Londres, agosto de 1854. El verano era sofocante y el olor del Soho, insoportable.
En las calles estrechas, el silencio solo era roto por el llanto de las familias y el sonido de las carretas llevando cuerpos. El cólera estaba diezmando el barrio. Las autoridades, presas de viejos dogmas, culpaban al “miasma” — el mal aire. Miraban al cielo, buscando nubes venenosas.
Pero el Dr. John Snow miró al suelo.
Ignorando el sentido común, comenzó a tocar de puerta en puerta. No veía solo pacientes; veía datos. Snow dibujó un mapa del barrio y marcó cada muerte con una barra negra.
A medida que la tinta se secaba, una historia invisible se revelaba: las muertes se aglomeraban, densas y oscuras, alrededor de un único punto en Broad Street: la bomba de agua pública.
Snow no necesitó un microscopio. Necesitó contexto. Entendió que esos puntos en el mapa no eran solo estadísticas; eran sus vecinos, bebiendo de la misma agua envenenada. Convenció al ayuntamiento de quitar la palanca de la bomba. Y la epidemia se detuvo.
El Puente: De Tinta a Píxeles
John Snow fue el primer científico de datos “Human-in-the-Loop”. Practicó lo que en Centrato llamamos Empatía Cuantitativa.
Avanza 170 años. Hoy, no usamos tinta y pergamino. Usamos Python y Data Lakes. Nuestros mapas no muestran calles de Londres, sino redes neuronales complejas de comportamiento humano.
Pero la lección de Snow nunca ha sido tan urgente.
Vivimos en la era del Big Data, donde la abstracción es la norma. Transformamos a las personas en “datapoints”. Una madre soltera se convierte en un “score de crédito: 540”. Un paciente anciano se convierte en “riesgo de siniestro: alto”. Un candidato a empleo se convierte en “fit cultural: 30%”.
La Nueva Agua Contaminada: El Sesgo Algorítmico
Cuando eliminamos la humanidad de los datos, creamos la versión digital del agua contaminada de Broad Street: el Sesgo Algorítmico.
Imagina un algoritmo de RRHH entrenado con 10 años de currículums de una empresa mayoritariamente masculina. Aprende, matemáticamente, que “hombre” correlaciona con “contratación”. Sin malicia, pero con eficiencia implacable, comienza a descartar mujeres calificadas.
Para el algoritmo, es solo optimización de patrones. Para la sociedad, es la perpetuación de una injusticia histórica.
Si John Snow fuera un modelo de IA entrenado en los datos de 1850, probablemente confirmaría que “los pobres mueren más”, correlacionando esto con “vivir en calles sucias” (miasma), y no con el agua. Le faltaría la intuición humana para cuestionar la causalidad.
El Llamado a la Empatía Cuantitativa
La tecnología nos da el poder de procesar miles de millones de puntos de datos. Pero la ética exige que recordemos lo que cada punto representa.
Empatía Cuantitativa es la habilidad de mirar un dashboard y sentir el peso de la realidad detrás de él.
- Es entender que un “falso positivo” en un sistema de reconocimiento facial policial no es un error estadístico; es un ciudadano inocente arrestado.
- Es ver que un “desierto alimentario” en un mapa de comercio minorista no es solo una oportunidad de mercado perdida; es una crisis de salud pública.
Como líderes y profesionales de datos en 2025, tenemos una elección. Podemos ser como las autoridades victorianas, culpando al “miasma” y confiando ciegamente en modelos que no entendemos. O podemos ser como John Snow.
Podemos tener el coraje de mirar los datos de cerca, ensuciarnos los zapatos en la realidad, y encontrar la palanca que necesita ser removida.
La IA es la herramienta. La empatía es el mapa.
