Por qué el algospeak esconde conversaciones reales del monitoreo de keywords

¿Qué es el algospeak?

Sustituir por una palabra en clave un término que esperas que una plataforma elimine o entierre es algospeak, y es la razón por la que un tema puede discutirse a gran escala mientras tu lista de keywords exactas reporta silencio. El mecanismo es la anticipación: quien publica adivina qué marcará un sistema automático de moderación y luego escribe rodeando esa suposición, manteniendo el sentido legible para el público que busca. Eso convierte al algospeak en un problema de cobertura para el monitoreo y no en una curiosidad lingüística, porque la palabra sustituta carga con la conversación y la palabra rastreada nunca aparece.

¿De dónde viene el término algospeak?

La palabra se extendió gracias al reportaje de Taylor Lorenz en The Washington Post, publicado el 8 de abril de 2022 bajo el titular Internet 'algospeak' is changing our language in real time, from 'nip nops' to 'le dollar bean'. La expresión "le dollar bean" de ese titular es una de esas sustituciones y significa lesbian, es decir lesbiana. El texto define el algospeak como "code words or turns of phrase users have adopted in an effort to create a brand-safe lexicon that will avoid getting their posts removed or down-ranked by content moderation systems", es decir, palabras en clave o giros que los usuarios adoptaron para crear un léxico seguro para las marcas que evite que los sistemas de moderación eliminen o degraden sus publicaciones. El artículo es de pago más allá de la sección inicial, así que la definición y los primeros ejemplos citados aquí son lo que se puede leer públicamente en la página del Post, y la atribución es la que allí se reporta y no la del texto completo. Ninguna fuente a la que pueda llegar nombra una fecha de acuñación ni un autor único, así que trata abril de 2022 como el momento en que el término se difundió, no como el momento en que se inventó.

El primer estudio revisado por pares sobre la práctica es You Can (Not) Say What You Want: Using Algospeak to Contest and Evade Algorithmic Content Moderation on TikTok, de Ella Steen, Kathryn Yurechko y Daniel Klug, publicado en acceso abierto en Social Media + Society el 31 de agosto de 2023. Los autores entrevistaron a 19 creadores de TikTok y afirman que el suyo es el primer artículo que analiza el algospeak como un fenómeno propio de las redes sociales. Su hallazgo importa para el monitoreo: los participantes anticipaban cómo leería el algoritmo un video y elegían sustituciones que esquivaban la moderación sin dejar de permitir que su público objetivo encontrara la publicación.

¿Cómo se ve el algospeak en la práctica?

Los ejemplos de abajo son sustituciones documentadas en fuentes de 2022 y 2023, no un diccionario actual. Steen y sus colegas describen el algospeak como abreviar, escribir mal a propósito o sustituir palabras, y las formas se mueven entre plataformas y comunidades.

Forma documentada	Significado reportado	Documentada en	Fecha
unalive	muerto, muerte	The Washington Post	abril de 2022
SA	agresión sexual, por sexual assault	The Washington Post	abril de 2022
spicy eggplant	vibrador, literalmente berenjena picante	The Washington Post	abril de 2022
le$bean	lesbiana, por lesbian	Steen, Yurechko y Klug	agosto de 2023
seggs	sexo, por sex	Steen, Yurechko y Klug	agosto de 2023
clock app	TikTok, literalmente app del reloj	Steen, Yurechko y Klug	agosto de 2023

Lee esa tabla como ilustración, no como una lista para pegar en un constructor de consultas. Buena parte de este vocabulario existe porque la gente habla de autolesiones, agresión sexual, sexualidad, trabajo sexual y enfermedad bajo sistemas de moderación que suprimen esos temas rompa o no la publicación alguna regla. Steen y sus colegas señalan la falta de contexto, la aleatoriedad, la inexactitud y el sesgo contra comunidades marginadas como los fallos de moderación que impulsan la práctica.

¿Por qué el algospeak rompe el monitoreo de keywords?

El monitoreo de coincidencia exacta mide la presencia de una cadena de texto, y el algospeak quita la cadena y deja intacta la conversación. El fallo es de recall, la proporción de publicaciones relevantes que realmente capturas, y no de precisión: las publicaciones que sí coincidieron siguen tratando de tu tema, así que nada parece roto en el feed, y las que faltan no dejan rastro en ninguna parte del sistema. Mide el recall directamente en vez de darlo por hecho.

