Adéu a la paràlisi per elecció: com Netflix fa servir la IA per decidir què veuràs en streaming

L'escena és quotidiana per a qualsevol persona: l'usuari obre l'aplicació de la seva plataforma d'estríming preferida, comença a bussejar pel seu immens catàleg i, com que passen els minuts sense trobar la pel·lícula perfecta per a tothom, decideix tancar l'aplicació i posar-se a fer scroll a Instagram o TikTok fins a l'hora d'anar a dormir.

No per ser quotidiana, és una escena desitjable. De fet, per a companyies com Netflix (que compleix 29 anys aquest 29 d'agost), és un malson que l'usuari se senti aclaparat, precisament com a efecte col·lateral d'una de les fortaleses de la plataforma: oferir un catàleg inabastable amb opcions per a tots els gustos. "Des del punt de vista neuropsicològic, és una cosa semblant al que li passa a un ordinador quan obrim massa programes alhora: va més lent", explica Juan Luis García Fernández, professor dels Estudis de Ciències de la Salut de la Universitat Oberta de Catalunya (UOC) i investigador del grup NeuroADaS Lab. 

Potser Netflix no comptava amb la pròpia naturalesa humana: com, al mateix temps, desitgem abundància, però també ens bloquegem quan hem de prendre decisions basades en aquesta mateixa abundància. "En el nostre cas, l'escorça prefrontal, que és l'àrea que decideix, i la funció de memòria de treball, que és la capacitat amb la qual sostenim i comparem opcions mentre decidim, són limitades i gestionen còmodament entre tres o quatre elements alhora, no els centenars que ens ofereix un catàleg d'estríming", afegeix. Aquí és quan sorgeix un dels grans enemics de l'estríming i del capitalisme en general: la paràlisi per decisió o la fatiga de decisió.

El gran dubte, què veiem?

Un dels pilars de l'economia de mercat és oferir moltes opcions al consumidor perquè triï, com a part de la inherent competència entre empreses i productes en la qual se sustenta aquest model econòmic. Durant dècades, aquestes eleccions s'han guiat (o intervingut) mitjançant la publicitat o el màrqueting, que han actuat com a embuts que permeten al consumidor prendre decisions de manera més o menys automatitzada. 

Però què passa quan, més enllà del màrqueting, es deixa l'usuari davant la necessitat de prendre decisions sense una guia específica? "Quan el catàleg és petit, triar és més fàcil i gairebé automàtic. Quan és enorme, el cervell ha de comparar moltes més combinacions de les que pot sostenir alhora i el sistema se satura", apunta l'investigador, que assenyala que "hi ha un ingredient emocional que a vegades no es comenta, perquè, sumat a la motivació per veure determinats títols i les ganes que tinguem de fer-ho, hi ha el pensament comparatiu entre les alternatives: pensar que l'altra sèrie que hem descartat hauria estat millor". Una cosa que també és bastant humana, perquè "com més opcions hi ha, més esperem trobar l'opció perfecta; així que qualsevol elecció real, per bona que sigui, tendeix a decebre una mica per comparació amb aquest ideal assolible", destaca.

Aquest és un altre dels grans temors de Netflix i altres plataformes, perquè és quan l'usuari es planteja tancar l'aplicació i fer aquest scroll que "posposa el tancament perquè, en aquest moment, decidir li surt més car que continuar mirant", subratlla. De fet, més de la meitat dels espanyols veuen la televisió amb el mòbil a la mà.

Què hi ha darrere la “teva” elecció?

En certa manera, les plataformes d'estríming ja utilitzen el màrqueting per orientar les decisions de l'usuari. No només promocionen els seus continguts en tanques publicitàries o a internet, sinó que han desenvolupat un complex sistema d'algorismes que recopila informació de cada usuari i creua els seus suposats gustos amb les diferents opcions disponibles en el catàleg. "Els algorismes introdueixen un biaix per una qüestió pràctica. Estableixen seleccions controlades de producte per intentar combatre la fatiga de decisió que sol experimentar l'usuari quan s'enfronta a seleccions de contingut massa àmplies", explica Elena Neira, professora dels Estudis de Ciències de la Informació i de la Comunicació de la UOC i experta en plataformes d'estríming. 

Aquesta fórmula, que permet a les plataformes reduir el risc que l'usuari es bloquegi i decideixi no veure res aquest vespre, es basa, en el cas de Netflix, en un sistema que combina aprenentatge profund (deep learning) i aprenentatge automàtic (machine learning). "Posen en comú el que saben de tu, el comportament d'altres usuaris i el coneixement profund dels continguts, i fan una llista de previsions en la qual ensenyen al sistema que, si es donen A i B, el sistema ofereix a l'usuari C: una selecció de referències que casen amb les seves preferències, les d'usuaris afins i el que està de moda", explica.

