LA NUEVA ERA DE LOS DATOS

De la no-cosa al modelo matemático de la realidad

Durante siglos, nuestra relación con el mundo estuvo organizada alrededor de cosas. Objetos, libros, máquinas, fotografías, edificios, productos y dinero físico funcionaban como puntos de referencia estables. La materia tenía peso, permanencia y duración. Una cosa ocupaba un lugar, acumulaba historia y podía ser poseída. La digitalización empezó a alterar esa lógica: la música dejó de necesitar un disco, la fotografía dejó de necesitar papel, una biblioteca pudo transformarse en una cuenta y el dinero comenzó a circular como información. La experiencia cotidiana empezó a desplazarse desde lo material hacia lo informacional.

Byung-Chul Han describe este proceso como el avance de un mundo dominado por “no-cosas”: información, datos, estímulos, imágenes y comunicaciones que ya no se experimentan como objetos estables sino como flujos. Sin embargo, el escenario tecnológico actual parece llevar esa idea un paso más lejos. Ya no estamos solamente en una sociedad donde las cosas se convierten en información. Estamos entrando en una etapa en la que la información se transforma en datos, los datos en patrones, los patrones en modelos y los modelos en decisiones. Esa transición marca una diferencia profunda: no se trata solo de digitalizar la realidad, sino de volverla matemáticamente interpretable.

Del dato al modelo

En la primera etapa de Internet, la información era el centro. Una fotografía, un texto, un video o una canción eran unidades digitales que podían copiarse, compartirse y distribuirse. Con el tiempo apareció una segunda capa, mucho menos visible: cada uno de esos objetos digitales comenzó a producir información sobre sí mismo y sobre quien interactuaba con él. Una imagen ya no era solamente una imagen. También podía registrar quién la vio, durante cuánto tiempo, desde qué dispositivo, a qué hora, qué ocurrió antes y qué ocurrió después.

Cuando una acción puede medirse, puede convertirse en una variable. Cuando existen suficientes variables, pueden encontrarse patrones. Y cuando esos patrones son suficientemente consistentes, pueden convertirse en modelos capaces de producir inferencias. Ese es el cambio esencial de la nueva economía de datos. Un dato describe algo que ya ocurrió; un modelo intenta estimar lo que probablemente ocurrirá después.

Podemos resumir esa evolución en una secuencia sencilla:

dato → patrón → modelo → inferencia → decisión

Una compra registrada pertenece al pasado. Un modelo que estima la probabilidad de una nueva compra intenta aproximarse al futuro. Ahí aparece el verdadero valor contemporáneo del dato: no solamente registrar, sino reducir incertidumbre.

El micro-momento como unidad digital

Gran parte de este sistema se construye a partir de acciones que para nosotros son casi insignificantes. Deslizar una pantalla, detenerse durante algunos segundos, regresar a una publicación, abandonar un video, ampliar una imagen, leer comentarios o comparar dos productos son microdecisiones que rara vez interpretamos como información. Sin embargo, para un sistema computacional cada una de ellas puede funcionar como una señal.

Podemos llamar micro-momento a ese instante mínimo en el que una persona decide continuar, detenerse, comprar, abandonar, compartir o volver atrás. Desde una perspectiva humana puede ser simplemente una duda. Desde una perspectiva matemática, es parte de una secuencia temporal. Una persona observa un producto, sale, regresa, consulta reseñas y vuelve a comparar. El sistema no necesita conocer exactamente qué está pensando; le basta con estimar qué tan probable es una determinada acción a partir de las señales previas.

En términos abstractos, el problema puede pensarse como:

P(acción | comportamiento previo)

La diferencia entre describir y predecir parece pequeña, pero es enorme. Allí se ubica buena parte del funcionamiento de las plataformas digitales modernas.

Redes sociales: interfaces visibles, matemática invisible

Cuando abrimos una red social sentimos que estamos observando contenido. En realidad, estamos interactuando con un sistema de selección. Detrás de cada pantalla existen miles o millones de elementos potenciales y el sistema debe ordenarlos. Para hacerlo puede considerar historial, afinidad, frecuencia de interacción, tiempo de permanencia, contexto, recencia, comportamiento previo y similitud con otros usuarios.

El resultado final es un ranking. La interfaz parece visual, simple y espontánea, pero debajo existe una enorme competencia matemática entre posibilidades. Nuestro feed puede entenderse como una predicción permanentemente actualizada de aquello que probablemente capture nuestra atención a continuación.

