X publica su algoritmo: así decide qué aparece en cada feed

El código del sistema que recomienda publicaciones en X ya está disponible para consulta pública. Elon Musk anunció que la plataforma lo abriría y la compañía terminó publicándolo en GitHub, con la promesa de actualizarlo cada cuatro semanas y acompañar cada cambio con notas para desarrolladores. La decisión abarca el mecanismo que selecciona publicaciones orgánicas y anuncios para los usuarios, una pieza central de lo que cada persona ve al abrir la aplicación. La apertura permite examinar parte de ese proceso, aunque no equivale a mostrar todos los datos y decisiones que intervienen en el feed.

La publicación llega en medio de un escrutinio creciente sobre las recomendaciones de X y las herramientas de inteligencia artificial asociadas a la red social. Su alcance real depende de algo más que tener los archivos disponibles: también importa si el código es comprensible, si refleja lo que funciona en la plataforma y si las actualizaciones permiten seguir los cambios con suficiente contexto. El acceso al código es un paso hacia la transparencia, no una prueba automática de que el sistema sea imparcial o fácil de auditar.

Qué ha publicado X y qué pretende mostrar

El material difundido en GitHub corresponde al algoritmo de recomendación que determina qué publicaciones aparecen en las cronologías, incluidas las sugerencias de contenido ajeno a las cuentas que sigue cada usuario. La promesa de Musk abarca también el código empleado para recomendar anuncios. En otras palabras, no se trata solo de revelar una función que ordena mensajes ya elegidos: el sistema participa en la selección de qué contenidos pueden llegar a la pantalla. Ese mecanismo influye en la visibilidad de publicaciones y publicidad dentro de la plataforma.

La compañía anunció que publicaría el código en un plazo de siete días y que repetiría el proceso cada cuatro semanas, con documentación para explicar qué había cambiado. Después, el algoritmo se hizo público en GitHub. La cadencia importa porque un sistema de recomendación no permanece necesariamente igual: ajustes en los filtros, las señales que utiliza o la forma de ordenar resultados pueden alterar el feed sin que la interfaz cambie de aspecto. Las notas periódicas pueden ayudar a seguir esa evolución, siempre que describan los cambios con claridad.

El propio Musk reconoció que el código necesitaba mejoras importantes y presentó la publicación como una forma de enseñar cómo evoluciona el sistema. Esa admisión también pone de relieve una diferencia esencial: mostrar el código no significa que la versión publicada sea definitiva ni que sus resultados estén libres de errores. Un repositorio permite inspeccionar instrucciones y componentes, pero para comprobar cómo se comportan en condiciones reales hacen falta contexto técnico, datos adecuados y pruebas independientes. La transparencia depende tanto de la calidad de la explicación como de la disponibilidad de los archivos.

Cómo se construye el feed Para ti

La cronología Para ti combina publicaciones de cuentas que el usuario sigue con otras que el sistema encuentra en la plataforma. En la descripción del código aparecen dos componentes principales, llamados Thunder y Phoenix: uno se relaciona con el contenido de las cuentas seguidas y el otro con publicaciones descubiertas fuera de ese círculo. Después, el sistema procesa candidatos y los ordena según su relevancia prevista para cada persona. El feed mezcla seguimiento directo y recomendaciones, en vez de limitarse a una lista cronológica de cuentas conocidas.

Antes de que una publicación llegue a la selección final, el sistema puede aplicar filtros. Entre los elementos mencionados en la documentación figuran los duplicados, el contenido de cuentas bloqueadas, los temas silenciados o no deseados y las publicaciones ilegales o consideradas inapropiadas. Tras ese cribado, las señales de interacción ayudan a estimar qué publicaciones podrían interesar al usuario. Cuanto mayor sea la puntuación asignada, más posibilidades tendrá el contenido de aparecer en la cronología recomendada. La visibilidad no depende de un único criterio, sino de varias etapas de selección y clasificación.

El código descrito por los competidores utiliza una arquitectura Transformer, también empleada por Grok, para valorar las publicaciones a partir del historial de comportamiento e interacciones. Ese tipo de modelo aprende patrones a partir de ejemplos, en lugar de depender únicamente de reglas escritas a mano para cada característica. Sin embargo, saber qué arquitectura se utiliza no permite deducir por sí solo por qué una publicación concreta apareció en una cuenta: el resultado también depende de señales, ajustes y datos que deben interpretarse en conjunto. Conocer la estructura general no equivale a reconstruir cada recomendación individual.

