Antes de decidir, pon a prueba tu interpretación

Imaginemos una empresa que acaba de extender una nueva herramienta de Inteligencia Artificial después de varios meses de pruebas. La tecnología funciona, se ha formado a los empleados y la dirección considera que puede mejorar determinadas tareas. Sin embargo, cuando llega el momento de revisar los primeros resultados aparece un dato preocupante: solo el 30 % de las personas utiliza la herramienta de manera habitual.

La interpretación surge casi inmediatamente: hay resistencia al cambio.

Es una explicación razonable. Tanto que la reunión puede empezar a construir soluciones alrededor de ella sin que nadie perciba que se ha producido un salto importante. Se habla de reforzar la formación, mejorar la comunicación, involucrar más a los responsables de los equipos o identificar personas que puedan actuar como referentes internos.

Hasta que alguien plantea una pregunta:

¿Y si no hubiera resistencia al cambio?

La pregunta resulta incómoda porque obliga a volver atrás. Hace apenas unos minutos parecía que el problema estaba bastante claro y ahora tenemos que admitir que quizá solo habíamos encontrado una explicación posible.

Ese pequeño movimiento —volver de la certeza a la hipótesis— puede cambiar la calidad de todo lo que decidamos después.

Cuando una explicación deja de parecernos una explicación

Los datos necesitan interpretación. Un 30 % de adopción no nos dice por sí mismo qué está ocurriendo. Necesitamos relacionarlo con el contexto, observar comportamientos, escuchar a las personas y construir alguna explicación que nos permita comprender la situación.

El problema no está en interpretar. No podemos decidir sin hacerlo.

El problema aparece cuando olvidamos que estamos interpretando.

Esto sucede continuamente en las organizaciones. Las ventas han caído porque el mercado está peor. Un proyecto se retrasa porque falta compromiso. Un equipo tiene problemas porque su responsable no sabe liderarlo. Un cliente se marcha porque considera que nuestro precio es demasiado alto.

Todas estas explicaciones pueden ser ciertas. Pero también pueden ser simplemente la primera historia razonable que hemos construido para ordenar lo que estamos viendo.

En el artículo anterior de esta serie hablábamos de la necesidad de interpretar mejor antes de decidir. Hay un paso adicional: una vez que hemos construido una interpretación, necesitamos ser capaces de ponerla a prueba antes de actuar sobre ella.

Porque una explicación no se convierte en un hecho simplemente porque sea coherente.

La comodidad de una buena historia

Una buena explicación hace algo más que ayudarnos a comprender. También nos tranquiliza.

Mientras no sabemos qué está ocurriendo, convivimos con varias posibilidades, preguntas abiertas y cierta incomodidad. Cuando encontramos una explicación coherente, esa incomodidad disminuye. Sentimos que el problema empieza a tener sentido.

“Hay resistencia al cambio.”

Ahora sabemos aparentemente qué ocurre y podemos empezar a hacer algo.

Es aquí donde datos y emociones se relacionan de una manera especialmente interesante. Construimos nuestra interpretación a partir de la información disponible, pero la sensación de seguridad que nos produce también influye en lo que hacemos después.

Empezamos a prestar más atención a los datos que encajan con ella, recordamos ejemplos que parecen confirmarla y formulamos nuevas preguntas dentro del marco que acabamos de construir. Incluso las conversaciones cambian. Dejamos de preguntar por qué las personas no utilizan la herramienta y empezamos a preguntar cómo podemos vencer su resistencia.

Parece un cambio pequeño, pero ya hemos dado por resuelta una cuestión fundamental.

La interpretación se ha convertido silenciosamente en el problema.

Y a partir de ahí podemos diseñar una estrategia impecable para resolver algo que quizá nunca estuvo ocurriendo.

El criterio también necesita poner en riesgo sus propias conclusiones

Solemos asociar tener criterio con ser capaz de analizar una situación y construir una opinión sólida. Una persona con criterio observa, interpreta y llega a una conclusión que puede explicar y defender.

Pero quizá haya otra parte menos visible.

Tener criterio también exige estar dispuesto a descubrir que nuestra explicación puede ser equivocada.

Roger Martin y A.G. Lafley desarrollaron una idea muy interesante en su trabajo sobre estrategia. Frente a las discusiones en las que diferentes personas intentan demostrar que su opción es la correcta, proponen cambiar la naturaleza de la conversación y preguntarse qué tendría que ser cierto para que una determinada opción fuera una buena elección.

El movimiento es importante porque desplaza la conversación desde la defensa de posiciones hacia el examen de las condiciones que las sostienen.

Podemos aplicar una lógica parecida a nuestras interpretaciones.

Antes de decidir qué hacer, preguntarnos:

¿Qué tendría que ser cierto para que mi interpretación estuviera equivocada?

No buscamos demostrar que estamos equivocados.

Buscamos descubrir sobre qué supuestos descansa nuestra seguridad.

Volvamos al 30 %

Nuestra explicación es que los empleados se resisten al cambio.

