El algoritmo de recomendación de YouTube es el sistema que decide qué vídeos ve cada espectador en la Home, en sugeridos y en Shorts, con el objetivo de maximizar su satisfacción a largo plazo.
Su base técnica pública es el paper «Deep Neural Networks for YouTube Recommendations» (Covington, Adams y Sargin, RecSys 2016): una primera red extrae unos cientos de candidatos entre miles de millones de vídeos y una segunda los ordena. Esa segunda red no se entrenó para predecir clics, sino tiempo de visionado esperado, precisamente para no premiar el clickbait. En 2019, Zhao y otros (RecSys 2019) describieron un ranking con varios objetivos a la vez: engagement y satisfacción.
Hoy el Centro de Ayuda de YouTube cita como señales los clics, el tiempo de visionado, las encuestas, los compartidos, los likes y dislikes, «No me interesa», «No recomendar el canal», el historial y las suscripciones, y habla de más de 80.000 millones de señales. Lo que no publica son los pesos.
Todd Beaupré, director de Growth & Discovery, lo resume como un modelo pull: YouTube no empuja tu vídeo hacia la gente, sino que busca para cada espectador lo que le va a gustar hoy. De ahí salen dos ideas que conviene tener claras. El sistema evalúa cada vídeo por separado, y un vídeo flojo no penaliza al canal en su conjunto. Además, la monetización no influye en qué se recomienda.
En la práctica, el sistema estima tres cosas por espectador: si hará clic, cuánto verá y si saldrá satisfecho. Tú solo influyes en esas estimaciones con la idea, el packaging y el propio vídeo.
Ejemplos
- Un vídeo con un título exagerado consigue muchos clics, pero la gente se va en el primer minuto; otro vídeo del mismo canal con menos clics y más visionado acaba recibiendo más recomendaciones.
- Un canal de bricolaje (ejemplo hipotético) pierde visitas tras un viral. El Centro de Ayuda recoge esa causa tal cual: el viral trajo gente que no se quedó, no hay castigo.
- Un creador publica Shorts y vídeos largos en el mismo canal. YouTube usa sistemas de recomendación separados para cada formato y dice que probar formatos no confunde al sistema.
Consejos prácticos
- Diagnostica siempre por vídeo y por fuente de tráfico, nunca por el total del canal.
- Lee el CTR junto a la duración media de visualización: el clic sin visionado no gana.
- Cuando caigan las visitas, busca antes un cambio en la audiencia (competencia, tema que se agota, viral que no retuvo) que una sanción.
- Cumple en los primeros segundos lo que promete el packaging; es la forma más directa de mejorar las tres estimaciones.
- Construye catálogo coherente: según el Centro de Ayuda, un espectador nuevo tiene más probabilidad de quedarse si hay más contenido de calidad detrás.
Cuidado con
- El shadowban no tiene respaldo: las sanciones reales (avisos, restricción de edad, desmonetización) son explícitas y se ven en Studio.
- Cualquier tabla con pesos de señales («la satisfacción pesa un 40 %») es inventada: YouTube no publica pesos.
- La idea de que el vídeo se enseña primero a un grupo de suscriptores y luego se amplía, como mecánica fija, es humo: el modelo es pull, espectador a espectador.
Evidencia fuerte. Centro de Ayuda de YouTube (answer/16533387, 16089387 y 16559651), paper de Covington et al. (RecSys 2016) y declaraciones de Todd Beaupré recogidas por Search Engine Journal (2024 y 2025).
Términos relacionados
- Satisfacción del espectador: Es el objetivo declarado que optimiza el sistema.
- Fuentes de tráfico: Cada superficie aplica la recomendación con señales distintas.
- CTR de impresiones: Es la señal de entrada que mide el clic sobre lo mostrado.
- Duración media de visualización (AVD): El ranking se entrenó sobre tiempo de visionado esperado.
- LLM (Large Language Model): YouTube aplica modelos de lenguaje para entender de qué trata cada vídeo.