Los sistemas de recomendación de las plataformas de contenidos (como Spotify, Netflix o YouTube) les brindan a los usuarios sugerencias acerca de qué contenidos consumir a partir de la consideración de múltiples variables, que incluyen, al menos, la historia de los consumos de ese mismo usuario (lo que comprende la consideración de las propiedades o categorías de las obras que ese usuario ya ha consumido), sus acciones concretas que dan cuenta de sus preferencias ("Me gusta", calificaciones, suscripciones, etc.) y lo que han consumido otros usuarios de un perfil similar al suyo, entre muchas otras cuestiones. Estas recomendaciones son realizadas en buena medida por algoritmos de machine learning, y dan como resultado una suerte de curaduría automatizada, al menos parcialmente, de los contenidos de esas plataformas.
Este trabajo busca caracterizar algunas de las lógicas que guían la actividad de esos algoritmos desde una perspectiva semiótica, en la línea inaugurada por Charles Sanders Peirce. Se atiende así a aspectos tales como los tipos de razonamiento observables (abductivo, inductivo, deductivo), los presupuestos e hipótesis que pueden identificarse en estos sistemas y los procedimientos informáticos que siguen una lógica de "investigación experimental" (Peirce). Hacia el cierre del trabajo se discute cuáles son, en un sistema que parece tender siempre a proponer consumos similares a los ya realizados, los lugares para la novedad.