• Introducción

• Definir los parámetros

  • Objetivo

  • Foco de atención

  • Límites

  • Restricciones

• Intervenciones para influir en el sistema

• Resumen y conclusiones

Introducción

Como hemos ido viendo en esta serie de artículos sobre los sistemas complejos, este tipo de sistemas son dinámicos y siempre se autoorganizan. Lo hacen en torno a un objetivo, dirigidos por un foco de atención y se adaptan al contexto, es decir, a los límites del sistema y sus reglas o restricciones. Tanto internas, externas, como de la tarea actual.

Algo que he dicho muchas veces es que no se puede controlar este tipo de sistemas — ya sea una persona, un grupo, un ecosistema, un mercado, una sociedad o el clima — debido a su naturaleza compleja.

Aunque sí podemos influir (en la mayoría de casos) en cómo se autoorganizan. Para ello podemos modificar (principalmente) algunos parámetros, como los objetivos, el foco de atención, los límites y las restricciones.

En este artículo quiero definir estos parámetros y ver ejemplos de cómo cambios en ellos pueden afectar a cómo se comporta el sistema. Si quiero influir en un sistema complejo, una buena forma es crear algún tipo de intervención en la que modifique alguno de estos parámetros.

Pero tengo que tener siempre presente el carácter dinámico, adaptativo y no lineal de estos sistemas. Es decir, las intervenciones que diseñe, no tendrán un resultado seguro, ni serán definitivas. Deben ir adaptándose y evolucionando con el sistema y el objetivo.

Además, antes de comenzar a diseñar una intervención, debo tener en cuenta tres cosas:

• ¿Por qué queremos hacer la intervención? ¿Qué resultado esperamos conseguir?

• El nivel de análisis e implementación. ¿Buscamos cambios en el sistema o en los agentes?

• Debemos centrarnos en el qué (objetivo), no en el cómo. Del cómo debe encargarse el sistema autoorganizándose.

Definir los parámetros

Los principales parámetros que podemos cambiar y que más pueden influir en el cambio del comportamiento de un sistema complejo son:

• Objetivo (intención)

• Foco de atención

• Límites

• Restricciones

Veamos a qué me refiero con cada uno de ellos, pero antes me gustaría aclarar algo.

Ya usamos estos parámetros, lo sepamos o no. La diferencia está en entender cómo afectan realmente, para usarlos de forma más efectiva. También es importante no caer en la trampa del pensamiento lineal.

¡El sistema no espera por nosotros!

Ahora sí, vamos a definir estos parámetros y tratar de entender en qué consisten.

Objetivo

Todo sistema cumple alguna función y se puede decir que cumplir dicha función es su objetivo. Aunque, dependiendo de su complejidad, un sistema puede tener más objetivos (trata de hacer más cosas) o, incluso, tener objetivos temporales.

Piensa en el cuerpo humano. Como ser vivo, el principal objetivo es estar vivo, pero para ello puede tener diferentes subobjetivos más temporales, dependiendo del momento:

• Alimentarse.

• Descansar.

• Buscar cobijo o protegerse de peligros.

• Etc.

Además, como parte de un sistema mayor que es la especie humana, tiene el objetivo de la reproducción, lo que le puede llevar a objetivos secundarios como encontrar pareja, etc.

Todo sistema complejo se autoorganizará para cumplir sus objetivos, ya sean primarios y globales (como estar vivos), como subobjetivos que vayan surgiendo (como encontrar una fuente de comida o huir de un peligro).

Definir bien el objetivo es clave para poder diseñar cualquier intervención.

Dado que muchos sistemas complejos están formados por agentes, que son sistemas complejos en sí mismos, cuando buscamos cambios en el sistema global, podemos actuar a nivel del sistema o de los agentes.

De esta forma, a la hora de influir en un sistema, podríamos tratar de definir un objetivo para el sistema, o para los agentes.

Por ejemplo, quieres sacar agua de un pozo y llevarla a un depósito a 20 metros. Para ello tienes a un equipo de 5 personas. Puedes pedir al equipo que lleve la mayor cantidad de agua posible (objetivo del sistema), o se lo puedes pedir a cada persona (objetivo del agente).

En el primer caso, el equipo podría autoorganizarse y hacer una cadena para distribuirse el trabajo. En cualquier caso, se coordinarán en torno a un objetivo común.

En el segundo caso, no hay ningún motivo para hacer eso. Puede que algunas se organicen o que vaya cada una por su lado, pero al final cada cual se preocupará por el agua que lleve de manera individual.

Objetivo: sistema vs agentes

Veamos otro ejemplo de la diferencia entre los objetivos globales del sistema y los objetivos de los agentes. Aquí te desgloso los objetivos de una empresa imaginaria (sistema) y sus departamentos (agentes):

• Empresa: Vender zapatos

• Departamentos:

  • Diseño: Diseñar zapatos

  • Desarrollo: Hacer suelas, tacones, etc.

  • Ensamblaje: Hacer los zapatos montando las partes.

  • Empaquetado: Empaquetar los zapatos para la distribución.

  • Distribución: Mandar la mercancía a las tiendas o distribuidores.

  • Ventas: Vender contratos con tiendas o distribuidores.

  • Marketing: Promocionar los productos y atraer nuevos clientes potenciales.

  • Atención al cliente: Conseguir feedback de los clientes para mejorar y solucionar problemas postventa.

Al mismo tiempo, cada departamento está compuesto de personas, que serían sus agentes, así que podríamos definir distintos objetivos dentro de cada departamento. Serían los diferentes roles de cada persona dentro de dichos departamentos.

Foco de atención

El foco de atención se refiere a dónde se va a buscar la información necesaria para actuar y conseguir el objetivo.

Por ejemplo, si un oso hormiguero tiene hambre (sigue el objetivo de alimentarse para seguir vivo), enfocará su atención en el suelo y en el reconocimiento de hormigueros o posibles lugares donde haya hormigas. Esto hará mucho más eficiente su búsqueda y le ayudará a conseguir mejor su objetivo.

Pero en el caso de que aparezca un depredador, el foco de atención del oso hormiguero cambiará para buscar árboles que trepar y otro posible cobijo para protegerse del peligro.

Por otro lado, como comentaba en el apartado anterior, muchos sistemas están formados por agentes, que son sistemas en sí mismos y que se ven afectados por estos parámetros. Así que podríamos aplicar el foco de atención al sistema o a los agentes individuales.

En el ejemplo anterior de sacar agua del pozo, podríamos decirle al equipo que no se valorará el agua que lleve cada persona, sino el total de agua que lleve el equipo. O, por el contrario, se le podría decir que se valorará cuánta agua lleva cada persona.

En este caso, no se ha cambiado el objetivo, ni se ha dado objetivos a nivel de los agentes, simplemente se ha cambiado el foco de atención de los agentes, mediante incentivos.

Es muy importante tener esto en cuenta antes de decidir qué tipo de foco nos interesa y en qué nivel queremos influenciar.

