Cuando leí Big Data, los modelos predictivos ya formaban parte de mi trabajo. El libro puso esa experiencia dentro de un cambio mucho mayor y acabó influyendo en las inversiones que hicimos en IEBS. Trece años después, la inteligencia artificial ha confirmado buena parte de su diagnóstico y ha dejado a la vista sus puntos ciegos.
¿De qué trata Big Data?
Big Data, de Viktor Mayer-Schönberger y Kenneth Cukier, explica cómo la disponibilidad masiva de datos cambia nuestra forma de analizar el mundo. El libro defiende que, al trabajar con volúmenes enormes de información, es posible detectar patrones útiles sin necesidad de comprender siempre la causa que los produce. Introduce ideas como la tolerancia al desorden en los datos, la importancia de la correlación frente a la causalidad y la reutilización de información recogida para otros fines. También plantea que la datificación de la vida cotidiana abre nuevas formas de predicción y decisión. Publicado en 2013, anticipó gran parte de la economía basada en datos, aunque con el tiempo se han evidenciado límites importantes en la confianza excesiva en el volumen y la predicción.
Antes del libro: cuando los datos ya estaban en el trabajo
Big Data. La revolución de los datos masivos llegó a mis manos en 2013. Para entonces había desarrollado en Equifax MicroVisión, un sistema de análisis descriptivo de tipologías, y GeoConsumo, un proyecto predictivo basado en geomarketing y micromarketing. También había trabajado con scorings bancarios, procesos de preconcesión de crédito y una plataforma general de activo.
Sabía lo que podía hacer un modelo: localizar perfiles de consumo, anticipar una respuesta, ordenar riesgos y orientar decisiones que movían mucho dinero. En crédito, además, cada porcentaje tenía consecuencias sobre una persona. El libro de Viktor Mayer-Schönberger y Kenneth Cukier amplió el encuadre. Aquellas técnicas salían de los departamentos de análisis para instalarse en la economía, la salud, la educación y la vida cotidiana.
Ese fue el golpe de la lectura. La digitalización estaba convirtiendo casi cualquier actividad en un rastro y el valor ya no residía únicamente en almacenar esos datos. El poder pertenecía a quien supiera relacionarlos, encontrar patrones y actuar antes.
El cambio de escala
A partir de ahí, el libro desplaza la mirada hacia un cambio más profundo: acumular datos empezaba a cambiar también la forma de conocer.
Durante décadas, medir y procesar información había sido caro. La estadística aprendió a trabajar con muestras pequeñas y muy cuidadas. La expansión de internet, los sensores, los teléfonos móviles y la capacidad de cómputo alteró esa restricción.
Mayer-Schönberger y Cukier lo resumieron con una fórmula provocadora: N = todo. Ninguna base de datos contiene de verdad el mundo entero. Siempre hay personas ausentes, variables que nadie recogió y decisiones previas sobre qué merece ser medido. La fórmula captaba, aun así, un salto real: empezábamos a observar poblaciones enteras o conjuntos tan grandes que revelaban comportamientos invisibles dentro de una media.
El aumento de escala traía desorden. Millones de registros incompletos podían resultar más útiles que una muestra impecable, siempre que el error se conociera y se tratara. Esta intuición resuena con el desarrollo posterior de los grandes modelos de inteligencia artificial, entrenados con cantidades descomunales de textos, imágenes y conversaciones de calidad desigual. El volumen permite aprender regularidades difíciles de detectar en conjuntos pequeños, pero también arrastra errores, duplicaciones y sesgos.
La tercera apuesta del libro era la correlación. Si ciertas vibraciones preceden con frecuencia a una avería, el vehículo puede recomendar una revisión antes de saber qué pieza fallará. Farecast analizaba históricos de precios para aconsejar cuándo comprar un billete de avión. Para muchas decisiones comerciales bastaba con anticipar bien el resultado.
Convertir la vida en datos
Sobre ese cambio de escala aparece un concepto central: la datificación.
