Eric Bonabeau
Consejero delegado y jefe científi co de Icosystem, una consultora especializada en el uso de las ciencias de la complejidad para desarrollar estrategias de negocio innovadoras.
Decisiones 2.0:
el poder
de la inteligencia
colectiva
MARZO 2009 21
E
l cerebro humano es un instrumento magnífi coque ha evolucionado a lo largo de miles de años pa-ra permitirnos prospepa-rar en una impresionante varie-dad de condiciones. Sin embargo, está programado pa-ra evitar la complejidad (no papa-ra aceptarla) y papa-ra res-ponder con rapidez con el fi n de garantizar la supervi-vencia (no para explorar numerosas opciones). En otras palabras, nuestra evolucionada heurística de decisiones tiene ciertas limitaciones, que han sido objeto de am-plios estudios y documentadas a lo largo
de las últimas décadas, en particular por los investigadores centrados en el cam-po de la economía del comcam-portamiento. De hecho, el modo en el que nuestro ce-rebro percibe las infl uencias puede que fuera el más indicado para el entorno de nuestros antepasados, cuando una deci-sión rápida era por lo general mejor que
ninguna decisión. No obstante, el hipercompetitivo y di-námico mundo de los negocios actual requiere tiempos de respuesta cortos, respuestas más precisas y una ma-yor exploración de las oportunidades potenciales.
La buena noticia es que, gracias a Internet y a otras tecnologías de la información, tenemos ahora acceso a más datos –algunas veces, muchos más datos– sobre los clientes, los empleados y otros grupos de interés, de ma-nera que, en principio, podemos lograr una compren-sión más precisa y profunda de nuestro entorno. Sin embargo, esto no es sufi ciente; sigue siendo necesario tomar decisiones. Debemos explorar los datos de mane-ra que podamos descubrir oportunidades, evaluarlas y proceder en consecuencia. El problema es que nuestras limitaciones como individuos capaces de tomar decisio-nes no nos han preparado para solventar muchos de los exigentes problemas empresariales de hoy día. ¿Y si, no obstante, confi áramos más en los demás para hallar esas soluciones?
No cabe duda de que las empresas utilizan desde ha-ce mucho tiempo equipos para solucionar los proble-mas, grupos de muestra para explorar las necesidades de los clientes, estudios para comprender el mercado y reuniones anuales para escuchar a los accionistas. Sin embargo, las palabras solucionar, explorar, comprender y
escuchar han adquirido en la actualidad un signifi cado totalmente nuevo. Gracias a las recientes tecnologías, entre ellas muchas de las aplicaciones de la Web 2.0, las empresas pueden ahora aprovechar más que nunca “el colectivo” a gran escala. De hecho, el aumento en el uso de conceptos como mercados de información, wikis, crowdsourcing, “la sabiduría de la multitud”, redes socia-les, software colaborativo y otras herramientas basadas
en la Red constituye un cambio de paradigma en el mo-do en el que las empresas toman decisiones. Podemos llamarlo la emergente era de las “Decisiones 2.0”.
Sin embargo, la proliferación de este tipo de tecnolo-gías precisa un marco para comprender qué tipo de in-teligencia colectiva es posible (o no), deseable (o no) y asequible en términos económicos (o no) y en qué con-diciones. Este artículo pretende proporcionar un marco y una visión general con el fi n de ayudar a las empresas
a evaluar cómo pueden utilizar las aplicaciones de De-cisiones 2.0 para solucionar los problemas y tomar me-jores decisiones.
Un marco para la toma de decisiones
En el campo del estudio de las operaciones, solucionar un problema implica dos tareas de alto nivel: generar so-luciones, lo que incluye delimitar el problema y estable-cer un conjunto de hipótesis de trabajo, y evaluar las di-ferentes alternativas generadas en el primer paso. Cada una de las tareas está sujeta a diversos sesgos. A la horaLa pregunta de partida
¿Pueden las nuevas herramientas y métodos para explotar “la multitud” cambiar el modo en el que las empresas toman sus decisiones? ¿Deberían hacerlo?
Conclusiones
• En la práctica, las herramientas que utilizan la inteligencia colectiva han obtenido mejores resultados de lo que pueden explicar los teóricos. • La inteligencia colectiva es mejor para la generación
de ideas que para la evaluación de éstas. • Los directivos deben tener en cuenta muchos
aspectos clave a la hora de diseñar herramientas para explotar la inteligencia colectiva, desde la pérdida de control hasta el equilibrio entre la diversidad y la especialización.
