Buena decisión ≠ buen resultado

Aquí tenéis una pregunta que destroza en silencio el juicio de la mayoría: ¿fue una buena decisión? Casi todo el mundo la responde mirando cómo acabó la cosa. ¿Ganaste la apuesta? Buena jugada. ¿La perdiste? Mala jugada. Parece infalible — y es un error, porque un único resultado es un testigo pésimo. En un mundo que funciona a base de probabilidades, una decisión brillante puede perder y una temeraria puede ganar, y si puntúas por el marcador aprenderás justo las lecciones equivocadas. Esta última lección teórica trata de separar esas dos cosas — la decisión y el resultado — y luego de atar todo el curso, porque cada modelo que has conocido hasta ahora es en realidad una herramienta para que la decisión sea buena antes de tirar los dados.

Resulting: juzgar la decisión por el resultado

Imagina saltarte un semáforo en rojo a las 3 de la mañana en una carretera vacía y llegar a casa sin un rasguño. ¿La llegada sana y salva lo convirtió en una buena decisión? Obviamente no — te libraste de una mala. Ahora dale la vuelta: paras en cada semáforo, conduces a la perfección, y un conductor borracho te embiste igualmente de costado. El choque no convirtió tu conducción en una mala decisión. Resultados y decisiones son animales distintos, y tu instinto no para de confundirlos.

La campeona de póquer y científica de la decisión Annie Duke bautizó este reflejo como resulting: evaluar la calidad de una decisión basándose únicamente en la calidad de su resultado. Los académicos llaman al mismo fallo sesgo de resultado (outcome bias / resulting) — calificamos una elección de lista o tonta a posteriori según funcionara o no, aunque la información disponible en su momento no haya cambiado en absoluto. La señal es sencilla: si tu veredicto sobre una decisión cambiaría solo porque el resultado cambia — misma información, mismas probabilidades, todo lo demás igual — estás haciendo resulting.

Ejemplo resuelto. Un cirujano recomienda una operación con una tasa de éxito bien documentada del 95 % para una afección peligrosa. El paciente es uno del desafortunado 5 % y muere en el quirófano. El resulting dice: mala jugada, la cirugía lo mató. Pero hazlo de forma honesta — dada una tasa de éxito del 95 % frente a una afección que amenaza la vida, recomendar la cirugía fue una decisión excelente. El trágico resultado no cambia eso; simplemente cayó el 1 entre 20. Juzga al cirujano por el resultado y castigarías la decisión correcta y, en otra parte, premiarías una temeraria que por casualidad sobrevivió.

El error consiste en creer que se supone que las buenas decisiones producen buenos resultados con la fiabilidad suficiente como para que el resultado pueda hacer las veces de la decisión. En un mundo determinista podría. Pero te has pasado todo este curso aprendiendo que el mundo es probabilístico — los resultados son tiradas, no veredictos — así que el resultado es un sustituto ruidoso y a menudo engañoso de la calidad de la elección que lo precedió.

El 2×2 de decisión y resultado

Como la decisión puede ser buena o mala con independencia de que el resultado sea bueno o malo, en realidad tienes una cuadrícula de dos por dos, no una sola línea. Piénsalo como una cocina: una gran receta seguida con cuidado puede salir mal igualmente porque se estropeó el horno, y una chapucera puede salir comestible porque tuviste suerte con los ingredientes. La calidad de la receta y la calidad de la cena son ejes separados.

Cruza la calidad de la decisión (¿fue la apuesta inteligente dado lo que sabías?) con la calidad del resultado (¿salió bien?) y obtienes cuatro casillas, cada una con su propio nombre y su propia lección.

Las dos casillas de la diagonal son donde todo el mundo se deja engañar. Un bad beat es una buena decisión con un mal resultado — lo hiciste todo bien y el desastre de baja probabilidad cayó igualmente; la tentación es “aprender” de él y no volver a hacer nunca esa buena apuesta. La suerte tonta (dumb luck) es una mala decisión con un buen resultado — te libraste; la tentación es atribuirlo a tu genialidad y volver a hacerlo, esta vez con las probabilidades por fin alcanzándote. La fuera de la diagonal tampoco es rara: cuanto más azar haya en un terreno, más de tus resultados caen en esas dos casillas tramposas.

