De la acumulación de datos a la capacidad de generar conocimiento para transformar los territorios

«El todo es más que la suma de sus partes». Esta conocida formulación del pensamiento aristotélico ha atravesado los siglos y sigue ofreciendo una perspectiva especialmente pertinente para abordar uno de los grandes retos de la Administración pública: convertir los datos en mejores decisiones.

Durante los últimos años, las administraciones han intensificado sus esfuerzos por impulsar una toma de decisiones basada en datos. La sensorización de las ciudades, la expansión de los espacios de experimentación o la creciente conexión con otras fuentes generadoras de datos han ampliado considerablemente nuestra capacidad para observar la realidad.

Sin embargo, estos avances plantean una cuestión fundamental: ¿estamos desarrollando una mayor capacidad para comprender nuestros territorios o, simplemente, una mayor capacidad para acumular información sobre ellos?

Aquí es donde el todo aristotélico se vuelve interesante. Comprender y transformar el territorio no depende únicamente de cuántos datos recopilamos (cantidad), qué dimensiones de la realidad representan (tipo) o cómo se estructuran y relacionan entre sí (sistema), sino también de la capacidad de quienes los observan para interpretarlos y generar conocimiento a partir de ellos (la mirada).

Cuatro dimensiones interdependientes que permiten comprender por qué acumular datos constituye un avance necesario, pero insuficiente.

La cantidad

Desde 2014, las administraciones públicas han incrementado la disponibilidad de datos sobre ámbitos tan diversos como ciencia y tecnología, comercio, cultura y ocio, demografía, deporte, economía, educación, empleo, energía, hacienda, industria, legislación y justicia, medio ambiente, medio rural, salud, sector público, seguridad, sociedad y bienestar, transporte, turismo, urbanismo, infraestructuras y vivienda.

En 2026, el catálogo de datos.gob.es alcanza los 118.940 conjuntos de datos, una cifra que representa un volumen cercano a veinte veces el registrado años atrás (6.736 en 2015).

Este crecimiento admite dos lecturas: 

• La primera es indudablemente positiva. Las administraciones disponen de una base informativa cada vez más amplia para analizar fenómenos, identificar necesidades, contrastar hipótesis y fundamentar sus decisiones. En lugar de depender exclusivamente de intuiciones o percepciones parciales, pueden incorporar una mayor cantidad de evidencia a la formulación de políticas, proyectos e iniciativas.
• Pero existe una segunda lectura. La acumulación de datos no garantiza un incremento equivalente del conocimiento disponible. De hecho, cuando la cantidad de datos supera la capacidad del sistema para procesarlos, relacionarlos e interpretarlos, el resultado puede ser una complejidad creciente que dificulte su aprovechamiento.

En este contexto aparece la cuestión de la entropía. Acumular observaciones sin desarrollar mecanismos adecuados para identificar patrones, organizar relaciones y reducir la complejidad puede incrementar las exigencias de procesamiento sin producir una mejora proporcional en nuestra comprensión de la realidad.

El objetivo de un sistema de gestión de datos no debería ser la acumulación como fin en sí mismo, sino su metabolización: transformar una multiplicidad de observaciones en estructuras de información y conocimiento que permitan comprender los fenómenos y actuar sobre ellos y reducir los datos necesarios a analizar. 

Por tanto, el problema no reside necesariamente en disponer de demasiados datos, sino en no desarrollar una capacidad de interpretación y aprovechamiento que acompañe su crecimiento.

Sin embargo, esta capacidad tampoco depende exclusivamente del volumen. Un sistema puede procesar eficazmente todos los datos disponibles y seguir ofreciendo una representación incompleta de la realidad.

Esto nos conduce a una segunda cuestión: ¿estamos midiendo aquello que realmente necesitamos conocer?

El tipo

Los datos no ofrecen una representación neutral y exhaustiva de la realidad. Toda medición implica seleccionar determinados fenómenos, definir cómo observarlos y establecer qué aspectos merecen ser registrados.

La distinción entre datos duros y blandos, junto con los diferentes grados de dificultad asociados a su medición, permite identificar una tendencia especialmente relevante para la gestión pública española. Existe una tendencia a medir aquello que resulta más sencillo de observar, cuantificar y comparar. Sin embargo, la facilidad de medición no tiene por qué corresponderse con la importancia del fenómeno que pretendemos comprender.

Aquí aparece una paradoja: cuanto más sofisticamos nuestros sistemas de medición, mayor puede ser nuestra confianza en la representación que ofrecen, incluso cuando esta deja fuera dimensiones fundamentales de la realidad.

Y es que los indicadores no solo describen aquello que observamos. También condicionan nuestra atención y, en consecuencia, pueden influir en las prioridades de actuación.

Disponemos de numerosos indicadores sobre infraestructuras, actividad económica, población o servicios. Sin embargo, otras dimensiones, como las capacidades existentes en un territorio, el conocimiento acumulado por sus agentes, sus potencialidades o las aspiraciones y visiones de futuro de sus habitantes, presentan una mayor dificultad de observación y medición.

