Por Carlos Chavarria Garza
El aspirante que truqueó su examen de admisión y el político que maquilla su discurso ante el micrófono tienen algo en común que ninguno de los dos está dispuesto a reconocer.
Cada ciclo de admisión a la UNAM se repite el mismo ritual. Miles de aspirantes, algunos convencidos de que el mérito no alcanza, buscan la manera de que el resultado coincida con lo que necesitan y no con lo que saben, dicho de una manera elegante y exculpadora. Pero lo ocurrido hoy en la UNAM es solo la punta de un iceberg que tiene siglos amenazándonos: nuestro desprecio por la verdad y lo correcto.
No es un escándalo nuevo ni exclusivo de un examen. Es la misma faena diaria de todos los políticos, con presupuesto y equipo de comunicación de por medio: lograr que el dato, el relato y la narrativa coincidan y suenen a verdad, aunque esa coincidencia no exista en ningún lado más que en el boletín de prensa. La diferencia entre el aspirante y el político es de escala, no de naturaleza. Uno trafica con un examen. El otro trafica con la realidad de un país. Los dos entienden exactamente lo mismo: que la verdad es negociable si el precio personal a pagar por decirla sale más caro que el de simularla.
Y aquí es donde el asunto deja de ser un problema de exámenes o de discursos y se convierte en un problema ético y técnico. Porque todo ese hábito y casi cultura de maquillar el dato para que le quede bien al relato no se queda en la conciencia de quién miente. Se queda registrado. Se convierte en base de datos, en historial, en bitácora de comportamiento. Y esa es, precisamente, la materia prima con la que alimentamos a los algoritmos. Cuando entrenamos un modelo con los subproductos de nuestra propia mascarada, no obtenemos inteligencia artificial. Obtenemos el espejo automatizado de nuestros propios autoengaños, con la ventaja adicional de que ahora opera a escala industrial y con la autoridad prestada de la matemática.
Dentro de las organizaciones el fenómeno tiene nombre y se repite con puntualidad y rigor: el teatro de la optimización. El indicador deja de servir para medir la realidad y empieza a servir para medir qué tan bien sabe uno actuar frente al indicador. No se corrige el problema; se corrige el número que delata el problema. Y cuando el científico de datos recibe la instrucción, casi nunca explícita, de ajustar el modelo hasta que diga lo que ya se había decidido antes de correr una sola línea de código, ese modelo deja de ser ciencia. Es una cortina de humo matemática con extensiones, firmada y validada, lista para la reunión que sea.
Lo que harta no es el engaño en sí. El engaño es tan viejo como nuestra especie. Lo que harta es la simetría hipócrita con la que lo ahora lo administramos: cero tolerancia para la mentira ajena, indulgencia plenaria para la propia. Linchamos en automático al aspirante que hizo trampa y aplaudimos, sin parpadear, al funcionario que presenta cifras maquilladas en su informe anual. La verdad incómoda nunca es bienvenida en ninguno de los dos lados; sólo cambia el tamaño del escritorio desde donde se falsifica.
Pero ahí no termina el asunto. Si sólo fuera un problema de honestidad pública, se resolvería con más auditorías y mejores leyes. El verdadero riesgo para la revolución tecnológica que envuelve a la IA no tiene que ver con las herramientas en sí. La profundidad y amplitud, así como la velocidad a la que se adaptarán las organizaciones y las personas, dependerá de qué tan dispuestos estemos a confrontar algunas de las íntimas defensas de nuestra psique al respecto, frente a la exposición obligada del grado en el que somos honestos y sinceros. Esto es, cuánta verdad somos capaces de soportar.
Aquí conviene separar dos honestidades que se nos confunden todo el tiempo, porque no cuestan lo mismo. Una es epistémica: aceptar que el patrón en los datos dice algo que mi hipótesis favorita no predijo. Esa la puede entrenar cualquier disciplina con buen método, en el fondo es lo que Popper pedía cuando exigía que una teoría se expusiera a morir por refutación. Duele, pero es un dolor manejable, casi deportivo, porque el ego puede replegarse a «mi modelo estaba mal» sin que se derrumbe «yo estoy mal».
