Cuando los números mienten: la falsa neutralidad de los datos y la ideología oculta en lo que medimos

Hay una creencia extendida, casi un artículo de fe en nuestra cultura contemporánea, que sostiene que los números no engañan. Las palabras pueden manipularse, los argumentos pueden torcerse, pero un dato es un dato: frío, preciso, imparcial. Esta convicción ha elevado la estadística y el análisis cuantitativo a una posición de autoridad casi incuestionable en el debate público, en la política y en la ciencia. Sin embargo, esta deferencia automática hacia lo numérico encierra una trampa epistemológica de primer orden que merece ser examinada con rigor.

La realidad es más incómoda: los números no son ventanas transparentes hacia la realidad, sino construcciones humanas que reflejan —y a menudo amplifican— los sesgos, las prioridades y las ideologías de quienes los producen. Comprender por qué es una tarea urgente para cualquiera que aspire a un pensamiento genuinamente crítico.

La ilusión de la objetividad cuantitativa

El filósofo Ian Hacking acuñó el concepto de «imperialismo estadístico» para describir la tendencia de las sociedades modernas a convertir en problema social únicamente aquello que puede contarse. Lo que no se mide, sencillamente, no existe en el debate institucional. Esta premisa aparentemente técnica tiene consecuencias políticas enormes.

Consideremos el Producto Interior Bruto (PIB), el indicador por excelencia de la «salud» económica de un país. El PIB mide la actividad económica monetaria, pero es completamente ciego ante el trabajo doméstico no remunerado —realizado de forma desproporcionada por mujeres—, ante la destrucción medioambiental, ante la desigualdad en la distribución de la riqueza o ante el bienestar subjetivo de la población. Un país puede aumentar su PIB talando sus últimos bosques o encarcelando a más ciudadanos —ambas actividades generan movimiento económico—. La elección de este indicador como medida principal del progreso no es neutral: es una declaración ideológica sobre qué importa y qué no.

Este ejemplo no es una excepción; es la norma.

Qué medir ya es una decisión política

La filósofa de la ciencia Heather Douglas ha argumentado de manera convincente que los valores no científicos penetran legítimamente en la investigación en múltiples etapas: en la elección del tema, en el diseño metodológico, en la interpretación de resultados y en la comunicación pública de los hallazgos. Lejos de ser una contaminación indeseable, estos valores son inevitables. El problema surge cuando se ocultan bajo la apariencia de neutralidad técnica.

En España, por ejemplo, las estadísticas oficiales sobre pobreza han utilizado históricamente el umbral del 60% de la mediana de ingresos como definición operativa. Esta cifra es, en cierta medida, arbitraria: si se utilizase el 50% o el 70%, el número de personas en situación de pobreza cambiaría drásticamente, con implicaciones directas para la asignación de recursos públicos y para el relato político sobre la desigualdad. La elección del umbral no es una cuestión puramente técnica; es una decisión con consecuencias morales y redistributivas.

Del mismo modo, cuando se mide la «brecha de género» en el mercado laboral únicamente a través de las diferencias salariales brutas, se invisibilizan factores estructurales como la segregación ocupacional, el techo de cristal o el impacto de los cuidados no remunerados. El dato «objetivo» —la brecha salarial— puede presentarse de formas que minimizan o que agravan el problema percibido, dependiendo de qué variables se incluyen en el análisis.

El problema de los datos masivos y la ilusión de la escala

La llegada del llamado big data ha intensificado esta problemática, añadiéndole una capa adicional de complejidad. La magnitud de los conjuntos de datos —millones, a veces miles de millones de registros— genera una confianza intuitiva que rara vez está justificada. Si el algoritmo ha procesado cien millones de casos, ¿cómo podría estar equivocado?

La respuesta está en un principio que los estadísticos conocen bien pero que el discurso público suele ignorar: la escala no corrige el sesgo, lo amplifica. Si un sistema de reconocimiento facial se entrena con conjuntos de imágenes en los que las personas de piel oscura están infrarrepresentadas, el algoritmo resultante cometerá más errores con esas personas. No importa cuántos millones de fotografías se procesen; si la muestra es sesgada, el modelo lo será. Y cuando ese modelo se despliega en contextos de seguridad o justicia penal —como ha ocurrido en varios países—, el sesgo estadístico se convierte en discriminación institucionalizada con el respaldo aparente de la objetividad matemática.

Cathy O'Neil, matemática y autora de Weapons of Math Destruction, documentó con precisión cómo los modelos algorítmicos aplicados a la educación, la justicia y el crédito tienden a reproducir y codificar las desigualdades existentes, presentándolas como resultados neutrales de cálculos imparciales. La opacidad técnica actúa como escudo: resulta mucho más difícil impugnar una decisión tomada por un algoritmo que una tomada por un ser humano.

El arte de preguntar antes de medir

Si los datos no son neutrales, ¿qué hacer con ellos? La respuesta no es el rechazo de la cuantificación —que sería un error igualmente grave— sino el desarrollo de una actitud crítica hacia ella. El pensamiento riguroso exige formular, antes de aceptar cualquier dato, al menos tres preguntas fundamentales.

Primero: ¿qué se ha decidido medir y qué ha quedado fuera? Todo indicador implica una selección. Conocer lo que se excluye es tan importante como entender lo que se incluye. Segundo: ¿quién ha tomado esas decisiones y con qué intereses? Los datos no emergen del vacío; son producidos por instituciones, empresas o Estados que tienen agendas propias. Tercero: ¿qué marco interpretativo se aplica a los resultados? El mismo dato puede contar historias radicalmente distintas dependiendo del contexto en que se presenta.

Esta actitud no implica relativismo. No todos los análisis son igualmente válidos, y la evidencia empírica sigue siendo indispensable para el conocimiento. Pero existe una diferencia crucial entre respetar la evidencia y venerar los datos de forma acrítica. La primera es ciencia; la segunda es una forma de superstición moderna.

Hacia una cultura de datos con pensamiento crítico

En un momento histórico en que la desinformación prolifera y la confianza en las instituciones se erosiona, puede resultar tentador refugiarse en los datos como terreno firme. Pero esa confianza no debería ser incondicional. Una ciudadanía verdaderamente ilustrada necesita no solo saber leer gráficas y porcentajes, sino también preguntarse por qué esas gráficas miden lo que miden y no otra cosa.

La alfabetización estadística es necesaria, pero insuficiente. Lo que se necesita es una alfabetización crítica de los datos: la capacidad de situar cualquier cifra en su contexto político, histórico y epistemológico. Eso no debilita la ciencia; la fortalece, porque la obliga a ser más honesta sobre sus propios límites y sobre las elecciones que, inevitablemente, realiza.

Los números pueden ser herramientas poderosas para la justicia o instrumentos sofisticados de dominación. La diferencia no está en los datos mismos, sino en las preguntas que nos atrevemos —o no nos atrevemos— a hacerles.