¿Cuántas mujeres hay en los chats aleatorios? Lo que dicen realmente los datos (y lo que no)

«Solo hay un 10 % de mujeres en los chats aleatorios.» Seguro que te has topado con la frase: en un comentario, en un artículo, en boca de un usuario que te explica por qué deberías sentirte halagada por estar ahí. A veces es el 10 %, a veces el 20 %, a veces «una mujer por cada nueve hombres». Nunca hay fuente. Nunca hay fecha. Nunca hay método.

Esa imprecisión no es inocente. Cuando una usuaria se pregunta si va a encontrarse con interlocutores decentes, la única información que se le ofrece es una cifra inventada. Y cuando una plataforma vende un filtro de género, se apoya en esa misma escasez supuesta para fijar su precio.

Este artículo hace lo contrario del atajo: observa qué es realmente medible en el tráfico de un servicio de chat de vídeo aleatorio, qué dicen y qué no dicen las mediciones públicas, y por qué los cuatro sesgos que las socavan cambian radicalmente su interpretación. Al final tendrás una idea honesta del desequilibrio y, sobre todo, de lo que implica en la práctica.

De Dónde Salen las Cifras Que Lees

Tres fuentes, tres naturalezas muy distintas

Cuando un artículo da una proporción de mujeres en un servicio de chat de vídeo, casi siempre bebe de uno de estos tres depósitos:

1. Los paneles de audiencia web. Empresas de medición como Similarweb o Comscore publican reparticiones hombres/mujeres por sitio. Esas reparticiones son estimaciones modelizadas, construidas a partir de paneles de voluntarios y de datos de proveedores de acceso, y luego extrapoladas. Similarweb indica en su propia documentación que los datos demográficos son estimaciones y que su precisión cae en sitios con poco tráfico o con audiencias atípicas.
2. Las cifras comunicadas por las plataformas. Existen, pero se publican cuando conviene: un servicio que quiere tranquilizar a las mujeres anunciará un aumento de la cuota femenina; un servicio que vende un filtro de pago no tiene ningún interés en desmentir la escasez.
3. Los trabajos académicos. Son escasos, antiguos y se basan en muestras de sesiones, no en poblaciones. El más citado sigue siendo el estudio de Xianhua Xu, Yao Liu y Bo Han presentado en 2011 («Analyzing user behavior on Chatroulette»), que observaba un desequilibrio enorme a favor de los hombres en miles de conexiones muestreadas. Quince años después, se sigue citando como si describiera el estado actual del mercado. No lo hace.

La cifra que circula es un fósil

Este es el punto esencial: la mayoría de los porcentajes que circulan en 2026 descienden de observaciones hechas entre 2010 y 2013, en una única plataforma, en una época en la que el chat de vídeo aleatorio se usaba casi exclusivamente desde un ordenador de escritorio. Desde entonces, el móvil se ha vuelto mayoritario, la moderación automatizada se ha generalizado y el público se ha fragmentado en decenas de servicios. Copiar una cifra de 2011 para describir 2026 equivale a describir las redes sociales actuales con estadísticas de la época de Fotolog.

Un porcentaje sin fecha ni método no es una estadística: es un rumor con un número dentro.

Los Cuatro Sesgos Que Hacen Frágil Cualquier Recuento

Sesgo 1: no se cuentan personas, se cuentan sesiones

Un servicio de chat de vídeo casi nunca exige una cuenta de usuario. Lo que ve son conexiones. Y un usuario que encadena 200 «next» en una hora genera muchos más eventos que una usuaria que mantiene tres conversaciones de veinte minutos.

Consecuencia: si se mide la proporción de mujeres entre las sesiones vistas, se subestima su proporción entre las personas presentes. Y si se mide la proporción de mujeres entre las cuentas o los visitantes únicos, se obtiene una cifra más alta, sin que la realidad vivida haya cambiado un milímetro. Ambas cifras son «verdaderas»; simplemente no responden a la misma pregunta.

Este mecanismo es el mismo que describimos en nuestro artículo sobre el síndrome del «next» compulsivo: los comportamientos de zapeo están repartidos de forma muy desigual entre géneros, así que cualquier métrica basada en el volumen de acciones queda estructuralmente deformada.

Sesgo 2: el género se adivina, no se declara

En un servicio sin registro, nadie rellena un formulario. El género mostrado o supuesto procede, por tanto:

• de una declaración voluntaria al elegir un filtro o una sala;
• de una inferencia automática sobre la imagen (clasificación algorítmica);
• de una inferencia a partir del comportamiento (nick, idioma, horarios).

Cada una se equivoca, y no al azar. Los clasificadores de imagen aplicados al género están documentados como claramente menos fiables según el tono de piel, la iluminación y el ángulo de la toma: es el resultado central de los trabajos de Joy Buolamwini y Timnit Gebru (Gender Shades, MIT Media Lab, 2018), confirmado después por las campañas de evaluación del NIST sobre reconocimiento facial. Una webcam mal iluminada basta para que una clasificación se vaya al lado contrario.