La otra honestidad es existencial: aceptar que la posición desde la que yo interpretaba mi propia competencia, mi jerarquía, mi lugar en el organigrama de quién sabe más, estaba sostenida por una ceguera que yo mismo cultivé. Esa no es un ajuste de modelo. Es una revisión de quién soy dentro de la organización. Y ahí es donde la mayoría de las empresas y las personas se plantan, no por falta de capacidad técnica, sino porque el costo no es intelectual, es de estatus.
Esta distinción explica algo que de otro modo no cuadra: por qué IA que se está adoptando, la que ya es pública y medible, es casi siempre la más aburrida y la menos rentable?. Hasta ahora son públicos los aplicativos de la IA que se reducen a suplir tareas que en efecto implican reducciones de costos importantes en la mano de obra, como atención al cliente, uso de programadores y analistas de sistemas, contadores y oficinistas. En esa primera categoría el proceso no cambia; sólo cambia quién o qué lo ejecuta. Es reducción de variedad operativa sin tocar la estructura del sistema. Por eso son públicas, fáciles de vender: el ahorro en nómina se ve en el estado de resultados del siguiente trimestre, sin que nadie tenga que confrontar nada incómodo sobre cómo funciona realmente la organización. Nadie pierde estatus. El call center se automatiza; quien diseñó el proceso de atención sigue intacto en su despacho.
Las aplicaciones de más alto impacto y rentabilidad son otra cosa. Son las que encuentran nuevas maneras de hacer las cosas, y para eso es determinante el análisis de patrones en los datos involucrados en los procesos. Son de segundo orden: no sustituyen una tarea, encuentran que la tarea misma estaba mal definida desde el principio.
Para que el análisis de patrones revele una nueva manera de hacer las cosas, primero tiene que exhibir que la manera vieja, la que alguien diseñó, defendió y quizás construyó su carrera profesional alrededor de ella, no era la mejor posible, ni siquiera cerca. Ahí el hallazgo deja de ser un ajuste técnico y se convierte en amenaza existencial, porque no sólo te dice que hiciste mal una tarea: te dice que la vara con la que medías «hacerlo bien» era, desde el principio, más chica que el problema que el patrón ahora deja ver. Y eso no se corrige con un curso de capacitación. Se corrige, si acaso, soportando la verdad.
Empezamos hablando de por qué las empresas se resistirán a la revolución de la ciencia de datos, y terminaremos, sin buscarlo, en el fondo de un pozo que no es solo mexicano. No es pereza. No es ignorancia. Es que estamos ante una obsolescencia del concepto de éxito, y nadie quiere decirlo así de crudo porque suena a que se nos acabó el piso.
El éxito nunca fue, en rigor, un sustantivo. Se estudió como evento terminal, como marca definitoria, como algo que se alcanza y se exhibe, pero todos, en el fondo, sabíamos que era un proceso de mejora continuada de acuerdo con ciertas métricas preestablecidas como apropiadas. El problema es que nuestro diseño, sea cual sea su origen, fue y seguirá siendo para sentirnos bien a través del esfuerzo. ¿Y qué ocurre cuando la cima deja de existir como tal, y ahora la herramienta —la inteligencia artificial, es la que empieza a definir la lógica del avance? Ahí es donde el piso se mueve de verdad, y no es metáfora sencilla: es que ya no somos nosotros los que decidimos qué cuenta como mejora.
Y así se cierra el círculo con el aspirante y el político con los que arrancamos esta reflexión. Los dos operan exactamente bajo esa misma lógica vieja del éxito como marca que se exhibe, no como proceso que se somete a prueba. Por eso truquean el examen en vez de estudiar, y por eso maquillan el informe en vez de gobernar como se debe. Ninguno de los dos está dispuesto a pagar el costo de estatus que implica admitir que la vara con la que medían su propio mérito era más chica que la realidad. Y esa negativa, multiplicada por aspirante, por funcionario, por empresa, es el mismo material, contaminado, torcido, defendido a capa y espada, con el que después pretendemos entrenar algoritmos y exigirles objetividad.
Ni el aspirante que truqueó su examen se libra de que tarde o temprano la realidad le pase la factura, ni el político que maquilla su narrativa se libra de que el país que gobierna termine pareciéndose más a los datos reales que al boletín de prensa. La factura siempre llega. Sólo se retrasa el cobro.
Queremos suplir la verdad, por el absurdo de nuestras racionalizaciones.
