Decidir mejor: lo que no debe entrar en la cuenta

La toma de decisiones es el proceso por el que se elige una acción entre varias posibles a partir de la información disponible, y su estudio tiene dos ramas que conviene no confundir: la que dice cómo debería decidirse (la teoría normativa) y la que observa cómo se decide de hecho (la descriptiva). Casi todo lo que se publica sobre decidir mejor vive en la distancia entre ambas.

La rama normativa quedó fijada en 1944, cuando John von Neumann y Oskar Morgenstern demostraron que quien cumple unos pocos axiomas de coherencia se comporta como si maximizara una utilidad esperada: cada opción vale lo que valen sus resultados, ponderados por su probabilidad. Leonard Savage extendió el modelo en 1954 a probabilidades subjetivas. Es una teoría elegante y exigente, y su primer crítico serio no fue un psicólogo sino un economista. Herbert Simon sostuvo en 1955 que nadie decide así porque nadie puede: la información es costosa, la capacidad de cálculo es limitada y el tiempo se acaba, de modo que la persona real no optimiza sino que se conforma con la primera opción que supera un umbral aceptable. Simon lo llamó racionalidad limitada, y a la estrategia, satisficing. Recibió por ello el Nobel de Economía de 1978.

La rama descriptiva midió después cuánto se aleja la conducta del modelo. Daniel Kahneman y Amos Tversky publicaron en 1979 la teoría de las perspectivas, según la cual las personas valoran ganancias y pérdidas respecto a un punto de referencia y no estados finales de riqueza, sienten una pérdida con más intensidad que una ganancia del mismo tamaño y distorsionan las probabilidades pequeñas. De ese programa salen los sesgos que llenan los manuales, el efecto anclaje entre ellos, y también su límite: un sesgo describe una desviación sistemática respecto al modelo normativo, y ese modelo no siempre es el patrón adecuado.

Esa es la objeción de Gerd Gigerenzer, que desde los años noventa defiende que muchas heurísticas rápidas no son errores sino herramientas ajustadas a un entorno: con poca información y tiempo escaso, una regla simple predice a veces mejor que un cálculo completo, porque no se sobreajusta al ruido. Gary Klein llegó a algo parecido por otro camino, estudiando a jefes de bomberos en el trabajo: no comparaban opciones, reconocían la situación y ejecutaban la primera respuesta que les venía, corrigiéndola sobre la marcha. Kahneman y Klein firmaron juntos en 2009 un artículo que delimita cuándo fiarse de esa intuición: cuando el entorno es regular y la práctica ha dado una retroalimentación rápida e inequívoca. Los bomberos y los anestesistas cumplen la condición; los analistas de bolsa y los seleccionadores de personal, según los datos que ambos autores repasan, no.

Dos distinciones evitan la mayoría de los malentendidos. La primera es que una buena decisión no es la que sale bien, sino la que estaba bien tomada con lo que se sabía; juzgar decisiones por resultados premia la suerte y castiga la prudencia. La segunda es que los remedios que funcionan son casi siempre de procedimiento y no de voluntad: fijar criterios antes de ver las opciones, separar a quien evalúa de quien propuso, y sacar de la cuenta lo que no depende de la elección, que es exactamente lo que trata la falacia del coste hundido. Saber que un sesgo existe no lo desactiva; cambiar el procedimiento, a veces sí.

Efecto anclaje – Falacia del coste hundido – Matriz de decisión – Navaja de Occam – Probabilidad (definición y concepto)

El efecto anclaje es la tendencia a que la primera cifra que se recibe sobre una cuestión condicione la estimación posterior, aunque esa cifra sea irrelevante y aunque quien estima sepa que lo es. Es uno de los sesgos mejor documentados de la toma de decisiones y de los pocos que sobreviven intactos a la crisis de replicación de la psicología.

