Tasas base: empieza por la multitud

Imagina una cafetería por la que pasas cada mañana: luz cálida, una cola que sale por la puerta, un barista que conoce a los clientes habituales por su nombre. Alguien te pregunta: «¿Seguirá abierto este sitio dentro de cinco años?». La historia que tienes delante grita sí — es claramente encantadora, claramente concurrida, claramente llevada por gente que se preocupa. Pero esa historia es una sola cafetería. El pronóstico honesto empieza en un punto mucho menos romántico: de cada cafetería nueva que abre, solo una minoría sobrevive cinco años. Ese número aburrido, a nivel de multitud, es tu ancla — e ignorarlo por la luz cálida del escaparate es uno de los errores de pensamiento más comunes y más caros que existen.

Esta lección trata sobre esa ancla: de dónde viene, cómo encontrar la correcta y por qué tu cerebro está programado para tirarla justo cuando aparece un caso vívido.

La visión exterior (outside view): empieza por la multitud

Antes de estudiar qué tiene de especial un caso, mira la multitud a la que pertenece. Una tasa base (base rate) es lo común que es algo en la clase de referencia relevante — la frecuencia llana de un resultado entre todos los casos como el tuyo — antes de que mires ninguna de las particularidades de tu caso concreto. Es la respuesta a «¿qué suele pasarles a las cosas como esta?».

La idea viene directamente del trabajo de los psicólogos Daniel Kahneman y Amos Tversky, que demostraron a lo largo de docenas de experimentos que la gente ignora sistemáticamente estas frecuencias de fondo en favor de la historia vívida. La abreviatura de Kahneman para esta disciplina es la visión exterior (outside view): en lugar de preguntar «¿cómo irá mi proyecto?» (la visión interior, que vive dentro de los detalles de tu plan concreto), preguntas «¿cómo van, de media, los proyectos de este tipo?» y empiezas tu estimación ahí.

¿Por qué empezar ahí? Porque la tasa base ya contiene los resultados acumulados de miles de casos que parecían, a sus dueños, tan especiales como el tuyo te parece a ti. El dueño de la cafetería que está a punto de quebrar también contempla luz cálida y una cola. La multitud ya ha realizado el experimento que tú estás a punto de hacer, muchas veces, y ha apuntado la respuesta.

Ejemplo resuelto. Un amigo te presenta una startup: fundador brillante, mercado caliente, ingresos reales. ¿Deberías esperar que se convierta en un «unicornio» de mil millones de dólares? La visión interior amontona las particularidades impresionantes y sienta de maravilla. La visión exterior pregunta primero: de todas las startups con financiación de capital riesgo, ¿qué fracción alcanza una valoración de mil millones de dólares? Está muy por debajo del 1 % — del orden de 1 entre 100 o más raro aún, según cómo lo cuentes. Ese número es tu estimación de partida. El fundador brillante y el mercado caliente quizá la suban un poco, pero parten de menos de un por ciento, no de cero-a-lo-que-sea.

Arrastra la cuadrícula de abajo para sentir lo pequeña que es de verdad una tasa base de «1 entre 100» — y cómo el único caso vívido que tienes delante no es más que uno de esos puntos.

La falacia de la tasa base (base-rate fallacy): cuando gana la historia vívida

Este es el modo de fallo que hace que las tasas base merezcan una lección entera. La falacia de la tasa base (base-rate fallacy) (también llamada olvido de la tasa base o base-rate neglect) es la tendencia a ignorar la frecuencia de fondo de un resultado cuando te ponen delante una descripción específica, vívida y representativa. La descripción parece mejor información porque es concreta y detallada — así que la agarras y descartas en silencio el número, a nivel de multitud, que debería haberte anclado.

Kahneman y Tversky rastrearon esto hasta un atajo mental que bautizaron como representatividad (representativeness): juzgamos lo probable que es algo por cuánto se parece a nuestro prototipo mental, en lugar de por lo común que es. Un hombre pulcro y obsesionado con el detalle se parece al prototipo de «bibliotecario», así que lo llamamos bibliotecario — sin pararnos nunca a contar lo pocos que hay.

