El 21 de septiembre de 2026, la desarrolladora que firma como Alice publicó en su blog personal un ensayo que compara tu feed de YouTube con el Tetris: jugarlo todos los días durante semanas hace que termines viendo piezas caer hasta en las nubes. A ese fenómeno lo llama el efecto Tetris, y su punto central es que lo mismo pasa con cualquier pantalla que mirás fijo durante horas.
El texto, titulado Attention is all you have, plantea un argumento técnico sobre cómo funcionan los algoritmos de recomendación de YouTube, Spotify, LinkedIn y Reddit, y por qué volver a herramientas como RSS cambia quién decide qué ves primero.
TL;DR
- La desarrolladora Alice publicó el 21 de septiembre de 2026 el ensayo "Attention is all you have" sobre el secuestro algorítmico de la atención.- El texto retoma el efecto Tetris, el fenómeno psicológico donde jugar horas seguidas hace reconocer formas de Tetris hasta en nubes y edificios.- YouTube, Spotify y LinkedIn optimizan sus feeds para maximizar tiempo de pantalla y clics en anuncios, no para mostrar lo que el usuario pidió ver.- RSS sigue siendo el estándar abierto para suscribirse a sitios sin que un algoritmo decida el orden de lectura.- Miniflux, lector RSS open source escrito en Go, se instala con un solo contenedor Docker y expone una API REST propia.- Antes de los algoritmos de recomendación masivos, un usuario navegaba por docenas de marcadores curados a mano en vez de un feed único infinito.- Exportar los feeds a un archivo OPML permite migrar de un lector RSS a otro sin perder las suscripciones.
Introducción
Cada vez que abrís YouTube, Spotify o LinkedIn, un modelo de algoritmos de recomendación decide en milisegundos qué vas a ver primero. Ese modelo no conoce tus objetivos, conoce tu historial de clics, y usa ese historial para predecir qué te va a mantener mirando más tiempo. El ensayo de Alice pone nombre a esa mecánica y la conecta con un efecto que cualquier programador puede reconocer.
El efecto Tetris es un experimento de psicología cognitiva fácil de reproducir. Alguien juega Tetris a diario durante semanas y, poco después, empieza a ver bloques cayendo en edificios, estanterías o nubes, incluso al quedarse dormido. La lección que saca Alice es que lo que enfocás durante suficiente tiempo termina moldeando cómo pensás, para bien (así aprendés una habilidad nueva) o para mal (así un feed te lleva de recetas de cocina a pánico financiero en tres clics).
Qué pasó
El ensayo describe cuatro casos concretos donde una plataforma reemplaza lo que el usuario pidió por lo que la plataforma prefiere mostrar. En YouTube, un usuario que sigue canales de cocina y arte empieza a recibir clips sobre la burbuja bursátil, el calentamiento global y conflictos armados, contenido pensado para activar el doomscrolling y sumar minutos de reproducción.
En Spotify, la crítica apunta a las playlists generadas por algoritmo: el sistema intercala pistas de baja calidad generadas por IA entre canciones reales para evitar pagar regalías a artistas humanos. En LinkedIn, el argumento es que el feed de noticias profesionales queda enterrado bajo opiniones de desconocidos, muchos de ellos alineados casualmente con los intereses de inversión de Microsoft, dueña de la plataforma.
El cuarto caso es Reddit. Las respuestas que un usuario cree recibir de otra persona real hoy pueden venir de un modelo de lenguaje conversando con una cuenta troll. Alice resume el problema con una frase simple: cuando dejás que alguien más decida qué aparece en tu pantalla, le estás dando la llave de tu cerebro.
Contexto e historia
El ensayo contrasta esta situación con el internet de antes de los algoritmos de recomendación masivos. No existía una sola app que decidiera qué consumir: existían docenas de marcadores hacia sitios con un propósito específico, un blog de anime que actualizaba poco, una wiki de una serie de los noventa, un sitio de noticias de videojuegos. Elegir qué mirar era una decisión activa, no una entrega pasiva.
