Por Jesús Alfaro Águila-Real

.

A propósito de Gerd Gigerenzer, Taking Heuristics Seriously, 2016

.

“La naturaleza de la racionalidad humana se vuelve autística si, como hace a menudo el análisis económico, equiparamos racionalidad con preferencias puramente egoístas… no es el comportamiento del individuo sano y fuerte, sino el de los pacientes diagnosticados con un daño cerebral en zonas específicas del cerebro el que parece coherente con los atributos del homo oeconomicus”

Ralph Hertwig and Stefan M. Herzog

Introducción

La heurística hace referencia a la toma de decisiones con información limitada. Si se toma una decisión es porque el sujeto puede optar entre varios cursos de conducta y ha de elegir uno. Una decisión racional exigiría disponer de toda la información necesaria para maximizar la utilidad del decisor. En la vida real, utilizamos atajos para tomar las decisiones porque el coste de recopilar toda la información es infinito: “las reglas que ignoran parte de la información disponible se denomina heurística”.

Por ejemplo, cuando el dueño de una tienda ha de decidir a cuáles de sus clientes enviar publicidad maximizando la “respuesta” de éstos – que vuelvan a comprar – puede enviarla a todos los clientes que han comprado alguna vez en su vida en la tienda pero eso sería un despilfarro si el envío tiene un coste, de manera que ha de seleccionar, conforme a alguna regla, a cuáles de estos “merece la pena” enviar la publicidad. Para efectuar la selección puede seguir dos estrategias. Una sencilla basada en un juicio intuitivo: cuanto más tiempo haya pasado desde la última vez que el cliente compró en la tienda, menos probable es que vuelva a comprar si se le recuerda mediante el envío de la publicidad. Por tanto, una “buena” regla es la de:

“Envía la publicidad a todos los que hubieran realizado alguna compra en los últimos seis meses y descarta a todos los demás”.

Es la regla hiato: cuanto mayor es la distancia temporal desde la última compra, menor es la probabilidad de que el cliente vuelva a repetir. Esta regla tiene la ventaja de que es fácil de aplicar. Alternativamente, puede estudiarse la base de datos para extrapolar del comportamiento pasado de los clientes el comportamiento futuro que se espera (recuérdese, esto es lo que hacen todos los sistemas de cálculo del riesgo en finanzas).

Dice Gigerenzer que, sorprendentemente, ambos sistemas dan resultados parecidos – de hecho, mejores para la regla hiato – en términos de eficacia de la campaña de marketing y, obviamente, el primero es mucho menos costoso de implementar que el segundo y no requiere contratar consultores. La clave de los mejores resultados de la regla “menos es más” está, nos dice Gigerenzer, en que los modelos más complejos no ayudan mucho a tomar decisiones en un entorno de incertidumbre (“no todo se conoce con seguridad”).

Recuérdese la diferencia entre riesgo e incertidumbre: el riesgo se puede calcular – asignar probabilidades a los distintos escenarios alternativos con precisión – a la incertidumbre, no porque no conocemos todas las alternativas ni la probabilidad con que esos escenarios se producirán. Si estamos en una situación de riesgo, lo racional es calcular la probabilidad de que se produzca cada una de esas situaciones alternativas y tomar la decisión que maximiza las posibilidades de que se produzca la alternativa preferible. Es decir, la decisión requiere pensar en términos estadísticos, valorar todas las alternativas relevantes, todas las consecuencias y todas las probabilidades porque todas ellas son conocidas. En tales situaciones, no es deseable usar reglas heurísticas y si se usan es por “vagancia”, o sea, porque realizar el esfuerzo de cálculo es costoso.

