Escucho de todo y el algoritmo no sabe por qué

Hay una pregunta que en una cena me deja siempre en evidencia: «¿y a ti qué música te gusta?».

Y mi respuesta, que es verdad, suena fatal: de todo un poco.

No tengo grupo favorito. No soy fan de nadie. No he ido nunca a un concierto por devoción, no tengo camiseta de ninguna banda y no sabría decirte cuál es mi disco.

Durante años pensé que eso me hacía quedar como alguien sin criterio. Pero llevo veinticinco años montando sistemas que ordenan y clasifican cosas, y he acabado en un sitio más interesante: un algoritmo puede saber qué escucho y relacionarlo con millones de comportamientos, pero no siempre sabe por qué lo escuché.

Y a Ojete Calor, El Reno Renardo y Los Gandules no llegué por una recomendación automática. Llegué porque alguien decidió que aquello tenía que enseñármelo.

Ojete Calor en el Mediterranea Festival de 2023. La ejecución es seria; lo demás, no. Foto: Jgomezcarroza, CC BY-SA 4.0; imagen recortada y disponible bajo la misma licencia.

Lo que el algoritmo sabe de mí, y lo que no

Conviene entender cómo funciona por debajo, porque lo que casi todo el mundo se imagina se quedó anticuado hace bastante.

La base histórica es el filtrado colaborativo:

Estas mil personas escuchan casi lo mismo que tú. Nueve de cada diez han escuchado también esto otro, que tú no conoces. Toma.

Funciona asombrosamente bien y sigue estando debajo de medio internet, pero hace mucho que no es todo el sistema. Un recomendador moderno mezcla en el mismo guiso el historial, las relaciones entre usuarios y canciones, las listas donde esas canciones aparecen juntas, los metadatos, características acústicas del propio audio y señales contextuales como la hora, el dispositivo o desde dónde se inició la escucha.

Lo del audio no es futurismo: en 2013 ya se publicó cómo entrenar una red neuronal con el sonido para deducir el perfil de canciones que casi nadie ha escuchado, que es justo donde el filtrado colaborativo se queda mudo. Si no hay oyentes no hay vecinos de los que heredar nada, pero sigue habiendo guitarras.

Así que la frase que yo llevaba años soltando en las cenas —«es que el algoritmo no me pilla»— hay que matizarla. Una plataforma no entiende el chiste, ni el recuerdo, ni la ironía, ni por qué alguien decidió ponértela un martes dentro de un coche. Pero sí analiza el audio y lo cruza con millones de comportamientos: quién la escucha, junto a qué otras canciones y qué hace justo después.

Sabe qué escucho. Lo que no siempre sabe es por qué.

Los barrios, en plural

Durante años he explicado esto con una metáfora de barrios: el sistema no te conoce a ti, conoce el barrio en el que vives y te recomienda lo que se lleva ahí. Me gusta la imagen, pero la cerraba mal: decía que quien escucha de todo no vive en ningún barrio, y eso es falso.

Vivo en varios, y el sistema tiene que adivinar cuál estoy visitando en cada momento. Un perfil no tiene por qué reducirse a un punto: los sistemas modernos intentan representar esa diversidad mediante varios intereses o patrones de comportamiento. Lo difícil no es admitir que tengo tres o cuatro cosas incompatibles entre manos, sino acertar con cuál de mis versiones está sonando esta tarde.

Y eso depende del contexto, que casi siempre ocurre fuera de la aplicación. Tanto, que Spotify acabó incorporando una opción para decirle «esto que suena no cuenta»: una lista puesta para que la oiga otro, una tarde de música infantil o un disco de fondo para trabajar.

Ilustración generada con IA para este artículo: un mismo oyente, varios barrios, y una máquina intentando adivinar cuál está visitando. No representa ninguna plataforma real.

El centro comercial

Aquí aparece el sesgo de popularidad, que no es una ley física sino una tendencia comprensible: cuando el sistema no tiene claro qué quieres, lo prudente es tirar de lo que ya ha funcionado con mucha gente, porque de eso hay señales a espuertas. Un perfil variado no acaba necesariamente en éxitos generalistas —hay sistemas diseñados a propósito para que no pase—, pero la vía fácil está ahí y a veces se nota.