El texto no idealiza esa época. Reconoce que también existían rincones oscuros como Encyclopedia Dramatica o Rotten.com. La diferencia, dice Alice, es que llegar ahí exigía esfuerzo deliberado: nadie insertaba fotos violentas como sugerencia automática después de una receta de panqueques o un video de gatos.
Ese modelo de navegación intencional se apoyaba en una tecnología concreta: RSS, publicado por primera vez por Netscape en 1999 como formato para que un sitio anunciara sus actualizaciones y cualquier lector externo las recibiera sin depender de un algoritmo intermedio. RSS nunca desapareció. Sigue siendo el mecanismo que usan la mayoría de blogs, podcasts y medios para distribuir contenido, aunque quedó oculto detrás de la web corporativa impulsada por feeds algorítmicos.
Detalles técnicos y rendimiento
Un algoritmo de recomendación típico de una plataforma de video o música funciona con un modelo de ranking entrenado sobre señales de comportamiento: qué mirás completo, qué salteás a los cinco segundos, qué comentás, qué dispara que vuelvas al día siguiente. El sistema no optimiza por "lo que te interesa" en abstracto, optimiza por una métrica proxy, casi siempre tiempo de sesión o tasa de clics en anuncios, porque esa métrica es la que se traduce en ingresos.
Ese diseño genera un ciclo de retroalimentación: cada clic entrena al modelo, el modelo ajusta el feed, el feed genera más clics del mismo tipo. Con el tiempo, el sistema converge hacia el contenido que genera más reacción emocional, aunque esa reacción sea ansiedad o indignación en vez de disfrute.
RSS usa un modelo pull: el lector consulta el feed, no al revés.
RSS invierte esa lógica con un modelo distinto, llamado pull. En vez de que la plataforma empuje contenido según lo que cree que te va a retener, tu lector consulta periódicamente cada feed que elegiste y te muestra las entradas nuevas en orden cronológico. No hay ranking, no hay señal de engagement, no hay anuncio insertado entre dos artículos. El siguiente diagrama resume la diferencia entre ambos modelos:
flowchart TD
A["Click o tiempo de reproduccion"] --> B["Modelo de ranking"]
B --> C["Feed personalizado"]
C --> A
subgraph CicloAlgoritmico
A
B
C
end
El ciclo de arriba no tiene salida, porque cada interacción retroalimenta al modelo y perpetúa el mismo tipo de contenido. Un lector RSS, en cambio, no tiene ciclo: vos agregás o quitás fuentes cuando querés, y el orden de lectura queda definido por la fecha de publicación, no por una predicción de qué te va a mantener enganchado.
Técnicamente, un feed RSS es un archivo XML con una lista de <item>, cada uno con título, enlace, fecha y resumen, según define la especificación RSS 2.0. Cualquier sitio que publique ese archivo en una ruta conocida, normalmente /feed, /rss.xml o /index.xml, puede ser leído por cualquier lector, sin pedir permiso ni acordar un contrato de API.
💭 Clave: el problema no es el algoritmo en sí, es que casi siempre optimiza una métrica de negocio (tiempo de pantalla, clics en anuncios) que no coincide con lo que el usuario realmente busca.
Cómo empezar a armar tu propio feed
Volver a un internet intencional no exige abandonar las redes sociales de un día para el otro. El primer paso técnico es instalar un lector RSS propio y migrar ahí las fuentes que ya seguís por costumbre. Miniflux es una opción liviana, escrita en Go, que corre como un solo contenedor Docker y guarda todo en PostgreSQL.