Digitalizar un libro consiste en convertir sus páginas en un archivo. Datificar la lectura supone registrar qué se lee, a qué hora, durante cuánto tiempo, dónde se abandona y qué pasaje se subraya. La localización se vuelve una serie de coordenadas; el ejercicio, una secuencia de pasos y pulsaciones; el aprendizaje, accesos, entregas, notas, dudas y abandonos.
Una vez recogidos, los datos pueden servir para algo distinto de su propósito inicial. El histórico de una empresa de mensajería permite estimar la actividad económica. Las operaciones guardadas para llevar una contabilidad alimentan después un modelo de fraude. El libro llamó valor de opción a esa reserva de usos futuros.
La economía digital explotó ese valor. Fotografías, artículos y conversaciones creados para comunicarnos han terminado dentro de sistemas de inteligencia artificial. La posibilidad técnica de reutilizarlos dejó abiertas preguntas sobre el consentimiento, la propiedad y la remuneración que en 2013 parecían secundarias.
De la lectura a los proyectos de IEBS
Ese marco conceptual no se quedó en la teoría. En IEBS decidimos invertir en datos e inteligencia artificial cuando todavía eran tecnologías alejadas del uso general. Big Data ayudó a sostener esa decisión.
En febrero de 2020 expliqué parte del trabajo en AI Tech Spirit Barcelona. La sesión comienza en torno a 2:13 y mi intervención, aproximadamente en 2:20:40. Algunos de los proyectos llevaban ya varios años funcionando.
En el área comercial habíamos construido un sistema predictivo de maduración de contactos. Estimaba el valor de cada oportunidad, medía la rentabilidad de canales y asignaba el contacto al asesor con más probabilidades de conversión. Trabajábamos con profiling, clustering, modelos de proximidad y vecindario para recomendaciones y sugerencias.
En aquel sistema también existía Raúl 2.0: un chat basado en modelos de lenguaje natural que combinaba fuentes propias y externas para asistir en la toma de decisiones y en la interacción con usuarios. Con la llegada de GPT-01, ese enfoque dejó de tener sentido técnico, pero no conceptual: entendimos que lo importante no era la herramienta, sino la forma de estructurar la inteligencia alrededor de los datos.
En aquella ponencia presenté una tasa de acierto cercana al 90 % y un crecimiento de los ingresos del 30 %. Son cifras de medición interna de IEBS, no una evaluación independiente.
El campus generaba señales distintas. Analizábamos la actividad docente, localizábamos incidencias dentro de las aulas y estimábamos el riesgo de abandono a partir del comportamiento de promociones anteriores. Comunicamos entonces una tasa de graduación del 90 %, también como dato interno de IEBS. El sistema se limitaba a enviar una alerta. El profesor investigaba el problema y decidía cómo intervenir.
También trabajamos en itinerarios adaptados al progreso de cada estudiante. La dificultad de los proyectos y las actividades recomendadas variaban con su evolución.
Al volver a aquella grabación reconozco la huella del libro. Habíamos datificado la captación, la docencia y el aprendizaje. Los patrones servían para intervenir antes ante una oportunidad comercial o un alumno en riesgo.
Una predicción deja de ser una simple observación cuando alguien actúa sobre ella. Lo había visto antes en crédito: un scoring puede influir en si una persona recibe financiación y en qué condiciones. En educación ocurría algo parecido desde el otro lado. Si un modelo detectaba riesgo de abandono y un profesor intervenía a tiempo, la predicción podía contribuir precisamente a que aquello que anticipaba no llegara a suceder.
Donde falló la confianza en los datos
El tiempo también mostró los límites de aquella confianza. Big Data acertó al describir el cambio de poder que producirían los datos. Fue bastante más optimista sobre nuestra capacidad para extraer verdad de ellos.
Google Flu Trends era uno de sus ejemplos más persuasivos. Las búsquedas de síntomas permitían estimar la propagación de la gripe con mayor rapidez que las estadísticas sanitarias. Poco después, el sistema empezó a sobreestimar la incidencia de la enfermedad.
