CAPÍTULO 17Veyra

Veyra

La primera vez que usé Veyra no sentí nada especial.

Eso, visto desde después, me parece importante.

No hubo una pantalla oscura, una voz inquietante ni una frase diseñada para hacerme pensar que estaba frente a algo distinto.

Era una plataforma de trabajo. Limpia, sobria, incluso un poco aburrida.

Se accedía desde un entorno privado que uno de mis clientes estaba probando y, durante las primeras semanas, su función era bastante concreta: tomar información de campañas, comportamiento de usuarios y resultados anteriores para producir estimaciones sobre lo que probablemente ocurriría después. Nada más.

Nada menos. Yo ya había trabajado con herramientas predictivas antes, así que no llegué impresionada.

La mayor parte de los sistemas de ese tipo eran mejores en las presentaciones que en la práctica.

Prometían entender intención, detectar oportunidades y anticipar decisiones, cuando en realidad muchas veces solo reorganizaban información conocida y la devolvían con una interfaz más elegante.

Veyra parecía distinta desde el principio, aunque no por algo espectacular. Era más prudente.

Donde otras plataformas decían este usuario va a cancelar, Veyra decía probabilidad elevada de cancelación dentro de los próximos treinta días.

Donde un dashboard tradicional mostraba una caída, ella intentaba explicar qué variables habían aumentado la probabilidad de que ocurriera.

Y, cuando no tenía suficiente información, lo decía. Eso me gustó.

La primera prueba seria fue con un grupo de clientes que el equipo comercial consideraba estable.

Eran cuentas activas, con compras relativamente recientes y sin señales evidentes de abandono.

El objetivo era bastante simple: identificar cuáles podían reaccionar mejor a una campaña de renovación y cuáles no valía la pena presionar todavía.

Veyra devolvió varias recomendaciones razonables y una que nos pareció equivocada.

Señaló que un segmento pequeño tenía alta probabilidad de disminuir actividad durante las siguientes semanas y sugirió no invertir demasiado presupuesto en retenerlo mediante descuentos.

Uno de los directivos preguntó qué estaba viendo.

La plataforma mostró una combinación de señales: tiempo entre sesiones, modificación en el orden habitual de ciertas acciones, menor interacción con comunicaciones posteriores a compra, patrones de navegación cada vez más centrados en soporte y una disminución progresiva en la respuesta a productos relacionados.

Nada de eso era invisible.

Simplemente nadie lo había mirado junto.

Decidimos no modificar la campaña solo por una predicción.

Yo insistí en ello. Si queríamos probar el sistema, necesitábamos dejar que algunas hipótesis se enfrentaran al mundo real sin intervenir en cada resultado.

Dos semanas después, el segmento empezó a reducir actividad.

No todos. Ni siquiera la mayoría de una manera dramática.

Pero lo suficiente para que la estimación hubiera sido útil.

No me impresionó el acierto. Me impresionó cómo había llegado a él.

Había hecho algo muy parecido a lo que yo llevaba años haciendo, solo que con una memoria mucho mayor y sin cansarse de cruzar variables.

Eso todavía no era inteligencia en el sentido en que la gente utilizaba la palabra.

Era capacidad. Y la capacidad, cuando acierta suficientes veces, empieza a parecer otra cosa.

Durante el primer mes mi trabajo con Veyra siguió siendo completamente normal.

Le preguntábamos qué audiencias tenían mayor probabilidad de convertir, qué mensajes parecían saturados, cuándo era mejor reducir frecuencia y cuáles eran los primeros indicios de abandono. Algunas respuestas eran obvias.

Otras parecían absurdas y después resultaban correctas. También se equivocaba.

Eso me tranquilizaba. Una máquina que acertara todo habría sido menos creíble que una que pudiera mostrar exactamente dónde terminaba su confianza.

Uno de mis hábitos se volvió discutir con ella.

