¿Olfato, regla o ensayo? (cuándo confiar en la intuición, y cuándo no)

El incendio que avisó

Una dotación de bomberos entra a una casa por un incendio en la cocina. El comandante dirige el ataque con la manguera; el fuego responde raro —no cede como debería—. De pronto, sin poder explicar por qué, el comandante ordena evacuar. Todos salen. Segundos después, el piso de la sala se derrumba: el incendio principal no estaba en la cocina sino en el sótano, justo debajo de donde estaban parados. El comandante contó después que había sentido "algo": el living estaba más caliente de lo que ese fuego justificaba, y demasiado silencioso. No sabía qué estaba mal; supo que algo estaba mal. Durante años lo atribuyó a percepción extrasensorial.

La escena la documentó el psicólogo Gary Klein, que pasó décadas estudiando cómo deciden bomberos, enfermeras de neonatología y comandantes militares en el terreno. Su conclusión: los expertos genuinos casi nunca "comparan opciones" —reconocen patrones. El comandante llevaba miles de incendios encima; su memoria reconoció una combinación anómala (calor, silencio, comportamiento del fuego) antes de que su conciencia pudiera nombrarla. Herbert Simon, Nobel de Economía, lo definió con la frase más desmitificadora de la literatura: "la intuición no es ni más ni menos que reconocimiento" —la situación da una pista, la pista recupera de la memoria información acumulada, y la información produce la respuesta—. Magia, cero.

Ahora la otra escena. Philip Tetlock pasó veinte años recolectando pronósticos de 284 expertos en política y economía —académicos, analistas de inteligencia, consultores, periodistas—: 82.361 predicciones con probabilidades explícitas sobre hechos verificables. El resultado, publicado en 2005, es uno de los datos más incómodos de las ciencias sociales: en conjunto, los expertos apenas superaron al azar y perdieron contra reglas estadísticas simples de extrapolación. El propio Tetlock resumió la cobertura con la broma que lo hizo famoso: el experto promedio pronosticó más o menos como "un chimpancé tirando dardos". Con dos hallazgos adentro que importan más que la broma: los expertos más famosos pronosticaron peor (el mercado de las opiniones premia la seguridad rotunda, no la exactitud), y los "zorros" —los que integran muchas fuentes y dudan— le ganaron consistentemente a los "erizos" —los que explican todo con una gran idea—.

El mismo animal —el juicio experto— produce el milagro del comandante y el chimpancé de los dardos. La pregunta correcta no es si confiar en la intuición: es en qué condiciones la intuición merece confianza. Y esa pregunta tiene respuesta.

La pericia tiene condiciones (y son solo dos)

La respuesta salió de una colaboración improbable. Gary Klein —el defensor de la intuición experta— y Daniel Kahneman —el catálogo de sus fallas— pasaron años trabajando juntos para dirimir su desacuerdo, y publicaron el resultado en 2009 con un título irónico: Conditions for Intuitive Expertise: A Failure to Disagree ("no logramos estar en desacuerdo"). La intuición experta es real y confiable cuando —y solo cuando— se cumplen dos condiciones:

1. Un entorno con regularidades. El dominio tiene que ofrecer patrones estables: relaciones entre señales y resultados que se repiten lo suficiente como para ser aprendibles. El incendio las tiene —el fuego obedece física—. El ajedrez las tiene. La anestesia las tiene. Los mercados financieros, la política internacional y el éxito de una startup, no —o las tienen tan débiles y cambiantes que ningún aprendizaje alcanza—. Kahneman llama a estos últimos "entornos de validez cero": ahí la intuición no puede existir, y lo que se siente como intuición es la confianza de una historia coherente (WYSIATI, Parte 1).

2. Práctica prolongada con feedback rápido y claro. No alcanza con que los patrones existan: hay que haber tenido la oportunidad de aprenderlos —miles de repeticiones donde la consecuencia de cada juicio llega pronto y sin ambigüedad—. El anestesista la tiene: si se equivoca, lo sabe en minutos. El radiólogo, mucho menos: su acierto o error se entera semanas después, o nunca. Robin Hogarth bautizó la distinción: entornos de aprendizaje amables (feedback rápido, claro, representativo) contra traicioneros (wicked: feedback lento, ruidoso o sesgado, donde la práctica puede incluso empeorar el juicio con confianza creciente). Recuerde los instructores de vuelo de la Parte 2: veinte años de experiencia "confirmando" una teoría falsa, porque la regresión a la media les fabricaba el feedback que la confirmaba.

La consecuencia ejecutiva es filosa: la seniority no es un certificado de intuición. Veinte años de experiencia producen pericia real solo si fueron veinte años en un entorno regular con feedback de calidad. Veinte años decidiendo contrataciones sin medir jamás cómo resultaron, o pronosticando ventas anuales cuyos desvíos se explican siempre con narrativa, producen otra cosa: confianza sin exactitud —la materia prima de los desastres de la Parte 1—. Y hay un dato que lo vuelve práctico: la confianza del que juzga no distingue una de otra. La intuición del comandante y la del pundit se sienten igual desde adentro. Lo único que las distingue es el entorno en el que se formaron —y eso, a diferencia de la sensación, se puede auditar—.