En 2014, David Lazer, Ryan Kennedy, Gary King y Alessandro Vespignani estudiaron el caso en Science. Los hábitos de búsqueda habían variado y Google modificaba sus propios algoritmos. Los investigadores hablaron de «arrogancia del big data»: creer que el volumen sustituye al conocimiento sobre cómo se generaron los datos.
Una base con millones de filas mantiene sus defectos de origen. Puede excluir a una parte de la población, medir una señal equivocada o quedarse antigua mientras continúa produciendo resultados con varios decimales. Más datos pueden permitir medir algo con enorme precisión y, al mismo tiempo, estar midiendo la cosa equivocada.
La correlación puede bastar para recomendar la compra de un billete o la revisión de una máquina. Cuando entramos en medicina, crédito, educación o política pública necesitamos conocer también los límites del modelo, las condiciones bajo las que dejará de funcionar y quién puede salir perjudicado por sus decisiones.
El riesgo aumenta cuando la predicción recae sobre una persona. Mayer-Schönberger y Cukier llamaron castigo por propensión a negarle a alguien una oportunidad por lo que un cálculo dice que podría hacer. Mi experiencia con scorings bancarios daba a ese capítulo un sentido muy concreto. Una probabilidad agiliza el análisis del riesgo, pero adquiere con facilidad apariencia de sentencia.
Variables aparentemente neutrales pueden funcionar además como sustitutos de otras mucho más sensibles. El código postal, determinados patrones de consumo o las relaciones entre variables pueden aproximarse indirectamente al nivel de renta, el origen o la clase social.
Los autores propusieron la figura del algorithmist, un auditor capaz de examinar los modelos y pedir responsabilidades. Aquella preocupación se reparte hoy entre la auditoría algorítmica, la explicabilidad, la gobernanza, las evaluaciones de impacto y la supervisión humana.
Los nombres han cambiado. La cuestión de fondo sigue siendo muy parecida: quién decide, con qué datos, bajo qué reglas y qué capacidad tiene una persona para discutir una decisión que un sistema ha tomado sobre ella.
Leerlo después de ChatGPT
La inteligencia artificial generativa ha llevado muchas de estas ideas bastante más lejos. Los modelos actuales trabajan sobre volúmenes masivos de información, aprenden regularidades y pueden producir textos, imágenes, código, clasificaciones o resúmenes con una soltura que en 2013 habría parecido ciencia ficción.
También hemos vuelto a encontrarnos con una vieja tentación: confundir una respuesta convincente con una respuesta verdadera.
Un modelo puede escribir magníficamente y equivocarse. Puede aprender patrones reales sobre datos sesgados. Puede funcionar de forma espectacular en una prueba y degradarse cuando cambia el contexto. Puede responder con enorme seguridad justo donde debería expresar dudas.
Hay algo de Google Flu Trends en muchos de los debates actuales sobre inteligencia artificial: la fascinación por una capacidad nueva puede hacernos olvidar durante un rato qué está midiendo realmente el sistema y bajo qué condiciones podemos confiar en él.
Hoy Big Data funciona mejor como un ensayo de época que como un manual técnico. Algunos casos envejecieron y la fe en la correlación necesita correcciones. La idea de que el volumen resolvería problemas que antes exigían comprender el mecanismo resultó demasiado optimista.
Su diagnóstico central conserva, sin embargo, una fuerza enorme: la capacidad de convertir nuestros rastros en datos, encontrar patrones dentro de ellos y utilizar esos patrones para decidir cambió el reparto del poder.
A mí me marcó porque dio una dimensión histórica a lo que hasta entonces había vivido como oficio. Aquella lectura acompañó decisiones de inversión en IEBS que acabaron materializadas en sistemas comerciales, modelos de alerta académica, itinerarios adaptativos y un tutor basado en lenguaje natural.
Trece años después lo leo con menos entusiasmo tecnológico y bastante más cautela. Pero sigo recomendándolo por una razón simple: me ayudó a entender a tiempo el mundo que empezaba a construirse con nuestros datos.