CUADRO 1
de generar soluciones, por ejemplo, tendemos a buscar información que confi rme nuestros supuestos (sesgo in-teresado) y a mantener tales creencias a pesar de las prue-bas en contra (perseverancia de las creencias). En lo que respecta a la evaluación de las soluciones, tendemos a ver patrones allí donde no existe ninguno (obsesión por los patrones) y a dejarnos infl uir excesivamente por el modo en el que se presenta una solución (estructura-ción). Estas trampas habituales representan tan sólo al-gunas de entre las muchas formas en las que nuestra naturaleza humana básica puede llevarnos por el mal ca-mino a la hora de tomar decisiones importantes.
La inteligencia colectiva puede ser de gran ayuda a la hora de minimizar los efectos de tales sesgos (véase el cuadro 2). Por ejemplo, puede proporcionar una diver-sidad de puntos de vista y datos que sirva de freno al ses-go interesado y a la perseverancia de las creencias. La diversidad también puede ayudar a combatir la obsesión por los patrones y los efectos negativos de la estructura-ción. Debido a éstos y otros benefi cios, muchas empre-sas han empezado a explotar la inteligencia colectiva mediante el uso de la Web 2.0 y de otras tecnologías. Al-gunas de las aplicaciones se centran en la generación de soluciones. Pensemos, por ejemplo, en InnoCentive, un sitio web a través del cual las empresas pueden ex-poner públicamente un problema en busca de solucio-nes, y la entrada ganadora recibirá un premio en metá-lico. Otras aplicaciones se centran en la tarea de evalua-ción. HSX, por ejemplo, es un mercado simulado en el cual los usuarios compran y venden futuros de las pelí-culas actuales, y los resultados son un indicador del lu-crativo potencial de esos estrenos. Existen, además, otras
aplicaciones que abordan tanto la generación como la evaluación. Digg pide a los participantes tanto que apor-ten sus historias como que las voapor-ten y las entradas más populares se publican en la página de inicio.
Tanto si el objetivo es la generación de soluciones, co-mo si es la evaluación, o ambas, las empresas deberían considerar tres enfoques para lograr sus objetivos: difu-sión, agregación aditiva y autoorganización. Cada uno tiene sus ventajas y sus inconvenientes, y muchas
apli-caciones de Decisiones 2.0 han combinado los diferen-tes enfoques de diferendiferen-tes modos.
Difusión
A la hora de recopilar ideas (generación) o valorarlas (evaluación), es posible que una empresa quiera explo-tar personas o grupos que no se incluyen tradicional-mente en estos procesos. Puede, por ejemplo, querer superar barreras jerárquicas o funcionales dentro de la organización, o incluso obtener ayuda del exterior. El valor de la difusión se halla en los números: am-pliando el número de individuos que están generando o evaluando soluciones. El desarrollo del software de código abierto es quizá el mejor ejemplo del poder de una cantidad enorme. “Cuando hay sufi cientes ojos, todos los problemas se convierten en nimiedades” es la expresión que se suele citar habitualmente, que sig-nifi ca que con la cantidad sufi ciente de personas tra-bajando en un proyecto, acabarán descubriendo cual-quier error. La fi losofía subyacente aquí es que hay per-sonas ahí fuera que pueden ayudarle y, además, esos individuos puede que no se hallen necesariamente donde espera encontrarlos. En InnoCentive, las solu-ciones a los problemas proceden por lo general de un campo totalmente diferente.
Agregación aditiva
Las empresas pueden recopilar información a partir de una gran cantidad de fuentes y, a continuación, realizar algún tipo de media. El proceso se puede utilizar para agregar datos a partir de los grupos de decisión tradicio-nales, o también se puede combinar con la difusión pa-ra incluir información de un conjunto más amplio de personas. En este caso, el todo es por defi nición igual a la suma de sus partes (o una media). El ejemplo más sencillo conlleva la aplicación direc-ta de la ley de los grandes números –por ejemplo, pedir a una multitud que cal-cule el número de gominolas que hay en un tarro y a continuación hallar la me-dia de todas las respuestas–. Ejemplos más complejos implican aplicaciones como mercados de información o predictivos. La clave en este caso es mantener el equilibrio adecuado entre la diversidad y la especialización. Ambas son necesarias en diferentes grados, dependiendo de la aplicación. En Best Buy, por ejemplo, se utilizan mercados de información internos para una serie de actividades de previsión. Algunas de esas tareas han tenido éxito, pero los mercados internos tienden a no generar buenos resultados cuando se les
La inteligencia colectiva puede ser
de gran ayuda a la hora de minimizar
los efectos de los prejuicios en la toma
MARZO 2009 23
CUADRO 2
Utilizar la inteligencia colectiva para tomar mejores decisiones
Enfoque
Tarea del proceso
Sesgos en el proceso de la inteligencia colectiva Ejemplos de decisión
para minimizar los sesgos La toma de decisiones se puede descomponer en dos
tareas: la generación de soluciones potenciales y la evaluación de éstas. Cada una de estas tareas puede ser infl uida negativamente por diferentes sesgos humanos
(a continuación se enumeran tan sólo algunos). Estos sesgos, sin embargo, se pueden minimizar mediante el uso de tres enfoques de la inteligencia colectiva: difusión, agregación aditiva y autoorganización.
