Counter-Strike

Después de investigar más de cuatro décadas de atentados terroristas, el profesor de la Universidad de Colorado en Boulder Aaron Clauset descubrió que dichos eventos exhiben una curiosa propiedad matemática: su magnitud, medida en número de víctimas, sigue la misma ley de potencias que la magnitud de los terremotos. La mayoría de incidentes producen pocas muertes o ninguna, mientras que un reducido conjunto de sucesos (el 11 de septiembre, Maiduguri o Iraq) suman el grueso de víctimas totales.

Fuente: Silver (2012)

La ley de potencias posee ciertas propiedades que son importantes cuando se trata de cuantificar el riesgo futuro. Tal como explica Nate Silver:

In particular, they imply that disasters much worse than what society has experienced in the recent past are entirely possible, if infrequent. For instance, the terrorism power law predicts that a NATO country (not necessarily the United States) would experience a terror attack killing at least one hundred people about six times over the thirty-one-year period from 1979 through 2009. (This is close to the actual figure: there were actually seven such attacks during this period.) Likewise, it implies that an attack that killed 1,000 people would occur about once every twenty-two years. And it suggests that something on the scale of September 11, which killed almost 3,000 people, would occur about once every forty years.

Sin embargo, igual que ocurre con los terremotos, la ley de potencias no nos dice cuándo y dónde ocurrirá el próximo ataque, solo nos muestra la tendencia a largo plazo. No obstante, a diferencia de los terremotos, los golpes terroristas sí pueden prevenirse. En Israel, por ejemplo, hay menos asaltos de gran magnitud de los que predice la ley de potencias, hecho que puede observarse en la imagen siguiente.

Fuente: Silver (2012)

Lo más frustrante de la lucha contraterrorista quizá sea lo difícil que es impedir un ataque. Los métodos y objetivos posibles son prácticamente ilimitados. Es imposible blindar todos los objetivos y proteger a toda la población. Las fuerzas de seguridad necesitan poder anticiparse a los terroristas y detenerlos antes de que actúen.

Para Levitt y Dubner es una cuestión de averiguar quiénes son los terroristas. Estos dos autores crearon un algoritmo en colaboración con un banco inglés para identificar a posibles terroristas:

In SuperFreakonomics, published in 2009, we described an algorithm that we built with a fraud officer at a large British bank. It was designed to sift through trillions of data points generated by millions of bank customers to identify potential terrorists. It was inspired by the irregular banking behavior of the 9/11 terrorists in the United States. Among the key behaviors:

• They tended to make a large initial deposit and then steadily withdraw cash over time, with no steady replenishment.
• Their banking didn’t reflect normal living expenses like rent, utilities, insurance, and so on.
• Some of them routinely sent or received foreign wire transfers, but the amount inevitably fell below the reporting limit.

[...] One marker, we noted, was particularly powerful in the algorithm: life insurance. A budding terrorist almost never bought life insurance from his bank, even if he had a wife and young children. Why not? As we explained in the book, an insurance policy might not pay out if the holder commits a suicide bombing, so it would be a waste of money.

No solo desarrollaron el algoritmo sino que lo publicaron con una lista de recomendaciones que cualquier futuro terrorista podía usar para no ser marcado como tal:

Todo esto sugiere que si un terrorista en ciernes quisiera borrar sus huellas, debería ir al banco y cambiar el nombre de su cuenta por otro que no sea musulmán (Ian, por ejemplo). Tampoco le vendría mal contratar un seguro de vida. El banco de Horsley ofrece pólizas para primerizos por unas pocas libras al mes.

Estas revelaciones fueron intencionadas. En Estados Unidos y Reino Unido, casi nadie contrata seguros de vida a su banco. Las únicas personas que se sentirían impelidas a hacerlo serían aquellas que necesitaran ocultar sus huellas. Al contratar un seguro de vida al banco, los terroristas se estarían delatando a sí mismos.

A primera vista, algoritmos como el anterior serían todo lo que necesitamos para prevenir matanzas. Con ellos se podría identificar a los posibles terroristas y meterlos en la cárcel. Asunto zanjado. O no. Porque el problema no es solo identificar a los malhechores. Por lo que sé, los terroristas de París ya habían sido identificados como sospechosos por las fuerzas de seguridad francesas. También los terroristas de Madrid eran conocidos por la policía, y los del 11 de septiembre habían sido vigilados por el FBI. No basta, pues, con tenerlos en el radar; es necesario rastrearlos para ver qué traman. Si consideramos a cada posible terrorista como una señal de radio, los analistas de inteligencia se enfrentan a algo parecido a lo siguiente:

Fuente: Silver (2012)

Las unidades antiterroristas tienen que ser capaces de aislar el ruido de esta amalgama de líneas enredadas (en este caso, diez) y centrarse en la señal, esto es, las personas que están planeando la próxima masacre.

Fuente: Silver (2012)

Desafortunadamente, no es nada fácil saber qué señal es la importante. A este respecto, el miembro de la unidad contraterrorista de la Policía Federal de Bruselas Alain Grignard observa que el coste de seguir a varios sospechosos rápidamente se vuelve prohibitivo. Por tanto, deben decidir a quién rastrear y a quién no. De acuerdo con Grignard, aquí entra en juego la suerte. A veces eligen bien y consiguen desbaratar los planes de los terroristas. Otras veces, como ha ocurrido en Francia, no tienen tanta suerte:

Even though the attackers were on the radar screen you cannot put more than a very limited number of people under 24/7 surveillance. To tail just a few suspects you need agents in several cars. And you’re talking about three different shifts through the day. You also need teams back in the operational center to coordinate wiretaps and file paperwork. All this amounts to hundreds of people being assigned to just one operation. Very quickly the expense becomes prohibitive.

Let me outline a scenario to explain all this. If we have, say, three extremists we are worried about, we’ll apply to a judge for wiretaps. The legal bar for this is generally higher than in the United States. For using informants it is higher still. But if we get the green light we may have to prioritize one of the three. If you’re unlucky you pick the wrong one. That’s what happened in France. They were unlucky. There are dozens of radicals on their radar screen who had the same profile as the Kouachi brothers. Belgium counterterrorism agencies were praised for thwarting the Verviers plot, but luck played its role. Tomorrow we might not be so lucky.

A ello se suma otro hecho inquietante. Los terroristas no buscan únicamente el máximo número de cadáveres; intentan asimismo causar el mayor miedo posible a la población para que altere su comportamiento. Cualquier malnacido que logre hacerse con un kalashnikov puede salir a la calle y matar a una docena de personas en pocos minutos, sembrando el pánico durante semanas. Acciones de ese tipo requieren poca planificación, lo que da a la policía menos tiempo y margen de maniobra para actuar:

CTC: What keeps you up at night?
Grignard: Extremists launching attacks with little warning—going out and buying a Kalashnikov and shooting up a shopping center and then disappearing into the crowd before we can find them What I’ve long dreaded is starting to materialize. The Chattanooga attack on U.S. military personnel in July appears to fit this pattern. Previously we had weeks and months to intercept terrorist plots because terrorists would spend months planning an attack, buying components for a bomb and so on. It’s so much more difficult to stop this new form of terrorism.

No es de extrañar que este tipo de acciones sean las que organizaciones terroristas como ISIS tratan de inducir a sus acólitos.

