Gonzalo Hernández Araujo · Notas e investigaciones
No le pidas a la IA una opinión. Hazla apostar.
Después de setenta y un pronósticos, me quedó una sospecha incómoda: muchas veces no queremos que la inteligencia artificial nos ayude a decidir. Queremos que nos entregue una explicación que suene razonable después de que ya decidimos.
La diferencia parece pequeña. No lo es.
Si le preguntas a una IA qué piensa sobre una campaña, un cliente, una inversión o un partido, casi siempre puede construir una respuesta limpia. Puede ordenar los datos, mencionar los riesgos y terminar con una conclusión que parece prudente. Lo que normalmente no hace es dejar claro, antes del resultado, cuánto está dispuesta a equivocarse.
Una opinión puede acomodarse después de los hechos. Una apuesta deja una huella antes.
1. La respuesta llega demasiado completa
Una pregunta abierta invita a una explicación. «¿Quién crees que va a ganar?» produce una historia sobre fortalezas, contexto, ausencias, motivación y antecedentes. La historia puede ser correcta. También puede ser una manera elegante de no comprometerse con nada que después pueda medirse.
Eso fue lo que empezó a cambiar cuando los pronósticos del Mundial dejaron de ser conversaciones sueltas y se volvieron números. Antes del partido había que escribir una probabilidad y un marcador más probable. Después ya no alcanzaba con decir que el análisis había sido «bastante razonable». El resultado estaba afuera, indiferente a la calidad literaria del análisis.
La cifra no resolvía la incertidumbre. La hacía visible.
No hacía falta acertar el marcador exacto para que el ejercicio sirviera. Hacía falta distinguir entre una predicción de 55% y una de 85%. La primera puede fallar sin que haya ocurrido nada extraño. La segunda necesita una explicación más seria si falla repetidamente.
2. El resultado convierte cualquier historia en una historia inevitable
Cuando ya conocemos el resultado, el cerebro tiene una ventaja injusta: puede reconstruir el pasado con la información del presente. El equipo que ganó «ya mostraba señales». El cliente que se fue «siempre había dado indicios». La campaña que no convirtió «tenía el problema desde el principio».
Tal vez. Pero si la señal era tan clara, ¿por qué no movió la decisión antes?
En mis pronósticos aparecía una y otra vez el mismo mecanismo. Un dato importante estaba escrito en el análisis, pero no había movido el número final. Después de ver el resultado, era fácil decir que el dato había sido decisivo. Antes del resultado, había quedado reducido a una frase más entre muchas.
La retrospectiva no sólo recuerda mal. También premia la explicación que mejor encaja con lo que ya ocurrió. Por eso una decisión sin registro previo se puede defender casi indefinidamente: siempre queda la posibilidad de encontrar una razón nueva para explicar el desenlace.
3. Apostar no significa jugarse dinero
La palabra puede distraer. Aquí apostar no significa convertir cada decisión en un casino. Significa hacer tres cosas antes de conocer el resultado:
- decir qué creo que va a pasar;
- decir con qué confianza lo creo;
- aceptar qué resultado me obligaría a reconocer que mi modelo estaba equivocado.
Una apuesta puede ser una probabilidad, una fecha, un rango, una condición de salida o una hipótesis que alguien más pueda revisar. Lo importante es que no cambie de forma después de que el mundo conteste.
La pregunta no es «¿qué opinas?». Es «¿qué estás dispuesta a arriesgar de tu explicación?».
4. La IA sirve mejor como registro y adversario que como oráculo
En el ejercicio del Mundial, Claude no era el dueño del criterio. Yo decidía qué información debía importar, revisaba los resultados y anotaba los errores. Claude corría el modelo, ordenaba el registro y ayudaba a aplicar las correcciones sin perderlas entre un partido y el siguiente.
La división de trabajo importaba. El modelo podía calcular una distribución de goles. No podía decidir por sí solo si un partido atípico era ruido o una señal incómoda. Podía proponer explicaciones. No podía convertir una explicación en una regla válida sólo porque sonara bien.
La IA es especialmente útil en tres momentos:
- Antes de decidir: generar alternativas, buscar variables que no estamos considerando y construir el caso contrario.
- Durante el registro: conservar la predicción original, la confianza y las condiciones que la sostuvieron.
- Después del resultado: comparar lo que se dijo con lo que pasó sin permitir que la historia original se reescriba en silencio.
Lo que no debería hacer es absolvernos del juicio. Una tabla llena de números no es calibración si nadie decide qué cuenta como error ni qué corrección merece convertirse en regla.
5. La pregunta difícil no es si acertaste
Un resultado correcto puede salir de una mala razón. Un resultado incorrecto puede salir de una decisión bien calibrada. Si sólo miramos el desenlace, confundimos suerte con conocimiento.
En los 71 pronósticos aparecieron errores distintos: confiar demasiado en un historial sin revisar la calidad de los rivales, descartar un partido incómodo por parecer atípico, dejar que una explicación larga desplazara una regla estructural simple y ajustar un número sólo porque ajustar producía la sensación de estar haciendo algo.
El sistema empezó a ser útil cuando esas fallas dejaron de ser anécdotas y se volvieron patrones. No porque cada patrón fuera una ley universal, sino porque podía regresar en el siguiente partido y encontrarme de nuevo.
Una buena revisión no pregunta solamente «¿qué pasó?». Pregunta:
- ¿Qué creía antes de conocer el resultado?
- ¿Qué evidencia tenía y cuál ignoré?
- ¿Qué parte de la explicación no movió la decisión?
- ¿La confianza que expresé era proporcional a la calidad del entorno y del feedback?