Generación de soluciones potenciales Evaluación de soluciones potenciales
1. Sesgo interesado (busca confi rmar las hipótesis). 2. Interferencia social
(infl uencia de los demás).
3. Sesgo de disponibilidad (satisfecho con una solución fácil).
4. Sesgo de autoconfi anza (cree prematuramente que ha encontrado la solución).
5. Anclaje (explora en las proximidades de un apoyo).
6. Perseverancia de las creencias (mantiene la creencia a pesar de las pruebas en contra). 7. Estimulación (“sólo
reconoce una solución cuando la ve”).
1. Difusión para obtener diversidad de supuestos. 2. Agregación aditiva para
obtener participantes independientes. 3. Difusión para obtener
diversidad de soluciones “fáciles”.
4. Difusión para obtener diversidad de soluciones. 5. Difusión para obtener
diversidad de apoyos. 6. Difusión para obtener
diversidad de creencias. 7. Difusión y
autoorganización para obtener diversidad de estímulos.
Google; Affi nnova; InnoCentive; Threadless; I.D.ah! de Bell Canada; ManyEyes; Swivel; Marketocracy; Goldcorp; Delicious; Digg; Connect and Develop de Procter & Gamble; Idea Exchange de Salesforce.com; IdeaStorm de Dell; Cajun Navy; concursos; blogs, wikis de Netfl ix; método Delphi; conjuntos de herramientas para los usuarios de vanguardia;
software de código abierto;
sousveillance; motores de recomendación; foros de soporte.
1. Sesgo de linealidad (busca simples
relaciones causa-efecto). 2. Local frente a global
(confunde efectos locales y globales).
3. Sesgo estadístico (evita análisis estadísticos). 4. Obsesión por los
patrones (ve patrones allí donde no los hay). 5. Estructuración
(infl uencia de la presentación de una solución).
6. Descuento exagerado (dominado por el efecto a corto plazo).
7. Sesgo de dotación (tiene aversión al riesgo o las pérdidas).
1. Autoorganización para obtener interacciones no lineales.
2. Autoorganización para obtener interacciones no lineales.
3. Agregación aditiva para utilizar la ley de los grandes números. 4. Agregación aditiva y
difusión para obtener diversidad de detectores de patrones.
5. Agregación aditiva para obtener diversidad de infl uencias.
6. Agregación aditiva para obtener diversidad de escalas temporales. 7. Agregación aditiva para
obtener diversidad de perfi les de riesgo.
Digg; HSX; Zagat; American Idol; Affi nnova; Threadless; Intrade; Google;
plantean cuestiones sobre la competencia, un tema so-bre el que aparentemente los empleados de Best Buy tienen un conocimiento limitado.
Autoorganización
Los mecanismos que permiten las interacciones entre los miembros de un grupo pueden resultar en que el to-do es más que la suma de sus partes. Ejemplos de usos
tan constructivos de autoorganización en los cuales las interacciones crean un valor adicional incluyen la Wiki-pedia, Intellipedia (la versión de la CIA de la Wikipedia
para los servicios de inteligencia) y Digg. Este tipo de aplicaciones permiten a las personas crear valor aña-diendo o borrando las contribuciones de otros partici-pantes. Sin embargo, existe un peligro: si los mecanis-mos de interacción no se han diseñado de forma ade-cuada, el todo puede acabar siendo mucho menos que la suma de sus partes. El pensamiento grupal es sólo un ejemplo de los inconvenientes de la autoorganización.
