Residuos conductuales como huella de nuestra personalidad
Dentro del ámbito de la psicología computacional y la economía del comportamiento, Sandra Matz plantea en Mindmasters su tesis de que las acciones cotidianas que dejamos registradas digitalmente constituyen residuos conductuales capaces de revelar patrones profundos de nuestra personalidad que son utilizados para la predicción algorítmica de comportamientos.
Los residuos conductuales (“behavioral residues”), concepto adaptado de la psicología ambiental y desarrollado inicialmente por Sam Gosling, hacen referencia a aquellas huellas que una persona deja en su entorno sin intención comunicativa directa. En el mundo físico, se manifiestan en objetos, configuraciones espaciales o desórdenes que expresan rasgos de personalidad sin que el sujeto los produzca de manera consciente. En el entorno digital, estos residuos se traducen en historiales de búsqueda, patrones de movilidad geolocalizada, tiempos de conexión, secuencias de clics, usos de apps o decisiones de compra. Su valor reside en su espontaneidad, frecuencia y continuidad temporal.
A diferencia de los actos performativos o las declaraciones de identidad (como una publicación en redes sociales), los residuos conductuales carecen de voluntad expresiva. Este carácter involuntario los convierte en fuentes especialmente valiosas para los modelos algorítmicos, al estar menos contaminados por la deseabilidad social, la autocensura o las narrativas identitarias. El sujeto no busca representar una versión de sí mismo ante una audiencia, sino que actúa con funcionalidad práctica: busca, compra, camina, se desplaza, cancela, pospone, reitera. Esa conducta acumulada deviene material bruto para el análisis psicométrico automatizado.
La relevancia de estos residuos conductuales es doble. Por un lado, permiten construir perfiles psicológicos precisos en dimensiones como extroversión, apertura a la experiencia, neuroticismo, escrupulosidad o amabilidad. Por otro, son predictivos de estados mentales transitorios o emergentes: fatiga emocional, burnout, tendencia a la procrastinación, riesgo de recaída depresiva, entre otros. Su poder reside en la densidad longitudinal de los datos y en la posibilidad de detectar patrones microtemporales que resultan invisibles a la introspección o la entrevista clínica.
Un caso paradigmático citado por Matz es el del proyecto Made to Measure, donde a partir del historial de Google de una usuaria se reconstruyó su historia vital con un grado de exactitud emocional que sorprendía incluso a la propia protagonista. Experimento que ilustra el potencial narrativo y analítico de los residuos digitales: permiten generar retratos psicológicos no sólo precisos, sino también contextualmente ricos. Desde la perspectiva de las aplicaciones, los residuos conductuales abren una nueva frontera para la intervención personalizada. Empresas, instituciones sanitarias y educativas pueden emplearlos para detectar vulnerabilidades, optimizar experiencias de usuario, prevenir crisis o personalizar servicios. No obstante, este potencial implica responsabilidades éticas trascendentales. La explotación de estos residuos sin consentimiento informado o sin garantías algorítmo-éticas puede traducirse en formas sutiles de vigilancia y transformación conductual, discriminación o manipulación comercial, social y política.
Matz propone la analogía entre los espacios físicos habitados por una persona (su dormitorio, su escritorio, su entorno vital) y los espacios digitales que transita cotidianamente (navegación web, historial de compras, uso de apps, geolocalización, etc.). Este paralelismo lo adapta como base epistemológica para la construcción de perfiles psicológicos de alta resolución a partir de datos conductuales. Basándose en las investigaciones del psicólogo Sam Gosling (2008), Matz retoma la idea de que es posible deducir rasgos de personalidad observando los espacios que una persona habita. Estos espacios están cargados de señales, que Gosling clasifica en tres tipos. Su metodología, desarrollada en estudios empíricos con observadores entrenados y evaluaciones psicológicas estandarizadas, demuestra que terceros pueden inferir con notable precisión rasgos de personalidad a partir de simples inspecciones visuales de entornos personales como dormitorios u oficinas. Esta estrategia combina observación estructurada y correlación estadística entre señales ambientales y dimensiones de personalidad como las del modelo Big Five, un marco ampliamente validado en psicología de la personalidad que describe cinco grandes dimensiones en las que las personas difieren de forma consistente:
- Apertura a la experiencia (Openness): refleja el grado de curiosidad intelectual, creatividad y preferencia por la novedad y la variedad. Las personas con alta apertura tienden a ser imaginativas, artísticas y receptivas a nuevas ideas, mientras que las de baja apertura suelen ser más convencionales y conservadoras en sus intereses.
