Si satisfacer (satisficing) fuera solo «conformarse con menos», sería un consejo de derrota — una forma de perder con elegancia frente al optimizador que no puedes ser. La investigación de Gerd Gigerenzer ofrece el mensaje contrario y mucho más radical: las reglas simples no solo ahorran esfuerzo, pueden ser más precisas que la optimización compleja — no a pesar de su simplicidad, sino gracias a ella. Su programa, la racionalidad ecológica (ecological rationality), recoge la segunda hoja de las tijeras de Simon: una regla es lista o tonta solo en relación con la estructura del entorno en el que opera. Esta lección conoce las heurísticas rápidas y frugales (fast-and-frugal heuristics), ve por qué «menos es más» es un fenómeno estadístico real, y marca exactamente dónde brillan estas reglas y dónde se rompen.
Antes de empezar — arriésgate a adivinar
Una regla simple usa una sola buena razón para decidir, ignorando toda la demás información. Un modelo complejo pondera de forma óptima cada pista disponible. Al predecir casos NUEVOS, no vistos, ¿cuál tiende a hacerlo mejor?
Qué hace que una heurística sea ‘rápida y frugal’
Una heurística rápida y frugal (fast-and-frugal heuristic) es una regla de decisión deliberadamente simple en tres sentidos: examina pocas pistas (frugal), decide rápido con poco cálculo (rápida), y es transparente — puedes escribirla en una ficha. No son aproximaciones chapuceras a algún cálculo ideal. La tesis de Gigerenzer es que son herramientas adaptativas, cada una emparejada con un tipo de entorno, a las que la mente recurre porque funcionan ahí.
La idea clave que las une es la racionalidad ecológica (ecological rationality): una heurística no tiene un coeficiente intelectual fijo. Es lista en los entornos cuya estructura explota y tonta en los entornos que violan sus supuestos. La pregunta nunca es «¿es racional esta regla?», sino «¿es racional esta regla para este entorno?» — de nuevo las dos hojas de Simon, la mente y el mundo cortando juntas.
Take-the-best: una buena razón
Take-the-best (coge-la-mejor) decide entre dos opciones por la única pista más válida que las distingue, e ignora el resto por completo. ¿Qué ciudad alemana es mayor, A o B? Comprueba las pistas en orden de validez — ¿tiene equipo de fútbol?, ¿es capital de estado?, ¿tiene catedral? — y en el momento en que una pista apunta en una dirección, decide. Para. No integres las demás.
Suena temerario. Sin embargo, a lo largo de muchas tareas de predicción del mundo real, take-the-best iguala o supera a la regresión múltiple — un modelo que pondera de forma óptima todas las pistas — al predecir casos nuevos. ¿Por qué? Porque estimar los pesos óptimos de muchas pistas a partir de datos limitados y ruidosos significa ajustar el ruido; la regla simple tiene menos mandos que ajustar mal, así que generaliza mejor. Una buena razón, aplicada con robustez, supera a muchas razones combinadas de forma óptima.
La heurística del reconocimiento: la ignorancia como información
La heurística del reconocimiento (recognition heuristic): si reconoces una opción y no la otra, infiere que la reconocida puntúa más alto en el criterio. ¿Qué ciudad es mayor, una de la que has oído hablar o una que no? Apuesta por la familiar. Sorprendentemente, esto puede producir un efecto «menos es más» (less-is-more): quienes reconocen menos ciudades a veces responden más preguntas de geografía correctamente que quienes las reconocen todas — porque quienes han oído hablar de todo no pueden usar el reconocimiento para discriminar, mientras que los parcialmente ignorantes tienen una señal válida precisamente porque su ignorancia es sistemática (oyes hablar de las ciudades grandes con más frecuencia).
«Menos es más», con cuidado
«Menos es más» no significa que la información sea mala. Significa que hay condiciones bajo las cuales usar menos información produce mejores decisiones — porque el reconocimiento rastrea el criterio, o porque ignorar pistas evita el sobreajuste. Es una afirmación sobre la robustez: las reglas simples cambian un poco de sesgo por mucha menos varianza, y en mundos ruidosos y cambiantes ese intercambio gana. No es una licencia para ser ignorante a propósito sobre todo.
1/N: la regla del reparto equitativo
Ante la tarea de repartir dinero entre N opciones de inversión, el enfoque óptimo es la optimización media-varianza de Markowitz (Markowitz mean-variance) — estimar el rendimiento, la varianza y la correlación de cada activo, y luego calcular los pesos ideales. La alternativa rápida y frugal es la regla 1/N: reparte tu dinero por igual entre las opciones. Ignora toda la estimación sofisticada.
En un estudio muy conocido, Gigerenzer y sus colegas encontraron que 1/N igualaba o superaba a las carteras optimizadas sofisticadas fuera de muestra en la mayoría de los conjuntos de datos. El optimizador tiene que estimar una montaña de parámetros a partir de un historial limitado, y esas estimaciones son tan ruidosas que los pesos «óptimos» a menudo son peores que repartir por igual. Con suficientes datos y correlaciones estables el optimizador acaba ganando — pero en el mundo desordenado y de muestra pequeña que los inversores realmente habitan, la regla tonta frecuentemente sale ganando.