Aspectos clave
Es posible que una aplicación que explota la inteligencia colectiva para mejorar la toma de decisiones parta de un concepto sencillo, pero puede resultar extremadamente difícil de implementar. Como ocurre con muchos siste-mas, lo importante está en los detalles. Como mínimo, es necesario que los directivos tengan en cuenta los im-portantes aspectos que aparecen a continuación.
Control
Una inquietud clave, común a todas las formas de in-teligencia colectiva, es la pérdida de control, que se puede manifestar de muchas formas diferentes. Una es, sencillamente, resultados no deseados e indesea-bles, es decir, que el colectivo toma una decisión que podría perjudicar a la empresa, revelando bien un error en el pensamiento de los directivos o la aplicación in-adecuada de la inteligencia colectiva. Otra es la impre-visibilidad, es decir, que es posible que una decisión no sea mala per se, pero la organización no está prepa-rada para hacerle frente. Una tercera es la responsabi-lidad no asignada, es decir, saber quién es responsable
de una mala decisión tomada de forma colectiva. Ade-más, las empresas deben ser conscientes de los poten-ciales efectos de “bola de nieve”. Mediante la autoor-ganización, una opinión puede lograr una aceptación no lineal a través de la autoamplifi cación. Esto puede llevar a que las relaciones públicas se conviertan en una auténtica pesadilla si el colectivo está formado por participantes externos a la organización. En
conse-cuencia, uno de los principales aspec-tos en lo que respecta al control es si se deben incluir personas ajenas a la em-presa en el proceso.
La elección de ampliar el conjunto de las personas que toman las decisiones más allá de las paredes de su organiza-ción no se debería tomar a la ligera. No sólo estará divulgando información interna al mundo exterior, sino que también estará proporcionando un fo-ro para las personas ajenas a la empresa, que es posible que no siempre estén interesadas en lograr lo que más conviene a ésta. Si el colectivo se desvía en una direc-ción inesperada y potencialmente peligrosa, el daño re-sultante podría ser difícil (y costoso) de contener. Una vez que el genio ha salido de la lámpara, explotar la di-versidad y la especialización del mundo exterior puede llevar a resultados sustancialmente superiores cuando se ejecuta de forma adecuada.
Diversidad frente a especialización
Tal como se ha mencionado, la toma de decisiones de un colectivo requiere que una empresa logre equilibrar la diversidad y la especialización. Determinados proble-mas se prestan más que otros a un enfoque basado en la diversidad, pero ningún grado de diversidad será de gran ayuda si los participantes desconocen totalmente los problemas.
Otro factor que se debe tener en cuenta es la actual composición de la diversidad: del mismo modo que en las encuestas hay muestras sesgadas, la diversidad de una gran población también puede ser sesgada, lo que llevaría a decisiones distorsionadas. Por consiguiente, es necesario que las organizaciones decidan qué perso-nas participarán basándose en la habilidad de esos in-dividuos para comprender el problema en cuestión y realizar colectivamente contribuciones positivas a su solución.
Tengamos en cuenta la aleccionadora historia del club de fútbol fi nlandés Pallokerho-35 (PK-35). Hace algunos años, el entrenador invitó a los afi cionados a que ayudaran a determinar la política de contratación, de entrenamiento e incluso las tácticas de juego del
Una inquietud clave, común a todas
las formas de inteligencia colectiva,
MARZO 2009 25
equipo al permitirles votar utilizando sus teléfonos mó-viles. Por desgracia, la temporada fue un desastre y el PK-35 acabó despidiendo a su entrenador y descartan-do su forma de tomar las decisiones basada en los se-guidores. La lección en este caso es que muchas apli-caciones sí requieren un gran número de participan-tes para garantizar la calidad del resultado, pero esos individuos deben tener los conocimientos necesarios para realizar aportaciones útiles.
Otras decisiones requieren una cantidad signifi cati-va de especialización que sólo se halla en un puñado de personas, ya sea dentro o fuera de la organización. En tales situaciones, las herramientas tradicionales como el método Delphi –un enfoque sistemático e iterativo de predicción– pueden ayudar a fomentar decisiones de calidad. Algunas empresas, sin embargo, están investi-gando el uso de enfoques más novedosos. HP Labs, por ejemplo, ha diseñado una interesante solución para aprovechar el poder colectivo de un pequeño grupo uti-lizando un mercado predictivo. El enfoque extrae los perfi les de riesgo de los participantes con un sencillo juego y, a continuación, utiliza esa información para adaptar el comportamiento del mercado.
