¿Qué porcentaje de lo que circula en redes sociales es falso?

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 que no hubo un aumento uniforme en todas las plataformas:

Plataforma Primera medición Segunda medición
TikTok ≈ 20 % 25 %
Facebook ≈ 13 % 15 %
YouTube ≈ 8,5 % 12 %
X ≈ 11 % 11 %
Instagram ≈ 8 % 8 %
LinkedIn ≈ 2 % 1 %

En TikTok, la prevalencia estimada pasó de aproximadamente 20 % a 25 %, mientras que en YouTube aumentó de alrededor de 8,5 % a 12 %. Los propios investigadores destacan estos dos incrementos. Facebook también presentó una estimación puntual mayor, de aproximadamente 13 % a 15 %, mientras que X e Instagram se mantuvieron prácticamente estables y LinkedIn pasó 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. Science Feedback sostiene que esta consistencia sugiere que los indicadores están captando características estructurales de las plataformas y no solamente fluctuaciones de un período particular.

En algunos nichos, el problema 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 y 5.057 publicaciones sobre salud mental y neurodivergencia en redes sociales. La prevalencia de información errónea encontrada osciló entre 0 % y 56,9 % según el estudio (Carter et al., 2026).

Los autores observaron, además, que los problemas de calidad tendían a ser mayores en TikTok que en YouTube, y en contenidos sobre neurodivergencias más que en otros temas de salud mental. Debido a la enorme heterogeneidad entre 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. Para 90 de ellos se disponía de datos de visualización y, en conjunto, acumulaban casi 496 millones de reproducciones. Evaluados por psicólogos clínicos, el 48,7 % de las afirmaciones sobre síntomas de TDAH coincidía con síntomas descritos en el DSM-5. Además, el 93,9 % de los creadores no citaba ninguna fuente para sus afirmaciones y el 50 % promocionaba productos o buscaba algún tipo de compensación económica. Al comparar las evaluaciones, los jóvenes adultos valoraron menos favorablemente que los psicólogos los cinco videos que estos habían considerado mejores y, en cambio, mucho más favorablemente los cinco que los profesionales habían considerado peores (Karasavva et al., 2025).

Otra investigación examinó 100 videos de TikTok sobre trastorno del espectro autista: el 40 % fue clasificado como engañoso, frente a un 24 % con información útil. El 86 % había sido producido por personas sin formación sanitaria, y los videos realizados por profesionales resultaron útiles en el 50 % de los casos, frente al 20 % de los producidos por personas sin formación sanitaria (Brown et al., 2024).

De nuevo, esto no significa que menos de la mitad de todo lo que existe en TikTok sobre TDAH sea correcto, ni que el 40 % de todo su contenido sobre autismo sea engañoso. Son resultados obtenidos en muestras específicas.

Lo que sí muestran, junto con la revisión sistemática, es un patrón mucho más defendible: la desinformación no se distribuye de manera uniforme. Su prevalencia puede cambiar enormemente según la plataforma, el tema y el tipo de contenido que consumimos.
La advertencia que complica todo
Existe una explicación muy extendida para este fenómeno:

«El algoritmo nos muestra desinformación y termina encerrándonos en una burbuja.»

La evidencia científica obliga a introducir un matiz importante.

Altay, Berriche y Acerbi (2023) advierten que 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 dominios completos como confiables o no confiables. Cada decisión metodológica puede producir estimaciones muy diferentes.

Por eso, los autores sostienen que 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 se obtuvieron (Altay et al., 2023).

Los autores agregan otro matiz incómodo: buena parte de la investigación se concentra en las redes sociales no porque haya evidencia de que amplifiquen más que otros medios, sino por conveniencia metodológica —son las plataformas de las que se pueden obtener datos—.

Y advierten sobre algo que atraviesa toda esta nota: la definición que se adopte de «desinformación» determina el tamaño del problema. Definiciones estrictas, limitadas a información demostrablemente falsa, arrojan cifras pequeñas; definiciones amplias, que incluyen contenido partidista o de baja calidad, las multiplican (Altay et al., 2023).