Por qué ganan las reglas simples: sesgo, varianza y un mundo cambiante
La razón profunda por la que ocurre «menos es más» es el equilibrio sesgo-varianza (bias–variance trade-off). Todo error de predicción tiene dos partes:
- Sesgo — el error de que una regla sea demasiado simple para captar el patrón verdadero.
- Varianza — el error de que una regla sea tan flexible que ajusta el ruido de la muestra y oscila salvajemente cuando los datos cambian.
Los modelos complejos de optimización tienen sesgo bajo pero varianza alta: con muchos parámetros libres estimados a partir de datos limitados, se aferran a accidentes de la muestra y luego fallan en los casos nuevos. Las heurísticas rápidas y frugales aceptan un poco más de sesgo para comprar un recorte grande de varianza — y cuando los datos son escasos, ruidosos, o el mundo está cambiando, ese intercambio es una ganancia neta. Esta es la misma razón por la que un modelo más simple a menudo predice mejor que uno complicado en estadística y aprendizaje automático: el modelo sofisticado sobreajusta.
| Modelo complejo de optimización | Heurística rápida y frugal | |
|---|---|---|
| Pistas usadas | todas, ponderadas de forma óptima | una o unas pocas buenas |
| Parámetros libres que estimar | muchos | muy pocos |
| Ajuste a los datos de entrenamiento | excelente | más tosco |
| Predicción en casos nuevos | puede ser peor (sobreajusta el ruido) | a menudo mejor (robusta) |
| Datos necesarios para brillar | muchos, estables | pocos, funciona en flujo |
| Transparencia | opaca | escríbela en una ficha |
¿Cuál es la razón estadística central por la que una heurística rápida y frugal puede predecir mejor que un modelo complejo optimizado en datos nuevos?
La racionalidad ecológica: las reglas encajan con los entornos
La lección unificadora es que una heurística es solo tan buena como su encaje con el entorno. Cada regla rápida y frugal explota una estructura específica:
- Take-the-best brilla cuando las pistas varían mucho en validez y son redundantes (de modo que una buena pista carga con la mayor parte de la señal). Es pobre cuando muchas pistas débiles aportan cada una información independiente que debería combinarse.
- La heurística del reconocimiento funciona cuando el reconocimiento se correlaciona genuinamente con el criterio (las cosas grandes se comentan más). Falla cuando aquello de lo que has oído hablar no está correlacionado con — o está inversamente relacionado con — lo que estás juzgando.
- 1/N gana cuando los rendimientos son ruidosos y las correlaciones inestables (muestras pequeñas). Pierde cuando tienes datos abundantes y estables que hacen posibles buenas estimaciones.
Así que la misma regla es brillante aquí y necia allá. Eso no es un fallo — es justamente el sentido. La racionalidad ecológica significa emparejar la herramienta con el terreno. Una regla rápida y frugal llevada a un entorno que no le encaja fallará, a veces gravemente. Que es exactamente el escollo que la próxima lección (y los límites honestos del modelo) pondrán en primer plano.
El límite que más importa
Una heurística que es ecológicamente racional en un mundo falla cuando el mundo cambia. La heurística del reconocimiento te traiciona en un dominio donde la fama está inversamente relacionada con el criterio; take-the-best falla cuando las pistas necesitan genuinamente combinarse; 1/N pierde cuando las correlaciones son estables y estimables. Las reglas simples no son magia — son adaptaciones, y las adaptaciones pueden quedar varadas cuando el entorno cambia. Pregunta siempre: ¿encaja esta regla con el terreno en el que realmente estoy?
Empareja cada heurística rápida y frugal (o idea) con lo que hace.
Pick a term, then click its definition.
Clasifica cada situación según si una heurística rápida y frugal probablemente FUNCIONARÁ BIEN o FALLARÁ, dado el entorno.
Place each item in the right group.
- Take-the-best donde una pista dominante carga con la mayor parte de la señal
- Reparto 1/N con rendimientos ruidosos y solo unos pocos años de datos
- 1/N cuando tienes décadas de datos estables y correlaciones fiables
- Heurística del reconocimiento para «¿qué ciudad es mayor?» — la fama rastrea el tamaño
- Take-the-best donde muchas pistas débiles aportan cada una información independiente
- Heurística del reconocimiento para «¿qué acción subirá?» — la fama no rastrea los rendimientos
Lo único que hay que recordar
Las heurísticas rápidas y frugales — take-the-best (una buena razón), la heurística del reconocimiento (apuesta por lo familiar), 1/N (reparte por igual) — son reglas simples y transparentes que a menudo igualan o superan a la optimización compleja en datos nuevos, porque los modelos complejos sobreajustan el ruido mientras que las reglas frugales se mantienen robustas (el equilibrio sesgo-varianza). Pero esto es racionalidad ecológica: una regla es lista solo en relación con el entorno que explota, y falla cuando el mundo cambia. Menos puede ser genuinamente más — pero solo cuando la herramienta encaja con el terreno. A continuación: cómo fijar los niveles de aspiración, elegir satisfacer-o-optimizar, y dónde se sitúa el modelo entero.