El terrorismo, según Levitt y Dubner, impone costes a todos, no solo a sus víctimas directas. Uno de los más notorios es el miedo desproporcionado del que hablamos en el artículo anterior, pero hay otros muchos, menos obvios. Los atentados nos cuestan nuestra salud mental (aumento del estrés postraumático) y nuestro tiempo (perdido en innumerables cacheos). También nos cuesta dinero, ya sea en bajadas del mercado de valores o en negocios que pierden clientes (por ejemplo aerolíneas, hostelería o turismo). Todos estos costes tienen lugar incluso aunque el acto terrorista en sí haya fracasado, es decir, aunque no haya habido víctimas.

La lucha antiterrorista debe de ser una de las tareas más desagradecidas que existen. Los fracasos son trágicos y evidentes, mientras que los éxitos a menudo deben quedar ocultos por razones de inteligencia. Nunca se puede estar seguro del éxito que se está teniendo (¿habría ocurrido algo de no haber tomado todas estas medidas?). No se puede proteger a todo el mundo en todo momento. El presupuesto es limitado y, como suele ocurrir, el gasto en prevención obedece a rendimientos decrecientes. Además, dado que es varios miles de veces más probable morir de causas mundanas (obesidad, cáncer) que en un atentado ¿hasta qué punto hay que desviar fondos de planes de salud a la lucha antiterrorista?

Para algunas personas es aceptable tener que cambiar su vida diaria y que les recorten sus libertades civiles en aras de la seguridad. Para otros, todo eso supone una victoria de los terroristas. Equilibrar seguridad y libertad es una delicada tarea a la que se enfrentan todas las sociedades que sufren este tipo de ataques. Buscar ese equilibrio es algo que ya hacemos en otras áreas, como cuando permitimos a las personas usar su propio coche o motocicleta. Queramos admitirlo o no, si queremos vivir en una sociedad libre no queda otra opción que aceptar cierta cantidad de riesgo de atentados.

Rage against the machine

Mark Court es uno de los trabajadores más especializados del planeta. Su trabajo consiste en una sola tarea: dibujar una línea horizontal a mano. Eso es todo. Así es como se gana la vida, dibujando una línea tras otra, cada una igual a la anterior, una y otra vez. El único inconveniente es que la línea ha de ser perfecta. Un error suyo le puede costar a la compañía más de trescientos mil euros.

Court es el encargado de dibujar la línea horizontal (coach line) que decora los laterales de los coches de la marca Rolls-Royce. Este artista emplea alrededor de tres horas en pintar la línea en cuestión, de seis metros de largo a cada lado. Como digo, no puede equivocarse. Le llevó cinco años aprender su labor.

Supe de la existencia de Mark Court gracias a un documental que vi por casualidad sobre la fabricación de los lujosos coches de la célebre marca británica. Casi todo el proceso de ensamblado se hace a mano, lo que explica buena parte del elevado precio de estos automóviles. De todos los pasos el que más me llamó la atención fue este del dibujado de la línea pues pienso (como otras personas con las que comenté el documental) que un robot podría hacerlo mejor y más rápido. Los robots no se cansan, no les tiembla el pulso y pueden tener una precisión mucho mayor que cualquier humano, razones todas ellas por las que algunos procedimientos quirúrgicos han dejado de hacerse a mano.

El mismo dibujo puede tener dos interpretaciones distintas según su creador. Si es obra de Mark Court, hablamos de arte. Si es fruto de un proceso de fabricación automatizado, es una recta más, sin nada de especial. A la hora de elegir, son muchos los que prefieren lo «hecho a mano», lo artesanal, lo «natural». De acuerdo con Daniel Kahneman, este sesgo es una de las razones que explica nuestra hostilidad hacia los algoritmos:

Cuando un ser humano compite con una máquina, sea John Henry con el martillo de vapor en la montaña o el genio del ajedrez Garry Kaspárov enfrentado a la computadora Deep Blue, nuestras simpatías están con nuestro semejante. La aversión a los algoritmos que toman decisiones que afectan a los seres humanos está arraigada en la clara preferencia que muchas personas tienen por lo natural frente a lo sintético o artificial. Si se les preguntara si comerían antes una manzana cultivada con abono orgánico que otra cultivada con fertilizantes artificiales, la mayoría de ellas preferirían la manzana «cien por cien natural». Incluso después de informarles de que las dos manzanas tienen el mismo sabor y el mismo valor nutritivo, y son iguales de sanas, la mayoría preferirían la manzana natural.

Parece que no solo nos importa el producto final, sino cómo ha sido fabricado. De igual manera, cuando se cometen errores la causa de los mismos se nos antoja relevante. ¿Acaso no habría diferentes reacciones en la opinión pública si un paciente muriese por no haber recibido tratamiento, según si dicha decisión fuera obra de un médico o de un algoritmo? Esta es la segunda razón por las que muchos son reacios a utilizar métodos estadísticos cuando se trata de tomar decisiones transcendentales que afectan a las personas (ibídem Kahneman):

El prejuicio contra los algoritmos aumenta cuando las decisiones son trascendentales. Meehl comentó: «No sé cómo atenuar el horror que algunos clínicos parecen experimentar cuando prevén que se vaya a negar el tratamiento a un caso tratable porque una ecuación “ciega y mecánica” lo desclasifique». [...] [P]ara la mayoría de las personas, la causa de un error es importante. El caso de un niño que muera porque un algoritmo ha cometido un error es más penoso que el de la misma tragedia producida a consecuencia de un error humano, y la diferencia de intensidad emocional es traducida enseguida a preferencia moral.

Sin embargo, tal como arguyen los partidarios de los algoritmos, si disponemos de un método que comete menos errores que los expertos ¿no estamos moralmente obligados a usarlo? Como tantos otros argumentos racionales, este se enfrenta a realidades psicológicas pertinaces que inclinan la balanza a favor de la irracionalidad.

Los Rolls-Royce no son los únicos coches que se fabrican a mano total o parcialmente. Según este artículo, BMW, Porsche, Ford y Volkswagen confían en las manos y los ojos de sus empleados para ciertas tareas. Escribe el autor del artículo:

[P]ara los coches de más valor los fabricantes confían en las manos de sus trabajadores. A pesar de la proliferación de los robots, una persona es la que debe controlar la máquina y controlar los procesos de calidad en la cadena.

Esa es una idea que analizamos someramente en el pasado artículo, la del humano controlando a la máquina. Vimos que las pruebas apuntan a que, si queremos obtener las mejores decisiones o predicciones, lo mejor es dejar sola a la máquina. No obstante, para muchos es inconcebible someterse a una inteligencia artificial sin tener la opción de desactivarla u omitirla a discreción. Por desgracia, tener esa opción puede causarnos verdaderos problemas, pues nos pasamos de listos con demasiada frecuencia. Ian Ayres, autor de Super Crunchers, cuenta la historia de un comité de libertad condicional que decidió liberar a un recluso ignorando su puntuación en un sistema que el tribunal utilizaba para calcular el riesgo de reincidencia llamado RRASOR (Rapid Risk Assessment for Sexual Offender Recidivism). El delincuente en cuestión, Paul Herman Clouston, había sido condenado –entre otras cosas– por agresión sexual con agravante, secuestro y asaltos a menores. Tan pronto como fue liberado, huyó, convirtiéndose en uno de los hombres más buscados del estado de Virginia. Su riesgo de reincidencia según el sistema RRASOR era de cuatro sobre cinco, lo que significaba que tenía más del cincuenta y cinco por ciento de probabilidades de cometer otro crimen sexual en los diez años siguientes a su liberación. Fue capturado en 2010. No he podido averiguar si cometió algún crimen durante el tiempo que estuvo fugado.