Números resueltos (el problema del bibliotecario). Los agricultores superan con mucho a los bibliotecarios — pongamos 1 bibliotecario por cada 19 agricultores entre los hombres relevantes. Coge 1.000 hombres: unos 950 agricultores y 50 bibliotecarios (ya generoso con los bibliotecarios). Ahora concede al estereotipo verdadera fuerza: un hombre meticuloso y ordenado es cuatro veces más propenso a ser bibliotecario que un hombre cualquiera. Así que entre los bibliotecarios, quizá un 40 % encaja con la descripción → 20 hombres; entre los agricultores, quizá un 10 % encaja → 95 hombres. De los hombres que coinciden con «tímido y pulcro», 20 son bibliotecarios y 95 son agricultores — así que el hombre que coincide sigue siendo más de cuatro veces más probable que sea agricultor. El estereotipo «ganó» en parecido y perdió en aritmética, porque la multitud de agricultores es mucho mayor.

Un segundo caso, más afilado — la revisión de amenazas en el aeropuerto. Un escáner marca a un viajero que «encaja con el perfil» de una amenaza. Incluso un sistema muy preciso choca con una tasa base brutal: de los millones de viajeros al día, las amenazas genuinas son rarísimas — quizá un puñado entre decenas de millones. Cuando la tasa base de aquello que buscas es uno entre un millón, una «coincidencia de perfil» o una alarma de máquina es, abrumadoramente, una falsa alarma. La sensación vívida («este parece peligroso») no es rival para lo astronómicamente rara que es la cosa real.

Clases de referencia: elegir la multitud correcta

La tasa base es tan buena como la multitud que cuentas. Una clase de referencia (reference class) es el conjunto de casos que tratas como «iguales a este» — el grupo cuyas frecuencias tomas prestadas como estimación de partida. Elegirla bien es la mayor parte de la habilidad, porque el mismo caso puede situarse en muchas multitudes con tasas base muy distintas.

Esta es la tensión viva entre dos visiones que Kahneman bautizó. La visión interior (inside view) mira los detalles únicos de tu caso concreto y construye una estimación a partir de ellos («nuestro equipo es genial, nuestro plan es sólido, así que terminaremos en tres meses»). La visión exterior (outside view) ignora los detalles al principio, encuentra la clase de referencia correcta y lee su tasa base («los proyectos de reforma como el nuestro terminan, de media, con un 40 % de retraso, así que presupuéstalo»). La visión interior parece más informada y suele estar más equivocada, porque no tiene forma de tener en cuenta los desconocidos desconocidos que la tasa base ya ha absorbido de la historia real.

La víctima clásica es la falacia de la planificación (planning fallacy): la gente predice que sus propios proyectos irán más rápido y más baratos de lo que fueron proyectos pasados casi idénticos, porque razona desde la visión interior, color de rosa, de este plan en lugar de desde el historial de todos los planes así. El arreglo es mecánico — encuentra una clase de referencia de proyectos similares ya terminados, toma sus plazos reales como ancla y solo entonces ajusta.

Ejemplo resuelto. Estás estimando una reforma de cocina. Visión interior: «Tres semanas — lo dijo el contratista, el diseño es sencillo». Visión exterior: tira de la clase de referencia «reformas de cocina como la mía» y encontrarás una fuerte tendencia a excederse. Si trabajos similares tardaron cinco semanas de media, cinco semanas es tu ancla, y «pero la nuestra es más sencilla» es un pequeño empujón a la baja — no una licencia para creerte la historia de las tres semanas. La clase de referencia hizo el pronóstico; tu optimismo solo edita los márgenes.

El truco: elige una clase demasiado estrecha y no tendrás datos («reformas de mi cocina exacta» es una muestra de uno); demasiado amplia y el número no significa nada («todos los proyectos del hogar de la historia»). Apunta a la clase más estrecha que aún tenga suficientes casos reales para dar una frecuencia estable.

Combinar la tasa base con las particularidades

Empezar por la tasa base no significa quedarse ahí. La multitud te da el ancla; las particularidades de tu caso te mueven de ella — hacia arriba si tu evidencia es genuinamente favorable, hacia abajo si es desfavorable. La tasa base es donde empieza la estimación, no donde termina.

La disciplina es el orden de las operaciones: ancla primero, ajusta después. Un fundador de primera no convierte un tiro de unicornio de 1 entre 100 en cara o cruz, pero podría duplicar tu estimación a 2 entre 100. Una cafetería radiante en un barrio acomodado y mal atendido no garantiza la supervivencia a cinco años, pero podría elevarte por encima de la media desoladora. El error que describe la falacia de la tasa base es saltar directamente a las particularidades y olvidar que alguna vez hubo un ancla.