Recall = coincidencias del término rastreado / todas las publicaciones sobre el tema

Supón que lees las publicaciones de una comunidad y juzgas que 200 de ellas tratan de tu tema, y que tu término rastreado aparece en 140. El recall es 140 / 200 = 0.70, así que el 30 por ciento de esa conversación nunca llega a tu panel. Esos valores son ilustrativos, no un punto de referencia publicado, y tu propia cifra variará según la plataforma, la comunidad y el tema.

Chequeo de recall en una comunidad

Coincidencias detectadas140 de 200

No detectadas por la lista de keywords60 de 200 (30%)

¿Cómo distorsiona el algospeak el volumen y el sentimiento?

Las publicaciones que faltan sesgan tanto los conteos como el tono, porque el algospeak no se reparte de manera pareja por la conversación. La sustitución se concentra donde la presión de moderación es más fuerte, lo que significa que los hilos de crisis, las quejas de salud y las publicaciones sobre experiencias adversas son las más afectadas, mientras que la charla neutra de producto sigue usando palabras llanas. Un análisis de sentimiento hecho sobre esa muestra sesgada se lee más positivo que la conversación real, y un gráfico de volumen subestima cada pico que coincide con un tema moderado.

Este fallo es distinto de las dos quejas más comunes sobre monitoreo. Las keywords negativas arreglan los falsos positivos, y la detección de casi duplicados arregla las copias repetidas de una misma historia. Ninguna de las dos recupera una publicación que tu consulta nunca llegó a capturar.

¿Qué puede hacer realmente un equipo de monitoreo?

Nada restaura la cobertura completa, y cualquier proveedor que prometa un diccionario completo de algospeak te está vendiendo una lista que se degrada. Un preprint de Jan Fillies, Ronald E. Robertson y Jeffrey Hancock, Algospeak, Hiding in the Open, modela la práctica como una coevolución entre quienes esquivan y quienes detectan, y por eso una lista estática envejece: el vocabulario se mueve como respuesta a ser detectado. El mismo trabajo señala el techo de ese movimiento: una sustitución lo bastante oscura como para vencer a todo detector deja de ser entendida por la gente para la que fue escrita.

Cinco cosas sí ayudan, en orden descendente de rendimiento:

Monitorea comunidades además de cadenas de texto. Vigilar el feed completo de un subreddit captura publicaciones donde tu término rastreado nunca aparece, y para eso sirven el buscador de subreddits y el monitoreo de keywords en Reddit de RedReplier cuando los usas juntos.

Lee muestras con un calendario fijo. Toma una muestra aleatoria de publicaciones de las comunidades que te importan, juzga la relevancia a mano y calcula la cifra de recall de arriba. Así aprendes qué sustituciones están vivas ahora, y de paso sirve como control de calidad de tu monitoreo de marca.

Califica el significado, no la ortografía. La calificación de relevancia con IA puntúa si una publicación trata de tu tema en vez de si contiene tu cadena de texto, y RedReplier explica por qué se marcó cada mención para que puedas auditar el criterio.

Ponle fecha a tu lista de keywords. Anótale una fecha de revisión, agrega las sustituciones que encontró tu muestreo y quita los términos que se enfriaron. Tus operadores de búsqueda booleana valen el ajuste, y ese ajuste nunca termina.

Reporta el hueco con honestidad. Cuando presentes volumen o sentimiento a alguien, di qué temas sabes que están subcontados. Eso es mejor resultado que un gráfico seguro de sí mismo construido sobre una consulta que nunca probaste.

¿En qué se diferencia el algospeak de otra jerga de internet?

El algospeak es una respuesta a un sistema de moderación, y el resto de la jerga de internet es una respuesta a una comunidad. Steen y sus colegas trazan esa línea de forma explícita: el leetspeak, el LOLspeak, el textspeak y variaciones similares existen para señalar identidad o pertenencia a un grupo, mientras que el algospeak se usa como reacción a experimentar moderación de contenido en una plataforma. La consecuencia para quien hace social listening, la escucha de conversaciones sociales, es que el algospeak se mueve al reloj de las políticas de plataforma y no al de la cultura, así que un término que estaba codificado el trimestre pasado puede ser texto llano este trimestre.

Quien cree que su cuenta está suprimida cambia cómo escribe antes de cambiar lo que dice, y ese es el mismo instinto que hay detrás de las teorías populares de la entrada sobre el shadowban en Reddit.