En mi opinión, el mayor escollo al que se enfrenta la adopción de los algoritmos tiene que ver con nuestra experiencia diaria de la tecnología y de la inteligencia artificial. Nuestros ordenadores y teléfonos «inteligentes» se bloquean, nos obligan a reiniciarlos y hacen cosas raras, como perder la conexión a internet sin venir a cuento. Intentar seleccionar texto en un dispositivo móvil es capaz de hacer aflorar lo peor de cada persona. Yo trabajo con ordenadores a diario y a menudo tengo ganas de estampar el portátil contra la pared, un sentimiento que, a juzgar por los gritos de mis compañeros y los golpes furibundos a la tecla «Intro», es bastante común. No es raro que la ira hacia las máquinas se manifieste físicamente.

Además de los fallos en el funcionamiento diario, a menudo nos encontramos con que la inteligencia artificial no es nada inteligente, como ese algoritmo que no distinguía un leopardo de un sofá, o Siri, el asistente virtual de Apple, que hace cosas como esta:

Fuente: Reddit

Mientras la tecnología no sea perfecta siempre tendremos nuestras reservas. Por tanto, mucho me temo que dichas reservas nunca desaparecerán. Los algoritmos pueden darnos soluciones pero, incluso aunque sean perfectos en sus aciertos, plantean nuevos problemas y riesgos. Por ejemplo, cuando nos enfrentamos a un problema para el que hay pocos precedentes o ninguno, las soluciones basadas en estadísticas son inútiles. También pueden ser de poca ayuda si no podemos registrar los datos pertinentes (es relativamente fácil llevar un registro de cada clic hecho por los visitantes de nuestra tienda virtual pero no lo es tanto registrar síntomas físicos o sensaciones subjetivas). Cuando se trata de hacer predicciones, es posible que los algoritmos sean totalmente inútiles en sistemas reflexivos como la economía, donde las predicciones sobre el devenir de los acontecimientos influyen en los eventos futuros.

Asimismo, puede ocurrir que la rígida dependencia de los algoritmos mine nuestra creatividad. Nuestros sesgos y puntos ciegos se replicarán en nuestros programas. Habrá ocasiones en que no podremos distinguir un error del programa de una genialidad, como ocurría con Deep Blue. Puede darse el caso de que el modelo sea muy bueno pero no sepamos cómo toma las decisiones que toma. Y siempre habrá dilemas morales a los que enfrentarse, como los suscitados por aquel padre que se enteró de que su hija estaba embarazada cuando la empresa Target le mandó ofertas especiales para futuras madres a su hija; los algoritmos de análisis de Target detectaron cambios en los hábitos de compra de la adolescente y predijeron correctamente que había quedado encinta. La tecnología también abre la puerta a la realización de viejos experimentos mentales filosóficos. Por ejemplo, ¿debe un coche autónomo sacrificar a su pasajero en un accidente si con ello salva la vida de cinco ocupantes de otro vehículo de la carretera?

Nate Silver observa en su obra (de donde he tomado el título para esta entrada) que nosotros mismos somos la mayor limitación a la tecnología. El ritmo de la evolución natural queda muy por detrás en comparación con el de la evolución tecnológica y nuestro cerebro no está preparado para trabajar en un mundo inundado de datos: vemos patrones donde solo hay ruido y damos demasiada importancia a correlaciones espurias. Al igual que este autor, creo que debemos ver la tecnología como lo que siempre ha sido: una herramienta para mejorar la condición humana. Por un lado, no debemos profesarle culto como a un dios ni someternos a ella sin pensar. Pienso que debemos mostrar cierto escepticismo ante la idea promulgada por autores como Matt Ridley de que la tecnología resolverá todos nuestros problemas. Por otra parte, también creo que no debemos luchar contra la misma como si fuera el mismo diablo, negando sus ventajas por principio y asumiendo que una tarea la hacemos mejor nosotros por el mero hecho de ser humanos. Y, por supuesto, no tiene por qué asustarnos el adjetivo «artificial». Como dice Silver: «computers are themselves a reflection of human progress and human ingenuity: it is not really “artificial” intelligence if a human designed the artifice».

Inteligencia artificial

Era la primera partida de las seis que se jugaron en 1997. Deep Blue*, jugando con negras, iba perdiendo. Kasparov había logrado sacar al ordenador de su juego basado en una inmensa base de datos de posiciones conocidas, forzándole a utilizar su heurística para continuar la partida. En su cuadragésimo turno, Deep Blue hizo algo muy extraño: movió su torre a la primera fila de las blancas en lugar de hacer jaque al rey de Kasparov, que era lo esperable. La jugada de su contrincante permitía al ruso avanzar con sus peones hacia la primera fila de las negras y obtener una reina. Más sorprendentemente aún, Deep Blue se rindió en el siguiente turno.

Fuente: (Silver, 2012)

De vuelta en su hotel aquella noche, Kasparov no dejaba de preguntarse cómo era posible que Deep Blue hubiera cometido un error táctico de tal magnitud en una posición tan simple; era el tipo de error que los ordenadores no cometen. Revisando los datos, el campeón mundial encontró que la jugada convencional (mover la torre para hacer jaque al rey blanco) no era un buen movimiento en realidad: a la larga hubiera significado la victoria de Kasparov, si bien se necesitarían más de veinte movimientos para llegar a ello. El gran maestro dedujo que la única razón por la que Deep Blue había optado por otro movimiento era que había encontrado otra secuencia más larga de movimientos que llevaran al jaque mate. Con una secuencia más larga Deep Blue quizá habría podido forzar tablas, pues cuantos más movimientos tienen lugar mayor es la posibilidad de que el humano se equivoque en un turno dado (los grandes jugadores cometen errores graves alrededor de una vez cada setenta y cinco movimientos). Pero si eso era cierto, si Deep Blue había dado con una secuencia más larga de movimientos, significaba que el ordenador podía anticiparse más de veinte movimientos, cuando se pensaba que su límite estaba entre seis y ocho. Esa aparente superioridad de la máquina afectó a Kasparov en el resto del encuentro. Nunca más ganó a Deep Blue. El célebre ajedrecista se rindió en la segunda partida, consiguió un empate en las tres siguientes y, finalmente, perdió la sexta.