No literalmente al principio. Veyra tenía una interfaz conversacional, pero casi siempre la utilizábamos para solicitar análisis.

Yo le pedía que justificara una conclusión, cuestionaba una variable o eliminaba una fuente para ver cuánto cambiaba el resultado.

Me interesaba menos saber qué predecía que descubrir cuánto dependía la predicción de una pieza específica.

Una tarde pregunté por qué había clasificado a un grupo como poco sensible al precio cuando nuestra investigación decía lo contrario.

La respuesta apareció casi inmediatamente.

La sensibilidad declarada al precio es alta. La sensibilidad observada es moderada.

Leí la frase otra vez.

Pedí explicación.

Veyra señaló que las encuestas mostraban consumidores que se describían como muy atentos al precio, pero el historial real indicaba que seguían comprando cuando el costo aumentaba dentro de cierto rango si se mantenían otras variables: conveniencia, confianza y disponibilidad.

—Así que estás diciendo que mienten —dije en voz alta.

Una compañera que estaba en la llamada se rio.

Veyra respondió en pantalla:

No. Estoy indicando una diferencia entre preferencia declarada y comportamiento observado.

Eso me gustó todavía más. No porque fuera una idea revolucionaria. La mercadotecnia llevaba décadas funcionando sobre exactamente ese problema. Las personas decían una cosa y hacían otra todo el tiempo, no necesariamente porque mintieran, sino porque nadie se conocía tan bien como creía.

Empecé a usar Veyra con mayor frecuencia.

Daniel sabía que existía, aunque al principio solo porque me escuchaba quejarme de ella.

—¿Otra vez tu robot? —preguntó una noche.

—No es mi robot.

—Pasas más tiempo discutiendo con ella que conmigo.

—Porque ella sí muestra sus fuentes.

Daniel se quedó mirándome unos segundos.

—Eso fue grosero.

—Pero efectiva.

—Mucho.

Me reí.

Estábamos hablando por video. Él había tenido un día largo y yo todavía tenía abiertos dos reportes. Veyra estaba en otra pantalla, procesando una comparación que no necesitaba supervisión.

Daniel preguntó qué estaba haciendo y le expliqué que intentábamos anticipar qué usuarios abandonarían una suscripción antes de que ocurriera.

—Entonces te dice el futuro.

—No.

—Eso parece.

—Calcula probabilidades.

—El futuro con porcentajes.

—Eso sigue sin ser el futuro.

Daniel tomó un poco de café.

—Si acierta con suficiente frecuencia, ¿cuál es la diferencia?

Era casi la misma pregunta que me había hecho meses antes sobre la otra plataforma.

Aquella vez tenía una respuesta mejor.

—La diferencia es que puede estar equivocada.

Daniel sonrió.

—Tú también.

—Exacto.

—Y la gente sigue escuchándote.

Le mostré el dedo medio a la cámara.

Él se rio.

La conversación cambió de tema, pero la frase se quedó conmigo. No porque Daniel hubiera descubierto nada especialmente profundo, sino porque tocaba algo que yo empezaba a notar dentro del equipo. Cuando Veyra acertaba, la gente recordaba el acierto. Cuando fallaba, encontraba una explicación.

Eso era peligroso.

No para la tecnología.

Para nosotros.

En una reunión alguien dijo:

—Veyra sabía que iba a pasar.

Lo corregí.

—Veyra estimó que era probable.

La persona se encogió de hombros.

—Y pasó.

—No es lo mismo.

—Para el resultado sí.

No discutí más, pero anoté la frase.

Para el resultado sí.

Ese era exactamente el tipo de razonamiento que podía transformar una herramienta útil en una autoridad.

Yo no quería hacer eso. Así que empecé a registrar también sus errores.

Una campaña que Veyra esperaba que mantuviera rendimiento cayó antes de lo previsto.

Un segmento que parecía a punto de abandonar respondió sorprendentemente bien a una oferta.

Una predicción de timing se desplazó casi una semana.