La demostración original es de Amos Tversky y Daniel Kahneman en 1974. Hacían girar una ruleta trucada que se detenía en 10 o en 65, preguntaban a los participantes si el porcentaje de países africanos en la ONU era mayor o menor que ese número, y después les pedían su estimación. Quienes habían visto el 10 decían de media un veinticinco por ciento; quienes habían visto el 65, un cuarenta y cinco. Una ruleta que todos sabían aleatoria movía la respuesta veinte puntos. Los experimentos posteriores fueron cerrando las salidas. Gregory Northcraft y Margaret Neale llevaron en 1987 a agentes inmobiliarios profesionales a tasar una casa real con un dossier completo en el que solo variaba el precio de salida, y las tasaciones siguieron al precio, pese a que los agentes negaban con vehemencia haberlo tenido en cuenta. Birte Englich, Thomas Mussweiler y Fritz Strack hicieron en 2006 que jueces alemanes con experiencia tiraran unos dados antes de fijar una petición de pena en un caso de hurto: con dados que sumaban tres pedían de media cinco meses; con dados que sumaban nueve, ocho. Y Dan Ariely, George Loewenstein y Drazen Prelec mostraron en 2003 que las dos últimas cifras del número de la seguridad social de cada participante predecían cuánto estaba dispuesto a pagar por una botella de vino o un teclado, en lo que llamaron arbitrariedad coherente: las valoraciones son arbitrarias en su nivel y coherentes entre sí.

Sobre el mecanismo hay dos explicaciones, y probablemente las dos operan. La de Tversky y Kahneman es el ajuste insuficiente: se parte del ancla y se corrige en la dirección correcta, pero se deja de corregir demasiado pronto, en cuanto la cifra entra en la zona de lo plausible. La de Strack y Mussweiler, formulada en 1997, es la accesibilidad selectiva: comprobar si la respuesta podría ser el ancla activa en la memoria los datos compatibles con ella, y esos datos son los que después alimentan la estimación. La segunda explica lo que la primera no puede, que el efecto aparezca también con anclas absurdas y en expertos que no tienen intención de partir de ellas.

El uso comercial es el que todo el mundo reconoce. El precio tachado junto al precio de oferta no informa de nada y sin embargo eleva lo que el comprador considera razonable; el límite de doce unidades por persona en un supermercado hizo en un estudio de campo de 1998 que la compra media de latas de sopa pasara de tres a siete; y en una negociación la primera oferta arrastra el acuerdo final hacia sí, lo que Adam Galinsky y Thomas Mussweiler midieron en 2001 y que convierte en ventaja abrir la puja en lugar de esperar. El mismo mecanismo opera sin nadie que lo manipule: el presupuesto del año pasado ancla el de este, la primera valoración de un candidato ancla la entrevista y la cifra que aparece en un titular ancla el debate posterior.

Contra el anclaje no funciona saber que existe; los avisos explícitos apenas lo reducen. Lo que sí lo atenúa, y solo en parte, es generar activamente razones por las que el ancla podría estar equivocada, la estrategia de considerar lo contrario que Mussweiler, Strack y Pfeiffer probaron en 2000. Y lo que lo elimina es de procedimiento: hacer la propia estimación antes de conocer la ajena, fijar el rango aceptable antes de oír la primera oferta, y en los comités pedir las cifras por escrito antes de que hable el primero. La matriz de decisión es, en buena parte, un artefacto para eso.

Toma de decisiones – Matriz de decisión – Falacia del coste hundido – Capacidad de negociación – Sesgo de confirmación

La falacia del coste hundido es el error de tener en cuenta lo ya gastado al decidir si continuar con algo. Un coste hundido es un desembolso irrecuperable: dinero, tiempo o esfuerzo que no se puede recobrar sea cual sea la decisión que se tome ahora. La teoría de la decisión es inequívoca al respecto: si el gasto es irrecuperable, no depende de la elección, y por tanto no debe entrar en ella. Lo único relevante es la comparación entre los costes y los beneficios futuros de continuar frente a los de abandonar. La falacia consiste en razonar al contrario: seguir porque se ha invertido mucho.

El razonamiento equivocado es tan intuitivo que cuesta verlo como un error. Quien ha pagado una entrada de cine y se está aburriendo tiende a quedarse para no desperdiciar el dinero, cuando el dinero ya está desperdiciado y lo único que queda por decidir es cómo pasar la siguiente hora y media. Quien lleva cuatro años en una carrera que detesta calcula lo que le ha costado llegar hasta ahí, cuando lo que debería comparar son los años que le quedan por delante en cada opción. Y quien ha invertido en un negocio que pierde dinero añade capital para «no perder lo puesto», que es la forma más rápida de perder también lo nuevo. El nombre popular de esta última variante —throwing good money after bad, echar dinero bueno tras el malo— describe el mecanismo mejor que cualquier definición.

