La estadística era cierta. El titular, no.
El mismo número cruzó mi feed tres veces la semana pasada. Cada pasada era más ruidosa, y cada pasada era un poco menos cierta.
Empezó como una frase cuidadosa en un informe de proveedor: de cada dólar que un equipo invierte en programar con IA, unos 82 céntimos se consumen —arreglando, rehaciendo, revisando— antes de que una funcionalidad llegue a un usuario. Cuando llegó a Yahoo Finance se había convertido en «Up to 82% of AI Engineering Spend Lost to Bugs, Rewrites, and Delays» («Hasta un 82% del gasto en ingeniería de IA, perdido en errores, reescrituras y retrasos»). El mismo número. Una afirmación distinta. Y la distancia entre «consumido en un proceso» y «perdido» es toda la historia.
Esa distancia me parece más interesante que el informe en sí —y ya me tomé en serio los datos del informe en otro sitio—. Lo que le pasó a esos datos de camino a un titular es un espécimen pequeño y limpio de algo por lo que hoy navega a diario cualquier responsable técnico: cómo un número real se convierte en arma para captar atención dentro de un sistema de medios que cada vez más genera, ordena y premia el contenido por lo bien que viaja, no por si es cierto. Leo una docena de estos a la semana, y me toca decirle a mi equipo y a mis clientes de cuáles fiarse. Así que déjame enseñarte exactamente cómo mutó este, salto a salto, y la lectura que ahora aplico a todos.
Un proveedor midió algo real, y reveló más que quienes lo amplificaron
Empieza por ser justo con la fuente. La cifra de Entelligence es real, y para ser un número de proveedor está inusualmente bien documentada: más de un millón de pull requests, con la muestra y el método a la vista en los pies de gráfico. Sí, Entelligence vende la cura —un producto que «cierra el bucle» entre el código y la producción, que es justo lo que el informe concluye que te falta—. Ese conflicto es real y deberías tenerlo en cuenta al ponerle precio al dato.
Pero aquí está el giro que la cobertura enterró: el propio informe incluía los números que complican su propia historia. Afirma que 18 céntimos del dólar sí se entregan. Afirma que casi la mitad de los pull requests superan la revisión rápido, una cifra que podría significar un equipo sano y bien equipado en lugar de uno negligente. El proveedor, dicho de otro modo, fue más cuidadoso que los medios que lo amplificaron. La distorsión no ocurrió en la fuente. Ocurrió en el trayecto. Esa es la parte que merece estudio, porque el trayecto es donde casi todos nos cruzamos de verdad con una estadística.
Salto uno: apareció una causa que nadie había medido
La primera amplificación, de SYZ Group, salió bajo un titular que cito tal cual: «44% of every dollar companies spend on AI goes directly to fixing bugs that the AI itself created» («El 44% de cada dólar que las empresas gastan en IA va directo a arreglar errores que la propia IA creó»).
Lee otra vez esa última parte: errores que la propia IA creó. El estudio midió una correlación: a medida que subía el volumen generado por IA, subía a su lado el trabajo reactivo. Nunca estableció que la IA fuera la autora de esos errores. Esa cláusula es un añadido, y es una edición pequeña con un cambio total de significado: un patrón se volvió un culpable, la correlación se volvió autoría. La culpa asignada viaja más lejos que la correlación medida, porque la culpa es una historia más limpia y una mejor cita. Vigila el verbo que cuela una causa que los datos nunca probaron —«crea», «impulsa», «provoca»— atornillado a un número que solo mostró dos cosas moviéndose a la vez.
Salto dos: cambió el verbo, y «consumed» se volvió «lost»
La segunda amplificación, en Yahoo Finance, soltó los dólares y subió la temperatura: el 82% del gasto en ingeniería de IA, perdido.
El verbo original era «consumed»: dinero haciendo un trabajo dentro de un proceso —parte de él desperdiciado, buena parte el trabajo real e inevitable de entregar software que funciona—. «Lost» describe dinero destruido, prendido fuego, ido. La cifra no cambió ni un punto. Cambió el verbo, y en una estadística el verbo es donde vive de verdad la afirmación. «Consumed», «lost», «wasted», «vanishes», «burned» son cinco mediciones distintas vestidas con el mismo número. El porcentaje es el disfraz; el verbo es el cuerpo de debajo.