Cuando el sistema no acierta conmigo, mi sensación es que se refugia en el centro: canciones compatibles con todo lo que escucho pero que ninguna de mis versiones elegiría. La media de todos mis gustos suena como el hilo musical de un centro comercial. No es música mala: es música que no molesta a nadie, que es otra cosa.

Y una última pieza, que enlaza con lo que hace un «Para ti» con tu atención: estos sistemas no optimizan una sola cosa, sino que equilibran satisfacción, descubrimiento, diversidad, retención y los intereses de oyentes, artistas y plataforma. Pero hay una señal especialmente cómoda de medir: si saltas una canción. Y «no la ha saltado» no significa «le encanta». El comportamiento es observable; la intención, no siempre.

Pero hay una señal en el ruido

Ahora bien, si alguien mirara mis escuchas de verdad buscando un patrón, lo encontraría. Hay uno. Solo hay uno.

Los grupos frikis.

No como excentricidad de fin de semana: como una cosa que pongo a menudo y con la que me lo paso muy bien. Y quiero explicarlo con cuidado, porque «grupo friki» suena a que uno se ríe de ellos, y es exactamente al revés.

Ojete Calor

Carlos Areces y Aníbal Gómez, dúo, con una base electrónica deliberadamente sencilla debajo de unas letras sarcásticas. Ellos mismos se inventaron el nombre del género para no tener que discutirlo con nadie: lo llaman «subnopop».

Su primer pelotazo fue «Cuidado con el cyborg (Corre, Sarah Connor)», de 2013: una canción de baile construida sobre Terminator 2. A partir de ahí, discos —«Delayed» en 2013, «Pataky» en 2017— y sencillos como «Mocatriz», de 2019.

No tengo favoritos, ya lo he dicho. Pero si alguien pone Mocatriz, yo me río igual que el primer día.

Lo que separa esto de un chiste es que la ejecución es seria. Las canciones están bien hechas y los estribillos funcionan como los de las canciones que no pretenden hacer gracia. No hay dejadez: hay dos tíos que saben qué están haciendo y han decidido dedicar ese oficio a una tontería sublime.

El Reno Renardo

Bilbao, 2006. Y aquí viene la parte que a mí me parece fascinante.

El Reno Renardo empezó siendo una sola persona: Jevo Jevardo, en su casa, tocando él todos los instrumentos y publicando de forma anónima. Heavy metal de verdad —riffs de verdad, producción de verdad— con letras sobre situaciones cotidianas en clave de humor y bastante mala idea. Llegó a inventarse una formación entera, y hasta una ciudad, para que aquello pareciera un grupo. El primer disco, homónimo, salió en 2007.

Un tío. En casa. Grabando un disco de heavy entero.

En 1985 eso no era imposible —había grabadoras de cuatro pistas—, pero estaba al alcance de pocos y conseguir distribución era otra historia: para llegar a las tiendas necesitabas un estudio, un técnico, una discográfica, una fábrica y un distribuidor. Cinco puertas, cada una con alguien delante decidiendo si pasas.

En 2006, un ordenador y una conexión no habían derribado aquellas puertas —la industria seguía donde estaba, y sigue—, pero permitían rodearlas. Y lo que salió por el desvío no era lo que habría aprobado un comité: un tío haciendo canciones de heavy sobre el día a día, que es justo lo que jamás sobrevive a una reunión.

Toda mi carrera va de esto: de qué aparece cuando baja la barrera de entrada. Casi siempre, algo que nadie había pedido.

Los Gandules

Zaragoza, 2002. Santiago Díaz y Roberto Montañés, o sea «Dun Gandul» y «Tobo Gandul».

Lo suyo es coger canciones que todo el mundo se sabe y reescribirles la letra en clave de humor local y doméstico. Y el detalle que lo remata: actúan en batín y sentados en un sofá. Han encadenado discos desde «Sillonbol Stars», publicado en 2002, y sus propias fichas de artista hablan de cerca de dos mil actuaciones a la espalda.

Dos mil. Eso no lo sostiene un chiste: eso lo sostiene un oficio.

Los Gandules durante las fiestas del Pilar de Zaragoza, en 2016. Foto: Héctor Ochoa «Robot8A», CC BY-SA 4.0; imagen recortada y disponible bajo la misma licencia.

Y luego está Leonardo Dantés, que es otro nivel

Aquí tengo que parar, porque si meto a Leonardo Dantés en la misma lista estoy contando algo que no es.

