Desinformación en redes sociales: cuánto contenido falso circula

Durante años, la respuesta más honesta a esa pregunta fue: no se sabe. Y si la pregunta se refiere a todo lo que circula en todas las redes sociales, esa sigue siendo la respuesta correcta.

No es una evasiva. Para calcular un porcentaje global no alcanza con contar publicaciones eliminadas o verificadas como falsas. Primero hay que establecer qué se considera información falsa o engañosa (y ese criterio, por sí solo, cambia radicalmente el tamaño del problema). Después hace falta un denominador comparable: ¿publicaciones? ¿visualizaciones? ¿usuarios expuestos? Cada elección da un número distinto.

Las plataformas publican informes de moderación e incluso algunas métricas de prevalencia. El problema es que no existe un estándar uniforme, transparente y auditable que permita a investigadores independientes calcular y comparar qué proporción de lo que circula en cada plataforma contiene información falsa o engañosa. De hecho, se financiaron proyectos específicos para intentar construir esos indicadores. Uno de ellos es SIMODS (en español, Indicadores Estructurales para Monitorear Científicamente la Desinformación en Línea), una iniciativa financiada por el European Media and Information Fund (EMIF), orientada a desarrollar indicadores comparables para medir la desinformación entre plataformas y países.

Pero construir esos indicadores sigue sin ser sencillo: los investigadores continúan enfrentando importantes barreras para acceder a los datos de las plataformas.

Un ejemplo de ese problema ocurrió con X (ex Twitter). El 5 de diciembre de 2025, la Comisión Europea multó a X con 120 millones de euros, en la primera decisión de incumplimiento del Reglamento de Servicios Digitales (DSA) de la Unión Europea.

Fueron tres infracciones (Comisión Europea, 2025a):

1. el diseño engañoso de las marcas de verificación azules;
2. la falta de transparencia de su repositorio de anuncios;
3. el incumplimiento de su obligación de facilitar a los investigadores el acceso a datos públicos de la plataforma, al imponer barreras que, según la Comisión, obstaculizaban efectivamente la investigación sobre distintos riesgos sistémicos.

El 15 de julio de 2026, la Comisión aceptó el plan de acción presentado por X para subsanar las obligaciones relativas a transparencia publicitaria y acceso de investigadores a datos. X tiene seis meses para implementarlo, bajo supervisión reforzada y auditorías externas independientes.

En este contexto, en el que se buscan certezas sobre las cifras de la desinformación, aparece una paradoja: los datos que permitirían responder la pregunta están, en buena medida, en manos de quienes son objeto de la pregunta.

Una medición comparable entre seis grandes plataformas

En marzo de 2026, SIMODS publicó los resultados de su segunda medición, realizada sobre contenido de interés público difundido en Francia, España, Polonia y Eslovaquia durante octubre de 2025.

Los investigadores utilizaron la misma metodología que en la primera medición: muestras aleatorias ponderadas por exposición, en las que las publicaciones con mayor alcance tenían mayor probabilidad de ser seleccionadas. Luego, verificadores profesionales evaluaron los contenidos incluidos en esas muestras. De este modo, la medición no asignó el mismo peso a todas las publicaciones, sino que tuvo en cuenta su nivel de exposición.

El resultado fue preocupante. En el contenido de interés público analizado, ponderado por exposición, la proporción de publicaciones clasificadas como falsas o engañosas fue:

Una aclaración fundamental: esto no significa que el 25% de todo lo publicado en TikTok sea falso. Ese porcentaje corresponde al contenido de interés público incluido en las muestras analizadas en Francia, España, Polonia y Eslovaquia, ponderado según su nivel de exposición. Extrapolar ese resultado a la totalidad del contenido publicado en TikTok iría más allá de lo que permite afirmar la investigación.

La segunda medición de SIMODS permite, además, comparar estos resultados con los de la primera medición, publicada en septiembre de 2025.

La comparación muestra una evolución desigual entre las plataformas:

En TikTok, la prevalencia estimada pasó de aproximadamente 20% a 25%, mientras que YouTube presentó el mayor aumento relativo, al pasar de 8,5% a 12%. Los propios investigadores destacan estos dos incrementos. Facebook también mostró una estimación mayor, de aproximadamente 13% a 15%, mientras que X e Instagram se mantuvieron estables. LinkedIn fue la única plataforma en la que la estimación disminuyó, al pasar de alrededor del 2% al 1%.

