Predecir lo impredecible

Hace tres años, el Nasdaq se enfrentó a un problema espinoso. Quería reducir el tamaño del tick de su negociación, que entonces era 1/8 de dólar, a 1/16 y, finalmente, a 1/100. Entre los profesionales del mercado, la sabiduría percibida era que el cambio permitiría a compradores y vendedores negociar en términos más precisos, lo que reduciría el diferencial del mercado entre los precios de compra y venta. Pero la organización se mostró cautelosa de que el paso hacia la decimalización pudiera ser contraproducente, lo que llevaría a ineficiencias o, peor aún, lagunas de las que la gente podía abusar. En el pasado, los ejecutivos del Nasdaq habían analizado el mercado financiero a través de estudios económicos, modelos financieros y otras investigaciones. Pero el paso a un tamaño de tick más pequeño era un territorio desconocido que desafiaba los análisis tradicionales. ¿Cómo podría el Nasdaq garantizar que la decimalización no destruiría el sistema?

Para responder a esto, Nasdaq trabajó con BIOSGroup, una consultora de Santa Fe, Nuevo México, para desarrollar un programa informático que simulara los cambios propuestos. No era un programa ordinario; el software creó miles de personas virtuales para representar a creadores de mercado, inversores institucionales, gestores de fondos de pensiones, comerciantes diarios, inversores ocasionales y otros participantes del mercado. Cada uno de esos agentes de software tomó la decisión de comprar y vender utilizando estrategias del mundo real. La tecnología, denominada modelado basado en agentes, permitió al Nasdaq explorar dinámicas bursátiles que los métodos matemáticos puros nunca podrían descifrar.

Los resultados fueron revelador. Un tamaño de garrapata más pequeño podría reducir la capacidad del mercado para realizar descubrimiento de precios, lo que da lugar a diferenciales más amplios entre los precios de compra y venta. Otras pruebas ayudaron al Nasdaq a confirmar y comprender este comportamiento contradictorio, lo que permitió a la organización planificar mejor su transición a la decimalización.

Nasdaq no es el único pionero en beneficiarse del modelado basado en agentes. Macy's, por ejemplo, ha utilizado la tecnología para investigar mejores formas de diseñar sus grandes almacenes. Hewlett-Packard ha realizado simulaciones basadas en agentes para anticipar cómo los cambios en su estrategia de contratación afectarían a su cultura corporativa. Y Société Générale ha utilizado la tecnología para determinar el riesgo operativo de su grupo de gestión de activos.

Por qué son importantes los fenómenos emergentes

Para apreciar todo el poder del modelado basado en agentes, primero hay que entender el concepto de «fenómeno emergente», y la mejor manera de hacerlo es pensar en un atasco de tráfico. Aunque son sucesos cotidianos, los atascos de tráfico son en realidad muy complicados y misteriosos. A nivel individual, cada conductor intenta llegar a algún lugar y sigue (o infringe) ciertas reglas, algunas legales (el límite de velocidad) y otras sociales o personales (reduce la velocidad para permitir que otro conductor cambie de carril). Pero un embotellamiento es una entidad separada y distinta que emerge de esos comportamientos individuales. El estancamiento en una autopista, por ejemplo, puede retroceder sin motivo aparente, incluso cuando los coches avanzan.

Los fenómenos emergentes no son solo curiosidades académicas; se encuentran bajo la superficie de muchos misterios del mundo empresarial. La forma en que se fijan los precios en un mercado libre no es más que una ilustración. ¿Por qué, por ejemplo, las bonificaciones a los empleados y otros incentivos a veces conducen a una reducción de la productividad? ¿Por qué algunos productos, como los scooters plegables, generan un gran entusiasmo, aparentemente de la nada, mientras que otros languidecen, a pesar de sus campañas de marketing multimillonarias? ¿Cómo podría un simple error administrativo convertirse en una pérdida catastrófica que arruina a una institución financiera?

Para muchas empresas, y para la sociedad en general, los fenómenos emergentes se han vuelto más frecuentes en los últimos años. Una razón es que las ciudades y otras zonas urbanas se han vuelto más concurridas. Además, ahora las personas están interconectadas en mayor medida (gracias, en parte, a Internet y a otras tecnologías de comunicación). A medida que aumentan las densidades de población y el número de interacciones entre personas, también aumenta la probabilidad de que surjan fenómenos emergentes. Además, algunas empresas están cada vez más interconectadas y son más complicadas. La complejidad del mercado de valores, por ejemplo, ha aumentado con un mayor número de participantes, incluidos inversores ocasionales, y con la creación de instrumentos financieros sofisticados como los derivados.

