una pregunta que la investigación futura deberá responder con mayor precisión: ¿cuándo y cómo conviene hacer visible el algoritmo? ¿Cuándo la transparencia suma y cuándo resta en la comunicación persuasiva?

Qué predice la conciencia algorítmica

Si la plataforma no es el factor decisivo, ¿qué sí explica las diferencias entre usuarios? Los datos señalan con claridad dos variables. La primera es la familiaridad con los algoritmos en general: cuanto más expuesto está un usuario a entornos algorítmicos en su vida cotidiana, mayor es su conciencia. Esto confirma lo que el estudio cualitativo ya sugería: la conciencia se construye a través de la experiencia acumulada, no del estudio formal. No es algo que se aprende en el colegio; se aprende navegando, comparando y observando. Este hallazgo es consistente con la idea de que la conciencia algorítmica es, ante todo, una forma de alfabetización práctica que se desarrolla mediante el uso cotidiano de plataformas (Klawitter y Hargittai, 2018).

La segunda variable relevante es la exposición percibida a publicidad personalizada algorítmicamente. Quienes sienten que las plataformas les muestran anuncios diseñados específicamente para ellos tienden a tener mayor conciencia algorítmica general. El ámbito comercial, paradójicamente, es uno de los principales maestros de la conciencia algorítmica. Cada vez que un anuncio nos sorprende por su precisión, o nos incomoda por esa misma razón, estamos recibiendo una lección involuntaria sobre cómo opera el sistema.

En cuanto a variables demográficas, la educación muestra una asociación positiva pequeña pero significativa con la conciencia algorítmica. La edad también mostró una asociación positiva una vez controladas otras variables, lo que sugiere que la experiencia acumulada contribuye a desarrollar esta conciencia con el tiempo.

¿Y cuánto importa que el algoritmo se haga visible?

Toda esta discusión sobre conciencia algorítmica cobraría poco sentido si no tuviera consecuencias prácticas verificables. La pregunta es si importa realmente que un usuario sepa o no que un algoritmo está detrás del contenido que consume. La respuesta, respaldada por evidencia creciente, es que sí importa, y mucho.

El punto de partida está en cómo funciona el conocimiento de persuasión en contextos digitales. En la publicidad tradicional, el proceso está relativamente bien documentado: el receptor detecta la intención persuasiva (conocimiento de persuasión conceptual), evalúa las tácticas que se están usando (conocimiento de persuasión evaluativo) y ajusta su respuesta en función de esa evaluación (Friestad y Wright, 1994; Boerman et al., 2018). En los entornos algorítmicos, ese primer paso, detectar la intención persuasiva, se vuelve más difícil porque el agente persuasor no es fácilmente identificable. El algoritmo actúa como intermediario invisible entre la marca y el receptor.

"TikTok mostró consistentemente los niveles más altos de conciencia algorítmica entre los usuarios, lo que los investigadores atribuyen a la transparencia estructural de su función 'Para Ti', que hace explícito desde el primer momento que el contenido fue seleccionado por un sistema automatizado".

Pero cuando ese intermediario se vuelve visible, el efecto puede ser poderoso. La investigación disponible muestra que el reconocimiento del origen algorítmico o sintético de un contenido activa mayor evaluación crítica por parte del receptor (Yang y Lee, 2025). Cuando un contenido es identificado como artificioso o manipulado, disminuyen la credibilidad del mensaje y la credibilidad de la fuente (Li y Wan, 2023). El daño, en ese caso, no es solo al contenido: es a la relación entre el usuario y la marca. En esta misma línea, la investigación sobre el conocimiento de persuasión de los algoritmos en publicidad en redes sociales sugiere que los usuarios difieren considerablemente en su conciencia, en cómo evalúan la pertinencia del uso algorítmico y en su capacidad de afrontamiento, lo que tiene consecuencias directas sobre la efectividad publicitaria (Voorveld et al., 2024).

En contextos de publicidad social, la divulgación algorítmica puede tener efectos que van en direcciones opuestas según el contexto. En algunos casos, revelar que un contenido fue seleccionado por un algoritmo podría aumentar la transparencia percibida y, con ello, la confianza en la fuente. En otros, podría activar sospechas sobre la intención del emisor y generar reactancia, es decir, una respuesta de rechazo activo ante la percepción de que se intenta controlar la conducta del receptor.

Este fenómeno es especialmente relevante en Chile, donde el contexto regulatorio es distinto al europeo. En Europa, el Reglamento General de Protección de Datos (GDPR) establece obligaciones de transparencia sobre el uso de datos personales que generan un contexto en el que la divulgación algorítmica es cada vez más frecuente y esperada. En Chile, si bien existe legislación vigente en materia de protección de datos personales, el marco regulatorio aplicable a la personalización algorítmica es más reciente y aún en desarrollo, lo que implica que los usuarios están expuestos a los efectos de la personalización algorítmica sin contar necesariamente con los marcos que les ayuden a comprenderla o cuestionarla. A ello se suma que la penetración digital en Chile muestra importantes desigualdades territoriales, con algunas regiones con acceso comparable al de países desarrollados y otras con brechas significativas (Correa y Pavez, 2016), lo que hace aún más compleja la tarea de fortalecer una conciencia algorítmica distribuida en la población.