Esto modifica también nuestra relación con la decisión. No elegimos entre todas las posibilidades existentes. Elegimos entre un conjunto que ya fue previamente organizado. El algoritmo no necesita determinar completamente nuestra conducta para influir sobre ella. Le alcanza con ordenar el espacio dentro del cual decidimos.

La economía de la atención

La cantidad de información disponible es prácticamente infinita, pero la atención humana sigue siendo limitada. Por eso uno de los grandes problemas tecnológicos de nuestra época consiste en decidir qué merece ocupar los próximos segundos de una persona.

La atención se convirtió así en una variable psicológica, económica y matemática. Cada segundo adicional puede generar una nueva interacción, una nueva impresión publicitaria, una nueva posibilidad de conversión o una nueva señal para el modelo. El sistema aprende no solo de aquello que hacemos, sino también de aquello que ignoramos.

Esto genera un circuito de retroalimentación muy particular. El modelo selecciona contenido; el contenido captura o pierde nuestra atención; nuestra reacción produce datos; esos datos modifican el modelo; el modelo ajustado vuelve a seleccionar lo siguiente que veremos. El sistema aprende de nosotros mientras nosotros vivimos dentro del entorno que el propio sistema organiza.

Del marketing demográfico al marketing probabilístico

El marketing tradicional trabajaba principalmente con segmentos. Edad, ubicación, profesión, ingresos e intereses generales eran suficientes para construir audiencias. El marketing digital avanzó hacia algo mucho más dinámico. Dos personas con características demográficas casi idénticas pueden recibir experiencias completamente diferentes porque sus patrones de comportamiento también lo son.

El marketing contemporáneo se desplaza entonces desde la demografía hacia la conducta, y desde la conducta hacia la inferencia. El sistema ya no pregunta únicamente quién es una persona, sino qué probabilidad existe de que haga algo determinado en un contexto específico. Puede estimarse una probabilidad de clic, una probabilidad de conversión, una probabilidad de abandono o una afinidad con determinada creatividad.

Conceptualmente, parte de ese proceso puede entenderse como un problema de optimización:

max E(resultado | usuario, mensaje, contexto, tiempo)

No todas las plataformas implementan exactamente esa fórmula, pero la lógica es representativa. Cada anuncio, cada recomendación y cada estímulo se convierte en una pequeña decisión matemática.

Cuando una persona puede representarse como vector

Aquí aparece una cuestión mucho más filosófica. En el mundo físico describimos a una persona mediante historia, relaciones, experiencias, profesión, personalidad y memoria. En los sistemas computacionales puede construirse otra representación: una estructura numérica que capture determinadas características estadísticas.

Un usuario puede representarse de forma abstracta como un vector:

u = [x₁, x₂, x₃ ... xₙ]

Cada componente puede corresponder a afinidades, frecuencias, patrones temporales, comportamientos previos o relaciones con otros elementos del sistema. Esto no significa que una persona sea reducible a un vector. Significa que ciertos aspectos de su comportamiento pueden proyectarse matemáticamente para permitir cálculos de distancia, similitud y probabilidad.

Esa distinción es esencial. La matemática no reemplaza a la persona; construye un modelo operativo de una parte de ella.

El significado adquiere geometría

La inteligencia artificial moderna lleva esta idea todavía más lejos. Una palabra, una frase, una fotografía, un audio o un documento pueden transformarse en representaciones matemáticas multidimensionales conocidas como embeddings. En esos espacios, conceptos relacionados tienden a ubicarse próximos entre sí.

Esto produce algo extraordinario: parte del significado adquiere geometría. Conceptos semánticamente próximos aparecen como posiciones cercanas; relaciones abstractas pueden transformarse en direcciones, distancias y estructuras. El lenguaje deja de existir solamente como símbolo y pasa también a existir como coordenada matemática.

Esta capacidad es una de las bases de muchos sistemas contemporáneos de búsqueda semántica, recomendación e inteligencia artificial generativa. La máquina no “comprende” necesariamente en el sentido humano, pero puede operar sobre relaciones de significado porque esas relaciones fueron transformadas en estructuras numéricas.

Del software programado al software que aprende

El software tradicional se construía principalmente mediante reglas explícitas: si ocurre A, ejecutar B. Los modelos modernos permiten una lógica diferente. En lugar de describir cada relación manualmente, presentamos grandes cantidades de ejemplos y ajustamos parámetros para reducir errores.

Una forma simplificada de expresar ese proceso es:

θₜ₊₁ = θₜ − η∇L(θₜ)

La fórmula representa la idea básica detrás del descenso por gradiente: existe un conjunto de parámetros, existe un error y el sistema modifica esos parámetros para minimizarlo. Repetido millones o miles de millones de veces, este proceso permite aprender representaciones capaces de clasificar, traducir, generar, reconocer o predecir.

