Análisis de redes organizacionales: lo que el organigrama no te dice

Toda organización tiene dos estructuras. La primera está documentada: líneas de reporte, departamentos, niveles jerárquicos, descripciones de cargo. La segunda no aparece en ningún documento, pero determina cómo fluye la información, dónde se toman las decisiones reales y por qué ciertos proyectos avanzan mientras otros se estancan. La distancia entre ambas estructuras es, con frecuencia, la explicación más precisa de los problemas que las organizaciones atribuyen a “falta de comunicación” o “resistencia al cambio.”

El Análisis de Redes Organizacionales (ONA, por sus siglas en inglés) es un conjunto de métodos para hacer visible esa segunda estructura. No es un instrumento de percepción como las encuestas de clima, ni un marco prescriptivo como los modelos de madurez. Es una técnica de observación: mapea relaciones reales — quién consulta a quién, quién aprueba qué, quién transfiere conocimiento a quién — y permite analizar la topología resultante con herramientas de teoría de grafos.

La idea no es nueva. Moreno introdujo la sociometría en los años 30. Granovetter (1973) estableció con “The Strength of Weak Ties” que los vínculos débiles — conexiones infrecuentes con personas fuera del círculo inmediato — son los que más contribuyen a la difusión de información nueva. Freeman (1978) formalizó las métricas de centralidad que permiten identificar qué nodos ocupan posiciones estructuralmente importantes en una red. Pero durante décadas, estas ideas permanecieron en el dominio académico de la sociología y la psicología social, lejos de la gestión operativa.

Lo que cambió en los últimos diez años es la disponibilidad de datos y la capacidad computacional para analizarlos. Las organizaciones generan trazas de interacción en correo electrónico, plataformas de mensajería, sistemas de gestión de proyectos y calendarios compartidos. Estos datos permiten construir grafos de interacción sin depender exclusivamente de autoreportes, aunque los autoreportes siguen siendo necesarios para capturar relaciones que no dejan traza digital — como las conversaciones informales que ocurren en un pasillo o durante el almuerzo.

Una red organizacional se representa como un grafo donde los nodos son personas y las aristas son relaciones. Pero la elección de qué constituye una “relación” no es trivial y determina completamente el análisis. Un grafo construido sobre “a quién recurres cuando tienes un problema técnico” produce una topología muy diferente de uno construido sobre “con quién almorzas regularmente.” Borgatti, Mehra, Brass y Labianca (2009) sistematizaron las diferentes clases de vínculos en redes organizacionales y mostraron que cada tipo predice resultados diferentes. Las redes de consejo técnico predicen rendimiento; las redes de confianza predicen satisfacción; las redes de influencia predicen adopción de innovaciones.

La centralidad de intermediación (betweenness centrality), formalizada por Freeman, identifica nodos que actúan como puentes entre subgrupos. En una organización, una persona con alta betweenness controla el flujo de información entre departamentos o equipos. Esto puede ser funcional — un integrador natural que conecta silos — o puede ser un cuello de botella que genera el costo oculto de la persona clave que la organización no ha identificado. La diferencia entre ambas interpretaciones no está en la métrica; está en el contexto operativo. Eliminar a un integrador natural sin redistribuir sus conexiones fragmenta la red. Sobrecargar a un cuello de botella sin descomprimirlo genera dependencia y fragilidad.

Los algoritmos de detección de comunidades permiten identificar subgrupos que interactúan más entre sí que con el resto de la red. El algoritmo de Louvain (Blondel et al., 2008) y sus variantes son los más utilizados por su eficiencia computacional. Pero aquí aparece un problema que la literatura técnica reconoce pero que rara vez se discute en el contexto aplicado: la detección de comunidades es estocástica. Ejecutar el mismo algoritmo sobre los mismos datos puede producir particiones diferentes en cada corrida. Esto no es un error — es una propiedad inherente de los algoritmos de optimización que operan sobre paisajes de modularidad con múltiples óptimos locales.

