Cómo las multitudes sabias pueden promover la filantropía

Cada año en los Estados Unidos, miles de millones de dólares filantrópicos van a más de 1,5 millones de organizaciones sin fines de lucro, algunas de las cuales utilizan el dinero de manera ineficiente. Pero las herramientas existen para crear mercados de predicción que puedan guiar a los donantes hacia el mayor retorno social de la inversión.

••• Las organizaciones medianas sin ánimo de lucro de Estados Unidos ofrecen algunas de las soluciones más innovadoras a nuestros problemas más acuciantes, pero carecen de financiación para el crecimiento porque no existe un mecanismo de mercado eficiente que guíe el capital hacia ellas. A falta de información fiable sobre el rendimiento relativo de las organizaciones sin ánimo de lucro, miles de millones de dólares filantrópicos al año se distribuyen al azar entre más de 1,5 millones de organizaciones, algunas lo merecen y otras menos. Un remedio puede estar en la célebre «sabiduría de las multitudes»: los mercados de predicción podrían consolidar la información sobre las organizaciones sin ánimo de lucro que ofrecen las mayores rentabilidades sociales de la inversión, guiando así a los donantes hacia las oportunidades más atractivas. Los mercados de la información bien diseñados que agrupan las mejores conjeturas de un gran número de personas informadas han predicho los resultados de las elecciones, los estrenos de películas y los eventos deportivos con la misma precisión y, a veces, con mayor precisión que los expertos. Un número creciente de empresas con visión de futuro, incluidas Best Buy, Eli Lilly, General Electric y Google, utilizan los mercados de predicción internos para pronosticar las ventas, asignar recursos e incluso planificar estrategias. Los desarrolladores de software como Consensus Point e Inkling y las plataformas de mercado en línea como Foresight Exchange e InTrade ofrecen ahora una negociación virtual segura que demuestra la facilidad con la que se pueden establecer mercados de información fiables. Están disponibles las herramientas necesarias para crear un mercado de predicción que mida el rendimiento relativo de las organizaciones sin ánimo de lucro. Este mercado de «orientación» podría enumerar «acciones» virtuales en forma de preguntas: ¿El nuevo modelo de KaBoom para apoyar la construcción de parques infantiles locales creará 4.500 nuevos patios de recreo para 2010? ¿Jumpstart for Young Children reclutará 5000 voluntarios al año para atender a 20 000 niños en edad preescolar en 2011? ¿Los colegios charter KIPP serán los número 100 para 2012? Los traders podrían hacer apuestas valorando cada acción de cero («Nunca sucederá») a 100 («Es absolutamente seguro»). El trading impulsaría los precios virtuales al alza o a la baja en función de si los operadores consideraban las valoraciones del mercado demasiado bajas o demasiado altas en función de información dispersa, como contrataciones estratégicas, subvenciones y patrocinios, novedades normativas y datos publicados sobre el rendimiento. Al revelar el juicio de consenso de posibles millones de donantes, empleados y voluntarios del sector sin ánimo de lucro, el mercado podría pronosticar el éxito relativo de las organizaciones que compiten por las donaciones. Un mercado de este tipo podría lanzarse por etapas: primero, los experimentos privados controlados con inversores sofisticados y emprendedores sociales podrían demostrar una prueba de concepto. En segundo lugar, los planificadores podrían lanzar proyectos piloto controlados a gran escala sobre el terreno. Por último, el mercado podría desplegarse al público con incentivos no financieros para la participación. Si la inteligencia colectiva pudiera indexar la eficacia de las organizaciones sin fines de lucro, las empresas sociales tendrían un incentivo para recopilar y comunicar datos de rendimiento para mejorar sus clasificaciones. La filantropía impulsada por el rendimiento podría entonces obtener un capital de crecimiento real de los donantes que buscan las oportunidades de inversión más prometedoras.