Esto no implica necesariamente que todas las diferencias entre ambas mediciones sean estadísticamente significativas. Lo relevante es que, al repetir la medición en dos períodos independientes utilizando la misma metodología, el patrón general volvió a aparecer: TikTok presentó la mayor prevalencia de contenido falso o engañoso, LinkedIn la menor y las diferencias entre plataformas persistieron. Esta consistencia sugiere que los indicadores captan características estructurales de las plataformas y no solamente fluctuaciones propias de un período particular.

En algunos tópicos, la prevalencia de desinformación aumenta

Cuando dejamos de observar promedios generales y nos concentramos en determinados temas, las cifras pueden aumentar considerablemente.

Una revisión sistemática publicada en 2026 reunió 27 estudios que, en conjunto, analizaron 5.057 publicaciones sobre salud mental y neurodivergencia en redes sociales. La prevalencia de información errónea encontrada osciló entre el 0% y el 56,9%, según el estudio (Carter et al., 2026).

Los autores observaron, además, que la información tendía a ser menos confiable en TikTok que en YouTube y en los contenidos sobre neurodivergencia que en otros temas de salud mental. Debido a la elevada heterogeneidad entre las investigaciones, no fue posible calcular una única tasa generalizable a todas las plataformas y temáticas.

Dos ejemplos ayudan a dimensionar el problema

Un estudio publicado en 2025 analizó 98 de los videos más populares de TikTok bajo el hashtag #ADHD (sigla en inglés de trastorno por déficit de atención e hiperactividad [TDAH]). Para 90 de ellos se disponía de datos de visualización y, en conjunto, acumulaban casi 496 millones de reproducciones. Entre los principales resultados:

• solo el 48,7% de las afirmaciones sobre síntomas de TDAH coincidían con los síntomas descritos en el DSM-5;
• el 93,9% de los creadores no citaba ninguna fuente para sus afirmaciones;
• el 50% promocionaba productos o buscaba algún tipo de compensación económica.

En una segunda etapa del estudio participaron 843 estudiantes universitarios: 224 no tenían TDAH, 421 se autodiagnosticaban y 198 contaban con un diagnóstico formal. A todos se les mostraron los cinco videos que un equipo de psicólogos había valorado como mejores y los cinco que había considerado peores. Aunque los estudiantes también valoraron mejor el primer grupo que el segundo, asignaron a los videos peor evaluados por los psicólogos puntuaciones de recomendación considerablemente más altas que las otorgadas por los profesionales (Karasavva et al., 2025).

Brown et al. (2024) examinaron 100 videos de TikTok sobre trastorno del espectro autista. Los investigadores clasificaron como útiles aquellos que transmitían información correcta y basada en hechos sobre el trastorno, como sus características, diagnóstico o abordaje; como engañosos, los que incluían información incorrecta o potencialmente confusa; y separaron de ambas categorías los contenidos centrados principalmente en experiencias personales. Entre los principales resultados:

• el 40% de los videos fue clasificado como engañoso;
• solo el 24% fue considerado útil;
• el 86% había sido producido por personas que no eran profesionales de la salud;
• entre los videos realizados por profesionales, el 50% fue clasificado como útil, frente al 20% de los producidos por personas sin formación sanitaria.

Insistiendo sobre este punto: estos resultados no permiten concluir que, en el conjunto de TikTok, solo el 48,7% de las afirmaciones sobre síntomas de TDAH coincida con los criterios del DSM-5 ni que el 40% de todo el contenido sobre autismo sea engañoso. Son resultados obtenidos a partir de muestras específicas y bajo criterios de evaluación determinados.

Lo que sí muestran estos estudios es un patrón mucho más desafiante: la desinformación no se distribuye de manera uniforme. Su prevalencia puede variar considerablemente según la plataforma, el tema analizado y el tipo de contenido al que estamos expuestos.

El problema de medir la desinformación

Existe una explicación muy extendida para este fenómeno: «El algoritmo nos muestra desinformación y, al reaccionar a ella, termina encerrándonos en una cámara de eco».

Pero antes de aceptar una explicación tan directa, Altay, Berriche y Acerbi (2023) introducen una advertencia fundamental: estimar cuánta desinformación consume una persona depende en gran medida de cómo se define y mide el fenómeno. No es equivalente contar publicaciones falsas, medir la exposición, analizar el tiempo de consumo o clasificar fuentes completas como confiables o no confiables. Cada decisión metodológica puede producir estimaciones muy diferentes.