Para organizaciones que van a tomar decisiones basadas en estas comunidades detectadas — reasignar equipos, rediseñar flujos de trabajo, identificar líderes informales — la inestabilidad del resultado es un problema material. Si la comunidad a la que pertenece una persona cambia cada vez que se ejecuta el análisis, ¿qué tan real es esa comunidad? Una forma de abordar esto es mediante análisis de estabilidad: ejecutar el algoritmo múltiples veces y medir la consistencia de las particiones resultantes usando métricas como el Normalized Mutual Information (NMI) propuesto por Danon et al. (2005). Un NMI alto entre corridas indica que la estructura detectada es robusta; un NMI bajo indica que los datos no soportan una partición clara, lo cual es en sí mismo un hallazgo organizacionalmente relevante — sugiere que la organización no tiene subgrupos bien definidos, o que los subgrupos se superponen de maneras que un modelo de partición discreta no captura.

La centralidad de intermediación de aristas (edge betweenness) ofrece una perspectiva complementaria. En lugar de identificar personas-puente, identifica relaciones-puente: las conexiones que, si se eliminaran, desconectarían partes de la red. Girvan y Newman (2002) utilizaron esta métrica como base para un algoritmo de detección de comunidades que opera removiendo progresivamente las aristas con mayor betweenness. En el contexto organizacional, una arista con alta betweenness entre dos departamentos representa una conexión crítica de coordinación. Si esa conexión depende de una sola relación interpersonal — por ejemplo, dos personas que trabajan juntas en un comité — la coordinación entre esos departamentos es frágil, independientemente de lo que diga el organigrama.

Un aspecto del ONA que genera resistencia en las organizaciones es su capacidad para revelar discrepancias entre autoridad formal e influencia real. El organigrama dice que el director de operaciones reporta al gerente general. La red de consulta puede mostrar que, en la práctica, el director de operaciones consulta decisiones con el jefe de tecnología, quien no tiene autoridad formal sobre operaciones. Esto no es necesariamente disfuncional — puede reflejar una distribución de expertise que el organigrama no captura. Pero hace visibles dinámicas que las organizaciones prefieren no examinar, especialmente cuando revelan que personas en posiciones de liderazgo formal tienen poca influencia real, o que personas sin autoridad formal actúan como nodos críticos de decisión.

Cross y Parker (2004) documentaron extensamente estos patrones en su trabajo sobre redes sociales corporativas. Identificaron cuatro roles informales recurrentes: conectores centrales (personas consultadas frecuentemente por múltiples subgrupos), intermediarios (personas que conectan subgrupos que de otra forma estarían desconectados), especialistas periféricos (personas con expertise profundo pero pocas conexiones) y energizantes (personas cuyas interacciones tienden a generar acción y compromiso en otros). Cada uno de estos roles tiene implicaciones diferentes para la gestión del talento, la sucesión y el diseño organizacional — implicaciones que las herramientas convencionales de recursos humanos no capturan.

La implementación técnica de ONA en organizaciones medianas — entre 50 y 500 personas — presenta desafíos específicos. El primero es la recolección de datos. Las encuestas de red (roster-based, donde se presenta a cada persona una lista de colegas y se le pide indicar la frecuencia e intensidad de interacción con cada uno) producen datos de alta calidad pero son costosas en tiempo y generan fatiga. Las alternativas basadas en datos digitales (metadatos de correo electrónico, interacciones en Slack o Teams) son menos intrusivas pero capturan solo un subconjunto de las interacciones reales y están sujetas a sesgos de plataforma — los equipos que usan más correo electrónico aparecerán más conectados que los que prefieren comunicación verbal, sin que eso refleje una diferencia real en la estructura de coordinación.

