Cuando era más joven hice muchos de estos grafos. En aquel momento me fascinaban porque permitían convertir enormes cantidades de interacciones en una imagen comprensible: miles de cuentas se transformaban en nodos, los retuits y menciones en conexiones, y de pronto aparecían comunidades, centros de influencia y actores que funcionaban como puentes entre grupos aparentemente distantes. Durante la expansión de las redes sociales digitales, este tipo de análisis se volvió especialmente visible alrededor de las movilizaciones políticas de comienzos de la década de 2010, entre ellas el 15M español, y más tarde se incorporó con naturalidad al análisis político en América Latina. Hoy los grafos aparecen otra vez por todas partes, pero con una diferencia que me preocupa: con demasiada frecuencia ya no se presentan como instrumentos de análisis, sino como si fueran pruebas concluyentes de coordinación, manipulación, automatización o campañas políticas.
Los grafos sociales no son una estafa ni una forma de desinformación. Son modelos para representar relaciones entre actores. El problema comienza cuando olvidamos que esa representación fue construida. Detrás de cada una de esas imágenes espectaculares llenas de colores hay una larga cadena de decisiones humanas y algorítmicas: qué datos se recolectaron, durante cuánto tiempo, qué cuentas entraron en la muestra, qué se definió como una conexión, qué información se descartó, cómo se calcularon las comunidades, qué variable determinó el tamaño de los nodos y finalmente cómo se acomodaron en el espacio. Si esas decisiones no se explican, el espectador termina confundiendo las decisiones del analista con propiedades naturales de la realidad.
El análisis formal de redes sociales es mucho más antiguo que X, Facebook o el trabajo de Albert-László Barabási. Proviene de una larga tradición de sociometría, sociología, matemáticas y teoría de grafos. La ciencia de redes complejas que se popularizó desde finales de los años noventa con Barabási, Duncan Watts, Mark Newman y otros investigadores contribuyó, sin embargo, a popularizar muchas de las ideas que después llegaron al análisis masivo de plataformas digitales: redes altamente desiguales, nodos centrales, conectividad, difusión y formación de estructuras complejas. Con la aparición de herramientas como Gephi, observar estas estructuras dejó además de requerir enormes conocimientos de programación. Bastaba cargar una tabla de nodos y otra de aristas para convertir millones de interacciones en una imagen extraordinariamente persuasiva.
Y ahí comienza uno de los problemas.
La posición de un nodo en una visualización de Gephi no es una coordenada política. Programas de este tipo utilizan algoritmos de disposición —layouts— para encontrar una representación visual de las conexiones. ForceAtlas2, uno de los más populares, funciona mediante un sistema de fuerzas: los nodos se repelen mientras que las conexiones ejercen atracción. Su propósito es hacer legible una red, no descubrir la ubicación verdadera de una persona dentro de un espacio social. Sus parámetros pueden modificar considerablemente el aspecto final del mismo conjunto de datos: gravedad, separación, peso de las aristas o el modo en que se favorece la formación visual de comunidades pueden acercar, alejar, compactar o expandir distintas partes de la red. Incluso el momento en que el investigador decide detener el algoritmo importa. Una distribución que todavía no se ha estabilizado puede producir proximidades visuales diferentes de las que aparecerían después.
Eso no significa que ForceAtlas2 fabrique conexiones que no existen. Significa algo mucho más sencillo: la geometría del dibujo no es la geometría de la sociedad.
El tamaño de los nodos tampoco tiene un significado universal. Un círculo enorme puede representar una cuenta con muchas conexiones, una cuenta que recibió miles de retuits, una medida de PageRank, intermediación, número de seguidores o prácticamente cualquier variable que haya elegido el investigador. El grado de un nodo es una medida matemática; su tamaño en pantalla es una decisión visual. Sin saber qué variable fue utilizada para dimensionarlo, ver un nodo gigantesco y llamarlo “líder”, “operador” o “cuenta más influyente” es simplemente una interpretación.
