Escribe Kenneth Cukier / F&D FMI – Vemos el planeta no tal como es, sino tal como somos. En el ámbito de los datos, los economistas deben replantearse qué información utilizan para mostrar la verdad sobre el terreno y reimaginar la verdad que desean registrar.
El campo sufre de una “déformation professionelle”, que ve la economía a través del prisma de un mundo de “small data” que conocen desde hace tiempo. Pero en un universo de “big data” —cuando la variedad, frecuencia y granularidad de las fuentes de datos (y las características a medir) son mucho más numerosas— se requiere una nueva mentalidad.
Para hacerse una idea de cómo es una colisión así entre más información y el pensamiento tradicional, consideremos un poco de historia en el campo de la sanidad.
En 1990, General Electric lanzó una actualización del software para sus máquinas de resonancia magnética (MRI) Signa, utilizadas para escáneres médicos. Los ingenieros descubrieron un fallo en el sistema que comprimía cómo mostraba tejido que contenía lípidos, o grasa. Pero cuando se hicieron disponibles imágenes más precisas, muchos radiólogos se rebelaron. No estaban acostumbrados a ver los mejores escáneres y se sentían más cómodos evaluando los más antiguos. Había temores de diagnósticos erróneos debido a nuevas imágenes. GE se vio obligada a añadir una función a las máquinas de resonancia magnética que permitía a los radiólogos ver las antiguas exploraciones —etiquetadas como “clásicas”, en un guiño y guiño al desastre tras el lanzamiento de la “nueva Coca-Cola” unos años antes.
Una resonancia magnética es visual, informativa. No es la cosa en sí. De este modo, es un poco como los datos económicos, como el crecimiento, el desempleo, la inflación y similares. Los radiólogos de los años 90 preferían la información menos precisa porque se habían acostumbrado a usar escaneos comprimidos; Sus habilidades se perfeccionaron en gran medida para trabajar dentro de esas limitaciones. Se resistían a mejores imágenes. ¿Existe el riesgo de que los economistas actuales sean vulnerables a la misma trampa mental?
Galaxia de datos
Considera la galaxia de datos e IA que nos rodea hoy en día, y lo novedosa que es. Hace un cuarto de siglo, la mayoría de las cosas en la vida no tenían un chip informático ni se conectaban a una red. Era una era pasada de cartas, fichas de metro, despertadores de viaje y transacciones con tarjeta de crédito que requerían una firma en un formulario de papel carbón tras pasar por una impresora, conocida como máquina zip-zap. Tu sueño y ejercicio no se controlaban con tu reloj de pulsera. Tu teléfono inalámbrico no reconoció tu cara; Tu banco no verificó tu firma de voz. Los coches sin GPS significaban que los conductores dependieran de mapas mal plegados. No seas nostálgico: la cuestión es que la digitalización de la sociedad significa que actividades que nunca podrían convertirse fácilmente en datos ahora lo son.
Esto ofrece la posibilidad de entender la economía de manera más precisa, un mejor reflejo de la verdad de terreno, de lo que realmente se está midiendo. La notificación puede hacerse mucho más rápido, quizás en tiempo cuasi-real, y de formas más granulares, hasta en segmentos pequeños o incluso individuos, algo que los métodos antiguos no podían hacer—comprimiendo en su lugar la información como una resonancia magnética anterior a 1990. La precisión, la velocidad y los detalles mejoran. Además, lo que se mide puede cambiar por sí mismo, dando lugar a nuevas formas de entender el mundo (y al hacerlo, con suerte, mejorarlo).
Sin embargo, las entidades que recopilan la información proceden del sector privado, ya que es él quien genera los datos en sus operaciones. Por ejemplo, las imágenes satelitales pueden rastrear los rendimientos agrícolas. Las páginas de ofertas de empleo pueden identificar qué áreas urbanas crecen más rápido que otras, mientras que las de ventas de viviendas pueden mostrar cuáles están en declive. En muchos casos, las empresas se encuentran en medio de flujos de datos procedentes de las operaciones de otros. El procesador de nóminas ADP gestiona uno de cada seis trabajadores estadounidenses: su informe mensual de empleo es utilizado por economistas para complementar datos de la Oficina de Estadísticas Laborales de EE. UU.
