Cada notificación que aparece en tu pantalla, cada video que se reproduce automáticamente al terminar el anterior y cada publicación que el feed decide mostrarte primero no está ahí por accidente. Son el resultado de sistemas técnicos diseñados con un objetivo medible: retener tu atención el mayor tiempo posible. A ese modelo se lo conoce como economía de la atención, y entenderlo desde el lado técnico —no solo el conductual— es clave para cualquiera que trabaje en producto, marketing o desarrollo web.
Qué es la economía de la atención
El economista Herbert A. Simon planteó ya en los años 70 una idea que hoy es el núcleo de casi cualquier plataforma digital: cuando la información es abundante, lo que escasea es la capacidad de procesarla. La atención humana es finita —no se puede fabricar más— mientras que el contenido disponible para consumirla crece sin límite práctico. Esa asimetría convierte a la atención en un recurso económico: algo que se produce, se mide, se compra y se vende, aunque no tenga forma de mercancía tradicional.
En términos prácticos, esto significa que empresas cuyo modelo de negocio depende de la publicidad —redes sociales, buscadores, plataformas de video— no venden directamente un producto al usuario. Venden acceso a su atención a anunciantes, y el usuario «paga» con tiempo y datos de comportamiento.
La arquitectura técnica de la captura de atención
Retener atención no es un efecto secundario del diseño: es una métrica de producto con nombre propio (engagement, time on site, session length, DAU/MAU ratio) que se optimiza como cualquier otro KPI técnico. Estos son los mecanismos más comunes:
Refuerzo variable (variable ratio reinforcement)
Tomado directamente de la psicología conductista y de la mecánica de las máquinas tragamonedas: cuando una recompensa llega en intervalos impredecibles, el comportamiento asociado se vuelve más difícil de extinguir que cuando la recompensa es constante. El pull-to-refresh de un feed, la posibilidad de que el próximo scroll traiga contenido irrelevante o algo genuinamente interesante, replica exactamente ese patrón.
Scroll infinito y autoplay
Eliminar puntos de decisión reduce la fricción para detenerse. Un feed paginado obliga a hacer clic en «página siguiente» —un micro-momento de evaluación consciente—; el scroll infinito y el autoplay de video eliminan ese punto de corte, de modo que seguir consumiendo se vuelve el comportamiento por defecto y detenerse requiere una acción deliberada.
Algoritmos de recomendación como funciones de ranking
Detrás de «para ti» o «recomendado» hay una función de ranking que ordena candidatos de contenido según una probabilidad estimada de interacción. De forma simplificada, un sistema de este tipo pondera señales como:
- Probabilidad de clic (CTR estimado)
- Tiempo de visualización esperado (watch time / dwell time)
- Probabilidad de interacción secundaria (like, comentario, compartir)
- Señales de recencia y afinidad con contenido similar ya consumido
Estos sistemas suelen entrenarse con técnicas de collaborative filtering o modelos de aprendizaje profundo, y muchos se ajustan en producción mediante variantes de multi-armed bandit: en lugar de mostrar siempre el contenido «óptimo» según el modelo actual, exploran variantes para seguir aprendiendo qué maximiza la retención, en un ciclo continuo de prueba y ajuste.
Notificaciones push personalizadas
No son alertas genéricas: se disparan según modelos que predicen el momento de mayor probabilidad de reapertura de la app para un usuario específico, basados en su historial de sesiones previas.
Cómo se monetiza técnicamente la atención
El vínculo entre atención capturada e ingresos pasa por el ecosistema de publicidad programática. Simplificando el flujo:
- La plataforma mide atención en unidades cuantificables: impresiones, watch time, sesiones activas.
- Esas métricas alimentan un sistema de subasta en tiempo real (RTB, real-time bidding), donde anunciantes pujan por mostrar su anuncio a un usuario específico en milisegundos.
- El precio se expresa en CPM (costo por mil impresiones) o CPC (costo por clic), y la plataforma cobra por cada «unidad de atención» entregada.
Por eso métricas como el stickiness (DAU/MAU, usuarios activos diarios sobre mensuales) son indicadores financieros tanto como de producto: más tiempo retenido significa, literalmente, más inventario publicitario para vender.
Ejemplos técnicos concretos
El algoritmo de recomendación de TikTok es probablemente el caso más citado en la industria: prioriza señales de comportamiento implícito (tiempo de visualización completo, repeticiones del mismo video) por sobre señales explícitas como seguir a una cuenta, lo que le permite personalizar el feed desde la primera sesión, sin necesidad de un grafo social previo. YouTube, por su parte, popularizó el autoplay optimizado por watch time acumulado en lugar de por video individual, cambio que en su momento incrementó de forma medible el tiempo total de visualización en la plataforma. Instagram y otras redes con scroll infinito eliminan además los indicadores de «fin de contenido», una decisión de diseño que también es una decisión de ranking: siempre hay un siguiente elemento disponible.
Las consecuencias medibles
Estos mecanismos no son neutros. Distintos estudios sobre atención digital documentan una caída sostenida en la duración del foco sobre una pantalla: de valores cercanos a los dos minutos y medio a principios de los 2000, a apenas unos segundos en mediciones recientes, con decenas de interrupciones diarias y tiempos de recuperación de la concentración que se cuentan en minutos tras cada corte. A escala agregada, la pérdida de productividad asociada a la fragmentación de la atención se estima en cientos de miles de millones de dólares anuales solo en economías desarrolladas.
Para quienes trabajan del lado del diseño o el marketing, esto plantea una tensión real: los mismos patrones que maximizan el engagement a corto plazo son, cada vez con más evidencia, los que generan fatiga y rechazo a largo plazo —lo que en la industria ya se nombra como fatiga digital o banner blindness aplicada a patrones de interacción completos, no solo a anuncios.
La nueva capa: IA generativa y agentes conversacionales
La economía de la atención está incorporando un actor nuevo: los sistemas de IA generativa. Un chatbot o un agente conversacional no solo responde preguntas, también compite por sesión, por retención y por frecuencia de uso, con la diferencia de que el «contenido» ahora se genera dinámicamente para cada usuario en lugar de seleccionarse de un catálogo existente. Esto traslada la optimización de un problema de ranking (elegir el mejor contenido existente) a un problema de generación (producir el contenido que mejor retiene), con implicancias todavía poco exploradas sobre diseño ético de producto.
Qué pueden hacer developers y equipos de marketing
Entender la mecánica no implica necesariamente replicarla sin filtro. Algunas prácticas que están ganando terreno en diseño de producto responsable:
- Métricas de «tiempo bien invertido» en lugar de solo tiempo total en pantalla, como propuso el Center for Humane Technology.
- Puntos de salida explícitos: mostrar cuándo el contenido nuevo se acaba, en lugar de scroll infinito por defecto.
- Notificaciones agrupadas y con control granular por parte del usuario, en lugar de maximizar frecuencia de reapertura.
- Auditorías de dark patterns en flujos de onboarding y retención, como parte del proceso de QA.
La economía de la atención no es una metáfora ni un concepto exclusivamente sociológico: es una capa técnica compuesta por algoritmos de ranking, sistemas de subasta publicitaria y patrones de interfaz específicamente diseñados y medidos. Comprender esa arquitectura —no solo sus efectos— es lo que permite a developers, diseñadores y equipos de marketing tomar decisiones informadas sobre qué patrones usar, cuáles evitar y cómo medir el éxito de un producto sin reducirlo únicamente al tiempo de permanencia.
