Hay una trampa elegante en el corazón de cualquier organización que opera con datos. Es tan discreta que raramente se nombra, y tan estructural que casi nunca se resuelve cambiando herramientas.
La trampa es esta: en algún momento, sin una decisión explícita, la organización deja de usar las métricas para entender la realidad. Comienza a usar la realidad para explicar las métricas.
Con inteligencia artificial en el circuito, ese momento llega más rápido. Y sus consecuencias se escalan con la misma eficiencia con que el sistema escala todo lo demás.
En 1975, el economista británico Charles Goodhart formuló una observación que hoy lleva su nombre: *cuando una medida se convierte en objetivo, deja de ser una buena medida.*
No es una crítica a la medición. Es una advertencia sobre lo que le ocurre a cualquier indicador en el momento en que una organización comienza a optimizar hacia él en lugar de usarlo para orientarse.
El ejemplo clásico es simple. Un banco central usa la inflación como indicador de salud económica. Cuando los gobiernos intervienen directamente para mantener ese número bajo, el indicador pierde su capacidad de reflejar la realidad subyacente. El mapa se ajusta. El territorio, no.
En el mundo empresarial, esto ocurre constantemente. Una empresa mide la satisfacción del cliente con una encuesta post-venta de tres preguntas. Durante un tiempo, esa encuesta es un proxy razonable. Luego el equipo aprende cuándo enviarla, cómo formularla, a quién dirigirla. El score sube. La experiencia real del cliente, no necesariamente.
Nadie mintió. El sistema simplemente aprendió a optimizar lo que se mide, no lo que importa.
Humberto Maturana y Francisco Varela no estaban pensando en dashboards corporativos cuando desarrollaron la teoría de la autopoiesis. Estaban estudiando cómo los sistemas vivos se auto-producen y auto-mantienen a través de sus propias operaciones internas.
Pero su marco describe con precisión lo que le ocurre a una organización que cierra su ciclo de validación sobre sus propias métricas.
Un sistema autopoiético opera bajo lo que Maturana llamó **clausura operacional**: sus procesos internos se determinan desde adentro, no desde afuera. El sistema interactúa con el entorno, recibe perturbaciones, pero las procesa siempre según su propia lógica. El entorno no dicta. Solo perturba.
Aplicado a una organización: cuando el ciclo completo de definir métricas, recolectar datos, interpretar resultados y redefinir objetivos ocurre dentro del mismo sistema —sin fricción externa real— la organización entra en clausura operacional. No está midiendo la realidad. Está midiendo su propia capacidad de producir los números que espera ver.
Y la inteligencia artificial, lejos de romper ese circuito, lo perfecciona.
Pensemos en una empresa de servicios B2B —ingeniería, consultoría técnica, manufactura especializada— que implementa IA para optimizar su proceso comercial.
El modelo se entrena con datos históricos: propuestas ganadas, perfiles de cliente, tamaños de contrato, tiempos de cierre. Comienza a identificar patrones. Sugiere dónde concentrar esfuerzo. Predice probabilidades de cierre. El equipo adopta las recomendaciones. Los números mejoran. El sistema aprende que sus sugerencias funcionan. El liderazgo asigna más recursos al proceso.
El circuito parece virtuoso. Pero hay algo que nadie está mirando: los segmentos que el modelo no priorizó. Los clientes que nunca llegaron a propuesta porque el sistema los clasificó como de baja probabilidad. Los mercados adyacentes que no aparecen en los datos históricos porque la empresa nunca estuvo ahí.
El sistema no está siendo malicioso. Está siendo perfectamente autopoiético: se reproduce a sí mismo, optimiza hacia sus propias métricas, y procesa el entorno a través de su propia lógica interna.
El resultado práctico: la empresa se vuelve extraordinariamente eficiente en el mercado que ya tiene, mientras pierde gradualmente la capacidad de percibir el mercado que viene.
Son fáciles de producir desde adentro del sistema.
El tiempo de respuesta comercial es medible. La calidad de la relación con el cliente, no directamente. El número de propuestas enviadas es contable. La comprensión real del problema del cliente, difícilmente. El costo por lead es calculable. El valor de un cliente que llegó por recomendación de otro satisfecho, casi nunca aparece en el modelo de atribución.
Las organizaciones no eligen métricas convenientes por deshonestidad. Las eligen porque son las que el sistema puede producir con consistencia. Y una vez en el dashboard, se convierten en parte de la estructura operacional: orientan decisiones, generan incentivos, moldean comportamientos. Y eventualmente, reemplazan la pregunta original que pretendían responder.
¿Cuál era esa pregunta? Generalmente algo como: *¿estamos creando valor real para nuestros clientes? ¿Estamos creciendo de manera sostenible?*
Esas preguntas no tienen respuesta en un dashboard. Requieren contacto con el exterior del sistema.
No son señales de crisis. Son señales de comodidad sistémica, que es más difícil de detectar precisamente porque no duele.
**Los indicadores mejoran pero los resultados de negocio se estancan.** Si la brecha entre las métricas operacionales y los resultados reales —rentabilidad, nuevos clientes, participación de mercado— se amplía con el tiempo, el sistema está optimizando hacia lo que mide, no hacia lo que importa.
**Las decisiones estratégicas se justifican principalmente con datos internos.** Si en la última decisión relevante de tu organización la evidencia principal provino de datos que el propio sistema generó, sin contraste externo significativo, el circuito está más cerrado de lo que parece.
**La IA recomienda y el equipo valida.** Si el flujo habitual es que el modelo sugiere y los equipos buscan argumentos para sostener la sugerencia —en lugar de interrogarla— el sistema ya delegó el criterio. No en la tecnología. En la comodidad de no tener que defender una posición propia.
En la teoría de sistemas autopoiéticos, los organismos vivos no son impermeables al entorno. Son **estructuralmente acoplados** a él: el entorno los perturba, y esas perturbaciones gatillan cambios internos que permiten la adaptación.
Una célula no puede ignorar un cambio de temperatura. Una organización, en cambio, sí puede ignorar señales del mercado. Especialmente si tiene un sistema de IA produciendo datos internos con suficiente volumen y velocidad como para que nadie sienta la necesidad de salir a buscar otros.
La perturbación necesaria es todo aquello que el sistema no puede generar desde adentro: la conversación con el cliente que no compró y no explicó por qué, el análisis de un mercado donde la empresa no tiene presencia, la mirada de alguien que no está invertido en que los números del trimestre cuadren.
La pregunta estratégica no es cómo mejorar las métricas. Es cómo institucionalizar las perturbaciones que el sistema, por su propia naturaleza, tenderá a evitar.
Maturana sostenía que un sistema no puede observarse a sí mismo desde adentro sin modificar lo que observa. Toda observación ocurre desde un observador situado, con su propia historia y sus propios límites estructurales.
Para un CEO, esa es la implicación más concreta de toda la teoría: el valor del liderazgo estratégico en un entorno con IA no está en interpretar mejor los outputs del sistema. Está en mantener activa la pregunta que el sistema no puede formular.
¿Estamos midiendo lo que importa, o importa lo que estamos midiendo?
Porque si es lo segundo, la IA se encargará de optimizarlo con una eficiencia que ningún equipo humano podría igualar.
Y esa es exactamente la naturaleza del problema.
*Un sistema que solo puede verse a sí mismo no está midiendo la realidad. Está produciendo una versión de ella que confirma que todo está bien.*
¿Quieres aplicar estas ideas en tu organización? Conversemos sobre cómo hacerlo.
Agendar sesión gratuita