Indicadores alternativos
Tales indicadores alternativos (o “alt-data”) pueden no compilarse utilizando los métodos académicamente rigurosos de las agencias estatales de estadística. Aprovechar los datos requerirá un cambio de mentalidad por parte de los profesionales actuales, que quizá deban replantear su responsabilidad, pasando de generar información a colaborar con el sector privado para reforzar y validar la integridad de los datos y así poder utilizarse con fines más amplios. Es un eco de los orígenes del campo.
El término estadística deriva del alemán “Statistik”, acuñado a mediados del siglo XVIII para referirse a la “ciencia del estado”. Estas métricas pueden basarse en la inferencia: generalizar desde lo que es fácilmente medible para llegar a conclusiones sobre lo que es difícil de aprender. Como a menudo era caro o imposible contar las cosas en sí, la práctica aceptada era buscar proxies y extrapolar. Este enfoque caracterizó los primeros días de la estadística. “La ciudad de Dublín en Irlanda parece tener más chimeneas que Bristol y, en consecuencia, más gente”, escribió William Petty al inicio de un ensayo sobre “aritmética política” en la década de 1680 para estimar poblaciones.
Hoy en día, las economías desarrolladas gastan miles de millones de dólares al año para producir indicadores económicos y sociales fiables. Para los sumos sacerdotes y sacerdotisas de la métrica oficial, es una vocación sagrada, una marca de civilización. “El conocimiento es poder: la estadística es democracia”, afirmó célebremente Olavi Niitamo, quien dirigió Statistics Finland de 1979 a 1992.
Los datos son solo una simulación de lo que pretenden cuantificar, calificar y registrar. Es una abstracción, nunca la cosa en sí, igual que un mapa no es territorio y una simulación meteorológica no te moja. Los datos contienen un “cociente de información” de lo que representan. A medida que cambia el mundo, también deben hacerlo las estadísticas con las que los científicos sociales miden al hombre. A pesar de que los filósofos mundanos adoptaron métodos más serios para establecer una ciencia desastrosa, todavía se utilizan proxies informales y extrapolaciones.
Anécdatos
Alan Greenspan, presidente de la Reserva Federal de 1987 a 2006, es famoso por abrazar la “anécdata” —una mezcla entre anécdota y datos— para adelantarse sobre los indicadores oficiales. Como joven economista, entre los datos que analizó estaban las ventas de ropa interior masculina. En su razonamiento, es un indicador económico: el tipo de cosas que la gente reduce cuando se aprietan los cinturones.
Sus sucesores en la Fed siguieron su ejemplo. Al inicio de la crisis financiera de 2008, pocos días después del colapso de Lehman Brothers, Janet Yellen, entonces presidenta del Banco de la Reserva Federal de San Francisco, advirtió sobre una fuerte recesión económica durante una reunión del Comité Federal de Mercado Abierto. “Los cirujanos plásticos y dentistas del East Bay señalan que los pacientes están posponiendo procedimientos electivos”, informó, según las transcripciones publicadas cinco años después. “Ya no es necesario reservar en muchos restaurantes de alta gama.” Sus compañeros se rieron.
¿Cómo le fue a la agencia estadística? En el cuarto trimestre de 2008, la primera cifra publicada para Estados Unidos fue una caída del PIB del 3,8 por ciento. Ese valor se revisó rápidamente un mes después a una caída del 6,2 por ciento. En la revisión final, en julio de 2011, se recalculó como una caída del 8,9 por ciento—la mayor revisión a la baja del PIB registrada y más del doble de lo que se había reportado inicialmente. Quizá indicadores alternativos habrían ayudado.
Las nuevas fuentes de datos podrían haber hecho un trabajo más rápido y mejor que los indicadores existentes, y con más detalle. Por ejemplo, ADP, la empresa de nóminas, podría haber detectado una disminución de nuevos empleados y una desaceleración en los aumentos salariales. Las búsquedas en Google relacionadas con la compra de viviendas pueden haberse ralentizado drásticamente. Del mismo modo, sitios profesionales de ofertas de empleo como LinkedIn e Indeed tienen una perspectiva sobre los anuncios de reclutamiento, no solo los que se publican, sino también los que se retiran. (Esos datos los utilizan los inversores porque son un predictor temprano de tambaleos empresariales y rebajas de los analistas, y por tanto de precios de las acciones.)
