Pensamiento sistémico: por qué no todo problema se resuelve igual en la era algorítmica

Imprimir Artículo

En un corredor de Quito la velocidad promedio cae de 32 a 11 kilómetros por hora y el tiempo de viaje sube de 12 a 34 minutos. El reflejo inmediato, en la mayoría de organizaciones y gobiernos, es el mismo de siempre: hay demasiados autos, hay que ampliar la vía. Ese reflejo es el síntoma de un error que termina costando más que el problema original: tratar un sistema complejo como si fuera apenas un problema complicado. Las organizaciones no suelen fallar por falta de datos ni de tecnología. Fallan porque diagnostican mal el tipo de problema que tienen enfrente y aplican el método equivocado para resolverlo.

Guía de Contenido

Qué significa pensar en sistemas

El pensamiento sistémico, desarrollado desde la década de 1970 por autores como Jay Forrester, Donella Meadows, Peter Senge y Russell Ackoff, parte de una premisa incómoda para la gerencia tradicional: los resultados de una organización no provienen de eventos aislados, sino de relaciones, bucles de retroalimentación y restricciones que casi nunca son visibles en el primer nivel de análisis. Ackoff distinguía entre dificultades, problemas acotados sobre los que existe acuerdo, y desórdenes, sistemas interconectados de problemas donde ni siquiera hay consenso sobre cuál es el problema real. Un plan de movilidad que define al tráfico como “un sistema dinámico donde interactúan infraestructura, demanda, clima, horarios, eventos, transporte público, incidentes, regulación, tecnología y decisiones humanas” ya está aplicando esta lógica antes de tocar un solo modelo predictivo. Está reconociendo que ningún componente se entiende de forma aislada.

Donella Meadows aportó el vocabulario que permite ver esas relaciones en lugar de solo nombrarlas. Un bucle de refuerzo amplifica una tendencia en la misma dirección: ampliar un corredor para resolver la congestión puede atraer más vehículos de los que existían antes, porque la vía más fluida vuelve atractivas rutas y horarios que antes se evitaban, y la ganancia de capacidad se erosiona con el tiempo.

Un bucle de equilibrio, en cambio, autocorrige el sistema hacia un límite: la propia congestión termina frenando la entrada de nuevos vehículos a esa vía en esa hora, porque a partir de cierto nivel de saturación los conductores eligen otra ruta. Ninguno de los dos bucles es visible si el análisis se detiene en la foto del momento, y casi siempre el efecto de una intervención aparece con retardo, semanas o meses después de tomada la decisión, lo cual hace fácil atribuir el resultado a la causa equivocada.

Simple, complicado y complejo: la etiqueta cambia el método

El marco Cynefin, desarrollado por Dave Snowden a finales de los noventa, ofrece la distinción operativa que la gerencia necesita y rara vez aplica de forma consciente. La tabla siguiente resume las tres categorías relevantes para este caso y su equivalente en el sistema de tráfico de Quito.

Tipo	Relación causa-efecto	Cómo se resuelve	Ejemplo en el caso de Quito
Simple	Evidente y estable	Aplicar la respuesta conocida	Contar los vehículos que cruzan una intersección en una hora
Complicado	Múltiples factores, pero conocidos	Experiencia técnica y buenas prácticas	Calibrar el tiempo de los semáforos de un corredor específico
Complejo	Emergente, no lineal, depende del contexto	Diagnóstico continuo y ajuste; no hay receta fija	La movilidad de toda la ciudad: clima, eventos, transporte público, comportamiento humano

Un plan de tráfico vehicular bien diseñado advierte que “una intervención puede resolver un cuello de botella local y, al mismo tiempo, desplazar la congestión hacia otra zona”. Esa advertencia es la diferencia entre un equipo que piensa en sistemas y uno que solo apaga incendios.

El método debe seguir al problema, no al revés

La consecuencia práctica es que la metodología de análisis tiene que variar según el tipo de problema, y no al revés. Un proyecto serio de analítica de tráfico no salta directo a la predicción: avanza por niveles, y cada uno exige datos, modelos y decisiones distintas.

