Resumen en PDF:Ruido, por Daniel Kahneman, Olivier Sibony y Cass Sunstein

¿Por qué dos personas similares, condenadas por el mismo delito, reciben sentencias drásticamente diferentes? ¿Por qué se contrata a un candidato a un puesto de trabajo cuando ni siquiera se entrevista a otro igualmente cualificado? La respuesta, según Daniel Kahneman (Pensar rápido, pensar despacio), Olivier Sibony y Cass R. Sunstein(Nudge), es el ruido: lavariacióninesperaday no deseada de los juicios humanos. Kahneman, Sibony y Sunstein sostienen que comprender y contrarrestar este tipo de ruido es clave para mejorar los juicios que afectan a algunos de los aspectos más importantes de nuestras vidas, como el sistema judicial, la atención médica, la educación y las decisiones empresariales.

Basándose en décadas de investigación y en su propia experiencia como consultores de ruido, los autores explican qué es el ruido, de dónde procede y cómo podemos reducirlo para que nuestro mundo sea más justo y coherente. En esta guía, profundizaremos en el concepto de ruido relacionándolo con el trabajo previo de los autores y con ideas similares en campos que van desde el comercio financiero hasta los ojeadores de béisbol.

(continúa)...

Por ejemplo, puedes saber si hace sol o está nublado. Es un juicio cualitativo: ¿Hay nubes en el cielo o no? En general, también se puede saber si hace frío o calor. Pero si se le expusiera a una serie de temperaturas diferentes y se le pidiera que las ordenara del más frío al más cálido, cometería errores rápidamente. (Según los autores, los estudios han descubierto que podemos clasificar las cosas en unos siete niveles de calidad o intensidad antes de empezar a cometer errores de clasificación). Lo harás bien si puedes comparar directamente un elemento con otro, pero si te dan un conjunto de elementos y te piden que los clasifiques o categorices, cometerás errores más fácilmente de lo que crees.

Por último, los autores señalan que cualquier tipo de juicio que requiera evaluar cosas en una escala se vuelve más ruidoso a medida que la escala se vuelve menos definida. Sin un contexto adecuado y un marco de referencia compartido sobre el significado de los valores y la forma de asignarlos, los juzgadores se ven obligados a adivinar, lo que hace que el juicio sea arbitrario. Como cada persona adivina de forma diferente, la escala se vuelve ruidosa.Shortform Nota breve: más adelante en esta guía exploraremos formas de mejorar las escalas de valoración).

Fuentes sociales de Ruido

No sólo cada uno de nosotros producimos nuestro propio ruido a través de nuestra forma de entender el mundo, sino que , cuando las personas trabajan en grupo para emitir juicios, los factores sociales añaden nuevas fuentes de ruido.

Por un lado, la popularidad (real o percibida) afecta a la forma en que la gente ve la información. Una idea que recibe apoyo público o popularidad desde el principio tiene más probabilidades de triunfar, independientemente del mérito inherente de la idea. Este fenómeno se denomina cascada de información. Cuando una persona comparte una opinión, es más probable que el siguiente orador esté de acuerdo con esa persona, a menos que tenga buenas razones para no hacerlo. El efecto se acentúa con cada persona que comparte la opinión inicial. Cuando un grupo emite un juicio, muchas personas pueden empezar indecisas o con sentimientos encontrados. Su decisión, por tanto, suele estar determinada por la opinión que inició la cascada de información.

Como la mayoría de la gente está de acuerdo al final del proceso, pensamos que el resultado era inevitable, pero no lo era. Con un punto de partida diferente, el resultado podría haber sido distinto. Esto no nos resulta obvio porque cada situación del mundo real (como ésta) sólo se produce una vez.

Los grupos también son susceptibles de polarización, lo que significa que los miembros pasan a una versión más extrema de sus opiniones iniciales. Si todos los miembros de un comité de contratación se sienten ligeramente entusiasmados con el candidato A, al final de la reunión podrían sentirse apasionadamente entusiasmados con el candidato A. Por el contrario, si algunos miembros se sienten ligeramente entusiasmados con el candidato A mientras que otros se sienten ligeramente entusiasmados con el candidato B, el efecto de polarización podría llevar a un punto muerto en el que la mitad del comité apoye firmemente a A y se oponga firmemente a B, y viceversa.