Compromiso
Los motivos que impulsan a las personas a participar en una empresa colectiva pueden variar enormemen-te. Incentivos como recompensas en metálico, premios y otras promociones pueden ser efectivos a la hora de estimular a los individuos a participar en actividades como mercados predictivos, para los cuales las recom-pensas explícitas parecen tener una gran importancia. Con otras aplicaciones –por ejemplo, la presentación de diseños de camisetas en el sitio web Thereadless–, las recompensas en metálico parecen ser menos im-portantes que el reconocimiento. Los
in-centivos basados en el valor también pueden ser importantes. Tal como han demostrado el movimiento de código abierto, la Wikipedia y otras iniciativas similares, la participación en una comu-nidad, el deseo de transferir conoci-mientos o de compartir experiencias y
un sentido de deber cívico pueden ser poderosos facto-res de motivación.
En lo que respecta a los esfuerzos internos continua-dos, mantener un grado elevado de compromiso por parte de los empleados puede ser difícil. En Google, los nuevos empleados son los que muestran un mayor en-tusiasmo –y participación– por los mercados predicti-vos internos de la organización, pero su entusiasmo
dis-minuye con el tiempo. Por consiguiente, las organiza-ciones deben proporcionar un fl ujo continuo de parti-cipantes nuevos y entusiastas con el fi n de mantener un nivel de compromiso elevado, o tienen que ofrecer in-centivos para sostener la motivación de las personas con el paso del tiempo.
Vigilancia
Cuando a las personas se les permite participar en las decisiones, la probabilidad de que algunas se porten mal aumenta con el tamaño del grupo. Para controlar este tipo de transgresiones, una vigilancia mutua puede ser efectiva en situaciones en las cuales un código de con-ducta implícito contribuye a regir el comportamiento de las personas. Sin embargo, la preocupación por la pro-pia reputación también puede tener un efecto negativo, llevando a decisiones excesivamente conservadoras, ya que los participantes están excesivamente preocupados por la posibilidad de equivocarse. En lo que respecta a algunas actividades colectivas, como los mercados pre-dictivos, una autoridad central parecida a la Securities and Exchange Commission puede ser necesaria para frustrar cualquier intento de manipular el mercado.
Propiedad intelectual
Otra inquietud es la de la propiedad intelectual, y este problema se manifi esta de dos modos. El más obvio es que una empresa precisa divulgar información sobre sus problemas para lograr que otros refl exionen sobre ellos, pero adaptarse a esta transparencia y gestionarla puede ser muy difícil para muchas compañías, en par-ticular para aquéllas que han mantenido en el más ab-soluto secreto su propiedad intelectual. En segundo lu-gar, cuando una empresa busca ideas en el exterior de la organización, debe determinar si asumirá la
titulari-dad de la propietitulari-dad intelectual resultante y cómo (tam-bién tiene que asegurarse de que el participante está dis-puesto a ceder la propiedad intelectual).
Diseño del mecanismo
Quizá, el problema más difícil de todos es el diseño del mecanismo, el cual debe abordar un gran número de
¿La inteligencia colectiva realmente
corrige los sesgos en las decisiones?
cuestiones básicas. Por ejemplo, ¿se debería permitir que las aportaciones de todos los participantes tuvieran el mismo valor o algunos individuos deberían tener un mayor peso en el colectivo? En este último caso, ¿cómo se debería seleccionar a esos individuos especiales? No cabe duda de que diseñar los mecanismos adecuados para la toma de decisiones colectiva no es algo sencillo ni simple, y las “reglas de compromiso” pueden marcar una gran diferencia en el resultado.
Otra cuestión básica con relación al diseño del meca-nismo es si se debe utilizar un sistema de toma de cisiones distribuida o descentralizada. En la toma de de-cisiones distribuida, la forma más habitual de inteligen-cia colectiva, una serie de personas contribuyen a una decisión. En la toma de decisiones descentralizada,
mu-chas personas están facultadas para tomar sus propias decisiones de forma independiente. Piense en sitios web como ManyEyes y Swivel, en los que los participantes pueden subir conjuntos de datos para que otros los exa-minen con herramientas fáciles de utilizar. Digamos que alguien sube los datos sobre dióxido de carbono de una determinada área geográfi ca y otra persona sube in-formación sobre el desarrollo urbanístico de ese mismo vecindario, una tercera persona podría entonces estu-diar esos dos conjuntos de datos para investigar si exis-te alguna correlación. Numerosos ejemplos de respues-ta ante catástrofes, desde el tsunami de 2004 hasta el huracán Katrina, han demostrado el poder de la toma de decisiones descentralizada por parte de las personas en primera línea.
