L'estadística era certa. El titular, no.
El mateix número em va creuar el feed tres vegades la setmana passada. Cada passada era més sorollosa, i cada passada era una mica menys certa.
Va començar com una frase prudent en un informe de proveïdor: de cada dòlar que un equip gasta programant amb IA, uns 82 cèntims es consumeixen — arreglant, refent, revisant — abans que una funcionalitat arribi a un usuari. Quan va arribar a Yahoo Finance s'havia convertit en «Up to 82% of AI Engineering Spend Lost to Bugs, Rewrites, and Delays». Mateix número. Una altra afirmació. I la distància entre «consumit en un procés» i «perdut» és tota la història.
Em sembla aquesta distància més interessant que l'informe mateix — i ja vaig prendre's les dades de l'informe seriosament en un altre lloc. El que li va passar a aquelles dades de camí a un titular és un espècimen petit i net d'una cosa que cada líder tècnic navega ara cada dia: com un número real s'armamentitza per captar atenció en un sistema de mitjans que cada cop més genera, ordena i premia el contingut per com viatja — no per si és cert. En llegeixo una dotzena a la setmana, i he de dir al meu equip i als meus clients en quins confiar. Així que deixa'm ensenyar-te exactament com va mutar aquest, salt a salt, i la lectura que ara aplico a tots.
Un proveïdor va mesurar una cosa real — i va revelar més que els seus amplificadors
Comencem sent justos amb la font. La xifra d'Entelligence és real, i per ser un número de proveïdor està sorprenentment ben documentada: més d'un milió de pull requests, amb la mostra i el mètode a les llegendes. Sí, Entelligence ven la cura — un producte que «tanca el bucle» entre el codi i la producció, que és precisament el que l'informe conclou que et falta. Aquest conflicte és real i l'has de descomptar.
Però aquí ve el gir que la cobertura va enterrar: l'informe mateix incloïa els números que complicaven la seva pròpia història. Diu que 18 cèntims del dòlar sí que s'entreguen. Diu que gairebé la meitat de les pull requests passen la revisió ràpid — una xifra que podria voler dir un equip sa i ben equipat en comptes d'un de negligent. El proveïdor, dit d'una altra manera, va ser més prudent que els mitjans que el van amplificar. La distorsió no va passar a la font. Va passar pel camí. I aquesta és la part que val la pena estudiar, perquè el camí és on la majoria de nosaltres ens trobem de debò una estadística.
Salt u: va aparèixer una causa que ningú havia mesurat
La primera amplificació, de SYZ Group, va sortir sota un titular que citaré tal qual: «44% of every dollar companies spend on AI goes directly to fixing bugs that the AI itself created».
Torna a llegir aquesta última part: bugs that the AI itself created — bugs que la IA mateixa va crear. L'estudi va mesurar una correlació — a mesura que pujava el volum generat per IA, pujava al costat la feina reactiva. No va establir mai que la IA hagués escrit aquells bugs. Aquesta clàusula és un afegit, i és una edició petita amb un canvi total de significat: un patró es va convertir en culpable, la correlació es va convertir en autoria. La culpa assignada viatja més lluny que la correlació mesurada, perquè la culpa és una història més neta i una millor cita. Vigila el verb que fa entrar de contraban una causa que les dades no van demostrar mai — «crea», «provoca», «causa» — collat a un número que només va mostrar mai dues coses movent-se juntes.
Salt dos: el verb va canviar, i «consumed» es va convertir en «lost»
La segona amplificació, a Yahoo Finance, va deixar caure els dòlars i va apujar la temperatura: 82% of AI engineering spend lost.
«Consumed» descriu diners fent feina dins d'un procés — una part malgastada, bona part la feina real i inevitable d'entregar programari que funciona. «Lost» descriu diners destruïts, cremats, desapareguts. La xifra no va canviar ni un punt. El que va canviar va ser el verb, i en una estadística el verb és on viu de veritat l'afirmació. Consumed, lost, wasted, vanishes, burned són cinc mesuraments diferents vestits amb el mateix número. El percentatge és el vestit; el verb és el cos a sota.