- Responsabilidad (Conscientiousness): indica el nivel de autodisciplina, organización y orientación a metas. Las personas con puntuaciones altas son meticulosas, puntuales y planificadas, mientras que las bajas tienden a ser más espontáneas, desorganizadas o propensas a la procrastinación.
- Extraversión (Extraversion): mide la inclinación a buscar estimulación en compañía de otros. Los individuos extravertidos son sociables, enérgicos y asertivos; los introvertidos, por el contrario, tienden a preferir la reflexión, la calma y las actividades solitarias.
- Amabilidad (Agreeableness): representa la tendencia a ser compasivo y cooperativo frente a los demás. Las personas con alta amabilidad suelen ser confiadas, altruistas y empáticas; las que puntúan bajo pueden ser más críticas, competitivas o desconfiadas.
- Neuroticismo (Neuroticism): se refiere a la estabilidad emocional y al control frente al estrés. Quienes puntúan alto son más propensos a experimentar ansiedad, tristeza o irritabilidad, mientras que los de baja puntuación son emocionalmente estables, resilientes y seguros de sí mismos.
Las dimensiones identificadas por Gosling permiten construir perfiles estandarizados comparables entre individuos y contextos, y han demostrado una gran utilidad en la predicción de comportamientos tanto en entornos físicos como digitales:
- Señales intencionales de autodefinición (identity claims): posters, libros, objetos decorativos que comunican cómo el individuo quiere ser percibido.
- Residuos conductuales (behavioral residue): desórdenes, objetos fuera de lugar, patrones de uso que revelan hábitos no intencionados.
- Señales evocadas por el entorno (thought and feeling regulators): disposiciones espaciales que ayudan al individuo a regular su estado emocional o cognitivo.
Estas categorías permiten trazar mapas de personalidad a partir del entorno observable, sin necesidad de autoinformes. Por ejemplo, un espacio ordenado y minimalista se asocia típicamente con alta responsabilidad (conscientiousness), mientras que un entorno visualmente saturado y ecléctico puede vincularse con alta apertura a la experiencia (openness).
Matz extiende esta lógica a los entornos digitales contemporáneos. En lugar de observar habitaciones físicas, el analista de datos observa «habitaciones virtuales»: patrones de clics, tiempo de permanencia en ciertas apps, trayectorias de desplazamiento, historial de reproducción de contenidos, tipo de interacciones en redes sociales, etc. La clave está en que estas acciones dejan un rastro digital continuo, aunque es importante considerar que dicho rastro puede estar contaminado por ‘ruido’ procedente de acciones automáticas, errores de registro o ambigüedad contextual. Además, los modelos de inferencia pueden incorporar sesgos sistemáticos derivados de datos de entrenamiento no representativos o de la sobreinterpretación de correlaciones espurias, no siempre intencionado, que permite inferir rasgos de personalidad y estados psicológicos con un grado de precisión superior al que podría alcanzar un observador humano.
Por ejemplo:
- Usuarios con patrones de consumo fragmentados y compras impulsivas pueden reflejar menor autocontrol y mayor neuroticismo.
- Altas tasas de interacción con contenido estético, artístico o filosófico correlacionan con alta apertura a la experiencia.
- Geolocalizaciones repetitivas con baja variabilidad espacial pueden asociarse con sintomatología depresiva o ansiedad social.