En tales situaciones, los complejos planes ideados por los burócratas centrales tienden a desmoronarse. La lec-ción es que las decisiones tomadas en las ofi cinas cen-trales pueden no corresponderse con las realidades lo-cales sobre el terreno. Aprovechar la inteligencia colec-tiva de aquéllos que tienen la información necesaria en benefi cio de quienes deben adoptar las medidas sobre el terreno puede ser un camino más seguro hacia el éxi-to que el uso de decisiones verticales y basadas en pa-trones. En este tipo de situaciones, la organización pue-de contribuir al proceso pue-de toma pue-de pue-decisiones
convir-tiéndose de forma efectiva en un intermediario de la in-formación.
Hasta ahora, la toma colectiva de decisiones ha sido en gran medida empírica, y por cada historia de éxito como la Wikipedia, es muy probable que haya muchos proyectos que han fracasado debido a diseños defectuo-sos del mecanismo. Incluso una aplicación como la Wi-kipedia, que puede parecer sencilla en apariencia, se ba-sa en una compleja jerarquía de editores cuidadoba-samen- cuidadosamen-te seleccionados. Incluso pequeños cambios en el dise-ño de un mecanismo de éxito pueden llevar a importan-tes consecuencias negativas no voluntarias. Por tanto, algunas organizaciones han decidido reproducir exac-tamente una aplicación. Un ejemplo es la Intellipedia,
una herramienta desarrollada por el servicio de inteli-gencia de Estados Unidos que es una co-pia directa del diseño de la Wikipedia.
Defi nir el éxito
Las empresas han implementado las aplicaciones de Decisiones 2.0 con ob-jetivos muy diversos, entre ellos inves-tigación y desarrollo, prospección de mercados, atención al cliente y gestión del conocimiento. Obviamente, el tipo de aplicación afectará al modo en el que debería evaluarse su éxito, pero los directivos deben recordar que determinados indicadores clave sólo se pueden determinar con pos-terioridad al proceso, por no decir una vez que ha fi na-lizado. Por ejemplo, la precisión de una previsión ge-nerada por un mercado de información sólo se puede medir una vez que el evento ha ocurrido. En tales ca-sos, los directivos deberían considerar la utilización de indicadores clave como variables sustitutivas con el fi n de evaluar una aplicación antes de poder realizar una evaluación fi nal (véase el cuadro 3). En un mercado de la información, por ejemplo, los indicadores clave pue-den ser la cantidad y diversidad demográfi ca de los par-ticipantes.
A pesar de que los indicadores pueden variar depen-diendo de la propia aplicación, un indicador clave uni-versal es el compromiso, es decir, si la aplicación ha es-timulado y mantenido la participación activa de las per-sonas de un modo signifi cativo. El compromiso no se debería tomar a la ligera. De hecho, en una gran propor-ción de proyectos de Decisión 2.0 que han fracasado, la causa principal parece ser la falta de compromiso. Los participantes esperan que se les trate de un modo deter-minado y, la mayoría de las veces, también quieren que los organizadores de la aplicación se comprometan.
Si los mecanismos de interacción no se
han diseñado de forma adecuada, el todo
MARZO 2009 27
CUADRO 3
¿La inteligencia colectiva lleva a mejores decisiones?
Tipo de aplicación Ejemplos Mediciones clave Indicadores clave Las empresas pueden explotar la inteligencia colectiva
mediante diversos tipos de aplicaciones. Para evaluar el rendimiento de tales iniciativas, los directivos deben
identifi car cuáles son los indicadores y las mediciones clave que deben utilizar. La información que se presenta a continuación debería proporcionar una orientación general.
I+D e innovación Estudios de mercado Previsión
Atención al cliente Gestión
del conocimiento Verifi cación de sistemas Respuesta a la crisis
InnoCentive, Top-Coder, el concurso de Netfl ix para desarrollar un motor de recomendaciones mejor.
Calidad de las soluciones y consistencia del resultado.
Acceso al talento,
diversidad de participantes y compromiso de los participantes con el paso del tiempo.
Mechanical Turk, Affi nnova. Capacidad para descubrir u obtener respuestas verdaderas.
Tamaño de la muestra y si es representativa del mercado, y compromiso de los participantes.
Mercados de información como Intrade y
NewsFutures.
Precisión de las previsiones.
Capacidad para realizar un seguimiento de las cantidades reales y del compromiso de los participantes con el paso del tiempo.