Otro efecto perverso, bien conocido por las usuarias: una parte de las mujeres oculta activamente su género —cámara apuntando a una mascota, encuadre alto, micro apagado, nick neutro—. Existen, están ahí, y ningún contador las ve como mujeres. Las encuestas de Women in Games France sobre jugadoras documentan exactamente el mismo reflejo de camuflaje en los chats de voz de los videojuegos.

Sesgo 3: los perfiles falsos inflan artificialmente la columna «mujeres»

Es el sesgo más infravalorado. Los vídeos en bucle, las grabaciones reemitidas y los bots que redirigen a enlaces de pago se presentan casi siempre como perfiles femeninos. Cualquier recuento automático los suma a las usuarias reales.

Es decir: cuanto más infestado está un servicio de perfiles femeninos falsos, más saludable parece su proporción medida de «mujeres». La cifra sube mientras la experiencia se degrada. Si quieres saber cómo distinguirlos en unos segundos, detallamos el método en detectar los vídeos en bucle y los enlaces de pago.

Sesgo 4: la media aplasta las diferencias que importan

Incluso suponiendo una medición perfecta, una media global no describe a nadie. La composición de un servicio varía mucho según:

| Variable | Efecto observado en la composición del público | | --- | --- | | Hora de conexión | Público más mixto al anochecer a principios de semana, más masculino y más agresivo pasada la 1 de la madrugada | | Huso horario e idioma | Los picos de tráfico regionales desplazan por completo el perfil de los interlocutores | | Dispositivo | El móvil amplía el público, sobre todo de día y fuera de casa | | Presencia de un filtro de pago | Concentra por un lado a los hombres que pagan, lo que modifica lo que ven las mujeres sin filtro | | Nivel de moderación | Un servicio que banea rápido retiene a más usuarias a largo plazo |

Ya habíamos medido el efecto de la primera fila de esta tabla en la hora define el público: el mismo servicio, con dos horas de diferencia, simplemente no ofrece la misma gente.

Lo Que Se Puede Decir Honestamente

Tres afirmaciones sólidas

Cruzando lo documentado con lo metodológicamente defendible, se pueden sostener tres cosas sin mentir:

1. El desequilibrio existe y es importante. Todas las fuentes disponibles —paneles, trabajos académicos antiguos, testimonios y la simple existencia de un mercado de filtros de género de pago— apuntan en la misma dirección. Nadie vende caro el acceso a una población abundante.
2. Su magnitud exacta se desconoce públicamente. No existe ninguna medición independiente, reciente, multiplataforma y metodológicamente transparente. Quien te dé un porcentaje con decimales está improvisando.
3. El desequilibrio vivido es más marcado que el desequilibrio demográfico. Como los usuarios masculinos consumen más sesiones por persona, una mujer se cruza proporcionalmente con todavía más hombres de lo que haría prever el reparto de personas.

Esta tercera línea es la más útil, y es la que ningún artículo copiado formula jamás.

El mejor indicador disponible: tu propio cuaderno

A falta de estadísticas fiables, la medición más honesta es local. Apuntar, a lo largo de diez sesiones, cuántas dieron lugar a un intercambio decente, cuántas derivaron en una petición inapropiada y cuántas eran bucles de vídeo te dará en una sola noche una imagen mucho más accionable que cualquier porcentaje global. Basta con un simple cuaderno de notas de espiral junto al teclado; la gracia está precisamente en no hacerlo en un archivo que acabarás olvidando.

Con tres columnas es suficiente: hora, resultado del intercambio, motivo del abandono. Al cabo de una semana aparecen los patrones, y suelen ser muy distintos de lo que uno creía. Muchas usuarias descubren así que su tasa de intercambios decentes depende primero de la hora, después de la calidad de su imagen y solo marginalmente del servicio utilizado.

Por Qué Esta Cifra Está Políticamente Cargada

La escasez como argumento comercial

El desequilibrio no es solo un dato: es un modelo de negocio. Un servicio que cobra por el acceso prioritario a los perfiles femeninos monetiza directamente la escasez. Tiene, por tanto, un interés estructural en que esa escasez se perciba como grande, y ningún interés en publicar mediciones transparentes. Hemos desmenuzado este mecanismo y lo que realmente se compra en filtros de género de pago.

La escasez como excusa

El otro uso de la cifra es retórico. «Hay tan pocas mujeres aquí que es normal que todo el mundo se te eche encima»: la frase transforma una estadística difusa en justificación de comportamientos que, en cambio, están perfectamente definidos por la ley. La exhibición no solicitada ante una cámara sigue siendo un delito, sea cual sea la composición del público: es el tema de nuestro informe sobre lo que dice la ley y cómo denunciar.

El razonamiento «minoría, por tanto codiciada, por tanto tolerante» es precisamente el que los trabajos sobre ciberviolencia contra las mujeres, recopilados en particular por el EIGE (Instituto Europeo de la Igualdad de Género), identifican como un mecanismo de banalización. Una proporción nunca ha constituido una autorización.