La demostración experimental clásica es de Hal Arkes y Catherine Blumer (1985): a los participantes se les planteaba haber comprado un billete no reembolsable para un viaje de esquí y descubrir después una alternativa mejor y más barata para el mismo fin de semana; la mayoría elegía el viaje peor porque había pagado más por él. En un experimento de campo, los abonados de teatro que habían obtenido su abono con descuento aleatorio asistieron a menos representaciones que los que pagaron el precio completo, siendo el resto de circunstancias idénticas. La irracionalidad se puede medir, y su tamaño no es trivial.

Sobre por qué ocurre hay tres explicaciones que probablemente actúen a la vez. La primera es la aversión a las pérdidas descrita por Kahneman y Tversky: abandonar obliga a reconocer una pérdida cierta, mientras que continuar mantiene abierta la posibilidad de que todo acabe bien, y una pérdida segura duele más que una probable de mayor cuantía. La segunda es la justificación del propio compromiso: renunciar equivale a admitir que la decisión inicial fue mala, y el coste reputacional de esa admisión —ante otros o ante uno mismo— se suma al balance. Esa es la razón por la que el fenómeno es mucho más intenso cuando quien decide continuar es la misma persona que decidió empezar, y por la que un directivo nuevo cancela sin dificultad proyectos que su antecesor consideraba intocables. La tercera es la contabilidad mental: tratamos cada proyecto como una cuenta que debe cerrarse en positivo, en lugar de evaluar el patrimonio total.

En las organizaciones, el efecto se agrava porque los incentivos lo refuerzan. Cancelar un proyecto grande es visible, cuantificable y atribuible a alguien; dejarlo agonizar reparte la responsabilidad y aplaza la mala noticia. El resultado es la escalada del compromiso, estudiada por Barry Staw, en la que cada revisión aporta un poco más de presupuesto y un poco más de razones para no parar, y en la que los informes intermedios se vuelven progresivamente optimistas porque nadie quiere firmar el que cierre el asunto. Las obras públicas inacabadas, los grandes programas informáticos que se reescriben durante años y las adquisiciones empresariales que se defienden mucho después de haber destruido valor pertenecen todas a esta categoría. Los remedios conocidos son organizativos y no cognitivos: fijar de antemano criterios de cancelación y umbrales que obliguen a revisar, separar a quien evalúa de quien decidió, presupuestar por fases con revisión formal entre ellas, y preguntar explícitamente en cada revisión la única pregunta pertinente —si hoy, sin nada gastado, se empezaría este proyecto—.

Dos precisiones para no aplicar el principio en falso. La primera es que continuar no siempre es la falacia: si perseverar tiene valor esperado positivo mirando solo hacia delante, hay que continuar, y el hecho de haber gastado mucho no lo convierte en un error. Confundir la falacia con una prohibición de insistir es un mal uso frecuente. La segunda es que hay costes que parecen hundidos y no lo son: la reputación de cumplir lo prometido, los compromisos contractuales con penalización, el efecto sobre la moral de un equipo o el aprendizaje acumulado son consecuencias futuras reales de abandonar, y deben entrar en el cálculo. Lo que no debe entrar, nunca, es la cifra ya gastada, por grande que sea y por mucho que duela mirarla.

Eficiencia – Coste de capital – Sesgo de confirmación – Efecto anclaje – Principio de Pareto

Una matriz de decisión es una tabla que cruza las alternativas entre las que hay que elegir con los criterios que importan, asigna a cada casilla una puntuación y suma por filas para ordenar las opciones. Si además se da a cada criterio un peso que multiplica sus puntuaciones, se habla de matriz de decisión ponderada. Es la herramienta más simple del análisis de decisiones con varios criterios, y su valor está en un sitio distinto del que se le suele atribuir.

