La importancia de los datos cálidos en procesos de cambio y optimización.

En plena era de la IA, la automatización y la obsesión por lo cuantificable, seguimos encontrando un problema fundamental sin resolver: los modelos que construimos no explican la realidad que vivimos. ¿Por qué? Porque representar datos y procesos no es suficiente, ya que no capturan la complejidad de los sistemas vivos, las interacciones.

Una de las obsesiones de la Sociología es precisamente esto, acercarse a una representación acertada de la realidad y, por tanto, de la complejidad (porque la realidad siempre es compleja).

Aquí es donde entran los datos cálidos: información relacional y transcontextual que nos permite entender cómo se sostiene (o se bloquea) un sistema más allá de los KPIs.

Datos fríos vs. datos cálidos (una distinción útil)

• Datos fríos (Hard, Cold Data): lo medible y comparable. Tiempos, costes, throughput, errores, colas, desviaciones.
• Datos cálidos (Warm Data): lo que conecta y da sentido a lo anterior. Confianza, normas implícitas, tensiones, compromisos, “lo que no se dice”, miedos, historias compartidas, contexto social y cultural, lo que en Sociología se conoce como “interacciones”.

Ambos son necesarios. El problema empieza cuando intentamos optimizar solo lo que se puede medir “fácilmente”.

Tres tesis para mirar organizaciones como sistemas vivos

Este tema fue parte fundamental del trabajo de Gregory Bateson, filósofo, sociólogo y cibernetista, como después lo fue (y es) de sus hijas Cathy y Nora Bateson. Las tesis de la familia sobre lo que tener en cuenta al analizar ecosistemas como las organizaciones, son estas:

1 La tesis de la transcontextualidad

“Ningún proceso existe en un solo contexto."

En el diseño de procesos tradicional (Business Process Model and Notation - BPMN), solemos aislar el proceso (ej. "Aprobación de crédito"). Para los Bateson, esto es un error funcional de simplificación. Los datos cálidos aportan esa información transcontextual: el proceso de aprobación está "marinado", como poco, con el contexto económico, el clima laboral de la oficina, la vida familiar del empleado y la cultura tecnológica de la empresa.

Aplicación en procesos

El Process Mining puede detectar ineficiencias técnicas como un retraso (dato frío). Los datos cálidos pueden explicar que el retraso ocurre porque el empleado prioriza la relación con el cliente sobre la métrica del sistema para evitar un conflicto cultural.

2 La tesis de la relacionalidad

"La inteligencia no está en las partes, sino en las relaciones entre ellas."

Gregory Bateson argumentaba que para entender un sistema no debemos mirar a los sujetos, sino a los mensajes que intercambian. Nora extiende esto, afirmando que los datos cálidos describen las interdependencias que mantienen vivo al sistema.

El dato frío mide el desempeño de un silo; el dato cálido mide la salud de la conexión entre silos.

Aplicación en procesos

En un DTO (Digital Twin of the Organization) no basta con modelar tareas. Hay que modelar la "adherencia" y la confianza al proceso, ya que este puede ser técnicamente óptimo pero relacionalmente tóxico, lo que garantiza su fracaso a largo plazo.

3 La tesis de la coalescencia

"Los cambios reales en sistemas complejos son procesos invisibles de coalescencia."

Esta tesis sostiene que antes de que un cambio sea visible en un KPI (dato frío), ocurre una "Aphanipoiesis": una acumulación de pequeñas variaciones en las relaciones y percepciones (datos cálidos), sutiles pero que varían el sistema. Lo “coalescen”, (como cuando varias gotas de lluvia se unen para formar una más grande). Si solo gestionamos lo que se mide (dato frío) y obviamos la coalescencia de variables, llegaremos tarde a la crisis o a la oportunidad.

Aplicación en procesos

Por ejemplo, en el desempeño de su trabajo, un Agile Coach no solo busca "velocidad de quemado", busca los cambios en la comunicación del equipo que preceden a un aumento de eficiencia. Antes de que un equipo sea "ágil" formalmente, (eventos, artefactos…dato frío), ocurre una “coalescencia de confianza, lenguaje común y entendimiento de reglas tácitas”. Si el consultor no ve esta coalescencia, intentará desplegar un proceso sobre un terreno que aún no ha fusionado sus raíces, con un alto riesgo de fracaso. Los datos cálidos permiten una orquestación proactiva, detectando la fatiga del sistema antes de que el log de eventos muestre una caída en el rendimiento.

