¿Sigue priorizando la intuición por encima de los datos?

Cuando decide comprar un producto que Amazon le ha recomendado, ver una película sugerida por Netflix o escuchar una canción que Spotify se adapte a sus preferencias, está haciendo cambios en su vida basados en datos. En la misma línea, si utiliza Waze o Google Maps para decidir qué ruta tomar cuando conduce (o va en bicicleta), comprueba la previsión meteorológica antes de vestirse o escanea una botella de vino con Vivino antes de decidir qué beber, se basa en los datos. Pero si bien el consumidor medio de 2020 se basa significativamente más en los datos que sus homólogos de hace 20 años, todavía hay muchas áreas en las que basarse en los datos es más una esperanza o una ilusión que una realidad real. Una de estas áreas es el trabajo, ya que la intuición humana, la casualidad y el sesgo siguen siendo divisas más fuertes que los datos. De hecho, hay pocos indicios de que el mundo del trabajo se haya basado mucho más en las pruebas o en los hechos que hace solo 20 o incluso 50 años.

••• Los datos han sido aclamados como los nuevos[oro](https://www2.deloitte.com/global/en/pages/real-estate/articles/future-real-estate-data-new-gold.html), [petróleo](https://www.economist.com/leaders/2017/05/06/the-worlds-most-valuable-resource-is-no-longer-oil-but-data), y [suelo](https://archives.cjr.org/the_news_frontier/data_is_the_new_soil.php), del que surgirán productos, servicios y avances inestimables. Puede que sea cierto, pero el hecho es que los datos son [solo símbolos](https://en.wikipedia.org/wiki/DIKW_pyramid), en su mayoría números: ceros y unos. Esto se aplica incluso a los algoritmos más complejos, y la mayoría de lo que queremos decir cuando hablamos de IA es un software de clasificación que asigna ceros o unos para que coincidan con diferentes variables o [predecir patrones](https://www.amazon.com/Prediction-Machines-Economics-Artificial-Intelligence/dp/1633695670) a escala. Sin duda, en los ámbitos más relevantes de la vida, todavía necesitamos la experiencia humana para traducir los datos en información, y la voluntad de actuar en función de esa información es lo que, en última instancia, hace que alguien se base en los datos. Los datos sin información no tienen sentido y la información sin acción no tiene sentido. Puede que suene abstracto, pero en muchos ámbitos de la vida operamos según estos principios de forma regular, incluso si no somos científicos de datos. Por ejemplo, cuando decide comprar un producto que Amazon le ha recomendado, ver una película sugerida por Netflix o escuchar una canción que Spotify se adapte a sus preferencias, está haciendo cambios en su vida basados en los datos. En la misma línea, si utiliza Waze o Google Maps para decidir qué ruta tomar cuando conduce (o va en bicicleta), comprueba la previsión meteorológica antes de vestirse o escanea una botella de vino con Vivino antes de decidir qué beber, se basa en los datos. Pero si bien el consumidor medio de 2020 se basa significativamente más en los datos que sus homólogos de hace 20 años (la vida era mucho más espontánea, fortuita y propensa a errores en aquel entonces), todavía hay muchas áreas en las que basarse en los datos es más una esperanza o una ilusión que una realidad real. Una de estas áreas es el trabajo, en el que la intuición humana, la casualidad y el sesgo siguen siendo divisas más fuertes que los datos. De hecho, hay pocos indicios de que el mundo del trabajo se haya basado mucho más en las pruebas o en los hechos que hace solo 20 o incluso 50 años. Por ejemplo, a pesar de la[hecho bien establecido](https://psycnet.apa.org/record/2012-02778-001) que las personas disfrutan más de su trabajo y tienen un mayor sentido de propósito cuando sus valores personales y su personalidad encajan bien con su función o trabajo,[mayoría de personas](https://news.gallup.com/poll/165269/worldwide-employees-engaged-work.aspx) terminan en trabajos que no les gustan y están desconectados e improductivos en el trabajo. Es notable que estas estimaciones provengan de multinacionales globales que emplean a los trabajadores más inteligentes y brillantes del mundo y, sin embargo, estas personas con un alto nivel educativo hacen que sea irracional —[pero a menudo predecible](https://www.amazon.com/Predictably-Irrational-Revised-Expanded-Decisions/dp/0061353248) — opciones de carrera. Si la gente entendiera mejor sus [el talento y su potencial](https://www.amazon.com/Talent-Delusion-Intuition-Unlocking-Potential/dp/0349412480), entonces es más probable que elijan un trabajo que sea compatible con sus intereses y habilidades, en lugar de algo que sugiera su tía, primo o vecino de al lado. También está claro que los datos sólidos —en forma de datos concretos— están notoriamente ausentes por parte de los empleadores. Tenga en cuenta que incluso las empresas más ricas, grandes y sofisticadas (desde el punto de vista de los recursos humanos, en el sentido de que emplean a docenas de psicólogos de E/S con doctorado en sus unidades de gestión del talento) todavía no se basan realmente en los datos en sus prácticas de gestión del talento. Como digo en mi último libro:[_¿Por qué tantos hombres incompetentes se convierten en líderes? Y cómo arreglarlo_](https://www.amazon.com/Why-Many-Incompetent-Become-Leaders/dp/1633696324/ref=pd_sbs_14_t_0/144-6054879-2596931?