Fundamentos
Capitalismo de vigilancia: qué es y cómo funciona
7 min de lectura1.440 palabras
Compartir
En este artículo · 6 secciones
El capitalismo de vigilancia describe una lógica económica que transforma datos de conducta en predicciones y oportunidades de influencia. Entenderla exige distinguir observación, inferencia, personalización y coerción.
Una aplicación recomienda una canción justo cuando parecía que no quedaba nada nuevo por escuchar. Una tienda recuerda un producto consultado días atrás. Una red social reorganiza el contenido según las pausas, los clics y las interacciones de cada usuario. Estas experiencias pueden resultar cómodas, pero también revelan una transformación económica: muchas empresas ya no solo prestan un servicio, sino que aprenden de la conducta de quienes lo usan.
El capitalismo de vigilancia es un marco crítico para interpretar esa transformación. La académica Shoshana Zuboff empleó el concepto para describir una lógica de acumulación basada en extraer datos de la experiencia humana, procesarlos para predecir comportamientos y monetizar los resultados. Su formulación académica apareció en 2015 y alcanzó difusión internacional con su libro de 2019.
No es, sin embargo, una categoría neutral ni una descripción aceptada sin discusión. Es una tesis sobre cómo funciona parte de la economía digital y sobre el poder que puede surgir de ella. Conviene entender primero el mecanismo verificable y evaluar después el alcance de la crítica.
Idea clave: El capitalismo de vigilancia no significa simplemente que una empresa tenga datos. Describe una lógica económica en la que observar, inferir y predecir conductas se vuelve una fuente sistemática de valor y poder.
De una señal a una predicción
El proceso comienza con señales que pueden tener orígenes distintos. Las guías del Comité Europeo de Protección de Datos distinguen entre datos proporcionados, observados e inferidos.
Una persona proporciona su edad al crear una cuenta. La plataforma observa que hizo clic en varios anuncios de bicicletas. Después, un sistema puede inferir que tiene interés en el ciclismo urbano. Esa última categoría no es un hecho declarado por el usuario: es una conclusión probabilística obtenida al relacionar datos.
El perfilado automatizado organiza esas señales para evaluar o predecir aspectos como intereses, preferencias, conducta o ubicación. No implica que el sistema conozca íntimamente a una persona ni que acierte siempre. Construye categorías y probabilidades que pueden servir para ordenar contenido, seleccionar una oferta, calcular un riesgo o decidir qué anuncio mostrar.
En la terminología de Zuboff, el excedente conductual comprende datos captados más allá de lo necesario para prestar o mejorar el servicio. Esos datos alimentan procesos que producen estimaciones sobre acciones futuras. La secuencia básica puede resumirse así: señales de conducta, inferencias, perfiles, predicciones y uso comercial.
La monetización tampoco exige que una empresa venda una base de datos al anunciante. Puede vender acceso a una audiencia segmentada: el anunciante elige ciertas características y la plataforma decide a quién mostrar el mensaje. También puede usar sus predicciones para mejorar recomendaciones, mantener la atención o facilitar transacciones dentro de su propio ecosistema.
Lo que el concepto incluye —y lo que no
Llamar “capitalismo de vigilancia” a toda actividad digital diluye el concepto. Varias distinciones ayudan a conservar su utilidad.
Personalización no equivale por sí sola a vigilancia. Un servicio puede adaptar una función con información limitada, almacenada localmente o entregada de manera consciente. La crítica se vuelve más pertinente cuando la recolección es extensa, opaca y orientada a predecir o modificar conductas con fines económicos.
Publicidad conductual no es sinónimo del modelo completo. Es una de sus aplicaciones más visibles: anuncios elegidos según actividad previa o perfiles inferidos. Pero Zuboff propone una tesis más amplia sobre acumulación, conocimiento y poder.
Influencia no es coerción. Ordenar opciones, destacar un mensaje o explotar un momento de vulnerabilidad puede orientar una decisión. Eso no equivale a eliminar la capacidad de elegir. Las predicciones modifican probabilidades; no controlan de manera determinista a las personas.
Vigilancia comercial y vigilancia estatal son distintas. Las empresas suelen buscar ingresos, retención o ventajas competitivas; el Estado posee facultades legales y coercitivas que un actor privado no tiene. Ambas formas pueden compartir tecnologías o intercambiar información, pero confundirlas impide evaluar sus riesgos específicos.
Distinción útil: Que una recomendación sea acertada no demuestra manipulación. La pregunta relevante es qué datos la hicieron posible, qué se infirió, con qué transparencia y qué capacidad real tuvo la persona para aceptar o rechazar el proceso.
