Netflix está probando una nueva forma de utilizar inteligencia artificial (IA) para personalizar las recomendaciones de contenido. A través de AI Discover, la plataforma permite que los usuarios indiquen qué desean ver en un momento determinado y ajusten las sugerencias que reciben. La iniciativa refleja una evolución en los sistemas de recomendación: combinar los datos sobre el comportamiento previo del consumidor con sus preferencias inmediatas.
La herramienta comenzó a implementarse entre un grupo limitado de suscriptores de Estados Unidos que utilizan Netflix en inglés y cuentan con televisores compatibles. Por ahora, la compañía no ha anunciado una fecha de disponibilidad para América Latina.
Más allá del entretenimiento, la propuesta resulta relevante para las empresas que utilizan algoritmos para recomendar productos, servicios o contenidos. Su principal característica es incorporar la participación directa del usuario durante la búsqueda, en lugar de depender exclusivamente de las preferencias identificadas por el sistema.
De las preferencias históricas a las necesidades del momento
Los sistemas de recomendación de Netflix utilizan desde hace años información como el historial de visualización, las valoraciones y las interacciones con los contenidos. También consideran señales contextuales, como el dispositivo utilizado o la hora del día, para personalizar la experiencia.
AI Discover añade una forma más directa de identificar las necesidades del usuario. En lugar de limitarse a mostrar contenido relacionado con sus hábitos, permite elegir entre categorías como películas familiares, producciones de terror, contenidos ligeros o programas de corta duración.
A partir de estas selecciones, la plataforma presenta recomendaciones relacionadas y permite profundizar en categorías más específicas. Además, incorpora la función Tune your recommendations, mediante la cual el usuario puede indicar que no desea volver a recibir una sugerencia determinada dentro de AI Discover.
Según Netflix, la herramienta utiliza una nueva capa de inteligencia que responde en tiempo real a las indicaciones de los suscriptores y aprende de sus interacciones. En esta primera versión, la experiencia se desarrolla mediante categorías seleccionables y no a través de una conversación abierta con un asistente de IA.
La diferencia es importante: las preferencias históricas permiten anticipar qué podría interesarle a una persona, mientras que sus indicaciones durante una sesión aportan información sobre lo que busca en ese momento. Ambos tipos de señales pueden complementarse para ofrecer resultados más pertinentes.
El desarrollo tecnológico detrás de las recomendaciones
La iniciativa forma parte de una evolución más amplia de las tecnologías de personalización de Netflix. Durante 2026, los equipos de ingeniería de la compañía publicaron investigaciones sobre el uso de modelos de lenguaje y sistemas generativos para mejorar las recomendaciones.
En julio, Netflix presentó GenRec, un modelo que utiliza grandes modelos de lenguaje (LLM) adaptados con información propia para clasificar contenidos según su relevancia para cada usuario.
A diferencia de los sistemas tradicionales, que requieren numerosas variables diseñadas específicamente para identificar patrones de consumo, GenRec procesa información sobre el historial, los contenidos y el contexto mediante representaciones de texto. En pruebas controladas, registró mejoras estadísticamente significativas en métricas de corto y largo plazo frente a un sistema de recomendación que Netflix ya utilizaba.
Otro desarrollo es GenPage, presentado en junio. Este modelo genera y organiza de manera conjunta las filas de contenido y los títulos que aparecen en la página de inicio, considerando el contexto del usuario y la disposición de los elementos.
En una prueba A/B, GenPage logró mejoras significativas en una métrica principal de interacción y redujo en 20% la latencia de procesamiento de las recomendaciones, según los resultados publicados por la compañía.
Aunque Netflix no ha confirmado que GenRec o GenPage sean parte de la arquitectura de AI Discover, ambas investigaciones muestran cómo la empresa está explorando modelos capaces de procesar más información contextual y optimizar las experiencias de personalización.
¿Qué pueden aprender otras empresas?
El caso de Netflix plantea oportunidades para las organizaciones que utilizan sistemas de recomendación en sus canales digitales.
En comercio electrónico, por ejemplo, incorporar información sobre la ocasión de compra, el presupuesto o las necesidades inmediatas del consumidor podría complementar las recomendaciones basadas en transacciones anteriores. En servicios financieros, un enfoque similar permitiría explorar experiencias que consideren tanto el perfil del cliente como la finalidad de una consulta o gestión específica.
Otra aplicación es la retroalimentación durante la interacción. Permitir que los usuarios corrijan las sugerencias de un algoritmo puede aportar información adicional para ajustar los resultados, sin depender únicamente de las inferencias sobre su comportamiento.
Sin embargo, aprovechar estas capacidades requiere resolver aspectos técnicos y de gestión. La calidad de los datos, los tiempos de respuesta, los costos de procesamiento y los controles sobre el uso de información personal siguen siendo factores importantes para implementar estas soluciones a escala.
En el caso de AI Discover, Netflix todavía no ha publicado resultados que permitan determinar si la herramienta reduce el tiempo de búsqueda, incrementa la satisfacción de los suscriptores o contribuye a su retención. La compañía ha señalado que utilizará las interacciones y los comentarios de los participantes para decidir qué funcionalidades mantiene, mejora o incorpora a la experiencia principal.
El aprendizaje no está únicamente en adoptar modelos de IA más avanzados, sino en evaluar cómo la combinación de datos históricos, contexto y participación del usuario puede mejorar la relevancia de sus servicios digitales. La efectividad de este enfoque dependerá de resultados medibles y no solo de la sofisticación tecnológica.
