En 2020, cuando el desarrollador y ensayista Stephen Diehl empezó a escribir sobre criptomonedas, pensaba que los estafadores online eran un grupo marginal de oportunistas. Seis años después admite que se equivocó: los algoritmos de recomendación convirtieron el engaño en el motor central de internet, no en su excepción.
En un ensayo publicado el 29 de agosto de 2026, Diehl argumenta que estos sistemas dejaron de mostrarte contenido relevante para detectar tu ansiedad, tu soledad o tu codicia, amplificarla y colocar un botón de pago al lado. No es una acusación abstracta: es una descripción bastante precisa de cómo funciona técnicamente un motor de recomendación optimizado por refuerzo.
TL;DR
- Stephen Diehl publicó el 29 de agosto de 2026 un ensayo sobre cómo los algoritmos de recomendación explotan sistemáticamente la vulnerabilidad humana.- Diehl empezó a escribir sobre criptomonedas en 2020 asumiendo que los estafadores eran un grupo marginal; hoy dice que la economía del fraude es masiva y participativa.- El argumento central: las plataformas perfilan la debilidad del usuario, optimizan el discurso de venta, procesan el pago y recomiendan la siguiente estafa.- Técnicamente, los sistemas de recomendación son bucles de aprendizaje por refuerzo que combinan atención, retención y conversión en una sola función objetivo.- La estructura es piramidal: el afiliado compra un curso de afiliación y lo revende al siguiente afiliado; el coach de vida entrena nuevos coaches de vida.- Frase clave del ensayo: 'la satisfacción es abandono, la miseria es ingreso recurrente'.- uBlock Origin y Pi-hole permiten auditar y bloquear parte de esta cadena de extracción a nivel de navegador y de red doméstica.
Introducción
Diehl no comenta desde afuera. Es un desarrollador que lleva años auditando cómo funcionan las criptomonedas y las plataformas que las promocionan, y su ensayo, "The Internet Is Kind of a Predatory Cesspit Now", arranca con una comparación nostálgica: la internet de los años noventa, lenta, fea, poco confiable, pero llena de sitios sobre Babylon 5, cohetes a escala y horarios de trenes hechos por aficionados sin modelo de negocio. Esa internet tenía estafas, virus y contenido tóxico, pero eran una desviación del sistema.
En 2026, según Diehl, la predación dejó de ser un abuso de la red para convertirse en su principio organizador. Para un desarrollador, el dato interesante no es moral, es de ingeniería: qué función objetivo optimiza el sistema y qué efectos secundarios ignora. Ese es el eje técnico de este artículo: cómo funcionan los algoritmos de recomendación que hacen posible esta industrialización, y qué herramientas concretas existen hoy para auditarlos o bloquearlos.
Qué pasó
El argumento de Diehl tiene tres capas. La primera es que la estafa dejó de necesitar buscar una víctima: ahora la plataforma la encuentra, perfila su debilidad emocional, optimiza el discurso de venta, procesa el pago y le recomienda la siguiente estafa, todo dentro del mismo sistema de recomendación.
La segunda capa es la participación masiva. Diehl describe una economía donde gran parte de la población fue reclutada como distribuidora no pagada: revende inversiones que no entiende, productos que no funcionan y afirmaciones que nunca verificó. La mayoría no gana nada; son eslabones gratuitos en una cadena que sube hacia alguien más arriba.
La tercera capa es la más incómoda: muchos de los que venden el discurso también son víctimas. Creen lo que venden porque creerlo hace soportable la venta. Admitir que el producto no vale nada equivaldría a admitir que perdieron años de su vida en él. Por eso, según Diehl, es psicológicamente más barato reclutar a la próxima persona que reconocer el fraude.
Contexto e historia
Esta transición no ocurrió de la noche a la mañana. La internet amateur de los noventa y los 2000, con su código HTML escrito a mano y sus tags <marquee>, no tenía forma de medir con precisión qué contenido generaba más tiempo de pantalla. Sin esa métrica, no había manera sistemática de optimizar para explotar una emoción específica.
El cambio llegó con el feed algorítmico y el auge del machine learning aplicado a la retención de usuarios en la década de 2010. Una vez que una plataforma puede medir, en milisegundos, si alguien abandona el scroll o se queda, tiene todo lo necesario para entrenar un sistema que maximice esa permanencia sin importar el contenido emocional que la produzca.
