Paolo Gaudiano es un matemático y científico cognitivo a quien a menudo se le pide que desmitifique la práctica de los modelos de predicción en las empresas. Después de haber sido profesor de la Universidad de Boston, dejó el entorno académico para convertirse en científico jefe de Artificial Life, una startup centrada en algoritmos evolutivos, antes de unirse a Icosystem como presidente. Fundada en 2001, la compañía ha construido sistemas de modelos de predicción para clientes tan diversos como la empresa de telefonía francesa Orange, el gigante farmacéutico Eli Lilly, y el operador de casinos Harrah's. La firma, con sede en Cambridge, Massachusetts, también ha hecho trabajos para el ejército de EE.UU.. Lo más reciente fue la creación de software de simulación para modelar los esfuerzos de infraestructura en Afganistán.

TR: Para algunas personas, los modelos de predicción suenan a magia porque parecen decirnos lo que va a pasar en el futuro.

Guadiano: No, no es magia en absoluto. Es una manera de sacar partido de los ordenadores para reproducir el mundo real. Pero no sólo se trata de repetir lo que ha sucedido—lo que queremos ver es lo que ocurrirá si el mundo cambia a nuestro alrededor. ¿Qué pasa si la economía se derrumba? ¿Qué pasa si cambio mi estrategia de ventas?

Podemos tomar en cuenta factores que de otra manera serían muy difíciles de tomar en cuenta. Así que no estamos prediciendo el futuro sino sólo dando una mejor comprensión sobre cómo funcionan las cosas, y una probabilidad un poco mejor de que las cosas que hacemos realmente vayan a salir como se espera que lo hagan. Es una herramienta de apoyo a la toma de decisiones. Hace que la intuición sea más cuantitativa. Nos da una forma de probar la validez de la intuición con datos y llegar a una mejor respuesta. Eso es todo.

Su caballo de batalla tecnológico en Icosystem es el "modelado basado en agentes." ¿Qué es el modelado basado en agentes, de dónde procede la tecnología, y cómo se pone en práctica?

El modelado basado en agentes se inició hace mucho tiempo como una herramienta en las ciencias sociales, para comprender los comportamientos de las poblaciones. Ha alcanzado su mayoría de edad en los últimos diez años. La idea central es que cuando tenemos una organización o ecosistema complejo, es más fácil comprender y simular el comportamiento de los individuos, cómo interactúan entre sí y su entorno de lo que es llegar a algún tipo de ley matemática que indique cómo se comporta la población.

¿Cuáles son los "agentes" en estas simulaciones?

Los agentes son réplicas de los elementos del sistema que estemos estudiando. Por lo general, son seres humanos, así que si estamos resolviendo un problema de marketing, son los consumidores. Pero también pueden ser el personal en una empresa, coches en una carretera, u ordenadores en una red.

Se simulan las cosas al completo. Literalmente, capturamos los detalles sobre cómo funcionan estos elementos y cómo se conectan entre sí. Eso resulta ser una forma muy poderosa de predecir cómo se comportará el sistema en su conjunto. Puedo ejecutar en un ordenador portátil una simulación de 100.000 consumidores realizando sus compras y buscando publicidad, y sólo tardo dos minutos en ejecutarla. Al observar los resultados, se nos ofrece una forma diferente de pensar acerca de nuestro problema.

¿Qué quiere decir con una forma diferente de pensar?

Por ejemplo, estamos haciendo un proyecto para la Marina, ayudándoles a entender la reconstrucción en territorios como Afganistán y cómo combinar eso con las comunicaciones estratégicas. Así que hemos construido un modelo que observa cómo están siendo expuestos los ciudadanos afganos a las cosas a su alrededor, como por ejemplo los equipos internacionales, los talibanes.

La Marina nos pregunta: ¿Cómo saben que el modelo es correcto? Sin embargo, no se trata tanto de ser correctos en cuanto a cómo interactúan las personas en la actualidad sino que más bien tiene que ver con la comprensión de hacia dónde nos llevan las suposiciones sobre los eventos futuros. No sé con qué frecuencia los ciudadanos afganos hablan entre sí sobre el agua. Pero puedo ejecutar 20 simulaciones diferentes con 20 supuestos distintos acerca de ese tema.

¿Cuál es el resultado que están tratando de lograr?

Si yo estoy a cargo de algunas tropas en Afganistán y tengo los recursos, el dinero—¿qué puedo hacer respecto al tratamiento médico, la seguridad, o los sistemas educativos? ¿Construyo pozos en este pueblo—construyo uno, dos o tres? ¿O invierto dinero en asistencia veterinaria? ¿Me conviene la publicidad en la radio y no en la televisión, debo lanzar panfletos desde un avión, debo ir a los lugares de culto—para que se escuche mi mensaje en lugar del mensaje de mi oponente?

No se trata tanto sobre predecir si un gasto de 5 dólares cambia las opiniones en un 2 por ciento, sino que en realidad es algo más: tengo estos cinco cursos de acción diferentes. ¿Cuáles son los más propensos a tener éxito, y por qué? Se trata de lo siguiente: este es el rango de opciones, necesito ayuda para comprender qué funciona y qué no y por qué. Literalmente, podemos rastrear por qué.

¿Qué ocurre con los ejemplos del mundo de los negocios? Por ejemplo, ¿qué hizo su compañía con Orange, la compañía telefónica francesa?

Estaban preocupados por la propagación de los virus de ordenador a través de las redes de teléfonos móviles. Así que construimos una simulación de cientos de miles de usuarios y el modo en que los virus pueden propagarse. Tomamos datos de virus reales y tasas de infección. Se modeló el comportamiento de los usuarios. Podemos estar en el metro, y estar junto a alguien que esté usando un teléfono con un virus, y si estamos usando Bluetooth y se nos pide conectar nuestros auriculares con su teléfono, y si decimos que sí, podemos contraer el virus del otro teléfono. O podemos contraerlo mediante el envío de datos a través de SMS. Predijimos unas tasas de infección y ayudamos a diseñar estrategias para prevenir la propagación de un virus cuando se inyecta en el sistema.

Entiendo que cuesta varios cientos de miles de dólares o más conseguir poner en marcha un proyecto de modelos de predicción como éste. ¿Hay alguna forma de bajar los costes?

Ahí es donde las cosas se ponen interesantes. Es verdad que cuando hacemos proyectos a medida, es prácticamente imposible empezar por menos de 300.000 dólares. Eso es para la versión de escritorio, que no es completamente funcional. Y puede convertirse en un proyecto de varios años, y de varios millones de dólares.

Sin embargo, ahora somos capaces de repetir el trabajo en ciertas industrias. Por ejemplo, en cuanto al comportamiento de los consumidores, hemos desarrollado una simulación basada en agentes para medir el retorno de la inversión en publicidad de marcas, y podemos otorgar licencias de la herramienta a un cliente por unos pocos miles de dólares al mes. Se trata de una empresa derivada de la actual que estamos incubando, llamada Concentric ROI. Así hemos bajado el umbral de entrada, y es mucho más atractivo poder utilizar el modelo durante unos pocos meses.