¿Qué tendría que ser cierto para que esa interpretación estuviera equivocada?

Quizá la formación haya enseñado cómo funciona la herramienta, pero no haya mostrado casos de uso suficientemente relevantes. Tal vez determinados empleados la hayan probado y hayan descubierto que para algunas tareas el proceso anterior sigue siendo más rápido. Podría haber dudas sobre qué información se puede introducir o diferencias importantes entre departamentos que el dato global del 30 % está ocultando.

Incluso podría ocurrir algo más incómodo: que la herramienta todavía no aporte suficiente valor para justificar el cambio de comportamiento que estamos esperando.

Nada de esto demuestra que nuestra primera interpretación fuera incorrecta.

Lo que hace es devolverle su condición original: es una hipótesis.

Y eso cambia las conversaciones que tendremos después.

En lugar de preguntar únicamente cómo podemos aumentar la adopción, podemos empezar a preguntar qué está ocurriendo en los equipos donde sí se utiliza, qué tareas resuelve realmente, qué diferencia a unos usuarios de otros o en qué momento las personas vuelven al proceso anterior.

Puede que después de contrastarlo lleguemos exactamente a la misma conclusión: existe resistencia al cambio.

Pero habremos llegado a ella de una manera diferente.

Ya no será simplemente una explicación que nos resultaba convincente. Será una interpretación que hemos estado dispuestos a poner en riesgo.

Cuestionar no significa empezar de nuevo

Aquí conviene hacer una distinción importante.

Poner a prueba nuestra interpretación no significa volver a abrir indefinidamente cada decisión.

Ya hablamos anteriormente en esta serie de la diferencia entre buscar la información que necesitamos para decidir y seguir acumulando información porque todavía está disponible. Siempre podremos hacer otra pregunta, pedir otro informe o encontrar un dato adicional. Si exigimos comprender completamente una situación antes de actuar, probablemente nunca actuaremos.

Lo que estamos haciendo aquí es diferente.

No estamos preguntando qué más podríamos saber.

Estamos preguntando qué podría hacer que nuestra explicación dejara de sostenerse.

La diferencia es importante porque el objetivo no es aumentar la cantidad de información disponible, sino comprobar la calidad de la interpretación que estamos construyendo con ella.

No se trata de analizar más.

Se trata de contrastar mejor.

La Inteligencia Artificial puede ampliar las posibilidades

La Inteligencia Artificial puede ayudarnos en este proceso, especialmente en algo que hace extraordinariamente bien: generar alternativas.

Ante el dato del 30 % podemos pedirle que proponga otras explicaciones compatibles con la información disponible o que construya el mejor argumento posible contra nuestra interpretación inicial.

En pocos segundos puede mostrarnos posibilidades que quizá no habíamos considerado.

Pero generar posibilidades no es lo mismo que comprender una situación.

Una IA puede producir diez explicaciones perfectamente plausibles y, sin embargo, la mayoría pueden resultar irrelevantes para la realidad concreta de nuestra organización. No conoce necesariamente las conversaciones que se están produciendo, la historia del equipo, las experiencias anteriores, las tensiones existentes o las consecuencias que determinadas decisiones pueden tener para las personas implicadas.

Ahí comienza el trabajo del criterio.

Tenemos que comprender qué hipótesis merece nuestra atención, qué contexto modifica el significado de los datos y qué necesitamos observar o conversar para saber si nuestra interpretación se sostiene.

La IA puede ampliar las posibilidades.

El criterio decide cuáles importan.

De interpretar a contrastar

Human Decision Intelligence parte de una idea sencilla: las decisiones no nacen directamente de los datos.

Entre la información y la acción siempre hay una persona interpretando lo que ocurre.

Por eso integrar datos, emociones y contexto para comprender mejor una situación y decidir con criterio implica algo más que construir buenas interpretaciones. También exige reconocer cuándo estamos empezando a sentirnos demasiado cómodos con ellas.

Una explicación puede ser lógica, coherente y estar respaldada por datos.

Y seguir siendo equivocada.

La dificultad está en que, cuando una explicación encaja bien con lo que pensamos, rara vez sentimos la necesidad de cuestionarla. Precisamente entonces es cuando puede resultar más útil hacerlo.

No necesitamos convertir cada decisión en un debate interminable ni desconfiar permanentemente de nuestro propio juicio. Necesitamos conservar la capacidad de distinguir entre lo que sabemos y la historia que hemos construido para explicarlo.

Porque tener criterio no consiste únicamente en defender bien lo que pensamos.

También implica estar dispuestos a descubrir que podemos estar equivocados.

La próxima vez que una explicación parezca evidente en una reunión, quizá no necesitemos inmediatamente más datos ni una solución.

Quizá necesitemos una pregunta:

¿Qué tendría que ser cierto para que nuestra interpretación estuviera equivocada?

Puede que la respuesta confirme lo que ya pensábamos.

O puede que nos permita descubrir el problema antes de empezar a resolver el equivocado.

La IA potencia respuestas. La claridad mejora decisiones.