Por eso, las cifras sobre desinformación deben interpretarse con cautela y siempre en relación con la definición utilizada, el denominador elegido y el contexto en el que fueron obtenidas.

Los autores agregan otro matiz importante: buena parte de la investigación se concentra en las redes sociales, en parte, porque allí resulta metodológicamente más sencillo obtener y analizar grandes cantidades de datos. Pero esa concentración de estudios no permite concluir, por sí sola, que la desinformación sea un problema exclusivo de las redes sociales ni que estas sean necesariamente su principal fuente.

También advierten sobre algo que atraviesa toda esta nota: la definición utilizada para identificar qué constituye desinformación puede modificar considerablemente la magnitud del problema que terminamos midiendo.

• Definiciones estrictas, limitadas a información demostrablemente falsa, producen estimaciones menores.
• Definiciones más amplias, que incluyen contenidos engañosos, partidistas o de baja calidad, pueden producir estimaciones considerablemente mayores.

Hay, además, otra distinción fundamental: estar expuesto a una información no significa necesariamente creerla, y compartirla o interactuar con ella tampoco demuestra que haya convencido a quien lo hizo. Las personas no reciben pasivamente todo lo que aparece en sus pantallas. También seleccionan fuentes, siguen determinadas cuentas, buscan ciertos contenidos e interactúan con información compatible con intereses, ideas o predisposiciones previas.

Nada de esto vuelve irrelevantes a los algoritmos ni libera de responsabilidad a las plataformas. Pero sí obliga a abandonar una explicación demasiado simple en la que el usuario es apenas un receptor pasivo. El entorno informativo que recibimos surge de una interacción entre lo que las plataformas priorizan y las decisiones que nosotros mismos tomamos dentro de ellas.

El negocio detrás de nuestra atención

Todo esto ocurre dentro de uno de los mercados digitales más grandes del mundo.

En febrero de 2026, Alphabet, empresa matriz de Google y otras compañías del grupo, informó que los ingresos anuales de YouTube durante 2025 superaron los 60.000 millones de dólares, sumando publicidad y suscripciones (Pichai, 2026).

Meta, empresa propietaria de Facebook, Instagram, WhatsApp y otras plataformas, informó por su parte 196.175 millones de dólares en ingresos publicitarios durante 2025, frente a 160.633 millones en 2024, lo que representa un crecimiento interanual de aproximadamente 22%. Sobre ingresos totales de 200.966 millones de dólares, la publicidad representó el 97,6% (Meta Platforms, Inc., 2026).

Las cifras no son directamente comparables: una corresponde a publicidad y suscripciones de una sola plataforma, la otra a los ingresos publicitarios del conjunto de Meta. Pero permiten dimensionar el tamaño económico de un ecosistema en el que captar y mantener nuestra atención constituye un componente central del modelo de negocio.

Y aquí aparece un dato especialmente interesante: SIMODS analizó también si las cuentas de baja credibilidad que reunían las condiciones para monetizar mostraban indicios de estar efectivamente monetizadas:

• YouTube: el 81% de los canales de baja credibilidad elegibles parecía estar monetizado.
• Facebook: la proporción fue del 22%.

Los propios investigadores advierten que la opacidad de las plataformas impide realizar comparaciones precisas sobre monetización entre servicios. Por eso, estos resultados no permiten afirmar que todo contenido falso genere dinero ni que las plataformas paguen más por la desinformación. Lo que sí muestran es que las políticas de desmonetización no necesariamente impiden que cuentas que difunden reiteradamente información de baja credibilidad continúen participando de los sistemas de monetización.

El mismo estudio de SIMODS encontró otro dato que ayuda a comprender por qué este tipo de contenido puede adquirir tanta visibilidad. Por cada 1.000 seguidores, las cuentas de baja credibilidad obtuvieron más interacciones por publicación que las de alta credibilidad:

• YouTube: aproximadamente 11 veces más;
• X: 10 veces más;
• Facebook: 9 veces más;
• Instagram: 4 veces más;
• TikTok: 2 veces más;
• LinkedIn: no se observó una diferencia estadísticamente significativa.