Debido a su propia naturaleza, los fenómenos emergentes han sido diabólicamente difíciles de analizar, y mucho menos predecir. Los enfoques tradicionales como las hojas de cálculo y los análisis de regresión o incluso la dinámica de sistemas (una técnica popular de modelado empresarial que se basa en conjuntos de ecuaciones diferenciales) son actualmente impotentes para analizarlos y predecirlos. Estos enfoques funcionan de arriba hacia abajo, tomando ecuaciones y marcos globales y aplicándolos a una situación, mientras que el comportamiento de los fenómenos emergentes se forma de abajo hacia arriba, empezando por las interacciones locales de los diferentes agentes independientes. Esas personas (como los conductores en un atasco de tráfico) alteran sus acciones en respuesta a lo que hacen los demás, y juntas la miríada de interacciones dan lugar a un comportamiento grupal (el atasco de tráfico) que puede eludir fácilmente cualquier análisis descendente.

Las acciones independientes de una miríada de personas a menudo resultan en un comportamiento global que brota de sus acciones locales.

Los fenómenos emergentes también desafían a la intuición. El tamaño más pequeño de la garrapata del Nasdaq podría dar lugar a una mayor propagación de ofertas y ofertas. Agregar nuevos carriles a una autopista a menudo empeora mucho los atascos en horas punta, un resultado conocido como la paradoja de Braess por el ingeniero de investigación de operaciones alemán que lo descubrió en 1968. Por lo general, a la gente no le faltan explicaciones para este comportamiento tan sorprendente («Por supuesto, añadir un carril aumentará los atascos porque los conductores cambiarán de carril con más frecuencia, lo que ralentizará a otros conductores»). A pesar de estas prácticas postracionalizaciones, el punto crucial aquí es que cada fenómeno emergente es una entidad única que puede ser contraria a la intuición y, por lo tanto, difícil de predecir.

En mi experiencia estudiando una variedad de fenómenos emergentes, he descubierto que la única forma de analizarlos e incluso empezar a predecirlos es modelándolos de abajo hacia arriba. En una simulación de este tipo, cada participante individual, como un inversor que compra acciones o una persona que conduce por la autopista, es una persona virtual que toma decisiones en función de lo que hacen los demás. Este modelado puede capturar con precisión la realidad haciendo de cada participante un individuo distinto. Después de todo, un gestor de fondos de pensiones experimentado no compra ni vende acciones de la misma manera que lo hace un comerciante joven. En otras palabras, modelar a los agentes como individuos ayuda a captar la heterogeneidad del mundo real. Y obtener ese tipo de precisión se ha vuelto mucho más económico recientemente, gracias a los ordenadores más baratos y a las mejores técnicas de modelado.

Influir en los consumidores

De hecho, la potencia informática rentable ha permitido a las empresas investigar situaciones/escenarios posibles en silico que sería prohibitivamente costoso y arriesgado de explorar en el mundo real. Considere cómo los patrones de tráfico (la forma en que las personas se mueven por las tiendas y los centros comerciales) pueden tener un impacto directo en el negocio. En los entornos minoristas, ¿qué diseño maximiza no solo la satisfacción de los clientes sino también sus gastos?

La potencia informática rentable ha permitido a las empresas investigar situaciones/escenarios posibles en silico que sería prohibitivamente costoso y arriesgado de explorar en el mundo real.

Para responder a esto, los investigadores han aprovechado una gran cantidad de información existente, incluidos los copiosos datos con códigos de barras recopilados en las cajas registradoras (qué compraron los clientes y el momento en que lo compraron), así como el conocimiento de expertos como Paco Underhill, naturalista del comportamiento de compra y autor de Por qué compramos. Underhill conoce, por ejemplo, el porcentaje exacto de compradores que giran a la derecha después de entrar en un supermercado y la probabilidad de que alguien dé un giro de sentido en medio de un pasillo abarrotado. Con esta información, los investigadores pueden crear modelos basados en agentes de, por ejemplo, un supermercado con compradores virtuales. Estas simulaciones han descubierto que los cambios en el diseño de la tienda tienen el potencial de aumentar el gasto de los clientes hasta en un 20%%.

