GOOGLE MAPS
El algoritmo que elijo es el sistema de navegación y predicción de tráfico de Google Maps, que uso casi a diario para moverme por la ciudad, ya sea en transporte público, a pie o en carro. Lo escojo porque es una de las pocas tecnologías algorítmicas que me dice, literalmente, qué camino tomar: su recomendación se traduce en decisiones físicas, no solo en contenido que miro en una pantalla.
2. Cómo funciona (desde mi perspectiva de usuaria) Como usuaria, la interacción es simple: escribo un destino y la aplicación me ofrece varias rutas, cada una con un tiempo estimado de llegada (ETA), y marca una como la “más rápida”. Mientras avanzo, el mapa se pinta de verde, naranja o rojo, y a veces me avisa: “hay una ruta más rápida”, con el ahorro de minutos y un botón para aceptar el cambio. Lo que no veo es la infraestructura detrás. Según DeepMind y Google (2020), el sistema divide la red vial en “supersegmentos” (tramos de calles adyacentes con tráfico compartido) y usa una red neuronal de grafos que combina el tráfico en vivo con patrones históricos para predecir cuánto tardará un trayecto, incluso 10, 20 o 50 minutos hacia adelante. Esas predicciones, junto con las rutas candidatas, se usan para ordenar las opciones por ETA. Los datos de entrada vienen, en buena parte, de los celulares de otros usuarios (datos de ubicación anonimizados): mi propio teléfono es a la vez cliente y sensor del sistema.
3. Objetivo: qué predice y cómo está optimizado • Qué predice: el tiempo de viaje futuro de un recorrido (ETA) y, a partir de ahí, qué ruta tendrá menor tiempo. • Cómo está optimizado: para minimizar el error de la estimación del tiempo de llegada, y para ordenar rutas según su duración. Google reporta que sus predicciones eran precisas en más del 97 % de los viajes y que, con redes neuronales de grafos, mejoró la exactitud hasta en 50 % en ciudades como Sídney o Tokio. • Qué NO está optimizado (y es lo importante): la métrica es el tiempo, no la seguridad, la comodidad, el costo, el impacto en los barrios por donde pasa el tráfico ni mi gusto por ciertos lugares. Esa decisión de diseño es un criterio cultural y comercial, no un hecho natural.
4. Doble materialidad (Sued, 2022) Sued (2022) plantea que los algoritmos tienen una doble materialidad: una digital (rutinas, código, estructuras de datos, infraestructura) y una cultural (lo que hacen en la vida social y cómo los usuarios les damos sentido y los incorporamos a nuestras prácticas). En Google Maps: • Materialidad digital: el grafo de la red vial, los supersegmentos, el modelo de aprendizaje automático, los servidores, los sensores de los celulares, los datos históricos de tráfico y los satélites/GPS. • Materialidad cultural: la idea de que “llegar rápido” es lo deseable; la confianza en que la aplicación “sabe más” que yo; mi rutina de revisar el mapa antes de salir; los conductores que desvían tráfico hacia calles residenciales; y la manera como la ciudad se re-ordena (comercios, restaurantes y barrios cobran visibilidad según lo que el mapa muestra o esconde).
5. Cómo influye en mis actividades Movilidad. Dejé de planear mis trayectos: confío en que la aplicación calculará por mí. Salgo a una hora, no a la que yo creo que conviene, sino a la que el ETA me indica. Cuando el mapa dice “23 min”, mi tiempo se organiza alrededor de ese número. Un caso crítico fue un viaje hacia Arbeláez, un municipio de Cundinamarca (provincia del Sumapaz, a unos 80 km al sur de Bogotá). Google Maps nos hizo entrar por una trocha en muy mal estado y, mientras tratábamos de salir, la ruta nos alejaba cada vez más. Llegó un punto en que no encontrábamos por dónde salir, y fue muy angustiante; al final tuvimos que cambiar a otra aplicación de navegación. Entendí que la ruta “óptima” para el algoritmo (probablemente la de menor tiempo estimado) no considera si la vía es transitable o segura, y que yo había delegado mi criterio en el mapa. No es un caso aislado: muchas otras veces me ha desviado o me ha hecho llegar tarde. Consumo y compras. Uso Maps para decidir dónde comer o comprar. Maps aprende los lugares que suelo frecuentar y los deja a un clic en mi lista, así que volver a ellos es muy fácil. También me recomienda lugares que “sabe” que me van a gustar, con su calificación y sus comentarios. Es cómodo, pero mis opciones se estrechan hacia lo que ya conozco o lo que otros calificaron bien: el algoritmo decide qué negocios existen para mí. Conocimiento de la ciudad. Navegar con el “punto azul” me hace menos atenta al entorno: sé llegar a sitios, pero no siempre sé dónde estoy ni cómo se conectan los barrios. Delegué parte de mi mapa mental. Actividad cotidiana y autonomía. Hay una especie de obediencia amable: acepto la ruta sugerida aun cuando sospecho que podría haber una mejor, porque contradecirla requiere un esfuerzo extra y un riesgo que prefiero no asumir.
