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

¿Por qué dos personas similares, condenadas por el mismo delito, reciben sentencias tan diferentes? ¿Por qué se contrata a un candidato para un puesto de trabajo cuando a otro, con las mismas cualificaciones, ni siquiera se le hace una entrevista? La respuesta, según Daniel Kahneman (Pensar, rápido y lento), Olivier Sibony y Cass R. Sunstein (Nudge), es el «ruido»: una variación inesperada e indeseada en 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 nuestro sistema judicial, la atención médica, la educación y las decisiones empresariales.

Basándose en décadas de investigación y en sus propias experiencias como consultores especializados en ruido, los autores explican qué es el ruido, de dónde proviene y cómo podemos reducirlo para hacer de nuestro mundo un lugar más justo y coherente. En esta guía, profundizaremos en el concepto de ruido relacionándolo con los trabajos anteriores de los autores y con ideas similares en ámbitos que van desde el mercado financiero hasta la selección de talentos en el béisbol.

(continuación)...

Por ejemplo, puedes saber si hace sol o está nublado. Eso es un juicio cualitativo: ¿hay nubes en el cielo o no? Por lo general, también puedes saber si hace calor o frío. Pero si te expusieran a una serie de temperaturas diferentes y te pidieran que las clasificaras de más fría a más cálida, cometerías errores rápidamente. (Según los autores, los estudios han demostrado que podemos clasificar las cosas en unos siete niveles de calidad o intensidad antes de empezar a cometer errores de clasificación.) Te irá 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 elementos en una escala se vuelve más impreciso a medida que la escala pierde definición. Sin un contexto adecuado y un marco de referencia compartido sobre el significado de los valores y cómo deben asignarse, quienes emiten el juicio se ven obligados a hacer conjeturas, lo que hace que el juicio resulte arbitrario. Dado que cada persona hace sus conjeturas de forma diferente, la escala se vuelve imprecisa. (Nota de Shortform: Más adelante en esta guía exploraremos formas de mejorar las escalas de valoración.)

Fuentes sociales de ruido

No solo cada uno de nosotros genera su propio «ruido» a través de la forma en que interpretamos el mundo, sino que, cuando las personas trabajan en grupo para llegar a conclusiones, los factores sociales añaden nuevas fuentes de «ruido».

Por un lado, la popularidad (real o percibida) influye en cómo la gente percibe la información. Una idea que recibe apoyo público o popularidad desde el principio tiene más probabilidades de triunfar, independientemente de su mérito intrínseco. Este fenómeno se denomina «cascada de información». Cuando una persona comparte una opinión, es más probable que la siguiente persona que intervenga esté de acuerdo con ella, a menos que tenga buenas razones para no hacerlo. El efecto se intensifica con cada persona que se suma a la opinión inicial. Cuando un grupo está tomando una decisión, es posible que muchas personas empiecen sin tener una opinión definida o con sentimientos encontrados. Por lo tanto, su decisión suele estar determinada por la opinión que dio inicio a la cascada de información.

Dado que la mayoría de la gente está de acuerdo al final del proceso, pensamos que el resultado era inevitable, pero no lo era. Si el punto de partida hubiera sido otro, el resultado podría haber sido diferente. Esto no nos resulta obvio porque cada situación del mundo real (como esta) solo se desarrolla una vez.

Los grupos también son propensos a la polarización, lo que significa que los miembros se inclinan hacia una versión más extrema de sus opiniones iniciales. Si cada miembro de un comité de selección se muestra ligeramente entusiasmado con el candidato A, al final de la reunión es posible que ahora se sienta muy entusiasmado con él. Por el contrario, si algunos miembros se muestran ligeramente entusiasmados con el candidato A mientras que otros lo están con el candidato B, el efecto de polarización podría conducir 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 reforzarse mutuamente. Por casualidad, la primera persona en intervenir 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 de forma decidida en esa dirección, incluso si ningún miembro del grupo se sentía especialmente convencido de ninguna dirección al llegar a la reunión. La interacción entre estos dos fenómenos podría ser una de las causas de lo que tradicionalmente se ha denominado «pensamiento de grupo».

En Originals, Adam Grant sostiene que, en el ámbito empresarial, el pensamiento de grupo también es consecuencia directa de la actitud de la empresa hacia las voces discrepantes. En estos entornos, ser transparente, fomentar la discrepancia y elegir líderes que acojan de verdad las críticas puede ayudar a reducir el riesgo de caer en el pensamiento de grupo a la hora de tomar decisiones. Vale la pena tener en cuenta estos principios cuando abordemos el tema de la sabiduría de las multitudes más adelante en esta guía. Solo se puede aprovechar la sabiduría de las multitudes cuando un grupo está formado por personas con puntos de vista diferentes y cuando esas personas se sienten libres de expresar sus ideas.

Cómo reducir o eliminar el ruido

Ahora que entendemos qué es el ruido y de dónde proviene, podemos analizar las medidas que permiten reducir o eliminar el ruido de los juicios. Los autores de *Noise* ofrecen algunas soluciones, entre las que se incluyen herramientas mecánicas de juicio (modelos y algoritmos) que pueden sustituir o complementar el juicio humano, así como una serie de sugerencias para reducir el ruido en la toma de decisiones humanas.

Detección y medición del ruido

Por lo general, el primer paso para reducir el ruido es determinar, en primer lugar, cuánto ruido hay. Este paso es necesario porque los administradores tienden a creer que sus organizaciones toman decisiones de forma coherente y, hasta que no ven el problema de primera mano, pueden mostrarse reacios al cambio.

Para determinar el nivel de ruido existente en una empresa, organización o sistema, los autores describen un proceso de auditoría de ruido que utilizan cuando prestan asesoramiento 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 proporcione un conjunto de casos de muestra a todos sus miembros cuya función sea emitir juicios sobre dichos casos. Por ejemplo, una compañía de seguros proporcionaría un conjunto de reclamaciones de muestra a todos sus peritos. Los evaluadores sometidos a la auditoría emiten sus juicios de forma independiente y, a continuación, se comparan los resultados para comprobar cuánta variabilidad existe en toda la organización.

Juicios mecánicos

Una vez detectado el ruido, existen varias opciones para reducirlo. Una de ellas consiste en eliminar por completo el juicio humano del proceso. Para ello, la toma de decisiones puede llevarse a cabo mediante modelos estadísticos o algoritmos informáticos.

Aunque abordan varios métodos de juicio mecánico (que explicaremos brevemente más adelante), los autores están más interesados en reducir el ruido en el juicio humano que en sustituir el juicio humano por el juicio mecánico. Esto se debe, en parte, a que, como señalan los autores, las predicciones mecánicas actualmente 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 principalmente a la eliminación del ruido, por lo que podríamos considerar 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.

(Nota de Shortform: Aunque los autores se muestran a favor de mejorar el juicio humano en lugar de sustituirlo, quizá no dejan este punto tan claro como 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 modelos y algoritmos y a defenderlos de posibles críticas, lo que quizá crea una impresión errónea sobre lo fundamentales que son para el plan de acción propuesto en *Noise*. Para mantener la atención en las formas de mejorar el juicio humano, hemos resumido el siguiente análisis sobre modelos y algoritmos, centrándonos en lo esencial.)

Modelos estadísticos

Una forma de hacer predicciones es utilizando un modelo estadístico. Un modelo estadístico es una fórmula que utiliza variables ponderadas para calcular la probabilidad de que se produzca un resultado. Por ejemplo, se podría elaborar un modelo estadístico que predijera la probabilidad de que un estudiante se gradúe en la universidad asignando ponderaciones a factores como la nota media de secundaria, las puntuaciones del SAT, el número de actividades extraescolares, si los padres del estudiante se graduaron en la universidad, etcétera.

Diversos estudios han demostrado que los modelos estadísticos sencillos que aplican medias ponderadas de variables relevantes superan sistemáticamente a las predicciones humanas. De hecho, los autores citan estudios que sugieren que cualquier modelo estadístico , ya sea elaborado con esmero o improvisado al azar, puede predecir los resultados mejor que los seres 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 rudimentario o arbitrario tiene la ventaja de ser coherente en todos y cada uno de los casos. Y aunque los evaluadores humanos pueden sopesar factores subjetivos sutiles 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 anteriormente, no se nos da muy bien reconocer 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 de la modelización estadística, pero también aportan ventajas adicionales que mejoran su precisión. Dado que tienen en cuenta conjuntos de datos masivos y pueden programarse para aprender a partir de su propio análisis, los algoritmos pueden detectar patrones que los seres humanos no pueden percibir. Estos patrones pueden dar lugar a 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 sesgos humanos, reproducirán dichos sesgos. Por ejemplo, si un algoritmo diseñado para predecir la reincidencia delictiva se crea a partir de un conjunto de datos que refleja sesgos raciales en el sistema judicial, dicho algoritmo perpetuará esos sesgos raciales. (Nota de Shortform: Por ejemplo, tras años de desarrollo, Amazon descubrió que su algoritmo de selección de personal favorecía sistemáticamente a los hombres frente a las mujeres. Del mismo modo, los algoritmos publicitarios de Facebook han sido objeto de críticas por contribuir a la difusión de todo tipo de contenidos, desde noticias falsas hasta discursos de odio) .

La combinación del juicio mecánico y el juicio humano

Dado que 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 con el mecánico. Este enfoque híbrido tiene precedentes en la vida real y, en ocasiones, puede ser la mejor forma de abordar un problema.

Por ejemplo, tras el éxito de la obra de Michael Lewis *Moneyball*, algunos equipos de béisbol empezaron a dar prioridad a un riguroso análisis estadístico frente a la selección tradicional de jugadores a la hora de decidir a qué jugadores fichar. En aquel momento, no existía un método estadístico eficaz para medir las habilidades defensivas de los jugadores, por lo que algunos equipos descuidaron la defensa en favor de las habilidades ofensivas, más fáciles de medir. En la práctica, estos equipos encajaron tantas carreras que contrarrestaron los beneficios de su nuevo enfoque estadístico.

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

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

Higiene en la toma de decisiones

A pesar de las posibles ventajas de los juicios mecánicos, lo que más interesa a los autores es encontrar formas de reducir el ruido en los juicios humanos. Afirman que la mejor manera de mejorar los juicios humanos es aplicar la «higiene de la toma de decisiones»: medidas preventivas y coherentes destinadas a minimizar la probabilidad de que se produzca ruido. La «higiene de la toma de decisiones» consiste en un conjunto flexible de sugerencias, prácticas y principios que analizamos a continuación. (Nota de Shortform: con una excepción (véase el «Procedimiento de contratación de ejemplo» más abajo), los autores no establecen un plan de acción específico ni sistemático. Es de suponer que las organizaciones deberían esforzarse por aplicar tantas de las siguientes sugerencias como sean pertinentes y viables).

Piensa de forma estadística

Recordemos que nuestra forma habitual de pensar, basada en la causalidad, es propensa a cometer errores y sesgos que se manifiestan como «ruido». Para que nuestro razonamiento sea más preciso, debemos adoptar una perspectiva estadística. Los autores sugieren que, en lugar de tratar cada caso como un elemento único, deberíamos aprender a considerarlo como un miembro de una clase más amplia de elementos similares. Así, a la hora de predecir la probabilidad de un resultado, deberíamos tener en cuenta la probabilidad de que ese resultado se dé en el conjunto de toda la clase. Volviendo a un ejemplo anterior, si intentamos predecir la probabilidad de que un estudiante se gradúe en la universidad, primero debemos saber qué porcentaje de todos los estudiantes que acceden a la universidad acaba graduándose.

Cómo pensar de forma estadística

Nuestra incapacidad para pensar de forma estadística es uno de los temas principales de *Pensar rápido, pensar despacio*. En ese libro, Kahneman analiza con más detalle los errores de razonamiento de este tipo y sugiere formas de superarlos. Tal y como también se sugiere en *Ruido*, la idea básica consiste en tener en cuenta las probabilidades de base.

En La señal y el ruido, Nate Silver propone otro enfoque del razonamiento estadístico basado en una fórmula estadística conocida como el teorema de Bayes. Al realizar una predicción utilizando el teorema de Bayes, se parte de una estimación preliminar sobre la probabilidad de que se produzca un acontecimiento. Lo ideal es que esta estimación se base en datos concretos, como una probabilidad de base. A continuación, se realizan unos cálculos en los que se ajusta la probabilidad inicial a la luz de pruebas específicas relacionadas con lo que se está tratando de predecir. Por último, se repite este proceso tantas veces como sea posible, partiendo cada vez de la probabilidad actualizada más recientemente.

Este enfoque presenta dos ventajas. En primer lugar, tiene en cuenta de forma explícita el ruido en el juicio humano al incorporar las estimaciones y predicciones humanas en la fórmula. En segundo lugar, exige la comprobación repetida de una predicción o hipótesis con el fin de mejorar la precisión a la luz de las nuevas pruebas. Curiosamente, Silver sostiene que un enfoque bayesiano habría evitado la crisis de replicabilidad que ha afectado recientemente a las ciencias,incluidos algunos de los estudios de «Pensar, rápido y lento».

Elige (y forma) a mejores evaluadores

Los autores sostienen que es posible mejorar la calidad de los evaluadores humanos. Podemos hacerlo, en primer lugar, seleccionando a los mejores evaluadores y, en segundo lugar, ayudándoles a mejorar sus técnicas y procesos.

Hay dos factores que hay que tener en cuenta a la hora de identificar a las personas con buen criterio. Algunos campos se ocupan de resultados objetivamente correctos o incorrectos; en estos casos, se puede evaluar a estas personas en función de sus resultados objetivos. Sin embargo, como señalan los autores, otros campos se basan, en cambio, en la experiencia, que no se puede medir con un indicador. No obstante, en cualquier campo se puede evaluar a estas personas en función de su inteligencia general, su estilo cognitivo y su apertura mental; estos rasgos están relacionados con una mayor capacidad de juicio. Los autores subrayan, no obstante, que la inteligencia por sí sola no convierte a alguien en un buen evaluador. Los otros dos rasgos son igual de importantes, si no más.

Los autores también señalan que algunos miembros de la población general son «superpronosticadores», y que sus predicciones son sistemáticamente más precisas que las de un experto cualificado medio. Lo ideal sería que estas fueran las personas a las que contratáramos o nombráramos como evaluadores. Los autores identifican varios rasgos que presentan los «superpronosticadores» y que podemos utilizar para seleccionar mejores evaluadores o para formar mejor a los que ya están en el cargo:

• Son personas de mente abierta.
• Están dispuestos a revisar sus opiniones y predicciones cuando surjan nuevas pruebas.
• Piensan de forma natural en términos estadísticos; a diferencia de la mayoría de nosotros, sí que se les ocurre tener en cuenta factores como las tasas de base.
• Desglosan los problemas y analizan los elementos basándose en la probabilidad, en lugar de confiar en una «intuición» general sobre la respuesta.

Erizos y zorros

El análisis que hace «Noise»sobre los superpronosticadores se basa en el trabajo de Philip E. Tetlock y Dan Gardner. En *Superforecasting*, Tetlock y Gardner ofrecen una descripción especialmente pintoresca de lo que hace que los «superpronosticadores» sean tan «super»: suelen ser «zorros», no «erizos». La idea básica es que una persona con personalidad de «erizo» tiende a ver el mundo a través del prisma de una gran idea, emite juicios precipitados sobre las cosas y tiene una confianza extrema 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 con calma y desde múltiples ángulos, y se muestra cautelosa y mesurada en sus predicciones.

Como es de suponer, Tetlock y Gardner sugieren que los zorros son mejores a la hora de hacer predicciones 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 desglosar los problemas en preguntas más pequeñas.

Si estas técnicas te resultan familiares, es porque, en esencia, son las mismas que muchas de las recomendaciones que aparecen en *Noise*.

Presta atención a la secuencia

Dado que los juicios están sujetos a la influencia de la información, las pistas contextuales, el sesgo de confirmación, etc., es importante controlar y ordenar cuidadosamente la información que reciben quienes emiten dichos juicios. Los autores ofrecen algunas pautas para poner en práctica esta estrategia:

• Como norma general, a los jueces solo se les debe dar lo que necesitan cuando lo necesitan.
• Debemos asegurarnos de que las valoraciones independientes sean realmente independientes; si la persona que verifica el resultado conoce la conclusión de la primera persona, es más probable que la confirme.
• Por último, los autores sugieren que los evaluadores documenten sus conclusiones en cada fase del proceso; y si surge nueva información que les lleve a modificar sus decisiones, deben explicar y justificar los motivos.

(Nota breve: También es importante tener en cuenta la cantidad de información que reciben quienes deben juzgar. 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 ideas preconcebidas.)

Sentencias agregadas

Otra forma de reducir el ruido —y, de hecho, convertirlo en algo positivo— consiste en agregar opiniones. Se pueden recopilar varias opiniones independientes y luego compararlas o calcular su media; o bien, se pueden formar equipos que lleguen a una conclusión conjunta. Según los autores, estastécnicas aprovechan la sabiduría de las multitudes, un efecto demostrado por el cual las opiniones de un grupo de personas tienden, en su conjunto, a situarse en torno a la respuesta correcta.

Esta técnica funciona mejor si se forma un equipo en el que las fortalezas, las debilidades y los sesgos de sus miembros se equilibren entre sí. La idea es recabar tantas perspectivas diferentes sobre un problema como sea posible, con la esperanza de encontrar la mejor respuesta en algún punto intermedio.

(Nota breve: Los autores afirman en otro lugar que el ruido no se compensa al promediar, pero eso se refiere a un conjunto de decisiones con ruido en un sistema; aquí estamos hablando de promediar las opiniones antes de tomar una decisión definitiva y antes de emprender cualquier acción.)

Una forma práctica de recopilar opiniones en el marco de una reunión típica es el procedimiento «estimar-comentar-estimar »:

• En primer lugar, cada miembro del grupo hace una estimación en privado: algún tipo de previsión, predicción o valoración.
• A continuación, cada persona explica y justifica su estimación.
• Tras el debate, cada miembro realiza una nueva estimación basándose en lo discutido. Estas valoraciones de la segunda ronda se sintetizan para llegar a una decisión final.

Dado que este procedimiento exige que cada persona parta de un juicio independiente, reduce el ruido derivado de las cascadas de información y la polarización. Al mismo tiempo, contrarresta los sesgos psicológicos individuales al fomentar que las opiniones atípicas se acerquen al centro. (Nota breve: este procedimiento de «estimar-discutir-estimar» también tiene inconvenientes. Por ejemplo, dado que su objetivo es alcanzar un consenso, puede desalentar la disidencia y dar lugar a una falsa sensación de acuerdo, muy similar a las cascadas de información que pretende evitar. Otros enfoques alternativos, como el método Delphi de políticas y el método Delphi de argumentos, evitan este escollo al no centrarse en el consenso, sino en generar una amplia gama de perspectivas discrepantes.)

Cómo tomar mejores decisiones por tu cuenta

La mayoría de las sugerencias de los autores para reducir el ruido están dirigidas a las organizaciones, pero ¿qué pasa si quieres mejorar tus propios juicios como individuo? Algunas de las sugerencias de esta sección son lo suficientemente sencillas como para ponerlas en práctica a nivel individual. Por ejemplo, puedes practicar el pensamiento estadístico o el desglose de problemas por tu cuenta. Pero, ¿cómo puedes agregar juicios si trabajas solo en lugar de en grupo?

El truco consiste en recabar el mayor número posible de puntos de vista antes de tomar una decisión o hacer una predicción. Una forma de hacerlo es leer todo lo que puedas sobre el problema en cuestión. Busca tantos puntos de vista y opiniones diferentes como sea posible; recuerda que lo que intentas es imitar el beneficio de la sabiduría colectiva, que solo funciona cuando se reúnen puntos de vista diversos.

Otra forma de generar perspectivas alternativas es buscar deliberadamente información que refute tu predicción o tu línea de actuación preferida. Esta técnica se denomina «empirismo negativo» y te permite tener una visión más amplia del problema, al tiempo que evitas algunas de las falacias lógicas en las que, de otro modo, podrías caer.

Desglosa los juicios en componentes más pequeños

Los autores sugieren que es más fácil evitar el ruido cuando se desglosa una decisión general en un conjunto de subjuicios más pequeños y concretos. Los procedimientos estandarizados, las listas de comprobación, las directrices y las evaluaciones resultan útiles en este sentido. Por ejemplo, los docentes pueden reducir el ruido en la corrección de redacciones utilizando rúbricas. Pedir al corrector que asigne puntuaciones individuales a la originalidad, la claridad lógica, la organización y la gramática del trabajo antes de calcular la nota final facilita la evaluación. Desglosar una valoración de esta manera también ayuda a garantizar que todos los evaluadores sigan los mismos procedimientos y presten atención a los mismos factores.

Los autores reconocen que esta estrategia no es perfecta. Señalan que, en el ámbito de la salud mental, el DSM —un manual destinado a facilitar y estandarizar los diagnósticos mentales— apenas ha reducido la «ruido diagnóstico». Una de las razones es que los psiquiatras y los psicólogos tienden a interpretar los signos y síntomas a través del prisma de su formación y su 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 interpretan los datos que se les presentan.

¿Hay algunos campos en los que simplemente hay mucho ruido?

Los autores sugieren que los diagnósticos de salud mental son inconsistentes debido a las diferencias en la formación y las orientaciones teóricas de los distintos profesionales de la salud mental. Eso es cierto, pero también hay motivos para pensar que la salud mental podría ser un campo intrínsecamente impreciso.

Una de las razones es que los trastornos de salud mental se solapan y se influyen mutuamente: si padeces depresión, es muy probable que también padezcas ansiedad. Del mismo modo, puede resultar difícil separar la salud mental de la salud física. Además, los profesionales no se ponen de acuerdo sobre las mejores prácticas para diagnosticar y tratar los problemas de salud mental, incluyendo cuestiones básicas como si un conjunto determinado de síntomas constituye un trastorno o simplemente una diferencia.

Estos factores sugieren que algunos ámbitos podrían ser más propensos al ruido —y más resistentes a la reducción del ruido— que otros. Esto no quiere decir que no se pueda reducir el ruido en la atención a la salud mental, por ejemplo. Sin embargo, hacerlo podría requerir un análisis y una reforma que excedan el alcance de las técnicas de higiene acústica que estamos analizando aquí.

Normas y estándares de uso

Una forma de desglosar las valoraciones en partes más pequeñas es aplicar normas y/o estándares. (Nota de Shortform: Los autores presentan las normas y los estándares como parte de un debate más amplio sobre las ventajas y los inconvenientes de aplicar medidas de reducción del ruido. Creemos que merece la pena considerar las normas y los estándares como estrategias de higiene acústica, por lo que los hemos incluido aquí.)

• Las normas ofrecen orientaciones explícitas que suelen estar vinculadas a criterios objetivos. Por ejemplo, existe un nivel máximo permitido de alcohol en sangre por encima del cual se puede acusar a un conductor de conducir bajo los efectos del alcohol.
• Las normas« » son directrices orientativas que requieren cierto grado de interpretación y aplicación subjetivas. Por ejemplo, los agentes de policía están capacitados para reconocer posibles indicios de alteración de las facultades (por ejemplo, una conducción errática) y para realizar pruebas de sobriedad en la vía pública.

A la hora de decidir entre normas y estándares, los autores afirman que primero debemos determinar cuál de ellos dará lugar a más errores. También señalan que, en ocasiones, no es posible aplicar normas porque quienes las elaboran no logran ponerse de acuerdo (por ejemplo, debido a 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, el mejor enfoque consiste en combinar normas y criterios. Las directrices de imposición de penas obligatorias adoptan este enfoque, al establecer una pena mínima y máxima para un delito determinado (norma) y, por lo demás, pedir a los jueces que determinen una pena justa para cada caso concreto (criterio).

Decisiones de segundo orden

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

• Las presunciones, que son directrices similares a normas que admiten la posibilidad de excepciones en algunos casos.

• Las rutinas, como cepillarse siempre los dientes justo antes de acostarse.

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

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

• Delegar, como por ejemplo dejar que tu pareja elija qué cenamos esta noche.

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

Utiliza básculas de mayor precisión

Como se ha señalado anteriormente, gran parte del ruido proviene de nuestro intento de evaluar las cosas utilizando escalas. Si la escala no está clara, es demasiado compleja o resulta inadecuada para la tarea, habrá ruido. Si la escala exige que quienes la utilizan la interpreten o la calibren por sí mismos, habrá ruido. Por lo tanto, en los casos en los que las escalas resulten útiles o necesarias, debemos diseñar otras mejores.

Los autores sostienen que , por regla general, las escalas comparativas presentan menos variabilidad que las escalas absolutas. Los autores ponen como ejemplo las valoraciones del rendimiento laboral, que presentan variabilidad en parte porque las escalas numéricas tradicionales no son claras y cada evaluador las interpreta de forma diferente. ¿Qué significa un «6» en «habilidades de comunicación» o en «liderazgo»? Sin una orientación explícita sobre el significado de los números y su correlación con las cualidades que miden, cada persona tendrá una interpretación diferente a la hora de puntuar a un empleado.

En lugar de evaluar a los empleados en función de una cifra absoluta, los autores afirman que es mejor clasificarlos. Por ejemplo, en lo que respecta a la comunicación de un empleado, hay que preguntarse si sus habilidades se sitúan en el 20 % superior de la empresa, o en el 20 % siguiente, y así sucesivamente. Como se ha señalado anteriormente, por lo general se nos da mejor comparar cosas que cuantificarlas de forma abstracta.

(Nota breve: Recordemos lo comentado anteriormente sobre las operaciones de correspondencia y la forma en que nuestra mente sustituye una pregunta más compleja por otra más sencilla. Sin una orientación clara, es probable que ocurra algo similar con una escala de valoración imprecisa, ya que sustituimos la pregunta «¿Qué nota le darías a la comunicación de X sobre 10?» por algo como «¿Qué impresión me causa la comunicación de X?» o «¿Me parece claro lo que dice X?»)

Una escala comparativa también proporciona puntos de referencia concretos y descripciones o indicadores claros para cada punto. Un buen punto de referencia relaciona un valor específico de la escala con un ejemplo relevante de lo que se está evaluando (si estás calificando un trabajo y sabes que la nota «C» representa un trabajo normal, ese es tu punto de referencia). Para minimizar el ruido, los puntos de referencia deben proporcionarse con antelación, de modo que cada evaluador parta del mismo marco de referencia.

(Nota breve: El «efecto de anclaje» es otro concepto extraído de *Pensar rápido, pensar despacio*. La idea básica del efecto de anclaje es que un dato inicial (por ejemplo, una cantidad sugerida para la donación) ejerce una gran influencia en las acciones que llevamos a cabo (en este caso, la cantidad que decidimos donar). Al sugerir que las escalas cuenten con puntos de anclaje claros, los autores de *Noise* pretenden aprovechar este efecto psicológico para calibrar las valoraciones de quienes realizan las evaluaciones.)

Ejemplo: Un modelo de procedimiento de contratación

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

1. Determina qué competencias son las más importantes para el puesto que vas a cubrir.
2. Elabora escalas para evaluar a cada candidato en cada una de las competencias determinadas en el paso 1.
3. Entrevista a cada candidato varias veces con diferentes entrevistadores (Google realiza cuatro entrevistas). El objetivo de las entrevistas es evaluar las competencias de los candidatos. Las entrevistas deben realizarse de forma independiente unas de otras (los entrevistadores aún no pueden comparar sus impresiones).
4. El equipo de selección se reúne para analizar sus resultados, revisar los datos que han recopilado y, por último, compartir sus impresiones y tomar una decisión conjunta.

Poniendo todo en su sitio

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

• En el paso 1, la empresa desglosa una decisión más amplia—¿A quién deberíamos contratar?— en elementos más pequeños.

• En el paso 2, la empresa aprovecha los conocimientos adquiridos para crear mejores escalas y garantizar así la recopilación de datos coherentes y de alta calidad.

• En el paso 3, la empresa ordena cuidadosamente la información, asegurándose de que las entrevistas sean realmente independientes unas de otras. Esta ordenación se ve facilitada por el establecimiento de normas y criterios claros que rigen las entrevistas y garantizan que sean coherentes y se centren en lo esencial.

• En el paso 4, la empresa sintetiza las opiniones pidiendo a varios entrevistadores que tomen una decisión de forma conjunta.

• A un nivel más amplio, el proceso en su conjunto también ordena la información al pedir a los entrevistadores que no tengan en cuenta sus impresiones subjetivas hasta este último paso. Al hacerlo, la empresa deja margen para que su equipo de selección tenga reacciones personales ante los candidatos, pero se asegura de que dichas reacciones estén matizadas por los datos objetivos recopilados a lo largo del resto del proceso y por la sabiduría colectiva de los distintos entrevistadores (cada uno de los cuales ha tenido la oportunidad de formarse una opinión de forma independiente 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 de realizar una inversión o la de adquirir o fusionarse con una empresa rival. (Nota resumida: Los autores ofrecen un escenario hipotético detallado para mostrar cómo hacerlo. Para simplificarlo, remítete a los principios descritos anteriormente: desglosa el problema, averigua cómo recopilar los datos que necesitas, controla cuidadosamente el proceso de recopilación de información y, a continuación, agrega los datos y las conclusiones resultantes.)

Resumen: Cómo mejorar los juicios evaluativos

Como habrás podido comprobar a lo largo de esta guía, muchas de las ideas que recoge el libro ya se han tratado en otros lugares, incluso en obras anteriores de los propios autores. Sin embargo, hay al menos una conclusión importante del libro que sí parece una idea nueva, y es el argumento de que deberíamos tratar las evaluaciones de la misma manera que tratamos las predicciones.

Para explicar mejor este punto, recordemos que «Noise» clasifica los juicios en dos tipos: predictivos (por ejemplo, pronosticar el valor futuro de una acción) y evaluativos (por ejemplo, calificar un ensayo). Estamos acostumbrados a aceptar que los juicios evaluativos son intrínsecamente subjetivos: no existe una respuesta correcta con la que medir su calidad, por lo que parece que no hay forma de mejorar la calidad y la precisión de las evaluaciones. Sin duda, hay menos bibliografía sobre cómo mejorar las evaluaciones que sobre cómo mejorar las predicciones.

Sin embargo, si aceptamos los argumentos de *Noise*de que las evaluaciones y las predicciones son del mismo tipo (juicios), que ambas adolecen de ruido en la misma medida y por las mismas razones, y que reducir el ruido es algo positivo, entonces se deduce que podemos mejorar nuestros juicios evaluativos. Podemos hacerlo aplicando a nuestras evaluaciones los mismos consejos que muchos autores ya han ofrecido para realizar mejores predicciones. Es un punto que Noise señala desde el principio, pero que merece ser destacado, ya que esta idea parece ser verdaderamente original.