Durante años hemos hablado de «contabilidad creativa» para referirnos a la utilización de criterios contables, estimaciones, periodificaciones o clasificaciones para presentar una imagen más favorable —o simplemente más conveniente— de la realidad económica de una empresa. No siempre se trata de fraude. A veces opera dentro de los márgenes permitidos por la norma. Pero precisamente por eso puede ser tan peligrosa: porque se mueve en esa zona gris donde la técnica, el criterio y el interés se mezclan.
Hoy, en un entorno empresarial cada vez más dominado por dashboards, KPIs, modelos financieros, inteligencia artificial, previsiones automatizadas y analítica avanzada, esa lógica ha evolucionado hacia algo más amplio: el mathwashing.
¿Qué es el Mathwashing? Cuando se manipula la lectura, no el número
El mathwashing consiste en utilizar números, métricas, modelos o fórmulas para dar apariencia de objetividad a una interpretación que, en realidad, puede estar sesgada, incompleta o diseñada para sostener una narrativa previamente decidida. Dicho de otra manera: no se manipula necesariamente el número. Se manipula su lectura. Y esa diferencia es clave:
- Un mismo EBITDA puede presentarse como señal de fortaleza o como síntoma de fragilidad, dependiendo de si miramos la caja, la deuda, el capital circulante o la calidad del ingreso.
- Un crecimiento del 20% puede venderse como éxito, aunque haya sido comprado con margen negativo, descuentos excesivos o deterioro operativo.
- Una mejora de productividad puede parecer excelente, aunque esconda sobrecarga del equipo, caída de calidad o pérdida de conocimiento interno.
- Un cash flow negativo puede explicarse como inversión en crecimiento, aunque en realidad refleje un modelo de negocio que consume más caja de la que es capaz de generar.
El número es el mismo. La historia cambia. Ahí aparece el mathwashing: cuando la matemática no se usa para entender mejor la realidad, sino para vestir una interpretación interesada de esa realidad.
Los tentáculos del Mathwashing en las distintas áreas de la empresa
La contabilidad creativa trabaja sobre los estados financieros. El mathwashing trabaja sobre cualquier sistema de medición empresarial:
- En finanzas: Cuando se enfatiza el EBITDA y se minimiza el cash flow.
- En ventas: Cuando se comunica crecimiento de facturación sin analizar margen, recurrencia, descuentos o concentración de clientes.
- En operaciones: Cuando se mide eficiencia sin medir impacto en calidad.
- En personas: Cuando se presenta una encuesta de clima positiva mientras la rotación crítica aumenta.
- En inteligencia artificial: Cuando un modelo se presenta como neutral simplemente porque utiliza datos y algoritmos.
El problema no es medir. El problema es creer que medir elimina la necesidad de interpretar. Los números no hablan solos. Los números son leídos, seleccionados, ordenados, comparados y explicados por alguien. Y ese «alguien» tiene contexto, incentivos, sesgos, presión, objetivos y, en ocasiones, una narrativa que defender. Por eso, en empresa, el riesgo no está solo en tener malos datos. También está en tener buenos datos mal interpretados. O, peor todavía, buenos datos interpretados creativamente.
El sesgo directivo y la autoridad psicológica del número
La literatura sobre earnings management lleva décadas analizando cómo los directivos pueden utilizar el juicio contable para alterar la percepción de los resultados financieros. Healy y Wahlen definieron este fenómeno como el uso del juicio en la información financiera y en la estructuración de transacciones para modificar los informes financieros y potencialmente influir en la percepción de los stakeholders. Mientras la contabilidad creativa se apoya en la flexibilidad de las normas, el mathwashing se apoya en la autoridad psicológica del número.
Porque un número genera una sensación inmediata de rigor. Un gráfico parece más objetivo que una opinión. Un modelo financiero parece más sólido que una intuición. Un KPI parece más serio que una conversación. Un algoritmo parece más neutral que una decisión humana. Pero esa apariencia puede ser engañosa.
Cathy O’Neil, en Weapons of Math Destruction, advierte precisamente de este riesgo: los modelos matemáticos pueden parecer objetivos y científicos, pero incorporan supuestos, sesgos, criterios de diseño y relaciones de poder. Su crítica se centra especialmente en algoritmos opacos utilizados para tomar decisiones relevantes, pero la lógica aplica perfectamente al mundo de la empresa. Cuando una empresa dice «lo dice el dato», debería preguntarse inmediatamente: ¿qué dato?, ¿calculado cómo?, ¿comparado contra qué?, ¿con qué exclusiones?, ¿con qué supuestos?, ¿durante qué periodo?, ¿con qué incentivos detrás? Porque muchas veces el dato no dice. El dato permite decir. Y quien decide qué dato mostrar, qué dato excluir y qué interpretación priorizar tiene un enorme poder sobre la conversación directiva.
Ejemplos habituales de conclusiones corporativas falsas:
- Una compañía puede presentar un EBITDA positivo como prueba de salud económica. Pero si el cash flow operativo es negativo, si el crecimiento exige financiar circulante de forma creciente o si la deuda comercial se acumula, el EBITDA puede estar contando solo una parte de la historia.