Qué puede comprobar un observador externo

Un desarrollador o investigador puede revisar los archivos publicados, rastrear cambios entre versiones y analizar qué operaciones describe el sistema. También puede estudiar cómo se filtran ciertos contenidos, qué tipos de interacción se usan para ordenar candidatos y qué lugar ocupan las recomendaciones de publicidad. Para quienes estudian las plataformas digitales, ese material ofrece una oportunidad de examinar decisiones que suelen permanecer dentro de sistemas propietarios. El código abierto hace posible una revisión externa que antes dependía en mayor medida de la información facilitada por la empresa.

Pero un repositorio no cuenta toda la historia. El código puede mostrar qué instrucciones ejecuta un sistema sin revelar de manera completa los datos con los que se entrena, los valores concretos aplicados en producción o la configuración activa en cada momento. Tampoco garantiza que todas las partes relevantes del servicio estén incluidas ni que la versión disponible coincida exactamente con la que opera para cada usuario. La diferencia entre el código publicado y el funcionamiento efectivo es una de las claves para medir el alcance de la iniciativa.

La auditoría tampoco es automática. Hace falta comparar versiones, interpretar documentación técnica y, cuando sea posible, contrastar lo descrito con resultados observables. Una persona puede descargar los archivos, pero eso no significa que pueda confirmar por sí sola cómo afectan a millones de cuentas distintas. Los expertos independientes necesitan tiempo y herramientas; la plataforma, por su parte, debe facilitar información suficiente para que los cambios sean comprensibles. La apertura crea condiciones para investigar, pero no sustituye el trabajo de investigación.

Un antecedente que invita a mirar los detalles

No es la primera vez que X pone parte de su sistema de recomendaciones a disposición del público. En 2023, meses después de que Musk asumiera el control de la plataforma, la empresa publicó en GitHub código relacionado con el feed Para ti. Aquel material despertó interés, pero su interpretación fue limitada y algunas categorías internas dieron pie a preguntas sobre cómo se organizaba la relevancia de ciertos usuarios y contenidos. La experiencia previa muestra que publicar archivos puede abrir interrogantes sin resolverlos por completo.

En aquella versión se detectó una categoría propia para las publicaciones de Musk, junto a otras asociadas a republicanos, demócratas y usuarios avanzados. Ingenieros de la plataforma defendieron que servía para seguir estadísticas y, más tarde, esa sección dejó de aparecer en el código. El episodio no demuestra por sí mismo que el sistema favoreciera deliberadamente a unas cuentas, pero sí ilustra por qué la documentación y las explicaciones técnicas son importantes: una etiqueta aislada puede admitir varias interpretaciones. El contexto permite distinguir una herramienta de medición de una regla que determine la distribución.

La nueva publicación debe evaluarse a la luz de ese antecedente, sin asumir que el código anterior y el actual son idénticos. X ha prometido incluir todo el código relevante para las recomendaciones y actualizarlo con regularidad, una propuesta más amplia que aquella primera entrega. La pregunta decisiva será si las próximas versiones permiten reconstruir de forma inteligible qué cambió y qué consecuencias puede tener para la selección de contenido. La continuidad de las actualizaciones será tan importante como el anuncio inicial.

La presión regulatoria y las polémicas de Grok

La decisión llega mientras autoridades europeas y francesas examinan el funcionamiento de X y las posibles manipulaciones de su algoritmo, además de verificar el cumplimiento de las normas digitales. La Unión Europea también ordenó a la plataforma conservar documentación hasta final de año, según la información de referencia. En el Reino Unido, Ofcom abrió una investigación para determinar si X incumplió obligaciones de la Ley de Seguridad en Línea relacionadas con la protección frente a material ilícito. Estas actuaciones son investigaciones, no una declaración definitiva de responsabilidad.

El escrutinio se intensificó tras las denuncias sobre Grok, el chatbot desarrollado por xAI, que generó imágenes sexualizadas de personas a petición de usuarios. Los reportes incluyeron imágenes manipuladas de mujeres y de menores o personas con apariencia de ser menores. Un análisis de AI Forensics citado en la cobertura señaló que el 53% de las imágenes examinadas mostraba a personas con ropa mínima; dentro de los datos descritos, el 81% correspondía a mujeres, el 2% a individuos con apariencia de 18 años o menos y el 6% a personajes públicos. Las cifras describen el material analizado por ese informe y no deben interpretarse como una medición de todas las imágenes de la plataforma.