Los datos cálidos en un proceso: un ejemplo práctico enriqueciendo el VSM

Imagina que mapeas un proceso y lo representas en un Value Stream Map: extraes una matriz SIPOC, tomas tiempos de actividades y tareas, clasificas ineficiencias, confirmas hipótesis. Así, detectas que un proceso administrativo tiene un 30% de desperdicio en tiempo de espera. Los datos fríos pueden sugerir una respuesta de automatización, pero los warm data pueden revelar que la demora se debe a la falta de confianza entre equipos, miedo a cometer errores, desuso de herramientas o normas implícitas que frenan la agilidad.

Sin esos datos relacionales, cualquier optimización es superficial y, muchas veces, contraproducente.

Para una persona experta en optimización, ignorar los datos cálidos es como intentar entender un bosque analizando solo la madera de los árboles (datos fríos), sin mirar la simbiosis de las raíces y el clima que les afecta (datos cálidos).

Una orquestación integral en 2026 requiere de ambos. Este enfoque puede marcar la diferencia entre una solución eficiente en papel y una transformación real y sostenible, una verdadera orquestación integrada que provea de horizontes razonables al área u organización optimizada.

Los datos cálidos han sido tradicionalmente menospreciados como "datos blandos", subjetivos, alejados de lo científico. La sociología relacional demuestra que existen y, por ello, no se pueden obviar. Capturan relaciones en lugar de variables aisladas. En colaboración con los datos fríos que muestran lo cuantificable (costes, tiempos, rendimientos), los warm data nos ayudan a entender cómo las dinámicas humanas y culturales afectan esos números, entre ellas, con los procesos y con las máquinas, como profetizaba la Autonomación Lean TPS (Jidoka).

¿Cómo integramos los datos cálidos en el análisis de procesos?

Detectar y medir los datos cálidos puede ser desafiante, por eso han sido obviados, pero como comienzo, recomendamos:

• Observar interacciones, no solo resultados. ¿Cómo se toman decisiones en la organización? ¿Qué conversaciones nunca suceden? ¿Por qué se eligen unas herramientas y no otras? ¿Cómo se relacionan los equipos de proyectos? ¿Cómo se eligen los criterios de validación? ¿Por qué? ¿Existen reglas implícitas? ¿Qué se considera un deshonor en ese equipo? ¿Y una traición?
• Analizar patrones de comportamiento en lugar de solo outputs. ¿Por qué ciertas ineficiencias persisten incluso con soluciones bien diseñadas? ¿Estamos automatizando ineficiencias no detectadas por comportamientos?
• Incluir múltiples perspectivas. No basta con los datos operativos, se necesita entender la experiencia vivida por las personas en el sistema. Si las entienden, las aceptan y qué emociones suscitan. ¿Qué modelos de liderazgo existen, cómo se trasladan e influyen? #diversitymatters
• Por último, cuestiona tus propias acciones de optimización. ¿La optimización reduce realmente la carga cognitiva o solo redistribuye el esfuerzo? ¿El cambio organizacional es adoptado o simplemente “tolerado” hasta que se revierta? Cuando el perfil de consultoría se marcha, ¿la eficiencia lograda mantiene la cohesión y confianza en los equipos o la fragmenta por competir?

Datos cálidos y agilidad: el vínculo natural

Los marcos ágiles y Lean enfatizan la adaptación y la mejora iterativa. Establecer un marco de trabajo es establecer un marco de convivencia y alineamiento y, en eso, la agilidad ha invertido mucho esfuerzo. Sin embargo, sin una comprensión profunda de las relaciones y contextos invisibles, la mejora se queda en la superficie. Los datos cálidos permiten ver las resistencias al cambio, los valores culturales subyacentes y los impactos sistémicos de cualquier intervención.

En Paradigma Lean Papers hemos hablado de la importancia del BA (contexto) para entender el sistema de trabajo, la vida diaria de los equipos, de la observación del Gen-ba como ecosistema viviente que es.

Conclusión

En un mundo obsesionado con la precisión numérica, necesitamos recordar que las organizaciones y los procesos que la vertebran, son sistemas vivos.

Si trabajas en optimización, ten presente que la complejidad es una experiencia. Si tus modelos no explican la realidad que viven los equipos, no estás optimizando, estás simplificando peligrosamente.

¿Cómo integras datos relacionales en tus proyectos ágiles? Te leo en comentarios 👇

Referencias

• Nora Bateson, Neurocognitive Academy
• Bateson Institute
• Warm Data Labs, Bateson Institute
• “Aphanipoiesis”, Nora Bateson