- Una empresa puede mostrar mejora de margen bruto. Pero si esa mejora viene de reducir servicio, soporte o calidad, quizá el margen esté mejorando a costa de destruir propuesta de valor.
- Un equipo comercial puede cumplir el objetivo de ventas. Pero si lo hace mediante descuentos agresivos, clientes poco rentables o adelanto artificial de pedidos, el KPI se cumple mientras el negocio se debilita.
- Una organización puede reducir costes. Pero si esa reducción elimina capacidades críticas, deteriora la ejecución o aumenta la dependencia del fundador o del CEO, el ahorro puede ser una pérdida diferida.
La Ley de Goodhart aplicada al Management
Aquí conecta también la ley de Goodhart: cuando una medida se convierte en objetivo, deja de ser una buena medida. La idea original procede de Charles Goodhart en el contexto de política monetaria, pero se ha convertido en una advertencia general sobre el uso de métricas en sistemas complejos. En empresa lo vemos constantemente:
- Si se incentivan solo ventas, aparecen ventas de baja calidad.
- Si se incentiva solo margen, puede caer la ambición comercial.
- Si se incentiva solo ocupación, puede deteriorarse la rentabilidad.
- Si se incentiva solo productividad, puede aumentar la fatiga organizativa.
- Si se incentiva solo EBITDA, puede ignorarse la caja.
No porque la métrica sea inútil, sino porque cualquier métrica aislada puede ser «jugada», retorcida o instrumentalizada. El mathwashing aparece cuando la métrica deja de ser una herramienta de comprensión y se convierte en una herramienta de legitimación. Ya no usamos el número para aprender. Lo usamos para ganar una discusión. Ya no usamos el dashboard para abrir preguntas. Lo usamos para cerrarlas. Ya no usamos el modelo para explorar escenarios. Lo usamos para justificar una decisión ya tomada.
La responsabilidad del Liderazgo: Tensionar los números
En dirección general, el reto no es desconfiar de los números. Sería absurdo. Una empresa que no mide acaba gestionando por intuición, ruido o jerarquía. El reto es desconfiar de las interpretaciones demasiado cómodas de los números. Especialmente cuando todos los indicadores parecen confirmar exactamente lo que queríamos oír. Un buen comité de dirección no debería limitarse a revisar KPIs. Debería tensionarlos:
- ¿Qué estamos midiendo realmente?
- ¿Qué realidad queda fuera del indicador?
- ¿Qué comportamiento estamos incentivando?
- ¿Qué número contradice esta narrativa?
- ¿Qué pasaría si miráramos el mismo dato desde caja, cliente, equipo y operación?
- ¿Qué parte del resultado es estructural y qué parte es coyuntural?
- ¿Qué estamos llamando eficiencia cuando quizá es descapitalización organizativa?
- ¿Qué estamos llamando crecimiento cuando quizá es inflación de ingresos sin calidad económica?
Estas preguntas son incómodas, pero necesarias. Porque los números pueden dar claridad, pero también pueden dar cobertura. Pueden ayudar a tomar mejores decisiones, pero también pueden proteger malas decisiones. Pueden revelar la realidad, pero también pueden maquillarla. La diferencia está en la calidad del liderazgo que los interpreta.
Conclusión: Madurez organizativa frente al dato
En este sentido, el mathwashing no es solo un problema técnico. Es un problema de gobierno. Tiene que ver con cómo se construyen los indicadores, quién los valida, cómo se explican, qué incentivos generan y qué nivel de contradicción se permite dentro de la organización. Una empresa madura no es la que tiene más métricas. Es la que sabe qué métricas importan, qué límites tienen y qué preguntas deben provocar. Una empresa madura:
- No confunde reporting con control.
- No confunde precisión con verdad.
- No confunde EBITDA con salud financiera.
- No confunde crecimiento con creación de valor.
- No confunde algoritmo con neutralidad.
- No confunde dashboard con dirección.
La matemática es una herramienta formidable. Pero no sustituye al criterio de evaluar y tomar las decisiones más allá de los propias métricas. La contabilidad es un lenguaje imprescindible. Pero, como todo lenguaje, puede usarse para describir, para simplificar o para persuadir. Los KPIs son necesarios. Pero un KPI aislado puede convertirse en una coartada.
Por eso, quizá la pregunta más importante que debería hacerse un CEO ante cualquier número relevante no es «¿cuál es el dato?», sino: ¿Qué historia estamos intentando contar con este dato? Y, sobre todo: ¿Qué historia no queremos ver? Porque ahí, muchas veces, empieza la verdadera gestión.
Referencias bibliográficas y conceptuales
- O’Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown.
- Goodhart, C. A. E. (1975). Problems of Monetary Management: The U.K. Experience. Papers in Monetary Economics.
- Healy, P. M., & Wahlen, J. M. (1999). A Review of the Earnings Management Literature and Its Implications for Standard Setting. Accounting Horizons.
- Stinson, C. (2022). Algorithms are not neutral: Bias in collaborative filtering. AI & Society.
- Seife, C. (2010). Proofiness: How You’re Being Fooled by the Numbers. Viking.
¿Quieres conocer el verdadero estado de tu empresa? Puedes solicitar nuestro Diagnóstico360° gratuito