_encoding=UTF8&pd_rd_i=1633696324&pd_rd_r=a12a7f42-f6f8-4f08-a49f-f3a4963d26b1&pd_rd_w=TBeES&pd_rd_wg=MQfay&pf_rd_p=5cfcfe89-300f-47d2-b1ad-a4e27203a02a&pf_rd_r=210QTSQ5F76GV1QGWKSR&psc=1&refRID=210QTSQ5F76GV1QGWKSR) _—_ hay una tendencia general a contratar y ascender por confianza más que por competencia, y las personas que son capaces de encantar y manipular a los demás en interacciones a corto plazo, como en la entrevista de trabajo, tienen muchas más probabilidades de avanzar en sus carreras que las que realmente entregan los productos y añaden más valor a la organización. Si lo piensa bien, todos los consejos dedicados a hacer que las personas tengan más confianza, sean más asertivas, políticamente astutas y mejores en la automarca son claramente indicativos de la incapacidad de los empleadores para centrarse en la sustancia más que en el estilo. Por desgracia, vivimos en un mundo en el que todo estilo y ninguna sustancia lo llevarán más lejos que ningún estilo y toda sustancia. Sin duda, los humanos son perfectamente capaces de racionalizar y no estaríamos donde estamos si no fuera por el hecho de que[la razón prevaleció](https://www.amazon.com/Enlightenment-Now-Science-Humanism-Progress/dp/0525427570) por encima de la fe, la ignorancia y la superstición. Dicho esto, si visita la mayoría de las organizaciones hoy en día y pide a los altos directivos de recursos humanos que proporcionen métricas sólidas para ordenar las contribuciones de sus altos directivos o que comparen a los miembros del personal mejor remunerados en función de su desempeño, y mucho menos de su talento o potencial, la respuesta será mucho más turbia y subjetiva de lo que obtendríamos si le preguntáramos a Siri si lloverá mañana o no. Curiosamente, el rendimiento es más difícil de medir donde más importa. A pesar de una gran cantidad de investigación, y casi como[muchas teorizaciones](https://books.google.com/books?hl=en&lr=&id=krGJXecPiH0C&oi=fnd&pg=PA157&dq=kevin+murphy+job+performance&ots=PgJb-ZcpsG&sig=G4OwvFupP11L37Bty3l-BLUuRxI#v=onepage&q=kevin%20murphy%20job%20performance&f=false) — sobre cómo conceptualizar y medir el desempeño laboral, los enfoques basados en datos funcionan bien en el extremo inferior del espectro. Es decir, cuando tiene un gran volumen de datos, tareas repetitivas, trabajadores no cualificados y un alto grado de ingeniería social (un legado de [La gestión científica de Frederick Taylor](https://en.wikipedia.org/wiki/Scientific_management) Hace 100 años), puede definir y cuantificar bastante bien las diferencias individuales en el rendimiento. El equivalente moderno de esto sería un conductor de Uber; es casi imposible que dos evaluadores discrepen sistemáticamente sobre el desempeño (y el potencial) de un conductor de Uber individual si tienen acceso a una gran cantidad de datos que comparan su desempeño con el de todos los demás conductores: cuántos viajes al día/semana/mes/año realizó; cuánto dinero recaudó; cuántos accidentes de tráfico o multas tuvo; y cuántos pasajeros (y digo miles de ellos) ¿lo calificó? Por el contrario, si quisiéramos establecer si[Marissa Mayer](/2017/06/marissa-mayers-departure-from-yahoo-and-the-challenge-of-drawing-lessons-from-an-n-of-1) o Donald Trump tuvo un buen desempeño en su trabajo, donde hay mucho en juego que para un conductor de Uber, las cosas se complican más. ¿Cuál es el punto de referencia? ¿Cómo sabemos si a otras personas les habría ido mejor o peor y quiénes son o deberían haber sido esas otras personas? ¿Dónde está el grupo de control? ¿Podemos realmente separar sus acciones y decisiones reales de las percepciones de la gente? Relacionado, ¿qué le pasaría a Tesla sin Elon Musk? ¿Y cómo le va a Apple sin Steve Jobs? (La respuesta basada en datos es... no lo sabemos.) Un punto final y bastante obvio[se refiere a la política de la oficina](/2017/09/playing-office-politics-without-selling-your-soul). La política sigue siendo una fuerza influyente que sustenta la dinámica de cualquier organización. Ellos dictan quién [es contratado, ascendido y despedido](/2017/10/how-office-politics-corrupt-the-search-for-high-potential-employees). Es importante destacar que quienes disfrutan del privilegio de dominar la política —porque son el status quo— tienen pocos incentivos para sanear o esterilizar la cultura haciendo que se base más en los datos. Cuando forma parte del grupo elegido, el establishment o la élite, ¿por qué permitiría que alguien o algo más —en este caso la IA o los datos— revelara que no se merece su éxito y que posiblemente incluso lo derribe? La meritocracia es una buena idea hasta que se dé cuenta de que es mucho menos [meritocrático de lo que parece](https://www.theatlantic.com/magazine/archive/2019/09/meritocracys-miserable-winners/594760/). Sin embargo, es una admisión difícil de hacer y depende de tener la humildad y la perspicacia necesarias para ver el mundo desde una perspectiva diferente: los datos. Como Stephen Hawkins[señaló](https://medium.com/@somesh.ks/the-greatest-enemy-of-knowledge-is-not-ignorance-it-is-the-illusion-of-knowledge-5c0dd1dcca7e) (en una cita que también se ha atribuido a Daniel Boorstin, bibliotecario del Congreso de los Estados Unidos): «El mayor enemigo del conocimiento no es la ignorancia, es la ilusión del conocimiento». Si las organizaciones —y no son solo RRHH sino todos los líderes— quieren adoptar prácticas basadas en la evidencia y decisiones basadas en los datos, solo hay un punto de partida lógico: sea lo suficientemente humilde, autocrítico y curioso como para entender que sus instintos e intuición pueden estar equivocados y evitar dejarse engañar por su instinto solo porque le hace sentir bien.