Sainsbury's, la cadena de supermercados británica, ha desarrollado un modelo informático de este tipo de su supermercado en South Ruislip, en el oeste de Londres. Con la ayuda de Ugur Bilge de SimWorld, una consultora con sede en Londres, y John Casti de la Universidad de Viena, Sainsbury's pudo incorporar detalles sofisticados al modelo, como el tiempo que pasa cada comprador en diferentes departamentos. Los estudios con cámara han revelado, por ejemplo, que el tiempo medio que un cliente dedica a comprar leche es de cinco segundos, frente a 90 segundos para seleccionar una botella de vino.

En el modelo basado en agentes, cada comprador tiene una lista de artículos diferente (basada en datos reales recopilados de los lectores de códigos de barras de las cajas registradoras de las tiendas Sainsbury's). A medida que las personas virtuales atraviesan los pasillos y eligen sus productos, el software rastrea las densidades de clientes en toda la tienda, así como los tiempos de espera en los mostradores de caja. Se pueden probar fácilmente diferentes diseños (como la reubicación del departamento de alimentos congelados) para juzgar su impacto en la congestión de la tienda.

Por supuesto, mejorar la eficiencia de las compras no es el único criterio. Los gerentes de las tiendas suelen querer separar las áreas de mucho tráfico (las secciones de carne y productos horneados, por ejemplo) para fomentar las compras impulsivas a medida que los compradores viajan entre ellas. A veces, los «puntos calientes» (áreas de congestión) son lugares deseables para vender artículos o muestras gratuitas. Además, es importante responder a la psicología del cliente. Un supermercado podría querer colocar su sección de productos agrícolas cerca de la entrada, por ejemplo, para impresionar a los clientes con la frescura de sus verduras y frutas.

El modelo basado en agentes permitió a Sainsbury's equilibrar esos diferentes factores para determinar el mejor diseño de la tienda. Aunque el proyecto requiere un mayor perfeccionamiento (la simulación no tiene en cuenta que los clientes más jóvenes tienden a comprar más rápido que los antiguos, por ejemplo), algunos de los resultados preliminares han dado a Sainsbury la visión de su negocio. En particular, el modelo expuso un comportamiento sorprendente. Un aumento en el número de clientes en la tienda, por ejemplo, puede provocar una caída en las ventas de vino. La razón es que, a medida que el supermercado se llena, aumenta el número de puntos calientes, lo que desalienta a los clientes a dirijrse a la sección de vinos, ubicada en un rincón alejado de la tienda.

Otros minoristas también han utilizado la simulación basada en agentes para investigar mejores diseños para sus tiendas. Específicamente, Macy's estaba interesado en cuestiones tales como dónde ubicar mejor sus cajas registradoras y mostradores de servicio, decisiones basadas en la estética y las prácticas anteriores. Trabajando con Pricewaterhouse-Coopers (entonces Coopers & Lybrand), Macy's desarrolló una tienda virtual que podía modificarse no solo en términos de diseño físico sino también en lo que respecta a la dotación de personal: el número de vendedores en los diferentes departamentos. Una gran ventaja del modelo basado en agentes fue que permitió a Macy's experimentar con diferentes diseños y opciones en el ciberespacio sin poner en riesgo su reputación en el mundo real.

Los fabricantes de bienes de consumo están interesados en el modelado basado en agentes por una razón diferente. Empresas como Procter and Gamble y Unilever desean determinar la ubicación óptima en las estanterías de sus productos para obtener el mayor número de ventas. El modelado basado en agentes también se puede utilizar para diseñar mejores estadios, centros comerciales y parques de atracciones.

En un ejemplo de esto último, Rob Axtell y Josh Epstein de la Brookings Institution han desarrollado un modelo de parque temático basado en agentes que aprovecha los copiosos datos de las instalaciones de contadores de personas, temporizadores de cola, encuestas a clientes y otras fuentes. Esa información ayudó a Axtell y Epstein a construir un modelo detallado de una población heterogénea que tenía deseos y expectativas diferentes para pasar un día en el parque. Por ejemplo, una familia de cuatro personas tendrá necesidades muy diferentes (seis paseos, cuatro perros calientes, dos caramelos de algodón, tres viajes al baño) que una pareja de adolescentes en una cita. El modelo basado en agentes consideró esa información para equilibrar la satisfacción del cliente con el objetivo del parque temático de aumentar el negocio. El modelo fue capaz de explorar preguntas complejas que estaban fuera del alcance de las técnicas matemáticas tradicionales y un análisis estadístico puro de los datos. (Por ejemplo, ¿cuál es una mejor solución, extender las horas del parque 30 minutos o acortar cada trayecto en 8,5 segundos?) Además, la investigación generó nuevas ideas para seguir investigando. ¿Qué pasaría, por ejemplo, si a cada cliente se le diera un pequeño dispositivo informático portátil que mostrara información actualizada sobre la longitud de las líneas en cada viaje y atracción?

