Pensar en voz alta | La paradoja de la sociedad que lo cuantifica todo: ¿Estamos midiendo aquello que realmente importa?

Disponemos de más datos que nunca. Medimos más cosas que nunca. Generamos más indicadores que nunca. Además, la inteligencia artificial nos permite producir, clasificar y evaluar información a una escala inédita. Sin embargo, cuanto más sofisticados se vuelven nuestros sistemas de medición, más difícil parece responder a una pregunta elemental: ¿qué es exactamente aquello que estamos intentando comprender? Porque quizá la paradoja de la sociedad que lo cuantifica todo no consista en que midamos demasiado, sino en que hemos empezado a confundir aquello que podemos medir con aquello que tiene valor.

Hay una paradoja que aparece una y otra vez en ámbitos aparentemente distintos. La plantea Diane Coyle cuando se pregunta si nuestras formas de medición siguen siendo capaces de captar dónde se crea realmente valor en una economía cada vez más digitalizada («Avui l’economia passa pel mòbil, però no sabem mesurar-la«). Reaparece en Daniel Innerarity («Gestionando el colapso«), cuando advierte del riesgo de una sociedad obsesionada con la predicción, la optimización y la gestión de indicadores. Y vuelve a surgir en Alain Supiot (Derecho laboral y deuda de vida), cuando recuerda que la digitalización no debería reconfigurar el trabajo exclusivamente como un flujo de datos gestionado por el mercado, desvinculado de su función de sostener la vida y la comunidad .

Los tres hablan de cuestiones distintas y proceden de ámbitos también muy diferentes. Diane Coyle es una economista especializada en la medición del crecimiento, la productividad y el valor en la economía digital. Daniel Innerarity es un filósofo político que ha dedicado buena parte de su obra a estudiar la gobernanza de sociedades complejas, la democracia y el impacto de la tecnología sobre la toma de decisiones colectivas. Alain Supiot es uno de los grandes pensadores contemporáneos del Derecho del Trabajo y lleva décadas reflexionando sobre las transformaciones del trabajo, la gobernanza económica y los límites de la llamada «gobernanza por números». Sin embargo, pese a partir de disciplinas, problemas y preocupaciones muy distintas, los tres parecen converger en una misma inquietud.

Disponemos de más datos que nunca. Medimos más cosas que nunca. Generamos más indicadores que nunca. Además, la inteligencia artificial nos permite producir, clasificar, evaluar y procesar información a una escala que hace apenas unos años parecía impensable. Y, sin embargo, cada vez resulta más difícil responder a una pregunta aparentemente sencilla: ¿estamos midiendo aquello que realmente importa?

La cuestión trasciende la tecnología. Sin duda, la irrupción de la inteligencia artificial ha acelerado muchas transformaciones y ha tensionado instituciones que parecían consolidadas. Pero quizá su efecto más interesante haya sido otro: obligarnos a replantear qué entendemos por valor, por aprendizaje, por productividad o incluso por trabajo. Porque cuando una máquina es capaz de producir aquello que utilizábamos como evidencia de esas realidades, la atención deja de centrarse en el resultado y vuelve a dirigirse hacia aquello que ese resultado pretendía representar.

Durante mucho tiempo dimos por sentado que existía una relación razonablemente estable entre aquello que queríamos conocer y los instrumentos que utilizábamos para observarlo. Las estadísticas económicas nos ayudaban a aproximarnos a la riqueza de un país. Los sistemas de evaluación pretendían comprobar si un estudiante había aprendido. Los indicadores de productividad servían para analizar cómo se organizaba el trabajo. Los datos permitían identificar problemas y orientar decisiones públicas.

Nadie confundía completamente la realidad con sus indicadores. Éramos conscientes de que se trataba de aproximaciones imperfectas, pero asumíamos que existía una correspondencia suficiente entre lo que se medía y aquello que se pretendía conocer.

Sin embargo, algo parece estar cambiando. No porque dispongamos de demasiados datos ni porque utilicemos demasiados indicadores, sino porque esa relación entre la realidad y sus representaciones resulta cada vez más incierta. Como si, poco a poco, hubiéramos empezado a prestar más atención a los indicadores que a las realidades que estos intentan describir.