- ¿Qué cambio concreto haré en la siguiente oportunidad?
La última pregunta es la que evita que el análisis se convierta en literatura sobre el fracaso.
6. En inversión a veces no hay que predecir el precio
La palabra «apuesta» puede hacer pensar que toda decisión tiene que convertirse en una predicción de precio. No es así.
En una revisión de inversión hay por lo menos dos preguntas distintas:
- ¿El proceso produce una investigación verificable con menos trabajo?
- ¿El filtro elegido mejora el resultado de inversión después de costos?
La primera se puede observar antes de arriesgar dinero. La ficha tiene que conservar el hecho que abrió la investigación, la fuente oficial, la fecha y hora, la tesis, la condición de invalidación, el horizonte y la comparación que se usará después. También debe registrar los candidatos descartados y las semanas en que no hubo una idea suficientemente buena.
La segunda necesita más tiempo y mejores controles. Una acción que sube no demuestra que la tesis era correcta. Una acción que baja no demuestra que el proceso era malo. El precio puede moverse por una razón distinta de la que se escribió, o puede darle la razón a una explicación equivocada por pura coincidencia.
Por eso el monitoreo de una tesis no es lo mismo que adivinar el mercado. Consiste en comparar la información nueva contra las premisas que justificaron la decisión:
- ¿el contrato sigue vigente y se está convirtiendo en cobro?
- ¿la guía cambió o sólo cambió el precio?
- ¿la capacidad anunciada requiere más capital del que suponía la tesis?
- ¿apareció una dilución, una deuda o una concentración que modifica el riesgo?
- ¿qué tendría que ocurrir para reconocer que la explicación ya no se sostiene?
Un límite de pérdida y una invalidación de tesis tampoco son la misma cosa. El primero limita exposición. La segunda dice que la razón para estar ahí dejó de existir. Confundirlos produce dos errores opuestos: salir por ruido cuando la tesis sigue viva o conservar una posición porque la historia sigue sonando bien aunque el hecho que la sostenía ya desapareció.
El valor de la IA en este proceso no está en decir «compra» o «vende». Está en conservar la versión original de la tesis, buscar qué cambió, señalar qué no está demostrado y hacer visible la diferencia entre una alerta de seguimiento y una decisión de acción.
7. El premortem empieza antes de que exista una historia que defender
Hay otra forma de usar el mismo mecanismo en proyectos y decisiones reales. Primero, trabajar hacia atrás desde un futuro ideal: imaginar que el proyecto salió bien y preguntar qué tuvo que ser cierto para que ocurriera. Se puede escribir un comunicado breve de ese futuro y después una sección de preguntas difíciles: qué cambió, para quién, cómo se sabe y qué objeción tendría el lector más escéptico.
Después se recorre el futuro muerto: han pasado seis meses y el plan fracasó. No basta con enumerar riesgos abstractos. Cada fallo necesita una pequeña historia, la suposición que lo permitió y la señal temprana que habría hecho visible el problema.
La primera escena obliga a buscar riesgos que la motivación suele esconder. La segunda obliga a describir condiciones de éxito, no sólo deseos. Juntas producen algo más útil que una lista de pros y contras: dos futuros que pueden compararse con el presente.
La ventaja del ejercicio es modesta pero importante. Cuando el resultado todavía no existe, no hay una historia ganadora que defender. El equipo puede discutir las causas sin fingir que ya sabe cuál de ellas será la verdadera. La fase del futuro ideal evita que el análisis se reduzca a miedo; la del futuro fallido evita que una visión atractiva se confunda con un plan.
La síntesis final tiene que responder cinco cosas: cuál es el fracaso más probable, cuál sería el más peligroso, cuál es la suposición oculta, qué cambia en el plan y qué hay que verificar antes de empezar.
No convierte el futuro en predecible. Sólo hace más difícil que la confianza se disfrace de evidencia y permite que la IA funcione como registro, adversario y memoria de las condiciones originales.
8. Una versión pequeña para decisiones normales
No hace falta construir un sistema de pronósticos para cada pendiente. Una ficha de cinco minutos puede ser suficiente:
Decisión: qué estoy a punto de hacer.
Predicción: qué espero que pase y cuándo.
Confianza: de 0 a 100, sin usar 50 como refugio automático.
Evidencia que podría cambiarme la opinión: un dato, condición o respuesta concreta.
Modo de fallo: qué tendría que ocurrir para descubrir que mi explicación era demasiado cómoda.
Revisión: fecha y resultado observado.
Después se puede pedirle a la IA que ataque la ficha, no que la sustituya. «¿Qué estoy dando por cierto?», «¿qué evidencia estoy tratando como decoración?» y «¿qué resultado me obligaría a cambiar de rumbo?» son mejores preguntas que «¿te parece buena idea?».
9. La IA tampoco está calibrada sólo porque hable con seguridad
Una respuesta fluida no es una respuesta confiable. La IA puede producir una explicación coherente con datos incompletos, un dato falso o una pregunta mal planteada. Si le pedimos únicamente una conclusión, la confianza del texto se vuelve parte del producto.
La única defensa razonable no es pedirle que suene más cauta. Es obligarla a trabajar dentro de una estructura donde sus afirmaciones puedan compararse contra algo: una fuente, una cifra, un resultado, una fecha o una condición que alguien haya definido antes.
La confianza útil no es la que se siente en el momento. Es la que sobrevive al resultado y permite ajustar el siguiente intento.
No le pido a la IA que tenga una opinión por mí. Le pido que me ayude a dejarla escrita antes de que el mundo me diga si era buena.