Cuando hablamos aquí del foco de atención debemos hablar de dos ideas:

1. Cuál es el foco de atención en el que queremos que el sistema o agentes se centren.

2. Cómo vamos a conseguir cambiar ese foco de atención.

El primero vendrá determinado por los resultados que buscamos. Eso sí, no siempre sabremos cuál es el mejor foco de atención para nuestro objetivo, así que es probable que tengamos que probar varios y depender de experiencias anteriores.

Para conseguir que el sistema (o los agentes) se centren en algo en concreto tenemos diferentes mecanismos:

• Incentivos:

  • Qué se valora más.

  • Qué se valora menos o, incluso, rechaza o castiga.

• Límites y restricciones:

  • Recursos disponibles.

  • Reglas

• Información:

  • Qué información se muestra o se oculta.

  • Cómo se presenta la información.

  • Feedback sobre lo que se hace y su relación con conseguir el objetivo.

• Capacitación:

  • Mientras más fácil le resulte al sistema (o a un agente) hacer algo, más se enfocará en ello.

Objetivo (intención) vs. Foco de atención

A veces es complicado diferenciar entre el objetivo y el foco de atención. Al menos a mí me pasa.

Para ayudarte a ver esa diferencia más clara, te dejo un par de ejemplos que podrían ayudar a ver dicha diferencia.

• Artículo de divulgación:

  • Objetivo: Explicar un concepto de forma que lo entienda un público sin conocimientos previos.

  • Posibles focos de atención:

    • Evitar terminología técnica.

    • No presuponer conocimientos técnicos.

    • Usar frases cortas.

• Ejercicio de elevación de talones:

  • Objetivo: De puntillas, subir y bajar los talones, sujetando una pelota de tenis entre los tobillos, sin que se caiga.

  • Posibles focos de atención:

    • Llegar lo más arriba posible.

    • Apretar la pelota con los tobillos.

    • Mantener el equilibrio.

He puesto varios posibles focos de atención para cada caso porque, aunque el objetivo sea el mismo, la persona (el sistema) se autoorganizará de forma diferente dependiendo a qué le preste más atención. Así que el comportamiento del sistema y su resultado cambiará, aunque se consiga el mismo objetivo.

Límites

Los límites de un sistema tienen que ver con la forma, espacio que ocupa y distribución de sus componentes. El sistema solo podrá organizarse dentro de dichos límites y lo que puede hacer o no, puede verse limitado por ellos.

Piensa en el ecosistema de ejemplo de las ovejas y los lobos. El comportamiento del sistema no será el mismo si 2 lobos y 6 ovejas viven en un prado de 1 hectárea (menos de un campo de fútbol), que en uno de 10 hectáreas (algo más de 5 campos de fútbol). Ni será lo mismo si el prado está dividido por un río, un barranco o una montaña.

Los animales de ese ecosistema se organizarán de forma diferente en función del espacio disponible y su distribución. Pero también dependiendo de los recursos disponibles (agua, comida, cobijo, etc.).

En muchas ocasiones, este es uno de los parámetros que mejor podremos controlar. Podremos aumentar o reducir el espacio, el tiempo, los recursos disponibles, o incluso el acceso de unos agentes o componentes a otros.

Si nuestro sistema es un equipo que trabaja en un proyecto, podríamos cambiar cosas como el tiempo límite para entregar el proyecto, el número de personas en el equipo, el espacio de trabajo (en una oficina, en el mismo edificio pero con oficinas propias o por grupos, en remoto, etc.), el acceso a información o recursos de la empresa, etc.

Un cambio en cualquiera de estos elementos cambiaría el comportamiento del equipo y la manera en la que enfocan la consecución del objetivo (acabar el proyecto).

La Ley de Parkinson es un ejemplo cotidiano del efecto de los límites en cómo se autoorganiza un sistema. En este caso del límite temporal y el comportamiento de los humanos.

Y es que, normalmente, el nivel de urgencia a la hora de realizar una tarea dependerá de cuánto tiempo tengamos para hacerla. Contrariamente a lo que nos dice la intuición, hay más probabilidades de acabar una tarea si vamos justos de tiempo, que si tenemos más tiempo del que necesitamos.

Nuestro organismo se organiza en torno a esa tarea de forma diferente. Y digo nuestro organismo, porque intervienen factores, psicológicos, hormonales, fisiológicos, etc. No es que «tu mente» decida tardar más o menos, es cómo se organiza el sistema en torno a ese límite temporal. Por eso es algo que le ocurre a todo el mundo y no solo a ti.

Esto me recuerda a una experiencia personal de hace años, cuando iba mucho de acampada y tenía una ley similar a la de Parkinson, «la ley de la mochila». Con el tiempo había descubierto que daba igual lo grande que fuera una mochila, siempre la terminaba llenando. Así que la mejor manera de conseguir no llevar demasiadas cosas innecesarias era limitar el espacio usando una mochila más pequeña.

Algo similar ocurre con el espacio o cualquier otro recurso. Piensa en la velocidad a la que corre un atleta que compite en 100 metros lisos, frente a quien corre una maratón. La distancia determina cómo se comportará para lograr el objetivo.

Podríamos pensar que esto es simplemente una decisión consciente y meditada. Aun así, no deja de ser una adaptación a los límites que tenemos. Quizás un ejemplo más claramente «sistémico» es el cambio de la forma de movernos según aumenta la velocidad. Hay numerosos estudios sobre el tema, sobre todo en caballos y ratas, que no se caracterizan por pensar en si deben correr o ir al galope dependiendo de las circunstancias. Simplemente, lo hacen.

Aquí lo cuento en más detalle y con imágenes:

Pero el resumen es que a medida que aceleramos al caminar, nuestro cuerpo va pasando de un patrón de movimiento a otro de forma autónoma, sin que haya una decisión consciente. Pasamos de caminar, a trotar y luego a correr. Dependiendo de la velocidad a la que vayamos, al organismo le cuesta más el patrón anterior y pasa al siguiente, que es más eficiente para ese momento.

NOTA: Esto tiene que ver con los atractores, cambios de fase y la no linealidad que explico en este artículo.

Así que cambiar la velocidad a la que se mueve una persona (u otro animal), cambiará la forma en la que se autoorganiza para moverse.

Restricciones

Las restricciones se parecen a los límites, pero tienen que ver más con las reglas del sistema. Tanto las reglas por las que se maneja cada agente del sistema, como de las posibles reglas globales que haya, o posibles reglas externas.

Es decir, puede haber restricciones a distintos niveles:

• Internas: qué puede hacer el sistema y cómo.

• Externas: reglas impuestas por el entorno o alguna característica que pueda cambiar el comportamiento del sistema.

• De la tarea: reglas que apliquen solo a cómo se ejecuta la acción que el sistema está realizando.

Vamos a verlo con algunos ejemplos. Evidentemente, son ejemplos simplificados y muy teóricos. La realidad es siempre más compleja.

Ejemplo 1: Persona corriendo

Sistema: Persona Tarea: Correr

Restricciones:

• Internas:

  • Movilidad de sus articulaciones.