Lo fascinante es que capacidades que percibimos como cualitativas pueden emerger de transformaciones matemáticas extremadamente simples repetidas a gran escala.

¿La mente también construye modelos?

Aquí la discusión tecnológica se conecta directamente con la neurociencia y la filosofía. Nuestro cerebro tampoco parece limitarse a registrar pasivamente el mundo. Constantemente anticipa, completa, interpreta y corrige.

Cuando vemos una pelota en movimiento estimamos su trayectoria. Cuando escuchamos el comienzo de una frase anticipamos posibles continuaciones. Cuando conocemos profundamente a alguien podemos prever parcialmente su reacción. Gran parte de nuestra relación con la realidad depende de construir hipótesis sobre lo que probablemente ocurrirá después.

Una forma clásica de representar una actualización de hipótesis es mediante inferencia bayesiana:

P(hipótesis | evidencia) ∝ P(evidencia | hipótesis) × P(hipótesis)

Esto no implica que el cerebro esté resolviendo conscientemente ecuaciones. Significa que determinados procesos cognitivos pueden modelarse matemáticamente como actualización de creencias frente a nueva evidencia.

Desde esa perspectiva, una parte de la inteligencia podría entenderse como la capacidad de construir modelos internos suficientemente buenos del mundo para anticiparlo.

Inteligencia, compresión y representación

Existe además una idea especialmente poderosa: comprender puede estar relacionado con comprimir. La realidad contiene demasiada información para ser procesada en su totalidad. El cerebro selecciona, agrupa, generaliza e ignora. Cuando vemos una silla, no procesamos conscientemente cada átomo; reconocemos una estructura.

Los modelos de inteligencia artificial realizan algo conceptualmente similar. Aprenden representaciones capaces de capturar regularidades presentes en enormes cantidades de información. En vez de memorizar cada elemento como una unidad completamente aislada, construyen estructuras internas que permiten generalizar.

La inteligencia podría entonces estar relacionada con la capacidad de encontrar representaciones compactas que preserven las relaciones importantes de un sistema complejo.

Comprender, en cierto sentido, sería reducir complejidad sin perder estructura.

De la no-cosa a la no-decisión

La digitalización convirtió objetos en información. La siguiente etapa comienza a convertir parte de nuestras decisiones en problemas computables.

Antes elegíamos qué canción escuchar; ahora una plataforma propone la siguiente. Buscábamos una película; ahora aparece ordenada. Elegíamos una ruta; ahora una aplicación calcula el camino. Buscábamos productos; ahora un sistema decide cuáles vemos primero.

No dejamos de decidir, pero cada vez más decisiones ocurren dentro de espacios previamente organizados matemáticamente.

Esto abre una pregunta filosófica importante. El algoritmo no necesita imponer una decisión para ejercer influencia. Puede hacerlo modificando el orden, la visibilidad y la disponibilidad de las opciones.

Así, el poder algorítmico no consiste necesariamente en decidir por nosotros, sino en construir parcialmente el escenario dentro del cual decidimos.

Una segunda realidad matemática

La consecuencia de todo este proceso es que estamos construyendo una representación paralela del mundo.

Existe una ciudad y existe su modelo de tráfico. Existe una empresa y existe su representación financiera. Existe un consumidor y existe su perfil estadístico. Existe una fotografía y existe su embedding. Existe una conversación y existe su transformación en tokens, vectores y relaciones.

Cada vez más sistemas poseen una especie de doble matemático.

En ingeniería hablamos de digital twins para describir representaciones digitales de sistemas físicos. La misma lógica puede extenderse conceptualmente hacia modelos de comportamiento. No hablamos de clones conscientes, sino de representaciones estadísticas suficientemente precisas para anticipar determinados patrones.

Un sistema no necesita saber quiénes somos en un sentido existencial. Le basta con ser suficientemente preciso sobre aquello que probablemente hagamos.

¿Somos predecibles?

La pregunta resulta incómoda porque nos sentimos profundamente individuales. Sin embargo, cuando millones de comportamientos se observan simultáneamente aparecen regularidades. La estadística no necesita afirmar que una persona hará algo con absoluta certeza. Puede limitarse a decir que, bajo determinadas condiciones, una acción es más probable que otra.

Y a escala, esa diferencia es enorme.

Un modelo no necesita predecir perfectamente a cada individuo. Una pequeña mejora predictiva aplicada sobre millones de decisiones puede producir un enorme valor económico.