El antecedente más citado es una carta de Benjamin Franklin a Joseph Priestley del diecinueve de septiembre de 1772. Priestley dudaba sobre aceptar un empleo, y Franklin le describió su método: dividir una hoja en dos columnas, pros y contras, anotar durante varios días todo lo que se le ocurra a favor y en contra, estimar el peso de cada motivo y tachar los que se anulan entre sí, uno a uno o dos contra tres, hasta ver hacia dónde se inclina el saldo. Franklin lo llamó álgebra moral o prudencial, y añadió la observación que sigue siendo la más importante sobre el asunto: los pesos no pueden tener la precisión de las cantidades algebraicas, pero el hecho de tener todo el cuadro delante, en vez de recordar los motivos de uno en uno, es lo que evita el paso precipitado. La versión industrial la formalizó el ingeniero británico Stuart Pugh en 1981 para la selección de conceptos de diseño, comparando cada alternativa con una de referencia criterio a criterio con un más, un menos o un igual, y la versión con pesos y escalas es la que circula en los manuales de gestión.

Lo que la matriz hace bien es obligar a tres cosas que el juicio espontáneo se salta: enumerar los criterios antes de mirar las opciones, evaluar cada opción en todos los criterios y no solo en el que la favorece, y dejar constancia de por qué se eligió, de modo que la decisión pueda revisarse. Es, ante todo, un antídoto contra el efecto anclaje y contra la opción que llega primero y ordena las demás.

Lo que hace mal es aparentar precisión. Los pesos son la parte más frágil y la más manipulable: basta subir el de un criterio para invertir el resultado, y como se fijan a ojo, el que ya tiene favorita puede elegir pesos que la confirmen y presentar la suma como si fuera un cálculo. La regla práctica es asignar los pesos antes de puntuar, y mejor si lo hace alguien que no puntúa. Hay además un hallazgo incómodo sobre los pesos que conviene conocer. Robyn Dawes mostró en 1979 que, para predecir un resultado a partir de varios indicadores, los modelos lineales con pesos iguales, o incluso con pesos aleatorios del signo correcto, predicen casi tan bien como los pesos óptimos y mejor que el juicio de los expertos. La lección no es que los pesos den igual, sino que la ganancia está en decidir qué criterios entran y en aplicarlos a todas las opciones por igual, no en afinar el segundo decimal. Ese resultado se apoya en una literatura más antigua, la comparación entre predicción clínica y estadística que Paul Meehl abrió en 1954 y que un metaanálisis de 136 estudios confirmó en 2000: las reglas mecánicas igualan o superan al juicio experto en casi todos los dominios comparados.

Dos precisiones. La primera es que la matriz solo sirve si los criterios son independientes y las puntuaciones comparables; sumar un tres en precio con un cuatro en fiabilidad exige haber decidido antes qué significa cada cifra, y un criterio que sea condición necesaria no se pondera, se aplica como filtro previo. La segunda es la que enlaza con el resto del itinerario: entre los criterios no puede figurar lo ya gastado, porque no depende de la elección; si aparece, la matriz está formalizando la falacia del coste hundido en vez de evitarla. Franklin no pretendía que la hoja decidiera por él. Pretendía que, cuando decidiera, hubiera visto todo.

Toma de decisiones – Efecto anclaje – Falacia del coste hundido – Principio de Pareto – Navaja de Occam

El principio de Pareto, conocido también como regla del 80/20, afirma que en muchos fenómenos una minoría de las causas produce la mayoría de los efectos. Es una de las heurísticas más citadas de la gestión y también una de las peor entendidas: se invoca como una ley cuando es una observación empírica sobre una familia de distribuciones, se aplica a magnitudes en las que no se cumple, y las dos cifras se toman como exactas cuando son una etiqueta.

Su origen es doble. Vilfredo Pareto, economista y sociólogo italiano, observó a finales del siglo XIX que la distribución de la renta y de la propiedad de la tierra en Italia era muy desigual y que su cola superior se ajustaba a una ley de potencias, hoy llamada distribución de Pareto: una relación en la que la proporción de individuos que superan un valor decae como una potencia de ese valor. Pareto no formuló ninguna regla del 80/20 ni la aplicó a la gestión. Fue Joseph Juran, ingeniero de calidad, quien a mediados del siglo XX bautizó con su nombre lo que él llamaba «los pocos vitales y los muchos triviales», después de comprobar que en los procesos industriales un número pequeño de tipos de defecto explicaba la mayor parte de las piezas rechazadas. Juran reconoció más tarde que la atribución había sido un error suyo: la idea era de él, la distribución era de Pareto.