Ejemplo resuelto. Dos inversores meten cada uno sus ahorros en una sola acción meme volátil. La de la inversora A triplica; la del inversor B se va a cero. La misma decisión temeraria y sin diversificar — pero A se sienta en suerte tonta y B en derrota merecida. Si los entrevistas después, A te dará una teoría que suena convincente sobre por qué fue brillante. La cuadrícula dice ignora la teoría: fue una sola mala decisión que produjo dos tiradas distintas.

Clasifica la apuesta, no el resultado

Hora de convertir esto en un reflejo. Abajo hay escenarios donde el resultado se describe a propósito — y debes ignorarlo. Juzga cada decisión por la apuesta en sí: las probabilidades y lo que había en juego tal como se conocían antes del resultado. Una buena decisión puede perder; una mala decisión puede ganar.

Suerte frente a habilidad (luck vs skill): por qué los resultados necesitan tiempo para hablar

¿Por qué no puedes fiarte sin más de un resultado? Porque un resultado es una sola tirada de una distribución, y una tirada no te dice casi nada sobre la forma de la que salió. Lanza una moneda justa una vez y «cara» no demuestra que la moneda esté trucada. Lánzala diez mil veces y el patrón no puede esconderse. La misma lógica gobierna las decisiones: cuanto más azar lleve incorporado un terreno, más tardan los resultados en revelar si tus decisiones fueron buenas.

Una sola mano de póquer es sobre todo suerte — incluso un jugador perfecto pierde un montón de manos individuales, y un necio gana algunas. A lo largo de una carrera de póquer de millones de manos, la suerte se promedia y la habilidad queda al descubierto. Un solo trimestre de negocio puede ser una casualidad en cualquier dirección; un historial de diez años es difícil de falsificar. Así que la regla práctica es: en terrenos de mucha suerte, nunca leas la calidad de una decisión a partir de una muestra pequeña de resultados — espera a que la muestra crezca, o juzga el proceso directamente.

Aquí es también donde todo el curso converge en una sola definición. Una buena decisión es la que maximiza el valor esperado dado lo que sabías en ese momento. Desglósala y cada modelo que has aprendido está dentro:

• Parte de la tasa base — las probabilidades previas realistas de la cosa (lección 02), para que una historia vívida no te haga ignorar lo común que el resultado es en realidad.
• Pesa el valor esperado — probabilidad por recompensa a lo largo de todas las ramas (lección 03), para que tomes la apuesta con la mejor media a largo plazo, no el resultado único más vistoso.
• Y respeta el rango de resultados — la distribución completa, no un pronóstico de un solo punto (lección 04), para que hayas dimensionado la apuesta tanto para las malas tiradas como para las buenas.

Una decisión que clava las tres es buena, punto — aunque esta tirada concreta salga mal. Esa es la recompensa de pensar en probabilidades: te permite calificar una decisión de buena antes de saber cómo termina.

Juzga el proceso, no el resultado

Si el resultado es un testigo poco fiable, ¿qué calificas en su lugar? El proceso — la calidad del razonamiento que se metió en la apuesta. Un piloto que ejecuta la lista de verificación completa antes del vuelo tomó una buena decisión incluso en el único vuelo donde ocurre un fallo extraño; un piloto que se la salta tomó una mala incluso en los mil vuelos que aterrizan sin problema. Estás auditando la lista de verificación, no el aterrizaje.

La herramienta práctica es un diario de decisiones: antes de conocer el resultado, escribe la decisión, las probabilidades que asignaste, el valor esperado y tu razonamiento. Más tarde, puedes calificar el proceso contra lo que realmente sabías en su momento — en lugar de dejar que el resultado reescriba la historia. La pregunta clave que registrar es: «Sabiendo solo lo que sabía entonces, ¿volvería a hacer esta misma apuesta?» Si sí, fue una buena decisión sin importar cómo cayó. Si no, fue una mala aunque ganara.

Esto desactiva directamente el sesgo retrospectivo (hindsight bias) — la sensación de «lo sabía desde el principio», donde a posteriori todo resultado parece obvio e inevitable. No era obvio; lo que pasa es que ahora sabes la respuesta. Un diario de decisiones congela por escrito tu incertidumbre real, anterior al resultado, para que la retrospectiva no pueda inflarla en silencio. Es la forma más limpia de separar habilidad de varianza: cuando puedes ver lo que de verdad creías de antemano, puedes distinguir entre una buena decisión que perdió y una mala que ahora finges que viste venir.