Comunidades de usuarios. Porcentaje de problemas solucionados, tono de las conversaciones y rápido descubrimiento de los problemas.
Capacidad de respuesta a los problemas no solucionados y compromiso de los participantes.
Wikis. Calidad, precisión
y frecuencia de las aportaciones, y uso del resultado en situaciones reales.
Acceso a contenido de sólo lectura, y actividad y compromiso de los participantes.
Concurso de criptografía de NIST, modelo peer-to-patent.
Número, calidad y difusión de problemas inesperados que se abarcan.
Progreso de la verifi cación y compromiso de los participantes.
Cajun Navy. Acceso a información difícil de obtener y minimización de los daños infl igidos por la crisis.
En términos generales, el rendimiento de muchas aplicaciones de Decisiones 2.0 ha dejado bastante que desear por diversas razones. En primer lugar, muchas herramientas no proporcionan información sobre los participantes, lo que plantea inquietudes sobre la exac-titud del resultado y la posibilidad de que el proceso pue-da ser manipulable. Además, las aplicaciones suelen ca-recer de cualquier proceso explícito de arbitraje que pue-da ofrecer alguna garantía de calipue-dad. Incluso aplicacio-nes que cuentan con un gran número de participantes se pueden gestionar con éxito. Es posible que la Wikipe-dia sea el ejemplo más conocido, pero hay muchas otras.
Pensemos, por ejemplo, en Delicious, una herramienta que permite a los usuarios agregar un sitio a favoritos utilizando palabras clave específi cas, con lo que propor-ciona metadatos de gran utilidad sobre tales sitios.
No obstante, seguimos enfrentándonos a una cues-tión apremiante: ¿la inteligencia colectiva realmente co-rrige los sesgos en las decisiones? No hay una respuesta
fácil. Antes de las elecciones a la presidencia de Estados Unidos de 2006, el sitio web Intrade predijo acertada-mente que los demócratas lograrían el control de ambas cámaras del Congreso, algo que muchos expertos en po-lítica no lograron prever. Sin embargo, en 2008, la em-presa descubrió que un solo miembro del mercado pre-dictivo había sido el único responsable de un pico in-usual en la previsión de que el senador John McCain de-rrotaría al senador Barack Obama en las elecciones pre-sidenciales. En muchos otros casos documentados, el proceso colectivo de toma de decisiones ha resultado es-tar sesgado. Con los mercados de información, por ejem-plo, esos sesgos se pueden manifestar en todas las for-mas que afectan la toma de decisiones individual: obse-sión por los patrones, estructuración, etc.
A pesar de esto, las aplicaciones de Decisiones 2.0 han funcionado por lo general mejor en la práctica de lo que habían previsto las diferentes teorías. Como uno de los primeros colaboradores en el campo de la inteli-gencia colectiva, estaba seguro de que la Wikipedia sería un fracaso. Por qué funciona tan bien sigue siendo to-do un misterio para mí. A pesar de que he llegato-do a apre-ciar el hecho de que las personas quieren expresarse, la calidad de la Wikipedia (y de muchos de sus imitadores) sigue siendo sorprendente. En la actualidad, con la no-table excepción de los mercados predictivos (para los cuales un importante cuerpo de trabajo nos ayuda a comprender lo que funciona y por qué), la práctica si-gue estando muy por delante de la teoría en el campo de la inteligencia colectiva.
Sin embargo, el hecho de que no podamos explicar el éxito de muchas iniciativas de Decisiones 2.0 no es algo necesariamente malo. De hecho, utilizamos mu-chas herramientas cada día cuyo funcionamiento no
acabamos de comprender –nuestra mente intuitiva, por ejemplo–. No obs-tante, los avances en las investigaciones y en la teoría, así como el desarrollo de mejores mediciones de éxito, deberían dar lugar a mejoras sustanciales en el di-seño y la implementación práctica de las diversas aplicaciones de Decisiones 2.0. Con ese fi n, varios grupos de investiga-dores han puesto en marcha diversas iniciativas, entre ellos los del HP Laboratories y la Inter-national Business Machines Corp. Research Division, para comprender la dinámica de exitosas aplicaciones como Digg y Wikipedia.