Lo que hace útil el principio es que la forma de la distribución tiene consecuencias operativas. Si el 80 % de las reclamaciones proviene del 20 % de las causas, atacar esas causas rinde muchas veces más que repartir el esfuerzo por igual, y la práctica estándar del control de calidad —el diagrama de Pareto, un histograma de causas ordenado de mayor a menor con su curva acumulada— existe precisamente para hacer visible dónde está la concentración. El mismo razonamiento se aplica al inventario, donde la clasificación ABC concentra el control en las referencias que absorben la mayor parte del valor; a la cartera de clientes; a la depuración de programas informáticos, donde una minoría de defectos causa la mayoría de los fallos observados; y a la gestión del tiempo personal, aunque en este último terreno la aplicación es la más laxa y la menos comprobada de todas.

Las precisiones importantes son tres. La primera es que las cifras no suman ni son exactas. Que el 20 % de las causas explique el 80 % de los efectos es un caso particular; según el exponente de la distribución, el reparto puede ser 90/10, 70/30 o 99/1, y en la mayoría de los conjuntos reales no es ninguno de ellos exactamente. Que 20 y 80 sumen cien es una coincidencia aritmética sin ningún significado, y hablar de un «80/20» como si fuera una constante universal es el primer síntoma de que se está citando de oído. La segunda es que el principio no se cumple en todas las magnitudes: se aplica a variables con distribuciones muy asimétricas y de cola gruesa, y no a las que se reparten de forma aproximadamente normal. La estatura, la temperatura corporal o el tiempo de reacción no tienen un 20 % de casos que expliquen el 80 % de nada. Antes de aplicar el principio hay que mirar la distribución de los datos, no suponerla.

La tercera es la más importante en la práctica y la que más se olvida: la cola larga no es residuo. En una distribución de este tipo, los «muchos triviales» pueden sumar una fracción muy relevante del total y, según el negocio, ser precisamente la ventaja competitiva —el argumento que popularizó Chris Anderson al describir los catálogos digitales, en los que la suma de miles de títulos con pocas ventas cada uno compite con la de los pocos éxitos—. Y hay dominios en los que atender solo a la parte concentrada es directamente peligroso: en seguridad, en salud pública o en fiabilidad, el suceso raro es el que produce el daño catastrófico, y una gestión que ordene las prioridades por frecuencia dejará sin atender exactamente lo que importa. La aplicación mecánica del principio conduce ahí al error opuesto al que pretende evitar.

Conviene añadir un último matiz sobre lo que el principio no explica. Describe una forma de reparto, no su causa. Las leyes de potencias surgen de mecanismos muy distintos —crecimiento proporcional, ventaja acumulativa o efecto Mateo, redes con conexión preferente, procesos multiplicativos— y saber que una distribución es paretiana no dice cuál de ellos está operando ni si es modificable. Tratar la concentración como un hecho natural e inevitable es una lectura ideológica del principio y no una consecuencia suya: en la desigualdad de renta, que fue el caso original, la forma de la distribución es estable pero sus parámetros varían mucho entre países y épocas, y esa variación es justamente el objeto de la discusión política.

Eficiencia – Indicador – Índice de rotación de personal – Falacia del coste hundido – Teoría de la desventaja acumulativa

La navaja de Occam es el principio metodológico según el cual, entre dos explicaciones que dan cuenta de los mismos hechos, hay que preferir la que introduce menos entidades o supuestos. Se enuncia habitualmente como «no hay que multiplicar los entes sin necesidad» —entia non sunt multiplicanda praeter necessitatem—, formulación que no aparece en ninguna obra de Guillermo de Occam: la acuñó el escolástico irlandés John Ponce en el siglo XVII. Lo que sí escribió el franciscano inglés es la variante «es vano hacer con más lo que se puede hacer con menos», y la idea en sí es más antigua que él, con antecedentes en Aristóteles, en Ptolomeo y en Duns Escoto.

