De la curiosidad a la democracia algorítmica: el recorrido interdisciplinario de Bailey Flanigan

De la curiosidad infantil a una carrera interdisciplinaria

Desde los días en que jugaba en la granja de su familia en Wisconsin, Bailey Flanigan mostró una curiosidad amplia y selectiva: construía trampas, hacía proyectos de construcción experimental, escribía ficción y música, y se interesaba por la medicina y la justicia social. Esa mezcla de creatividad práctica y pensamiento crítico la llevaría a transitar múltiples disciplinas profesionales y académicas.

Hoy Flanigan es profesora compartida en el MIT Schwarzman College of Computing y en los departamentos de Ciencia Política y Electrical Engineering and Computer Science (EECS) del MIT, además de investigadora principal en el Laboratory for Information and Decision Systems (LIDS). Su trayectoria incluye trabajo en instituciones tan diversas como la Universidad de Wisconsin, los National Institutes of Health, Google, Carnegie Mellon, Drexel, Harvard, Princeton y Stanford. Su investigación actual se centra en aplicar herramientas computacionales y matemáticas para abrir nuevas vías de participación democrática significativa.

Preferir profundidad sobre acumulación de títulos

Durante la secundaria, Flanigan se desinteresó por tomar cursos avanzados solo por la etiqueta de “AP”. Prefería asignaturas donde pudiera aplicar matemáticas a problemas reales, escribir creativamente, componer música o explorar profundamente las humanidades. Más que pertenecer a múltiples clubes, pasaba tiempo creando y pensando por su cuenta, afinando sus intuiciones y descubriendo lo que realmente le motivaba.

Esa forma de aprender —guiada por problemas concretos en lugar de por fronteras disciplinarias— es un rasgo constante en su carrera: cuando un desafío capturaba su interés, se metía de lleno, aun cuando eso implicara empezar desde una formación menos tradicional para esa área.

Laboratorio, salud pública y economía: cambiar de foco por impacto

En la Universidad de Wisconsin–Madison, Flanigan trabajó tanto en laboratorio húmedo sobre blancos terapéuticos en cáncer como en análisis computacional de genética tumoral. Si bien encontró el trabajo intelectualmente estimulante, se preguntó si ese tipo de ciencia lograría el impacto social que buscaba, dado que muchas intervenciones avanzadas terminan beneficiando primero a una fracción relativamente acomodada de la población.

Esa inquietud la llevó hacia salud pública, donde participó en el desarrollo de dispositivos microfluídicos para detección de VIH pensados para entornos con recursos limitados. Pero al observar las causas estructurales de la falta de recursos, empezó a explorar la economía como herramienta para entender y, eventualmente, influir en las condiciones que determinan el acceso a la salud.

Mentores que abrieron horizontes

Varios mentores jugaron un papel clave en su trayectoria. Steven Wright, profesor de derecho y escritura creativa en UW–Madison, la acompañó durante la universidad, guiando sus intereses entre la ciencia, la desigualdad social y la economía, y alentándola a aspirar a instituciones como MIT o Harvard.

La persistencia de dos responsables de becas —Debbie Berger y Julie Stubbs— también fue determinante: sus insistentes correos motivaron a Flanigan a postular al Goldwater Scholarship, una experiencia que expandió las posibilidades que ella misma se permitía imaginar.

Posteriormente, mientras trabajaba como asistente predoctoral en economía en Princeton, auditó una clase de análisis real con la profesora Evita Nestoridi. Esa primera exposición formal a las matemáticas y a las pruebas le cambió la trayectoria: descubrió que disfrutaría y sería capaz de abordar matemáticas a nivel de posgrado.

De Carnegie Mellon al cruce entre ciencia y política

Flanigan eligió Carnegie Mellon para su doctorado, donde enfocó su investigación en elección social y toma de decisiones democráticas. Encontró en ese campo un modo de unir su interés técnico con preguntas sobre “quién obtiene qué y por qué”, parafraseando al economista Nobel Al Roth.

Entre sus aportes figura el desarrollo de algoritmos que seleccionan aleatoriamente participantes para asambleas ciudadanas, diseñados específicamente para situaciones donde quienes se ofrecen voluntarios no representan a la población en general. Estos algoritmos buscan equilibrar varios criterios: representación demográfica, igualdad de probabilidad de ser elegidos, resistencia a manipulaciones del proceso y transparencia. Son características que, en conjunto, influyen en la percepción pública sobre la legitimidad de los grupos que deliberan.

En un informe de política, Flanigan propone ejemplos hipotéticos —como una asamblea sobre inteligencia artificial cuyos voluntarios tienden a ser jóvenes, con mayor educación y más interés en tecnología— para ilustrar cómo la autoselección puede sesgar la representatividad y por qué es necesario diseñar mecanismos que corrijan esas distorsiones.

Por qué importa para América Latina

Las ideas y herramientas que Flanigan desarrolla tienen relevancia directa para los países latinoamericanos, donde los procesos participativos y deliberativos han ganado terreno como alternativas o complementos a la democracia representativa. Varias consideraciones son especialmente pertinentes para la región:

• Brecha digital y acceso: la autoselección en convocatorias digitales puede favorecer a ciudadanos con mayor acceso a tecnologías y educación, reproduciendo exclusiones ya existentes.
• Desigualdad socioeconómica: la composición de asambleas y consultas públicas puede reflejar —y a la vez agravar— desigualdades si no se incorporan mecanismos de selección que busquen representatividad.
• Confianza y legitimidad: la transparencia y la percepción de imparcialidad son críticas en contextos donde la desconfianza hacia las instituciones es alta.

Diseñar procesos que combinen criterios técnicos (como muestreo aleatorio ponderado) y decisiones normativas sobre representación puede ayudar a que iniciativas locales —desde presupuestos participativos hasta comisiones ciudadanas sobre regulación tecnológica— sean más inclusivas y legitimadas.

Límites y desafíos

Los algoritmos y métodos matemáticos no son una panacea. Implementarlos exige datos de calidad sobre la población, criterios claros sobre qué significa “representatividad” en cada caso y salvaguardas para evitar que el proceso mismo sea manipulado. Además, las soluciones técnicas deben acompañarse de esfuerzos de comunicación y participación que faciliten la comprensión y confianza ciudadana.

Flanigan reconoce que su propia trayectoria, cruzando disciplinas y a veces yendo a campos para los que no estaba tradicionalmente «calificada», la preparó para traducir lenguajes y necesidades entre áreas muy distintas: desde el laboratorio hasta la teoría económica y el diseño de procesos democráticos.

Reflexión final

La historia de Bailey Flanigan es un ejemplo de cómo una curiosidad dirigida por problemas reales puede generar contribuciones que combinan rigor técnico y propósito social. Sus herramientas para mejorar la representatividad y la legitimidad en procesos deliberativos ofrecen pistas valiosas para regiones como América Latina, donde potenciar la participación democrática inclusiva sigue siendo un desafío central.

Su trabajo ilustra una lección práctica para responsables públicos y organizaciones civiles: cuando las soluciones combinan matemática, diseño institucional y sensibilidad social, es posible avanzar hacia procesos participativos más justos y creíbles.