Herramienta para la transparencia
Durante las crisis, las métricas oficiales pueden fallar debido a retrasos en la notificación. Los datos alternativos prosperaron al inicio de la pandemia de COVID-19. El GPS en los teléfonos Apple y Android detectó una disminución en las visitas a los minoristas y reveló qué lugares desobedecieron las órdenes de confinamiento. Del mismo modo, durante el cierre del gobierno estadounidense en octubre de 2025, las agencias estadísticas no pudieron publicar datos, por lo que el sector privado cubrió la brecha. Las tendencias de empleo fueron proporcionadas por ADP y Carlyle, un fondo de capital privado que gestiona 277 empresas con 730.000 empleados.
Los datos alternativos hacen que los gobiernos rindan cuentas. Los datos oficiales de inflación de Argentina se volvieron tan ridículos a principios de la década de 2010 que The Economist utilizó en su lugar cifras de PriceStats, una empresa fundada por dos economistas de la Harvard Business School y el Instituto Tecnológico de Massachusetts. Sigue los cambios en 800.000 precios diarios entre 40 millones de productos en 25 economías. Mientras se plantean preguntas sobre la integridad de los datos estadounidenses tras el despido del presidente Donald Trump en agosto de 2025, tras un informe negativo sobre empleo, los datos alternativos pueden ser una herramienta independiente para la transparencia.
La explosión de nuevas fuentes y técnicas de datos es especialmente importante en las economías en desarrollo, que carecen de la capacidad institucional, los fondos, las habilidades y la voluntad política para recopilar, analizar e informar estadísticas. Con pensamiento creativo, los datos del sector privado pueden ser transformadores. Por ejemplo, muchas economías en desarrollo no pueden permitirse equipamiento meteorológico en zonas remotas para medir eventos meteorológicos como las precipitaciones, y así avisar con antelación de inundaciones. Pero los operadores móviles tienen torres de telefonía móvil por todo el campo. Estas torres se comunican constantemente entre sí para obtener información de red y para transferir el tráfico. Sin embargo, la intensidad de la señal se debilita con la lluvia, lo que los hace útiles para medir la precipitación. Se necesita más originalidad para superar las lagunas de datos en lugares pobres.
Sin embargo, crear indicadores más precisos, granulares y oportunos significa poco si no hay forma de usarlos eficazmente. “A menos que aumentemos simultáneamente la velocidad de implementación, el ‘big data’ tiene una utilidad limitada”, dijo Greenspan en una entrevista que realicé por correo electrónico en 2014.
Un mundo feliz
Además, lo que está en juego es incluso mayor que la necesidad de mejorar lo que existe o de cubrir carencias conocidas. La dataficación de actividades que nunca se han transformado en forma de datos ofrece una oportunidad única para aprender cosas nuevas sobre el mundo. La sociedad está apenas al inicio de una gran transformación en la comprensión.
Una dimensión temprana de esta transformación es el “gráfico económico” de LinkedIn. Mide las actividades laborales de 1.200 millones de personas, 67 millones de empresas, 15 millones de empleos, 41.000 habilidades y 133.000 escuelas. Muchos países la utilizan para responder preguntas como “¿Qué habilidades crecen más rápido, qué lugares ganan y pierden empleos, qué dificultad tienen las transiciones a mitad de carrera por ocupación y en qué industrias y países hay mujeres en puestos de liderazgo más alto?” Esta información nunca pudo ser rastreada, analizada ni comparada hasta ahora.
Aunque un análisis tan profundo de la información personal de las personas pueda parecer amenazar la privacidad, no es necesario que lo haga. Las técnicas avanzadas de procesamiento de datos —con nombres de generación espacial como aprendizaje federado, cifrado homomórfico, computación multipartidista segura y privacidad diferencial— permiten el análisis de datos cifrados, por lo que el registro real no es visible para el procesador de datos. El sistema aún está en pañales porque es difícil de llevar. Pero las empresas y las oficinas estadísticas ya están experimentando con ello.