El nombre de navaja es posterior y describe bien la función: el principio no demuestra nada, recorta. No dice que la explicación más simple sea verdadera, dice que es la que hay que preferir mientras no haya motivos para complicarla, y eso lo convierte en un criterio de decisión bajo incertidumbre y no en una ley de la naturaleza. La confusión entre ambas cosas es el error más común en su uso. Que un principio sea metodológico significa que orienta la búsqueda y que puede equivocarse: la explicación más simple de que el Sol cruce el cielo es que se mueve alrededor de nosotros, y durante siglos fue la preferida por razones que incluían la parsimonia.

En el uso científico, la parsimonia funciona en tres sitios distintos y conviene no confundirlos. El primero es la elección entre hipótesis rivales que explican lo mismo: aquí el criterio es sólido, y su justificación no es estética sino probabilística, porque cada supuesto adicional es una oportunidad más de estar equivocado. Una explicación con cinco condiciones independientes es menos probable que una con dos, aunque ambas encajen. El segundo es la selección de modelos estadísticos, donde la parsimonia está formalizada: los criterios de información penalizan el número de parámetros, y el motivo es el sobreajuste, esto es, el hecho conocido de que un modelo con parámetros suficientes reproduce cualquier conjunto de datos, incluido su ruido, y por eso predice peor los datos nuevos. Aquí la navaja no es una preferencia filosófica sino una consecuencia demostrable. El tercero es la inferencia sobre causas, y ahí el principio es mucho más débil de lo que se cree: la realidad no tiene ninguna obligación de ser simple, y campos enteros —la biología evolutiva, la epidemiología, la economía— estudian sistemas cuyo comportamiento no admite explicaciones de dos variables.

De ahí que existan contranavajas explícitas. La más citada es la de Walter Chatton, contemporáneo y crítico de Occam, que sostenía que si una proposición no basta para dar cuenta de la experiencia hay que añadir otra. Einstein dejó una formulación que resume el equilibrio: todo debe hacerse lo más simple posible, pero no más simple. Y en biología se ha argumentado que aplicar la parsimonia a los organismos es un error de categoría, porque la evolución no optimiza: acumula soluciones parciales, conserva restos inútiles y produce mecanismos redundantes que ningún ingeniero diseñaría, de modo que la explicación más simple de una estructura biológica suele ser la equivocada.

El mal uso más extendido del principio es también el más fácil de detectar. Consiste en llamar simple a la explicación que uno ya prefería, y ese movimiento es posible porque la simplicidad no está definida: se puede contar entidades, supuestos, ecuaciones, parámetros libres o pasos causales, y distintas maneras de contar dan resultados opuestos sobre el mismo par de hipótesis. Una teoría con una sola fuerza desconocida puede parecer más simple que una con tres mecanismos conocidos, y a la vez ser mucho menos parsimoniosa en términos de lo que exige creer. Cuando alguien invoca la navaja de Occam sin especificar en qué unidad está midiendo, casi siempre está usando el prestigio del nombre en lugar del argumento; y como el criterio se aplica solo a hipótesis que expliquen igual de bien los datos, la primera pregunta debe ser siempre si eso es cierto, porque una explicación simple que deja hechos fuera no compite.

Un último matiz, que es el que le da valor práctico. La navaja es especialmente útil cuando la hipótesis compleja está construida para salvar la simple: eso es lo que ocurre con las hipótesis auxiliares añadidas ad hoc cada vez que una predicción falla, y el principio funciona ahí como detector de un mal hábito epistémico —el de blindar una teoría en lugar de contrastarla—. En ese uso, la navaja no decide qué es verdad; señala cuándo se ha dejado de intentar averiguarlo.

Falacias – Hipótesis auxiliares – Sesgo de confirmación – Paradigma – Hipótesis de trabajo

La serendipia es el hallazgo valioso e inesperado que se produce mientras se busca otra cosa. La palabra la inventó Horace Walpole en una carta de 1754 a partir de Serendip, nombre persa de Ceilán, y de un cuento en el que tres príncipes de aquel reino deducen, por indicios que encuentran en el camino, la existencia y las características de un camello que no han visto. Walpole subrayaba en su carta un punto que la definición popular olvida: el hallazgo requiere sagacidad. Los príncipes no tropiezan con el camello, interpretan las huellas. La serendipia no es tener suerte, es reconocer lo que la suerte ha puesto delante.