En conjunto, los resultados muestran una combinación difícil de ignorar: las cuentas de baja credibilidad pueden permanecer dentro de los sistemas de monetización y, en varias de las plataformas analizadas, obtener proporcionalmente más interacción que las de alta credibilidad. Esto no demuestra que las plataformas premien deliberadamente la desinformación, pero sí que la baja credibilidad no necesariamente constituye una desventaja dentro de un ecosistema económico que compite por nuestra atención.

Cuando producir contenido se vuelve cada vez más barato

A este escenario se suma la inteligencia artificial generativa.

NewsGuard (2026) realiza un seguimiento de sitios que publican noticias e información producidas principalmente mediante inteligencia artificial, con escasa o nula supervisión humana y sin informar claramente a sus lectores sobre ese proceso. Al 23 de junio de 2026, había identificado 3.749 sitios de este tipo en 16 idiomas.

No todos publican necesariamente información falsa, pero la organización ha documentado numerosos casos en los que estas páginas difunden afirmaciones falsas o contenidos de muy baja calidad. Además, muchas se financian mediante publicidad programática, un sistema que, según describe el propio informe, coloca anuncios sin considerar la naturaleza o la calidad del sitio web. El problema funciona en dos direcciones:

1. los anuncios de grandes marcas pueden terminar financiando estas páginas sin que exista una decisión consciente de la empresa anunciante;
2. al mismo tiempo, la presencia de esas marcas reconocidas puede dar al sitio una apariencia de legitimidad ante los usuarios.

El problema, entonces, ya no es solamente la facilidad para compartir información falsa. Es que la inteligencia artificial generativa permite producir este tipo de contenido a gran escala y con costos cada vez menores.

Cuando el que habla tampoco existe

Hasta acá hablamos de contenido falso. Pero hay un cambio más reciente y, en cierto sentido, más difícil de medir: ya no es solo el mensaje lo que puede ser artificial, sino también el emisor.

En agosto de 2026 empezó a circular en la Argentina el caso de Lucía Libertaria (@lucialibertaria.ok), una supuesta joven influencer que publica en Instagram fotografías y videos sobre cuestiones políticas, económicas y sociales. En su perfil afirma: «Me gusta informar sin vueltas».

La cuenta ya reúne miles de seguidores y numerosos comentarios positivos en sus publicaciones, entre ellos: «¡Qué ídola!», «Genia», «Excelente, Lu. Gracias por informarme» y «Aplausos para tu explicación». Sin embargo, Lucía Libertaria no es una persona real: se trata de un avatar creado mediante inteligencia artificial. Y hay un dato todavía más inquietante: por el momento se desconoce quién está detrás de la cuenta.

No es un caso aislado ni un fenómeno local. En Estados Unidos, Jessica Foster se presentaba como una joven integrante del Ejército y construía, mediante una sucesión de fotografías y videos generados con inteligencia artificial, la imagen de una especie de «chica ideal MAGA» (sigla de Make America Great Again, eslogan político popularizado por Donald Trump y asociado a su movimiento y base política): aparecía con uniforme militar, junto a aviones de combate y compartiendo escenas ficticias con figuras como Donald Trump, Volodímir Zelenski, Vladímir Putin, Melania Trump y Lionel Messi. Esta representación de una supuesta vida militar y patriótica llevó a que su cuenta superara el millón de seguidores en Instagram en apenas cuatro meses. Sin embargo, no existía registro público de su servicio militar y numerosos indicios revelaban que se trataba de un personaje artificial. La cuenta también dirigía a sus seguidores hacia plataformas de contenido pago, primero OnlyFans y luego Fanvue, donde se ofrecía acceso mediante suscripción a contenido más explícito o exclusivo. Finalmente, Instagram eliminó la cuenta por infringir sus políticas, aunque Meta no especificó públicamente cuál de ellas había sido vulnerada (Harwell, 2026).

Su caso ejemplifica un fenómeno que algunos observadores comenzaron a denominar digital stolen valor: identidades sintéticas que se apropian de la credibilidad asociada al servicio militar, o incluso a otras profesiones consideradas confiables, para atraer seguidores, generar interacción y, en algunos casos, obtener ingresos (LaBee, 2026).

Detectar al emisor artificial tampoco es sencillo

Un análisis publicado en 2024 identificó una red de 1.140 cuentas coordinadas en Twitter que publicaban texto generado con ChatGPT. Se trataba de una botnet, es decir, una red de cuentas automatizadas que actúan de manera coordinada. La botnet podía detectarse mediante sus patrones de coordinación, pero los clasificadores de texto generado por IA disponibles no lograban distinguir eficazmente esas cuentas de las humanas en condiciones reales (Yang & Menczer, 2024).