La regla le gana al juicio (más seguido de lo que a nadie le gusta)

Fuera del cuadrante amable, ¿qué hacemos? La respuesta existe desde 1954 y sigue siendo la más resistida del management. Ese año, el psicólogo Paul Meehl publicó un libro pequeño y explosivo comparando la predicción clínica —el juicio integrador del experto— contra la mecánica —fórmulas simples que combinan pocas variables con pesos fijos— en pronósticos verificables: desempeño académico, reincidencia, diagnóstico. La fórmula empataba o ganaba casi siempre. Medio siglo después, William Grove y colegas hicieron el metaanálisis definitivo: 136 estudios comparando cabeza contra fórmula en medicina, educación, justicia y empleo. Resultado: la fórmula fue superior en el 47% de los estudios, empató en el 47%, y el juicio experto ganó en el 6% —8 estudios de 136—. En promedio, la predicción mecánica fue un 10% más exacta. Y un detalle exquisito: la ventaja de la fórmula crecía cuando el experto disponía de más información, en particular de entrevistas no estructuradas —la herramienta de selección favorita del mundo corporativo empeora la predicción, porque alimenta la historia coherente con material vívido e irrelevante—.

¿Por qué pierde el experto? No por ignorancia —el experto suele saber qué variables importan; de hecho la fórmula usa las variables que los expertos identificaron—. Pierde por inconsistencia: el juicio humano pondera distinto cada día, se ancla en lo vívido, se cansa, se contagia del último caso. Lewis Goldberg lo demostró con un experimento inolvidable: construyó, para cada experto, un modelo estadístico simple de ese mismo experto —una fórmula que imitaba cómo él ponderaba las variables— y el modelo del juez le ganó al juez: la caricatura consistente de su criterio predecía mejor que él, porque aplicaba su propio criterio sin los martes malos. A la fórmula no le importa si durmió bien.

El punto no es místico ni tecnológico —estas fórmulas son sumas ponderadas de tres a cinco variables, no inteligencia artificial—. El ejemplo canónico cabe en una tarjeta: el test de Apgar (1953), cinco signos puntuados de 0 a 2 que reemplazaron al ojo clínico del obstetra para decidir qué recién nacido necesita intervención, y que llevan setenta años salvando vidas justamente porque son aburridos y consistentes. La versión gerencial: scoring de crédito, criterios explícitos y ponderados para filtrar candidatos o priorizar inversiones, umbrales predefinidos para escalar o abandonar un proyecto (las "reglas de salida" de la Parte 1 son exactamente esto: una fórmula protegiendo la decisión del estado de ánimo del comité).

El defecto invisible: el ruido

Todo lo anterior habla del sesgo —el error con dirección: el optimismo, el ancla—. El último libro de Kahneman (Noise, 2021, con Olivier Sibony y Cass Sunstein) señaló el defecto complementario, más grande y menos discutido: el ruido —la variabilidad no deseada entre juicios que deberían ser iguales—. Dos underwriters de la misma aseguradora, con la misma información, cotizan la misma póliza. ¿Cuánto difieren? Los ejecutivos de una gran aseguradora, consultados antes de medirlo, estimaron un 10% —el nivel que consideraban tolerable—. La auditoría dio 55% de diferencia mediana. Cinco veces y media lo esperado: uno cotiza US$9.500 donde el otro cotiza US$16.700, y quién le toca a usted es lotería. Cada desvío es plata —cotización cara que pierde el cliente, cotización barata que asume mal el riesgo— y, a diferencia del sesgo, el ruido no se ve: los promedios lo esconden, y cada juicio individual parece razonable.

Donde hay juicio profesional hay ruido: jueces ante el mismo caso, médicos ante la misma placa —patólogos que discrepan consigo mismos al revaluar la misma biopsia—, gerentes calificando al mismo empleado, analistas valuando la misma empresa. La organización promedio es, en la frase del libro, "una fábrica de juicios ruidosos" que jamás midió su propia dispersión. La medición es barata y se llama auditoría de ruido: darle el mismo caso, por separado, a varios de sus decisores, y mirar cuánto difieren. (Hágalo antes de descartarlo: los ejecutivos de la aseguradora también estaban seguros de su 10%.)

Los remedios tienen nombre —higiene de decisión— y son la síntesis operativa de toda esta serie: juicios independientes antes de la discusión (el debate agrega información pero sincroniza los errores: la Parte 1 mostró cómo el primer número ancla al resto); descomponer la decisión grande en evaluaciones intermedias calificadas por separado, y recién al final integrar (la versión estructurada del caso de negocio); escalas relativas y con anclas de comparación en vez de notas absolutas (somos mejores comparando que calificando); agregar estimaciones independientes —el promedio de varios juicios independientes es casi siempre mejor que el mejor juicio individual, pero solo si son independientes—; y donde la decisión es repetitiva y verificable, reglas y modelos que fijan la ponderación de una vez.

