• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

¿Por qué la inflación objetivo debe ser del 2 %? La historia (casi accidental) del número más famoso en economía

diciembre 9, 2025 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 8 minutos

Si hay una cifra grabada a fuego en la política monetaria contemporánea es esta: la inflación objetivo debe ser del 2 %. Es una cifra que repiten los bancos centrales, los analistas, los medios especializados y aparece en los libros de texto. Siendo una parte fundamental del ADN del BCE, de la Reserva Federal, del Banco de Inglaterra y de prácticamente cualquier institución monetaria moderna. Para muchos, este número parece tan sólido que debe provenir de un amplio consenso académico, modelos macroeconómicos sofisticados o ser resultado de décadas de estudios econométricos.

Pero lo sorprendente es que no surgió de nada de eso:

  • no nació de un modelo matemático complejo,
  • no fue producto de un gran consenso académico,
  • y ningún comité internacional lo estableció deliberadamente.

El origen del famoso 2 % es mucho más trivial… y, al mismo tiempo, mucho más interesante. Simplemente, fue una respuesta improvisada en una entrevista por un responsable político.

En esta entrada explicaremos de dónde salió realmente el objetivo del 2 %, por qué terminó convirtiéndose en el estándar mundial y cómo una declaración improvisada en un pequeño país del Pacífico acabó marcando la política monetaria global.

Tabla de contenidos

  • 1 Por qué buscamos una inflación baja… pero no cero
    • 1.1 1. Evitar la trampa de liquidez y estimular el gasto
    • 1.2 2. Facilitar ajustes de salarios reales
    • 1.3 3. Evitar que la inflación erosione la confianza
  • 2 El sorprendente origen del 2 %: una entrevista improvisada
    • 2.1 La entrevista que inició todo
    • 2.2 Confirmación oficial: “la cifra fue sacada del aire”
  • 3 Del experimento neozelandés al mundo: la expansión del 2 %
  • 4 ¿Por qué nadie lo ha cambiado? La inercia monetaria
  • 5 Conclusiones: el 2 % es más convención que ciencia

Por qué buscamos una inflación baja… pero no cero

Antes de entrar en la historia, conviene aclarar algo fundamental: ¿Por qué los bancos centrales no persiguen una inflación del 0 %, lo que en principio parecería ser un sinónimo de la estabilidad total de precios?

Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
En Analytics Lane
Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane

No es así porque la realidad económica es más compleja. La teoría moderna coincide en que una economía saludable necesita una inflación baja, estable y positiva, por tres motivos principales.

1. Evitar la trampa de liquidez y estimular el gasto

Una ligera subida anual de precios incentiva el consumo y la inversión: con infracción esperar tiene un coste. Pero si los precios no suben —o bajan— ocurre lo contrario:

  • los consumidores retrasan compras,
  • las empresas posponen inversiones,
  • los tipos de interés nominales se acercan a cero,
  • y el banco central pierde capacidad para estimular la economía.

Es la conocida trampa de liquidez, observada de forma especialmente clara en Japón tras los años 90. Cuando los tipos de interés nominales se acercan a cero, el banco central pierde margen para estimular la economía y la política monetaria se vuelve mucho menos efectiva. En este contexto, una inflación moderada funciona como un “colchón” frente a la deflación, un fenómeno mucho más dañino porque tiende a generar un círculo vicioso: los consumidores retrasan compras, las empresas posponen inversiones, el crédito se contrae, los salarios nominales se estancan y, en última instancia, el desempleo puede aumentar de manera significativa.

Publicidad


2. Facilitar ajustes de salarios reales

Las reducciones de salarios nominales son uno de los temas más delicados en cualquier economía. Bajar sueldos en términos absolutos suele generar conflictos laborales, resistencia sindical y un fuerte rechazo social. Sin embargo, cuando los salarios permanecen congelados en un contexto de inflación moderada —por ejemplo, un 2 % anual—, el resultado práctico es una reducción equivalente del salario real sin necesidad de aplicar recortes explícitos.

Este mecanismo permite que las empresas ajusten costes laborales en momentos de desaceleración sin recurrir a reducciones nominales, que son mucho más difíciles de aceptar para los trabajadores. Por eso, una inflación baja, estable y predecible facilita ajustes graduales en la economía, suaviza negociaciones laborales y reduce la probabilidad de tensiones o conflictos. A nivel macroeconómico, contribuye a una mayor flexibilidad del mercado de trabajo y ayuda a que los ajustes se produzcan de manera menos traumática.