Este hallazgo introduce una dificultad adicional: no siempre lo artificial está en el contenido. También puede estar en la identidad de quien lo publica.

Una cuenta basada en una identidad sintética puede publicar, técnicamente, contenido verdadero. Lo falso no es necesariamente lo que dice, sino quién dice ser. Y eso importa porque buena parte de cómo evaluamos la información en redes no depende únicamente de verificar un dato, sino también de señales sociales: esto lo dice una persona real, que se parece a mí, que vive lo que yo vivo. Un avatar sintético puede no falsificar un hecho, pero sí falsificar esa señal de identidad, experiencia y autenticidad.

Es, además, un punto ciego de las propias mediciones que citamos en esta nota. SIMODS estima la prevalencia de desinformación en muestras de contenido de interés público ponderadas según su exposición. La revisión de Carter et al. (2026) analiza la calidad, la fiabilidad y la presencia de información errónea en contenidos sobre salud mental y neurodivergencia. Pero ninguna de estas mediciones busca determinar si la identidad que publica el contenido corresponde realmente a una persona.

Y ahí aparece otro problema de medición: no contamos con una estimación global, multiplataforma y metodológicamente comparable que permita determinar qué proporción de las cuentas que encontramos en redes corresponde a personas reales y qué proporción a bots, identidades sintéticas u otras formas de cuentas inauténticas.

Cuando la regulación intenta alcanzar a la inteligencia artificial

Frente a este nuevo escenario, también comenzaron a aparecer respuestas regulatorias. Desde el 2 de agosto de 2026 se aplican las obligaciones de transparencia establecidas en el artículo 50 del Reglamento de Inteligencia Artificial de la Unión Europea.

Entre ellas, los proveedores de sistemas generativos deben incorporar marcas que permitan detectar determinados contenidos generados o manipulados mediante IA. A su vez, quienes utilizan estos sistemas deben informar de forma clara y distinguible cuando difunden contenidos que constituyen deepfakes, como máximo en la primera exposición.

También deben etiquetarse determinados textos generados o manipulados mediante IA y publicados para informar al público sobre asuntos de interés público. Esta última obligación no se aplica cuando el texto ha sido sometido a una revisión humana sustantiva o a control editorial y existe responsabilidad editorial sobre su publicación. En las obras manifiestamente artísticas, creativas, satíricas o ficticias que contienen deepfakes, la obligación de transparencia no desaparece, aunque puede cumplirse de una manera que no perjudique la exhibición o el disfrute de la obra (Comisión Europea, 2026b).

También conviene considerar el alcance territorial de la norma. Que una cuenta sea operada desde la Argentina, Perú o México no implica, por sí solo, que quede fuera del Reglamento. Determinadas obligaciones también pueden alcanzar a proveedores y responsables del despliegue establecidos en terceros países cuando el resultado generado por el sistema de IA se utiliza en la Unión Europea.

Sin embargo, su aplicación práctica puede resultar especialmente compleja en un entorno digital globalizado. Una misma plataforma puede tener su empresa matriz en un país, operar mediante filiales en otros y distribuir su infraestructura tecnológica entre distintas jurisdicciones. A esto se suma que quien genera o publica el contenido puede encontrarse en un tercer país, mientras que parte de la audiencia se encuentra dentro de la Unión Europea. Determinar qué obligaciones resultan aplicables y quién debe responder por su cumplimiento puede requerir analizar cada caso en particular.

¿Y qué ocurre en América Latina?

En América Latina, la respuesta frente a la desinformación digital es mucho más fragmentaria. No existe un marco regional equivalente al Reglamento de Servicios Digitales o al Reglamento de Inteligencia Artificial de la Unión Europea. En los países de la región aparecen, en cambio, normas, acuerdos e iniciativas institucionales diferentes, muchas de ellas concentradas específicamente en los procesos electorales.

Brasil presenta uno de los ejemplos regulatorios más avanzados. Para las elecciones de 2026, el Tribunal Superior Electoral actualizó sus reglas sobre propaganda digital, desinformación e inteligencia artificial. Entre otras disposiciones, exige identificar de manera explícita determinados contenidos sintéticos utilizados en propaganda electoral y establece restricciones para el uso de imágenes, voces o manifestaciones generadas o modificadas mediante IA. También contempla supuestos en los que las plataformas deben hacer indisponibles contenidos ilícitos sin necesidad de una orden judicial previa (Tribunal Superior Eleitoral, 2026).