Las mismas decisiones afectan los extremos de la red. Algunas visualizaciones conservan miles de nodos con una sola conexión; otras eliminan todos los nodos de grado bajo. Algunas muestran aislados; otras conservan únicamente el componente principal. Ambas decisiones pueden ser metodológicamente válidas, pero producen imágenes muy diferentes. Una red rodeada por miles de puntos periféricos parece gigantesca y socialmente diversa; si eliminamos esos usuarios y dejamos únicamente las cuentas fuertemente conectadas, la misma conversación puede adquirir la apariencia de una estructura compacta y altamente organizada. Ninguna de esas imágenes es necesariamente falsa. Lo que cambia es la pregunta que estamos haciendo.
Hay otra decisión aún más importante: qué significa una línea.
Una arista puede representar un retuit, una mención, una respuesta, un “me gusta”, una relación de seguimiento, el uso compartido de un enlace o cualquier otro comportamiento que el investigador decida convertir en conexión. Dos cuentas conectadas en un grafo no son necesariamente aliadas. Una persona puede mencionar a un político para atacarlo, responderle para contradecirlo o marcar una publicación sin que esa interacción implique pertenencia, complicidad o coordinación. Una arista sólo demuestra la relación que el investigador decidió medir. Su significado social necesita demostrarse por separado.
También importa la dirección de esas relaciones. En una red dirigida pueden observarse las conexiones que un usuario recibe y las que produce. Un político puede publicar un mensaje y recibir veinte mil retuits sin retuitear prácticamente a nadie. Si dimensionamos los nodos mediante in-degree, esa cuenta aparecerá gigantesca. Si utilizamos out-degree, puede volverse diminuta. Mientras tanto, una cuenta dedicada a retuitear decenas de mensajes cada día puede adquirir protagonismo en la segunda visualización y desaparecer en la primera. No son dos realidades diferentes: son dos lecturas del mismo grafo. Sin explicar qué se está midiendo, una imagen puede convertir “recibir mucha atención” y “generar mucha actividad” en una misma idea de influencia.
Los colores generan otro espejismo. Herramientas como Gephi permiten detectar comunidades mediante algoritmos como Louvain, que agrupan nodos según patrones estadísticos de conectividad. Pero una comunidad matemática no es automáticamente una organización política. Que un conjunto de cuentas aparezca pintado de amarillo significa que, bajo determinada definición de red y determinada configuración algorítmica, esas cuentas presentan mayor conectividad relativa entre ellas que con otros sectores. No significa que tengan un grupo de WhatsApp, reciban instrucciones de la misma persona, pertenezcan a una organización o cobren por participar en una campaña. Algunas comunidades algorítmicas coincidirán con colectivos sociales reales; otras representarán simplemente afinidades, fuentes de información compartidas o patrones de interacción.
Ese salto entre estructura y significado es precisamente donde comienzan muchas de las afirmaciones más problemáticas.
“Activación”, por ejemplo, puede ser un término habitual dentro del lenguaje de campañas políticas, pero no es una propiedad matemática de un grafo. “Amplificación” sí es un concepto utilizado en investigación sobre comunicación y difusión, pero observar muchas conexiones no demuestra por sí mismo una operación coordinada de amplificación. Tampoco una nube de nodos densamente conectados demuestra que esos usuarios sean bots. La topología de una red puede formar parte de sistemas científicos para detectar automatización, pero mirar un cluster en Gephi y declarar que sus integrantes son cuentas automatizadas no constituye una prueba.
Algo parecido ocurre con el llamado Coordinated Inauthentic Behavior, o CIB, una categoría desarrollada por Meta para investigar determinadas operaciones engañosas dentro de sus plataformas. No es una métrica de teoría de redes. Los grafos pueden ser una herramienta dentro de una investigación de comportamiento coordinado, pero no existe una operación matemática mediante la cual “comunidad” sea equivalente a “CIB”. Demostrar coordinación exige evidencia adicional: sincronización temporal, repetición de mensajes, patrones anormales de publicación, infraestructura compartida, identidades falsas u otras señales independientes.
Pero hay una intervención todavía mayor que casi siempre desaparece de estos análisis.
El grafo de X no comienza cuando el investigador descarga los datos. Comienza antes, cuando X decide quién tiene oportunidad de encontrarse con quién.