Hoy día contamos con algo mejor que los expertos de carne y hueso: algoritmos e inteligencia artificial. Sea dicho de antemano que, en mi humilde opinión (no soy ningún experto en la materia), la inteligencia artificial aún es muy primitiva y estamos lejos de la singularidad. Sin embargo, hay cuestiones en las que los algoritmos rinden mejor que los expertos de forma consistente y por amplio margen. Allá por 1990, el profesor de economía de Princeton Orley Ashenfelter, utilizando regresión lineal, tuvo más éxito en sus predicciones sobre el valor futuro de los vinos de Burdeos que el experto en vinos Robert Parker. Bill James usó la estadística para aupar a un equipo de béisbol de bajo presupuesto, los Oakland Athletics, a las Series Mundiales (actualmente, el uso de la estadística se ha extendido a múltiples deportes). Algoritmos sencillos baten por goleada a los humanos en lo que a predicciones políticas se refiere. Existen fórmulas para predecir éxitos de taquilla, determinar qué empleados quieren abandonar la empresa o qué clientes son más proclives a no devolver un préstamo. Deep Blue venció a Kasparov y Watson a los mejores concursantes de Jeopardy. Algoritmos de diagnóstico sencillos como el test de Apgar han salvado miles de vidas de las intuiciones fallidas de los galenos. Y así siguiendo.

Fue el psicólogo Paul Meehl quien abrió la veda de los expertos a mediados del siglo pasado al publicar un libro en el que informaba de que las predicciones hechas por profesionales experimentados eran menos acertadas que las hechas con un algoritmo o fórmula:

Way back in 1954, Paul Meehl wrote a book called Clinical Versus Statistical Prediction. This slim volume created a storm of controversy among psychologists because it reported the results of about twenty other empirical studies that compared how well “clinical” experts could predict relative to simple statistical models. The studies concerned a diverse set of predictions, such as how patients with schizophrenia would respond to electroshock therapy or how prisoners would respond to parole. Meehl’s startling finding was that none of the studies suggested that experts could outpredict statistical equations.

Durante los cincuenta años siguientes se han llevado a acabo docenas de estudios comparando el éxito en la toma de decisiones de los expertos frente a los métodos estadísticos en un amplia variedad de campos. La conclusión no ha cambiado, pues los algoritmos superan de manera significativa a los expertos (ibídem):

Near the end of his life, Meehl, together with Minnesota protégé William Grove, completed a “meta” analysis of 136 of these man-versus-machine studies. In only 8 of 136 studies was expert prediction found to be appreciably more accurate than statistical prediction. The rest of the studies were equally divided between those where statistical prediction “decisively outperformed” expert prediction, and those where the accuracy was not appreciably different. Overall, when asked to make binary predictions, the average expert in these wildly diverse fields got it right about two-thirds of the time (66.5 percent). The Super Crunchers, however, had a success rate that was almost three-quarters (73.2 percent).

Existen varias razones que explican por qué los humanos somos inferiores a los algoritmos cuando se trata de predecir o de tomar decisiones. Para empezar, tal como explica Kahneman:

Una razón [...] es que los expertos tratan de pasar por listos, piensan fuera de la realidad y, para hacer sus predicciones, consideran complejas combinaciones de factores. La complejidad puede contar en los casos raros, pero lo más frecuente es que reduzca la validez.

[...] Otra razón de la inferioridad del juicio experto es que los humanos son incorregiblemente inconsistentes cuando hacen juicios sumarios sobre información compleja. Cuando se les pide evaluar dos veces la misma información, frecuentemente dan respuestas diferentes.

Otro factor relacionado con la psique humana es que, en general, los métodos estadísticos hacen mucho mejor trabajo cuando se trata de elegir qué factores han de tenerse en cuenta a la hora de hacer una predicción o tomar una decisión. También son mejores que las personas asignando pesos a cada factor individual. Según Ayres, incluso ecuaciones simples y poco refinadas son mejores que los humanos.

Por otro lado, se dan factores de método. Por ejemplo, los expertos de carne y hueso no suelen llevar un registro de sus errores y aciertos (de hecho, tienden a recordar solo sus aciertos). Por contra, la validez de los algoritmos es puesta a prueba constantemente con conjuntos de datos reservados para ello y con los nuevos datos que se van generando. Los algoritmos se van refinando y mejoran continuamente; los expertos, no. Adicionalmente, un algoritmo puede darnos una respuesta probabilística (hay un sesenta por ciento de probabilidades de que llueva mañana), lo cual nos permite actuar en consecuencia. Por el contrario, los expertos (especialmente aquellos que aparecen en los medios de comunicación) normalmente hacen afirmaciones simplistas, cerradas y definitivas. Para mayor escarnio, se muestran excesivamente confiados en sus afirmaciones, tal como explicamos en el artículo anterior (el dogmatismo es una vía rápida hacia el error). Los procedimientos estadísticos no solo predicen, sino que también nos dicen qué calidad tiene dicha predicción.

Finalmente, a diferencia de los expertos, la inteligencia artificial no tiene ego ni sentimientos. Esto es muy importante para tomar decisiones no sesgadas (por ejemplo, influidos por el miedo o nuestras opiniones políticas), así como para cambiar nuestras predicciones o nuestro método según vamos recopilando más datos. Mientras que un algoritmo puede ser cien por cien bayesiano, lo que le permite adaptarse, recalcular y asignar nuevos pesos a los factores en los que se basa su decisión para hacer mejores predicciones, las personas, como vimos, en lugar de modificar nuestras creencias modificamos o desechamos los datos que no cuadran con nuestra opinión.

Como ocurre con todo programa informático, durante el desarrollo de Deep Blue sus creadores dedicaron mucho tiempo a solucionar fallos o bugs. Cuando el ordenador hacía un movimiento chocante o estúpido los programadores revisaban el código en busca de la causa y lo corregían. Conforme se eliminaban los bugs y Deep Blue se iba haciendo mejor jugador, cada vez estaba menos claro si esos movimiento insólitos se debían a un error en el programa o a que la máquina había identificado una jugada mejor que había escapado al ojo experto. No obstante, lo que ocurrió en aquella primera partida con Kasparov no fue una genialidad de Deep Blue, sino un error. No es que el programa pudiera predecir más de veinte movimientos; simplemente, sus creadores habían dejado un fallo sin arreglar. De hecho, el error se debió precisamente a que Deep Blue fue incapaz en ese turno de decidirse por el siguiente movimiento (énfasis en el original):

The bug had arisen on the forty-fourth move of their first game against Kasparov; unable to select a move, the program had defaulted to a last-resort fail-safe in which it picked a play completely at random. The bug had been inconsequential, coming late in the game in a position that had already been lost; Campbell and team repaired it the next day. “We had seen it once before, in a test game played earlier in 1997, and thought that it was fixed,” he told me. “Unfortunately there was one case that we had missed.”

Kasparov sobrestimó las capacidades de Deep Blue y lo acabó pagando con la derrota. En general, la falibilidad de la inteligencia artificial abre un gran abanico de posibles maneras en la que podemos acabar perjudicados. Como habrán adivinado sin necesidad de ningún algoritmo, hablaremos sobre ello.

* La historia de Deep Blue y Kasparov está tomada del libro de Nate Silver The Signal and the Noise: Why So Many Predictions Fail - But Some Don't.

Por qué las personas inteligentes dicen tonterías

Tuve la suerte de conocer en persona a Fernando Jiménez del Oso. Para la gran mayoría su nombre está asociado a lo paranormal, a los programas de televisión Historias para no dormir y Más allá (entre otros), así como a las revistas Espacio y Tiempo y Enigmas. Sin embargo, para mí su nombre está ligado a su faceta más mundana, la de su trabajo diario. Jiménez del Oso era licenciado en Medicina y Cirugía y se especializó en psiquiatría. Tenía su consulta privada en un chalet de no recuerdo qué zona de una gran metrópoli. Allí fue donde le conocí, como el psiquiatra que ayudaba a uno de los miembros de mi familia. El despacho en el que atendía a sus pacientes era impresionante: espacioso, luminoso, decorado con gusto, repleto de libros y objetos exóticos traídos de sus viajes. Era verano y tenía sobre la mesa una jarra de agua helada para sus pacientes y un vaso de coca cola con hielo para él. Solo esos pedazos de cristal tenían aspecto de valer más que el coche en el que mi padre nos había llevado allí. Recuerdo al doctor como un hombre avejentado aunque físicamente imponente, alto y grande, vestido con su bata blanca, con grandes bolsas bajos los ojos y una voz profunda y penetrante que te encandilaba. Se mostraba amable, educado, accesible y poseía un gran sentido del humor. Que era sumamente inteligente quedaba claro enseguida. Afortunadamente, también era un buen psiquiatra y evitó que tuviéramos que ingresar a esa persona de nuestra familia en un hospital psiquiátrico.

Foto de Niels Linneberg

En mi charla con él comenté de pasada que nadie había vuelto de la muerte, a lo que replicó: «eso es lo que tú te crees». Jiménez del Oso fue un ejemplo perfecto de esas personas inteligentes que creen cosas raras a las que se refiere Michael Shermer en su libro Por qué creemos en cosas raras: pseudociencia, superstición y otras confusiones de nuestro tiempo. ¿Cómo puede un ser adulto bien educado, inteligente y con mundo creer en algo como «las caras de Bélmez»? El análisis de Shermer da tres razones principales que el autor resume en una única frase:

La gente lista cree en cosas raras porque está entrenada para defender creencias a las que ha llegado por razones poco inteligentes.

Como explica en otra parte del libro:

Como son más inteligentes y han recibido más formación que los demás, los listos son más capaces de justificar sus creencias con razones intelectuales, aunque las hayan adquirido por razones no intelectuales. Pero los listos, como el común de los mortales, se dan cuenta de que las necesidades emocionales y el hecho de haber sido educado para creer en algo es la forma en que la mayoría llegamos a creer en lo que creemos. Y entonces interviene el prejuicio de la atribución intelectual, especialmente en la gente lista, para justificar esas creencias por raras que sean.

John Stuart Mill, el célebre filósofo, político y economista del siglo XIX, defendió varias reformas sociales significativas adelantadas a su tiempo, tales como los sindicatos y las cooperativas, la abolición de la esclavitud en Estados Unidos y el voto femenino. Los argumentos que desarrolló tienen la solvencia y robustez propias de un filósofo que ha pasado la prueba del tiempo y cuyas obras siguen siendo leídas e influyentes dos siglos más tarde. En su crítica sobre la esclavitud en norteamérica, verbigracia, Mill preguntaba de forma retórica si alguien había preguntado a los esclavos qué querían ellos, una visión nada habitual en una época en la que las necesidades de esa clase social no se tenían en cuenta en los debates políticos:

Before admitting the authority of any persons, as organs of the will of the people, to dispose of the whole political existence of a country, I ask to see whether their credentials are from the whole, or only from a part. And first, it is necessary to ask, Have the slaves been consulted? Has their will been counted as any part in the estimate of collective volition? They are a part of the population. However natural in the country itself, it is rather cool in English writers who talk so glibly of the ten millions (I believe there are only eight), to pass over the very existence of four millions who must abhor the idea of separation. Remember, we consider them to be human beings, entitled to human rights.

En este sentido, el filósofo británico fue un progresista que defendió posturas que hoy nos parecen obviamente correctas, pero que contravenían lo que era la opinión común en su momento. Sin embargo, Mill también era miembro de la Compañía de las Indias Orientales, monopolio del imperio inglés que gobernaba la India por aquel entonces. Paradójicamente, mientras defendía la autodeterminación y los derechos de los esclavos en una parte del mundo, abogaba por un depotismo benevolente en otra, basándose en una visión de la India como sociedad bárbara que debía ser intervenida:

The rules of ordinary international morality imply reciprocity. But barbarians will not reciprocate. They cannot be depended on for observing any rules. Their minds are not capable of so great an effort, nor their will sufficiently under the influence of distant motives. In the next place, nations which are still barbarous have not yet got beyond the period during which it is likely to be for their benefit that they should be conquered and held in subjection by foreigners. Independence and nationality, so essential to the due growth and development of a people further advanced in improvement, are generally impediments to theirs.

No deja de ser llamativo cómo uno de los grandes pensadores de la Historia pudo defender una postura tan racista y defectuosa, sobre todo si tenemos en cuenta que chocaba frontalmente con las tesis expuestas en sus obras más relevantes y conocidas. Sin duda, Mill era muy capaz de defender y justificar sus opiniones equivocadas.

Ronald Aylmer Fisher también era inglés, pero su campo del saber abarcaba la biología evolucionista (Richard Dawkins lo califica como el mayor biólogo desde Darwin), la genética, las matemáticas y la estadística. Es el responsable de muchos de los métodos que se usan ampliamente hoy día en este último campo, así como del desarrollo del método y el vocabulario de la significación estadística. Sin embargo, en los últimos años de su vida, también esta mente privilegiada cometió un notable error de juicio. Tal como relata Nate Silver:

The issue concerned cigarette smoking and lung cancer. In the 1950s, a large volume of research [...] claimed there was a connection between the two, a connection that is of course widely accepted today.
Fisher spent much of his late life fighting against these conclusions, publishing letters in prestigious publications including The British Medical Journal and Nature. He did not deny that the statistical relationship between cigarettes and lung cancer was fairly strong in these studies, but he claimed it was a case of correlation mistaken for causation, comparing it to a historical correlation between apple imports and marriage rates in England. At one point, he argued that lung cancer caused cigarette smoking and not the other way around—the idea, apparently, was that people might take up smoking for relief from their lung pain.

Fisher negó la relación entre tabaco y cáncer de pulmón aun cuando por aquel entonces ya había una buena cantidad de pruebas estadísticas y ensayos clínicos llevados a cabo por una amplia variedad de investigadores en diversos contextos que demostraban la relación causal entre ambos. La idea de que el tabaco podía causar cáncer de pulmón se había ido convirtiendo rápidamente en el consenso científico pero ¿cómo iba a discutirle nadie a un gigante de la estadística lo que podía inferirse de tales estudios? Actualmente, en uno de esos ejemplos de cómo la historia rima, no es difícil encontrar personas inteligentes que niegan el calentamiento global.

Una persona inteligente puede decir tonterías por muchas razones. Para empezar, puede que le estén pagando para ello, lo cual no es raro cuando se discuten cuestiones con valor político o económico. O puede que el asunto tratado se salga de su área de conocimiento pero la persona en cuestión sea de las que se comporta con la misma petulancia en aquello que ignora que en la porciúncula de universo en la que es eminente. Quizá estén en juego sus intereses y solo ande defendiendo sus privilegios. O tal vez se deba a que algo pone en entredicho sus creencias, en cuyo caso la inteligencia puede ayudarnos a construir sólidas defensas alrededor de las mismas. Los datos pueden escogerse y retorcerse para justificar lo que creemos y desdeñar a quienes piensan lo contrario. Siempre es posible cuestionar los números en sí, los métodos con que se obtuvieron, las interpretaciones de los mismos o la honestidad, intenciones e ideología de quien los proporciona. Las líneas argumentales pueden contorsionarse y adaptarse añadiendo excepciones o puntualizaciones según nos convenga. Los argumentos rivales pueden deformarse o caricaturizarse en alguna de las formas recogidas por Schopenhauer. La inteligencia no solo se convierte así en puntal de nuestras creencias, sino también en una muralla que impide a las de los demás trastocar nuestro mundo (ibídem Shermer):

[A] las personas inteligentes se les da mejor racionalizar sus creencias con argumentos razonados, pero, como consecuencia de ello, están menos abiertas a considerar las opiniones ajenas. Así pues, aunque la inteligencia no afecta a lo que creemos, sí influye en la forma en que las creencias se justifican, racionalizan y defienden, después de que las hayamos adquirido por razones que nada tienen que ver con la inteligencia.

Todos vivimos inmersos en la niebla de nuestras propias convicciones. Las observaciones se filtran a través de nuestro modelo del mundo. Los grandes pensadores de la historia, así como las personas más inteligentes del mundo actual, no son inmunes a ello. La inteligencia es un arma de doble filo que puede actuar como antídoto frente a historias mágicas, cuentos chinos y malos argumentos pero también nos sirve para proteger creencias que han crecido dentro de nosotros por razones aleatorias como nuestro año y lugar de nacimiento, nuestra clase social, nuestra cultura, etcétera.

Hubo una época en la que pensaba: «si ese tío tan listo defiende esa postura quizá sea porque su inteligencia le permite percibir algo que yo soy incapaz de ver. Si fuera tan listo como él ¿defendería su misma postura?». Con el tiempo he aprendido que no tiene por qué ser así. Parafraseando a Shermer, las personas inteligentes dicen tonterías porque están entrenadas para defender puntos de vista equivocados a los que han arribado por razones que poco o nada tiene que ver con su inteligencia. Y es que, como decía mi querido Jiménez del Oso (que en paz descanse): «en contra de lo que la mayoría cree, la inteligencia nada tiene que ver con la madurez: se puede ser una lumbrera en Biología o en Astrofísica y tonto de las posaderas en otros aspectos».

Cabeza de ratón

Dice una frase de esas de libro de autoayuda que si eres la persona más inteligente de una habitación entonces es que estás en la habitación equivocada. La idea que trata de transmitir –y que casi no hace falta explicar– es que, bajo la premisa de «todo se pega, menos la hermosura», podemos volvernos más inteligentes si nos rodeamos de gente intelectualmente capaz. Es una inferencia hecha a partir de otros patrones que se han observado y documentado, como que cuando la mayoría de los miembros de nuestra familia son obesos es más probable que nosotros también lo seamos. Además del sobrepeso también parecen ser contagiosos los hábitos de vida saludables, la felicidad, la depresión, el estrés y las expectativas irracionales. Así pues, uno puede mejorar distintas facetas de su vida rodeándose de la gente adecuada.

O esa es la teoría. Una cosa es que tendamos a comer de más cuando nuestra madre insiste en poner doce mil platos en la mesa a la hora del almuerzo, y otra muy diferente asumir que podemos hacernos más listos por simple ósmosis. Puede que las emociones y los hábitos se contagien pero la inteligencia no es ni lo primero ni lo segundo. Si ustedes se mudaran a un país nórdico donde la altura media de los habitantes sea mayor que en el suyo, no crecerían ni un centímetro. Tal vez adoptaran un nuevo vocabulario o costumbres diferentes, pero seguirán siendo tan bajitos como antes.

Scott Adams cuenta en sus memorias la historia de un compañero de trabajo confundido por esa fe en la simple asociación. El tipo en cuestión planeaba mudarse a una zona rica con la intención de hacerse millonario:

Cuando trabajé para el Crocker National Bank, mis compañeros de trabajo y yo nos reímos mucho a costa de un interino de verano que sostenía una teoría ridícula: que el éxito era una función del vecindario en el que uno eligiera vivir. Su plan era meterse en el mejor apartamento que pudiera costearse en un vecindario caro, independientemente de los compañeros de piso que le llevara a tener esto, y dejar que cierto tipo de magia imprecisa hiciera el resto. Estaba dispuesto a trabajar duro, estudiar, respetar la ley y dar todos los pasos habituales hacia el éxito. Pero creía que eso sólo podría llevarle hasta cierto punto del camino. El quid de la cuestión era su plan brillante de vivir entre ricos hasta convertirse en millonario por asociación.
Recuerdo que me burlaba ingeniosamente de él, para regocijo de todos los que estaban cerca. ¡Parecía un tío tan racional en todos los otros sentidos! Pero aquel plan de «rico por asociación» era claramente absurdo. Cuando le interrogué al respecto, descubrí que lo que él defendía no era crear redes y buscar contactos importantes con sus vecinos adinerados. Carecía de un mecanismo definido que explicase cómo su proximidad a los ricos le otorgaría el éxito. Lo máximo que podía ofrecer era su observación de que la vida tenía patrones y éste era uno de ellos: uno se vuelve como las personas que le rodean.

He de reconocer que yo también fui presa de este error. Una vez entré a trabajar en una empresa porque en ella había gente muy buena del sector, y esperaba que al trabajar a su lado yo daría un salto cualitativo en mis destrezas. Varios años después seguía siendo el mismo inútil. La cuestión es, como descubrí, que no vale con que la gente sea muy buena: en algún momento te tienen que transmitir algo de su conocimiento; observarles y adoptar sus costumbres apenas supone un progreso. Desafortunadamente, la mayoría de gente que encontré (menos mal que siempre hay honrosas excepciones) era tan buena como ególatra, por lo que yo no era digno de sus lecciones. Otros muchos estaban demasiado ocupados, o simplemente no tenía interés por compartir nada. No solo no crecí profesionalmente, sino que estar allí me hacía sentirme aún peor conmigo mismo. Más adelante veremos por qué.

En Estados Unidos los alumnos de último de año de instituto visitan varias universidades con la intención de decidir en cuáles pedirán plaza. Huelga que decir que las más prestigiosas (las de la Ivy League) son las más solicitadas. Tienen más recursos, estudiantes con un mayor nivel académico y un profesorado más eminente que otras universidades. En el mercado de trabajo estadounidense un título de Harvard, Princeton o Yale trae consigo cierta reputación y supone un impulso importante. Además, los aspirantes saben que sus compañeros de aula serán interesantes y ricos, por lo que harán buenos contactos. Acudir a esas escuelas parece lo más razonable a priori.

No obstante, estudiar en esas facultades también tiene consecuencias negativas. Allí se concentra lo más selecto, las personas más inteligentes y trabajadoras del país. Muchos estudiantes brillantes abandonan sus carreras en estas universidades al verse eclipsados por gente aún más brillante a la que no puede seguir el ritmo, pues se sienten estúpidos en comparación con el resto de la clase. Malcolm Gladwell lo cuenta en David y Goliath:

Cuanto más exclusiva es una institución educativa, peor será la opinión que tengan los estudiantes de sus aptitudes académicas. Estudiantes que irían en cabeza en una escuela buena pueden quedarse rezagados fácilmente en una escuela realmente buena. Estudiantes que sentirían que dominan una materia en una escuela buena pueden sentirse completamente desbordados en una escuela realmente buena. Y esa sensación —por subjetiva, ridícula e irracional que pueda ser— importa mucho. La impresión que uno tiene sobre sus capacidades dentro de la clase —nuestra autoimagen académica— modela nuestra voluntad para asumir retos y completar tareas complicadas. Se trata de un elemento crucial para la motivación y la confianza en nosotros mismos.

Yo ya sabía que era estúpido mucho antes de empezar a trabajar en el sitio del que les hablaba. Sin embargo, el recordatorio diario de ese hecho era vitriolo para el alma. Algunas personas sucumbimos bajo la carga psicológica de sentirse una medianía. En palabras de Alain de Botton:

Lo que genera ansiedad y resentimiento es la sensación de que podríamos ser diferentes a lo que somos: un sentimiento que transmiten los mayores logros de aquéllos a quienes consideramos nuestros iguales. Si somos bajitos y vivimos entre personas de nuestra misma altura no nos preocuparán demasiado las cuestiones de tamaño.
Sin embargo, si otros miembros de nuestro grupo crecen un poco más, es posible que de repente nos sintamos incómodos y que caigamos en la insatisfacción y la envidia, aunque nuestro propio tamaño no se haya reducido ni un milímetro.

Fuente: (De Botton, 2004)

Gladwell argumenta en su libro que «hay momentos y situaciones en que conviene más ser cabeza de ratón que cola de león». Uno de los motivos, como hemos visto, es que según cómo salgamos parados en la comparación con quienes nos rodean nuestra autoestima y nuestra motivación pueden verse desvaídas. Pero hay otro motivo más prosaico y de índole más práctica: puede ser más rentable económicamente.

Recordarán de un artículo anterior el concepto de «nivel del agua» descrito por Nate Silver. Silver nos decía que en entornos altamente competitivos ese nivel del agua es muy alto y para tener cierta ventaja competitiva uno ha de situarse por encima del percentil noventa, noventa y cinco, o el que corresponda. Ser un pez pequeño en una pecera grande significa que ese nivel del agua está lejos de nuestro alcance. No obstante, podemos movernos a una pecera más pequeña en la que sacar provecho. Y eso es exactamente lo que hizo Silver. Consciente de que no podía competir con los mejores en los torneos internacionales de póquer, se centró en el póquer online, donde las partidas estaban llenas de principiantes fáciles de esquilmar. De igual manera, ha ido centrando sus pronósticos en áreas dominadas por «expertos» que no acertaban ni una, garantizándose así el éxito al destacar por encima de ellos:

I’ve been fortunate enough to take advantage of fields where the water level was set pretty low, and getting the basics right counted for a lot. Baseball, in the pre-Moneyball era, used to be one of these. [...] In politics, I’d expect that I’d have a small edge at best if there were a dozen clones of FiveThirtyEight. But often I’m effectively “competing” against political pundits, like those on The McLaughlin Group, who aren’t really even trying to make accurate predictions. Poker was also this way in the mid-2000s. The steady influx of new and inexperienced players who thought they had learned how to play the game by watching TV kept the water level low.
It is often possible to make a profit by being pretty good [...] in fields where the competition succumbs to poor incentives, bad habits, or blind adherence to tradition—or because you have better data or technology than they do. It is much harder to be very good in fields where everyone else is getting the basics right—and you may be fooling yourself if you think you have much of an edge.

Quizá no haga falta practicar diez mil horas. Quizá baste con elegir el entorno adecuado. Quizá –solo quizá– si eres la persona más inteligente de la habitación entonces sí que estás en la habitación correcta.

All-in

Dan McLaughlin hizo lo que algunos pensarán que debería haber hecho yo. En lugar de escribir sus lamentaciones por la ausencia de éxito al cumplir los treinta, este fotógrafo de Portland decidió dejar su trabajo para dedicarse por entero a lograr algo. En su caso, el objetivo marcado es convertirse en golfista profesional:

On June 27, 2009, his thirtieth birthday, Dan McLaughlin resolved to do something special: quit his job as a commercial photographer in Portland, Oregon, and become a professional golfer. His golf experience over the previous three decades consisted of two childhood trips to a driving range with his older brother. Save for some youth tennis and a season of cross-country running in high school, McLaughlin hadn’t been a competitive athlete. But something had to change. [...] McLaughlin is the Everyman. He’s 5'9", 150 pounds, and “not particularly physically gifted,” in his own words. “I’m kind of just a very average-type person,” he says. That’s what he’s counting on.

Si están interesados en saber cómo le va pueden seguir su diario, The Dan Plan, donde registra sus experiencias y sus estadísticas. ¿En qué consiste exactamente el Plan Dan? Pues en diez mil horas de práctica deliberada, claro está (ibídem):

McLaughlin was inspired by what he read of Ericsson’s work in the bestsellers Talent Is Overrated, by Geoff Colvin, and Outliers, by Malcolm Gladwell. He read about the 10,000-hours rule, the “magic number of greatness,” as it is called in Outliers, and about the idea that skills that appear to be predicated on innate gifts are often nothing more than the manifestations of thousands of hours of practice.
And so it was that on April 5, 2010, McLaughlin logged his first two hours of deliberate practice toward his ultimate goal of going pro and making the PGA Tour. His plan is to log every single hour along the path to 10,000, and to show that “there’s no difference between experts and me, or other people, not just in golf, but in any field. If I were over six feet tall, that might not speak to most people, but I’m a normal guy.”
McLaughlin is not approaching his journey—he had logged 3,685 hours by the end of 2012—as a publicity stunt, but as a scientific experiment. He enlisted a PGA-certified instructor and consults with Ericsson for advice on his strategy. McLaughlin is committed to counting only those hours of practice that truly qualify as deliberate according to Ericsson’s definition.

En el momento de escribir estas líneas la última entrada en su blog es del día catorce del mes en curso, y escribe que le quedan todavía 4.553 horas de práctica. Para poder participar en la pre-clasificación para el PGA Tour, Dan necesita un hándicap de 2,0. He aquí su progreso en ese aspecto desde 2012 (cuando empezó a registrar sus estadísticas de hándicap quincenalmente) hasta mayo del presente año, con el objetivo señalado por la línea roja y el eje y (su hándicap) invertido:

Como era de esperar, la mejora no es lineal. No les descubriría nada nuevo si les dijera que, cuando se trata de dominar una nueva técnica, al principio los progresos llegan rápidamente, tras lo cual el ritmo de evolución disminuye gradualmente, se atraviesan mesetas temporales en las que uno está estancado o incluso empeora ligeramente hasta que se vuelve a avanzar, etc. En el gráfico podemos ver que a Dan aún le queda un largo camino hasta su objetivo. No en vano, como hemos mencionado, apenas ha superado la mitad de las diez mil horas.

