Se o algoritmo de recomendação de plataformas sociais fosse de código aberto, que tipo de possibilidades imaginativas poderiam surgir? A descoberta mais direta é que cada publicação nossa nas redes sociais carrega implicitamente uma expectativa psicológica — quantas pessoas irão ver, quem irá reagir, qual será a forma específica de interação. Essa expectativa, na essência, é um modelo de previsão de auto-validação.

Estendendo essa ideia, seria possível construir um mercado de previsão na cadeia, dedicado a negociar a propagação de conteúdos sociais? Por exemplo, prever o número total de curtidas, compartilhamentos e comentários de um tweet popular após sua publicação, ou a popularidade de interação de uma conta de um grande influenciador, até mesmo identificar com precisão quais líderes de opinião formarão uma cadeia de interação. Esses dados são ao mesmo tempo verificáveis por resultados claros, e suficientemente dinâmicos e multidimensionais.

Isso não é apenas uma quantificação do impacto social, mas uma exploração de uma nova subdivisão de mercado de previsão — transformar efeitos de propagação abstratos em sinais de valor negociáveis. Com algoritmos mais transparentes, esse tipo de aplicação parece ter uma base de dados mais sólida.