Siempre debería desconfiar del dato que más te gusta.
¿De dónde sale ese 16%?
Hace unos días se ha viralizado una infografía con un mensaje contundente: solo el 16% de la humanidad usa IA. 1.300 millones de usuarios frente a 6.800 millones de no usuarios sobre una población mundial de 8.100 millones.
El dato impresiona porque parece sólido, redondo, objetivo. Pero antes de discutir si es mucho o poco, conviene hacerse una pregunta más básica: ¿de dónde sale esa cifra?
El número surge de agregar los datos que reportan distintas plataformas de IA. Yo he hecho varias búsquedas y la cifra que reportan se acerca, así que según lo que dicen las empresas de IA, podemos hacer check como válido.
Pero ese dato tiene dos problemas.
El primer problema es que esas plataformas miden cosas distintas. Algunas hablan de usuarios activos mensuales, otras de cuentas creadas, otras de sesiones. Además, una misma persona puede usar varias herramientas.
El segundo problema es que a todas las interesa decir una cifra alta y a día de hoy no hay una auditoría independiente que consolide todo eso en una única métrica comparable.
¿Es una cifra plausible? Sí. ¿Es una medición auditada y certificada? No.
Si tuviera que asignarle calidad, diría que es suficiente para orientarnos, en un Data Score de B, pero insuficiente para convertirla en verdad absoluta.
¿Estamos midiendo sobre el universo correcto?
Venga, vemos a aceptar provisionalmente los 1.300 millones como hipótesis razonable. La siguiente pregunta no es sobre el numerador, sino sobre el denominador.
¿Tiene sentido medir la adopción de IA sobre 8.100 millones de personas? Gracias a Alfredo Zurdo por la idea.
Hay aproximadamente 2.600 millones sin acceso estable a internet. Otros 3.500 millones viven con menos de 6,85 dólares al día. Y dentro del resto hay millones cuya actividad no tiene relación directa con la IA generativa.
Cuando dividimos por “la humanidad”, estamos incluyendo a personas que no pueden usarla o no tienen ningún motivo real para hacerlo.
Si ajustamos el universo a quienes pueden usar IA con sentido —acceso digital, capacidad económica y contexto profesional o educativo donde tenga aplicación— el grupo se reduce de forma significativa, hasta aproximadamente 2.200 millones.
Y entonces el 16% cambia radicalmente. Sobre ese universo, la adopción se acerca al 60%.
Mismo numerador. Otro denominador. Otra narrativa. El 60 % de las personas del universo profesional adecuado hay probado la IA después de 3 años.
Aquí aparece una advertencia importante. Cuanto más afinamos el denominador, más conceptual se vuelve el análisis. Pasamos de datos reportados —imperfectos, pero reportados— a estimaciones construidas por capas.
El resultado puede ser razonable y defendible. Pero ya no es un dato empírico. Es un modelo explicativo. Sería un Data Score de C.
¿Qué significa realmente “usar IA”?
Otra pregunta incómoda: ¿qué entendemos por uso? Porque aquí es donde el análisis se vuelve simplista. La ilustración original divide el mercado en tres niveles: quienes han probado la versión gratuita, quienes pagan y quienes crean código. Es una segmentación atractiva porque es fácil de entender, pero reduce la adopción a una lógica de producto.
En Foxize utilizamos una medición distinta y más pegada al comportamiento real. Hablamos de pasivos (la han probado), activos (la usan de forma esporádica), básicos (la integran en tareas concretas), medios (la incorporan en flujos habituales) y avanzados (diseñan procesos y soluciones con ella).
En nuestra muestra actual la distribución es la siguiente: 45% pasivos, 23% activos, 22% básicos, 8% medios y 2% avanzados.
Esto significa que un 68% ha tenido algún tipo de contacto con la herramienta (pasivos + activos). Pero solo un 32% empieza a integrarla de manera funcional (básicos en adelante). Y apenas un 2% (avanzados) la está incorporando de forma estructural o estratégica.
Este nuevo acercamiento, le daría una validez de Data Score de D. No se puede hacer una extrapolación así sin poder ponderar muchísimo mejor as muestras.
Aquí es donde se distorsiona la conversación. Si sumas pasivos y activos puedes afirmar que la adopción es altísima: 68% ha probado.
Si miras básicos, medios y avanzados puedes decir que un 32% ya la integra en tareas reales. Si miras solo avanzados (2%), puedes concluir que todavía estamos empezando. El mismo conjunto de datos permite tres relatos distintos. El mismo dato permite dos relatos distintos.
¿Por qué el porcentaje cambia según quién lo cuente?
Aquí llegamos al punto que más me interesa. Los números no hablan solos. Los hacemos hablar dentro de un relato.
Si quiero demostrar que estamos al principio, uso el 16% sobre la humanidad.
Si quiero demostrar que la adopción es masiva, ajusto el denominador. 60% de las personas ya la la ha probado.
Si quiero demostrar que la ventaja está concentrada, ajusto los niveles de madurez. Solo un 2% de las personas la usan de verdad.
En todos los casos puedo apoyar mi discurso con cifras plausibles. No estoy inventando datos. Estoy eligiendo el marco que refuerza la tesis que quiero sostener.
Y eso ocurre constantemente. En redes sociales, en conferencias, en comités de dirección. El grupo no comparte datos neutros. Comparte datos que confirman la narrativa que más le gusta.
Entonces, ¿cuál es la cifra correcta?
Probablemente ninguna por sí sola. O mejor dicho: todas pueden ser correctas dentro de su contexto. La conversación honesta no es defender si la adopción es 16% o 60%.
Es reconocer que estamos trabajando con estimaciones que pueden sostener narrativas distintas.
Y preguntarnos qué estamos intentando demostrar cuando elegimos un número. Porque el problema no es el dato. El problema es cómo lo usamos.
¿Lo utilizamos para pensar mejor? ¿O para reforzar lo que ya queríamos creer?
Ya sabes que si quieres aprender a leer datos, mejor mírate este libro