Cuánto deberías moverte de la tasa base ante una determinada pieza de evidencia — esa es una pregunta precisa con una respuesta precisa, y tiene nombre: actualización bayesiana (Bayesian updating), el motor para combinar una a priori (tu tasa base) con nueva evidencia (las particularidades) en una estimación más afinada. Esa maquinaria tiene un curso entero propio más adelante. Por ahora, planta solo la forma de la idea: empieza en la tasa base, y luego muévete hacia las particularidades en proporción a lo fuerte que sea realmente la evidencia — la evidencia fuerte te mueve mucho, la evidencia débil o vívida-pero-poco-informativa te mueve apenas nada. La prueba de la enfermedad de arriba es toda la idea en miniatura: un resultado positivo sí te movió (del 0,1 % hasta ~9 %), solo que ni de lejos tan lejos como quería tu instinto, porque la tasa base se quedó con la mayor parte del peso.

Dónde te mienten las tasas base

Las tasas base son poderosas, no infalibles. Tres formas en que la visión exterior puede engañarte — cada una es una razón para comprobar el ancla, nunca para abandonarla.

La clase de referencia equivocada o demasiado amplia. Si tu multitud no coincide de verdad con tu caso, su frecuencia es solo una irrelevancia con aspecto de seguridad. «Los restaurantes quiebran a un ritmo X» es el ancla equivocada para una institución familiar de 30 años con el edificio pagado; «todos los conductores tienen accidentes a un ritmo Y» es el ancla equivocada para un profesional con un millón de kilómetros sin accidentes. Basura de clase entra, basura de tasa base sale. El arreglo no es soltar la tasa base — es encontrar una clase más estrecha y más verdadera.

Tasas base que han cambiado de verdad. Una clase de referencia construida a partir de la historia da por hecho que el mundo no se ha movido. A veces sí lo ha hecho. La tasa base de «cartas perdidas en el correo» no te dice nada sobre el correo electrónico; la tasa de supervivencia de los minoristas anteriores a internet pronostica mal la de uno online. Cuando las condiciones subyacentes cambian estructuralmente, las viejas frecuencias pueden engañar — así que pregúntate si los casos pasados fueron generados por el mismo mundo en el que vive tu caso.

Eventos verdaderamente únicos sin clase de referencia. Algunos casos no tienen una multitud honesta: una tecnología genuinamente nunca-vista, un punto de inflexión histórico singular. Aquí la visión exterior se queda sin datos, y te ves forzado a volver hacia un razonamiento cuidadoso de visión interior — pero el peligro es el inverso del olvido de la tasa base: la gente declara su caso «único» precisamente para escapar de una tasa base incómoda. El dueño de la cafetería insiste en que su cafetería es especial; el proyecto pasado de presupuesto insiste en que esta vez es diferente. La mayoría de los casos que parecen únicos no lo son.

Cuándo recurrir a ella

Recurre a las tasas base cada vez que pronostiques o juzgues un caso concreto — una contratación, una inversión, un diagnóstico, una fecha límite de un proyecto, una relación, una apuesta. El detonante es cualquier momento en que te pilles razonando a partir de una historia vívida y detallada sobre este caso en particular. Antes de dejar que la historia conduzca, párate y pregunta: ¿qué suele pasarles a las cosas como esta? Encuentra la multitud, lee su frecuencia, haz de eso tu ancla — y solo entonces deja que las particularidades la ajusten. Cuesta diez segundos y te salva de forma rutinaria de las respuestas equivocadas más seguras que producirás en tu vida.

Repaso

Hacia dónde va esto

Ya puedes hacer el movimiento que separa a los pronosticadores calibrados de los adivinos seguros de sí mismos: antes de juzgar cualquier caso concreto, encuentra la multitud a la que pertenece y empieza por la frecuencia con que las cosas como esa acaban de la forma que estás preguntando. Ánclate en la tasa base, y luego deja que las particularidades la ajusten — nunca al revés. A continuación, en «Valor esperado», ponemos números a los propios resultados: una vez que sabes lo probable que es cada resultado, el valor esperado te dice lo que vale de media una elección, para que las probabilidades dejen de ser anécdotas y empiecen a guiar decisiones.