Diehl lo resume así: las plataformas no inventaron el miedo, la codicia o la soledad. Las industrializaron. Convirtieron emociones humanas universales en una señal de entrenamiento más, indistinguible en el pipeline de datos de cualquier otra métrica de negocio.
Detalles técnicos: así funcionan los algoritmos de recomendación
Un sistema de recomendación moderno no decide qué mostrarte según una regla fija: aprende una política que maximiza una recompensa compuesta por señales de atención, retención y conversión. En términos de aprendizaje por refuerzo, cada video, publicación o anuncio es una acción; tu reacción, medida en segundos de scroll, clics o compras, es la recompensa.
El siguiente ejemplo simplificado usa un algoritmo epsilon-greedy, el tipo más básico de bandido multi-brazo, para mostrar cómo un sistema converge naturalmente hacia el contenido con mayor recompensa medida, sin ningún concepto de daño incluido en la función objetivo:
import random
# Cada "brazo" representa un tipo de contenido
contenido = ["tutorial", "indignacion", "miedo", "envidia"]
recompensa_estimada = {c: 0.0 for c in contenido}
intentos = {c: 0 for c in contenido}
def elegir_contenido(epsilon=0.1):
if random.random() B["Modelo de recomendacion"]
B --> C["Selecciona contenido de alta recompensa"]
C --> D["Usuario reacciona: scroll, clic o compra"]
D --> E["Senal de entrenamiento"]
E --> B
C --> F["Boton de pago junto al contenido"]
La atención, la retención y la conversión se combinan en una sola métrica de entrenamiento.
Cómo empezar: auditar y bloquear la cadena de extracción
No hace falta esperar a que una plataforma cambie su función objetivo: hay herramientas concretas que auditan o cortan buena parte de esta cadena de extracción hoy mismo, a nivel de navegador y de red doméstica.
El primer paso es instalar uBlock Origin desde la tienda de extensiones de tu navegador y activar, en modo avanzado, listas como "Fanboy's Annoyance List" y "AdGuard Social Media", pensadas específicamente para widgets de scroll infinito y banners de urgencia artificial.
El segundo paso, más profundo, es correr Pi-hole en tu red doméstica para filtrar dominios de tracking a nivel de DNS, antes de que lleguen a cualquier dispositivo. El requisito previo es tener Docker instalado:
# Windows (PowerShell como administrador)
wsl --install
# reiniciar, luego instalar Docker Desktop con backend WSL2
# macOS
brew install --cask docker
# abrir Docker Desktop una vez para inicializar el daemon
# Linux
curl -fsSL https://get.docker.com | sh
sudo systemctl enable --now docker
Con Docker corriendo, el contenedor de Pi-hole se levanta con un solo comando, igual en las tres plataformas:
docker run -d \
--name pihole \
-p 53:53/tcp -p 53:53/udp -p 8080:80 \
-e TZ="America/El_Salvador" \
-v "$(pwd)/etc-pihole:/etc/pihole" \
--restart=unless-stopped \
pihole/pihole:latest
Después apuntá el DNS de tu router a la IP del host y entrá al panel en http://IP-DEL-HOST:8080/admin para ver, en tiempo real, cuántas peticiones de tracking y publicidad se bloquean.
💡 Tip: combiná uBlock Origin en modo avanzado con las listas de anti-anuncios en redes sociales para cortar específicamente los widgets de scroll infinito, no solo los banners tradicionales.
⚠️ Ojo: bloquear el tracking no vacuna contra el diseño persuasivo del contenido en sí. Un feed puede seguir mostrando indignación y miedo aunque no te rastree para vender nada, porque esas emociones también maximizan tiempo de pantalla sin necesidad de un anuncio.
Para confirmar que el filtrado está activo, corré docker exec -it pihole pihole -c y revisá el contador de "Queries Blocked": si sube con cada página que abrís, Pi-hole está interceptando peticiones de verdad, no solo mostrando un panel bonito.
