Netflix lleva años intentando resolver una pregunta aparentemente sencilla: qué debería enseñarte cuando abres la aplicación. La respuesta ha exigido un sistema formado por numerosos modelos especializados, señales de comportamiento y reglas capaces de ordenar un catálogo gigantesco. Ahora la compañía está probando una arquitectura bastante diferente: hacer que parte de esa maquinaria funcione más como un modelo generativo que como el algoritmo clásico que conocíamos.
La señal más reciente ha llegado el 10 de agosto de 2026. Investigadores de Netflix han publicado GenRec, un nuevo sistema experimental de recomendación respaldado por un modelo de lenguaje. Su planteamiento consiste en abandonar parte de la dependencia de miles de variables diseñadas específicamente para convertir el historial del usuario y el contexto en información que un modelo pueda interpretar conjuntamente.
Eso no significa que Netflix vaya a preguntarle a una especie de ChatGPT qué serie debe recomendarnos mañana. La transformación es menos vistosa y bastante más importante. La plataforma está explorando el paso de diseñar manualmente miles de señales a diseñar el contexto que recibe un modelo capaz de relacionarlas. Si funciona a gran escala, puede cambiar no solo qué títulos aparecen recomendados, sino la propia lógica con la que se construye nuestra portada.
Del algoritmo de las señales al algoritmo del contexto
Durante mucho tiempo, los sistemas de recomendación han funcionado combinando cantidades enormes de información: qué reproducimos, cuánto tiempo permanecemos viendo algo, qué títulos abandonamos, desde qué dispositivo entramos o qué relaciones existen entre unas películas y otras.
Netflix lleva tiempo intentando simplificar esa maquinaria. En 2025 ya explicó que estaba desarrollando un modelo fundacional para recomendaciones capaz de aprovechar historiales mucho más extensos y reutilizar ese aprendizaje en diferentes partes del servicio. La filosofía procedía en buena medida de los avances de los grandes modelos de lenguaje: menos sistemas aislados y más conocimiento compartido.
GenRec lleva ese movimiento a un lugar especialmente sensible: el ranking.
Según la investigación publicada por sus autores, el modelo utiliza historiales de usuario y contexto verbalizados, se adapta previamente al catálogo y al comportamiento de los miembros y después recibe entrenamiento específico para ordenar recomendaciones. Netflix afirma que, en una prueba A/B a gran escala frente a su actual clasificador de producción, obtuvo mejoras estadísticamente significativas utilizando menos ejemplos etiquetados y menos señales de entrada.
El cambio de vocabulario es revelador. Los propios investigadores hablan de avanzar desde el feature engineering, la ingeniería de variables, hacia el context engineering, la ingeniería del contexto.
No es simplemente utilizar una tecnología nueva para obtener la misma recomendación. Es intentar que el sistema necesite menos piezas especializadas para comprender relaciones complejas entre usuario, momento y contenido.
Netflix también quiere generar la portada completa
GenRec se entiende mucho mejor cuando se coloca junto a otra investigación publicada este verano.
Netflix presentó en junio GenPage, un sistema generativo diseñado para construir la página de inicio completa. En lugar de utilizar diferentes modelos para seleccionar títulos, ordenar filas y decidir posiciones, GenPage trata el historial y las circunstancias de la petición como una entrada y genera progresivamente las distintas filas y contenidos de la portada.
La prueba online descrita por Netflix ofrece un dato que merece detenerse a mirar. Frente a un sistema de producción que la compañía define como maduro y muy optimizado, GenPage consiguió una mejora del 0,24% en la métrica principal de interacción utilizada para decisiones de lanzamiento y redujo un 20% la latencia. Netflix considera esa mejora una de las mayores obtenidas recientemente mediante un cambio algorítmico.
Un 0,24% parece insignificante hasta que se piensa en la escala del servicio y en lo difícil que resulta mejorar un sistema que lleva años siendo optimizado.
Más interesante todavía es otra conclusión del experimento: enriquecer el contexto proporcionado al modelo produjo una mejora mayor que aumentar simplemente su tamaño en las pruebas realizadas hasta ahora.
La carrera no consistiría, por tanto, únicamente en construir una IA mayor. Consistiría en darle mejores pistas.
La portada se parece cada vez más a un programador de televisión
La televisión tradicional tenía una figura bastante visible: alguien decidía qué iba a las diez de la noche, qué programa necesitaba protección y qué película ocupaba el sábado.
El streaming convirtió aquello en millones de parrillas privadas. Dos personas pueden pagar por el mismo Netflix y recibir escaparates considerablemente diferentes.
GenPage lleva esa idea un poco más lejos porque intenta comprender las relaciones entre los distintos elementos de una misma portada. Netflix pone un ejemplo especialmente gráfico: una fila como Seguir viendo tiene un elevado poder para detener la exploración. Si aparece demasiado pronto, el usuario puede continuar inmediatamente una serie y dejar de descubrir otros contenidos.
Eso implica que la posición de una fila no es neutral.
Tampoco lo es la forma en la que una película llega hasta nosotros. Entrar en Netflix no garantiza ser visto. El catálogo puede contener miles de títulos y el recurso verdaderamente escaso continúa siendo la visibilidad.
Para estudios, productores y distribuidores, esa capa tecnológica es prácticamente invisible. Una película puede tener buenas críticas, una campaña razonable y un público potencial, pero todavía necesita encontrar su camino hasta una portada personalizada.
GenRec podría mejorar la capacidad de establecer relaciones menos obvias entre espectadores y títulos. GenPage, por su parte, puede optimizar el escaparate completo y no únicamente cada recomendación por separado.
Eso abre una posibilidad atractiva: que películas antiguas, títulos pequeños o géneros aparentemente alejados de los hábitos más recientes encuentren mejor a su público. También plantea la pregunta contraria: hasta qué punto una interfaz todavía más personalizada puede encerrar al usuario dentro de patrones que el propio sistema ha identificado.
Netflix no ha demostrado públicamente que vaya a ocurrir ninguna de las dos cosas.
Lo que todavía no significa GenRec
La palabra IA convierte fácilmente una investigación técnica en una profecía. Aquí conviene resistirse.
Netflix no ha anunciado que GenRec vaya a sustituir inmediatamente a su clasificador actual para todos los usuarios. El documento explica resultados experimentales y una prueba A/B, además de problemas reales de coste y servicio que deben resolverse para trabajar a la escala de la compañía.
GenPage tampoco ha completado todo su recorrido. La versión basada en aprendizaje por refuerzo que sus investigadores consideran una vía importante para optimizar la página completa todavía no había sido desplegada online cuando se publicó el trabajo.
Pero la dirección es difícil de ignorar.
Ya se había visto una primera aproximación cuando Netflix empezó a experimentar con recomendaciones mediante IA más cercanas al lenguaje que utiliza el espectador. Lo que GenRec y GenPage enseñan ahora ocurre más abajo, dentro de la infraestructura que decide qué aparece y dónde.
Netflix no parece buscar simplemente un algoritmo que sepa que te gustan los thrillers. Quiere un sistema que pueda entender qué combinación de historial, contexto y catálogo tiene sentido para ti en este momento y construir a partir de ahí la experiencia.
Durante décadas, el gran poder de una cadena fue controlar la parrilla.
El gran poder de una plataforma puede terminar siendo construir una diferente para cada uno.