Motivación de los empleados

Las empresas han estado utilizando tecnología basada en agentes para modelar las acciones no solo de sus clientes sino también de sus empleados. Una corporación de bienes de consumo ha utilizado la tecnología para diseñar una mejor estructura de incentivos para sus gestores nacionales en Europa. La empresa les había estado recompensando en función de su proporción de «pantalones cortos» (cuando un producto se agotaba); cuanto más bajo, mejor. Pero eso animó a los gerentes a pedir más de lo que necesitaban, una práctica particularmente costosa cuando los productos eran perecederos. Para evitar el deterioro, la empresa a menudo tuvo que trasladar rápidamente enormes cantidades de existencias de, digamos, Dinamarca a Italia si el director danés había sobreestimado sus necesidades. Por lo tanto, se necesitaba un nuevo sistema de incentivos que motivara a los administradores de los países a actuar en el mejor interés de toda la empresa.

¿Qué son los fenómenos emergentes?

Cada vez que intento explicar el concepto de fenómenos emergentes a un grupo de ejecutivos de negocios, les pido que piensen en el siguiente juego: Imagina que todos empezamos a mezclarnos, como si estuviéramos en un cóctel. Al azar, eliges en silencio a otras dos personas (las llamas A y B) y luego siempre te posicionas de manera que A esté entre B y tú. Si todos los demás hicieran lo mismo, ¿qué pasaría? Ahora, cambiemos ligeramente el juego: Siempre te posicionas de manera que estés entre A y B. De nuevo, si todos los demás hicieran lo mismo, ¿qué pasaría?

Si somos varias docenas, en el primer juego todo el mundo seguirá moviéndose por la sala durante horas mientras continuamente intentamos mantenernos en la posición correcta. Un observador externo que desconocía nuestro juego podría pensar que el movimiento fue aleatorio. En el segundo escenario, el resultado es notablemente diferente. En cuestión de segundos, nos habremos agrupado en un solo grupo, casi estacionario. El mismo observador desinformado podría pensar que nuestro objetivo era unirnos. En cualquier caso, nuestro comportamiento colectivo —la molienda o la aglomeración— es el fenómeno emergente que ha surgido de nuestras acciones individuales. (Para ver una simulación de este juego, visita www.icosystem.com/game.)

El juego sencillo contiene tres lecciones importantes. En primer lugar, los fenómenos emergentes pueden ser impredecibles y, a menudo, contradictorios. ¿Qué pasaría, por ejemplo, si la mitad de nosotros siguiéramos la regla del primer partido mientras que el resto obedeciera la otra regla? En segundo lugar, un cambio aparentemente menor en lo que hacemos individualmente dentro de un grupo puede alterar radicalmente nuestro comportamiento colectivo. En tercer lugar, no existe necesariamente un vínculo lógico entre nuestras acciones individuales y el fenómeno emergente resultante. Es decir, ¿por qué el segundo juego, y no el primero, debería resultar en aglomeraciones?

De hecho, los fenómenos emergentes suelen tener una vida propia que es separada y distinta de los comportamientos de sus partes constituyentes. Un atasco, por ejemplo, no siempre se puede entender estudiando lo que hace cada conductor. Ejemplos de fenómenos emergentes en el mundo de los negocios incluyen el comportamiento organizacional que se moldea (o se deforma) a través de bonificaciones e incentivos para los empleados, mercados libres en los que los precios se fijan a través de la miríada de interacciones de compradores y vendedores, y el zumbido de los consumidores que impulsa a los productos durmientes a desbocar éxitos.