El segundo desafío es la interpretación. Un grafo de red con 200 nodos y miles de aristas es visualmente ininteligible sin procesamiento. Las visualizaciones de red que se ven en presentaciones ejecutivas — nodos de colores con líneas entre ellos, generalmente usando algoritmos de layout como Fruchterman-Reingold — son atractivas pero pueden inducir interpretaciones incorrectas. La posición espacial de los nodos en una visualización de red es un artefacto del algoritmo de layout, no una propiedad de los datos. Dos nodos que aparecen cerca visualmente no necesariamente tienen una relación fuerte; su proximidad puede ser un resultado del proceso de optimización del layout. Las métricas — centralidad, betweenness, modularidad, densidad — son más confiables que las visualizaciones para tomar decisiones, pero son más difíciles de comunicar a audiencias no técnicas.

El tercer desafío, y probablemente el más importante, es ético. El ONA hace visible quién interactúa con quién, cuánto y en qué contexto. Esto puede ser utilizado para optimizar flujos de trabajo, pero también para vigilancia. La línea entre “entender cómo fluye la información” y “monitorear el comportamiento de los empleados” es delgada y depende más de la intención y la gobernanza que de la tecnología. Leonardi y Contractor (2018) discutieron extensamente las implicaciones éticas del análisis de comunicaciones digitales en organizaciones, señalando que la percepción de vigilancia puede degradar exactamente los patrones de comunicación que el análisis pretende optimizar.

Una aplicación que merece atención es el uso de ONA para evaluar intervenciones organizacionales. Si una organización implementa un programa de cambio — una nueva estructura de equipos, un proceso ágil, una iniciativa de integración post-fusión — puede medir la red antes y después para evaluar si los patrones de interacción cambiaron en la dirección esperada. Esto convierte al ONA en un instrumento de evaluación de impacto más robusto que las encuestas de percepción, porque mide comportamiento observable en lugar de opiniones declaradas. Borgatti y Cross (2003) mostraron que la búsqueda de información en redes organizacionales está mediada por dos factores: el conocimiento de quién sabe qué, y la accesibilidad percibida de esa persona. Un programa de cambio que no modifique estos dos factores — por ejemplo, que cree nuevos comités sin cambiar quién es percibido como accesible — probablemente no producirá cambios en la red, independientemente de cuántos talleres de “trabajo en equipo” se realicen.

Nada de esto implica que el ONA sea una herramienta completa por sí sola. Un mapa de red muestra estructura, no motivación. Muestra quién interactúa con quién, no por qué. Para entender el “por qué” — la confianza, la percepción de competencia, las dinámicas de poder — se necesitan datos complementarios. La combinación de ONA con datos de clima, resultados de desempeño y análisis de procesos produce una imagen considerablemente más completa que cualquiera de estos métodos por separado. Pero esa integración requiere capacidad técnica para procesar y cruzar datos de fuentes heterogéneas, y capacidad organizacional para actuar sobre hallazgos que, con frecuencia, contradicen las narrativas internas que la organización ha construido sobre sí misma.

Referencias

Blondel, V. D., Guillaume, J. L., Lambiotte, R., & Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, P10008.
Borgatti, S. P., & Cross, R. (2003). A relational view of information seeking and learning in social networks. Management Science, 49(4), 432-445.
Borgatti, S. P., Mehra, A., Brass, D. J., & Labianca, G. (2009). Network analysis in the social sciences. Science, 323(5916), 892-895.
Cross, R., & Parker, A. (2004). The Hidden Power of Social Networks. Harvard Business School Press.
Danon, L., Díaz-Guilera, A., Duch, J., & Arenas, A. (2005). Comparing community structure identification. Journal of Statistical Mechanics: Theory and Experiment, P09008.
Freeman, L. C. (1978). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215-239.
Girvan, M., & Newman, M. E. J. (2002). Community structure in social and biological networks. Proceedings of the National Academy of Sciences, 99(12), 7821-7826.
Granovetter, M. S. (1973). The strength of weak ties. American Journal of Sociology, 78(6), 1360-1380.
Leonardi, P. M., & Contractor, N. (2018). Better people analytics. Harvard Business Review, 96(6), 70-81.