El valor operativo de esta analogía reside en su capacidad para escalar el proceso de inferencia psicológica. Mientras que un psicólogo puede tardar horas en construir un perfil basado en entrevistas o test estándares, un algoritmo bien entrenado puede generar perfiles psicológicos en tiempo real a partir de grandes volúmenes de residuos digitales. Esta arquitectura inferencial ha demostrado su eficacia en diversos campos, aunque no está exenta de limitaciones prácticas y éticas. Entre ellas destacan la opacidad algorítmica, el riesgo de reidentificación de usuarios aparentemente anónimos, y la posibilidad de tomar decisiones automatizadas sin supervisión humana, lo que puede conducir a errores o injusticias si los datos están sesgados o incompletos:
- Marketing personalizado: segmentación basada en rasgos psicológicos predictivos del comportamiento de compra.
- Detección precoz de trastornos: modelos de riesgo basados en patrones de lenguaje o movilidad.
- Recursos humanos: ajuste persona-puesto mediante análisis de patrones conductuales previos.
La convergencia entre los datos de entornos físicos y digitales sugiere la necesidad de una teoría más amplia: una ecología de la personalidad que integre las huellas que el sujeto deja en todos los contextos, desde el más íntimo al más público, desde el ámbito material hasta el virtual. Esta ecología no pretende reemplazar la introspección o el juicio clínico, sino complementarlos con una capa empírica basada en datos masivos, continua y altamente contextualizada.
3 grandes fuentes de residuos digitales
- Búsquedas en Google o la cartografía cognitiva del yo
Las búsquedas que las personas realizan en Google operan como ventanas directas al contenido cognitivo interno. A diferencia de las declaraciones públicas o los perfiles sociales, las búsquedas no pretenden aprobación ni validación: son espontáneas, privadas y, en muchos casos, emocionalmente cargadas. Esto convierte al buscador en un espacio de autorrevelación involuntaria. Matz cita investigaciones como las de Seth Stephens-Davidowitz que han demostrado cómo los patrones de búsqueda permiten identificar ansiedad, soledad, sesgos raciales, tendencias suicidas, conflictos de pareja, orientación sexual no declarada y síntomas de salud mental. En términos predictivos, el historial de búsquedas representa una forma de confidencia distribuida: una narrativa conductual que, leída algorítmicamente, permite reconstruir perfiles de necesidad, valores, temores e intereses con una granularidad impensable hace una década. Desde el punto de vista organizacional, esta fuente de datos puede ser utilizada para anticipar tendencias sociales, identificar zonas de riesgo psicosocial o afinar estrategias de intervención segmentada.
- Historial de gasto o las decisiones económicas como arquitectura motivacional
El patrón de gasto es una expresión encarnada del sistema de prioridades, nivel de autocontrol, estrategias de gratificación y orientación temporal del individuo. A través del análisis longitudinal de datos financieros cotidianos—no sólo de grandes inversiones sino de microdecisiones repetidas—es posible inferir con precisión rasgos del modelo Big Five, especialmente responsabilidad (conscientiousness), apertura (openness) y neuroticismo. El valor diagnóstico del historial de gasto radica en su baja reflexividad. Pocas personas examinan la totalidad de sus gastos con una perspectiva psicológica. Sin embargo, un algoritmo entrenado en correlaciones psicométricas puede identificar patrones de consumo que apuntan a compulsividad, búsqueda de validación social, evitación emocional o necesidad de afiliación. Esta dimensión es especialmente relevante para sectores como el financiero, el asegurador o el retail predictivo.
- Sensores en el smartphone y en IoT: cuerpo, espacio y psicometría ambiental
Los teléfonos inteligentes son, en palabras de Matz, «terminales psicométricos portátiles». Almacenan datos introducidos activamente y capturan pasivamente información ambiental y conductual a través de sus sensores: acelerómetro, giroscopio, GPS, micrófono, bluetooth, sensor de luz y proximidad, entre otros. Esta infraestructura convierte al smartphone en un observador continuo de las rutinas del sujeto. El análisis de estos datos permite inferir movilidad, calidad del sueño, aislamiento social, estrés percibido o presencia de síntomas depresivos. Por ejemplo, trayectorias geográficas altamente repetitivas y de baja variabilidad se correlacionan con estados de depresión o retraimiento social. El cruce de señales (como niveles de actividad física, exposición a luz solar, silencio ambiental y duración de interacciones) permite construir modelos probabilísticos del estado afectivo con valor clínico, preventivo y organizativo.