En Argentina, la estrategia ha sido diferente. La Cámara Nacional Electoral impulsó el Compromiso Ético Digital, una iniciativa orientada a preservar el debate democrático durante las elecciones nacionales, contrarrestar la manipulación de contenidos digitales y mitigar los efectos de la desinformación sin menoscabar la libertad de expresión. Sin embargo, se trata de un compromiso de adhesión, no de un régimen general que obligue a las plataformas a eliminar toda información considerada falsa (Cámara Nacional Electoral, 2025).

Otros países han avanzado principalmente mediante monitoreo, alfabetización y verificación electoral. En Chile, el Servicio Electoral monitorea de manera sistemática la conversación digital y publica estadísticas sobre contenidos desinformativos vinculados con los procesos electorales.

En México, el Instituto Nacional Electoral convirtió en 2026 su proyecto Certeza en un programa permanente de monitoreo, verificación, desmentido y alfabetización digital frente a la desinformación (Instituto Nacional Electoral, 2026). El programa contempla expresamente la prevención frente a formas de manipulación digital como los deepfakes.

El panorama regional, por lo tanto, es desigual. Existen herramientas para actuar frente a determinadas formas de desinformación, especialmente cuando pueden afectar elecciones, pero esto está lejos de significar que toda información falsa que circula en redes sociales sea ilegal o que las plataformas tengan en América Latina una obligación general de detectarla y eliminarla.

La corrección que no siempre frena la circulación

Pero identificar o etiquetar contenidos es solo una parte del problema. Otra estrategia utilizada por las plataformas consiste en agregar contexto una vez que la información ya fue publicada.

X popularizó las Notas de la Comunidad, un sistema mediante el cual los propios usuarios pueden agregar contexto a publicaciones consideradas potencialmente engañosas o incompletas.

En enero de 2025, Meta anunció que reemplazaría en Estados Unidos su programa de verificación profesional de datos por un sistema de Community Notes para Facebook, Instagram y Threads (Meta Platforms, Inc., 2025a). Las pruebas comenzaron el 18 de marzo de 2025 y las notas empezaron a aparecer públicamente el 7 de abril de ese año (Meta Platforms, Inc., 2025b). El cambio no se implementó globalmente.

En marzo de 2026, el Oversight Board, organismo independiente que supervisa determinadas decisiones relacionadas con las políticas de contenido de Meta, publicó una opinión consultiva sobre los planes de extender el sistema a otros países.

Su advertencia fue clara: si Community Notes se transforma en la principal herramienta para abordar contenidos engañosos que no alcanzan el umbral de eliminación, algunas características de su diseño pueden limitar su capacidad para cumplir ese objetivo, especialmente en contextos electorales, de crisis o de conflicto, donde la desinformación puede difundirse más rápido de lo que una nota tarda en publicarse y recibir las calificaciones necesarias. Señaló, además, un dato que conviene retener: solo alrededor del 6% de las notas propuestas llega a publicarse (Oversight Board, 2026).

Hay también una diferencia fundamental respecto del sistema anterior. Bajo el programa profesional de fact-checking, determinados contenidos calificados como falsos podían sufrir una reducción de distribución. Con Community Notes ocurre algo distinto: la propia Meta explicó que las notas aportan contexto adicional, pero no reducen por sí mismas la distribución del contenido (Meta Platforms, Inc., 2025b).

En otras palabras: la nota agrega contexto, pero la publicación original puede continuar circulando.

Eso genera una asimetría difícil de ignorar. Publicar puede tomar segundos; verificar requiere evidencia, revisión y tiempo. Una corrección puede ser útil, pero también puede llegar cuando miles o millones de personas ya estuvieron expuestas al contenido original.

¿Por qué no se multa  a las plataformas por las noticias falsas?

Porque existe una distinción jurídica fundamental: falso no significa necesariamente ilegal.

Una afirmación puede ser científicamente incorrecta, engañosa o incluso absurda y, aun así, no constituir por sí misma un contenido ilegal. El Reglamento de Servicios Digitales de la Unión Europea tampoco establece que cada publicación falsa deba eliminarse ni que cada falsedad genere automáticamente una sanción económica.