El panel de Pi-hole muestra en vivo cuántas peticiones de tracking se cortan por hora.ModeloObjetivo que optimizaRiesgo para el usuarioEjemploEconomía de la atención (ads)Tiempo de pantalla y clicsAnsiedad, comparación social, adicción al scrollFeeds algorítmicos de redes socialesSuscripciónRetención mensualBajo si el producto es útil; alto si usa patrones oscuros para evitar la bajaStreaming, SaaSAfiliación o MLM digitalReclutamiento de nuevos distribuidoresPérdida económica directa, presión sobre vínculos personalesCursos revendidos entre afiliadosContenido propio sin adsUtilidad percibida, no tiempo de pantallaBajo: no hay incentivo estructural a la insatisfacciónSitios personales sin modelo de negocio
Impacto y análisis
Es importante marcar un límite: el ensayo de Diehl es un análisis argumentativo, no un estudio con datos primarios propios. Su valor no está en una cifra nueva, sino en nombrar con precisión un patrón que cualquier desarrollador que haya trabajado en growth o en sistemas de recomendación puede reconocer desde adentro.
Tampoco toda optimización de engagement es dañina. Un sistema que reduce la parálisis de elección en un catálogo de streaming, o que prioriza notificaciones relevantes en una app de mensajería, usa el mismo tipo de bucle de refuerzo sin producir daño. La diferencia no está en la técnica, está en si la función objetivo incluye alguna señal de bienestar del usuario o solo señales de negocio.
El colapso que describe Diehl entre consumidor, vendedor y producto tiene una lectura de sistemas: cuando el mismo bucle de refuerzo recompensa tanto consumir como distribuir contenido, la plataforma deja de necesitar reclutar activamente. El propio diseño convierte a cada usuario en un nodo de distribución potencial.
Qué sigue
Diehl no ofrece una solución regulatoria concreta en su ensayo: describe el problema con precisión de ingeniero, pero deja la salida abierta. Lo que sí es verificable hoy es que existe una tensión creciente entre la transparencia algorítmica que piden reguladores en distintos países y la opacidad que protege el modelo de negocio de estas plataformas.
Para un desarrollador, la pregunta práctica no es si esa regulación va a llegar, es si la próxima vez que te pidan diseñar una función de recompensa vas a incluir alguna señal que penalice el daño, o vas a optimizar solo lo que el dashboard de negocio te pide medir.
📖 Resumen en Telegram: Ver resumen
Probalo vos: instalá Pi-hole con el comando de Docker de arriba esta noche y mirá cuántas peticiones de tracking bloquea tu propio feed en la primera hora.
Preguntas frecuentes
¿Qué es un bucle de aprendizaje por refuerzo aplicado a recomendación?
Es un sistema que aprende, a partir de tus reacciones (scroll, clics, tiempo de permanencia), qué contenido mostrarte para maximizar una métrica de negocio, sin una regla fija escrita a mano.
¿Diehl dice que toda la industria de recomendación es un fraude?
No. Su argumento es que la estructura de incentivos de muchas plataformas hace que la insatisfacción del usuario, no la satisfacción, sea lo que genera ingresos recurrentes, y que eso favorece contenido que explota emociones.
¿uBlock Origin y Pi-hole eliminan el problema de raíz?
No. Bloquean trackers y dominios de anuncios, pero un feed puede seguir optimizando para indignación o miedo sin depender de publicidad, porque esas emociones también maximizan tiempo de pantalla.
¿Qué significa "la satisfacción es abandono" en este contexto?
Que un sistema optimizado para retención pierde ingresos si el usuario resuelve el problema que lo mantenía enganchado, así que el diseño tiende a preservar la necesidad en lugar de resolverla.
¿Cómo audito si un modelo de recomendación optimiza engagement en vez de utilidad?
Revisá si la plataforma expone métricas de éxito del usuario, como el tiempo hasta resolver una tarea, o solo métricas de negocio, como tiempo de sesión o conversión; la ausencia total de las primeras es la señal más clara.
¿Esto aplica solo a redes sociales?
No. Aplica a cualquier producto que ajuste su algoritmo con base en señales de comportamiento sin una señal explícita de bienestar: apps de citas, plataformas de trading y foros de inversión muestran el mismo patrón según Diehl.
Referencias
- Stephen Diehl: "The Internet Is Kind of a Predatory Cesspit Now": el ensayo original que describe la industrialización de la vulnerabilidad humana en internet.- Wikipedia: Bandido multi-brazo: la base matemática de los algoritmos de decisión secuencial usados en recomendación.- GitHub: uBlock Origin: código fuente del bloqueador de contenido usado en la sección práctica de este artículo.- Pi-hole: documentación oficial del bloqueador de tracking a nivel de DNS.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Top comments (0)