OpciónCuándo usarlaVentajaLimitaciónFeed algorítmico (YouTube, TikTok, LinkedIn)Para descubrir contenido nuevo sin esfuerzoFricción mínima, siempre hay algo nuevoOptimiza tiempo de pantalla, no tus intereses realesLector RSS (Miniflux, FreshRSS, NetNewsWire)Cuando ya sabés qué sitios te interesanVos decidís el orden, sin contenido insertadoHay que elegir y mantener las fuentes a manoNewsletter por correoCuando el autor publica con baja frecuenciaLlega directo a la bandeja, sin intermediarioSatura el correo si te suscribís a demasiadasMarcadores curados a manoCuando volvés siempre a los mismos sitiosCero configuración, cero dependenciasNo avisa cuando hay contenido nuevo
La instalación es igual en Windows, macOS y Linux una vez que Docker está corriendo. En Windows conviene usar Docker Desktop con WSL2 habilitado. En macOS alcanza con brew install --cask docker o instalar Docker Desktop directamente. En Linux basta con el paquete docker.io y el plugin docker-compose-plugin del repositorio oficial de tu distribución.
Con Docker activo, el siguiente archivo levanta Miniflux junto a su base de datos:
version: "3"
services:
miniflux:
image: miniflux/miniflux:latest
ports:
- "8080:8080"
environment:
- DATABASE_URL=postgres://miniflux:secret@db/miniflux?sslmode=disable
- RUN_MIGRATIONS=1
- CREATE_ADMIN=1
- ADMIN_USERNAME=admin
- ADMIN_PASSWORD=cambiala123
depends_on:
- db
db:
image: postgres:15
environment:
- POSTGRES_USER=miniflux
- POSTGRES_PASSWORD=secret
- POSTGRES_DB=miniflux
volumes:
- miniflux-db:/var/lib/postgresql/data
volumes:
miniflux-db:
Guardá ese contenido como docker-compose.yml y corré docker compose up -d en Windows (PowerShell), macOS o Linux. El comando es idéntico en los tres sistemas porque Docker Compose abstrae el sistema operativo subyacente. A los pocos segundos, Miniflux queda disponible en http://localhost:8080 con el usuario y la contraseña definidos en el archivo.
Si preferís empezar sin interfaz gráfica, este script mínimo en Node.js lee un feed y lista sus últimas entradas:
// instalar antes: npm install rss-parser
import Parser from "rss-parser";
const parser = new Parser();
const feed = await parser.parseURL("https://alicegg.tech/rss.xml");
console.log(feed.title);
feed.items.slice(0, 5).forEach((item) => {
console.log(`- ${item.title} (${item.pubDate})`);
});
El script descarga el XML, lo convierte en objetos JavaScript y muestra el título junto a la fecha de las cinco entradas más recientes, en el orden en que el autor las publicó, sin ranking de por medio.
💡 Tip: la mayoría de lectores RSS, Miniflux incluido, permite exportar tus suscripciones a un archivo OPML desde la configuración de la cuenta, así podés migrar de un lector a otro sin reconstruir la lista a mano.
Impacto y análisis
El planteo de Alice conecta con un concepto que la investigación en ciencias sociales lleva más de una década documentando: la burbuja de filtro, el fenómeno donde un sistema de personalización termina mostrando solo contenido que confirma lo que ya pensás o lo que ya te genera reacción. La diferencia es que el ensayo lo plantea desde la experiencia cotidiana de un desarrollador, no desde un paper académico.
RSS nació en 1999 como formato de Netscape para anunciar actualizaciones de un sitio.
Para quien trabaja en tecnología, el punto incómodo es que estos sistemas no son un accidente. Son el resultado esperado de optimizar una métrica de negocio con técnicas de aprendizaje automático bien entendidas, aplicadas a escala de miles de millones de usuarios. El mismo tipo de modelo que recomienda un video en YouTube es, en esencia, el que ordena resultados en cualquier sistema de ranking, solo que la métrica que se optimiza en un feed social rara vez coincide con el interés declarado del usuario.
La respuesta que propone el ensayo no es dejar de usar la computadora, es cambiar de qué tipo de sistema depende tu consumo de información. Un lector RSS, un conjunto de marcadores o una newsletter no tienen incentivo para maximizar tu tiempo de pantalla, porque no ganan dinero por cada minuto adicional que pasás mirando la pantalla.