Esto crea tanto un riesgo como una oportunidad. El riesgo es que la ausencia de regulación específica facilite el uso de personalización opaca que erosiona la confianza a largo plazo. La oportunidad es que las organizaciones que adopten proactivamente prácticas de transparencia algorítmica puedan diferenciarse construyendo relaciones más sólidas con sus audiencias.

Implicancias para marcas, organizaciones y política pública

Los hallazgos descritos tienen consecuencias prácticas en al menos tres ámbitos que conviene distinguir.

Para las marcas y los comunicadores digitales, la conciencia algorítmica de los usuarios no es un tema que pueda ignorarse asumiendo que nadie se va a dar cuenta. Los usuarios, especialmente los más familiarizados con los entornos digitales, llevan consigo una comprensión generalizada del fenómeno algorítmico que aplican en todos los contextos. Estrategias basadas en personalización opaca o en la invisibilización deliberada de los mecanismos de selección de contenido enfrentan un riesgo creciente de generar rechazo o erosionar la confianza. La personalización puede aumentar la relevancia del mensaje, pero también puede reducir el control percibido del usuario, activar el escepticismo y, en casos extremos, dañar la relación con la marca (De Keyzer et al., 2024). El desafío es diseñar experiencias personalizadas que sean precisas sin percibirse invasivas y relevantes sin sentirse manipuladoras.

Un elemento específico que emerge de la investigación es el papel de las divulgaciones algorítmicas, es decir, etiquetas o avisos que informan al usuario que el contenido que está viendo fue seleccionado o generado por un algoritmo. La evidencia emergente sugiere que el efecto de esas divulgaciones no es uniforme: depende del contexto del mensaje (comercial o no comercial), del nivel previo de conciencia algorítmica del receptor y de la forma en que se presenta la información. Una divulgación que simplemente señala "este contenido fue seleccionado por un algoritmo" puede activar escepticismo sin ofrecer nada a cambio. Una divulgación que explica por qué ese contenido fue seleccionado y qué datos se usaron para hacerlo puede generar una experiencia de transparencia que fortalezca, en lugar de debilitar, la relación entre el usuario y la marca.

Para los diseñadores de plataformas y tecnología, los datos sugieren que los usuarios ya tienen un nivel de conciencia sobre la mediación algorítmica que merece ser respetado. Las interfaces que revelan información accionable, por ejemplo explicar por qué cierto contenido está siendo recomendado, pueden ser más efectivas que aquellas que simplemente señalan la presencia del algoritmo sin contexto adicional. La transparencia, en este caso, no es solo un imperativo ético: puede ser también una estrategia de comunicación más eficaz. El hallazgo de que TikTok genera mayor conciencia algorítmica precisamente porque su lógica de recomendación es más visible para el usuario ofrece una pista en esa dirección.

Para los reguladores y diseñadores de política pública, nuestros resultados ofrecen un argumento empírico a favor de invertir en iniciativas de alfabetización algorítmica. Dado que la conciencia algorítmica opera como un esquema cognitivo generalizado y transferible entre plataformas, las intervenciones educativas tienen el potencial de generar efectos que se distribuyen a través de múltiples entornos digitales. Enseñar a un usuario a reconocer el rol de los algoritmos en TikTok probablemente también lo hace más consciente en Spotify, en Netflix y en las plataformas de comercio electrónico que usa para sus compras cotidianas. En un país como Chile, con alta penetración digital pero con brechas territoriales y sin la regulación robusta existente en Europa, fortalecer la conciencia algorítmica de los usuarios puede ser un complemento necesario a las políticas de protección de datos y regulación de plataformas.

Conclusión

Al cabo de este recorrido surge una pregunta que organizaciones de todo ámbito debieran hacerse con más frecuencia de lo que suelen hacerlo: ¿estamos diseñando estrategias de comunicación digital de manera correcta para los usuarios de hoy? 

Los datos de Chile apuntan en una dirección clara. El actual usuario promedio de plataformas digitales no es “ingenuo”. Tiene una conciencia algorítmica básica, activa y, en muchos casos, sofisticada. Observa patrones, compara plataformas, construye hipótesis sobre cómo funciona el sistema y, en ocasiones, actúa estratégicamente para influir en él. No es un receptor pasivo de contenidos algorítmicos, sino que es un interlocutor con criterio propio, que interpreta y evalúa la experiencia que las plataformas le ofrecen.

Esto tiene consecuencias para la práctica de la comunicación digital de marca. Comunicarse con usuarios conscientes requiere estrategias más transparentes, más honestas y, en última instancia, más duraderas en términos de construcción de confianza y relación con las audiencias. El algoritmo que opera en las sombras puede ser poderoso en el corto plazo, pero el algoritmo que el usuario comprende, acepta y valora puede construir algo más sólido, como es colaborar en la construcción de relaciones rentables de largo plazo con nuestros clientes, tal como lo sugiere el buen marketing de toda la vida.