  • Nivel de fuerza y resistencia muscular en el tren inferior.

  • Nivel de resistencia cardiovascular.

  • Nivel de energía.

  • Motivación.

• Externas:

  • Tipo de terreno.

  • Estado del clima.

  • Corre sola o en grupo.

  • Recorrido.

• De la tarea:

  • Duración.

  • Distancia.

  • Objetivo (entrenamiento, una competición, salir a relajarse, etc.).

Ejemplo 2: Equipo llevando agua

Sistema: Equipo de personas Tarea: Llevar agua de un pozo a un depósito de agua.

Restricciones:

• Internas:

  • Número de miembros del equipo.

  • Cómo de bien se conocen, comunican y coordinan.

  • Fuerza y habilidad de cada persona del equipo.

  • Tipo de estructura (plana, jerárquica u otra).

• Externas:

  • Distancia entre el pozo y el depósito de agua.

  • Tamaño de la entrada del pozo.

  • Tipo de terreno que hay que recorrer.

  • Material disponible.

• De la tarea:

  • Si se puede o no derramar agua.

  • Cuánta agua hay que llevar.

  • Si se permiten descansos.

  • Tiempo disponible.

NOTA: Te dejo como ejercicio para casa ver cómo afectarían cambios en cada una de las restricciones que he mencionado.
Es un buen ejercicio para empezar a entender esto y poder empezar a diseñar intervenciones efectivas.

Límites vs. restricciones

De nuevo, a veces me lío y me cuesta ver cuando algo es un límite o una restricción. Con frecuencia no está claro si es una u otra cosa. Así que pondré un ejemplo que puede ayudar a verlo más claro.

Imagina un restaurante. Un restaurante es un sistema complejo formado por personas (propietarios, trabajadores de diferente tipo, clientes, proveedores, etc.), instalaciones, que ofrece servicios, consume productos, los transforma y los vende, y muchas cosas más.

Estos podrían ser algunos ejemplos de límites y restricciones de ese sistema:

Límites:

• Personal disponible.

• Espacio y distribución del mismo.

• Capacidades y habilidades del personal.

• Capital.

• Localización.

Restricciones:

• Menú.

• Horario.

• Legislación relativa a restaurantes.

Incluso se podría ver como el «menú» puede estar determinado por otras restricciones como:

• Costumbres relativas a la comida de la región.

• Público al que está enfocado.

• Precio de la materia prima.

• Rango de precios que se quiere tener.

• Conocimientos del personal de cocina.

• Disponibilidad de alimentos.

Espero que con este ejemplo quede más claro lo que son los límites, las restricciones, sus diferencias y cómo pueden influir en el comportamiento del sistema.

Otras definiciones

Me gustaría hacer una breve descripción de dos conceptos relacionados y que puede que te encuentres si investigas sobre estos temas. Sobre todo en publicaciones científicas.

• Constreñir (y constreñimientos)

• Degeneración (en inglés «degeneracy»)

Constreñir (y constreñimientos)

En publicaciones en español sobre sistemas complejos es muy común encontrarse con la palabra «constreñimiento», para referirse a los límites y las restricciones. Personalmente, creo que es un error, ya que esa palabra tiene un significado más específico en nuestro idioma y creo que usar «límites», «restricciones» y «constreñimientos» hace más preciso y útil el lenguaje que usamos.

En inglés se suele usar «constraints» para referirse a esos tres términos, posiblemente por eso se eligió traducirlo como «constreñimientos», pero me parece más claro y útil usarlos todos.

Al margen de mi batalla personal con esta terminología, «constreñir» tiene un significado muy concreto:

Constreñir:

1. Obligar, precisar, compeler por fuerza a alguien a que haga y ejecute algo.

2. Oprimir, reducir, limitar.

3. Apretar y cerrar, como oprimiendo.

Es decir, son límites y restricciones que fuerzan al sistema en una dirección concreta. Que limitan las demás opciones para que solo se pueda autoorganizar de una forma.

Es una forma de usar los límites y restricciones muy concreta que no busca la autoorganización libre, sino imponer un comportamiento en el sistema. Que es precisamente lo que normalmente querremos evitar en nuestras intervenciones por las razones que vimos en la introducción.

Es por eso que no pongo «constreñir» dentro de los parámetros que queremos usar para nuestras intervenciones. Puede haber casos en los que sí, pero, en general, no es una buena idea.

Degeneración (en inglés «degeneracy»)

El término degeneración (degeneracy) tiene un significado en biología muy interesante y diferente del que usamos en nuestro día a día. Se refiere a la capacidad de diferentes componentes o estructuras de realizar la misma función. Esto significa que, si una parte del sistema falla o cambia, otras partes pueden asumir su función, asegurando así la estabilidad y adaptabilidad del organismo.

Este concepto es crucial para la robustez biológica, permitiendo a los organismos mantener sus funciones vitales y adaptarse a condiciones cambiantes o adversas.

Me parece útil mencionarlo porque, en muchas ocasiones, el sistema usará este mecanismo para autoorganizarse y adaptarse al objetivo, límites o restricciones que impongamos al sistema. Esto no es solo un tipo de autoorganización, sino una forma de proveer al sistema de mayor robustez y resiliencia.

Un ejemplo de esto en el cuerpo humano podría ser algunos tipos de plasticidad neuronal, donde neuronas o, incluso, regiones enteras pueden realizar funciones de otra. También las compensaciones musculares, de forma que unos músculos pueden realizar las funciones de otros, si estos no pueden (fatiga, atrofia, lesión, etc.).

Intervenciones para influir en el sistema

Todo lo anterior nos permite conocer cómo afectan estos parámetros a los sistemas, pero seguramente nuestro objetivo sea crear algún tipo de cambio o influir en algún sistema. Para ello debemos diseñar una intervención que haga uso de estos parámetros de manera efectiva.

Pero antes de nada te recuerdo que ninguna intervención es definitiva. Las intervenciones deben adaptarse constantemente al sistema dinámico que intentan influir.

Otro recordatorio importante es que los sistemas complejos tienen comportamientos no-lineales, debido (entre otras cosas) a las interacciones internas y externas.
Es decir, nuestra intervención no será la única acción que esté afectando al sistema en un momento dado.

Es imposible saber de antemano las otras interacciones o el efecto combinado con nuestra intervención.

También habría que distinguir entre intervenciones para:

• Cambios temporales (autoorganización pura).

• Cambios a largo plazo (adaptación, evolución o aprendizaje).

Es decir, podemos querer influir en un sistema ahora mismo, para que cambie su comportamiento actual. Mientras que en otras ocasiones podemos querer generar cambios más permanentes en el sistema.

Imagina que nuestro querido equipo del pozo está muy descoordinado y se estorban unos a otros tratando de llevar más de un cubo a la vez y sin ningún tipo de organización. Podríamos hacer una intervención temporal en la que les pongamos algunas restricciones y algún foco de atención.