El problema es más complicado de lo que parece a primera vista. Obviamente, el sistema actual fomenta el acaparamiento, pero los incentivos vinculados únicamente al rendimiento general de la empresa no son viables porque a la gente no le gusta que sus bonificaciones estén vinculadas a factores sobre los que tienen poca influencia. Entonces, ¿qué comportamiento local debería recompensar la empresa y cómo debería garantizar que el nuevo sistema no conduzca en última instancia a acciones contraproducentes, como el acaparamiento? El modelado basado en agentes ayudó a descubrir la respuesta: vincular las bonificaciones de los gestores nacionales directamente a sus costos de almacenamiento, además de sus pantalones cortos. Este cambio por sí solo podría reducir los costos de la cadena de suministro en varios por ciento, lo que se traduciría en ahorros anuales de millones de dólares. En esencia, el modelado basado en agentes ayudó a conectar el comportamiento local de los administradores de los países con el desempeño global de la organización.

Otras empresas han utilizado modelos basados en agentes para investigar formas radicalmente nuevas de hacer negocios. En la industria farmacéutica, el costo de desarrollar nuevos medicamentos ha aumentado, lo que ha obligado a muchas empresas a replantearse sus operaciones de I+D. Parte del problema es el llamado síndrome del equipo egoísta, en el que un grupo que está desarrollando una droga en particular toma decisiones sesgadas (por ejemplo, tratar de salvar el proyecto cuando se debe matar) porque la reputación del equipo está ligada al éxito de la droga o porque los miembros del equipo se han vuelto emocionalmente adjunto al proyecto. Este comportamiento contraproducente puede retrasar el desarrollo de fármacos y aumentar su costo. Preocupada por estos problemas, una importante compañía farmacéutica pensó en una posible solución: crear un mercado para subcontratar parte del desarrollo farmacológico en las primeras fases de los ensayos clínicos en humanos.

Para explorar esa y otras alternativas, mis colegas de Icosystem y yo desarrollamos un modelo basado en agentes de los distintos actores, tanto los empleados de la empresa como los posibles contratistas, incluidas organizaciones de investigación por contrato (empresas especializadas en la gestión de ensayos clínicos), académicos que sí trabajo de consultoría e incluso expertos en firmas competidoras. Descubrimos que, debido a la diversidad de los actores (sus diferentes motivaciones, aversiones al riesgo, estructuras de costos, etc.), nuestro cliente farmacéutico no podía coordinar toda esa actividad de manera rentable en un mercado abierto.

Nuestro cliente sugirió crear una red de participantes, tanto internos como externos, utilizando incentivos que fomentaran una mejor toma de decisiones (como bonificaciones vinculadas al éxito de toda la cartera de moléculas de fármacos). Mediante modelos adicionales, descubrimos que esta solución podría ayudar a nuestro cliente a más del doble del valor ajustado al riesgo de su cartera de moléculas descubiertas recientemente. Basándose en estos resultados, la empresa ha decidido probar en el mundo real esta nueva forma de organizar el desarrollo clínico temprano.

El modelado basado en agentes también puede ayudar a predecir cómo los cambios en la estrategia de contratación de una organización podrían afectar en última instancia a su cultura corporativa. Por ejemplo, en un proyecto experimental, el Centro de Innovación Empresarial de Cap Gemini Ernst & Young desarrolló un modelo basado en agentes de los empleados de Hewlett-Packard. Durante décadas, HP tenía una sólida tradición de contratar personas por su lealtad y no necesariamente por su experiencia. La empresa centró sus esfuerzos en encontrar personas, a menudo recién graduados universitarios, que encajaran en su cultura, y muchos empleados pasaron toda su carrera profesional en HP. Pero a medida que el mercado laboral comenzó a moverse hacia la libre agencia, HP se preocupó por cómo afectaría ese cambio a la empresa. Además, a medida que la empresa cambió su enfoque hacia los servicios, se interesó cada vez más en contratar consultores experimentados y de gran potencia, que normalmente eran mucho menos leales que los ingenieros de HP.