3. Evitar que la inflación erosione la confianza

La inflación moderada actúa como un lubricante económico, pero un nivel elevado destruye la credibilidad de la moneda y de la política monetaria. La historia está llena de episodios en los que una inflación alta provocó la fuga de capitales, inestabilidad y crisis políticas.

Por eso los bancos centrales se mueven en un rango típico de 1 % a 3 %: lo bastante bajo para no erosionar poder adquisitivo, lo bastante alto para evitar deflación.

Con todo esto en mente, podemos volver sobre la pregunta original: ¿por qué exactamente 2 %? ¿Por qué no 1 %? ¿Por qué no 3 %? ¿Cuál es el origen concreto de ese número?

El sorprendente origen del 2 %: una entrevista improvisada

La primera vez que un país adoptó un objetivo explícito de inflación fue Nueva Zelanda a finales de los años 80. Pero lo realmente interesante no es quién lo adoptó… sino cómo surgió la cifra.

Publicidad


La entrevista que inició todo

Según múltiples testimonios de economistas del Banco de la Reserva de Nueva Zelanda, el germen del objetivo del 2 % apareció por accidente en una entrevista televisiva. El entonces ministro de Finanzas, Roger Douglas, participaba en un programa de debate sobre inflación. En un momento dado, el periodista le preguntó:

“¿Qué nivel de inflación consideraría razonable para una economía sana?”

Douglas, queriendo transmitir responsabilidad y sin haberlo meditado demasiado, respondió:

“Bueno, algo así como entre 0 % y 1 % sería aceptable.”

La frase no pretendía ser una propuesta formal de política monetaria. Era una respuesta intuitiva y política, no técnica. De hecho, fue una declaración improvisada, hecha sin consultar al banco central ni a sus colegas del gabinete. Fuente: discurso del RBNZ (1999)

Pero ocurrió algo inesperado:

  • la opinión pública interpretó esa respuesta como una señal oficial de la intención del gobierno,
  • el Banco de la Reserva de Nueva Zelanda se vio obligado a trabajar sobre ese rango,
  • y una frase improvisada terminó convertida en marco formal de política monetaria.

Finalmente, el rango se ajustó a 0–2 %, para dar más margen operativo al banco central.

Confirmación oficial: “la cifra fue sacada del aire”

Años después, el propio Banco de la Reserva de Nueva Zelanda admitiría de manera explícita que el objetivo inicial no se basó en un análisis técnico profundo.

Una de las frases más citadas, atribuida a Don Brash (gobernador del RBNZ), es:

“The figure was plucked out of the air to influence the public’s expectations.” (“La cifra fue sacada del aire para influir en las expectativas del público”.)

Fuente: Why the 2% inflation target? Michigan Journal of Economics.

En otras palabras:

  • no hubo un estudio formal,
  • no hubo simulaciones,
  • no hubo literatura académica previa que justificase específicamente ese número.

Solo un rango que “sonaba razonable” y que ayudaba a anclar expectativas en un momento de reformas económicas profundas.

Del experimento neozelandés al mundo: la expansión del 2 %

El éxito inicial del régimen de inflation targeting en Nueva Zelanda —ganancia rápida de credibilidad, reducción sostenida de la inflación y expectativas firmemente ancladas— llamó la atención de bancos centrales de todo el mundo. A comienzos de los años 90, muchos países buscaban salir de décadas de inflación alta y volátil, y el modelo neozelandés ofrecía algo que escaseaba en aquel momento: un marco simple, claro y fácil de comunicar.

En ese contexto, el 2 % empezó a consolidarse como un punto focal internacional, una cifra que funcionaba bien en la práctica y que permitía transmitir estabilidad sin entrar en grandes debates técnicos. Incluso en países donde los modelos macroeconómicos sugerían objetivos ligeramente distintos, la ventaja comunicativa y la reputación del enfoque neozelandés pesaron más que la precisión teórica.

Canadá, Reino Unido, Suecia, Australia y más tarde la zona euro adoptaron objetivos muy similares, creando una especie de “convergencia silenciosa” en torno al 2 %. La cifra se volvió tan habitual que —pese a no haber surgido de un análisis técnico riguroso— empezó a percibirse como una elección natural, casi inevitable.

Lo que comenzó como una convención pragmática en un país pequeño terminó convirtiéndose en un estándar global de política monetaria, exportado primero por imitación y después reforzado por la propia teoría económica.