Todo el mundo de mi quinta se acuerda de «El baile del pañuelo» (2001) y de «Tiene nombres mil» (2004). Aquello fue enorme, y ocurrió dentro de un fenómeno muy concreto de la televisión española de principios de los 2000. Ahí es donde a mí se me tuerce un poco la risa, porque hay una diferencia grande entre las dos cosas que llevo contando:

• Ojete Calor, El Reno Renardo y Los Gandules han construido un personaje. Se lo han inventado ellos, lo controlan ellos y el chiste es suyo. Cuando te ríes con ellos, te ríes de lo que han hecho.
• El fenómeno friki de aquellos años funcionaba a menudo al revés: el chiste era la persona, y la persona no siempre había elegido ese papel ni entendía del todo en qué programa estaba metida. Se les invitaba a un plató para que el público se riera de ellos, no con ellos.

Dantés, además, no era un aficionado aparecido de la nada: llevaba desde los años setenta escribiendo canciones, y la prensa que ha repasado su carrera recoge temas suyos grabados por Manolo Escobar, Lola Flores, Sara Montiel, María Jiménez, Los Chunguitos o Raffaella Carrà.

Así que sí: me sé el baile del pañuelo. Y a la vez tengo claro que eso no es lo mismo que ponerme un disco de Ojete Calor. Con un eco de lo de antes, además: aquellos platós no tenían nada parecido a un recomendador, pero perseguían lo mismo —que no cambiaras de canal—, y cuando lo que se mide es la reacción, lo que gana no es lo mejor hecho sino lo que provoca la reacción más rápida.

Cómo llegué a todos ellos

A ninguno de estos tres grupos he llegado por una recomendación automática.

A Ojete Calor, a El Reno Renardo y a Los Gandules llegué como se llega a lo bueno: alguien me los puso. Un colega, un coche, una comida, un «espera que te enseño una cosa» y un móvil encima de la mesa.

Y aquí tengo que corregirme, porque la conclusión fácil sería decir que un algoritmo nunca te lleva a la larga cola. Sí puede.

Lo que pasa es que la larga cola tiene, por definición, menos escuchas y muchas menos señales de comportamiento. Información sigue habiendo —el propio audio, por ejemplo; de eso iba el estudio de antes—. Lo que escasea son las interacciones humanas. Es terreno más difícil, y encima juega contra el sesgo de popularidad. Por eso se diseñan mecanismos específicos para meter diversidad a propósito y dar salida a artistas poco escuchados: el reconocimiento de que, sin empujón, la balanza cae sola del otro lado.

O sea: un recomendador puede llevarte hasta la larga cola. Conmigo, al menos en estos casos, no lo hizo. A los tres grupos me los enseñó una persona.

Y la ventaja de esa persona no era tener más datos que una plataforma. Tenía infinitos menos. Lo que tenía era el motivo: sabía en qué contexto me lo estaba enseñando, con qué intención, de qué nos habíamos reído cinco minutos antes y qué cara iba a poner yo.

Después de veinticinco años trabajando con máquinas que ordenan y clasifican cosas, esa sigue siendo mi conclusión favorita: el mejor sistema de recomendación del mundo sigue siendo alguien con criterio y ganas de compartirlo. No escala, cuesta mantenerlo y, algunas veces, acierta de una manera que ningún historial puede explicar.

Así que no, no tengo grupo favorito, y a estas alturas ya no creo que vaya a tenerlo.

Pero que conste que escuchar de todo no es no tener criterio. Es tener uno que no cabe en un único vector sin contexto. Y el contexto, casi siempre, está fuera.

Los grupos, en sus fichas de Ojete Calor, El Reno Renardo y Los Gandules; la cifra de actuaciones, en su ficha de artista. Leonardo Dantés como compositor, en El Español y en la Cadena SER.

La parte técnica: «Deep content-based music recommendation» (NIPS 2013) y la explicación de uno de sus autores, sobre deducir el perfil de una canción a partir del audio; «Algorithmic Effects on the Diversity of Consumption» (WWW 2020); «Towards a Fair Marketplace» (CIKM 2018), sobre el equilibrio entre oyente, artista y plataforma; y «For Your Ears Only» y «Exclude from Your Taste Profile», de Spotify Engineering.