Incluso teniendo en cuenta la actual falta de teoría, un estudio de las diferentes aplicaciones nos conduce a dos observaciones generales. En primer lugar, la
inteli-La toma de decisiones de un colectivo
requiere que una empresa logre
MARZO 2009 29
gencia colectiva tiende a ser más efectiva a la hora de corregir sesgos individuales en el área global de la tarea de generación. Mi conjetura es que nosotros, como in-dividuos, somos mucho más débiles como exploradores que como evaluadores y que, a pesar de todos los erro-res en nuestra heurística, somos bastante buenos a la hora de detectar errores. Por consiguiente, a la hora de explotar un colectivo, las empresas tienen ahora mayo-res probabilidades de obtener más valor
de la generación de ideas que de la eva-luación de éstas.
En segundo lugar, una característica sorprendente de la mayor parte de las aplicaciones es que los bucles de retroa-limentación entre la generación y la eva-luación tienden a ser débiles o inexisten-tes. En este caso, el mecanismo funda-mental de la variación y selección de la
evolución biológica podría proporcionar un modelo efec-tivo: las ideas se podrían generar y evaluar, y el resulta-do de tal evaluación se podría utilizar en la creación de la siguiente generación de ideas. Affi nnova, una empre-sa dedicada al estudio de mercados, por ejemplo, utili-za feedback colectivo para crear una nueva generación de diseños de productos que a continuación se presen-tan de nuevo al colectivo para su evaluación. Las empre-sas deberían considerar la implementación de este tipo de bucles de retroalimentación con mayor frecuencia, ya que el proceso iterativo explota en mayor medida el poder de un colectivo.
Esa inteligencia colectiva es totalmente posible, no es una idea nueva. Hasta hace poco, sin embargo, las Me-morias de extraordinarias ilusiones y de la locura de las mul-titudes de Charles Mackay, obra publicada en 1841, eran el marco por defecto para el funcionamiento del colec-tivo. Según este libro, el resultado más probable de la dinámica humana colectiva es burbujas en los merca-dos, inestabilidad y caos. Y, de hecho, como han demos-trado el programa de televisión American Idol y el Zeit-geist en las búsquedas más frecuentes de Google, la mul-titud no tiene necesariamente buen gusto. Ni la multi-tud tampoco es mejor que los expertos a la hora de so-lucionar cierto tipo de problemas.
No obstante, un número cada vez mayor de aplicacio-nes ha demostrado que un grupo de personas diferen-tes, independientes y razonablemente informadas pue-den obtener mejores resultados que incluso la mejor es-timación o decisión individual. De hecho, el libro de Ja-mes Surowiecki publicado en 2004, The Wisdom of the Crowds (un guiño al título del clásico de Mackay), ofrece una colección de ejemplos de este tipo. Como mínimo,
la aparición de herramientas basadas en la web con el fi n de reunir a las personas en una gran variedad de for-matos ha hecho posible experimentar con mecanismos para aprovechar las capacidades de un colectivo a la ho-ra de tomar decisiones. Además, la extensa disponibili-dad de las aplicaciones de la Web 2.0 ha llevado a la apa-rición de un número cada vez mayor de “profesionales
amateurs”: desde ornitólogos hasta fotógrafos, personas
que antes tenían la pasión pero no las herramientas en-cuentran a su disposición la tecnología que les permite trabajar al mismo nivel que los profesionales.
El resultado fi nal es que en lo que respecta a muchos de los problemas a los que tiene que enfrentarse una empresa existe una solución potencial ahí fuera, muy lejos de los lugares tradicionales en los que los directi-vos suelen buscar, dentro o fuera de la organización. La estrategia, sin embargo, está en desarrollar la herramien-ta adecuada para localizar esa fuente y, a continuación, explotarla. De hecho, a pesar de que un éxito como el de la Wikipedia puede parecer sencillo en apariencia, esa sencillez superfi cial oculta un complejo mecanismo subyacente para aprovechar el poder de la inteligencia colectiva. En consecuencia, cualquier empresa que esté desarrollando una aplicación de Decisiones 2.0 haría bien en comprender algunos aspectos fundamentales, como el equilibrio entre la diversidad y la especializa-ción, y la distinción entre la toma de decisiones descen-tralizada y distribuida. Después de todo, sin este tipo de conocimiento básico, una empresa podría acabar fácil-mente explotando la locura de la multitud, no su sabi-duría.
Si desea más información relacionada con este tema, introduzca el código 20730 en www.e-deusto.com/buscadorempresarial
«Decisiones 2.0: el poder de la inteligencia colectiva». © Massachusetts Institute of Technology. Este artículo ha sido publicado anteriormente en
MIT Sloan Management Review con el título “Decisions 2.0: The Power Co-llective Intelligence”. Referencia n.O 3357.