Nada de esto vuelve irrelevantes a los algoritmos ni libera de responsabilidad a las plataformas. Pero sí desplaza el foco: no somos completamente pasivos frente al sistema de recomendación. Las cuentas que decidimos seguir, los enlaces que elegimos abrir y aquello con lo que interactuamos también construyen el entorno informativo que recibimos.
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 informó que los ingresos anuales de YouTube durante 2025 superaron los 60.000 millones de dólares, combinando publicidad y suscripciones (Pichai, 2026). Meta, propietaria de Facebook e Instagram, informó por su parte 196.175 millones de dólares en ingresos publicitarios durante 2025, sobre ingresos totales de 200.966 millones (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, especialmente del publicitario.

Y aquí aparece un dato especialmente interesante.

SIMODS estudió también si las fuentes clasificadas como de baja credibilidad parecían permanecer dentro de los sistemas de monetización. En YouTube, el 81 % de los canales de baja credibilidad que cumplían las condiciones para monetizar presentaban señales compatibles con monetización. En Facebook, la proporción fue del 22 %.

Los propios investigadores advierten que la opacidad de las plataformas dificulta hacer comparaciones precisas sobre monetización. Por eso, estos resultados no permiten afirmar que toda mentira genere dinero ni que las plataformas paguen más por los contenidos falsos.

Pero sí muestran algo importante: las políticas de desmonetización no necesariamente impiden que fuentes de baja credibilidad sigan formando parte del ecosistema económico de las plataformas.

Hay otro hallazgo de SIMODS que ayuda a comprender por qué este contenido puede resultar tan atractivo. En relación con el tamaño de sus audiencias, las cuentas de baja credibilidad estudiadas obtuvieron más interacciones por publicación que las de alta credibilidad: aproximadamente 11 veces más en YouTube, 10 en X, 9 en Facebook, 4 en Instagram y 2 en TikTok. En LinkedIn no se observó una diferencia estadísticamente significativa (Science Feedback, 2026).

La información de baja credibilidad no solo circula. En determinadas plataformas, además, genera proporcionalmente más interacción.
Cuando producir contenido se vuelve cada vez más barato
A este escenario se suma la inteligencia artificial generativa.

NewsGuard hace 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 (NewsGuard, 2026).

No todos publican necesariamente información falsa, pero la organización ha documentado numerosos casos en los que estas páginas difunden afirmaciones falsas o 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 resultado es que anuncios de grandes marcas terminan financiando estas páginas sin que exista una decisión consciente de la empresa anunciante.

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 desplazamiento más reciente y, en cierto sentido, más difícil de medir: ya no es solo el mensaje lo que puede ser artificial. 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 hiperrealistas mientras aborda cuestiones políticas y económicas, critica al kirchnerismo y expresa posiciones favorables al Gobierno de Javier Milei. Superó los 13.000 seguidores. No existe como persona real: se trata de un avatar creado mediante inteligencia artificial. Cientos de usuarios detectaron anomalías en las imágenes y lo señalaron en los comentarios. Por el momento, se desconoce quién está detrás de la cuenta (MDZ Sociedad, 2026).

No es un caso aislado ni un fenómeno local. En Estados Unidos, la cuenta Jessica Foster —una supuesta militar rubia que posaba junto a líderes mundiales— superó el millón de seguidores en Instagram antes de ser expuesta como un perfil fabricado. Su caso es un ejemplo de un fenómeno que algunos observadores comenzaron a denominar digital stolen valor: identidades sintéticas que utilizan la credibilidad asociada al servicio militar u otras profesiones para construir audiencias y, en algunos casos, generar 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. 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).

Acá conviene detenerse en una distinción que cambia el problema.