La reflexión de Diane Coyle parte precisamente de esta constatación. Buena parte de nuestras herramientas estadísticas fueron diseñadas para una economía industrial basada en bienes materiales, producción física y transacciones relativamente fáciles de identificar. Sin embargo, una parte creciente del valor económico se genera hoy a través de activos intangibles, plataformas digitales, redes, datos e interacciones que escapan a esas categorías tradicionales.

La cuestión no es meramente técnica. Como señala Coyle, medir no consiste únicamente en describir una realidad preexistente. Toda medición implica una selección: determina qué aspectos de la realidad consideramos relevantes y cuáles permanecen en segundo plano. Cuando los instrumentos de medición dejan de captar adecuadamente dónde se genera valor, no solo obtenemos una imagen incompleta de la economía. También corremos el riesgo de orientar nuestras decisiones colectivas a partir de una representación parcial de la realidad.

Y es precisamente ahí donde la reflexión de Daniel Innerarity adquiere especial interés. Si los indicadores no son neutrales y contribuyen a orientar nuestras decisiones colectivas, la cuestión ya no es únicamente qué medimos, sino para qué medimos. La pregunta deja de ser técnica para convertirse en política. Innerarity advierte de que las sociedades contemporáneas disponen de capacidades crecientes para predecir, clasificar, optimizar y gestionar información. Sin embargo, esa sofisticación técnica no resuelve por sí sola la cuestión de los fines. Al contrario, cuanto más eficaces nos volvemos en la gestión de medios, más fácil resulta desplazar las preguntas sobre qué queremos conseguir, qué consideramos valioso o qué tipo de sociedad estamos intentando construir. El riesgo no consiste en utilizar indicadores, sino en acabar sustituyendo la reflexión sobre los fines por la gestión de los propios indicadores. Como si mejorar una métrica equivaliera necesariamente a resolver el problema que esa métrica pretendía representar.

Los indicadores siguen siendo útiles. Pueden ayudarnos a conocer cuánto crece una economía, cuánto produce una organización o cuántos estudiantes superan una asignatura. Pero no pueden responder por sí solos a las preguntas que dan sentido a esas mediciones: qué entendemos por prosperidad, qué finalidad debe cumplir una institución o qué significa realmente aprender.

El riesgo aparece cuando esas preguntas dejan de formularse. No porque desaparezcan, sino porque quedan desplazadas por una discusión centrada en resultados, rankings, métricas y objetivos cuantificables. Entonces los indicadores dejan de ser instrumentos al servicio de una finalidad y empiezan a convertirse en sustitutos de esa finalidad.

Es precisamente ahí donde la reflexión de Alain Supiot adquiere una especial relevancia. Desde hace años viene advirtiendo sobre los riesgos de una gobernanza basada exclusivamente en números. En su reciente discurso sobre la «deuda de vida», Supiot vuelve a insistir en una idea fundamental: el trabajo no puede comprenderse únicamente como una variable económica ni como un conjunto de datos susceptibles de ser gestionados algorítmicamente. Su advertencia resulta especialmente significativa en un contexto marcado por la digitalización. Como señala, se trata de evitar que esta reconfigure el trabajo «exclusivamente como un flujo de datos gestionado por el mercado, desvinculado de su función de sostener la vida y la comunidad».

La frase merece una lectura pausada. Porque obliga a recordar algo que con frecuencia olvidamos. El trabajo produce bienes y servicios, pero también produce integración social, reconocimiento, autonomía personal y vínculos comunitarios. Permite sostener proyectos de vida y participar en una realidad compartida. Nada de eso desaparece porque seamos capaces de medir mejor la productividad o porque dispongamos de sistemas más sofisticados para analizar el rendimiento. Sin embargo, cuando la lógica de la cuantificación se convierte en la principal forma de comprender la realidad, esas dimensiones tienden a volverse invisibles.

Quizá por eso esta misma inquietud reaparece una y otra vez cuando reflexiono sobre cuestiones aparentemente distintas. Al releer algunas de las entradas publicadas en esta serie Pensar en voz alta, me he dado cuenta de que muchas de ellas giraban alrededor de una preocupación similar, aunque entonces no la formulara de este modo.