Los resultados de la simulación confirmaron algunas de las sospechas de HP. La contratación de agentes libres, por ejemplo, acabaría por generar mayores costos de rotación, ya que los empleados (incluso aquellos que en un principio eran leales) comenzarían a abandonar a un ritmo más alto. Un hallazgo más sorprendente fue que la contratación de personas con experiencia pero menos leales eventualmente conduciría a una disminución general del nivel total de conocimientos de HP. Ese resultado sería particularmente pronunciado si la estrategia de contratación se modificara abruptamente. Una alternativa mejor sería una transición gradual en el transcurso de uno o dos años. Además, el modelo basado en agentes sugería que HP podría mitigar en gran medida los efectos negativos de este cambio mediante una fuerte inversión simultánea en la captura de conocimientos, como un repositorio y sistemas de IT que podrían conservar parte de la experiencia de los empleados antes de que se marcharan. Haciéndolo sería un cambio notable del enfoque tradicional de HP en el desarrollo de cada empleado (por ejemplo, fomentando la rotación de puestos entre empresas y funciones), una estrategia que tiene menos sentido cuando la rotación es alta.

Una nueva y emocionante área de investigación basada en agentes se encuentra en el campo del riesgo operativo, que es una preocupación creciente para muchas instituciones financieras debido a las enormes pérdidas sufridas a lo largo de los años por Daiwa, Sumitomo, Barings, Kidder Peabody y otros. Aunque los bancos han desarrollado formas eficientes y sofisticadas de evaluar sus riesgos crediticios y de mercado, todavía se encuentran en las primeras etapas de determinar cómo medir y supervisar su riesgo operativo. La tarea es extremadamente difícil porque las organizaciones no tienen una comprensión clara de cómo un error (o acto de fraude) puede caer en cascada a través de un sistema, causando una pérdida catastrófica, como un árbol que cae sobre una línea eléctrica e interrumpe la red eléctrica de varios estados.

Un error puede caer en cascada a través de un sistema, causando una pérdida catastrófica, como un árbol que cae sobre una línea eléctrica e interrumpe la red eléctrica de varios estados.

Mis colegas de Bios y Cap Gemini Ernst & Young y yo hemos aplicado modelos basados en agentes para analizar y cuantificar el riesgo operativo del negocio de gestión de activos de Société Générale en Francia. En la simulación, modelamos a los empleados de la empresa como agentes virtuales que interactuaban continuamente entre sí mientras realizaban sus tareas. A partir de datos anteriores, sabíamos que los empleados del banco suelen cometer ciertos tipos de errores, como anotar un número incorrecto de ceros ($ 10.000 en lugar de$ 1.000) o confundir una moneda local con el euro. Pero descubrimos que tales errores casi nunca llevarían a pérdidas catastróficas a menos que ocurrieron en ciertos tipos de situaciones, por ejemplo, cuando los mercados financieros son volátiles en agosto. Los resultados detallados del modelo basado en agentes ayudaron a explicar por qué.

Las fluctuaciones en el mercado provocan un aumento en el volumen de transacciones, lo que resulta en un número mucho mayor de errores porque las personas se apresuran y tienen poco tiempo para volver a comprobar su trabajo. En Francia, el problema se agrava en agosto porque es cuando muchos empleados, generalmente los más experimentados que han ganado la antigüedad, toman vacaciones prolongadas. En un escenario, un comerciante inexperto y con exceso de trabajo comete un error: en lugar de vender una acción, la compra y nadie en su departamento, incluido su ocupado supervisor, detecta el error. El papeleo del pedido llega al back office, donde un pasante de verano tampoco detecta el error y procesa el pedido. Para cuando se descubre el gaffe varios días después, el valor de las acciones ha caído en picado, lo que ha provocado una pérdida multimillonaria.

No solo descubrimos estas vulnerabilidades potenciales, sino que también podríamos estimar la probabilidad de que ocurrieran en el mundo real, utilizando datos históricos de los mercados de capitales. Aunque las pérdidas catastróficas eran extremadamente improbables en el modelo, al ejecutar miles de simulaciones pudimos generar los raros eventos que desencadenaron tales desastres, y esos resultados ayudaron a proporcionar estadísticas sobre el verdadero riesgo operativo del banco. A partir de esa información, Société Générale podría probar procedimientos para minimizar ese riesgo (como cambios en su política de vacaciones) y calcular cuánto capital debe reservar para cubrir ciertas pérdidas potenciales. En la actualidad, las instituciones financieras no tienen una forma precisa de determinar su riesgo operativo, por lo que las agencias reguladoras las obligan a sobrestimar la cantidad de efectivo en los días de lluvia que necesitan tener en reserva. En el negocio de la administración de activos, una institución financiera que pudiera determinar su riesgo operativo con exactitud podría ahorrar fácilmente millones de dólares cada año, no solo liberando parte del capital en días de lluvia (que luego se puede invertir) sino también reduciendo las primas de seguros de la organización.