Un perfil como este puede publicar, técnicamente, contenido verdadero. Lo falso no es necesariamente lo que dice: es quién dice que es. Y eso importa porque buena parte de cómo evaluamos información en redes no pasa por verificar el dato, sino por una señal social: esto lo dice una persona real, que se parece a mí, que vive lo que yo vivo. Un avatar sintético no falsifica un hecho; falsifica esa señal.

Es, además, un punto ciego de las propias mediciones que citamos en esta nota. SIMODS mide qué proporción del contenido expuesto es falso o engañoso. La revisión de Carter y colegas mide la calidad de la información sobre salud mental. Ninguna de las dos mide si quien publica existe. No contamos hoy con una estimación global, comparable y suficientemente robusta que permita determinar qué proporción de las cuentas que encontramos en redes corresponde realmente a personas.

En materia regulatoria, algo se movió, aunque tarde y solo en una jurisdicción. Desde el 2 de agosto de 2026 se aplican las obligaciones de transparencia del 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, mientras que 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. Una cuenta operada desde la Argentina no queda automáticamente fuera del Reglamento: determinadas obligaciones pueden alcanzar a proveedores y responsables del despliegue establecidos en terceros países cuando la salida producida por el sistema de IA se utiliza en la Unión Europea. Por lo tanto, la existencia de una regulación europea no implica una obligación universal, pero tampoco puede determinarse su aplicabilidad únicamente por el país desde el que se opera una cuenta.
La corrección que no siempre frena la circulación
X popularizó las Notas de la Comunidad, un sistema mediante el cual los propios usuarios agregan 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 empezaron el 18 de marzo de 2025 y las notas comenzaron 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, ciertas características de su diseño pueden limitar su capacidad para cumplir ese objetivo, especialmente en contextos electorales, de crisis o de conflicto, donde la desinformación se difunde más rápido de lo que una nota puede publicarse y calificarse. 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 afectan quién puede ver el contenido ni con qué amplitud puede compartirse» (Meta Platforms, Inc., 2025b).

La nota agrega contexto, pero el contenido original sigue circulando igual.

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.
Entonces, ¿por qué no se multa simplemente 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. Y, según explica la propia Comisión Europea, el Reglamento de Servicios Digitales no establece que cada publicación falsa deba eliminarse ni que cada falsedad genere automáticamente una sanción económica.

Su enfoque es otro. 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. Lo que se sanciona, cuando una plataforma incumple esas obligaciones, son multas de hasta el 6 % de su facturación mundial anual (Comisión Europea, 2025c).

A eso 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 «¿por qué no borran las mentiras?». Involucra libertad de expresión, acceso a la información, transparencia, evidencia científica, responsabilidad empresarial y la dificultad de decidir quién determina qué es falso en cada contexto.

Pero hay una pregunta que sigue abierta y que posiblemente sea todavía más incómoda:

Si una plataforma obtiene ingresos de contenidos falsos o engañosos que no necesariamente son ilegales, ¿hasta dónde debería llegar su responsabilidad económica por permitir que continúen circulando y monetizándose?

Porque quizás el problema central no sea descubrir un número capaz de decirnos qué porcentaje de lo que circula en redes sociales es falso.

Quizás el verdadero desafío sea decidir qué nivel de responsabilidad deberían asumir las empresas que construyen, distribuyen y monetizan el entorno informativo en el que hoy tomamos 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.

Referencia:

• Martínez-Roig, R., Domínguez-Santos, A., & Sirignano, F. M. (2023). La tecnoferencia en el ámbito familiar. La percepción de los padres en torno al uso del teléfono móvil y las interacciones con los hijos. Research in Education and Learning Innovation Archives, 31, 66-80. https://doi.org/10.7203/REALIA.31.27160

Cómo citar esta publicación: González Caino, P. C. (2026). Tecnoferencia: cómo afecta hoy la relación entre padres e hijos. Asociación Educar para el Desarrollo Humano. https://asociacioneducar.com/tecnoferencia-como-afecta-hoy-la-relacion-entre-padres-e-hijos/