Ocurría en La universidad no está perdiendo la batalla contra la IA. Está descubriendo que llevaba años evaluando otra cosa. Durante años hemos construido sistemas de evaluación cada vez más precisos. Rúbricas, competencias, resultados de aprendizaje, evidencias e indicadores de calidad. Todo ello tiene sentido. Pero la irrupción de la inteligencia artificial generativa ha introducido una pregunta: ¿estábamos evaluando realmente aprendizaje o estábamos evaluando productos que asumíamos como evidencia de aprendizaje? La misma preocupación estaba presente en De la página en blanco a la página en negro. El problema no era que una máquina pudiera generar texto. Lo verdaderamente relevante era distinguir entre el resultado final y el proceso intelectual que tradicionalmente representaba ese resultado. Entre escribir y haber pensado. También reaparecía en Habermas: cuando el poder debe justificarse… incluso si decide un algoritmo. Una decisión puede ser técnicamente eficiente y, sin embargo, carecer de la legitimidad necesaria si no puede justificarse públicamente. La eficacia no sustituye a la legitimidad, del mismo modo que una métrica no sustituye al valor que pretende representar. Y, en cierto modo, la misma pregunta atravesaba: ¿Quién gobierna la inteligencia artificial (y por qué no es una pregunta técnica)? Porque detrás de los sistemas, los algoritmos y los datos reaparece siempre una cuestión anterior: quién define los fines, quién establece las prioridades y quién decide qué es aquello que merece ser optimizado. Incluso El trabajo más allá del contrato: la función del trabajo en la era de la optimización desde la deuda de vida partía de una inquietud similar. Si el trabajo cumple una función que desborda la lógica económica y contribuye a sostener la vida y la comunidad, ¿qué ocurre cuando comenzamos a comprenderlo exclusivamente a través de indicadores de rendimiento, productividad o eficiencia?

Vistas en conjunto, todas estas cuestiones remiten a una misma paradoja. La sociedad digital ha ampliado extraordinariamente nuestra capacidad para registrar, medir y comparar la realidad. Pero esa capacidad no nos libera de la pregunta más difícil: qué merece ser reconocido como valor. Ahí se encuentran, desde lugares distintos, Coyle, Innerarity y Supiot. Coyle muestra que una economía digitalizada obliga a revisar cómo identificamos la creación de valor. Innerarity recuerda que ningún sistema de medición puede sustituir la deliberación sobre los fines. Supiot advierte de que el trabajo pierde parte de su sentido si queda reducido a un flujo de datos gestionado por el mercado. La cuestión, por tanto, no es oponer datos y juicio, ni indicadores y sentido. Sería una falsa alternativa. Necesitamos medir, evaluar, comparar y rendir cuentas. Pero necesitamos también recordar que toda medición selecciona una parte de la realidad y deja otra fuera. Y que aquello que queda fuera de la métrica no desaparece necesariamente de la vida.

Puede quedar fuera la experiencia real del aprendizaje. Puede quedar fuera la función social del trabajo. Puede quedar fuera la legitimidad de una decisión. Puede quedar fuera la capacidad efectiva de una institución para cumplir sus fines. Puede quedar fuera, en definitiva, aquello que no se deja transformar fácilmente en dato, pero que sigue siendo decisivo para comprender lo que hacemos.

Por eso la paradoja de la sociedad que lo cuantifica todo no consiste únicamente en que midamos demasiado. Consiste en que, cuanto más sofisticados se vuelven nuestros sistemas de medición, más necesario resulta preservar espacios de juicio, deliberación y responsabilidad.

Por eso la paradoja de la sociedad que lo cuantifica todo no consiste únicamente en que midamos demasiado. Consiste en que, cuanto más sofisticados se vuelven nuestros sistemas de medición, más necesario resulta conservar la capacidad de preguntarnos qué es exactamente aquello que estamos intentando medir.

Quizá esa sea también una de las cuestiones más interesantes que plantea la inteligencia artificial. No porque pueda producir respuestas, evaluar resultados o procesar información a una escala inédita. Sino porque nos obliga a revisar algunas equivalencias que habíamos dado por sentadas. Que una respuesta sea correcta no significa que haya conocimiento. Que un texto esté bien construido no significa que haya pensamiento. Que un indicador mejore no significa que el problema esté mejor resuelto. Que una decisión sea eficiente no significa que sea legítima.

Ahí reaparece, una vez más, la paradoja que atraviesa estas páginas. La cuestión no es únicamente cómo medimos el valor, cómo evaluamos el aprendizaje o cómo organizamos el trabajo. La cuestión es qué ocurre cuando empezamos a dar por sentado que aquello que podemos medir coincide necesariamente con aquello que tiene valor.

Contenido protegido. No autorizado su uso para entrenamiento de sistemas de inteligencia artificial sin autorización expresa.