Si tuviera que adivinar la forma final de la curva de aprendizaje de McLaughlin, sospecho que se parecería bastante a la siguiente:

Fuente: (Silver, 2012)

Este gráfico aparece en el libro de Nate Silver, y representa la relación entre el esfuerzo y el progreso. La disciplina en la que Silver quería mejorar no era el golf, sino el póquer. Probablemente hayan notado que la línea del gráfico tiene la forma de una distribución de Pareto:

The key thing about a learning curve is that it really is a curve: the progress we make at performing the task is not linear. Instead, it usually looks something like this (figure 10-6)—what I call the Pareto Principle of Prediction.
[...] The name for the curve comes from the well-known business maxim called the Pareto principle or 80-20 rule (as in: 80 percent of your profits come from 20 percent of your customers16). As I apply it here, it posits that getting a few basic things right can go a long way. In poker, for instance, simply learning to fold your worst hands, bet your best ones, and make some effort to consider what your opponent holds will substantially mitigate your losses. If you are willing to do this, then perhaps 80 percent of the time you will be making the same decision as one of the best poker players like Dwan—even if you have spent only 20 percent as much time studying the game.

En el caso del golf, ese primer veinte por ciento tan rentable bien puede ser el trabajo en el juego largo. Cuando Dan empezó a jugar estaba limitado a una distancia del hoyo de unas ciento cuarenta yardas (un hierro ocho). Ser capaz de llegar al green con menos golpes es, sin duda, una buena forma de bajar el hándicap. Según este instructor de golf, el ochenta por ciento del éxito en este deporte radica en el swing. El veinte por ciento restante se debe, de acuerdo con la sabiduría popular del propio deporte,  al juego corto (si bien eso podría ser falso).

La decisión de Dan McLaughlin de dejar su trabajo por el golf puede considerarse, por tomar un vocablo de la jerga del póquer, una apuesta all-in. Diez mil horas son muchas horas. Necesariamente hay que renunciar a muchas otras cosas. McLaughlin dedica unas ocho horas diarias a pulir su técnica, aparte de lo cual levanta pesas, lee sobre teoría de su deporte y trabaja con un nutricionista (ibídem Epstein):

“According to the tenets of deliberate practice, you have to be cognitively engaged,” McLaughlin explains. Just going to the driving range and swatting balls for a few hours without an eye toward improvement and error correction doesn’t cut it. So, six days a week, McLaughlin puts in six hours of deliberate practice, a workday that consumes eight hours because he takes frequent breaks to think about what he did well and what can be improved—like closing the club face on impact—and because it is exhausting to maintain strict focus for hours on end.

¿Logrará Dan su objetivo después de tanto esfuerzo? Depende. Aquí concurren dos problemas. Por un lado, no todas las horas de práctica cuentan lo mismo. Como indica el gráfico visto anteriormente, la mejora en la destreza sigue una ley de rendimientos decrecientes, y conforme uno asciende por la senda de la maestría se encuentra con que cada vez necesita más tiempo para obtener progresos cada vez menores. Por otra parte, dado que cuando se compite con otros lo que importa no es lo bueno que uno es sentido absoluto, sino lo bueno que se es comparado con el resto, la cuestión es si Dan podrá alcanzar un nivel superior al de la competencia. En el caso de que esta fuera muy dura, este soñador necesitará mucho más que ese ochenta por ciento inicial para lograr su objetivo, quizá muchísimo más de lo que esté al alcance de su mano (ibídem Silver, énfasis mío):

«Sometimes, however, it is not so much how good your predictions are in an absolute sense that matters but how good they are relative to the competition. In poker, you can make 95 percent of your decisions correctly and still lose your shirt at a table full of players who are making the right move 99 percent of the time. Likewise, beating the stock market requires outpredicting teams of investors in fancy suits with MBAs from Ivy League schools who are paid seven-figure salaries and who have state-of-the-art computer systems at their disposal.

In cases like these, it can require a lot of extra effort to beat the competition. You will find that you soon encounter diminishing returns. The extra experience that you gain, the further wrinkles that you add to your strategy, and the additional variables that you put into your forecasting model—these will only make a marginal difference. Meanwhile, the helpful rules of thumb that you developed—now you will need to learn the exceptions to them.

However, when a field is highly competitive, it is only through this painstaking effort around the margin that you can make any money. There is a “water level” established by the competition and your profit will be like the tip of an iceberg: a small sliver of competitive advantage floating just above the surface, but concealing a vast bulwark of effort that went in to support it.»

Fuente: (Silver, 2012)

La cuestión, por tanto, no es si puedes ser mejor; claro que puedes, con práctica. La verdadera cuestión es, cuando no puedes ser el número uno, si puedes ser suficientemente bueno, esto es, si el máximo nivel que alcances te permitirá situarte por encima del nivel del agua y lograr tu objetivo. ¿Puedes llegar a ser suficientemente bueno jugando al fútbol para acabar en un equipo de la liga profesional, como soñabas de joven? ¿Puedes llegar a ser suficientemente bueno actuando para lograr un papel en una serie de éxito, como pretendes? ¿Puedes llegar a ser suficientemente bueno programando para conseguir ese trabajo en Google que ansías? Puede ocurrir que inviertas diez mil, quince mil, veinte mil horas tras las cuales todavía sigas peleándote en medio del pelotón. Cuando la pecera en la que uno nada rebosa de peces grandes, la vida se hace difícil para quienes no tienen talento natural y se fijan objetivos ambiciosos. Mucho me temo que los individuos que cultivan sus dones naturales acaban en cabeza y se quedan con los pocos premios disponibles. Por contra, aquellos cuya única baza es el trabajo duro languidecen en la cola de espera de los mediocres. En mejor posición que los que no trabajaron duro, claro está, pero con la comezón interna de vivir un deseo con pocas esperanzas de realizarse.

Quizá recuerden del artículo anterior que en los estudios sobre maestría en música y ajedrez había una gran variabilidad individual, y que las diez mil horas eran realmente el promedio de todos los individuos estudiados. ¿Y si resulta que McLaughlin es uno de los que aprenden más despacio, y tras diez mil horas no ha logrado su objetivo? (ibídem Eipstein):

When I asked Dan McLaughlin whether he had any concern that he might, like some of the chess players, be a 20,000-hours guy as opposed to a 10,000-hours guy, he said that he considered the journey a victory in itself. “When it comes down to D-Day and it’s my ten-thousandth hour,” McLaughlin said, “it’ll be interesting to see whether I’m still shooting seventy-five, or I missed Q-School [the PGA Tour’s qualifying school] by one stroke, or if I’m on the Tour. I think you could probably master something in anywhere from 7,000 to 40,000 hours, but this is kind of a good way to keep track of progress.” Somehow, the 7,000-to-40,000-hours rule just doesn’t have the same ring to it.

Según sus propias palabras, lo que Dan espera con este experimento es probarse a sí mismo y a los demás que nunca es demasiado tarde. Asegura que se sentirá satisfecho si su ejemplo sirve de inspiración a alguien para que deje su trabajo y encuentre la felicidad en una nueva aventura elegida por sí mismo. Para él, el propio camino es la recompensa. Ya saben cómo va esto. Apunta hacia la luna para que si fallas aterrices entre las estrellas. Lo importante es participar, disfrutar el proceso. Etcétera. Probablemente sea esa la mentalidad más adecuada para una aventura con altísimo riesgo de fracaso.