Pero Gigerenzer nos dice que usamos reglas heurísticas con gran eficiencia en numerosos ámbitos de nuestra vida y que la Psicología Económica se equivoca al asociar el empleo de estas reglas con problemas en la racionalidad humana, esto es, con la existencia de sesgos cognitivos y conductas sistemáticamente irracionales. Recurrimos a la heurística, dice Gigerenzer en situaciones de incertidumbre, esto es, cuando no conocemos todas las alternativas, todas las consecuencias de cada una de las alternativas ni todas las probabilidades de cada una de las alternativas (“the inability to form priors on the distribution of future outcomes”). Entonces, hay que usar reglas heurísticas y la intuición. Eso es lo que hacen sujetos inteligentes. En todo caso y como dice Demsetz, es posible que haya una continuidad entre situaciones de riesgo e incertidumbre. Cuando las alternativas son muchas y determinar la probabilidad de producción de cada uno de los escenarios muy costoso, la situación para el decisor puede equipararse a un entorno de incertidumbre y ser eficiente recurrir a una regla heurística para decidir.

El punto importante es que lo que la optimización – la racionalidad – exige es que

“cuando nos enfrentemos a una cuestión de riesgo deberíamos confiar en la teoría de las probabilidades y optimizar; en situaciones de incertidumbre, deberíamos confiar en la heurística y simplificar”

Para “navegar” en el continuum entre riesgo e incertidumbre, los matemáticos usan – nos dice Gigerenzer – el

.

Dilema sesgo-varianza

.

Se resuelve conforme a la siguiente ecuación

error total = (sesgo)2 + varianza + ? (ruido)

El ruido viene representado por los datos del pasado que son irrelevantes para el futuro. Cuanto más difícil sea de predecir el futuro, esto es, cuanto mayor sea la incertidumbre, más ruido existirá en la información pasada y, por tanto, mayor el volumen de esa información que hay que descartar. El buen funcionamiento de la regla en el ejemplo del envío de publicidad (elimina de los envíos a cualquier cliente que no hubiera realizado ninguna compra en los últimos 6 meses) se debe a que ignora mucha información irrelevante que, sin embargo, el método más complejo sí que tiene en cuenta para tomar la decisión. Por tanto, las reglas heurísticas presentan ventajas frente al “sistema 2” de Kahneman en cuanto que reducen el ruido. Pero esta no es la ventaja más importante de las reglas heurísticas. Hertwig & Herzog:

“Aprovechando las habilidades cognitivas producto de la evolución, las reglas heurísticas son simples en términos computacionales y frugales en cuanto a la información que requieren para aplicarse. Y, aprovechando las estructuras del entorno, pueden conseguir adoptar la decisión correcta en dichos entornos en mayor medida que modelos mucho más complejos”

Gigerenzer lo explica clarísimamente con el siguiente ejemplo

La señora Sesgada tira los dardos siempre por debajo del blanco y levemente hacia la derecha. El señor Sinsesgos se equivoca, al apuntar, aleatoriamente. Unas veces tira demasiado alto, otras demasiado bajo, otras demasiado a la derecha, otras demasiado hacia la izquierda. Mientras que la señora Sesgada tiene una varianza baja (todos sus disparos acaban muy cerca unos de otros) el señor Sinsesgos tiene una varianza elevada (sus disparos acaban repartidos por toda la diana). ¿Quién tira mejor? Si el sesgo de la señora Sesgada no es muy pronunciado, incluso aunque lo elevemos al cuadrado, pero la varianza del señor Sinsesgos es muy elevada, los tiros de la señora Sesgada pueden ser más acertados que los del señor Sinsesgos. Un modelo complejo tiene pocos sesgos pero, en función de los datos – del tamaño de la muestra – puede presentar una elevada varianza. En el caso de la campaña de marketing, la probabilidad de que cada uno de los antiguos clientes vuelva a comprar puede ser muy diferente, de modo que si la base de datos incluye pocos clientes, los resultados de la campaña serán malos. Dice Geigerenzer:

“prescindir de determinada información puede ayudarnos a reducir los errores derivados de la varianza, el error que se genera de afinar en las estimaciones cuando los datos producen, sobre todo, ruido. De manera que la presencia de sesgos puede ayudarnos a tomar mejores decisiones”.