Estas tres fuentes configuran un paradigma de inteligencia psicológica distribuida en el que los datos comportamentales ya no necesitan ser captados en entornos clínicos ni mediante entrevistas, sino que emergen de la vida cotidiana digitalizada. La potencia de este modelo no reside únicamente en su capacidad de observación, sino en su replicabilidad, automatización y escalabilidad. Ahora bien, este potencial exige una arquitectura robusta de gobernanza algorítmica. La psicología computacional no puede convertirse en una herramienta de vigilancia invisible o manipulación conductual masiva. Debe construirse bajo principios de equidad epistémica, consentimiento informado y derecho a la opacidad. La promesa de la inferencia digital sólo se cumplirá si se respeta la dignidad informacional del individuo y se garantiza que los datos que lo describen no terminen por definirlo sin su participación activa.
Poder predictivo de la IA sobre la psicología individual
Hacemos un mayor hincapié ahora en la capacidad de los sistemas de inteligencia artificial para predecir, con precisión, rasgos de personalidad, estados emocionales y comportamientos futuros de los individuos a partir de rastros digitales de baja intencionalidad. Esta capacidad representa una mejora técnica en la recolección de datos psicológicos y supone una ruptura epistemológica con los métodos clásicos de evaluación de la personalidad, y una transformación radical en las formas de conocer y gestionar el comportamiento humano.
Tradicionalmente, la psicología de la personalidad ha dependido de autoinformes, entrevistas estructuradas o tests estandarizados aplicados en entornos controlados. Se trata de instrumentos que, si bien validados empíricamente, presentan límites considerables: deseabilidad social, sesgo introspectivo, falta de aplicabilidad en contextos dinámicos y elevada carga logística. Frente a ello, los modelos de IA entrenados con grandes volúmenes de datos conductuales —algoritmos de regresión logística, redes neuronales profundas o modelos de bosques aleatorios— permiten generar predicciones precisas a partir de interacciones cotidianas como “me gusta” en redes sociales, búsquedas web, clics, historial de geolocalización o patrones de escritura.
El estudio seminal de Youyou, Kosinski y Stillwell (2015), citado por Matz, ilustra esta disrupción. Al comparar la capacidad predictiva de un modelo de machine learning entrenado con likes de Facebook frente al juicio de personas cercanas (familia, pareja, amigos), los resultados mostraron que el algoritmo necesitaba apenas 300 likes para superar la precisión de la propia pareja del sujeto en la evaluación de su personalidad Big Five. Este hallazgo, replicado en diversos contextos y plataformas, confirma que los datos digitales contienen más información sobre el individuo que su red social íntima.
La IA predice con precisión y lo hace de forma replicable, escalable y sin fatiga cognitiva. Frente a la intuición humana, limitada por el sesgo de disponibilidad y la distorsión emocional, los modelos algorítmicos integran cientos de variables simultáneamente y detectan patrones invisibles para el observador. Esto supone un nuevo umbral de conocimiento interpersonal: ya se está aplicando activamente en contextos organizacionales como la selección algorítmica de personal en recursos humanos, la evaluación de riesgo crediticio en fintechs, o la detección de vulnerabilidades psicoemocionales en plataformas de bienestar digital. En el ámbito social, se ha incorporado en sistemas de justicia predictiva, análisis electoral y vigilancia epidemiológica digital. no basado en la convivencia o el diálogo, sino en la interpretación masiva de datos aparentemente triviales. Este tipo de conocimiento algorítmico posee una estructura probabilística, no causal. Su valor no radica en explicar el porqué, sino en anticipar el qué. No nos dice por qué alguien comprará compulsivamente mañana, pero predice con un 87 % de probabilidad que lo hará si hoy ha mostrado ciertos patrones de navegación, ha dormido menos de seis horas y ha evitado interacciones sociales en plataformas digitales.