Superar el pensamiento de grupo

Las cascadas de información y la polarización también pueden alimentarse mutuamente. Por azar, el primer orador influye en el grupo en una dirección determinada (iniciando una cascada de información) y, a continuación, el efecto de polarización garantiza que el grupo se mueva decisivamente en esa dirección, incluso si ningún miembro del grupo se sentía especialmente decidido sobre ninguna dirección cuando llegó a la reunión. La interacción entre estos dos fenómenos podría ser una fuente de lo que tradicionalmente se ha llamado "pensamiento de grupo".

En OriginalesAdam Grant sostiene que, en un entorno empresarial, el pensamiento de grupo también es consecuencia directa de la actitud de la empresa hacia las voces discrepantes. En estos entornos, ser transparente, invitar a la disidencia y elegir líderes que acepten de verdad las críticas puede ayudar a reducir el riesgo de pensamiento de grupo a la hora de tomar decisiones. Merece la pena tener en cuenta estos principios cuando hablemos de la sabiduría de las multitudes más adelante en esta guía. Sólo se puede aprovechar la sabiduría de la multitud cuando un grupo está formado por personas con puntos de vista diferentes y cuando esas personas se sienten libres para expresar sus ideas.

Cómo reducir o eliminar Ruido

Ahora que sabemos qué es el ruido y de dónde procede, podemos estudiar los pasos necesarios para reducirlo o eliminarlo de las sentencias. Los autores de Ruido ofrecen algunas soluciones, entre ellas herramientas de juicio mecánico (modelos y algoritmos) que pueden sustituir o aumentar el juicio humano, así como una serie de sugerencias para reducir el ruido en la toma de decisiones humanas.

Detección y medición Ruido

Normalmente, el primer paso para reducir el ruido es averiguar cuánto ruido hay en primer lugar. Este paso es necesario porque los administradores tienden a creer que sus organizaciones emiten juicios coherentes y, hasta que no puedan ver el problema de primera mano, pueden resistirse al cambio.

Para determinar cuánto ruido hay en una empresa, organización o sistema, los autores esbozan un proceso de auditoría del ruido que utilizan cuando asesoran a empresas. El libro incluye un apéndice con directrices detalladas para llevar a cabo una auditoría de ruido. La idea general es que una organización entregue un conjunto de casos de muestra a todos sus miembros, cuyo trabajo consiste en emitir juicios sobre dichos casos. Por ejemplo, una compañía de seguros entregaría un conjunto de siniestros de muestra a todos sus peritos. Los peritos auditados emiten sus juicios de forma independiente, y luego se comparan los resultados para ver cuánta variabilidad hay en toda la organización.

Juicios mecánicos

Una vez detectado el ruido, hay varias opciones para reducirlo. Una de ellas es eliminar por completo el juicio humano de la ecuación. Para ello, la toma de decisiones puede gestionarse mediante modelos estadísticos o algoritmos informáticos.

Aunque abordan varios métodos de juicio mecánico (que explicaremos brevemente a continuación), los autores están más interesados en reducir el ruido en el juicio humano que en sustituir el juicio humano por el mecánico. Esto se debe en parte a que, como señalan los autores, las predicciones mecánicas no pueden hacer nada que los humanos no puedan hacer, simplemente lo hacen con mayor precisión predictiva. Los autores sostienen que esta mayor precisión se debe sobre todo a la eliminación del ruido, por lo que podríamos ver la eficacia de los juicios mecánicos más como una demostración de las ventajas de la reducción del ruido que como una solución general al problema del ruido.

Shortform Nota breve: Aunque los autores se pronuncian a favor de mejorar los juicios humanos en lugar de sustituirlos, quizá no lo hacen con la claridad que podrían, dada la forma en que algunos críticos se centran en los peligros de los algoritmos como principal crítica a las recomendaciones del libro. De hecho, los autores dedican mucho tiempo a explicar los modelos y algoritmos y a defenderlos de posibles críticas, lo que tal vez crea una impresión errónea de lo importantes que son para Ruidode Ruido. Para mantener la atención en las formas de mejorar el juicio humano, hemos mantenido la siguiente discusión de modelos y algoritmos breve y al grano).

Modelos estadísticos

Una forma de hacer predicciones es utilizar un modelo estadístico. Un modelo estadístico es una fórmula que utiliza variables ponderadas para calcular la probabilidad de un resultado. Por ejemplo, se puede construir un modelo estadístico que prediga la probabilidad de que un estudiante se gradúe en la universidad asignando pesos a factores como el GPA del instituto, las puntuaciones SAT, el número de actividades extracurriculares, si los padres del estudiante se graduaron en la universidad, etc.