El extraño mundo del comportamiento emergente

Los fenómenos emergentes suelen comportarse de manera sorprendente e impredecible. Un ejemplo clásico es la paradoja de Braess, llamada así por el ingeniero alemán Dietrich Braess, que la identificó en 1968. A partir de extensos estudios de tráfico, Braess descubrió que añadir nuevos carriles a una autopista no necesariamente reduce el atasco en las horas punta, pero a menudo lo empeora mucho. De hecho, los fenómenos emergentes suelen exhibir un comportamiento contradictorio que puede ser difícil de entender. Tenga en cuenta lo siguiente:

• Un ligero aumento del número de compradores en un supermercado lleva a una caída drástica de las ventas de determinados productos.
• Una organización que otorga mayores bonificaciones a los empleados descubre un año después que el desempeño corporativo se ha desplomado.
• Un producto durmiente sale de la nada para convertirse en un éxito de taquilla, mientras que una oferta superior de un competidor languidece, a pesar de un presupuesto publicitario multimillonario.
• Tras contratar a decenas de profesionales experimentados, una empresa sufre un fuerte descenso en su nivel de conocimiento total.

Después de estudiar estos fenómenos emergentes durante años, he descubierto que la única forma de analizarlos es mediante sofisticadas simulaciones informáticas que modelan a cada persona, como los conductores de una autopista o los diferentes compradores de un supermercado, como un individuo distinto. Estas personas virtuales toman decisiones y responden a lo que hacen los demás, y la miríada de interacciones dan lugar a un comportamiento grupal colectivo que se puede analizar, predecir, moldear y controlar.

La investigación sobre el comportamiento organizacional en HP, nuestro cliente farmacéutico y Société Générale contiene una lección más amplia. Una crítica común al modelado basado en agentes es que la tecnología a menudo requiere una comprensión de la compleja psicología del comportamiento humano, y los errores en la cuantificación de tales «factores blandos» pueden dar lugar a resultados que son muy inexactos. Como dice el refrán, «entra basura, saca la basura». Por supuesto, un modelo basado en agentes solo será tan preciso como las suposiciones y los datos incluidos en él, pero incluso las simulaciones aproximadas pueden ser muy valiosas. HP, por ejemplo, utilizó su modelo para obtener una mejor comprensión cualitativa de cómo se relacionaban ciertos factores (la estrategia de contratación de la empresa, la rotación de empleados, el nivel total de conocimientos, etc.). Por el contrario, la simulación para nuestro cliente farmacéutico fue mucho más detallada y completa, lo que permitió a la empresa no solo comprender mejor su negocio, sino también predecirlo, moldearlo, optimizarlo y controlarlo. En otras palabras, la forma en que una empresa utiliza un modelo basado en agentes debe estar directamente relacionada con el trabajo y los datos que se utilizaron para construirlo, y viceversa.

El futuro emergente

«¿Dónde está la sabiduría que hemos perdido en el conocimiento? ¿Dónde está el conocimiento que hemos perdido en la información?» Esas palabras fueron escritas en 1934 por T.S. Eliot en su poema «The Rock», pero todavía suenan ciertas. La gente de hoy en día está revuelta en información, pero ¿eso los hace necesariamente más conocedores, no importa más sabios? Macy's, por ejemplo, tiene una cantidad asombrosa de datos con marcas de tiempo de sus cajas registradoras que podrían usarse para reproducir días enteros de compras. Sin embargo, la empresa ha luchado por encontrar formas de convertir esa información en conocimiento. Los enfoques ascendentes, como el modelado basado en agentes, son adecuados para tareas como esta, especialmente cuando las propiedades emergentes están ocultas en los datos. Es decir, la información sobre las personas y cómo conducen no revelará necesariamente nada sobre los atascos de tráfico hasta que una herramienta como la simulación por computadora libera ese conocimiento para burbujear.

Aunque el modelado basado en agentes es relativamente nuevo, las empresas ya están aplicando la tecnología para analizar algunos de sus problemas más desconcertantes. De hecho, los investigadores están descubriendo que, dondequiera que haya un fenómeno emergente, el modelado basado en agentes puede ayudar a desmitificarlo. Por ejemplo, Winslow Farrell, anteriormente socio del Grupo de Soluciones Emergentes de PricewaterhouseCoopers, y su equipo aplicaron la tecnología para ayudar a Twentieth Century Fox a comprender mejor el entusiasmo de los consumidores. El objetivo del proyecto: Averiguar cómo calcular el tiempo de lanzamiento de una película en particular para maximizar sus posibilidades de convertirse en un éxito de taquilla.