6. Beneficios y limitaciones Beneficios • Ahorra tiempo y reduce la incertidumbre al desplazarme, sobre todo en ciudades que no conozco. • Incorpora información en tiempo real (accidentes, cierres, trancones) que yo no tendría. • Mejora la accesibilidad: ofrece rutas a pie, en bici y en transporte público, y la información sobre horarios. Limitaciones • Dependencia de los datos de otros: donde hay pocos usuarios, el sistema sabe menos. El artista Simon Weckert lo mostró en 2020 al arrastrar 99 teléfonos por una calle vacía de Berlín y generar un trancón “fantasma”: el algoritmo confunde la cantidad de celulares con la cantidad de carros. • Un solo criterio de éxito: minimizar tiempo puede llevar el tráfico a calles residenciales o inseguras, con costos para quienes viven allí. • Opacidad: no sé por qué me recomienda una ruta ni qué pesa más (distancia, tráfico, peajes, intereses comerciales). • Sesgo hacia lo comercial y lo visible: lo que aparece primero tiene ventaja; los negocios pequeños o informales pueden quedar invisibles. • Privacidad: mi movilidad cotidiana es una huella de datos valiosa, y el intercambio (“te doy una buena ruta, me das tu ubicación”) no es realmente negociable.
7. Si pudiera rediseñarlo 1. Más control sobre el criterio de optimización: poder elegir si quiero la ruta más rápida, la más segura, la más tranquila, la menos contaminante o la más iluminada de noche, y que esa elección sea fácil de ver y de cambiar. 2. Transparencia explicativa: una línea que diga por qué se sugiere un desvío (“hay un accidente en X”) y cuánto se basa en datos en vivo o históricos. 3. Cuidado del entorno urbano: que el sistema considere el impacto de enviar masivamente el tráfico por calles residenciales y escolares. 4. Menos centrado en lo comercial: visibilidad más equitativa para negocios pequeños, con indicadores claros de lo que es publicidad. 5. Privacidad por defecto: que el uso de mis datos de ubicación sea opcional y granular, sin degradar el servicio básico. 6. Fomentar la autonomía: modos que me ayuden a aprender la ciudad (por ejemplo, mostrar el mapa completo y puntos de referencia) en lugar de solo guiarme paso a paso.
8. Reflexión final Google Maps muestra bien lo que plantea Sued (2022): el algoritmo no es solo código, sino una práctica cultural que se produce entre la infraestructura digital y las personas que lo usamos. Yo “entreno” al algoritmo con mis trayectos, y él “me entrena” a mí a confiar en sus rutas, a medir el tiempo en minutos y a ver la ciudad como una red de caminos eficientes. Pensarlo críticamente no significa dejar de usarlo, sino recordar que cada ruta “óptima” responde a una definición particular de lo que es óptimo.
Referencias • Sued, G. E. (2022). Culturas algorítmicas: conceptos y métodos para su estudio social. Revista Mexicana de Ciencias Políticas y Sociales, 67(246), 43–73. https://doi.org/10.22201/fcpys.2448492xe.2022.246.78422 • Lange, O. y Perez, L. (2020, 3 de septiembre). Traffic prediction with advanced Graph Neural Networks. DeepMind. https://deepmind.google/discover/blog/traffic-prediction-with-advanced-graph-neural-networks/ • Derrow-Pinion, A. et al. (2021). ETA Prediction with Graph Neural Networks in Google Maps. CIKM 2021.