Ejemplo resuelto. Escribes en tu diario: «Lanzando el producto ahora — estimo un 60 % de que tenga éxito, valor esperado claramente positivo, y puedo sobrevivir al 40 % de escenario adverso.» El lanzamiento fracasa. El resulting grita idiota. El diario responde con calma: le asignaste un 40 % de escenario adverso y podías absorberlo; cayó la mala tirada, pero la apuesta era sólida. ¿La volverías a hacer con la misma información? Sí. Buena decisión, mal resultado — registrado, y aprendido con honestidad.

Dónde esto te miente

Aquí está el modo de fallo escondido dentro de todo lo anterior — y es de los traicioneros, porque convierte en arma la mismísima lección que acabas de aprender. Una vez que sabes que «buena decisión, mal resultado» es una categoría real, se convierte en la excusa más cómoda del mundo: cada vez que algo estalla, puedes encogerte de hombros y decir «gran decisión, solo mala suerte» — y nunca actualizar, nunca aprender, nunca mejorar. Ese es el gemelo malvado del resulting: usar la varianza como coartada permanente.

La verdad incómoda es que a veces un mal resultado sí que es prueba de que tu modelo estaba equivocado. Si tus lanzamientos «al 60 % de éxito» siguen fracasando el 80 % de las veces, el universo no tiene mala suerte — tus estimaciones de probabilidad están mal calibradas. Una racha de bad beats es en sí misma un dato: debería hacerte sospechar de tus probabilidades, de tus tasas base, o de tu lectura del rango. La habilidad no es ignorar los resultados por completo; es pesarlos correctamente. Un mal resultado en un terreno de mucha suerte es sobre todo ruido. Un patrón de malos resultados es señal que no puedes despachar con un «varianza».

Así que el equilibrio que buscas tiene dos caras en tensión: acepta la varianza en cualquier resultado individual (no abandones una buena apuesta porque perdió una vez), pero actualiza tu modelo cuando los resultados se amontonan en contra de tus predicciones (no defiendas un proceso perdedor llamándolo mala suerte para siempre). El resulting reacciona en exceso a un resultado; la coartada de la «mala suerte» reacciona de menos ante todos ellos. El buen juicio vive entre ambos — tranquilo ante la tirada única, despiadado ante la tendencia.

Cuándo echar mano de ello

Echa mano de la distinción decisión-frente-a-resultado en el instante en que alguien — un colega, un jefe, un experto televisivo, tú mismo — alabe o culpe una elección puramente por cómo salió. El consejero delegado aclamado como un genio tras una adquisición afortunada; el directivo despedido por una apuesta bien razonada que la varianza hundió; el amigo convencido de que es un inversor brillante después de que una acción se disparara. Siempre que el veredicto descanse por completo en el resultado, haz la pregunta mágica — dado lo que se sabía de antemano, ¿era sólida la apuesta? — y luego mira el proceso, la tasa base, el valor esperado y el rango, no el marcador.

Repaso del curso

Da un paso atrás y mira la escalera que acabas de subir. Empezaste separando posibilidad de probabilidad — negándote a tratar «podría pasar» como «es probable», y obligándote a poner un número a la posibilidad, no solo a reconocer que la posibilidad existe. Aprendiste a anclar ese número en la tasa base — la frecuencia previa realista de una cosa — para que una historia vívida o un titular aterrador no pudieran arrancar tu estimación de lo común que el resultado es en realidad. Con las probabilidades en la mano, aprendiste el valor esperado — probabilidad por recompensa, sumado a través de cada rama — para poder comparar apuestas por su media a largo plazo en lugar de por su fantasía del mejor caso o su pesadilla del peor. Luego dejaste de fingir que el futuro es un solo número y empezaste a pensar en rangos — pronosticando la distribución completa de resultados, dimensionando para las colas, y respetando tu propia incertidumbre. Y ahora, por fin, has aprendido a separar la decisión del resultado — a calificar la apuesta por su calidad dado lo que sabías, no por la única tirada que casualmente cayó.

Cada peldaño necesitaba el de abajo: no puedes calcular el valor esperado sin probabilidades, no puedes fijar probabilidades sensatas sin tasas base, no puedes pensar en rangos sin admitir que las probabilidades están repartidas, y no puedes juzgar bien una decisión sin todo ello. Juntos, son una sola habilidad — hacer buenas apuestas en un mundo incierto, y ser capaz de saber que eran buenas antes de saber cómo terminan.