Una puntuación de viralidad antes de publicar
El Virality Predictor de Higgsfield puntúa un clip a partir de una respuesta cerebral modelada. Qué puede decirte la puntuación, qué no puede y por qué sigue decidiendo el público real.
A cualquier equipo de redes sociales le gustaría saber, antes de publicar, si un clip se va a difundir. Higgsfield, la plataforma de vídeo con IA, ofrece ahora una respuesta entre sus apps. Subes un clip de hasta 15 segundos y su Virality Predictor devuelve una puntuación de viralidad, el segundo en el que el gancho alcanza su máximo, una tasa de retención y un mapa de calor de las regiones del cerebro que el clip activaría.
La idea es atractiva y la pantalla parece científica. Esto es lo que afirma Higgsfield, lo que ha publicado sobre cómo funciona la herramienta, lo que dice la investigación sobre predecir la viralidad y cómo se compara una puntuación con las pruebas con personas reales.
Lo que afirma
La página del producto promete «una lectura modelada de si tu clip se gana el scroll o lo pierde». El método se describe en una frase: «Una audiencia modelada lo ve mientras mapeamos la respuesta cerebral en visión, sonido, memoria, atención y lenguaje». Según la página, el mapa de calor muestra «exactamente qué regiones del cerebro activa tu clip».
La puntuación se presenta con aplomo: «Ni una conjetura ni una corazonada», y «Lo más parecido a un pase de prueba antes de pulsar publicar».
Lo que se ha publicado y lo que no
Higgsfield no dice qué modelo hay detrás de la puntuación, con qué datos se entrenó ni cómo se comparan sus puntuaciones con las visualizaciones, el tiempo de visionado o las veces compartidas reales de los clips publicados. No encontramos cifras de precisión ni ningún estudio de validación. Mientras no existan, la afirmación de que una puntuación predice la viralidad no está demostrada.
El vocabulario remite a un campo de investigación conocido. Los modelos de codificación cerebral aprenden a predecir cómo responde el cerebro a un vídeo a partir de escáneres de personas que ven vídeos. TRIBE, publicado en julio de 2025, predice respuestas de resonancia magnética funcional (fMRI) de todo el cerebro ante un vídeo y ganó la competición Algonauts 2025. Estos modelos estiman cómo reacciona una región cerebral media. Es una pregunta distinta de si unos desconocidos se detendrán, mirarán y compartirán.
Hay pruebas de que los cerebros reales contienen señales útiles. En un estudio publicado en PNAS en 2020, los investigadores escanearon a 40 personas mientras veían vídeos. La actividad de dos regiones al inicio de cada vídeo anticipó con qué frecuencia y durante cuánto tiempo se vieron esos mismos vídeos en YouTube, más allá de las medidas convencionales. Ese resultado salió de escáneres reales y personas reales, con unas pocas decenas de vídeos. Una audiencia modelada está un paso más lejos.
Por qué la viralidad se resiste a la predicción
El problema de fondo es que el éxito se propaga socialmente. En un conocido experimento publicado en Science en 2006, 14'341 participantes descargaron canciones desconocidas, y algunos podían ver lo que habían elegido otros. La influencia social hizo el éxito a la vez más desigual y menos predecible. Los autores escribieron: «Las mejores canciones rara vez fueron mal, y las peores rara vez fueron bien, pero cualquier otro resultado era posible».
Un estudio sobre cascadas en Twitter presentado en 2016 concluyó que incluso los mejores modelos, con datos abundantes sobre usuarios, contenido y rendimiento pasado, explicaban «menos de la mitad de la varianza en el tamaño de las cascadas», y sostuvo que ni siquiera unos datos ilimitados eliminarían ese límite. Lo que sí funciona es observar la difusión inicial. Un estudio anterior encontró que saber si una cascada seguirá creciendo resulta más fácil «a medida que observamos más veces que se vuelve a compartir». El mejor predictor del alcance de un clip es su primer público real.
Lo que una puntuación puede hacer y lo que no
Usada con cuidado, una puntuación así puede seguir siendo útil. Puede señalar un arranque lento, mostrar el segundo en que la atención podría caer y servir como un primer filtro rápido entre dos montajes del mismo clip. Como invitación a mirar con más atención, cuesta poco.
No puede conocer a tu público, tu momento, lo que haya ese día en el feed ni si el gancho encaja con tu marca. Una puntuación de viralidad no es una probabilidad ni una previsión de visualizaciones. Y si todos los equipos optimizan para la misma puntuación, todos los feeds se llenan de los mismos ganchos, lo que en nuestra opinión es lo contrario de lo que hace destacar un clip. Incluso Higgsfield escribe que más producción «no decide el resultado por sí sola».
Pruebas con personas reales
Las pruebas reales ya están integradas en las plataformas. Las pruebas A/B de Meta muestran cada versión de un anuncio a una parte distinta del público y se aseguran de que «nadie vea ambas», y luego comparan los resultados por coste por resultado. YouTube permite a los creadores probar hasta tres títulos y miniaturas en un mismo vídeo, los evalúa por cuota de tiempo de visualización y solo declara un ganador cuando la diferencia es estadísticamente significativa. Ambas miden lo que realmente ocurrió.
Así está planteado Tempo. Cada idea se crea, se prueba y pasa una revisión de sus posibilidades antes de que una persona la apruebe, y tratamos esa revisión como un filtro, no como una previsión. Lo que decide el mes siguiente es cómo funcionaron las publicaciones reales, y eso vuelve al plan. Una puntuación de viralidad es una buena pregunta que hacerle a un clip. La respuesta la da el público.