Los estudios han demostrado que los modelos estadísticos simples que aplican medias ponderadas de variables relevantes superan sistemáticamente los juicios predictivos humanos. De hecho, los autores aportan estudios que sugieren que cualquier modelo estadístico, ya sea cuidadosamente elaborado o improvisado al azar, puede predecir resultados mejor que los humanos.

Los autores sostienen que este rendimiento superior se debe simplemente a que los modelos estadísticos (y, por extensión, los algoritmos) eliminan el ruido. Incluso el modelo más burdo o arbitrario tiene la ventaja de ser coherente en todos los casos. Y aunque los jueces humanos pueden sopesar sutiles factores subjetivos que un modelo no puede tener en cuenta, los autores sugieren que esta subjetividad tiende a añadir más ruido que claridad predictiva. Como hemos visto antes, no somos muy buenos reconociendo qué factores son relevantes para nuestras predicciones.

Algoritmos informáticos

Otra forma más reciente y compleja de juicio mecánico es el algoritmo informático. Los autores explican que los algoritmos informáticos se basan en la idea básica del modelado estadístico, pero también presentan ventajas adicionales que mejoran su precisión. Como tienen en cuenta conjuntos de datos masivos y pueden programarse para aprender de su propio análisis, los algoritmos pueden detectar patrones que los humanos no pueden. Estos patrones pueden formar nuevas reglas que mejoran la precisión de los juicios.

Los autores reconocen que los algoritmos no son perfectos y que si se entrenan con datos que reflejan prejuicios humanos, reproducirán esos prejuicios. Por ejemplo, si un algoritmo creado para predecir la reincidencia criminal se construye a partir de un conjunto de datos que refleja sesgos raciales en el sistema judicial, el algoritmo perpetuará esos sesgos raciales.Shortform Nota breve: Por ejemplo, tras años de desarrollo, Amazon descubrió que su algoritmo de contratación favorecía sistemáticamente a los hombres en detrimento de las mujeres. Del mismo modo, los algoritmos publicitarios de Facebook han sido objeto de críticas por contribuir a difundir desde noticias falsas hasta discursos de odio).

Combinación de juicio mecánico y humano

Como los autores están más interesados en encontrar formas de mejorar el juicio humano, no prestan mucha atención a la opción de combinar el juicio humano y el mecánico. Este enfoque híbrido tiene precedentes en la vida real y a veces puede ser la mejor manera de abordar un problema.

Por ejemplo, tras el éxito del libro de Michael Lewis Moneyballde Michael Lewis, algunos equipos de béisbol empezaron a privilegiar el análisis estadístico riguroso sobre el scouting tradicional a la hora de decidir qué jugadores adquirir. En aquella época, no existía un método estadístico eficaz para medir las habilidades de campo de los jugadores, por lo que algunos equipos descuidaron la defensa en favor de habilidades ofensivas más fáciles de medir. En la práctica, estos equipos cedían tantas carreras que contrarrestaban los beneficios de su nuevo enfoque estadístico.

En los últimos años, la mayoría de los equipos han adoptado técnicas de modelado estadístico, pero los que han tenido más éxito han combinado estos modelos con el tradicional scouting humano. Este enfoque híbrido funciona porque los ojeadores pueden tener en cuenta cosas que los modelos no, como los factores mentales necesarios para triunfar en el béisbol profesional.

El béisbol proporciona un contraargumento a Ruidocontra la subjetividad humana. Pero la clave aquí es que los equipos han aprendido a combinar los juicios humanos y mecánicos de forma que se maximicen los puntos fuertes y se minimicen las debilidades de cada uno.

Higiene de las decisiones

A pesar de las posibles ventajas de los juicios mecánicos, los autores están más interesados en encontrar formas de reducir el ruido en los juicios humanos. Afirman que la mejor forma de mejorar los juicios humanos es aplicando una "higiene de las decisiones", es decir, medidas preventivas y coherentes para minimizar la posibilidad de que se produzca ruido. La higiene de las decisiones consiste en una serie de sugerencias, prácticas y principios que analizamos a continuación.Shortform NotaShortform : con una excepción (véase el ejemplo de procedimiento de contratación más abajo), los autores no establecen un curso de acción específico y sistemático. Es de suponer que las organizaciones deberían esforzarse por aplicar tantas de las siguientes sugerencias como sean pertinentes y factibles).