Esa distinción es lo que la separa de la casualidad y lo que la vuelve un concepto útil en la sociología de la ciencia. Robert K. Merton, que dedicó buena parte de su obra al asunto, la definió como el patrón del dato anómalo, imprevisto y estratégico: imprevisto porque no se buscaba, anómalo porque no encaja con la teoría vigente, y estratégico porque permite desarrollar una teoría nueva. Los tres rasgos son necesarios. Un dato inesperado que no contradice nada es ruido; uno que contradice y no se puede explotar es una anomalía que se archiva. La historia de la ciencia está llena de las tres cosas, y solo la tercera produce descubrimientos.

Los casos canónicos ilustran bien la parte de sagacidad. Alexander Fleming no descubrió la penicilina por dejar una placa de cultivo destapada —eso ocurría constantemente en cualquier laboratorio de la época—, sino por advertir que las colonias de estafilococo se habían disuelto alrededor de un moho contaminante y por dedicar los meses siguientes a averiguar por qué. Wilhelm Röntgen encontró los rayos X porque una pantalla fluorescente situada fuera del tubo de descarga brillaba cuando no debía, y en lugar de apartarla pasó semanas caracterizando la radiación desconocida. Arno Penzias y Robert Wilson intentaban eliminar un ruido de fondo persistente en una antena de comunicaciones —limpiaron los excrementos de paloma que la ocupaban, entre otras cosas— antes de aceptar que el ruido venía del cielo entero y que estaban midiendo la radiación de fondo de microondas. El velcro, el horno de microondas, los adhesivos reposicionables, el caucho vulcanizado y varios fármacos de amplio uso tienen historias del mismo tipo. En todos ellos hay un accidente y una persona preparada para interpretarlo, que es lo que Pasteur formuló en la frase más citada del asunto: en los campos de la observación, el azar solo favorece a las mentes preparadas.

De ahí se sigue una consecuencia que interesa a la política científica, y es la parte de este concepto que no es anecdótica. Si los hallazgos importantes ocurren con frecuencia fuera del objetivo declarado del proyecto, entonces un sistema de financiación que exija especificar por adelantado el resultado esperado y que evalúe el cumplimiento de hitos está seleccionando en contra de la serendipia. La discusión es real y está documentada: los análisis de programas con financiación estable y no condicionada a objetivos concretos —el modelo del laboratorio de investigación fundamental frente al del proyecto con entregables— encuentran una proporción mayor de resultados inesperados y de patentes muy citadas, a cambio de una tasa mayor de fracasos sin retorno. No hay una respuesta única, porque las dos políticas optimizan cosas distintas; lo que sí puede afirmarse es que un sistema que solo financie lo previsible obtendrá, en promedio, lo previsible.

Conviene señalar los dos usos abusivos del término. El primero es retrospectivo: contada al final, cualquier trayectoria de investigación parece una cadena de casualidades afortunadas, porque los callejones sin salida no se cuentan. Las historias de serendipia son, casi por construcción, relatos con sesgo de supervivencia —el equivalente en este terreno del sesgo del superviviente— y sirven de mal argumento para cualquier cosa, incluida la defensa del método propio de quien las cuenta. El segundo es empresarial: la apelación a la serendipia como justificación de decisiones de diseño —oficinas diáfanas, encuentros informales provocados, plantas sin despachos— se ha apoyado durante años en evidencia bastante débil, y algunos estudios con sensores de proximidad y datos de correo encontraron que la eliminación de barreras físicas reducía la interacción cara a cara en lugar de aumentarla. El concepto describe bien lo que ocurre en la investigación; no autoriza a suponer que la casualidad productiva pueda planificarse.

Queda una precisión terminológica. En castellano se han usado también serendipidad y el calco serendipity, y la Real Academia admite «serendipia» como el hallazgo casual e inesperado. La definición académica se queda, como la popular, con la mitad de lo que Walpole quiso decir: no menciona la sagacidad. Es una pérdida menor en el diccionario y grande en el uso, porque la palabra sin ese componente no nombra nada que «casualidad» no nombrara ya.

Sesgo del superviviente – Navaja de Occam – Hipótesis de trabajo – Sesgo de confirmación – Paradigma