Por eso la predicción se convirtió en una de las infraestructuras invisibles del mundo digital.

Predicción no es comprensión

Sin embargo, existe un límite que no deberíamos confundir.

Un sistema puede predecir correctamente sin comprender del mismo modo que nosotros. Puede encontrar correlaciones extremadamente útiles sin saber por qué existen. Puede reconocer tristeza, describirla y anticipar determinados comportamientos relacionados con ella sin experimentar tristeza.

Esto obliga a separar dos conceptos que con frecuencia mezclamos:

predicción y comprensión no son lo mismo.

La inteligencia artificial puede aproximarse cada vez mejor al comportamiento observable mientras permanece abierta la pregunta sobre la experiencia subjetiva.

La conciencia sigue fuera del modelo

Podemos modelar lenguaje, atención, memoria operativa, predicción, reconocimiento y aprendizaje. Pero todavía existe una pregunta mucho más difícil: por qué sentimos que estamos experimentando todo eso.

Una máquina puede identificar rojo. Pero ¿experimenta rojo? Puede describir miedo. Pero ¿puede sentir miedo? Puede escribir acerca de la conciencia. Pero eso no demuestra la existencia de una experiencia consciente detrás del procesamiento.

La separación entre procesamiento de información y experiencia subjetiva continúa siendo uno de los grandes problemas de la filosofía de la mente y de las ciencias cognitivas.

Y posiblemente sea también uno de los límites más interesantes de la inteligencia artificial.

El mapa no es el territorio

Cuanto más precisos son nuestros modelos, mayor es el riesgo de confundir representación con realidad.

Un embedding de una persona no es una persona. Un historial no es una memoria. Una correlación no es una causa. Una probabilidad no es un destino. Un modelo cerebral no es necesariamente una mente.

El mapa no es el territorio.

Pero existe una diferencia crucial respecto de otros momentos históricos: hoy los mapas pueden modificar el territorio.

Un modelo recomienda. La persona responde. La respuesta genera datos. Los datos actualizan el modelo. El modelo cambia la siguiente recomendación. El ciclo vuelve a empezar.

Los modelos ya no se limitan a representar el mundo.

Participan en él.

De la era de la no-cosa a la era del modelo

La digitalización transformó cosas en información. La economía digital convirtió información en datos. La inteligencia artificial está convirtiendo esos datos en modelos capaces de generar inferencias y participar en decisiones.

Tal vez este sea el verdadero salto tecnológico de nuestra época.

No estamos construyendo únicamente sistemas capaces de almacenar más información. Estamos desarrollando arquitecturas capaces de representar matemáticamente fragmentos cada vez mayores de la realidad.

Modelamos mercados.

Modelamos ciudades.

Modelamos consumidores.

Modelamos organizaciones.

Modelamos lenguaje.

Modelamos atención.

Modelamos comportamiento.

Y comenzamos, con enormes limitaciones todavía, a modelar ciertas funciones asociadas a la mente.

La nueva era de los datos

Quizás el activo central del futuro no sea simplemente poseer datos.

Será poseer la capacidad de transformarlos en buenos modelos.

Porque un dato registra una realidad pasada, mientras que un modelo intenta reducir la incertidumbre sobre la realidad futura.

Esa diferencia puede cambiar economías completas.

La revolución industrial amplificó nuestra capacidad física. Internet amplificó nuestra capacidad de distribuir información. La inteligencia artificial está comenzando a amplificar nuestra capacidad de modelar.

Y esto nos deja frente a una paradoja extraordinaria: somos organismos biológicos viviendo dentro de entornos cada vez más matemáticos. Creamos algoritmos para interpretar nuestro comportamiento y luego interactuamos dentro de sistemas organizados por esos mismos algoritmos.

Cada búsqueda, cada pausa, cada compra, cada desplazamiento y cada micro-momento produce señales. Esas señales se transforman en datos; los datos alimentan modelos; y los modelos regresan hacia nosotros convertidos en recomendaciones, rankings, precios, contenidos, rutas, anuncios y decisiones automatizadas.

Tal vez, entonces, después de la era de la no-cosa no llegue simplemente una era de más información.

Tal vez estemos entrando en algo más profundo:

la era del modelo.

Una época en la que una parte creciente de la realidad existe simultáneamente como experiencia y como representación matemática.

Y donde la pregunta tecnológica fundamental deja de ser solamente cuánto sabemos para convertirse en otra mucho más inquietante:

¿hasta qué punto podemos modelar matemáticamente el mundo sin terminar confundiendo el modelo con nosotros mismos?