Estas capacidades de inferencia psicológica de la IA han sido rápidamente incorporadas por sectores orientados a la personalización conductual. En marketing digital, permiten adaptar mensajes persuasivos al estilo cognitivo del usuario: desde el diseño de anuncios para extravertidos (colores vivos, urgencia temporal) hasta la presentación de productos a personas con alta apertura (lenguaje abstracto, estética minimalista). En salud, se exploran modelos para detectar signos tempranos de trastornos mentales a partir de patrones lingüísticos o de movilidad. En educación, se analiza cómo ajustar metodologías pedagógicas al perfil motivacional del estudiante sin necesidad de tests explícitos. Estas tecnologías permiten mayor eficacia predictiva y menor fricción cognitiva, entendida como la reducción del esfuerzo mental necesario por parte del usuario para ser comprendido, clasificado o asistido por el sistema para el usuario. Sin embargo, esta eficiencia tiene un coste cognitivo y ético. La externalización del conocimiento psicológico en infraestructuras algorítmicas puede erosionar la agencia individual, promover formas de control comportamental y profundizar asimetrías entre quienes poseen modelos de inferencia y quienes son modelados por ellos.
Las organizaciones deben comprender que la IA, más allá de limitarse a automatizar procesos, redefine la forma en que se conoce al sujeto. El conocimiento predictivo generado algorítmicamente ya no depende de la introspección ni del relato, depende del análisis de rastros, lo que implica una transformación en áreas como recursos humanos, experiencia de cliente, políticas públicas o salud mental. Para operar con esta tecnología de forma legítima y sostenible, por ejemplo, una organización de salud mental digital podría implementar un sistema de trazabilidad de decisiones algorítmicas que permita al usuario conocer qué variables influyeron en la asignación de un nivel de riesgo emocional y solicitar revisión humana de dicha evaluación en caso de desacuerdo. las organizaciones deben desarrollar marcos de gobernanza algorítmica que incorporen principios de transparencia, auditabilidad, explicabilidad y equidad. La IA psicológica no puede funcionar como una caja negra que decide sobre perfiles, accesos o riesgos sin el conocimiento ni el consentimiento del afectado.
Datos como piezas de un puzle psicológico
Matz desarrolla idea de que cada fragmento de dato digital funciona como una pieza de un puzle psicológico. Aislados, estos datos parecen triviales. Pero cuando se integran mediante arquitecturas de inteligencia artificial, configuran representaciones coherentes, dinámicas y altamente personalizadas de la vida interior de una persona. Esta metáfora plantea un giro radical respecto a la noción tradicional de autoconocimiento, al trasladar la producción de sentido desde la introspección hacia la agregación algorítmica.
Los datos digitales generados por un individuo (clickstreams, búsquedas, desplazamientos, interacciones, duración de visualizaciones, lenguaje escrito, etc.) constituyen trazos conductuales discontinuos. No obstante, los modelos de inteligencia artificial, especialmente aquellos basados en aprendizaje supervisado y redes neuronales, son capaces de detectar correlaciones latentes entre estos fragmentos. Al identificar patrones estadísticos repetidos en secuencias temporales o contextuales, logran ensamblar inferencias fiables incluso cuando los datos individuales carecen de coherencia aparente. Ninguno de ellos, por separado, permite una inferencia sólida. Sin embargo, al combinarse bajo patrones recurrentes y correlacionales, revelan dimensiones psicológicas de notable profundidad. Matz subraya que el valor informativo de un dato no reside en su singularidad, sino en su conexión funcional con otros. Así, una búsqueda sobre “cómo superar la ansiedad” adquiere sentido analítico cuando se vincula a un patrón de sueño irregular detectado por sensores, un descenso en la interacción social y una variación léxica hacia expresiones emocionalmente negativas. Esta lógica de ensamblaje transforma la inferencia psicológica en una suerte de proceso arquitectónico. El algoritmo actúa como un ensamblador que no busca la verdad única, como ya se ha señalado, sino configuraciones de alta probabilidad contextual. No se trata de identificar esencias psicológicas, sino de reconstruir el mapa de patrones que permiten anticipar, adaptar o intervenir. En este modelo, el self ya no es un núcleo introspectivo sino una constelación de trazas inteligibles. Una plataforma para el bienestar emocional puede adaptar dinámicamente sus recomendaciones de contenido o ejercicios de mindfulness según patrones detectados en la navegación, el historial de sueño y la semántica del lenguaje usado por el usuario en sus interacciones. Esta constelación no requiere que el sujeto verbalice su estado emocional: basta con observar cómo se comporta y en qué contexto lo hace.
