por Robert Vega
Por solo $5.99 para un usuario y $9.99 para la familia, precios exclusivos para el mercado ecuatoriano, es posible acceder a la comodidad musical. Atrás quedan los días de portadas de álbumes sin sentido, de nombres de canciones que dejaban a la imaginación el contenido de su sonido, de canciones de baja calidad copiadas de alguna página remota del internet. Esa es la promesa de Spotify para los mercados latinoamericanos, el acceso cómodo a una base de datos inmensa que contiene, al parecer, toda la música que se ha lanzado. Dejó de existir, en su mayoría, el ahora raro ritual de la quema de discos y de intercambio momentáneo de memorias USB para mantenerse a la corriente de la moda actual musical. Lo que en un inicio solamente estaba reservado para los afortunados, quienes se permitían adquirir música desde iTunes, ahora parece estar en manos de todos.
Para el primer trimestre de 2022, Spotify “goza de 422 millones de usuarios, incluyendo 182 millones de suscriptores premium, a través de 183 mercados” (Spotify — about Spotify, 2022). El secreto del inmenso éxito de Spotify recae en tres de sus pilares: funcionalidad de base de datos y servicio, modelo de negocio y personalización a través del algoritmo, el enfoque de este ensayo. Todos aquellos en una relación cercana e incluso de co-dependencia con sus parlantes o audífonos vieron llegar el manifiesto de la comodidad y de la personalización. Además de mantener una librería organizada dentro de los límites colocados por el servicio, Spotify también regala a sus usuarios la posibilidad de profundizar aún más su conocimiento musical al descubrir aquello que ya les gusta o al explorar, brevemente, los límites de aquel gusto.
Pero aquel regalo de recomendación es guiado por un algoritmo que fue creado en cierto contexto y funciona de manera estructurada. El teórico Tarleton Gillespie (2014) recomienda que no se tome por sentado la existencia de los algoritmos, sino también que se examine “por qué se considera a los algoritmos como una lógica de conocimiento creíble, cómo se desmoronan y se reparan cuando entran en contacto con el flujo del discurso público”. Dado que, así como el algoritmo moldea al usuario de manera continua, el usuario y su contexto también alimentan el conocimiento del algoritmo a manera de que sea más personal.
Aquel regalo de recomendación es guiado por un algoritmo que fue creado en cierto contexto y funciona de manera estructurada.
Un algoritmo es extremadamente complicado. En pocas palabras, es solamente una serie de funciones si-esto-entonces-eso. No es una inteligencia artificial consciente la cual está a la espera del llamado o acción del usuario para recomendar, específicamente a él, un artista o canción, dependiendo de que es lo que se acaba de escuchar. Y, tampoco son personas cool maniobrando información del mercado para luego hacer un cambio revolucionario en las productoras musicales (Tanner, 2021). El algoritmo de recomendación no informa, solo agrupa y repite.
En primera instancia, “Spotify builds models of users and makes predictions by recommending music that matches the models” (Tanner, 2021). De manera que se realizan, tras cámaras (teclados en este caso), personas-modelo de cierta edad, cierto género, en cierta región demográfica, las cuales ya de por sí tienen cierto gusto y escuchan con diferente frecuencia ciertos géneros y cantantes o grupos. Luego, cada uno de los usuarios que accede al servicio, basándose en su actividad, es emparejado con uno de estos modelos a manera de acercarse lo más posible a una predicción de recomendación específica para el usuario. Por lo que se espera que algoritmo cambie de a poco los gustos del usuario hacia aquellos ya existentes en el modelo, en búsqueda de mayor precisión.
De igual modo, estas personas-modelo terminan siendo casi una captura en código de la cultura en la que este modelo fue desarrollado. En consecuencia, el algoritmo repite. En lugar de realizar una imagen detallada de cada uno de los usuarios, el algoritmo solo asigna el patrón predeterminado a aquellos usuarios que se asemejen entre sí. Se copia y pega lo que alguna vez ya fue y ya no es, perpetuando el pasado, el cual carece de los aprendizajes que se han logrado en el presente.
En el peor de los casos, “algorithmic recommendation attempts to transform [numbers of historical racism and intolerance] into nostalgia, into the repetition of stories that rationalized oppression” (Tanner, 2021). O, en caso de salud mental, si el algoritmo asigna cierta persona-modelo a un usuario, el cual asocia fuertemente su música con su estado anímico, caer en espiral hacia un estado de depresión es probable. El algoritmo arresta al usuario en un bucle emocional del dolor de ayer, dando poco espacio para el crecimiento. De modo que el usuario debe asumir prácticas sencillas, pero a contracorriente, para enseñarle al algoritmo quién es el yo de hoy, o dejarse llevar.
En búsqueda de eficacia y eficiencia, el algoritmo podría incluso desechar personas-modelo que son muy semejantes a otras, pues este nivel de granularidad solamente hace uso de recursos que pueden ser usados en otros campos. El autor Matei (2018), al hablar acerca del algoritmo de Instagram, dice que “the app’s algorithms prioritize established rather than fledgling accounts”. El algoritmo de Spotify puede terminar funcionando de la misma manera, emparejando usuarios que cada vez se parecen más, a una persona-modelo más popular.