Pensar estadísticamente

Recordemos que nuestra forma normal de pensar, causal, es propensa a errores y sesgos que se manifiestan como ruido. Para que nuestro pensamiento sea más preciso, tenemos que adoptar un punto de vista estadístico. Los autores sugieren que, en lugar de tratar cada caso como un elemento único, deberíamos aprender a pensar en él como un miembro de una clase más amplia de cosas similares. Entonces, al predecir la probabilidad de un resultado, deberíamos tener en cuenta la probabilidad de ese resultado en toda la clase. Volviendo a un ejemplo anterior, si intentamos predecir la probabilidad de que un estudiante se gradúe en la universidad, primero tenemos que saber qué porcentaje de todos los estudiantes que entran en la universidad acaban graduándose.

Cómo pensar estadísticamente

Nuestra incapacidad para pensar estadísticamente es un tema importante en Pensar rápido, pensar despacio. En ese libro, Kahneman ofrece una visión más detallada de los errores de pensamiento de este tipo y sugiere formas de superarlos. Como también sugiere en Ruidola idea básica es tener en cuenta las probabilidades básicas.

En La Señal y el RuidoNate Silver sugiere otro enfoque del pensamiento estadístico basado en una fórmula estadística conocida como Teorema de Bayes. Cuando se hace una predicción utilizando el Teorema de Bayes, se empieza con una conjetura preliminar sobre la probabilidad de un acontecimiento. Lo ideal es que esta suposición se base en datos concretos, como una probabilidad base. A continuación, se realizan algunos cálculos en los que se ajusta la probabilidad inicial en función de las pruebas específicas relacionadas con lo que se intenta predecir. Por último, se repite este proceso tantas veces como sea posible, empezando cada vez con la probabilidad actualizada más recientemente.

Este enfoque tiene dos ventajas. En primer lugar, tiene en cuenta explícitamente el ruido del juicio humano al incluir estimaciones y predicciones humanas en la fórmula. En segundo lugar, exige la comprobación repetida de una predicción o hipótesis para mejorar la precisión en respuesta a las pruebas actualizadas. Curiosamente, Silver sostiene que un enfoque bayesiano habría evitado la crisis de replicabilidad que ha asolado recientemente a las ciencias, incluidosalgunos de los estudios de Pensar rápido, pensar despacio.

Elegir (y formar) a mejores jueces

Los autores sostienen que es posible mejorar la calidad de los jueces humanos. Podemos hacerlo encontrando mejores juzgadores en primer lugar y ayudando a los juzgadores a mejorar sus técnicas y procesos.

Hay que tener en cuenta dos factores a la hora de identificar a los buenos jueces. Algunos campos tratan de resultados objetivamente correctos o incorrectos; en estos casos, los jueces pueden medirse por sus resultados objetivos. Sin embargo, como señalan los autores, otros campos se basan más bien en la pericia, que no puede medirse con una métrica. Pero en cualquier campo se puede evaluar a los jueces por su inteligencia general, su estilo cognitivo y su amplitud de miras; estos rasgos están correlacionados con una mejor capacidad de juicio. Los autores subrayan, sin embargo, que la inteligencia por sí sola no convierte a alguien en un buen juez. Los otros dos rasgos son igual o más importantes.

Los autores también señalan que algunos miembros de la población general son superpronosticadores, y sus predicciones son sistemáticamente más exactas que las del experto medio formado. Lo ideal sería contratar a estas personas o nombrarlas jueces. Los autores identifican varios rasgos de los superpronosticadores que podemos utilizar para elegir a los mejores o para formar mejor a los que ya existen:

• Tienen una mentalidad abierta.
• Están dispuestos a actualizar sus opiniones y predicciones cuando surgen nuevas pruebas.
• Tienen un pensamiento estadístico natural; a diferencia de la mayoría de nosotros , se les ocurre tener en cuenta factores como los tipos básicos.
• Desglosan los problemas y consideran los elementos utilizando la probabilidad en lugar de confiar en una "corazonada" holística sobre la respuesta.

Erizos y zorros

Ruidose basa en los trabajos de Philip E. Tetlock y Dan Gardner. En SuperforecastingTetlock y Gardner ofrecen una descripción particularmente colorida de lo que hace a los superpronosticadores tan super: tienden a ser zorros, no erizos. La idea básica es que una persona con personalidad de erizo tiende a ver el mundo a través de la lente de una gran idea, hace juicios rápidos sobre las cosas y es extremadamente confiada en sus predicciones. Por el contrario, una persona con personalidad de zorro tiende a recopilar pequeños fragmentos de información sobre muchas cosas, aborda un problema lentamente y desde múltiples ángulos, y es prudente y matizada en sus predicciones.

Como se puede adivinar, Tetlock y Gardner sugieren que los zorros son mejores predictores que los erizos. Por suerte, el resto de nosotros también podemos practicar las habilidades de los zorros. Podemos aprender a reconocer y evitar nuestros propios sesgos cognitivos. Podemos generar múltiples perspectivas sobre un problema. Y podemos aprender a dividir los problemas en preguntas más pequeñas.

Si estas técnicas le resultan familiares, es porque son esencialmente las mismas que muchas de las recomendaciones de Ruido.

Secuenciar cuidadosamente la información

Dado que los juicios están sujetos a la influencia de la información, las pistas contextuales, el sesgo de confirmación, etc., es importante controlar y secuenciar cuidadosamente la información que reciben los juzgadores. Los autores ofrecen algunas pautas para aplicar esta estrategia:

• Como norma básica, a los jueces sólo se les debe dar lo que necesitan cuando lo necesitan.
• Debemos asegurarnos de que los juicios independientes son de hecho independientes; si la persona que verifica el resultado conoce la conclusión de la primera persona, es más probable que la verifique.
• Por último, los autores sugieren que los juzgadores documenten sus conclusiones en cada paso del proceso; y si nueva información les lleva a cambiar sus decisiones, deben explicar y justificar por qué.

Shortform Nota breve: también es importante tener en cuenta cuánta información reciben los jueces. Tanto Malcolm Gladwell como Nate Silver señalan que la sobrecarga de información conduce a malas decisiones, ya sea porque no nos centramos en lo más importante o porque nos sentimos abrumados y recurrimos a patrones familiares y nociones preconcebidas).

Sentencias agregadas

Otra forma de reducir el ruido, y de hecho convertirlo en algo positivo, es agregando juicios. Se pueden reunir varias opiniones independientes y luego compararlas o hacer una media, o se pueden formar equipos que emitan una opinión conjunta. Según los autores, estastécnicas aprovechan la sabiduría de las multitudes, un efecto demostrado por el cual los juicios de un grupo de personas tienden, en su conjunto, a centrarse en la respuesta correcta.

Esta técnica funciona mejor si se forma un equipo cuyos puntos fuertes, puntos débiles y prejuicios se equilibren entre sí. La idea es obtener tantas perspectivas diferentes sobre un problema como sea posible con la esperanza de encontrar la mejor respuesta en algún punto intermedio.

Shortform Nota breve: los autores dicen en otra parte que el ruido no se promedia, pero eso es para un montón de decisiones ruidosas en un sistema; aquí estamos hablando de promediar las opiniones antes de que se tome una decisión final y antes de que se emprenda cualquier acción).

Una forma práctica de agregar juicios en el marco de una reunión típica es el procedimiento de estimación-charla-estimación:

• En primer lugar, cada miembro del grupo hace una estimación en privado: algún tipo de previsión, predicción o evaluación.
• A continuación, cada uno explica y justifica su estimación.
• Tras el debate, cada miembro hace una nueva estimación basada en la discusión. Estos juicios de segunda ronda se agregan en una decisión final.

Como este procedimiento requiere que cada persona empiece con un juicio independiente, reduce el ruido que proviene de las cascadas de información y la polarización. Al mismo tiempo, equilibra los sesgos psicológicos individuales al animar a las opiniones atípicas a moverse hacia el centro.Shortform Nota breve: este procedimiento de estimación-voz-estimación también tiene inconvenientes. Por ejemplo, como su objetivo es llegar a un consenso, puede desalentar la disensión y provocar una falsa sensación de acuerdo, muy parecida a las cascadas de información que pretende evitar. Los enfoques alternativos, como el delphi político y el delphi argumentativo, evitan este escollo al no aspirar al consenso, sino a generar una amplia gama de perspectivas discrepantes).

Cómo juzgar mejor por sí mismo

La mayoría de las sugerencias de los autores para reducir el ruido están dirigidas a las organizaciones, pero ¿y si quiere mejorar sus propios juicios como individuo? Algunas de las sugerencias de esta sección son lo bastante sencillas como para adoptarlas a título individual. Por ejemplo, puede practicar por su cuenta el pensamiento estadístico o el desglose de problemas. Pero, ¿cómo puede agregar juicios si trabaja solo y no en grupo?

El truco consiste en generar tantas perspectivas como sea posible antes de tomar una decisión o hacer una predicción. Una forma de hacerlo es leer todo lo que puedas sobre el problema en cuestión. Busque tantas perspectivas y opiniones diferentes como sea posible: recuerde que está intentando reproducir el beneficio de la sabiduría popular, que sólo funciona cuando se reúne una diversidad de puntos de vista.

Otra forma de generar perspectivas alternativas es buscar deliberadamente información que refute tu predicción o tu línea de acción preferida. Esta técnica se denomina empirismo negativo, y te da más perspectiva sobre un problema al tiempo que evita algunas de las falacias lógicas de las que podrías ser presa de otro modo.

Divida las sentencias en componentes más pequeños

Los autores sugieren que es más fácil evitar el ruido cuando se divide una decisión global en un conjunto de subjuicios más pequeños y concretos. Los procedimientos normalizados, las listas de comprobación, las directrices y las evaluaciones ayudan en este sentido. Por ejemplo, los profesores pueden reducir el ruido en la calificación de redacciones utilizando rúbricas. Pedir al evaluador que asigne puntuaciones individuales a la originalidad, la claridad lógica, la organización y la gramática del trabajo antes de calcular la calificación final facilita el juicio. Desglosar la calificación de este modo también ayuda a garantizar que todos los evaluadores siguen los mismos procedimientos y prestan atención a los mismos factores.

Los autores admiten que esta estrategia no es perfecta. Señalan que en el campo de la salud mental, el DSM -un libro destinado a ayudar y estandarizar los diagnósticos mentales- apenas ha reducido el ruido diagnóstico. Una de las razones es que los psiquiatras y psicólogos suelen interpretar los signos y síntomas a través de la lente de su formación y experiencia. En otras palabras, las diferentes concepciones teóricas de la mente y de este tipo de trastornos determinan la forma en que los distintos profesionales entienden los hechos que se les presentan.

¿Hay campos ruidosos?

Los autores sugieren que los diagnósticos de salud mental son incoherentes debido a las diferentes formaciones y orientaciones teóricas de los distintos profesionales de la salud mental. Eso es cierto, pero también hay motivos para pensar que la salud mental puede ser un campo intrínsecamente ruidoso.

Uno de los motivos es que los trastornos mentales se solapan y se influyen mutuamente: si sufre depresión, es muy probable que también padezca ansiedad. Asimismo, puede ser difícil separar la salud mental de la salud física. Además, los profesionales discrepan sobre las mejores prácticas para diagnosticar y tratar los problemas de salud mental, incluidas cuestiones básicas como si un determinado conjunto de síntomas es un trastorno o sólo una diferencia.

Estos factores sugieren que algunos campos pueden ser más propensos al ruido -y más resistentes a la reducción del ruido- que otros. Esto no quiere decir que la salud mental, por ejemplo, no pueda ser menos ruidosa. Simplemente, para conseguirlo, puede ser necesario un análisis y una reforma que quedan fuera del alcance de las técnicas de higiene acústica que estamos explorando aquí.

Reglas y normas de uso

Una forma de dividir los juicios en partes más pequeñas es aplicar reglas y/o normas. Shortform NotaShortform : los autores introducen reglas y normas como parte de un debate más amplio sobre los pros y los contras de aplicar la reducción del ruido. Creemos que merece la pena considerar las reglas y normas como estrategias de higiene acústica, y por eso las hemos incluido aquí).

• Las normas ofrecen orientaciones explícitas, normalmente vinculadas a medidas objetivas. Por ejemplo, existe una tasa máxima de alcoholemia permitida por encima de la cual un conductor puede ser acusado de conducir ebrio.
• Las normas son directrices sugestivas que requieren cierto grado de interpretación y aplicación subjetivas. Por ejemplo, los funcionarios encargados de hacer cumplir la ley están formados para reconocer posibles signos de deficiencia (por ejemplo, conducción errática) y para realizar pruebas de sobriedad sobre el terreno.

A la hora de decidir entre reglas y normas, los autores afirman que primero debemos determinar cuál de ellas provocará más errores. También señalan que a veces no es posible aplicar normas porque las personas que las elaboran no se ponen de acuerdo (por ejemplo, por diferencias políticas o morales) o porque no disponen de la información necesaria para redactar una norma adecuada.

Los autores sugieren además que , en algunos casos, lo mejor es combinar reglas y normas. Las directrices obligatorias para la imposición de penas adoptan este enfoque, estableciendo una pena mínima y máxima para un delito determinado (norma) y pidiendo a los jueces que determinen una pena justa para cada caso individual (estándar).

Decisiones de segundo orden

Las reglas y normas son ejemplos de lo que Sunstein y Edna Ullmann-Margalit llaman decisiones de segundo orden-estrategias que utilizamos para reducir nuestra carga cognitiva cuando las decisiones son demasiado numerosas, repetitivas, difíciles o ambiguas para tomarlas una a una. Otras decisiones de segundo orden son:

• Presunciones, que son pautas similares a reglas que permiten la posibilidad de excepciones en algunos casos.

• Rutinas, como lavarse siempre los dientes justo antes de acostarse.

• Dar pequeños pasos reversibles, como cuidar del perro de un vecino antes de comprometerse a adoptar uno propio.

• Elegir al azar en lugar de hacerlo deliberadamente, como lanzar un dardo a un mapa para decidir dónde ir de vacaciones.

• Delegar, por ejemplo, permitiendo que su pareja elija la cena de esta noche.

• Heurística, como la operación de coincidencia descrita anteriormente en esta guía.

Utilizar mejores básculas

Como ya se ha dicho, gran parte del ruido procede de nuestro intento de juzgar las cosas utilizando escalas. Si la escala es poco clara, demasiado compleja o inadecuada para la tarea, habrá ruido. Si la escala requiere que los juzgadores la interpreten o la calibren ellos mismos, habrá ruido. Por eso, en los casos en que las escalas son útiles o necesarias, tenemos que diseñar escalas mejores.

Los autores sostienen que , por regla general, las escalas comparativas son menos ruidosas que las absolutas. Los autores ponen el ejemplo de las calificaciones de rendimiento laboral, que son ruidosas en parte porque las escalas numéricas tradicionales son poco claras y se interpretan de forma diferente de un revisor a otro. ¿Qué constituye un "6" en "habilidades de comunicación" o en "liderazgo"? Sin una orientación explícita sobre lo que significan los números y cómo se correlacionan con las cualidades que miden, cada persona tendrá una comprensión diferente de cómo puntuar a un empleado.

En lugar de evaluar a los empleados en términos de un número absoluto, los autores dicen que es mejor clasificarlos. Por ejemplo, sobre la comunicación de un empleado, pregúntese si sus aptitudes están entre el 20% superior de la empresa, o entre el 20% siguiente, y así sucesivamente. Como ya se ha señalado, en general somos mejores comparando cosas que cuantificándolas en abstracto.

Shortform Nota breve: recordemos el debate anterior sobre las operaciones de correspondencia y el modo en que nuestra mente sustituye una pregunta más fácil por otra más compleja. Sin una orientación clara, probablemente ocurra algo parecido con una escala de valoración imprecisa, ya que sustituimos la pregunta "¿Cómo califica la comunicación de X sobre 10?" por algo como "¿Cómo de impresionado estoy con la comunicación de X?" o "¿Cómo de claro me parece X?").

Una escala comparativa también proporciona puntos de anclaje concretos y descripciones o marcadores claros para cada punto. Un buen punto de anclaje correlaciona un valor específico de la escala con un ejemplo relevante de lo que se está evaluando (si está calificando un trabajo y sabe que una calificación de "C" representa un trabajo medio, ese es su punto de anclaje). Para minimizar el ruido, los puntos de anclaje deben proporcionarse con antelación para que cada evaluador comience con el mismo marco de referencia.

Shortform Nota breve: El anclaje es otro concepto extraído de Pensar rápido, pensar despacio. La idea básica del anclaje es que una información inicial (por ejemplo, una cantidad de donación sugerida) tiene una gran influencia en las acciones que realizamos (en este caso, cuánto decidimos donar). Los autores de Ruido pretenden aprovechar este efecto psicológico utilizándolo para calibrar las valoraciones de los juzgadores).

