Cynefin · Antes de decidir, hay que saber qué clase de problema tenemos delante

Autores de referencia: David J. Snowden y Mary E. Boone
Texto de referencia: A Leader’s Framework for Decision Making · Harvard Business Review · 2007

Una de las causas más comunes de una mala decisión es aplicar una buena respuesta al problema equivocado.

El marco Cynefin parte de una idea sencilla: no todas las situaciones funcionan igual y, por tanto, no todas admiten la misma manera de decidir.

Hay problemas en los que la relación entre causa y efecto es clara. Otros necesitan conocimiento experto. Y hay situaciones complejas en las que no podemos saber de antemano con suficiente seguridad qué producirá una intervención porque demasiadas cosas se afectan entre sí.

En esos casos, intentar encontrar primero «la respuesta correcta» puede retrasarnos o darnos una falsa seguridad. Tiene más sentido hacer pruebas suficientemente seguras, observar qué ocurre y aprender antes de ampliar la intervención.

El error de tratar todo como si fuera previsible

Las organizaciones están llenas de procedimientos diseñados para repetir lo que ya se sabe hacer.

Eso es razonable cuando el problema se repite y conocemos bien sus causas. Nadie necesita reinventar cada día el cierre contable o un protocolo de seguridad que funciona.

La dificultad empieza cuando utilizamos esa misma lógica ante un problema nuevo.

Una empresa puede querer «implantar IA» y pedir un plan completo antes de haber descubierto dónde produce valor. Puede intentar resolver una caída de ventas con la receta que funcionó cinco años antes aunque hayan cambiado clientes, competidores y canales. Puede aplicar a una transformación organizativa el mismo control que utiliza para una operación estable.

Entonces el propio método de decisión se convierte en parte del problema.

Un mundo más conectado produce más situaciones difíciles de aislar

Cynefin importa para Lo que viene porque ayuda a explicar por qué la planificación clásica encuentra cada vez más límites.

Cuando muchas variables están conectadas, una acción puede provocar respuestas inesperadas. Cambias precios y cambia el comportamiento de clientes; ese comportamiento modifica a competidores; los competidores cambian ofertas; las ofertas alteran expectativas; las expectativas vuelven a modificar tu mercado.

No significa que todo sea caótico ni que no podamos saber nada. Significa que hay situaciones en las que aprender mediante la acción forma parte de la decisión.

La IA vuelve esta cuestión todavía más visible. Las empresas incorporan herramientas cuyas capacidades cambian con rapidez, los usuarios inventan usos no previstos y aparecen riesgos que no siempre pueden anticiparse desde una oficina central.

En esos casos, esperar a entenderlo todo antes de empezar puede ser tan peligroso como lanzarse sin control.

La oportunidad está en aprender sin jugarse la empresa

Si cada vez hay más decisiones en las que no existe una receta comprobada, aumenta el valor de quienes saben diseñar buenos experimentos.

No se trata de «probar cosas» sin criterio. Se trata de reducir el coste del aprendizaje: hacer una intervención limitada, observar consecuencias, conservar la posibilidad de volver atrás y ampliar solo cuando la evidencia mejora.

Eso abre oportunidades para especialistas en diseño de experimentos, innovación, producto, transformación organizativa, regulación, simulación, evaluación de riesgos y aprendizaje empresarial.

También transforma profesiones existentes.

Un abogado puede ayudar a diseñar un piloto que permita experimentar sin dejar fuera las obligaciones jurídicas.

Un responsable de cumplimiento puede pasar de ser quien dice sí o no al final del proceso a participar desde el principio en la creación de una prueba controlada.

Un consultor puede sustituir parte del gran plan inicial por ciclos de diagnóstico, ensayo y revisión.

Un diseñador de producto puede convertirse en traductor entre comportamiento real de usuarios y decisiones de negocio.

Un directivo puede aprender a distinguir cuándo debe exigir una respuesta precisa y cuándo esa exigencia produciría una precisión ficticia.

Qué ocurre si no distinguimos el tipo de problema

Hay dos errores opuestos.

El primero es tratar una situación compleja como si fuera simple: imponer una receta, medir obediencia y sorprenderse cuando aparecen consecuencias inesperadas.

El segundo es convertir cualquier problema en algo misterioso y complejo para evitar decidir.

La capacidad valiosa está en reconocer la diferencia.

Eso tiene consecuencias económicas. Una empresa que utiliza procesos lentos y exhaustivos para decisiones sencillas pierde velocidad. Una empresa que usa respuestas estándar para problemas nuevos puede perder mucho más: dinero, clientes o una posición que luego cuesta años recuperar.

Qué nos dice esta pieza sobre Lo que viene

Cynefin no habla de un nuevo mercado ni de inteligencia artificial generativa. No necesitamos forzar esa lectura.

Lo que aporta es una pieza anterior y muy útil: la manera de decidir debe cambiar cuando cambia la naturaleza del problema.

En un mundo donde aparecen situaciones nuevas con más frecuencia, aumenta la demanda de personas y herramientas capaces de reconocer incertidumbre, diseñar pruebas, observar resultados y convertir aprendizaje rápido en decisiones mejores.

Eso abre oportunidades precisamente porque muchas organizaciones siguen intentando comprar certezas donde todavía no pueden existir.

A veces el servicio más valioso no será traer la respuesta.

Será ayudar a construir la manera más rápida y menos peligrosa de descubrirla.