Muchos de los que se consideran sesgos que generan conductas irracionales son, vistos más atentamente, conductas inteligentes y signos de adaptación a las circunstancias.

“Para tomar buenas decisiones en entornos inciertos, es necesario calibrar sesgos y varianza, esto es, decidir entre tener en cuenta demasiada o demasiado poca información. En otras palabras, hay que seguir el consejo de Einstein de hacer todo tan simple como sea posible, pero no más simple. En este caso, se hace más simple la decisión ignorando parte de la información disponible.”

El mensaje de Gigerenzer es que tenemos que dejar de calificar las conductas basadas en la heurística de irracionales. Simplemente, no hay un “sistema 2” que permita calificar de racionales las conductas. El caso de las finanzas y la regla “value-at-risk” es un ejemplo extraordinario: en situaciones de incertidumbre, “los rating, las medidas basadas en la ponderación de riesgos y los cómputos basados en el “valor en riesgo” fallaron. Utilizar más información y reglas más complejas para tomar decisiones en entornos de incertidumbre hace el sistema frágil y crea la ilusión de certidumbre”. Por tanto, dice Gigerenzer, las reglas heurísticas no son siempre un “second best” al que recurrimos porque no implementamos la mejor solución debido al esfuerzo que supone encontrar tal solución. Los problemas complejos no requieren siempre soluciones complejas y, en fin, ni las reglas heurísticas son inconscientes ni nos conducen necesariamente a cometer errores.

Es más, debemos guardarnos del sesgo-sesgo, es decir, “la tendencia a diagnosticar sesgos en la conducta de otros sin comprobar en profundidad si tenemos un problema”. Como Jason Collins ha explicado espléndidamente, muchos presuntos sesgos en la toma de decisiones no han podido ser replicados y, a menudo, muchos de los sesgos más admitidos (como el efecto renta), desaparecen por efecto de las constricciones competitivas en los mercados.

La conclusión de Gigerenzer es que tenemos que concebir el estudio de la conducta humana como el análisis de la “caja de herramientas cognitivas” de las que dispone el ser humano para tomar decisiones y examinarlas comparativamente, esto es, ponderando en qué circunstancias y entornos unas herramientas cognitivas funcionan mejor que otras tratando de mejorarlas. Es el estudio “descriptivo del repertorio de reglas heurísticas del que dispone un individuo o una institución”. El paradigma neoclásico de la conducta humana racional sigue siendo utilísimo como término de comparación. No hay que perderlo de vista, pero no puede calificarse de irracional cualquier conducta que se aleje del modelo. En cuanto a la tarea normativa – por oposición a la descriptiva – se trata, no de analizar la conducta racional despegada del entorno en el que se toman decisiones, sino de analizar “los entornos en los que una determinada regla heurística es adaptativa”, o sea, obtiene los mejores resultados posibles, dado dicho entorno (racionalidad ecológica).

Como dicen Hertwig y Herzog, “la conjetura no es que las reglas heurísticas sean eficientes en todo caso. Más bien, su eficiencia depende… de que el entorno y nuestra coginición se adapten recíprocamente” y añaden que “esta es una de las diferencias claves entre el proyecto de investigación que estamos comentando y la psicología económica liderada por las ideas de Kahneman y Thaler: “las reglas heurísticas rápidas y frugales pueden estar perfectamente adaptadas a un entorno determinado y no encajar con las estructuras de otros entornos”. El objetivo es “describir las propiedades estadísticas o informativas del entorno en el que una determinada regla heurística es eficiente o no está ajustada”.

En varias entradas hemos defendido que  esos entornos sociales (social heuristics, aunque “las mismas fuerzas de la selección natural que favorecieron probablemente la evolución de estrategias simples en entornos no sociales… favorecieron igualmente estas estrategias simples en entornos sociales”) pueden reducirse a dos una vez que el ser humano se concibe como un ser social, esto es, un ser vivo que no habría sobrevivido si no fuera por su “ultrasocialidad” y una vez que se acepta que la socialidad se manifiesta en conductas cooperativas con otros individuos, conductas que, en el extremo, generan “superorganismos”.

