Decidir Bajo Incertidumbre Profunda: Elegir Bien Cuando No Puedes Conocer las Probabilidades

Ya dominas la maquinaria limpia de las buenas decisiones: pesar una apuesta por su valor esperado (expected value) —probabilidad por resultado—, respetar el mundo de colas gruesas (fat tails) donde un solo extremo raro manda sobre todo, mantener un margen de seguridad (margin of safety) para que una mala estimación no te mate, y dar forma a tus apuestas para que la parte mala esté acotada y la buena quede abierta (asimetría y opcionalidad, asymmetry and optionality). Este curso es la secuela honesta de todo ello. Plantea la pregunta que esas herramientas esquivan en voz baja: ¿qué haces cuando no conoces las probabilidades en absoluto —y no puedes?

El valor esperado necesita números. Multiplica las probabilidades por los resultados, súmalos, elige el mayor. Pero esa máquina solo funciona si puedes alimentarla con las probabilidades —y para las decisiones que más importan (qué tecnología gana la década, si esta pandemia se propaga, cómo se comporta un mercado nuevo, si tu único gran plan aguanta), las probabilidades mismas son desconocidas, discutidas o genuinamente incognoscibles. El economista Frank Knight trazó la línea hace un siglo: el riesgo (risk) es una apuesta cuyas probabilidades conoces (un dado justo, una ruleta), mientras que la incertidumbre (uncertainty) —lo que llamaremos incertidumbre profunda— es una apuesta cuyas probabilidades no conoces. Trata la segunda como la primera y obtienes falsa precisión (false precision): una hoja de cálculo preciosa, un pronóstico único y confiado, y una decisión que se hace añicos en cuanto la realidad cae en una casilla que nunca modelaste.

La jugada experta es un cambio en el objetivo mismo. Cuando no puedes calcular de forma fiable qué acción es la mejor, dejas de cazar el óptimo y empiezas a exigir robustez (robustness): elige la acción que va aceptablemente en muchos mundos posibles antes que la que parece mejor en tu único mundo adivinado. Ese solo replanteamiento abre toda la caja de herramientas —satisfacer (satisficing) en vez de maximizar, minimizar el arrepentimiento máximo (minimax-regret) (minimiza cuánto te lamentarás en el peor caso), y sobre todo el principio de evitar la ruina / precautorio (ruin-avoidance): nunca arriesgues lo que no puedas permitirte perder, porque el juego se juega a lo largo del tiempo, y una sola ruina lo termina —no hay promedio al que volver cuando estás fuera del juego. Recomprarás tu ignorancia con reversibilidad (reversibility) y valor de la opción (option value) (mantén las elecciones deshacibles, paga por el margen de seguridad, haz experimentos pequeños), con redundancia y holgura (redundancy and slack) (la capacidad de reserva antifrágil que convierte un golpe en un rasguño), y con pensamiento por escenarios y pre-mortems que sustituyen un pronóstico frágil por un abanico de futuros ya ensayados.

Manejarás un explorador de muchos mundos interactivo: elige una estrategia —optimizar, cubrirte, barra (barbell) o robusta— y arrastra el futuro de calmado a profundamente incierto, observando de golpe todo el abanico de mundos posibles. La lección cae rápida y contundente: en un mundo calmado el optimizador gana de media, pero sube la turbulencia y es precisamente esa estrategia la que queda aniquilada, mientras que la elección robusta cambia un poco de rendimiento medio por sobrevivir en todos los mundos —y la barra incluso se beneficia del desorden. Por el camino aprenderás las trampas que atrapan a los expertos: la falsa precisión disfrazada de rigor, tratar la incertidumbre profunda como si fuera mero riesgo, sobrecubrirte hasta la parálisis (pagar tanto por seguridad que nunca ganas), y confundir la robustez con el mero pesimismo. Al final tendrás el modelo que subyace a toda decisión sabia tomada entre la niebla —la metahabilidad de elegir bien justo cuando no puedes calcular la respuesta.