En el ecosistema del pseudoanálisis digital se ha vuelto común confundir la visualización de una red con la demostración de una operación. Se extraen interacciones públicas, se dibujan nodos y aristas, se colorean comunidades y, en cuestión de minutos, aparece el veredicto: bots, campaña negra, manipulación coordinada. Pero desde la teoría de grafos el problema es evidente: ninguna propiedad estructural autoriza por sí sola ese salto. Un nodo central (es decir, un usuario muy conectado) no equivale a un mando operativo. Un clúster denso (comunidad de usuarios grande) no prueba automatización (o uso de bots). Una cascada de retuits no demuestra intencionalidad maliciosa. Lo único que muestra, en primera instancia, es una forma relacional que todavía necesita interpretación. Y esa interpretación exige más que asombro visual: exige método.
Parte del problema consiste en que algunos expertos que analizan presuntas campañas de bots olvidan algo que la ciencia de redes conoce bien desde hace décadas: muchas redes complejas producen nodos altamente conectados de manera endógena. El trabajo clásico de Albert-László Barabási y Réka Albert mostró que, bajo mecanismos de crecimiento y adjunción preferencial, pueden emerger hubs (nodos con mucha conectividad) sin necesidad de imaginar una conspiración o campaña de bots detrás de cada concentración de enlaces. Dicho de otro modo, la centralidad no es una anomalía moral; es, muchas veces, una consecuencia normal de la dinámica de la red. Ver una cuenta con alto grado de entrada o de salida no equivale a descubrir una campaña. A lo sumo indica que ocupa una posición estructural relevante dentro de esa configuración específica. El salto de ahí a la acusación causal no pertenece a la teoría de grafos; pertenece a la imaginación del pseudoanalista.
El algoritmo oculto
Esto importa especialmente cuando se analizan plataformas como X, donde la visibilidad no es el reflejo puro de una voluntad colectiva, sino el resultado de una infraestructura de recomendación. Tarleton Gillespie ha insistido en que los algoritmos no son intermediarios neutrales: seleccionan, ordenan y jerarquizan qué información se vuelve relevante en la vida pública. Por eso, cuando una cuenta concentra atención, retuits o menciones, no siempre estamos viendo una señal de coordinación artificial; también podemos estar viendo el efecto de una plataforma que empuja ciertos contenidos, prioriza ciertas interacciones y distribuye la atención de manera desigual. Ignorar esa mediación algorítmica y leer la centralidad como si fuera una confesión es uno de los errores más burdos del pseudoanálisis contemporáneo. Sobre todo cuando se trata de reportes en tiempo real que señalan a los usuarios con mayor cantidad de interacciones durante los primeros minutos en que se posicionó una tendencia.
Una campaña coordinada real, además, no suele reconocerse solo porque “hay un nodo grande” o porque “muchos retuitearon lo mismo”. Si de verdad se quiere sostener una hipótesis seria, habría que observar combinaciones más exigentes de rasgos: patrones de emisión centralizada o semicentralizada, clústers densos con baja conectividad externa, sincronías de activación difíciles de explicar por atención orgánica, repetición sostenida de trayectorias de amplificación, e incluso regularidades temporales compatibles con automatización o pago. Es decir, no basta con que una red tenga forma; importa qué forma tiene, cómo se organiza y bajo qué dinámica se activa. El pseudoanalista, en cambio, suele confundir cualquier tendencia visible con evidencia de bots. Donde debería preguntarse por topología, temporalidad y mediación técnica, solo ve una excusa para señalar culpables.
Aquí aparece otra falla decisiva: la confusión entre descripción y prueba. Una visualización puede ser útil para explorar una conversación, detectar zonas de concentración, observar comunidades o formular hipótesis preliminares. Pero una hipótesis no es una demostración. Zeynep Tufekci ha advertido sobre los problemas metodológicos de inferir conclusiones robustas a partir de datos de plataformas como si fueran una ventana transparente a lo social. Los datos de redes sociales están atravesados por sesgos de acceso, representatividad, diseño y visibilidad. Cuando esos límites se olvidan, el análisis deja de ser analítico y se convierte en una escenificación de certeza. El grafo impresiona, sí, pero impresionar no es probar.
Por eso el verdadero problema no es el uso de grafos, sino su degradación en escenografía de autoridad. No se trata de rechazar la teoría de redes, sino de tomársela en serio. Un grafo no habla solo. No acusa solo. No decide solo. Requiere saber qué representa cada arista, qué métrica se está usando, qué tipo de centralidad importa, cómo interviene el algoritmo de la plataforma y qué inferencias son legítimas a partir de esa estructura. Cuando nada de eso aparece, lo que se vende como análisis forense no pasa de ser una cartografía apresurada de retuits revestida de lenguaje técnico. La topología queda reducida a espectáculo, y el espectáculo se presenta como verdad.
Llamarle “red de bots” a cualquier visualización intensa no es ciencia de redes. Es una forma de charlatanería digital. Una que confunde centralidad con culpabilidad, difusión con coordinación y visibilidad con manipulación. Y quizá ahí conviene recordar algo elemental: en teoría de grafos, un nodo muy conectado no es una confesión. Es apenas un nodo muy conectado. Todo lo demás debe demostrarse.
Punto de partida
La visualización de un grafo y la descarga masiva de datos de redes sociales no son, en sí mismas, una conclusión: son apenas el umbral del análisis. Su valor real está en servir como herramienta inicial para detectar anomalías en la estructura, la temporalidad o los patrones de interacción. Pero esas anomalías no hablan solas. Para comprender su significado hace falta una segunda capa de trabajo, apoyada en metodologías cualitativas y de verificación, que permita rastrear a los usuarios detrás de esos comportamientos, identificar posibles articulaciones con agencias de marketing, partidos políticos u otros operadores, y distinguir entre simple visibilidad, coordinación efectiva o intervención organizada. Todo lo demás es precipitación analítica disfrazada de rigor.
Un bot no es una cuenta sola
Un bot tampoco puede definirse de manera seria a partir de señales superficiales como una foto de perfil ausente, pocos seguidores o una biografía incompleta. Esos rasgos, por sí solos, también pueden corresponder a usuarios reales, cuentas nuevas, perfiles anónimos o personas con baja actividad. La identificación de automatización o comportamiento inauténtico no se resuelve cuenta por cuenta ni a partir de impresiones aisladas, sino mediante el análisis de redes, patrones de publicación, sincronías, repeticiones, trayectorias de amplificación y otras regularidades que solo se vuelven visibles cuando se observa el comportamiento colectivo. Un perfil sospechoso no prueba gran cosa; una estructura de comportamiento repetido, en cambio, puede abrir una línea de investigación más seria.