Por supuesto, existen límites para usar “datos en la naturaleza” corporativa. A menudo se presenta en forma de agotamiento de datos, es decir, generados como un subproducto de las actividades comerciales habituales de una empresa. Por tanto, contendrá los sesgos de ese entorno. Las firmas de Carlyle aceptaban un propietario de capital privado (así que quizás no eran las más fuertes); Probablemente LinkedIn tenga más profesionales que miembros de clase trabajadora (así que quizá sea más adinerado); ADP guarda silencio sobre la economía gris de niñeras, limpiadoras de casas, lavadoras de coches y similares (cuyas cifras pueden ser señales aún más fuertes de salud económica).
Además, no se puede confiar completamente en los alt-data si no siempre existen. Por ejemplo, la empresa estadounidense de software Intuit produjo un índice de pequeñas empresas basado en datos agregados de su software contable QuickBooks. Pero en 2015 suspendió los informes, antes de relanzarlos con una metodología diferente y más robusta en 2023. Así que el futuro no se basará únicamente en datos alternativos, sino en fuentes oficiales y no oficiales complementarias. Aun así, este es un mundo nuevo y valiente.
Métricas modernas
Y eso nos lleva de nuevo a la resonancia. La imagen por resonancia magnética data de 1974, cuando fue patentada por Raymond Damadian de la Universidad Estatal de Nueva York como un método no invasivo para detectar el cáncer. Ese mismo año marcó una recesión brutal en Estados Unidos, que inspiró a un economista de la Universidad de Yale y exasesor de la Casa Blanca, Arthur Okun, a crear un nuevo indicador para tener en cuenta su impacto en los individuos, y no en la unidad abstracta de la economía en su conjunto.
Su Índice de Malestar Económico —más tarde apodado el “índice de la miseria”— se convirtió en un elemento básico de la política estadounidense. Ronald Reagan la utilizó para derrotar al presidente Jimmy Carter en la presidencia en 1980. Pero simplemente es la suma de las tasas de desempleo e inflación. Es fácil imaginar una métrica moderna para la era de la IA.
Recopilaría todas las formas en que la gente podría expresar su miseria, desde cambios en los patrones de gasto—no comprar menos cosas (una cifra contundente), sino pasar realmente de comer filete a ramen. Igualmente, facturas de servicios no pagadas y pagos atrasados del coche. Luego, incidentes de ira al volante, conducción errática y choques de golpes, no en conjunto, sino rastreados hasta la persona. Los Apple Watch pueden controlar la calidad del sueño y el estrés durante el día. Las cámaras de circuito cerrado de televisión en calles, tiendas y oficinas que cuentan con capacidad de reconocimiento facial pueden grabar las emociones de las personas. Los inodoros con biosensores pueden rastrear los niveles hormonales de los usuarios, como el cortisol y la epinefrina, que se disparan en momentos de ansiedad.
Esto se acerca más a la verdad terrenal que se puede encontrar. Estas estadísticas de ciencia ficción probablemente parezcan a muchos una verdadera miseria: las implicaciones para la privacidad son aterradoras, incluso si los datos, en teoría, podrían ser anonimizados. Con tal información, ¿no tiene el Estado el deber de intervenir para ayudar a los individuos y proteger a la sociedad? “Después de tal conocimiento, ¿qué perdón?” lamentó T. S. Eliot.
Esos datos alternativos no ocurrirán pronto, si es que alguna vez ocurren. Los paradigmas cambian un funeral a la vez. Y un “techlash” está ganando fuerza a medida que el público se vuelve cauteloso con el uso descontrolado de datos y el optimismo de los primeros tiempos de internet disminuye. Idealmente, los científicos sociales de hoy tienen el cuidado, la ética y la flexibilidad mental para aprovechar lo mejor de la IA y el big data y evitar sus carencias. Al fin y al cabo, los radiólogos ya no necesitan la vista “clásica” para las resonancias magnéticas.
KENNETH CUKIER es subeditor ejecutivo de The Economist y coautor de varios libros sobre datos y sociedad.