Por ejemplo, tienen que formar una cadena, solo una persona saca agua del pozo y solo una echa agua en el depósito. Tienen que centrarse solo en pasar el cubo lleno a la siguiente persona en dirección al depósito y el vacío a la siguiente persona en dirección al pozo.

Eso cambiará el comportamiento del sistema en el momento, pero no sabemos (ni nos interesa) si el equipo aprenderá la lección. Puede que nunca vuelvan a trabajar juntos o a hacer la misma tarea.

Por otro lado, si nuestro sistema es una persona que necesita mejorar en algo (desarrollar una habilidad, una capacidad, recuperarse de una lesión, etc.), no nos bastará una única intervención. Deberemos ir haciendo sucesivas intervenciones, que deberemos ir creando basándonos en las nuevas adaptaciones del sistema.

Es decir, si nuestra primera intervención genera una adaptación, el sistema cambiará y nuestra siguiente intervención se deberá basar en el nuevo estado del sistema. No podremos prediseñarlas todas desde el principio.

Otra cosa que debemos tener en cuenta es que, en muchas ocasiones, para conseguir unos cambios a largo plazo, los resultados inmediatos pueden ser diferentes a los esperados. Esto es algo que se ve con frecuencia en el aprendizaje o en las empresas con «la paradoja del rendimiento y el aprendizaje».

Es decir, hacer algo bien ahora no implica que lo hayas aprendido, mientras que hacer algo mal hoy no significa que no haya creado un aprendizaje.
Aunque este es un tema más extenso del que podremos hablar otro día.

Un ejemplo claro es que si hacemos un ejercicio de fuerza hoy, no seremos más fuertes hoy, pero la adaptación se producirá igual. Y puede que la próxima vez que lo intentemos sí que seamos capaces de levantar más peso.

Y hay muchos ejemplos famosos de intervenciones en sistemas complejos en los que el efecto inmediato y esperado no tiene nada que ver con el efecto a largo plazo. Como, por ejemplo, tratar de eliminar una especie o una plaga en un ecosistema y terminar destruyendo el mismo en vez de salvarlo. Como la campaña china de las 4 plagas.

Debemos tener cuidado con las intervenciones y evitar pensar que sabemos más que el sistema que tratamos de influir.

Pero no te preocupes, para entender mejor cómo hacer intervenciones y sus efectos, en el próximo artículo publicaré unas cuantas intervenciones de ejemplo a modo de fichas, para que sea fácil seguirlas y ver ejemplos de diferentes tipos de sistemas.

Intervenciones genéricas conocidas

A continuación de dejo algunas intervenciones genéricas usadas habitualmente y que usan las restricciones y el foco de atención como forma de buscar una mejora en el comportamiento del sistema. En este caso, un ser humano o un equipo de personas:

• WIP («Work In Progress»):

  • Restricciones: Un número limitado de tareas en las que puede trabajar el equipo, o cada persona, a la vez.

  • Foco de atención: La tarea que se está realizando.

• GTD («Getting Things Done»):

  • Restricciones: Limitar las tareas a una (la siguiente tarea) y un contexto (llamadas, escribir email, escribir documentos, comprar, etc.).

  • Foco de atención: La siguiente tarea dentro del contexto en el que se esté.

• KISS («Keep It Simple, Stupid!»):

  • Restricciones: Evitar añadir complejidad cuando se diseña algo.

  • Foco de atención: El nivel de complejidad.

• Pomodoro:

  • Restricciones: Se trabaja en bloques de tiempo de 25 minutos. Hay que dividir las tareas para que quepan en dichos bloques y hacer una a la vez.

  • Foco de atención: Hacer todo lo que se pueda de la tarea actual durante los próximos 25 minutos.

• Stand-up meeting (Reunión estando de pie):

  • Restricciones: Los participantes deben estar de pie.

  • Foco de atención: Centrarse en los puntos de la reunión e ir al grano.
    Estar de pie hace que los participantes no se acomoden y hablen más de la cuenta.

Resumen y conclusiones

Los sistemas complejos son dinámicos, cambiantes y sus componentes se autoorganizan en función de los objetivos, límites y restricciones del sistema.

Debido a su naturaleza dinámica, adaptativa y no-lineal, no podemos controlarlos, peo sí podemos influir en ellos. Para influir en ellos podemos usar algunos parámetros como:

• Objetivos.

• Foco de atención.

• Límites.

• Restricciones.

Conocer cómo influyen estos parámetros en los sistemas puede ayudarnos a entender mejor el comportamiento de los mismos, o a diseñar intervenciones para influir en ellos de forma efectiva.

Eso sí, debemos tener cuidado con dichas intervenciones, ya que no somos los únicos que influyen en el sistema, también habrá factores internos y externos que no podemos controlar.

En el próximo artículo pondré una colección de intervenciones de ejemplo a modo de «fichas», para complementar este artículo y que sea más fácil entender estos parámetros y cómo usarlos.

Trataré de abarcar diferentes tipos de sistemas para que se vea más claramente y puedas ver algún ejemplo que te resulte familiar.
Si tienes algún área, sistema o ejemplo específico que quieres que toque, por favor, dímelo en los comentarios o el correo, a ver si puedo incluirlo.

Por último, te recomiendo que hagas el ejercicio de tratar de ver cómo afectarían los cambios en los parámetros a los ejemplos del artículo.

Espero que te ayude este artículo y nos vemos en el siguiente.

Salud y sistemas complejos.

La conversación es larga (casi 2 horas), pero creo que fluida y entretenida. Tratamos de dar una introducción a los sistemas y problemas complejos, así como mostrar su aplicación en la salud.

Aquí te dejo el guión del podcast, para que sepas de qué hablamos (añado algunos enlaces por si quieres ampliar los temas):

1. Introducción a los sistemas complejos: para empezar, ¿podrías explicarnos brevemente qué es un sistema complejo y cómo se relaciona con la salud?

2. ¿Y un problema complejo? ¿Qué es y por qué es relevante para la salud?

3. Para entenderlo mejor, vamos a ver algunos ejemplos. Dinos cuándo es un problema complejo y por qué:

   1. Construir la Torre Eiffel vs Crianza: ¿Cómo contrastarías la construcción de la Torre Eiffel con la crianza de un niño para explicar sistemas complejos?

   2. Problema del viajante vs Vuelta al mundo en 80 días: ¿Cómo contrastarías estos dos problemas para ilustrar la diferencia entre problemas difíciles y problemas complejos?

   3. Desarrollar una vacuna vs gestionar una pandemia: ¿Qué diferencias existen entre desarrollar una vacuna y gestionar una pandemia en términos de sistemas complejos?

   4. American Ninja Warrior vs caminar por la calle: ¿Cómo ilustran estas actividades la diferencia entre desafíos difíciles y problemas complejos?

4. Salud como problema complejo: ¿Por qué es importante considerar la salud como un problema complejo en lugar de un problema simple?

5. Ejemplos de problemas complejos en salud: ¿Podrías darnos algunos ejemplos específicos de problemas complejos en el ámbito de la salud?

