En una conversación en redes sociales no siempre es fácil saber quién está al otro lado de la pantalla. Un estudio a gran escala concluye que, al menos en conversaciones analizadas en la plataforma X (antes Twitter), aproximadamente uno de cada cinco usuarios era un bot. Y aunque las cuentas automatizadas intentan parecer humanas, todavía dejan rastros reconocibles en la manera en que publican, se presentan e interactúan.
La investigación, publicada en 2025 en Scientific Reports por Lynnette Hui Xian Ng y Kathleen M. Carley, de la Universidad Carnegie Mellon, examinó alrededor de 5.000 millones de tuits correspondientes a unos 200 millones de usuarios. Los datos procedían de siete grandes eventos ocurridos entre 2018 y 2021, incluidas las elecciones estadounidenses de 2020, la pandemia de coronavirus y otros acontecimientos políticos y culturales, así como las conversaciones generadas al respecto en la plataforma.
Para clasificarlos, las investigadoras utilizaron BotHunter, un sistema de aprendizaje automático que calcula la probabilidad de que una cuenta esté automatizada. El resultado global fue 21,9 % de bots frente a 78,1 % de humanos. La cifra es consistente con las de otras fuentes como el propio Elon Musk, dueño de X, quien ubicó en 20% el posible porcentaje de bots en su red social. Sin embargo, la proporción varió considerablemente según el acontecimiento: durante las elecciones presidenciales de Estados Unidos de 2020,el porcentaje llegó al 43 %.
Eso no significa que el 20 % de todos los usuarios de las redes sociales sean bots. La cifra corresponde a los conjuntos de datos y conversaciones estudiados.
Bots publican mucho más per cápita que los humanos
Estos datos guardan una paradoja. Si bien los humanos superan claramente a los bots en cuanto al número de usuarios, estos generan un tráfico per cápita muy superior que, según el reporte 2025 in Yearly Review de la firma Cloudfare
, llega a superar al tráfico en internet generado por humanos. La diferencia no está solamente en cuánto publican. Los bots emplean con mayor frecuencia hashtags y menciones, producen más mensajes por hora y son especialmente activos redistribuyendo publicaciones. Los humanos, en cambio, recurren más a imágenes y videos, responden a otros usuarios y citan mensajes, comportamientos que exigen comprender mejor el contexto de una conversación.
Los investigadores también encontraron diferencias en el lenguaje. En el conjunto de acontecimientos estudiados, los bots utilizaron significativamente más términos abusivos y ofensas. En las elecciones de Estados Unidos y Canadá, además, recurrieron más a expresiones cargadas emocionalmente. Los autores consideran que ese patrón puede ser indicio de intentos deliberados de polarizar las conversaciones durante periodos electorales.
Otro rastro aparece en la identidad. Solo el 21,4 % de los bots analizados mostraba alguna afiliación de identidad reconocible en su perfil, frente al 27 % de los humanos. Y cuando un bot adoptaba una identidad, tendía a mantener el personaje: una cuenta que se presentaba, por ejemplo, mediante una identidad política hablaba predominantemente de política. Las personas reales mostraban una variedad temática mayor.
También cambia la estructura de las conversaciones. Las redes de los bots son más densas y suelen adoptar una forma de estrella: unas cuentas producen o concentran el mensaje y otras lo amplifican. Las redes humanas presentan estructuras más escalonadas, producto de intercambios diversos entre usuarios. Un dato especialmente significativo es que los bots no se relacionan primordialmente entre ellos. La gran mayoría de sus interlocutores son humanos.
La inteligencia artificial complica la detección
El trabajo cuestiona, sin embargo, la idea de que todo bot sea necesariamente perjudicial. Una cuenta automatizada puede difundir desinformación o amplificar mensajes políticos, pero la misma tecnología sirve para distribuir alertas, información meteorológica o mensajes durante una catástrofe. Para las autoras, un bot es esencialmente una cuenta automatizada capaz de crear, distribuir o recopilar contenidos y de formar o romper relaciones dentro de una plataforma. Su impacto depende del uso que se haga de ella.
La frontera con los humanos, además, puede hacerse más borrosa con la inteligencia artificial generativa. Las investigadoras hicieron un pequeño experimento utilizando tres modelos de lenguaje, Llama 3.1 8B Instruct, Phi-4 y Qwen 2.5 7B Instruct 1M, cada uno de los cuales generó 20 tuits. Al someter los mensajes a BotHunter, obtuvieron una puntuación media de 0,69, apenas por debajo del umbral de 0,70 empleado para clasificar una cuenta como bot.
Tres desafíos frente a los bots
El experimento es demasiado reducido para sacar conclusiones generales, pero apunta al próximo problema: los bots capaces de generar lenguaje más natural podrían resultar cada vez más difíciles de reconocer.
Las autoras resumen el desafío en tres tareas: detectar las cuentas automatizadas, diferenciar las útiles de las dañinas y frenar estas últimas sin perjudicar conversaciones humanas legítimas. Prohibir indiscriminadamente todo lo que parezca un bot tampoco sería una solución. Los sistemas de detección pueden equivocarse y terminar identificando a personas reales como cuentas automatizadas.
La batalla, por tanto, ya no consiste únicamente en descubrir si detrás de una cuenta hay una persona o un programa. También hay que determinar qué hace esa cuenta, con quién interactúa y qué efecto tiene sobre una conversación en la que humanos y máquinas participan, cada vez más cerca los unos de las otras.