Ejemplos cotidianos del mecanismo
Un píxel incorporado en una página puede registrar que un navegador visitó cierto producto. Un kit de desarrollo integrado en una aplicación puede comunicar eventos de uso. Combinadas con actividad dentro de una plataforma, esas señales permiten formar segmentos como “personas probablemente interesadas en viajar” o “usuarios con intención de compra”.
Estos ejemplos muestran por qué conviene separar datos observados de datos inferidos. La visita a una página ocurrió; la intención de compra es una interpretación. Si el perfil se usa para decidir qué mensaje recibe alguien, una inferencia incierta empieza a influir en su entorno informativo.
La escala y el contexto importan. Recordar el idioma preferido no plantea el mismo problema que seguir actividad entre servicios para deducir rasgos sensibles. Tampoco son iguales una opción activada voluntariamente y un sistema difícil de detectar o abandonar.
Privacidad, autonomía y poder
La primera preocupación es la privacidad, entendida no solo como secreto, sino como capacidad de decidir quién conoce qué aspectos de la vida propia y para qué los utiliza. Un formulario visible permite evaluar qué se entrega. El perfilado opaco complica esa evaluación porque una persona puede desconocer tanto las señales recogidas como las conclusiones derivadas de ellas.
Esto produce una asimetría informativa: la organización conoce mucho sobre los patrones agregados de sus usuarios, mientras cada usuario sabe poco sobre los modelos que lo clasifican. La desigualdad de conocimiento puede convertirse en desigualdad de poder cuando afecta precios, oportunidades, información disponible o condiciones de acceso.
También está en juego la autonomía personal. Elegir libremente no exige vivir sin influencias; toda sociedad contiene persuasión, reputación y publicidad. El problema aparece cuando la influencia es difícil de reconocer, se apoya en vulnerabilidades inferidas o no ofrece una salida practicable.
Desde una perspectiva liberal, la respuesta no consiste en suponer que el usuario es incapaz de decidir ni en otorgar al Estado acceso ilimitado a los mismos instrumentos. Consiste en proteger espacios de elección mediante reglas generales: transparencia, consentimiento significativo, responsabilidad por abusos y límites claros tanto al poder privado como al público.
Criterio liberal: La libertad de contratar pierde sustancia cuando una parte no puede conocer razonablemente qué acepta. A la vez, proteger la privacidad no debe convertirse en una justificación para ampliar la vigilancia estatal.
Una tesis influyente, no un veredicto cerrado
La teoría de Zuboff ha dado un vocabulario potente a prácticas reales de rastreo, perfilado y segmentación. Pero algunas de sus conclusiones más amplias siguen en debate. Un mapa sistemático publicado en 2024 encontró un campo dominado por estudios conceptuales y una base empírica todavía limitada. Hay evidencia firme de que se recopilan señales y se elaboran perfiles; es más difícil demostrar cuánto determina una intervención concreta la conducta individual o el resultado social.
También existen beneficios que una crítica completa debe reconocer. La publicidad financia servicios de acceso gratuito o barato, y la personalización puede ahorrar tiempo y mostrar información pertinente. Reconocer esos beneficios no resuelve los problemas de opacidad o consentimiento. Sí evita presentar a los usuarios como sujetos enteramente pasivos y toda recomendación como una forma de dominación.
La competencia puede ofrecer alternativas con menos rastreo o modelos de suscripción. Sin embargo, no siempre corrige prácticas que el consumidor no puede observar ni comparar. Cambiar de servicio tampoco es sencillo cuando pesan los contactos acumulados, los formatos incompatibles o la falta de opciones equivalentes.
Cómo evaluar una práctica concreta
Más que decidir si toda la economía digital cabe bajo una sola etiqueta, conviene formular preguntas precisas: ¿qué datos son necesarios para prestar el servicio y cuáles se recogen además?, ¿qué inferencias se producen?, ¿puede la persona comprender y rechazar el tratamiento?, ¿se limita el uso a la finalidad anunciada?, ¿hay alternativas reales?, ¿quién responde si un perfil causa daño?
Estas preguntas permiten distinguir una personalización útil de una extracción desproporcionada, y una oferta persuasiva de una práctica engañosa. También orientan instituciones que protejan el derecho a la privacidad sin prohibir la innovación ni concentrar todavía más información en manos del Estado.
El aporte duradero del concepto de capitalismo de vigilancia es hacer visible que los datos no son solo un recurso técnico. Su recolección organiza relaciones de conocimiento y poder. Una sociedad libre necesita mercados capaces de innovar, pero también personas capaces de entender, elegir y poner límites. El desafío no es eliminar toda predicción: es impedir que la comodidad digital convierta la autonomía en una condición que nadie puede verificar ni negociar.