El número que complicaba la historia nunca viajó
Ahora busca lo que falta. El hallazgo del informe de que casi la mitad de los pull requests se aprueban rápido —el que sugiere que no todo esto es podredumbre— estuvo en el conjunto de datos todo el tiempo. No llegó a un solo titular. Cómo iba a llegar: una cifra que susurra «quizá parte de esto está bien» es una cita peor que otra que grita «82% perdido».
Esta es la señal más fiable que conozco. El indicio más claro de una estadística convertida en arma no es el número alarmante que está presente: es la cifra que matiza, del mismo conjunto de datos, que está ausente. Cuando la cifra que asusta viaja y la que serena muere en silencio, ya no estás leyendo investigación. Estás leyendo la salida de un embudo que seleccionó en contra de la mitad incómoda.
Esto es lo que un embudo de atención le hace a un dato
Fíjate en lo que ninguno de estos saltos necesitó: nadie tuvo que mentir. Cada paso simplemente optimizó la cita por encima de la afirmación —un porcentaje en vez de dólares porque suena más grande, «lost» en vez de «consumed» porque suena más afilado, una causa en vez de una correlación porque se comparte mejor, la mitad alarmante en vez de la tranquilizadora porque la alarma se propaga—. Sin villano. Solo un optimizador, corriendo sobre cada número, seleccionando lo que viaja.
Ese optimizador antes era lento y humano. Ahora es rápido y, cada vez más, automático. En un feed donde una porción creciente del contenido lo genera una máquina y casi todo se ordena por engagement, el encuadre que sobrevive se selecciona por lo citable, no por lo certero —y cuanto más barato sale producir el contenido, más sube la presión de selección—. Esto no es un titular malo; es un mecanismo, y merece entenderse como tal en vez de relitigarse caso por caso. He empezado a guardar un archivo de estos especímenes: la misma forma, distinto número, cada semana. El patrón enseña más que cualquier ejemplo suelto, y sospecho que de aquí en adelante va a importar más, no menos.
Cómo leo ahora una estadística viral
No te hace falta una carrera en metodología para defenderte. Te hacen falta siete preguntas, y las puedes pasar en lo que tardas en no darle a retuit:
- ¿Quién lo midió, y qué vende? Un conflicto no descalifica: fija la tasa de descuento.
- ¿Cuál es el denominador real? ¿El 82% de qué? ¿Del gasto en IA, de toda la ingeniería, o de un modelo de un proceso? La base es donde se esconde casi todo el truco.
- ¿Qué número del mismo conjunto de datos se cayó? Ve a buscar la cifra que matiza y que no viajó.
- ¿La causa está probada, o solo afirmada? Separa «X subió a la vez que la IA» de «la IA creó X».
- ¿Qué están haciendo los verbos? «Consumed» y «lost» no son la misma medición.
- ¿Hay línea base, o es un ritmo sin «antes»? Una proporción que asusta sin nada con que compararla es media verdad.
- ¿Se podría citar el titular fuera de contexto y seguir siendo cierto? Si no, el encuadre ha adelantado a la cifra —y ese hueco es la historia—.
Las paso antes de repetirle un número a cualquiera cuyo roadmap pueda moverse por él. Lleva treinta segundos, y me ha salvado de ser el que reenvió el gráfico.
La raya que estoy trazando
La estadística era cierta. El titular, no. Y el hueco entre ambos —ese deslizamiento silencioso de «82 céntimos consumidos en un proceso» a «82% perdido»— ha dejado de ser un accidente o un caso aislado. En un feed saturado de IA se está convirtiendo en la forma por defecto en que un número real llega hasta ti.
La defensa no es el cinismo. La cifra era genuina y valía la pena conocerla; tirar a la basura toda estadística es solo una forma más perezosa de equivocarse. La defensa es leer el encuadre con tanto cuidado como lees la cifra, porque en esta era el encuadre hace cada vez más del trabajo, y cada vez menos lo hace alguien a quien puedas pedir cuentas. El número es ahora la parte fácil. Lo que le hicieron de camino a ti es la parte que merece tu atención.
¿Tomas decisiones de roadmap o de contratación con números como estos? La habilidad que te protege no es reunir más datos: es leer los datos que te entregan. Habla con un CTO sobre construir un equipo capaz de distinguir la señal del encuadre.
