La ley de Goodhart es un adagio de las ciencias sociales que describe cómo una medida pierde su fiabilidad en cuanto se convierte en un objetivo de pilotaje. Debe su nombre al economista británico Charles Goodhart, quien formuló su núcleo en un artículo de 1975 dedicado a la política monetaria en el Reino Unido: "cualquier regularidad estadística observada tiende a colapsar en cuanto se ejerce presión sobre ella con fines de control". La intuición surgió del análisis de las dificultades de la gestión monetaria británica: las correlaciones estables que los bancos centrales explotaban como palancas de política dejaron de sostenerse en cuanto fueron instrumentalizadas.

La formulación más difundida, sin embargo, no es la de Goodhart sino la de la antropóloga Marilyn Strathern, quien en 1997, en un texto sobre la rendición de cuentas en el sistema universitario, propuso la versión generalizada y memorable: "cuando una medida se convierte en un objetivo, deja de ser una buena medida". Esta reformulación subraya la pérdida de valor diagnóstico que sufre una métrica cuando los individuos optimizan hacia la medida en sí misma en lugar de hacia el objetivo subyacente que se supone que representa.

La idea pertenece a una constelación de principios afines. La ley de Campbell (Donald T. Campbell, 1976) aborda la corrupción de los indicadores sociales cuantitativos utilizados para la toma de decisiones. La crítica de Lucas (1976) ofrece su equivalente macroeconómico: los efectos de una política no pueden predecirse a partir de relaciones históricas, porque los agentes se adaptan a ellas. A esto se suman el efecto cobra (un incentivo que recompensa involuntariamente un comportamiento contraproducente) y la falacia de McNamara (descartar lo cualitativo porque escapa a la cuantificación). Varios autores han enriquecido el corpus: Jerome Ravetz (1971), Keith Hoskin (1996) y Jon Danielsson para la modelización del riesgo financiero.

Las ilustraciones abarcan numerosos campos: en sanidad, convertir la duración de la estancia en un objetivo provoca altas prematuras y reingresos; en investigación, el índice h se erosiona como medida de reputación en cuanto se convierte en criterio de evaluación; en conservación, las clasificaciones de extinción de la UICN se han endurecido después de haber sido utilizadas para levantar protecciones; en educación, No Child Left Behind favoreció el avance de curso sin dominio real de los contenidos; durante la pandemia, los objetivos de pruebas COVID en el Reino Unido confundieron capacidad con utilidad diagnóstica. El principio refleja, en definitiva, cómo los actores racionales optimizan dentro de los sistemas medidos — un legado de las prácticas de rendición de cuentas nacidas en el siglo XIX. Hoy en día, ilumina directamente el reward hacking y la fragilidad de las métricas de optimización en los sistemas de IA.