Lo Que el Desequilibrio Cambia Concretamente Para Ti

Te filtran antes de que hables

Cuando un puñado de perfiles femeninos se reparte entre un número enorme de hombres, la atención que te llega no es proporcional a lo que haces: está saturada de antemano. Dos consecuencias prácticas.

Primero, tu señal visual pesa enormemente, porque es el único elemento de criba disponible en los dos primeros segundos. Una imagen nítida y bien expuesta no te hace más deseable: te hace legible, lo que reduce la proporción de interlocutores que cuelgan por pura incomprensión. Una pequeña lámpara LED de intensidad regulable colocada detrás de la pantalla corrige por sí sola la mayor parte de los problemas de contraluz en interiores. Detallamos el resto en cuidar el fondo y la iluminación.

Segundo, tu audio pesa más de lo que crees. En un entorno donde el otro busca un pretexto para zapear, un sonido turbio es un pretexto excelente. Unos auriculares con micrófono por cable y reducción de ruido resuelven el problema con un presupuesto modesto y evitan los acoples que hacen huir.

Tienes un poder de selección inusual: úsalo

El reverso mecánico del desequilibrio: no tienes ninguna obligación de rentabilizar una conversación. Donde un usuario masculino debe encadenar sesiones para esperar un intercambio, tú puedes permitirte ser exigente desde la primera frase. Zapear no es descortés en un entorno diseñado para eso; es la herramienta de selección que el formato te da.

En la práctica, esto significa:

• Fijar un único criterio y mantenerlo: por ejemplo, quien no haya dicho una palabra en cinco segundos, fuera. Decidir de antemano ahorra fatiga de decisión.
• Dosificar la duración de la sesión. Pasado cierto tiempo, el hastío te hace aceptar intercambios que habrías descartado al principio de la noche. Es el mecanismo descrito en la fatiga del zapeo.
• Cambiar de hora antes que de plataforma cuando una sesión va mal. La palanca es mucho más eficaz.

Qué conviene esperar de un primer intercambio

Como la oferta de atención es abundante, el umbral razonable es alto: alguien que se presente, que haga una pregunta sobre algo que no sea tu aspecto y que acepte un «no» sin insistir. Es poco, y sin embargo es el filtro que elimina la mayoría de las sesiones. Si quieres conocer la versión espejo de esta exigencia —qué hace zapear desde el punto de vista de las mujeres—, nuestros dos artículos sobre el acoso recurrente a las mujeres en directo y los cinco primeros segundos se complementan bien.

Cómo Leer una Cifra la Próxima Vez

Antes de dar crédito a un porcentaje sobre la composición de un chat de vídeo, bastan cuatro preguntas:

| Pregunta | Si falta la respuesta… | | --- | --- | | ¿Qué fecha de recogida? | La cifra puede describir una internet desaparecida | | ¿Quién midió, y con qué interés? | Un servicio que vende un filtro no es una fuente neutral | | ¿Se cuentan personas o sesiones? | Ambas cosas dan resultados muy distintos | | ¿El género se declara o se infiere? | La inferencia automática se equivoca, y no al azar |

Las cuatro faltan en la práctica totalidad de los contenidos que circulan sobre el tema. Eso ya es una información en sí: si nadie puede responder, es que nadie ha medido.

En cuanto a lo verificable y fechado sobre los usos del chat de vídeo, nuestra página de estadísticas del sector centraliza lo que se puede documentar, y la página probar el chat de vídeo permite confrontar la teoría con una noche real. Si prefieres seguir leyendo antes de conectarte, los artículos del blog cubren la mayoría de las situaciones con las que te encontrarás.

Una última palabra sobre el método: leer dos o tres páginas de un libro de divulgación sobre estadística —del tipo guía práctica de cultura estadística— cambia de forma duradera la relación con este tipo de cifras. Ahí se aprende, sobre todo, a distinguir lo que se mide de lo que se cuenta. En un terreno donde casi todo se cuenta, es la herramienta más útil.

Para Recordar

• La cifra del «10 % de mujeres» no tiene fuente fechada: desciende de observaciones hechas a principios de la década de 2010 en una sola plataforma.
• Cuatro sesgos hacen frágil cualquier recuento: sesión ≠ persona, género inferido en lugar de declarado, perfiles femeninos falsos contados como mujeres y medias que aplastan las diferencias de hora, idioma y dispositivo.
• El desequilibrio es real e importante, pero su magnitud exacta se desconoce públicamente, y el desequilibrio vivido supera al desequilibrio demográfico, porque los hombres consumen más sesiones por persona.
• La escasez sirve como argumento comercial (filtros de pago) y como excusa retórica. No autoriza nada: una proporción no es un derecho.
• La única medición útil es local: diez sesiones apuntadas, tres columnas, una semana. Te dirá más que cualquier porcentaje repetido sin fuente.