El pronóstico se entrena (los aficionados que vencieron a los espías)

¿Y cuando no hay fórmula posible —la pregunta es única, el futuro abierto, el territorio complejo (Parte 2)—? Ahí el juicio humano es lo único que hay; la noticia de la última década es que ese juicio se entrena. Tras la humillación de sus expertos-chimpancé, Tetlock cofundó el Good Judgment Project y entró al torneo de pronósticos geopolíticos de IARPA (la agencia de investigación de la inteligencia estadounidense): miles de voluntarios pronosticando cientos de preguntas verificables —¿habrá default griego este año? ¿cuántos misiles probará Corea del Norte?—. Sus mejores aficionados —"superforecasters": un farmacéutico, una programadora, gente sin acceso privilegiado a nada— ganaron el torneo por márgenes enormes (el equipo superó al grupo de control por más del 50%, el mayor salto de exactitud registrado en la literatura del campo) y, según los reportes del propio programa, pronosticaron ~30% mejor que analistas de inteligencia profesionales con información clasificada. (Cifra de reportes del programa y del propio GJP, no de una publicación revisada por pares; los papers académicos del proyecto, de Mellers y colegas, documentan en detalle la superioridad sobre los controles.)

Lo replicable no es el talento: son los hábitos, que resultaron enseñables —un entrenamiento de una hora en probabilidad y sesgos mejoró la exactitud de pronosticadores comunes en torno al 10% sostenido—. Los superforecasters piensan en tasas base antes que en historias (la vista externa de la Parte 1, convertida en reflejo); usan probabilidades granulares —dicen 63%, no "probable", y la granularidad les paga—; actualizan seguido y de a poco ante evidencia nueva, sin aferrarse ni sobrerreaccionar; descomponen la pregunta grande en partes estimables; y llevan registro de sus aciertos —se calibran, como cualquier instrumento serio—. Nada de esto requiere un torneo: una empresa puede, mañana, exigir probabilidades explícitas en sus pronósticos importantes ("probable" y "hay buenas chances" son escondites), registrarlos, y revisar la calibración dos veces al año. El que dice 80% debería acertar 8 de 10; ya vimos (Parte 1) que los CFOs andan en 36%. La diferencia entre ambos números es, exactamente, lo entrenable.

Ni romanticismo ni fetiche (diseñar el sistema de decisión)

Falta el último obstáculo, y no es técnico. Berkeley Dietvorst, Joseph Simmons y Cade Massey documentaron la aversión al algoritmo: puesta a elegir entre su propio pronóstico y el de un modelo que acaba de ver funcionar —y ver equivocarse—, la gente abandona el modelo aunque el modelo pronostique mejor. Al humano le perdonamos errores mayores que a la fórmula: el error del modelo se lee como defecto fatal ("no entiende los matices"); el propio, como mala suerte. El mismo equipo encontró el antídoto: si a la gente se le permite ajustar el resultado del modelo, aunque sea un poco, la adopción sube dramáticamente —el control simbólico compra la aceptación—. Para el que implementa scoring, pronósticos base o reglas de decisión, la lección de diseño es directa: modelo propone, humano dispone dentro de límites —y el sistema completo le gana tanto al puro comité como al puro modelo abandonado en un cajón—.

Con esto cierra la serie, y conviene cerrarla como sistema, porque eso es una empresa: una fábrica de decisiones —cientos por año, de la contratación al CapEx—, que puede seguir tratándolas como episodios de inspiración individual o empezar a tratarlas como trata a la producción: con proceso, instrumentos y control de calidad. Las tres partes son las tres preguntas de ese sistema. ¿Qué corrige el aparato? —los sesgos de serie: vista externa, premortem, estimaciones independientes, reglas de salida, proceso que se audita (Parte 1)—. ¿Qué pide el territorio? —mejores prácticas en lo claro, análisis experto en lo complicado, ensayo controlado en lo complejo, acción en lo caótico (Parte 2)—. ¿Quién decide: el olfato, la regla o el ensayo? —intuición solo donde hubo entorno regular y feedback de calidad; fórmulas donde la decisión es repetitiva y verificable; juicio probabilístico entrenado y agregado donde la pregunta es única; e higiene de ruido en todos lados (Parte 3)—.

Tabla — Qué decisor corresponde a qué decisión. Elaboración 32sur sobre la evidencia citada en esta serie.

Preguntas para el lunes

Para el sistema de decisión de su empresa:

Cerramos la serie donde empezó, con el juez y los dados. Lo inquietante de aquel experimento nunca fue el dado: fue que el dado compitiera —que el juicio profesional, librado a sí mismo, fuera tan permeable que un número al azar lo moviera casi un 50%—. Tres artículos después, la conclusión es menos cínica y más práctica: el juicio humano no es confiable ni descartable —es un instrumento potente, con defectos de fábrica conocidos, que rinde según el entorno en que se formó y el proceso dentro del cual opera—. Las organizaciones que deciden bien no tienen mejores cabezas: tienen mejor sistema alrededor de las cabezas. Sesgos corregidos por proceso, método elegido por territorio, y cada decisión asignada al decisor —olfato, regla o ensayo— que la evidencia respalda. Lo demás es tirar los dados con elegancia.