Ante la polémica, Musk y el equipo de seguridad de X afirmaron que la generación de ese tipo de contenido era ilegal y que adoptarían medidas para frenarla. La función de edición de imágenes con Grok quedó restringida a usuarios de pago, una limitación que puede reducir el acceso, pero que por sí sola no explica cómo se detecta o previene cada abuso. Las autoridades de varios países también expresaron preocupación y se informó de bloqueos del sistema en algunos lugares, sin que los datos de referencia precisen aquí cuáles. Restringir quién accede a una herramienta no resuelve automáticamente los problemas de moderación y seguridad.

Por qué el código abierto no elimina los sesgos

Un recomendador aprende de señales de uso: qué publicaciones se abren, comparten o generan otras interacciones. Si esas señales reflejan desigualdades, campañas coordinadas o preferencias muy marcadas, el sistema puede amplificar algunos contenidos y reducir la presencia de otros. Publicar el código ayuda a examinar qué señales se consideran, pero no cambia por sí mismo los datos ni los incentivos que influyen en el comportamiento del modelo. La visibilidad de las reglas no garantiza que sus efectos sean neutrales.

También hay una diferencia entre explicar el diseño general y justificar un resultado concreto. El feed puede depender de la actividad reciente, de las cuentas seguidas, de los filtros activados y de señales que cambian con el tiempo. Dos personas pueden abrir X y recibir cronologías distintas aun cuando consulten el mismo tema, porque el sistema intenta personalizar la selección. Para valorar si ese resultado es razonable, no basta con localizar una línea de código: hay que saber qué datos entraron y cómo se combinaron. La personalización hace que la auditoría de una recomendación específica sea especialmente compleja.

La apertura, por tanto, puede mejorar la rendición de cuentas si permite detectar errores, documentar cambios y someter decisiones a escrutinio público. También puede quedarse en una publicación difícil de interpretar si faltan explicaciones o si las partes decisivas no pueden contrastarse. No es una disyuntiva entre transparencia total y secretismo absoluto; hay grados, y el valor de la medida dependerá de cuánto se pueda verificar de manera independiente. El verdadero examen será si la información sirve para entender consecuencias, no solo para leer código.

Qué cambia para quienes usan X

Para el usuario corriente, la publicación no modifica necesariamente el aspecto de la aplicación ni convierte de inmediato la cronología en una lista ordenada por hora. El sistema seguirá recomendando publicaciones de cuentas seguidas y de otros perfiles, y continuará aplicando filtros y criterios de relevancia. El cambio inmediato es más bien institucional: terceros pueden examinar el mecanismo y comparar sus versiones, mientras X queda expuesta a preguntas más concretas sobre sus decisiones. La experiencia diaria puede seguir igual, aunque haya más material para evaluar cómo se construye.

La promesa de actualizar el repositorio cada cuatro semanas podría ayudar a identificar modificaciones que, de otro modo, pasarían inadvertidas. Para que tenga utilidad, cada publicación debe aclarar qué se cambió, por qué se hizo y qué partes del sistema afecta. Si las notas se limitan a describir cambios de forma vaga, la frecuencia no bastará para que los usuarios comprendan por qué su feed varía. La explicación periódica es el puente entre el código técnico y la rendición de cuentas pública.

El acceso también puede alimentar herramientas de análisis y nuevas discusiones sobre qué debería priorizar una red social: actualidad, relevancia personal, diversidad de perspectivas o seguridad. Esas decisiones no son puramente técnicas, porque determinan qué voces encuentran audiencia y qué contenidos permanecen al margen. Sin embargo, un algoritmo publicado no concede automáticamente a los usuarios control sobre los criterios ni les ofrece una forma directa de elegir cómo se ordenan todas las recomendaciones. Ver cómo se organiza el sistema no significa poder cambiar sus reglas.

La transparencia se medirá con el tiempo

La publicación del algoritmo coloca a X ante una prueba más exigente que el anuncio de apertura: sostener las actualizaciones, explicar las decisiones y permitir que especialistas contrasten la documentación con el funcionamiento real. El precedente de 2023 aconseja no confundir la disponibilidad de código con una explicación completa, mientras las investigaciones sobre la plataforma y las controversias de Grok hacen que la confianza dependa también de cómo se previenen daños y se responde a ellos. Una transparencia útil exige continuidad y capacidad de verificación.

En ese sentido, la iniciativa puede ser relevante sin ser concluyente. Abre una ventana a la arquitectura de las recomendaciones y ofrece una base para debatir cómo se distribuye la atención en una red social de gran alcance. Pero las preguntas sobre datos, moderación, sesgos y resultados siguen en pie. La diferencia entre un gesto de apertura y una rendición de cuentas efectiva se verá en lo que X mantenga accesible y en lo que una revisión independiente consiga demostrar. El código es el comienzo de la inspección, no el veredicto sobre el sistema.