YouTube recibe 500 horas de video por minuto. El algoritmo decide cuál de esos videos te muestra a vos, en qué momento, y en qué posición. No hay forma humana de curar eso manualmente. Todo es automatizado, y los detalles exactos nunca fueron completamente revelados.
Pero entre los papers de investigación que los ingenieros de YouTube publicaron, la documentación oficial para creadores, y años de experimentos de gente que vive de la plataforma, hay suficiente para entender los mecanismos reales.
El objetivo del algoritmo no es maximizar vistas
El error más común es pensar que YouTube optimiza por vistas o por clicks. No lo hace — al menos no directamente.
El objetivo declarado del algoritmo es maximizar el tiempo de sesión: cuánto tiempo en total pasa un usuario en la plataforma por visita. YouTube quiere que abras la app y te quedes el mayor tiempo posible.
Eso tiene consecuencias concretas: un video con muchas vistas pero que hace que la gente cierre la app después de verlo es peor para el algoritmo que un video con menos vistas pero que lleva al usuario a ver tres videos más.
Las señales que más importan
Retention rate (retención): Qué porcentaje del video miraron los usuarios en promedio. Un video de 10 minutos donde el 70% de la gente llega al final es señal fuerte. Un video donde el 80% abandona en el minuto 2 es señal negativa.
Click-through rate (CTR): Qué porcentaje de personas hace click cuando el video aparece como sugerencia. El thumbnail y el título son determinantes aquí. El CTR promedio en YouTube ronda el 2-10% — arriba de eso el algoritmo lo interpreta como que el video es relevante para esa audiencia.
Satisfacción: YouTube hace encuestas a usuarios preguntando si el video valió la pena. Esas respuestas alimentan el algoritmo directamente.
Velocidad de engagement inicial: Cuántos likes, comentarios y compartidas recibe el video en las primeras horas. Un video que genera reacción rápida recibe más distribución experimental para ver cómo responde una audiencia más grande.
Los tres sistemas de recomendación
YouTube tiene distintos algoritmos para distintas partes de la plataforma:
Homepage: Sugiere videos basados en tu historial, tus suscripciones, y lo que usuarios similares a vos miraron. Es el sistema más personalizado y donde más peso tiene el historial del usuario.
Videos sugeridos (sidebar): Aparecen al lado del video que estás mirando. Aquí el algoritmo busca videos temáticamente relacionados y con buen CTR para la audiencia que ya está mirando ese contenido.
Búsqueda: Funciona más parecido a un motor de búsqueda — relevancia del título, descripción, tags, y engagement histórico del video para esa query.
Lo que el algoritmo no puede medir (pero los creadores pueden)
El algoritmo mide comportamiento, no calidad. Un video bien hecho que tarda en arrancar puede ser penalizado si la retención de los primeros 30 segundos es baja. Un video mediocre con un thumbnail engañoso puede tener CTR alto pero mala retención — YouTube penaliza esa combinación específicamente para desincentivarlo.
Los creadores que crecen en 2026 optimizan los primeros 30 segundos de cada video con una precisión casi obsesiva, porque la retención inicial determina si el algoritmo sigue distribuyendo el video o no.
Lo que YouTube no dice
YouTube nunca confirmó el peso exacto de cada señal. Varios experimentos de creadores grandes sugieren que la retención pesa más que el CTR, y que los comentarios pesan menos de lo que intuitivamente parece.
También hay evidencia anecdótica de que YouTube trata diferente a canales que generan ingresos publicitarios sostenidos — los canales grandes y monetizados tienen más distribución experimental con nuevos videos. Eso crea una ventaja compuesta que hace difícil el crecimiento desde cero.
El algoritmo no es un árbitro neutral. Optimiza para los objetivos de negocio de YouTube, que son mantener usuarios en la plataforma y generar ingresos publicitarios. Entender eso es el primer paso para trabajar con él en lugar de contra él.
---
Fuente original: Un Mundo Loco
Fuentes consultadas: YouTube Creator Academy · Covington et al. — Deep Neural Networks for YouTube Recommendations, Google Research