Su enfoque es diferente. Las plataformas de muy gran tamaño deben identificar, evaluar y mitigar riesgos sistémicos relacionados, entre otros aspectos, con contenidos ilegales, derechos fundamentales, procesos electorales, salud pública y otros posibles daños sociales. También tienen obligaciones de transparencia y deben facilitar determinadas formas de acceso a sus datos para investigadores.

Cuando una plataforma incumple esas obligaciones, puede recibir multas de hasta el 6% de su facturación mundial anual (Comisión Europea, 2025c).

A esto se sumó el Código de Conducta sobre Desinformación, integrado formalmente al DSA en febrero de 2025 y aplicable desde el 1 de julio de ese año, con medidas relacionadas con desmonetización, publicidad política, verificación de datos, transparencia y empoderamiento de los usuarios (Comisión Europea, 2025b).

Por eso, la pregunta regulatoria es mucho más compleja que la simple pregunta «¿por qué no borran las mentiras?».

La respuesta puede involucrar cuestiones como la libertad de expresión, el acceso a la información, la transparencia, la evidencia científica, la responsabilidad empresarial y una dificultad fundamental: quién determina qué es falso, bajo qué criterios y en qué contexto.

Pero queda una pregunta posiblemente todavía más incómoda

Si una plataforma se beneficia económicamente de un ecosistema en el que circulan y se monetizan contenidos falsos o engañosos, ¿hasta dónde debería llegar su responsabilidad?

Porque quizás el problema central no sea encontrar un número capaz de medir qué proporción de la información que circula en redes sociales resulta poco confiable.

El verdadero desafío puede estar en decidir qué nivel de responsabilidad deberían asumir las empresas que diseñan sistemas de recomendación orientados a captar y mantener nuestra atención, mientras distribuyen y monetizan un entorno informativo que puede influir en buena parte de nuestras decisiones.

Recomendación para profundizar: Adicción a las Redes Sociales, Marketing Digital y Diseño Algorítmico: Un Análisis Multidimensional de un Fenómeno Global con Implicancias en la Salud Mental

En AE creemos que el pensamiento crítico no se delega. Se ejerce

Por eso creamos un canal de WhatsApp con el propósito de ofrecerte un análisis riguroso de los temas más relevantes, a través de la mirada de expertos y científicos que comparten sus fuentes para que puedas profundizar, contrastar información y elaborar tus propias conclusiones para decidir con autonomía y fundamento.

Referencias:

• Altay, S., Berriche, M., & Acerbi, A. (2023). Misinformation on misinformation: Conceptual and methodological challenges. Social Media + Society, 9(1), 20563051221150412. https://doi.org/10.1177/20563051221150412
• Brown, E., Kuzmiak, F., Singh, A., Monga, V., Bell, T., Nolan, J., Schlenker, M., Moore, J., & Kashyap, R. (2024). A cross-sectional analysis of TikTok autism spectrum disorder content quality. Emerging Trends in Drugs, Addictions, and Health, 4, 100150. https://doi.org/10.1016/j.etdah.2024.100150
• Cámara Nacional Electoral. (2025). Compromiso Ético Digital 2025. https://www.electoral.gob.ar/nuevo/paginas/cne/compromiso/compromiso_consulta_2025.php
• Carter, A., Gracey, F., Moody, J., Ovens, A., & Chatburn, E. (2026). Quality, reliability and misinformation in mental health and neurodivergence content on social media: A systematic review. Journal of Social Media Research, 3(1), 30–47. https://doi.org/10.29329/jsomer.84
• CheckFirst. (s. f.). SIMODS: Structural Indicators to Monitor Online Disinformation Scientifically. Recuperado el 15 de agosto de 2026, de https://checkfirst.network/project/simods/
• Comisión Europea. (2025a). Commission fines X €120 million under the Digital Services Act. https://digital-strategy.ec.europa.eu/en/news/commission-fines-x-eu120-million-under-digital-services-act
• Comisión Europea. (2025b). Code of Conduct on Disinformation. https://digital-strategy.ec.europa.eu/en/library/code-conduct-disinformation
• Comisión Europea. (2025c). Digital Services Act: Questions and answers. https://digital-strategy.ec.europa.eu/en/faqs/digital-services-act-questions-and-answers
• Comisión Europea. (2026a). Commission accepts X’s corrective measures to terminate breaches of the DSA. https://digital-strategy.ec.europa.eu/en/news/commission-accepts-xs-corrective-measures-terminate-breaches-dsa
• Comisión Europea. (2026b). Transparency obligations under Article 50 of the AI Act. https://digital-strategy.ec.europa.eu/en/faqs/transparency-obligations-under-article-50-ai-act
• Harwell, D. (2026). Thousands have swooned over this MAGA dream girl. She’s made with AI. The Washington Post. https://www.washingtonpost.com/technology/2026/03/20/jessica-foster-maga-dream-girl-ai-fake/
• Instituto Nacional Electoral. (2026). Proyecto Certeza del INE se convierte en una iniciativa permanente contra la desinformación. Central Electoral. https://centralelectoral.ine.mx/2026/03/04/certeza-iniciativa-permanente/
• Karasavva, V., Miller, C., Groves, N., Montiel, A., Canu, W., & Mikami, A. (2025). A double-edged hashtag: Evaluation of #ADHD-related TikTok content and its associations with perceptions of ADHD. PLOS ONE, 20(3), e0319335. https://doi.org/10.1371/journal.pone.0319335
• LaBee, R. T. (2026). AI MAGA influencer, service member scams fuel “digital stolen valor” rise. Military.com. https://www.military.com/feature/2026/04/24/ai-maga-influencer-service-member-scams-fuel-digital-stolen-valor-rise.html
• Meta Platforms, Inc. (2025a). More speech and fewer mistakes. https://about.fb.com/news/2025/01/meta-more-speech-fewer-mistakes/
• Meta Platforms, Inc. (2025b). Testing begins for Community Notes on Facebook, Instagram and Threads. https://about.fb.com/news/2025/03/testing-begins-community-notes-facebook-instagram-threads/
• Meta Platforms, Inc. (2026). Meta reports fourth quarter and full year 2025 results. https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Fourth-Quarter-and-Full-Year-2025-Results/default.aspx
• NewsGuard. (2026). AI Tracking Center. https://www.newsguardtech.com/special-reports/ai-tracking-center/
• Oversight Board. (2026). Assessing Meta’s plans to expand Community Notes. https://www.oversightboard.com/decision/pao-007g5zuv/
• Parlamento Europeo & Consejo de la Unión Europea. (2022). Reglamento (UE) 2022/2065 del Parlamento Europeo y del Consejo, de 19 de octubre de 2022, relativo a un mercado único de servicios digitales y por el que se modifica la Directiva 2000/31/CE (Reglamento de Servicios Digitales). Diario Oficial de la Unión Europea, L 277, 1–102. https://eur-lex.europa.eu/legal-content/ES/ALL/?uri=CELEX:32022R2065
• Parlamento Europeo & Consejo de la Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea. https://eur-lex.europa.eu/eli/reg/2024/1689/oj?locale=es
• Pichai, S. (2026). Q4 earnings call: Remarks from our CEO. Google. https://blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q4-2025/
• Servicio Electoral de Chile. (s. f.). Estadísticas de la conversación digital sobre desinformación electoral. https://www.servel.cl/estadisticas-conversacion-digital-desinformativa/
• SIMODS. (2025). What our first measurement says about disinformation on major platforms in Europe. Science Feedback. https://science.feedback.org/first-measurement-disinformation-major-platforms-europe/
• SIMODS. (2026). What our second measurement says about misinformation on major platforms in Europe. Science Feedback. https://science.feedback.org/second-measurement-mis-disinformation-major-platforms-europe/
• Tribunal Superior Eleitoral. (2026). Resolução nº 23.755, de 2 de março de 2026: Altera a Resolução nº 23.610/TSE, de 18 de dezembro de 2019, que dispõe sobre propaganda eleitoral. https://www.tse.jus.br/legislacao/compilada/res/2026/resolucao-no-23-755-de-2-de-marco-de-2026
• Yang, K.-C., & Menczer, F. (2024). Anatomy of an AI-powered malicious social botnet. Journal of Quantitative Description: Digital Media, 4. https://doi.org/10.51685/jqd.2024.icwsm.7

Cómo citar esta publicación: Logatt Grabner, C. Y. (2026). Desinformación en redes sociales: cuánto contenido falso circula. Asociación Educar para el Desarrollo Humano. https://asociacioneducar.com/que-porcentaje-de-lo-que-circula-en-redes-sociales-es-falso/