Publicidad


¿Por qué nadie lo ha cambiado? La inercia monetaria

Una vez que el objetivo del 2 % se consolidó como estándar internacional, modificarlo se volvió enormemente complicado. Aunque, en teoría, los bancos centrales podrían optar por metas diferentes —1 %, 3 % o incluso un rango más amplio—, en la práctica cada alternativa plantea riesgos de comunicación y credibilidad que ningún banco central quiere asumir.

Subir el objetivo al 3 % podría interpretarse como una tolerancia explícita a más inflación, algo políticamente impopular y que generaría suspicacias sobre la disciplina monetaria. Por el contrario, bajarlo al 1 % se percibiría como una postura demasiado restrictiva, con riesgo de ralentizar la actividad económica y aumentar la probabilidad de episodios de deflación. En ambos casos, la señal enviada al público sería potencialmente problemática.

A esto se añade un factor crucial: el 2 % está profundamente incrustado en los modelos de previsión, en la comunicación institucional, en los análisis académicos e incluso en contratos privados, desde convenios salariales hasta proyecciones de deuda. Cambiar la cifra obligaría a reescribir un enorme andamiaje técnico, generando incertidumbre durante años.

Pero, sobre todo, está la cuestión de la credibilidad. En política monetaria, la confianza es uno de los activos más valiosos. Un banco central que modifica su objetivo corre el riesgo de que los mercados interpreten el movimiento como un signo de debilidad, improvisación o falta de determinación. El coste reputacional sería tan alto que, en ausencia de una razón de peso, la opción más segura siempre ha sido no tocar el 2 %.

El resultado es una fuerte inercia monetaria: un objetivo adoptado inicialmente por razones prácticas y comunicativas ha adquirido con el tiempo una rigidez institucional tal que su mera reconsideración parece demasiado arriesgada.

Conclusiones: el 2 % es más convención que ciencia

De todo lo anterior podemos extraer varias conclusiones:

  • El 2 % no nació de un estudio científico. Según el propio RBNZ, fue una cifra práctica y comunicativa, no el resultado de una optimización matemática.
  • Encaja razonablemente con la teoría económica posterior. Una inflación de entre 1 % y 3 % es considerada eficiente: el 2 % queda justo en el centro.
  • Se extendió por imitación, no por evidencia concluyente. El éxito de Nueva Zelanda convirtió el 2 % en una convención internacional.
  • Cambiarlo ahora es muy difícil. La credibilidad monetaria depende de la estabilidad del objetivo y modificarlo podría generar incertidumbre.
  • Su origen es una curiosidad histórica fascinante. Un número que influye en hipotecas, tipos de interés, salarios, decisiones de inversión y políticas públicas nació de forma casi accidental.

En resumen, el “sagrado” 2 % de inflación objetivo no surgió de un laboratorio económico, sino de un pequeño país que buscaba credibilidad tras un periodo de inflación elevada. Lo que empezó como un rango comunicativo (0–2 %) se reprodujo por todo el mundo y, con el tiempo, la teoría económica lo validó como razonable.

A veces, los números más influyentes de la economía no nacen de ecuaciones… sino de la historia.

Nota: La imagen de este artículo fue generada utilizando un modelo de inteligencia artificial.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
  • Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane
  • Calculadora de Contrastes de Hipótesis: interpreta correctamente el p-valor y toma decisiones estadísticas con confianza
  • Calculadora de Tamaño del Efecto: la herramienta clave para entender cuánto importa realmente una diferencia
  • Simulador de DBSCAN: descubre cómo encontrar clusters reales (y ruido) sin fijar K
  • Conversor de Colores: convierte, compara y valida cualquier color en tiempo real
  • Analytics Lane lanza su Generador de UUIDs: identificadores únicos, seguros y listos para producción en segundos
  • 1200 publicaciones en Analytics Lane
  • Analytics Lane lanza su Conversor TIN ↔ TAE: la herramienta definitiva para entender el coste real de depósitos, préstamos e hipotecas

Publicado en: Opinión Etiquetado como: Curiosidades, Inversión

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Noticias

Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring

mayo 18, 2026 Por Daniel Rodríguez

Interés compuesto: la fuerza que multiplica tu dinero (y los errores que la anulan)

mayo 14, 2026 Por Daniel Rodríguez

Cómo comparar datos con barras en Matplotlib: agrupadas, apiladas y porcentuales

mayo 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • Función de interpolación lineal en Excel sin VBA publicado el noviembre 3, 2021 | en Herramientas
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Identificar y eliminar duplicados en Excel publicado el marzo 13, 2019 | en Herramientas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto