Margen
Hasta diez dólares encima de la mesa y una sola decisión: atarlos a tus previsiones o a las de un programa. Eso es lo que les pusieron delante a 361 personas en un laboratorio de la escuela de negocios de Wharton, en Filadelfia. La tarea era adivinar en qué percentil iba a quedar cada uno de unos estudiantes de máster a partir de ocho datos de su solicitud: la nota del GMAT, el ensayo, la entrevista, los años de experiencia, el sueldo anterior. El programa era un modelo estadístico corriente, construido con esos mismos datos.
El programa no acertaba. Se equivocaba, de media, en 22 percentiles —veintidós puestos de cada cien—. Las personas se equivocaban en 26,6.
Cuatro percentiles y medio de diferencia, medidos sobre las previsiones que de verdad valían dinero. En esa tarea, los humanos acumularon entre un 15 % y un 29 % más de error que el modelo.
Y aquí está lo que no se espera nadie. A una parte de los participantes se les enseñó al programa trabajando antes de elegir: quince previsiones, con sus aciertos y sus fallos a la vista. Esos fueron los que menos lo eligieron.
La confianza en el modelo se midió en una escala de 1 a 5. Quien no lo había visto trabajar le daba un 3,04. Quien lo había visto trabajar le daba un 2,49. Mientras tanto, a los que vieron fallar a una persona —y las personas fallaban más— la confianza en esa persona no les bajó de forma apreciable: 2,70 sin verla y 2,47 habiéndola visto, una diferencia que los autores no pudieron separar del ruido.
Y no es solo cuestión de confianza en abstracto. Antes de verlo trabajar, los participantes calculaban que el programa acertaría dentro de cinco percentiles casi la mitad de las veces: un 46,5 %. Después de verlo trabajar, esa misma estimación les bajaba al 28,2 %. El programa era el mismo y los quince ejemplos que acababan de ver eran reales.
Dicho del revés: ver equivocarse a un programa lo descalifica, y ver equivocarse a un humano no.
El detalle más incómodo está en el grupo al que enseñaron las dos cosas, el programa y la persona, una al lado de la otra. Entre las cinco tandas del experimento, 610 de esas 741 personas vieron con sus ojos cómo el modelo ganaba al humano. Ese grupo fue, en todos los estudios, de los que menos eligieron el modelo. Vieron la comparación completa, vieron quién ganaba, y después apostaron por el perdedor.
Los autores lo llamaron aversión al algoritmo, y lo publicaron Berkeley Dietvorst, Joseph Simmons y Cade Massey en 2015. En todas las condiciones de todos los estudios, el participante habría ganado más dinero eligiendo el modelo. En el primero, 1,78 dólares de media contra 1,38.
La explicación que ellos proponen no es que la gente crea que las máquinas son tontas. Al contrario: antes de verlo funcionar, al modelo se le supone casi perfecto. El problema es ese «casi». A un programa se le exige no fallar, y al primer fallo se le retira la confianza entera; a una persona se le concede fallar porque ya se contaba con ello. Al humano se le perdona por adelantado.
Tres años después, los mismos autores publicaron la segunda mitad del hallazgo, y es la parte útil. Probaron a dejar que la gente tocara el resultado del modelo: ver su previsión y moverla. Con eso, la elección cambió: la usaban, la defendían y quedaban más satisfechos. Lo asombroso es cuánto les dejaban moverla. A unos, diez percentiles; a otros, cinco; a otros, dos. Dio igual. El tamaño del margen no cambió nada apreciable; lo que cambiaba era tener un margen.
Esto no va de modelos estadísticos. Va del presupuesto que te sale de la plantilla y que corriges a ojo porque este cliente es distinto, de la lista de síntomas que recorre el médico de urgencias y del baremo de puntos con el que se reparten las plazas de una lista de espera. Todas esas reglas tienen una cosa en común: están hechas con tu experiencia pasada, y el momento en que las vas a tirar es justo después de verlas fallar una vez.
Así que la cantidad de margen que te vas a permitir se decide antes, no después, y se escribe en la misma hoja donde está la regla: cuánto puedo mover el número que me salga y en qué unidades. Un 10 % arriba o abajo, dos semanas, doscientos euros.