Nivel	Pregunta que responde	Ejemplo en el caso de Quito
Descriptiva	¿Qué pasó?	Velocidad e índice de congestión por corredor y hora
Diagnóstica	¿Por qué pasó?	Aislar si la caída de velocidad se explica por volumen, un incidente, lluvia o un evento
Causal	¿Qué efecto tiene cada variable?	Cuánto explica cada variable, controlando por las demás, la variación de velocidad
Predictiva	¿Qué va a pasar?	Estimar la congestión de la próxima hora en cada corredor
Prescriptiva	¿Qué deberíamos hacer?	Recomendar el cambio de tiempo semafórico o el desvío óptimo
Activa o agéntica	¿Quién actúa, y con qué autonomía?	Un sistema que ajusta el semáforo o despliega un desvío sin esperar aprobación humana

Saltarse niveles es la causa más común de proyectos de inteligencia artificial que producen predicciones precisas sobre preguntas equivocadas. El sexto nivel, el activo o agéntico, es el que más ha crecido en los últimos meses. Ya no se trata de recomendar una acción, sino de un sistema que la ejecuta de forma autónoma, sin que un humano apruebe cada paso. Eso multiplica el costo de un mal diagnóstico, porque el error ya no espera revisión, se ejecuta solo.

Las organizaciones y los países cometen el mismo error fuera del tráfico. Un trámite administrativo es simple y se automatiza. Una reestructuración financiera o una migración de sistemas es complicada y se resuelve con experiencia técnica y buena gestión de proyecto. Pero la adopción cultural de inteligencia artificial dentro de una empresa, la pobreza estructural, una crisis de seguridad ciudadana o el cambio climático son complejos, y se siguen atacando con planes quinquenales rígidos y leyes fijas diseñadas para problemas complicados. Esa importación de método equivocado es la razón por la que tantos procesos de cambio organizacional fracasan sin que falte presupuesto ni voluntad. Los comités de gobierno que evalúan el avance de una transformación compleja con los mismos indicadores trimestrales de un proyecto complicado terminan premiando la velocidad de ejecución sobre el aprendizaje, y castigan exactamente la capacidad de adaptación que el problema exige.

La era algorítmica vuelve esto más urgente, no menos

Los algoritmos y la inteligencia artificial son extraordinariamente eficaces para automatizar y optimizar patrones simples y complicados, porque ahí las reglas son estables y el dato histórico es un buen predictor del futuro. El riesgo aparece cuando esa misma confianza se traslada a un sistema complejo sin que nadie haya hecho antes el trabajo de pensamiento sistémico, y ese riesgo crece exactamente al ritmo en que la analítica se vuelve agéntica: cuanta más autonomía recibe un sistema para actuar, menos margen queda para corregir un diagnóstico equivocado antes de que produzca daño.

Un modelo que optimiza la fluidez vehicular sin mirar el sistema completo puede mejorar el promedio de velocidad de la ciudad mientras castiga a los barrios periféricos y al transporte público, exactamente el sesgo territorial que cualquier proyecto de esta naturaleza debe auditar de forma explícita para evitar optimizar solo los corredores de alta visibilidad y descuidar el resto. La inteligencia artificial no sustituye el diagnóstico sistémico, lo acelera. Si el mapa causal de partida está mal construido, el algoritmo simplemente produce el error equivocado con más velocidad y más confianza estadística.

A escala país ocurre lo mismo: un modelo de asignación de subsidios o de evaluación de riesgo crediticio entrenado sobre el comportamiento promedio de la población puede ser estadísticamente correcto y, al mismo tiempo, sistémicamente injusto con quienes no encajan en ese promedio.

Por eso el plan de un sistema de medición y predicción de tráfico que funciona no comienza con un modelo: comienza con entender el sistema completo, su mapa causal, sus actores, sus bucles de refuerzo y de equilibrio, sus retardos y sus puntos de apalancamiento, los lugares precisos donde una intervención bien dirigida cambia el comportamiento de todo el sistema en lugar de desplazar el problema a la cuadra siguiente. Esa secuencia, y no la sofisticación del algoritmo ni su grado de autonomía, es lo que separa a una organización capaz de adaptarse de una que solo reacciona.

El pensamiento sistémico dejó de ser una competencia académica opcional y se convirtió en una capacidad ejecutiva tan necesaria como leer un estado financiero. Quienes sigan tratando sus problemas complejos con herramientas de manual seguirán moviendo la congestión de un lado a otro de la ciudad, cada vez más rápido, con más autonomía algorítmica y con menos margen para corregir el rumbo.