Las señales débiles que el algoritmo no oye

Hace cuarenta años, los sismólogos soviéticos publicaban catálogos manuscritos. Cada microsismo registrado por una estación lejana era anotado a mano por un técnico que no tenía urgencia de tendencia ni presión de publicación. Esa lentitud, aparentemente improductiva, permitía algo que los sistemas actuales casi han olvidado: notar lo que no llamaba la atención todavía. Una libreta era, en términos epistemológicos, un instrumento superior a un servidor de alta velocidad. No por nostalgia, sino por una propiedad técnica concreta: la libreta no descartaba ruido. El servidor sí.

Hoy un algoritmo de filtrado descarta automáticamente los sismos por debajo de magnitud 3.0. La razón es razonable —ruido de fondo, eficiencia computacional, prioridad operativa— pero la consecuencia es interesante. Periódicamente, durante las semanas previas a un evento mayor, el patrón de microsismos se vuelve estadísticamente distinto. No más fuerte. Distinto. La frecuencia cambia, la distribución espacial se reorganiza, la duración promedio cae unos milisegundos. Son cambios que un técnico atento de los años ochenta habría marcado en su libreta con un signo de interrogación. Un sistema moderno los descarta como ruido.

Esto no es una crítica nostálgica al automatismo. Es una observación sobre lo que la palabra «relevancia» se ha permitido significar en las últimas dos décadas. Cuando una sociedad delega su definición de relevancia a sistemas optimizados para detectar lo conocido, está aceptando un costo invisible: la incapacidad estructural para reconocer lo todavía-no-clasificado.

Una distinción necesaria

Conviene separar dos preguntas que la conversación pública confunde con frecuencia. La primera: ¿los algoritmos modernos son mejores que los humanos detectando señales? Lógicamente sí, en muchos dominios. Un sistema bien entrenado supera a un técnico humano en velocidad, en volumen y en consistencia. Eso está fuera de discusión. La segunda pregunta, sin embargo, es otra: ¿los algoritmos están viendo todo lo que importa? Y la respuesta no es la misma. La respuesta requiere una distinción.

Un algoritmo se entrena con datos pasados. Esto significa que «relevante» es, por construcción, lo que se parece a lo que pasó antes. Las señales nuevas, lentas, periféricas o ambiguas tienden a quedar fuera de los umbrales. No porque el sistema sea malo. Porque su definición operativa de relevancia es necesariamente retrospectiva. Una inteligencia artificial mide el presente con criterios extraídos del pasado. Eso es preciso para algunos fenómenos y devastador para otros.

El problema es que la mayoría de las transformaciones importantes —climáticas, sociales, demográficas, tecnológicas— no llegan como fenómenos parecidos a los anteriores. Llegan como derivas. Lentas. Distribuidas. Difíciles de etiquetar mientras ocurren. Los algoritmos están bien diseñados para detectar eventos. Las derivas se les escapan. Y la historia, lógicamente, está hecha más de derivas que de eventos.

El sismo y la libreta

En septiembre de 1985, semanas antes del terremoto que destruyó parte de Ciudad de México, varios técnicos en estaciones rurales habían registrado microsismos cuyas profundidades focales no encajaban con el patrón habitual de la zona. Algunos de esos registros fueron archivados sin alerta. No porque fueran irrelevantes —no lo eran— sino porque ninguna metodología vigente sabía qué hacer con ellos. Después del evento, varios estudios retrospectivos identificaron esos microsismos como precursores potenciales. La lección que dejó ese desastre fue, en términos epistemológicos, esta: no faltaron datos. Faltó el oído que supiera reconocer un patrón nuevo.

Tres décadas después, la situación es paradójica. Tenemos infinitamente más datos. Tenemos sistemas automatizados que procesan en segundos lo que un técnico procesaba en semanas. Y sin embargo, la capacidad de notar lo nuevo —de marcarlo con un signo de interrogación en lugar de descartarlo como ruido— se ha debilitado. Porque la libreta sigue siendo, en algún sentido fundamental, un instrumento más sensible que el servidor.

Esto requiere una distinción cuidadosa. No estoy proponiendo que los servidores sean menos útiles. Lo son: enormemente. Estoy señalando que su utilidad opera dentro de un marco predefinido. Fuera de ese marco —en la zona donde las cosas todavía no tienen nombre— el servidor no es más capaz que la libreta. Es menos capaz.