Referencias

Boerman, S. C., Kruikemeier, S. y Zuiderveen Borgesius, F. J. (2017). Online behavioral advertising: A literature review and research agenda. Journal of Advertising, 46(3), 363-376.

Boerman, S. C., van Reijmersdal, E. A., Rozendaal, E. y Dima, A. L. (2018). Development of the Persuasion Knowledge Scales of Sponsored Content (PKS-SC). International Journal of Advertising, 37(5), 671-697.

Buzeta, C., Guevara-Iturbe, A. (2025). Between feeds and streams: A qualitative inquiry into digital users’ algorithmic awareness of social media vs. streaming. 23rd International Conference on Research in Advertising (ICORIA 2025), Rotterdam, The Netherlands, June 26–28, 2025.

Chen, J. (2023). Algorithmic domestication: How users negotiate with recommendation systems. New Media and Society, 25(4), 812-830.

Correa, T. y Pavez, I. (2016). Digital inclusion in rural areas: A qualitative exploration of challenges faced by people in isolated Chilean communities. Journal of Computer-Mediated Communication, 21(3), 247-263.

De Cicco, R., Iacobucci, S. y Leva, M. (2025). Betrayed by the feed: Algorithmic curation and brand trust in social media advertising. Journal of Advertising, 54(1), 45-62.

De Keyzer, F., Dens, N. y De Pelsmacker, P. (2015). Is this for me? How consumers respond to personalized advertising on social network sites. Journal of Interactive Advertising, 15(2), 124-134.

De Keyzer, F., Dens, N. y De Pelsmacker, P. (2022). How and when personalized advertising leads to brand attitude, click, and WOM intention. Journal of Advertising, 51(1), 39-56.

De Keyzer, F., Buzeta, C. y Lopes, A. I. (2024). The role of well-being in consumer’s responses to personalized advertising on social media. Psychology and Marketing, 41(6), 1206-1222.

Dogruel, L., Masur, P. y Joeckel, S. (2022). Development and validation of an algorithm literacy scale for internet users. Communication Methods and Measures, 16(2), 115-133.

Espinoza-Rojas, J., Siles, I. y Castelain, T. (2023). How using various platforms shapes awareness of algorithms. Behaviour and Information Technology, 42(9), 1422-1433.

Friestad, M. y Wright, P. (1994). The Persuasion Knowledge Model: How people cope with persuasion attempts. Journal of Consumer Research, 21(1), 1-31.

Gerbaudo, P. (2024). TikTok and the algorithmic transformation of social media publics: From social networks to social interest clusters. New Media and Society, 28(3), 1019-1036.

Ham, C. D. y Nelson, M. R. (2019). The Reflexive Persuasion Game: The Persuasion Knowledge Model (1994-2017). En S. Rodgers y E. Thorson (Eds.), Advertising Theory. Routledge.

Hargittai, E., Gruber, J., Djukaric, T., Fuchs, J. y Brombach, L. (2020). Black box measures? How to study people’s algorithm skills. Information, Communication and Society, 23(5), 764-775.

Klawitter, E. y Hargittai, E. (2018). “It's like learning a whole other language": The role of algorithmic skills in the curation of creative goods. International Journal of Communication, 12, 3490-3510.

Li, H. y Wan, X. (2023). Credibility under algorithmic scrutiny: How perceived deception shapes message and source evaluations. Computers in Human Behavior, 140, 107578.

Oeldorf-Hirsch, A. y Neubaum, G. (2025). What do we know about algorithmic literacy? The status quo and a research agenda for a growing field. New Media and Society, 27(2), 681-701.

Voorveld, H. A. M., Meppelink, C. S. y Boerman, S. C. (2024). Consumers' persuasion knowledge of algorithms in social media advertising: Identifying consumer groups based on awareness, appropriateness, and coping ability. International Journal of Advertising, 43(6), 960-986.

Yang, M. y Lee, Y. (2025). Algorithmic recognition and critical evaluation in social media advertising. Journal of Interactive Marketing, 60(2), 112-128.

Yeung, K. (2017). "Hypernudge": Big Data as a mode of regulation by design. Information, Communication and Society, 20(1), 118-136.

Zarouali, B., Boerman, S. C. y de Vreese, C. H. (2021). Is this recommended by an algorithm? The development and validation of the algorithmic media content awareness scale (AMCA-scale). Telematics and Informatics, 62, 101607.

Zarouali, B., Boerman, S. C., Voorveld, H. A. M. y van Noort, G. (2022). The algorithmic persuasion framework in online communication: conceptualization and a future research agenda. Internet Research, 32(4), 1076-1096.

Agradecimientos

Este artículo presenta resultados del proyecto FONDECYT Iniciación 11240433: “Características de la persuasión algorítmica y su comprensión entre los usuarios digitales en Chile”, financiado por la Agencia Nacional de Investigación y Desarrollo (ANID).