La estrategia de la empresa es otra área en la que hay oportunidades, especialmente en lo que respecta a la teoría de juegos. Hace años, la teoría de juegos era un fascinante campo de la economía que algunos pensaban que revolucionaría el estudio de la estrategia. Pero las limitaciones teóricas eran abrumadoras. Aunque la teoría de juegos proporcionaba un marco excelente, las situaciones empresariales reales iban más allá de lo que la teoría podría describir. El modelado basado en agentes permite a los investigadores abandonar la parte teórica del campo y simplemente jugar juegos para investigar, por ejemplo, qué fenómenos emergentes surgirán de las interacciones de los competidores, incluidas las empresas que aprenden y se adaptan a las acciones de otros. En Icosystem, hemos utilizado modelos basados en agentes para investigar el mercado de los proveedores de servicios de Internet. La simulación predijo tanto el surgimiento del servicio gratuito de Internet como la inestabilidad de ese modelo de negocio. Es decir, la primera empresa que ofrece servicio gratuito a los consumidores puede diferenciarse del resto y ganar dinero con la publicidad, pero a medida que los competidores siguen su ejemplo y comienzan a recortar sus tarifas mensuales, el mercado colapsa, lo que eventualmente lleva a aumentos bruscos en las tarifas de suscripción.

No se debe subestimar el potencial del modelado basado en agentes; la tecnología podría revolucionar por completo ciertos campos. La primera vez que presenté los resultados del modelo Société Générale a un público de contadores y auditores, tuve una epifanía, al igual que mi audiencia. El modelado basado en agentes no solo es una forma eficaz de determinar el riesgo en una organización, sino que es el mejor enfoque porque los empleados individuales (y no los procesos) son los que cometen errores y cometen fraude. Por ejemplo, es más natural y preciso decir que un empleado contable sin experiencia cometió un error al enviar una factura incorrecta a un cliente que decir que el proceso de cuentas por cobrar se vio afectado por un evento de error en el subproceso de facturación. El modelado basado en agentes promete revolucionar la evaluación de riesgos empresariales porque constituye un cambio de paradigma con respecto a los enfoques orientados a hojas de cálculo y procesos. Predigo que en un plazo de cinco a diez años, el modelado basado en agentes se utilizará de forma rutinaria en las auditorías.

Otros investigadores están empujando el modelado basado en agentes hacia una frontera completamente nueva. En lugar de simular lo que sucede en el mundo real, están creando su propia realidad en el ciberespacio creando agentes de software como «shopbots» que vagan por Internet en busca de los precios más baratos de los productos. A medida que esos agentes se vuelven más inteligentes y sofisticados, pueden recopilar, intercambiar y traducir información por nosotros; incluso podrían negociar en nuestro nombre. Jeffrey Kephart y sus colegas del Centro de Investigación Thomas J. Watson de IBM han construido amplios modelos informáticos de tales shopbots, «pricebots» (desplegados por un comerciante para socavar los precios de los competidores) y otros agentes de software para predecir la dinámica del mercado de su comportamiento emergente.

Pero el mundo empresarial no está solo en la aplicación de modelos basados en agentes para estudiar fenómenos emergentes. Gracias a la tecnología, los arqueólogos y los científicos sociales están adquiriendo una mejor comprensión del crecimiento y el declive de las culturas antiguas, los epidemiólogos están aprendiendo cómo las enfermedades pueden propagarse rápidamente a través de una población, el ejército estadounidense ha explorado mejores estrategias de combate para el campo de batalla y la El gobierno estadounidense está estudiando el flujo de drogas ilegales de Sudamérica a Florida con la esperanza de desarrollar políticas más eficaces para frenar el contrabando. De hecho, el modelado basado en agentes ha permitido a investigadores de una amplia gama de campos analizar problemas que antes parecían insolubles. Sin embargo, quizás lo más importante es que ha desafiado la suposición fundamental de que nuestro complejo mundo siempre se puede entender mejor mediante enfoques de arriba hacia abajo.

— Escrito por Eric Bonabeau