6. Problemas complejos vs Cisnes Negros: ¿Qué diferencia hay entre un problema complejo y un "Cisne Negro"? ¿Por qué es importante esta distinción en el ámbito de la salud?

7. El contexto es clave: ¿Qué papel juega el contexto en la comprensión y resolución de problemas complejos en la salud?

8. La pregunta válida: Depende: ¿Por qué "depende" es la única respuesta válida para muchos problemas complejos en salud?

9. Psicología ecológica: ¿Podrías explicar qué es la psicología ecológica y cómo se aplica a los sistemas complejos en la salud?

10. Affordances (Oportunidades/Invitaciones de acción): ¿Podrías explicar el concepto de affordances y su relevancia en los sistemas complejos de salud?

11. Optimización vs Adaptación y autoorganización: ¿Cuál es la diferencia entre optimización y adaptación/autoorganización en sistemas complejos? ¿Por qué es relevante para la salud?

12. Sensibilidad a las condiciones iniciales: ¿Qué significa la sensibilidad a las condiciones iniciales y la dependencia del camino en los sistemas complejos de salud?

13. Influencia vs cambio del sistema: Finalmente, ¿cómo podemos influir en un sistema complejo de salud sin necesariamente cambiarlo? ¿Por qué es importante entender esta diferencia?

14. ¿Por qué "depende" es la única respuesta válida para muchos problemas complejos en salud?

Bibliografía recomendada

Mis referencias personales relacionadas con lo hablado en el podcast:

• Understanding the complexity, de Scott E. Page.

• A Guide to Better Movement, de Todd R. Hargrove.

• 3 pasos contra el sedentarismo, de Juanje Ojeda.

• Mueve tu ADN, de Katy Bowman.

• Antifrágil, de Nassim Taleb.

Y los libros que añadió Claudio fueron:

• Complejidad y deporte, de Carlota Torrents Martín y Natàlia Balagué Serre.

• La naturaleza del entrenamiento, de Manuel Sola.

• Pensar en Sistemas, de Donella Meadows.

Sobre psicología ecológica:

• Introduction to Ecological Psychology, de Julia J. C. Blau, Jeffrey B. Wagman

• How We Learn to Move, de Rob Gray.

Sobre las ideas de Nikolai Bernstein y su problema de los grados de libertad de movimiento:

• Dexterity and Its Development, de Nicholai A. Bernstein.

«Cuando los expertos cualificados tienen desacuerdos importantes sobre los conceptos básicos de cómo resolver un problema, lo más probable es que sea complejo.»

Todd Hargrove

Hay muchos problemas modernos que se ajustan a esta definición, pero uno de los más cercanos y evidentes es la salud.

De esto iba precisamente el artículo que estaba preparando hace un par de meses. Pero las casualidades de la vida hicieron que me descubrieron algunos problemas de salud, así que decidí centrarme en ellos y parar temporalmente el proyecto.

Ahora está todo razonablemente controlado, no obstante, aún tardaré un poco en volver a publicar. Pero volveré. Tengo muchas ideas chulas de artículos y varios borradores que me están llamando para que los termine.

Para que puedas ver si te interesarán los próximos artículos, te dejo los temas que tocarán:

• Analizar la salud como un problema complejo.

• Ejemplos para entender mejor los problemas complejos y la metáfora de los paisajes.

• La importancia de las redes en los sistemas complejos.

• Diferencias entre las teorías de los sistemas complejos y de los sistemas dinámicos o la teoría de juegos.

• La cognición en el contexto de los sistemas complejos (cognición extendida, incorporada y situada).

• Metaestados y atractores en el ser humano.

• La cultura como una propiedad emergente y sus implicaciones.

Y más cosas que surgirán. Estas son solo ejemplos de los que ya tengo material preparado.

Como aún tardaré un poco en volver a publicar y por si acabas de llegar a la newsletter y no has visto estos artículos, te recomiendo echarle un vistazo a estos:

1. ¿Por qué aprender sobre la complejidad?

2. Introducción

3. Atractores

4. Diversidad y variabilidad

5. Agentes y autoorganización I

6. Agentes y autoorganización II

7. Problemas complejos

8. Problemas complejos: optimización

9. Problemas complejos: pensamiento lineal-determinista

10. Problemas Complejos: Desarrollar habilidades

11. Problemas complejos: paisajes

Espero poder volver a dedicarle tiempo pronto a este proyecto y compartir contigo estos temas tan apasionantes.

¡Un saludo!

• Introducción

• La metáfora de los paisajes (landscapes)

• Tipos de paisajes y problemas

  • Monte Fuji (Simple landscape)

  • Paisaje rugoso (Rugged lanscape)

  • Paisaje danzante (Dancing lanscape)

• Estrategias óptimas para cada tipo de paisaje/problemas

  • Simple

  • Rugoso (difícil o complicado

  • Danzante (complejo)

• Resumen y conclusiones

Introducción

Tanto si buscas aprender sobre resolución de problemas como sobre problemas complejos en concreto, es posible que te encuentres con una metáfora que se usa a menudo para visualizar el «espacio de soluciones» de un problema: los paisajes.

O, probablemente lo verás en inglés como: landscape.

Aunque la metáfora es bastante visual y clara, creo que no viene mal explicarla y aprovechar para recordar algunas diferencias entre tipos de problemas y las diferentes estrategias óptimas según el tipo.

ADVERTENCIA: Conozco algunas personas a las que las gráficas les resultan más confusas que los datos en sí. Si eres una de ellas, es posible que esta metáfora no te sea tan útil.
En cualquier caso, creo que vale la pena conocerla, por si te la encuentras por ahí, así como para repasar las estrategias según el tipo de problema.

La metáfora de los paisajes (landscapes)

Antes de explicar la metáfora en sí, creo que sería bueno explicar otro concepto que se usa con frecuencia y que está relacionado: el espacio de soluciones.

Espacio de soluciones

El espacio de soluciones es simplemente el conjunto de posibles soluciones a un problema. Muchas veces se pueden representar en una gráfica. Por ejemplo, mostrando cómo de eficiente es cada solución.
Es decir, hasta qué punto cada solución resuelve el problema o consigue el objetivo buscado:

En ese caso de esa gráfica podemos ver que la mejor solución es la correspondiente al valor 5.
Esta gráfica podría representar el espacio de soluciones al problema «¿Qué número representa la mitad de 10?», en el que mientras más nos acerquemos al 5, más acertada es la respuesta.

O podría representar el espacio de soluciones de cualquier problema en el que asignamos un número del 0 al 10 para las diferentes soluciones que conocemos y vamos asignando cómo de acertada es cada una.

En este caso representaría un problema simple, con una solución óptima y pocas soluciones casi óptimas.

También podría representar soluciones no numéricas, como cuál es la forma geométrica que debería tener una pieza para poder entrar por una agujero con forma triangular (típico juego de piezas y agujeros con formas geométricas, para niños):

Pero no todos los problemas tienen una única solución, ni son tan claras.
En esta otra gráfica vemos que las mejores soluciones están más repartidas entre los posibles valores para las soluciones. Aquí es menos evidente cuál es la mejor y hay varias razonablemente buenas.