Qué sigue
El ensayo se suma a una corriente que viene creciendo dentro de la comunidad de desarrolladores, el IndieWeb, un movimiento que promueve tener un sitio propio en vez de depender exclusivamente de plataformas de terceros para publicar. La práctica asociada, conocida como POSSE (Publish on your Own Site, Syndicate Elsewhere), consiste en publicar primero en tu propio dominio y después distribuir copias o enlaces en redes sociales.
En paralelo, lectores RSS de código abierto como Miniflux, FreshRSS y NetNewsWire siguen recibiendo actualizaciones activas, y varios navegadores mantienen soporte nativo o vía extensión para detectar feeds automáticamente al visitar un sitio. Nada de esto requiere abandonar YouTube o Spotify por completo. Alcanza con mover una parte del consumo diario de un sistema que decide por vos a uno que consultás cuando querés.
📖 Resumen en Telegram: Ver resumen
Probalo vos: cloná el docker-compose.yml de arriba, corré docker compose up -d y sumá el feed RSS de tu blog favorito antes de que termines de leer esta oración.
Preguntas frecuentes
¿Qué es el efecto Tetris?
Es un fenómeno de psicología cognitiva donde jugar Tetris de forma intensiva y repetida durante días o semanas hace que la persona empiece a ver piezas del juego en objetos cotidianos, como nubes, edificios o estanterías, incluso al quedarse dormida. Alice lo usa como metáfora de cómo cualquier estímulo sostenido moldea la percepción.
¿Cómo sé si un algoritmo de recomendación está optimizando por tiempo de pantalla?
Una señal práctica es fijarte si el contenido sugerido se aleja cada vez más de lo que buscaste originalmente y se acerca a temas con carga emocional fuerte, como indignación o ansiedad. Otra señal es la ausencia de una opción clara para ver tu feed en orden cronológico simple, sin ranking.
¿RSS sigue siendo una tecnología mantenida en 2026?
Sí. La mayoría de blogs, podcasts, medios y foros siguen publicando feeds RSS o Atom, y lectores como Miniflux, FreshRSS y NetNewsWire reciben actualizaciones activas. Lo que cambió es que dejó de ser la forma principal de consumo para el público general, aunque sigue siendo el estándar técnico por debajo de muchas apps.
¿Qué diferencia hay entre un lector RSS y una newsletter?
Un lector RSS consulta activamente cada feed que agregaste y te muestra las novedades en un solo lugar. Una newsletter llega directo a tu correo cuando el autor decide publicar, sin que vos tengas que consultar nada. Ambos comparten la característica de no depender de un algoritmo de ranking intermedio.
¿Necesito saber programar para usar un lector RSS?
No. Lectores como Miniflux o Feedly ofrecen una interfaz web donde solo hay que pegar la URL del sitio o del feed para suscribirte. El script de Node.js de este artículo es opcional, pensado para quien quiera automatizar la lectura o integrarla en otra herramienta.
¿Qué es la burbuja de filtro y cómo se relaciona con esto?
Es el efecto donde un sistema de personalización termina mostrando contenido cada vez más parecido a lo que ya consumiste o reaccionaste, reduciendo la exposición a perspectivas distintas. Los algoritmos de recomendación que describe el ensayo son, en la práctica, el mecanismo que genera ese efecto.
Referencias
- Attention is all you have: el ensayo original de Alice que plantea el paralelismo entre el efecto Tetris y los algoritmos de recomendación.- Recommender system, Wikipedia: descripción técnica de cómo funcionan los sistemas de recomendación basados en comportamiento del usuario.- Filter bubble, Wikipedia: origen y definición del concepto de burbuja de filtro aplicado a personalización algorítmica.- Miniflux: documentación oficial del lector RSS open source usado en la sección práctica de este artículo.- RSS 2.0 Specification: especificación técnica del formato XML que usan los feeds RSS.- IndieWeb: comunidad y conjunto de prácticas para publicar contenido propio en vez de depender de plataformas de terceros.
📱 ¿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)