Ejemplo: Modelo de procedimiento de contratación

Para hacerse una idea de cómo aplicar estas prácticas de higiene en la toma de decisiones en un entorno real, los autores ofrecen una visión general del proceso de contratación de Google. En resumen, el proceso es el siguiente:

1. Determine qué habilidades son las más importantes para el puesto que está contratando.
2. Desarrolle escalas para medir a cada candidato en cada habilidad determinada en el paso 1.
3. Entrevista a cada candidato varias veces con diferentes entrevistadores (Google utiliza cuatro entrevistas). El objetivo de las entrevistas es calificar a los candidatos en función de sus aptitudes. Las entrevistas deben realizarse de forma independiente (los entrevistadores aún no pueden comparar notas).
4. El equipo de contratación se reúne para discutir sus resultados, revisar los datos que han acumulado y, por último, compartir sus impresiones y tomar una decisión global.

Puesta en común

El proceso anterior sintetiza muchas de las sugerencias que hemos explorado en la segunda mitad de esta guía. Los autores lo señalan, pero no de forma clara y metódica. El siguiente análisis muestra cómo el procedimiento de Google incorpora varias técnicas de higiene de la decisión:

• En el paso 1, la empresa descompone un juicio más amplio -¿a quiéndebemos contratar?- en componentes más pequeños.

• En el paso 2, la empresa utiliza los conocimientos adquiridos para crear mejores escalas que garanticen la recogida de datos coherentes y de alta calidad.

• En el paso 3, la empresa secuencia cuidadosamente la información, asegurándose de que las entrevistas sean realmente independientes unas de otras. A esta secuenciación contribuye el establecimiento de reglas y normas claras que rijan las entrevistas y las mantengan coherentes y precisas.

• En el paso 4, la empresa agrega juicios pidiendo a varios entrevistadores que lleguen a una decisión conjunta.

• A un nivel más amplio, el proceso en su conjunto también secuencia la información al pedir a los entrevistadores que no tengan en cuenta sus impresiones subjetivas hasta este último paso. De este modo, la empresa deja margen para que su equipo de contratación tenga reacciones personales ante los candidatos, pero se asegura de que esas reacciones estén mediadas por los datos concretos recopilados a lo largo del resto del proceso y por la sabiduría de grupo de los múltiples entrevistadores (cada uno de los cuales ha tenido la oportunidad de formarse independientemente una opinión sobre el candidato).

Aunque este procedimiento describe específicamente un proceso de contratación, los autores señalan que el proceso puede adaptarse fácilmente a otros tipos de decisiones empresariales, como la realización de una inversión o la adquisición o fusión con una empresa rival.Shortform Nota breve: los autores ofrecen un escenario hipotético detallado para mostrar cómo hacerlo. Para simplificarlo, remítase a los principios expuestos anteriormente: Desglosa el problema, averigua cómo reunir los datos que necesitas, controla cuidadosamente el proceso de recogida de información y, a continuación, agrega los datos y los juicios resultantes).

Conclusión Shortform : Mejorar los juicios evaluativos

Como se ha visto a lo largo de esta guía, muchas de las ideas contenidas en el libro se han explorado en otros lugares, incluso en los propios trabajos anteriores de los autores. Sin embargo, hay al menos un aspecto importante del libro que parece una idea nueva: el argumento de que deberíamos tratar las evaluaciones del mismo modo que tratamos las predicciones.

Para explicar mejor este punto, recordemos que Ruido divide los juicios en dos tipos: predictivos (por ejemplo, predecir el valor futuro de una acción) y evaluativos (por ejemplo, calificar una redacción). Estamos acostumbrados a aceptar que los juicios evaluativos son inherentemente subjetivos: no existe una respuesta correcta para medir su calidad, por lo que parece que no hay forma de mejorar la calidad y la precisión de las evaluaciones. Ciertamente, hay menos bibliografía sobre cómo mejorar las evaluaciones que sobre cómo mejorar las predicciones.

Sin embargo, si aceptamos Ruidoque las evaluaciones y las predicciones son el mismo tipo de cosas (juicios), que ambas sufren de ruido en el mismo grado y por las mismas razones, y que reducir el ruido es algo bueno, entonces se deduce que podemos mejorar nuestros juicios evaluativos. Podemos hacerlo sometiendo nuestras evaluaciones a los mismos consejos que ya han ofrecido muchos autores para hacer mejores predicciones. Es un punto que Ruido pero merece la pena destacarlo, porque esta idea parece realmente original.