Cuando un usuario publica algo, sus posibilidades de recibir atención no dependen exclusivamente de la calidad del mensaje ni de una supuesta reacción espontánea del público. La plataforma organiza y recomienda contenido, selecciona publicaciones para distintos usuarios y utiliza señales de interacción para construir sus timelines. Una publicación mostrada a cientos de miles de personas tiene una oportunidad de producir conexiones muy distinta de aquella que prácticamente no fue distribuida. Posteriormente, el investigador descarga retuits, respuestas o menciones y trata esas relaciones como observaciones de comportamiento social.
Pero entre publicación e interacción existe una variable gigantesca: la exposición.
La secuencia real se parece más a esto:
publicación → sistema de recomendación → exposición → interacción.
Y las interacciones pueden convertirse, a su vez, en nuevas señales de recomendación. Cuando finalmente observamos una cuenta con miles de conexiones, estamos viendo el resultado de una combinación que no siempre podemos separar: comportamiento humano, afinidades políticas, actividad organizada y decisiones de distribución de la propia plataforma.
Por eso un nodo enorme plantea una pregunta que rara vez aparece debajo de estos mapas: ¿estamos midiendo influencia política o distribución algorítmica?
Probablemente ambas.
El problema es que los investigadores externos normalmente carecemos del historial completo de impresiones, recomendaciones y decisiones de ranking que produjo cada interacción. No podemos afirmar que un retuit concreto ocurrió porque el algoritmo lo provocó. Pero tampoco podemos asumir lo contrario y tratar cada conexión como si hubiese nacido en un entorno neutral donde todos los mensajes tuvieron las mismas posibilidades de ser encontrados.
Esto importa especialmente en una plataforma donde colectivos políticos, militantes, agencias, activistas y comunidades altamente motivadas permanecen activos prácticamente todo el tiempo. Una minoría extremadamente participativa puede concentrar una parte desproporcionada de las publicaciones y las interacciones sin representar una proporción equivalente de la población. Si además el sistema de recomendación aprende de esas interacciones y redistribuye contenido sobre esa base, el resultado que después observamos en el grafo ya contiene tanto comportamiento social como arquitectura de plataforma.
No significa que las campañas coordinadas no existan. Existen. Las agencias políticas organizan conversaciones, los partidos movilizan simpatizantes y las operaciones de propaganda son un objeto legítimo de investigación. Precisamente por eso necesitamos métodos mejores para demostrarlas.
Encontrar una comunidad es evidencia de estructura. Encontrar sincronización puede aportar evidencia de coordinación. Documentar instrucciones, infraestructura, identidades falsas o relaciones organizativas permite avanzar todavía más. Son niveles distintos de evidencia. Un mapa lleno de colores no debería permitirnos saltar directamente del primero al último.
Por eso tampoco propongo abandonar los grafos. Sigo pensando que son instrumentos extraordinariamente útiles. El verdadero valor nunca estuvo en su belleza, sino en la metodología que permite reconstruirlos.
Un análisis serio debería informar al menos la fuente de los datos, el procedimiento de recolección, la consulta o criterio utilizado para seleccionar contenidos, las fechas y ventana temporal, el tamaño de la muestra, el número de cuentas, nodos y aristas, qué representa una conexión, su dirección y ponderación, los filtros aplicados, los datos eliminados, la métrica utilizada para dimensionar los nodos, el significado de los colores, el algoritmo utilizado para detectar comunidades y el método empleado para visualizar la red.
Es algo parecido a la ficha técnica de una encuesta. Nadie debería aceptar una gráfica que afirma que 60% de la población piensa determinada cosa si no sabemos quién fue encuestado, cuándo, cómo y con qué muestra. Sin embargo, en política todavía aceptamos con demasiada facilidad una espectacular constelación de puntos porque parece matemática.
Los grafos no hablan. Los hacemos hablar nosotros.
Y precisamente por eso, cada vez que una visualización pretende demostrar que existe una red de bots, una campaña negra, una operación coordinada o un grupo político organizado, la primera pregunta no debería ser qué dicen los colores.
Debería ser mucho más sencilla:
¿Cómo construiste este grafo?