Así, se presenta la posibilidad de que se pierda aún más la esencia original del usuario, que ya de por sí se veía disminuida. Lo que parece mostrar que, sin resistencia, el algoritmo llevaría a la sociedad a uno o dos modelos consolidados y polarizados de cultura y contracultura, sin lugar para otras posibilidades. De modo que el usuario, de nuevo a contracorriente, terminaría simplemente siendo solo un punto más entre las líneas divisoras.
El usuario debe asumir prácticas sencillas para enseñarle al algoritmo quién es el yo de hoy, o dejarse llevar.
No obstante, el algoritmo no determina por completo todo aspecto de la vida del usuario. El usuario y sus conexiones también influencian al algoritmo, convirtiéndose en la resistencia mencionada. Dentro del contexto del internet y las redes sociales, se generan públicos interconectados y contextos colapsados. Cuando estos suceden, el usuario se ve expuesto a entornos diferentes a los suyos, en donde aspectos propios de él pueden cambiar (boyd, 2011, p. 50). Una canción que antes no te gustaba o una banda recomendada por un amigo de la cual no tenías conocimiento previo, pueden convertirse en tus favoritos al aparecer en tu pantalla. Esto quiere decir que el contexto del propio usuario también repercute en el algoritmo, y el algoritmo tendrá que adaptar el posicionamiento del usuario dentro de los persona-modelos.
Spotify termina convirtiéndose en un repositorio individual de la realidad sentimental y cultural del usuario, donde, con binoculares desde un panóptico global, se pueden ver los repositorios de otras personas que junto al del usuario, componen el reflejo del quién soy, como sugiere Jia Tolentino (2020). En donde el algoritmo tiene que evolucionar para reflejar a cada usuario (o al menos a cada persona-modelo). Desde mi propia experiencia con el servicio, parece que el algoritmo de recomendación toma en cuenta un cierto nivel de error e incomodidad para permitir que el usuario explore otros rincones del espectro musical, permitiéndole al usuario y por ende al algoritmo en sí, ser influenciado por factores externos que hacen que Spotify evolucione.
Y, por último, no hay que olvidar el poder directo y pseudo-consciente que el usuario ejerce sobre el algoritmo que lo ha categorizado. Pues el usuario no siempre es dominado por las ilimitadas y evolutivas líneas de código, simplemente son otra herramienta para él. “Por mucho que estas herramientas nos impulsen a hacernos legibles para ellas, también las incorporamos en nuestras prácticas, cambiando su significado y, a veces, incluso su diseño” (Gillespie, 2014; p. 17). Si el género de música que se está ofreciendo en la playlist de Discover no es del estilo del usuario, este puede alimentar al algoritmo durante semanas, o incluso menos, seleccionando artistas y canciones que sí se alineen a su gusto, a manera de corregir futuras recomendaciones. Además, regresando al reflejo del que habla Tolentino, todos los datos que el algoritmo recoge también son instrumentalizados por el usuario para presentarse frente a otras personas. Los artistas que más gustan, las canciones más reproducidas, el género más escuchado, entre otros, son características y cualidades que se llevan, con orgullo o no, a manera de carta de presentación, junto con la edad, el estilo, la alineación política, etc. Esto, a su vez, retroalimenta nuevamente al algoritmo. Así, se crea un ciclo de cambio y aprendizaje continuo por parte del usuario y del algoritmo por igual.
En un principio, el algoritmo parece ser el único detrás de las riendas de la recomendación. El usuario pierde su esencia a favor de una categorización más sencilla, donde esta misma agrupación crea la posibilidad de mantenerse en el pasado. Tras una etapa de autoengaño, donde se considera que la música del algoritmo es nuestra música, poco a poco el usuario empieza a incorporar gustos de la persona-modelo que el algoritmo le ha asignado. No obstante, el algoritmo no actúa solo. También se debe tomar en cuenta la retroalimentación de un contexto siempre cambiante con contenido nuevo, un contexto en donde el usuario nunca permanece completamente estático. En nombre de la comodidad, el algoritmo también incomoda al usuario empujándolo a explorar más allá de lo que ya es su reflejo. Y de igual manera, el usuario hace uso del algoritmo, a modo de herramienta de autopresentación, incluso con mayor nitidez.
Referencias
boyd, d. (2011) “Social Network Sites as Networked Publics: Affordances, Dynamics, and Implications.” en Networked Self: Identity, Community, and Culture on Social Network Sites, Z. Papacharissi (ed.) Routledge.
Gillespie, T. (2014). ‘The Relevance of Algorithms’ en Media Technologies: Essays on Communication, Materiality, and Society, T. Gillespie, P. Boczkowski and K. Foot (eds.) MIT Press.
Matei, A. (16 de abril, 2018). Seeing Is Believing — Real Life. Real Life. https://reallifemag.com/seeing-is-believing/
Tanner, G. (22 de noviembre, 2021). Yesterday Once More — Real Life. Real Life. https://reallifemag.com/yesterday-once-more/
Tolentino, J. (2020, February 19). El yo en Internet | CCCB LAB. CCCB LAB; CCCB Lab. https://lab.cccb.org/es/el-yo-en-internet/
Spotify — About Spotify. (2022, April 27). Spotify. https://newsroom.spotify.com/company-info/#:~:text=Today%2C%20Spotify%20is%20the%20world%27s,subscribers%2C%20across%20183%20markets.