Tres ejemplos observables

En 2018, los servicios sanitarios de tres ciudades europeas notaron, por separado, un aumento marginal en las consultas pediátricas por trastornos de sueño. Los sistemas automatizados de vigilancia epidemiológica no marcaron alerta: la magnitud estaba dentro del rango histórico. Solo una pediatra en Lyon, que trabajaba con registros manuales desde hacía treinta años, observó que la curva tenía una forma inusual. No el pico —la forma. Su intuición, eventualmente confirmada por análisis posteriores, identificó un cambio en patrones de exposición a pantallas que el sistema automatizado había clasificado como irrelevante. La pediatra no sabía qué era exactamente lo que veía. Pero sabía que era distinto. Esa capacidad —saber que algo es distinto sin saber qué es— constituye la fase inicial de cualquier descubrimiento serio. Y esa capacidad no se programa.

En la oceanografía contemporánea, las boyas de monitoreo del Atlántico Norte registran temperatura, salinidad y corrientes. Sus algoritmos están calibrados para alertar sobre eventos extremos. Pero existe una literatura emergente —pequeña, todavía— que sugiere que ciertos cambios menores en la variabilidad diaria de salinidad anteceden, en escalas de seis a doce meses, alteraciones mayores. Los sistemas no monitorean variabilidad. Monitorean valores. Eso requiere una distinción. Un sistema que mide valores es eficiente; un sistema que mide variabilidad es ineficiente, costoso y produce alertas que muchas veces no se materializan. Sin embargo, son precisamente esas variaciones —que en términos operativos son ruido— las que contienen información sobre el sistema en su totalidad. Periódicamente, las disciplinas científicas redescubren esto y luego lo olvidan.

El tercer ejemplo es más cotidiano. La adopción del teléfono móvil en regiones rurales de África Oriental, entre 2003 y 2008, fue inicialmente clasificada como un fenómeno secundario por la mayoría de los analistas. No se trataba de un evento medible: era una deriva. Cuando los sistemas de modelado económico finalmente la incorporaron como variable significativa, ya había transformado las estructuras de comercio agrícola de seis países. Las pequeñas señales —diez por ciento de penetración, quince por ciento, veintidós— no parecían dignas de modelo hasta que el patrón ya era irreversible. Los analistas que la habían visto eran, en su mayoría, etnógrafos, antropólogos, comerciantes locales. Personas que no usaban algoritmos. Personas que llevaban libretas.

La pregunta de fondo

¿Por qué importa esta distinción? Importa porque tiene consecuencias políticas, económicas y civilizatorias mayores de lo que sus partidarios técnicos suelen reconocer. Cuando una sociedad delega su capacidad de observación a sistemas optimizados para detectar lo conocido, asume implícitamente que el futuro se parecerá al pasado. Esa asunción es razonable para sistemas estables. Es catastrófica para sistemas en transición.

Y nosotros vivimos en un sistema en transición. Cambio climático, transformaciones demográficas, mutaciones tecnológicas, reorganizaciones geopolíticas, mutaciones culturales. Casi ninguna de las transformaciones que definirán las próximas tres décadas se parecerá a las anteriores. No tendrán precedente estadístico. Y por lo tanto, no serán detectadas por sistemas estadísticamente entrenados. Serán detectadas, si lo son, por observadores humanos capaces de notar lo que el sistema todavía considera ruido.

La consecuencia operativa de esto es incómoda para una época que ha invertido enormes recursos en automatización: significa que los técnicos humanos —los pediatras, los oceanógrafos, los etnógrafos, los agrónomos, los antropólogos, los profesores rurales, las enfermeras de pueblo— no son redundantes. Son, al contrario, irreemplazables. No porque sean más rápidos. Porque son los únicos que pueden ver lo que todavía no tiene nombre.

El costo invisible de la eficiencia

Hay una asimetría en la conversación pública sobre automatización que conviene nombrar con precisión. Cuando se debate si conviene reemplazar un técnico humano por un sistema automatizado, las ventajas del sistema son inmediatas, cuantificables y publicables: ahorra costos, reduce tiempos, escala sin fricción. Las desventajas, en cambio, son diferidas, distribuidas y narrativamente débiles. Aparecen años después, en forma de lo que no se vio, lo que no se previó, lo que no se anticipó.

Esta asimetría no es accidental. Es estructural. Una virtud que aparece hoy convence más rápido que un costo que aparecerá en cinco años. Las organizaciones, lógicamente, eligen la virtud presente. Pero el costo no desaparece por no aparecer en el balance trimestral. Se acumula en silencio, en la forma de una capacidad civilizatoria que se está erosionando sin que nadie tome nota.

Pongo un ejemplo concreto. En la última década, varios sistemas de salud europeos eliminaron las visitas domiciliarias de las enfermeras rurales. La justificación fue impecable en términos contables: las visitas tomaban tiempo, eran caras, no producían valor medible en los indic