Los avances tecnológicos prometieron liberar al analista. Pero en la era de la inteligencia artificial, esa promesa nos enfrenta a un nuevo riesgo: confundir automatización con comprensión.

Antes de los programas, analizar datos era casi un trabajo artesanal. Los cálculos se hacían a mano o con calculadoras que parecían tener vida propia. Las hojas se llenaban de números, tachaduras y anotaciones al margen; cada resultado era el final de una pequeña batalla con las fórmulas.

Un error, en ese contexto, era costoso. Rehacer los cálculos no era tarea sencilla: implicaba volver al principio, revisar cada paso, repetir operaciones largas y tediosas. Por eso, se calculaba despacio, con cautela. Cada cifra pasaba por la mirada crítica de quien la escribía, porque cualquier descuido podía echar a perder horas de trabajo.

En esa época, pensar y calcular eran lo mismo. No existía la opción de obtener un resultado sin comprender el camino que lo producía. El proceso era lento, sí, pero también formativo: enseñaba a mirar los datos con atención, a desconfiar de coincidencias y a respetar cada número como si tuviera peso propio.

Luego llegaron los primeros programas estadísticos. El entusiasmo era enorme: por fin los cálculos más pesados podían resolverse en minutos, sin necesidad de repetir una y otra vez las mismas operaciones. Lo que antes implicaba horas de paciencia y hojas llenas de números, ahora aparecía en la pantalla con solo unos pocos comandos.

Fue una revolución. El analista ya no necesitaba concentrarse en las fórmulas, sino en los resultados. El trabajo se volvió más rápido y más limpio. Y con esa velocidad vino también una sensación nueva: la de control.

Pero sin que nadie lo notara, algo empezó a cambiar. Cada nueva versión hacía más cosas por nosotros, y revisar los resultados dejó de ser un reflejo natural. No es que hubiéramos decidido dejar de pensar en los datos: simplemente, el cálculo empezó a ocupar el lugar del pensamiento. Los programas nos liberaron del esfuerzo, pero también —sin querer— del hábito de detenernos a mirar con atención.

Con la llegada de la inteligencia artificial, el proceso dio otro salto. El cálculo se automatizó y, además, empezó a parecer capaz de razonar. Bastaba escribir una instrucción —“hazme un ANOVA”, “interpreta estos resultados”, “dime si la diferencia es significativa”— y en pocos segundos aparecía una respuesta lista y convincente.

Por primera vez, la máquina calculaba y opinaba. Y esa nueva capacidad nos deslumbró. Era como tener un asistente infalible, veloz, disponible a toda hora. Nadie se detuvo a preguntar si esa “inteligencia” entendía realmente lo que hacía. Se asumía que sabía todo: qué técnica aplicar, qué supuestos debía verificar, qué datos revisar antes de calcular.

El asistente cumple órdenes: no se pregunta si el análisis es posible, pertinente o válido. Ejecuta lo que se le pide, aunque el pedido sea impreciso. El problema está en nuestra disposición a adaptarnos a su ritmo: pasamos de analizar con ella a aceptar lo que decía.

Los modelos de inteligencia artificial tienen algo hipnótico. Presentan sus resultados con cifras, gráficos y coeficientes impecables. Todo parece exacto y controlado. Y esa apariencia de rigor nos tranquiliza.

Pero detrás de esa prolijidad puede haber datos débiles, supuestos incumplidos o interpretaciones erróneas. El formato da la sensación de verdad, incluso cuando el contenido no la tiene. A eso se le llama ilusión de precisión: cuando los números se ven tan sólidos que dejamos de preguntarnos si lo son.

Un equipo financiero, por ejemplo, podría aprobar una inversión de alto riesgo basándose en un resultado que la IA tildó de “significativo”, sin que nadie revisara si el modelo violaba los supuestos fundamentales o si los datos de entrada estaban sesgados. Todo parecería correcto —coeficientes alineados, valores p convincentes, intervalos ajustados—, y sin embargo, el error estaría escondido en lo que nadie pensó en revisar.

Así, la estadística se vuelve un acto de fe. Aceptamos lo que el modelo afirma sin revisar cómo llegó a esa conclusión. Y el pensamiento, que antes era parte del proceso, se vuelve una formalidad prescindible.

La inteligencia artificial cambió cómo analizamos datos y también cómo pensamos. Nos acostumbramos a la comodidad del resultado inmediato y olvidamos que los datos no se interpretan solos.

Si no entendemos lo que calculamos, terminamos confiando más en la sintaxis que en el sentido. Y cuando eso ocurre, la estadística se vuelve una rutina para confirmar lo que ya creíamos.

El desafío es mantener despierta la mente que usa la IA. Porque los modelos pueden automatizar el cálculo, pero no el criterio. Los datos no hablan por sí solos: necesitan a alguien que los escuche con atención.

Escuchar con criterio significa:

• Cuestionar los supuestos del modelo.
• Verificar la calidad y el origen de los datos.
• Interpretar la magnitud del efecto, no solo su significancia.

Esa es la parte humana del análisis.

Ivete de Barros