Externalitzar la decisió

Alguns experts adverteixen que externalitzar per complet la decisió de què veure a la televisió pot tenir implicacions negatives per als usuaris. Però hi ha una altra manera de veure-ho, com explica el professor  García Fernández, en destacar que "un bon sistema de recomanació funciona com a bastida: redueix mil opcions a deu, una tasca mecànica de filtratge que al nostre cervell li costa molt i no li aporta gran cosa, però deixa intacta la part que sí que importa, que és la de triar d'entre aquestes deu i gaudir-ne". De fet, l'expert compara aquest sistema de recomanació algorítmica amb el paper d'un bibliotecari, "que ens porta fins a la prestatgeria correcta, però no decideix el llibre per nosaltres", apunta.

No obstant això, la pròxima frontera dels sistemes de recomanació és una mica més complexa. La irrupció de la intel·ligència artificial en aquest ecosistema porta a un altre nivell els algorismes de recomanació i redueix encara més la llista final d'opcions per triar, fins a desembocar pràcticament en aquesta opció perfecta que tant anhelem. "El que permet la IA és emmagatzemar molta més informació de l'usuari i interpretar millor el que fa i el seu entorn, per la qual cosa el model interpretarà senyals que van més enllà de les categories canòniques", apunta Elena Neira sobre una nova manera de recomanar continguts que, lluny del que es pensa, no anul·la en absolut l'usuari. Al contrari.

L'algorisme que tot ho veu

Fins ara, el motor de recomanació de les plataformes d'estríming (incloses les de música, com Spotify, o fins i tot plataformes com YouTube) s'ha basat a oferir a l'usuari continguts relacionats amb les seves accions. Si veu determinats títols amb freqüència, l'algorisme interpreta que li agraden i n'hi recomana d'altres. Un procés simple, en aparença, que es complementa amb la informació provinent de les cerques que fa l'usuari.

Amb el nou model algorítmic, l'usuari no sols rebrà aquestes recomanacions, sinó que les podrà sol·licitar. "Netflix persegueix que l'usuari pugui establir una conversa amb el sistema", destaca la professora de la UOC. Una revolució que permetrà explicar-li a una cosa molt semblant a un xatbot què és exactament el que es vol a cada moment, perquè la IA de la plataforma faci la seva màgia i trobi el títol perfecte. "Quan la personalització és bona, se sol traduir en una satisfacció amb el que s'ha triat, perquè l'algorisme ja ha descartat el que probablement no ens agradaria", assenyala, per la seva banda, el professor García Fernández. I aquesta satisfacció resulta clau per a les plataformes, ja que "són un negoci i la principal mètrica que determina si un usuari està fidelitzat són les estadístiques de visionament", recorda Elena Neira, que afegeix que "en l'era de la personalització, l'atenció és cada vegada més curta i, si no fas tot el possible per cridar l'atenció i ser visible, el més probable és que la persona no vegi el contingut". Per això mateix, plataformes com Netflix fins i tot personalitzen les miniatures de les portades de les seves pel·lícules i sèries perquè cada usuari vegi imatges potencialment més cridaneres per a ell i hi hagi més probabilitat que se senti atret per un contingut.

El deute cognitiu no ens permet explorar més enllà

En aquest sentit, si l'usuari sempre troba de seguida, i sense gaire esforç, cada vespre alguna cosa per veure que el convenç i li deixa bones sensacions, la seva probabilitat de mantenir activa la subscripció serà més elevada i la plataforma aconseguirà retenir els seus usuaris, de manera que generarà un necessari flux de caixa per continuar sent rendible. Encara que, pel camí, hi hagi cert risc que els humans es tornin més dependents dels algorismes. "El perill real, i aquí és on jo posaria el focus tant de la recerca com de l'alfabetització digital, és l'efecte acumulat d'anar externalitzant, sense adonar-nos-en i sense compensar-ho amb cap exercici actiu, funcions cada vegada més centrals per desenvolupar-nos de manera autònoma en el món", explica Juan Luis García Fernández. "Hem de ser conscients que l'ús de la IA pot donar lloc a nous conceptes que sentirem en un futur molt pròxim, com deute cognitiu o paradoxa de l'automatització", apunta, i afegeix que "delegar tasques mentals de baix esforç probablement no serà un risc rellevant, però el problema apareixerà quan aquesta mateixa lògica de que decideixi la màquina s'estengui a funcions més importants i quan aquest ús no deixi cap espai d'exercici actiu d'aquestes capacitats cognitives". Els algorismes ajuden a saber què veure aquesta nit, però per què no aventurar-se a triar alguna cosa a l'atzar o descobrir alguna cosa diferent per una vegada?