El número que complicava la història no va viatjar mai
Ara busca el que falta. La troballa de l'informe que gairebé la meitat de les pull requests s'aproven ràpid — la que suggereix que no tot això és podridura — va ser dins del conjunt de dades tota l'estona. No va arribar a cap titular. És clar que no: una xifra que xiuxiueja «potser una part d'això està bé» és una cita pitjor que una que crida «82% perdut».
Aquest és l'indici més fiable que conec. El senyal més clar d'una estadística armamentitzada no és el número alarmant que hi és present — és la xifra matisadora del mateix conjunt de dades que hi és absent. Quan la xifra que fa por viatja i la que calma mor en silenci, ja no estàs llegint recerca. Estàs llegint la sortida d'un embut que ha seleccionat en contra de la meitat incòmoda.
Això és el que un embut d'atenció fa amb un fet
Fixa't en el que cap d'aquests salts va requerir: ningú va haver de mentir. Cada pas simplement va optimitzar per la cita per damunt de l'afirmació — un percentatge per damunt dels dòlars perquè sona més gros, «lost» per damunt de «consumed» perquè sona més esmolat, una causa per damunt d'una correlació perquè és més compartible, la meitat alarmant per damunt de la tranquil·litzadora perquè l'alarma s'escampa. Cap dolent. Només un optimitzador, corrent sobre cada número, seleccionant el que viatja.
Aquest optimitzador abans era lent i humà. Ara és ràpid i, cada cop més, automàtic. En un feed on una part creixent del contingut és generada per màquina i gairebé tot s'ordena per engagement, el marc que sobreviu se selecciona per quotabilitat, no per exactitud — i a mesura que el contingut s'abarateix de produir, la pressió de selecció només puja. Això no és un titular dolent; és un mecanisme, i mereix entendre's com a tal en comptes de tornar-se a litigar cas per cas. He començat a guardar un arxiu d'aquests espècimens — mateixa forma, número diferent, cada setmana. El patró és més instructiu que qualsevol exemple solt, i sospito que importarà més, no menys, a partir d'ara.
Com llegeixo ara una estadística viral
No et cal un títol en metodologia per defensar-te. Et calen set preguntes, i les pots passar en el temps que es triga a no prémer el retuit:
- Qui ho va mesurar, i què ven? Un conflicte no et desqualifica — fixa la taxa de descompte.
- Quin és el denominador real? 82% de què — despesa en IA, tota la despesa d'enginyeria, o un model d'un procés? La base és on s'amaga la major part del truc.
- Quin número del mateix conjunt de dades es va deixar caure? Vés a buscar la xifra matisadora que no va viatjar.
- La causa està demostrada, o només afirmada? Separa «X va pujar al costat de la IA» de «la IA va crear X».
- Què fan els verbs? «Consumed» i «lost» no són el mateix mesurament.
- Hi ha línia base, o és un ritme sense cap «abans»? Una proporció que fa por sense res amb què comparar-la és mig fet.
- Es podria citar el titular fora de context i seguir sent cert? Si no, el marc ha avançat la xifra — i aquell buit és la història.
Passo aquestes preguntes abans de repetir un número a algú el roadmap del qual es podria moure per culpa seva. Es triga trenta segons, i m'ha estalviat ser la persona que va reenviar el gràfic.
La ratlla que dibuixo
L'estadística era certa. El titular, no. I el buit entre tots dos — el lliscament discret de «82 cèntims consumits en un procés» a «82% perdut» — ja no és un accident ni un cas aïllat. En un feed saturat d'IA s'està convertint en la manera per defecte com un número real t'arriba.
La defensa no és el cinisme. La xifra era genuïna i valia la pena conèixer-la; llençar cada estadística és només una manera més mandrosa d'equivocar-te. La defensa és llegir el marc tan amb cura com llegeixes la xifra — perquè en aquesta era el marc fa més part de la feina, i molt menys d'aquesta feina la fa algú a qui puguis demanar comptes. El número és la part fàcil ara. El que li van fer de camí cap a tu és la part que mereix la teva atenció.
Prens decisions de roadmap o de contractació a partir de números com aquests? L'habilitat que et protegeix no és aplegar més dades — és llegir les dades que t'arriben a les mans. Parla amb un CTO sobre construir un equip que sàpiga distingir el senyal del marc.