Desde esta perspectiva, la identidad psicológica deja de estar centrada en el relato subjetivo o en los tests estandarizados. Se convierte en una construcción distribuida, observable a través de huellas dejadas en múltiples plataformas, dispositivos y entornos. Esta identidad digital distribuida es más estable, observable y útil para la predicción de comportamiento que el autoconcepto verbalizado, aunque conviene matizar que estos modelos pueden tener dificultades para captar dimensiones subjetivas profundas, como dilemas morales, valores personales o conflictos internos no expresados conductualmente. En lugar de preguntarse quién soy, el sistema responde: “esto es lo que haces, cómo lo haces, cuándo lo haces y en qué contexto lo haces”.
Este desplazamiento tiene implicaciones estructurales en las formas de gestionar personas, diseñar experiencias y construir intervenciones. Empresas de tecnología conductual, plataformas de salud, servicios de inteligencia emocional o agencias de experiencia de cliente utilizan estos sistemas para generar perfiles que se actualizan dinámicamente, sin necesidad de contacto directo con el usuario. El valor ya no está en lo que el individuo declara, sino en lo que el sistema infiere de sus acciones acumuladas. A diferencia de los enfoques tradicionales que buscan perfilar al individuo en función de tipologías fijas, los sistemas contemporáneos trabajan sobre modelos de ensamblaje dinámico. Cada dato recibido (por ejemplo, un cambio en el patrón de uso del smartphone o una interacción inesperada en una red social) reconfigura el puzle. La imagen psicológica ya no es un retrato congelado, sino una representación viva que responde en tiempo real a la evolución del comportamiento del sujeto. La arquitectura algorítmica se asemeja más a un sistema meteorológico que a una ficha clínica: lo que interesa no es solo el estado actual, sino la probabilidad de transición entre estados, calculada mediante modelos secuenciales como redes neuronales recurrentes (RNN) o algoritmos de series temporales, alimentados por datos de comportamiento en tiempo real como actividad física, ritmo de uso de apps o variaciones lingüísticas en las interacciones digitales. Así, se prioriza la predicción de dinámicas (por ejemplo, riesgo de burnout o transición hacia estados depresivos) frente a la clasificación estática.
Del puzle al gemelo psicológico
La integración progresiva de fuentes de datos, modelos de aprendizaje profundo y procesamiento contextual abre la puerta a la creación de gemelos psicológicos digitales: representaciones computacionales capaces de simular reacciones, anticipar decisiones o diseñar experiencias hiperpersonalizadas. Estos modelos permiten entender al individuo, y proyectar su comportamiento bajo escenarios futuros. Empresas punteras ya exploran el uso de estos gemelos para testing de productos, predicción de abandono laboral, o personalización de terapias cognitivo-conductuales digitales. El paso del puzle al gemelo implica un aumento exponencial de la capacidad predictiva, pero también una escalada en los riesgos asociados: manipulación conductual, erosión de la privacidad, delegación de decisiones sensibles. Ante este horizonte, Matz advierte que es imprescindible articular marcos éticos de ensamblaje: ¿Quién controla el puzle? ¿Con qué fines se ensambla? ¿Cómo se garantiza el derecho a desensamblarse?
Apuntes extraídos de Matz, Sandra. Mindmasters: The Data-Driven Science of Predicting and Understanding Human Behavior. New York: Portfolio/Penguin, 2024.