Pero el espacio de soluciones no tiene que ser una gráfica o valores numéricos, es simplemente el conjunto de posibles soluciones (incluso erróneas o subóptimas) para un problema.

Paisajes

Ahora la metáfora. Imagina que tienes un problema y quieres representar visualmente sus posibles soluciones, para ver más claramente tus opciones. Una manera de hacer esto es imaginar un paisaje. Un paisaje con montañas, valles, llanuras, etc.

Ahora imagina que cada solución a tu problema es el pico de una montaña. Así que tendrás tantas montañas como posibles soluciones. Seguramente no todas las soluciones serán igual de buenas, así que, para que se vea más claro, mientras más alta sea la montaña, mejor la solución.

Eso es básicamente lo mismo que veíamos en las gráficas de antes, pero ahora lo vemos como un terreno real, por el que podemos movernos para buscar entre las distintas soluciones.

En resumen, tienes un paisaje en el que cada montaña representa una solución a tu problema y en el que mientras más alta la montaña, mejor es la solución. Y todo lo que haya entre tú y la montaña más alta (la mejor solución), son obstáculos (larga llanura, montañas más bajas, ríos, barrancos, bosques, etc.).

Vamos a hacerlo algo más práctico y lúdico:

Estás jugando a un videojuego y tu objetivo es encontrar un tesoro. Te encuentras en un territorio desconocido y sabes que el tesoro está en la montaña más alta.

Si solo hay una montaña, la solución es fácil, vas hasta la montaña y subes a su pico. Pero si hay muchas montañas, no es tan fácil. ¿Cómo sabes cuál es la montaña más alta? Puede que una montaña cercana tape otras más grandes y lejanas.

Todas las montañas son posibles soluciones (pueden tener el tesoro), pero dependiendo del tipo de paisaje, será más fácil o difícil encontrar el tesoro (el pico más alto). Y necesitaremos diferentes estrategias para encontrar ese pico más alto en función del paisaje al que nos enfrentemos.

Vale, la metáfora parece que funciona para ese problema, pero ¿funcionará para otros problemas menos relacionados con montañas y tesoros?

Pues si y veremos algunos ejemplos a continuación.

Tipos de paisajes y problemas

A continuación explicaré los principales tipos de paisajes que se suelen usar y las características de los problemas que representan. Esto nos puede ayudar tanto a clasificar los problemas que nos encontremos, como para imaginarnos la estrategia que usaríamos para resolverlo.

Ahí está la gracia de la metáfora. No solo sirve para convertir gráficas en mapas de aventura, sino para «visualizar» cómo nos enfrentamos a cada problema.

Esa manera de enfrentarnos al problema está relacionada con cómo recorremos el espacio de soluciones y algo de lo que he hablado varias veces: Exploración vs. Explotación

¿Cuánto tenemos que explorar el territorio y cuándo debemos empezar a explotar la solución que encontramos?

Los tipos de paisajes (y problemas) serían los siguientes:

• Monte Fuji o problema simple.

• Paisaje rugoso o problema difícil/complicado.

• Paisaje danzante o problema complejo.

Monte Fuji (Simple landscape)

Piensa en el Monte Fuji, una gran montaña con una cima clara y visible desde cualquier punto. En este paisaje, el tesoro está en la cima. Solo tienes que ir directamente hacia ella.

No hay confusión ni caminos complicados; es un solo camino hacia la cima. Este paisaje es como un problema sencillo en la vida real. Por ejemplo, sumar números o seguir una receta de cocina.

Sabes exactamente qué hacer y cómo hacerlo para obtener el resultado que quieres.

• Características: Un paisaje del Monte Fuji es sencillo y tiene un pico único que representa la mejor solución o acción posible. No hay múltiples picos o valles complejos.

• Significado: Este paisaje simboliza problemas simples, con soluciones claras y directas.

• Ejemplos:

  • Resolver un rompecabezas con una solución evidente.

  • Seguir una receta de cocina básica.

  • Realizar una tarea rutinaria sin variaciones.

Paisaje rugoso (Rugged lanscape)

Ahora imagina un paisaje lleno de colinas, valles y montañas de diferentes tamaños. El tesoro podría estar en cualquier cima, pero no sabes en cuál.

Aquí tienes que explorar, subir diferentes colinas y ver si el tesoro está allí. A veces, encuentras un tesoro pequeño, pero sabes que puede haber uno más grande en otro lugar.

Este paisaje es como un problema más complicado, donde hay varias formas de resolverlo, pero no siempre es claro cuál es la mejor.

Piensa, por ejemplo, que quieres ir de Madrid a Estambul. Hay muchas formas de ir, pero unas serán mejores que otras. Además, las posibles soluciones cambiarán dependiendo de las decisiones que vayas tomando anteriormente: medio de transporte, por qué ciudades pases, etc.

• Características: Un paisaje rugoso tiene múltiples picos locales y puede ser difícil encontrar el pico global óptimo. Estos picos representan las mejores opciones disponibles localmente.

• Significado: Este paisaje representa problemas más complejos con varias soluciones posibles, donde cada elección que elijas puede influir en el resultado final.
  Un punto clave aquí es que son tus decisiones las que pueden influir en el resultado final.

• Ejemplos:

  • Desarrollar una estrategia de marketing en un mercado competitivo.

  • Tomar decisiones de inversión en un mercado financiero volátil.

  • Diseñar un producto innovador en un campo tecnológico en rápido cambio.

Este tipo de paisajes suele representar bien problemas difíciles, de los que hablé en este artículo. De hecho, el ejemplo que ponía antes de ir de Madrid a Estambul, es un problema muy conocido para representar este tipo de problemas, «el problema del viajante».

Lo importante de este tipo de problemas es que a pesar de poder haber muchas soluciones, el problema es fijo, no cambia. Con suficiente tiempo y esfuerzo podremos solucionarlo.

Además, aquí es donde son más útiles los expertos. Los expertos lo son porque conocen bien el «espacio de soluciones», así que pueden encontrar la más adecuada a las circunstancias del problema actual.

Paisaje danzante (Dancing lanscape)

Finalmente, imagina un paisaje que cambia constantemente. Un minuto estás en una colina, y al siguiente, se transforma en un lago. El tesoro también se mueve.

Este paisaje es impredecible, y debes estar siempre listo para cambiar tu estrategia. Es como un problema que cambia a medida que trabajas en él.

Un ejemplo podría ser jugar un juego de estrategia contra otros jugadores. A medida que ellos cambian sus estrategias, tú también tienes que adaptarte para ganar.

• Características: Los paisajes danzantes tienen picos que cambian con el tiempo debido a la interdependencia y adaptación de los actores dentro del sistema. La elevación (valor de una solución) depende de las acciones de otros.