Estas dos formas básicas son la producción en grupo e intercambios bilaterales y que el entorno predominante en la larguísima etapa en la que se formó nuestro cerebro y adquirimos un comportamiento moral, como consecuencia de la interdependencia y de la necesidad de cooperar con los demás miembros del  grupo para sobrevivir fue el entorno de la producción en grupo: la asociación con otro u otros para perseguir objetivos comunes es la forma más primaria de cooperación. Los “juegos sociales” no son, pues, primariamente, juegos de intercambio entre dos o más agentes.

De manera que la racionalidad ecológica del ser humano debe responder a la maximización, no de la utilidad individual, sino de la producción en grupo, y que la maximización de la utilidad individual se obtiene indirectamente como consecuencia del reparto igualitario de lo producido en común, una distribución que es casi inevitable y que no requiere de una decisión expresa. El éxito de la cooperación en el seno de los grupos – de las asociaciones – no depende, en la misma medida, de la racionalidad de los individuos, que en las relaciones de intercambio. Depende, sin embargo, en mayor medida, de la moralidad, es decir, de la autorregulación de los asociados y de la autorrestricción de los propios intereses en el altar del beneficio común. La producción en grupo no permite, sin embargo, salir de una economía de subsistencia, de manera que los intercambios – que permiten obtener las ganancias de la especialización y la división del trabajo – se añaden a las conductas cooperativas muy tarde en la experiencia humana y sin posibilidad, por tanto, de influir en nuestra racionalidad. Pero es la racionalidad del intercambio la que permite a los individuos preocuparse exclusivamente por el propio interés y, como expresara Smith con la famosa metáfora de la mano invisible, dejar al entorno competitivo que hiciera el resto, esto es, que maximizara la utilidad de todos.

Esta idea permite explicar, quizá, los resultados del juego del ultimátum. Los juegos de ese tipo no son “intercambios” bilaterales, aunque se jueguen entre dos individuos. Se trata de lograr un objetivo común, hacerse – los jugadores – con el dinero ofrecido por el experimentador. De manera que el reparto igualitario se presupone una vez que los dos jugadores se conciben a sí mismos como partícipes en una “empresa conjunta”. Sin esa presuposición, el juego no tendría lugar. Pensemos en que, en vez de dos humanos, hay dos empresas. Estas aceptarían cualquier oferta como, según parece, los humanos aceptan cualquier oferta de una máquina.

Gigerenzer sugiere dos estrategias en relación con el trabajo académico

La primera es enfrentar unos modelos a otros, no a la hipótesis nula, esto es, a resultados aleatorios.

La segunda es evaluar los modelos “sobre la base de su capacidad para hacer predicciones acertadas, no porque se ajusten a los datos pasados” (recurrimos a los datos pasados porque, obviamente, no tenemos datos del futuro y presuponemos continuidad entre el pasado y el futuro. Esta estrategia es muy exitosa cuando hay continuidad entre todas las circunstancias relevantes para producir un efecto en el pasado y en el futuro pero, obviamente, no lo es cuando hay cambios relevantes en las circunstancias o disponemos de pocos datos en general o nos faltan datos respecto de circunstancias relevantes). Como dicen Hertwig y Herzog, los humanos necesitan predecir el futuro, no explicar el pasado. Richard Epstein tituló un libro “Simple Rules for a Complex World”. El mejor título posible. El programa de Gigerenzer trata de proporcionarnos reglas lo más simple posibles para un mundo complejo. Y, a menudo, añadir complejidad a las reglas – a las decisiones – empeora los resultados porque el entorno es incierto, porque el futuro no es como el pasado o, como decía Sábato, no podemos trazar un futuro tan irrevocable como el pasado.

V., también, Gigerenzer, Gerd; Reb, Jochen; and Luan, Shenghua. Smart heuristics for individuals, teams, and organizations. (2022). Annual Review of Organizationa Psychology and Organizational Behavior. 9, 171-198.

Foto