Preguntas frecuentes

¿Quién acuñó el término algospeak?

Ninguna fuente que pueda verificar nombra a un autor único. El reportaje de Taylor Lorenz en The Washington Post del 8 de abril de 2022 es la pieza a la que se atribuye la popularización de la palabra, y Steen, Yurechko y Klug citan ese artículo cuando conectan el fenómeno con TikTok. La afirmación segura es que el término se difundió en 2022, no que una sola persona lo inventara.

¿El algospeak es solo cosa de TikTok?

No. Steen y sus colegas escriben que el algospeak existe en muchas plataformas sociales aunque esté muy ligado a TikTok, por el formato audiovisual de TikTok y su moderación algorítmica. Un preprint de 2026 sobre detección de lenguaje codificado anotó publicaciones de TikTok y de Bluesky, prueba de que la práctica no está confinada a una sola app.

¿El algospeak afecta al monitoreo de marca o solo al de temas?

El monitoreo de temas se lleva el golpe mayor. Los sistemas de moderación vigilan asuntos, no nombres de marca, así que tu marca sobrevive en texto llano mientras el tema que la rodea se sustituye. La excepción es la publicación que junta tu marca con un asunto suprimido, que es justo la publicación que más quieres ver.

¿Puedo simplemente agregar términos de algospeak a mi lista de keywords?

Puedes agregar los que encuentre tu propio muestreo, y deberías hacerlo. Lo que no puedes es mantenerte al día, porque el vocabulario cambia como respuesta a la detección y varía según la comunidad. Trata cualquier lista que construyas como un piso que se degrada y necesita una fecha de revisión.

¿Escribir sobre algospeak es lo mismo que ayudar a la gente a evadir la moderación?

No. Describir que la sustitución ocurre, y medir cuánto de una conversación esconde, es una pregunta de investigación y de medición. Publicar una tabla mantenida de sustituciones actuales es un acto distinto con consecuencias distintas, y por eso los ejemplos de arriba son citas con fecha y no una lista operativa.

¿Cómo sé si el algospeak es un problema real para mis keywords?

Haz la prueba de recall. Toma una muestra aleatoria de publicaciones de una comunidad que discuta tu tema, juzga a mano la relevancia de cada una y divide el número que capturaron tus términos rastreados entre el número que sí trataba del tema. Si esa proporción está cerca de 1, el algospeak no es tu cuello de botella. Si no lo está, ahora conoces el tamaño del hueco en vez de adivinarlo.

¿Por qué las palabras clave negativas o la detección de casi duplicados no resuelven el vacío del algospeak?

Las palabras clave negativas eliminan los falsos positivos de las coincidencias que ya tienes, y la detección de casi duplicados agrupa las copias de una misma historia. Ninguna de las dos herramientas te añade una publicación que tu cadena nunca detectó, y ese vacío específico es el que crea el algospeak.

¿Por qué una lista de algospeak queda obsoleta tan rápido?

Un preprint de Fillies, Robertson y Hancock modela el algospeak como una coevolución entre quienes evaden la moderación y quienes la detectan, así que el vocabulario cambia como reacción a ser detectado. El mismo estudio señala el límite de ese movimiento: una sustitución tan oscura que engaña a todos los detectores deja de ser comprensible para la audiencia a la que iba dirigida. Cualquier lista que armes es un piso que se degrada y necesita una fecha de revisión.

¿Qué temas reciben el mayor impacto de la sustitución del algospeak?

Steen, Yurechko y Klug vinculan la práctica con temas que los sistemas de moderación suprimen sin importar si la publicación rompe una regla, como el autolesionismo, la agresión sexual, la sexualidad, el trabajo sexual y la enfermedad. La sustitución se concentra donde la presión de moderación es más fuerte, así que los hilos de crisis, las quejas de salud y las publicaciones sobre experiencias adversas son las más afectadas, mientras la charla neutral sobre productos sigue usando palabras claras.

¿El algospeak tiene relación con las teorías sobre el shadowban?

Los dos vienen del mismo instinto: quien cree que una plataforma actúa en su contra cambia su comportamiento para evitarlo. La entrada sobre el shadowban de Reddit documenta ese mismo instinto en las teorías populares que la gente construye alrededor de una supuesta supresión. El algospeak aplica ese instinto a las palabras en lugar de a la frecuencia de publicación o al comportamiento de la cuenta.