• Significado: Representan problemas dinámicos donde las soluciones cambian constantemente debido a la interacción y adaptación de múltiples actores.
  A diferencia con el tipo de problema anterior, aquí son las decisiones y acciones de otros los que influirán en cómo cambie el problema, no solo tus decisiones.

• Ejemplos:

  • Gestionar una crisis global, como una pandemia, donde las circunstancias y la información cambian rápidamente.

  • Navegar por la política de una gran organización donde las alianzas y estrategias evolucionan continuamente.

  • Participar en mercados financieros altamente especulativos, donde las acciones de otros inversores afectan significativamente el valor de las inversiones.

  • Criar un hijo, cuyo desarrollo dependerá de su propia biología, su interacción con otros miembros de la familia, otros niños, profesores, eventos que ocurran a su alrededor, etc.

Si has leído algunos de los artículos anteriores sobre problemas complejos, imagino que sabrás que este último tipo de paisajes representa a los problemas complejos. Son problemas dinámicos y cambiantes, que se adaptan independientemente de las decisiones que tomemos.

A diferencia del paisaje anterior (el rugoso), este paisaje cambia constantemente, independientemente de lo que hagamos. Aunque también nuestras acciones, y decisiones, harán que cambie.

No es un problema fijo y no es posible conocer el espacio de soluciones, ya que este irá cambiando. Así que aquí, los expertos pueden ayudar, pero poco.

NOTA algo técnica:
Bueno, no es del todo cierto que sea imposible conocer el espacio de soluciones. En los sistemas complejos, existen ciertos comportamientos en los que el sistema es más estable (atractores).
También existen invariantes (relaciones y características que siempre se dan en el sistema).
Así que se podría decir que hay ciertas áreas del espacio de soluciones que cambian menos. Lo que hace que un experto pueda conocer ciertas soluciones que suelen ser óptimas para determinados estados del sistema.

Por eso, un experto puede ayudar, pero poco.

Por eso, este es el tipo de problemas en donde solemos ver que es más útil tener un equipo diverso de expertos: equipos multidisciplinares.
La razón de esto es que cada experto conocerá mejor una región diferente del espacio de soluciones y entre todos tendrán una mejor idea de cómo explorar y explotar dicho territorio.

Estrategias óptimas para cada tipo de paisaje/problemas

Como comenté en el apartado anterior, esta metáfora nos ayuda a clasificar los problemas para luego aplicar la mejor estrategia para solucionarlo. Y dicha estrategia se besará principalmente en la cantidad de exploración y explotación que haremos dentro del espacio de soluciones disponible.

Veamos las distintas estrategias y algunos ejemplos.

Simple

• Estrategia Óptima: En un paisaje simple como el Monte Fuji, donde hay un pico claramente definido y único, la estrategia óptima es dirigirse directamente hacia el pico global, ya que representa la mejor solución sin ambigüedad.
  En ocasiones el problema tiene una solución evidente y fácil de ver, pero en otros no. En estos casos, una vez alguien resuelva el problema, solo tenemos que seguir los mismos pasos (o instrucciones) y seremos capaces de resolverlo.
  La estrategia en ese caso es encontrar la solución conocida y seguir los pasos.

• Ejemplos:

  • Problema de optimización lineal: En matemáticas, aplicar un algoritmo directo para encontrar la solución óptima.

  • Juego de rompecabezas simple: Resolver el rompecabezas siguiendo pasos lógicos y secuenciales.

  • Receta de cocina básica: Seguir la receta paso a paso sin necesidad de ajustes o variaciones.

  • Ejercicio de matemáticas básicas: Resolver una operación matemática básica como una suma o multiplicación. Aquí, el camino hacia la solución es directo y no hay variaciones o desvíos.

  • Montar un juguete o mueble con Instrucciones exactas: Seguir paso a paso las instrucciones de un manual para armar un juguete o mueble. Cada paso lleva al siguiente de manera lógica y ordenada.

  • Seguir una ruta predeterminada en un GPS: Al conducir o caminar a un destino, el GPS proporciona una ruta directa y clara hacia el destino, similar a subir directamente a la cima del Monte Fuji.

Rugoso (difícil o complicado)

• Estrategia Óptima: En un paisaje rugoso con muchos picos locales, la estrategia óptima implica una combinación de exploración (para identificar diferentes picos locales) y explotación (para profundizar en una solución que parece prometedora). Puede ser difícil identificar el pico global, por lo que se busca la mejor solución local posible.

• Ejemplos:

  • Desarrollo de un nuevo producto: Experimentar con diferentes características del producto y luego centrarse en las más prometedoras.

  • Inversiones en el mercado de valores: Explorar diferentes acciones o fondos y luego concentrar la inversión en los más rentables.

  • Investigación científica: Probar varias hipótesis y luego dedicar recursos a las líneas de investigación más fructíferas.

  • Estrategia de marketing digital: Probar diferentes campañas publicitarias en redes sociales para ver cuál tiene mejor rendimiento y luego invertir más recursos en la más exitosa.

Danzante (complejo)

• Estrategia Óptima: En un paisaje danzante, donde los picos cambian constantemente debido a la interacción y adaptación de múltiples actores, la estrategia óptima involucra una adaptación continua y una reevaluación de las soluciones en respuesta a los cambios del entorno.
  La flexibilidad y la capacidad de respuesta rápida son clave.

• Ejemplos:

  • Gestión de crisis en tiempo real: Adaptar las estrategias constantemente en respuesta a la evolución de la situación.

  • Gestión de redes sociales para una marca: Adaptarse rápidamente a las tendencias virales y a la respuesta del público, ajustando el contenido y la estrategia de publicación para mantener la relevancia y el compromiso de la audiencia.

  • Administración de un restaurante durante una crisis económica: Cambiar el menú, los precios o los servicios (como llevar y entregar) en respuesta a los cambios en la economía y las preferencias de los clientes.

  • Desarrollo de software en un mercado tecnológico rápido: Adaptar el desarrollo del producto a los nuevos avances tecnológicos, las expectativas de los usuarios y la competencia, especialmente en tecnologías emergentes como la inteligencia artificial.

  • Llevar el plan de entrenamiento de una persona: Adaptar la intensidad, volumen y selección de ejercicios al progreso de la persona, sus niveles de estrés, recuperación, motivaciones, tiempo disponible, lesiones, etc.

Resumen y conclusiones

Una posible clasificación de problemas podría ser:

• Simples.

• Difíciles o complicados.

• Complejos.

Esta clasificación se basa en las soluciones disponibles (espacio de soluciones) y si estas cambian cuando tomamos decisiones (problemas difíciles), o si cambian debido a interdependencias y acciones de otros actores (problemas complejos).

La metáfora de los paisajes nos ayuda a representar visualmente es espacio de soluciones y la mejor estrategia para llegar al «tesoro»: la solución óptima.

Me hizo una entrevista en la que conté cómo me inicié en este mundo y traté de dar una visión práctica de lo que son los sistemas y problemas complejos, así como para qué sirve conocerlos.