Nada grave, pero suficiente para recordarnos que seguíamos trabajando con probabilidades.

Lo interesante era que Veyra también registraba esas fallas. Cuando le pedía revisar una predicción anterior, no intentaba defenderla.

Recalculaba.

Mostraba qué variables habían cambiado o cuáles habían tenido un peso incorrecto. Algunas veces concluía que el modelo inicial había sobrevalorado un patrón. Otras señalaba que había aparecido información nueva. Nunca parecía avergonzada.

Obviamente.

Pero había algo extrañamente cómodo en discutir con un sistema que no necesitaba tener razón para proteger su ego. Con personas era distinto. Con Daniel, por ejemplo. No pensé eso inmediatamente.

La comparación apareció sola semanas después, durante una conversación sobre trabajo. Daniel estaba contando una historia sobre alguien de su equipo que se negaba a admitir un error.

Yo dije que prefería trabajar con Veyra porque, al menos, podía mostrar exactamente por qué había llegado a una conclusión.

—Así que ahora confías más en la máquina que en la gente.

—En ciertas cosas, sí.

Lo dije como una broma.

Daniel no.

—Cuidado.

—¿Con qué?

—Eso suena como el comienzo de una película de ciencia ficción muy mala.

Me reí.

—Cuando Veyra intente controlar el mundo te aviso.

—Por favor, hazlo.

—Aunque probablemente te clasificaría como poco cooperativo.

—Definitivamente.

Daniel sonrió y seguimos hablando.

No hubo ninguna señal ominosa en ese momento.

Nada que me hiciera pensar que la conversación importaría después.

Eso también es algo que uno aprende demasiado tarde: los momentos importantes rara vez parecen importantes cuando ocurren.

Durante los meses siguientes, Veyra empezó a integrarse más profundamente en el flujo de trabajo del cliente.

Seguía sin tomar decisiones por sí sola, pero cada vez más personas consultaban sus estimaciones antes de aprobar campañas, modificar presupuestos o priorizar segmentos.

Yo era una de las que más insistía en revisar el razonamiento detrás de cada recomendación y quizá por eso terminé teniendo acceso a funciones beta que otros usuarios no utilizaban todavía.

Una de ellas se llamaba continuity analysis.

El nombre parecía más interesante de lo que realmente era.

La función buscaba consistencia dentro de comportamientos a lo largo del tiempo.

Podía identificar cuándo un usuario cambiaba de patrón, cuándo una cuenta empezaba a comportarse de una manera estadísticamente distinta a su propio historial o cuándo varias señales sugerían que una situación habitual había cambiado.

En mercadotecnia eso podía ser útil para detectar abandono, cambios de necesidad o incluso cuentas compartidas.

La primera vez que la probé fue con un cliente corporativo que utilizaba una plataforma de manera muy estable.

Veyra señaló una interrupción brusca en su patrón habitual.

El equipo asumió que la empresa estaba perdiendo interés.

Veyra propuso otra posibilidad. Probable cambio de operador o contexto de uso. Pregunté qué significaba.

El sistema mostró horarios diferentes, nuevas secuencias de navegación, cambios en la velocidad de interacción y una modificación en el tipo de documentación consultada.

No decía que fuera otra persona. Decía que el patrón ya no parecía idéntico. Una semana después supimos que el responsable de la cuenta había cambiado de puesto y otra persona había tomado parte de sus funciones. La predicción no era perfecta. Pero estaba lo suficientemente cerca.

Recuerdo haber pensado:

Eso es útil. Nada más. No pensé en Daniel.

Todavía no. No pensé en China, en los mensajes secos, en Buenas noches, Lorraine seguido media hora después por Cenicienta, ni en los momentos en que había tenido la impresión de que el tono de una conversación cambiaba de pronto.

Porque Daniel no era un conjunto de datos.

Daniel era Daniel. Y esa frontera, en aquel momento, todavía me parecía imposible de cruzar.