No se trata de elementos secundarios. Son dimensiones que aportan significado al resto de los datos y condicionan las posibilidades de desarrollo de un territorio.

Por eso, mejorar la toma de decisiones basada en datos no consiste únicamente en incrementar el número de indicadores. También exige cuestionar qué estamos midiendo, qué dimensiones permanecen fuera de nuestros sistemas y qué consecuencias tiene esa ausencia para nuestra capacidad de actuación.

Ahora bien, incluso si consiguiéramos incorporar todos los datos relevantes, todavía faltaría una pieza esencial: comprender cómo se relacionan entre sí.

El sistema

El valor de los datos no reside únicamente en lo que cada uno nos dice por separado, sino también en lo que podemos descubrir cuando los relacionamos.

Sin embargo, conectar datos no significa simplemente cruzar bases de datos. Identificar una correlación no equivale a comprender por qué se produce, ni garantiza que esa relación sea relevante para tomar una decisión. El verdadero potencial aparece cuando conseguimos interpretar las relaciones identificadas y utilizarlas para comprender la realidad de una manera que antes no era posible.

Esta distinción puede entenderse mejor a través de la función de producción evolucionada de Max Boisot, que plantea cómo los datos y el conocimiento pueden transformar la capacidad de un sistema para producir resultados.

Tradicionalmente, mejorar los resultados de un sistema se ha asociado a disponer de más recursos físicos: más infraestructuras, equipamientos o medios materiales. Boisot introduce una perspectiva diferente: los datos, cuando se procesan y aprovechan adecuadamente, pueden sustituir parte de esos recursos y permitir alcanzar resultados equivalentes o superiores.

Hay dos maneras de lograr ese aprovechamiento de datos:

• La primera consiste en aprovechar progresivamente los datos y la experiencia para mejorar el funcionamiento del sistema: hacer mejor lo que ya sabemos hacer.
• La segunda supone un cambio más profundo: generar nuevos conocimientos que permitan transformar las capacidades del propio sistema y alcanzar resultados que antes no eran posibles.

Este segundo es el salto que buscamos: pasar de utilizar los datos para mejorar nuestras respuestas a utilizarlos para ampliar nuestra capacidad de comprender los problemas y encontrar nuevas soluciones. Este salto aparece cuando el sistema logra extraer relaciones significativas de los datos y desarrollar interpretaciones. En este proceso, la identificación de regularidades, correlaciones y patrones constituye una parte esencial. A través de la abstracción y la conceptualización, múltiples observaciones pueden integrarse en representaciones más generales que reducen la complejidad y permiten comprender fenómenos que anteriormente parecían independientes.

Ahora bien, ese salto no se produce automáticamente por disponer de los datos adecuados ni por contar con sistemas capaces de relacionarlos. Dos observadores pueden enfrentarse a la misma información y extraer conclusiones muy distintas. Porque identificar una relación es solo una parte del proceso; reconocer su significado y las posibilidades que abre exige algo más.

Y aquí entra en juego la última dimensión de nuestro todo: los ojos que miran.

Los ojos que miran

Un mismo conjunto de datos puede dar lugar a interpretaciones completamente diferentes. No porque cambien los datos, sino porque cambia quien los observa: sus conocimientos previos, su experiencia, las preguntas que plantea y su capacidad para reconocer relaciones que otros podrían pasar por alto.

Para Boisot, la generación de conocimiento nuevo requiere capacidades cognitivas que van más allá de aplicar reglas o identificar patrones. Implica abstraer, conceptualizar y construir nuevas representaciones de la realidad. Es decir, no basta con reconocer que determinados fenómenos están relacionados; hay que ser capaz de comprender qué significa esa relación y qué nuevas posibilidades abre.

Y aquí aparece una pregunta especialmente interesante en un contexto de rápida expansión de la inteligencia artificial: ¿hasta qué punto puede una IA producir ese salto?

Hoy, la IA puede procesar enormes cantidades de datos, identificar relaciones difíciles de detectar mediante otros métodos y generar hipótesis e interpretaciones novedosas. Pero conviene distinguir entre encontrar un patrón, proponer una explicación y determinar qué significa realmente esa explicación para un territorio concreto. Son capacidades relacionadas, pero no equivalentes.

Además, una interpretación aparentemente coherente no tiene por qué ser correcta, relevante o aplicable. Su valor depende de cómo se contrasta con la realidad, del conocimiento que la sustenta y de las consecuencias que tiene al utilizarla.

Esto no resta importancia a la IA. Al contrario, permite situar mejor su potencial: ampliar las capacidades de análisis e interpretación de las administraciones, sin confundir la generación de posibles explicaciones con la producción automática de conocimiento válido para la toma de decisiones.

Por eso, el desafío de la Administración pública no es únicamente incorporar mejores datos o tecnologías más avanzadas, sino desarrollar la capacidad institucional para formular las preguntas adecuadas, cuestionar las interpretaciones existentes y reconocer posibilidades de actuación que antes permanecían invisibles.