Espero que mi historia sobre cómo fui desarrollando la curiosidad, e intuición, por este tipo de sistemas, sirva para que reconozcas dudas, experiencias y situaciones que es posible que hayas vivido. Creo que la mejor manera de meterte en este mundo es desde la experiencia personal, la curiosidad y la duda.

Cuando te enfrentas al mundo de esa forma, la teoría luego encaja más fácil.

Cuando tienes preguntas, las respuestas se entienden mejor.

En fin, espero que sirva de repaso de muchas de las cosas que he ido hablando en aquí y que sirva también para ver más aplicaciones prácticas.

Échale un ojo al resumen del episodio del podcast, que ahí también hay enlaces de los libros mencionados y están los enlaces al audio en las distintas plataformas.

https://joseluisserrano.net/podcast/sistemas-complejos/

Espero que te guste y en la próxima entrega volveré al formato de artículo que suelo publicar. Estoy trabajando en dos artículos interesantes, pero aún no tengo claro cuál publicaré primero, así que será sorpresa para todos :-)

Nos vemos pronto.

¡Felices fiestas y espero que empieces el año con ganas de aprender mucho!

• Introducción

• Antes de empezar

  • Aclaraciones

  • Características de los Problemas Complejos

  • Características de las habilidades necesarias para enfrentarnos a los Problemas Complejos

• Desarrollando la habilidad

  • Método tradicional

  • Método alternativo

• Aplicándolo a otros problemas

• Resumen y conclusiones

Introducción

En el artículo sobre la técnica y la habilidad explicaba cómo, para enfrentarnos a problemas complejos, las técnicas se quedan cortas y es necesario desarrollar habilidades.

En este artículo quiero profundizar en este concepto y empezar a hablar sobre cómo podemos desarrollar esas habilidades que nos permitan ser competentes ante problemas complejos. En posteriores artículos ahondaré en cómo los sistemas complejos aprenden y desarrollan habilidades, para entender cómo lo hacemos nosotros mismos y entender mejor la naturaleza cambiante de estos sistemas.

Pero, por ahora, voy a centrarme en qué tipo de habilidades necesitamos desarrollar y cómo podemos hacerlo.

Eso sí, antes de empezar con el cómo, quiero aclarar algunos conceptos e ideas, para que el resto tenga más sentido.

Antes de empezar

Para entender mejor lo siguiente que voy a explicar, creo que es conveniente tener un ejemplo claro y cercano que nos ayude a analizar lo que te voy a ir contando.

Piensa en organizar un evento, por ejemplo, un congreso.

Ejemplo: Organizar un congreso.

Es un problema complejo (si has organizado uno, no tendrás dudas al respecto), ya que cumple las características que comentaba en el artículo de los Problemas Complejos. Tienes que gestionar recursos, ponentes, invitados, asistentes, patrocinadores, proveedores, comunicación, transporte, alojamiento, publicidad y un largo etcétera. Teniendo en cuenta que cualquier cambio en cualquiera de los elementos implicados (incluido las fechas y localización del evento, así como sesiones, horarios, otros eventos similares, etc.) podrían afectar al resto.

Pero, aunque tengas la tentación de crear una receta a partir de tu experiencia, si sigues organizando eventos, te darás cuenta de que esas recetas pueden ayudar un poco, pero no «resuelven» el problema. Lo único que realmente ayuda es el tener más experiencia e ir desarrollando tu habilidad de organizar eventos.

Te pongo otros posibles ejemplos de problemas complejos cotidianos para que veas de qué estamos hablando. Todo lo que viene a continuación aplica a cualquiera de ellos:

• Enseñar matemáticas en una clase de secundaria. El alumnado es diverso: en género, nivel de conocimientos, aptitudes, actitudes, entorno familiar, etc.

• Gestionar un proyecto de software con un equipo distribuido en diferentes zonas horarias.

• Diseñar un programa de entrenamiento para una persona con un trabajo estresante, una antigua lesión de rodilla, hijos y algo de sobrepeso.

• Llevar un restaurante.

• Gestionar las finanzas personales.

Aclaraciones

Los Problemas Complejos no se pueden resolver completamente

Si un problema es realmente complejo, no tiene una solución. Tiene muchas posibles soluciones para el momento presente, pero ninguna es «la solución», y el problema evoluciona, con lo que nunca termina.

Incluso en nuestro ejemplo de organizar un evento, podemos acabar el congreso con cierto éxito, sin embargo, eso no significa que puedas reproducir lo que hiciste y tener el mismo éxito de nuevo. Y si te pones a analizar que cosas se pueden mejorar, estoy seguro de que estarías dándole vueltas y mejorando cosas hasta el día en que te mueras.

Piensa en cuantas aplicaciones de software conoces que no tengan actualizaciones y cambios continuos de versión. Si no lo tienes claro, te lo digo yo: 0.

Esto es así porque una aplicación es una solución estática a un problema (generalmente) del mundo real. Es decir, dinámico y cambiante.

Siempre hace falta «arreglar» cosas y añadir nuevas características, para que la solución sea aceptable. Y esos nuevos cambios, generarán nuevos errores y nuevas ideas de características o necesidades. Por lo que nunca hay una versión definitiva.

Pero se pueden «manejar» para que se alineen con nuestros objetivos

Aunque no podamos «resolver» el problema de organizar el congreso, podemos determinar ciertas condiciones que pueden reducir los riesgos y saber de qué elementos o parámetros debemos estar pendientes para poder reaccionar de forma rápida y efectiva.

Como veremos más adelante, saber dónde mirar y reconocer patrones es parte de esa habilidad que nos permitirá reaccionar mejor ante los cambios e imprevistos.

Problema, no como algo malo, sino como algo que se debe resolver

A veces asociamos «problema» con algo malo. En este caso no es así. Cuando hablo aquí de «problemas» hablo de situaciones inciertas que necesitamos resolver.

Cuando desarrollamos una habilidad, el problema parece más sencillo, pero no deja de ser complejo.

Aunque lo he explicado alguna vez en artículos anteriores, la dificultad de un problema (o sistema) no tiene nada que ver con su complejidad. La complejidad surge de la interconexión de elementos diferentes, que son interdependientes, y cuyo comportamiento colectivo no se explica por las acciones individuales de dichos elementos.

Por eso, hay actividades cotidianas que nos parecerán sencillas y que jamás pensaríamos en ellas como complejas. Por ejemplo, caminar, respirar, conducir, hablar nuestro idioma materno, etc.

La complejidad de esas tareas es enorme, pero nos resultan sencillas porque hemos desarrollado la habilidad necesaria para enfrentarnos de forma efectiva (¡Nivel experto!) a ellas.

Eso es una prueba más de que lo que necesitamos para enfrentarnos a problemas complejos es desarrollar habilidades ;-)

Características de los Problemas Complejos

Aquí te dejo un recordatorio de algunas de las características que hacen complejo a un problema. Esto nos servirá para entender por qué tienen o no sentido ciertas estrategias.

• Dinámicos (cambiantes).

• Impredecibles.

  • No lineal.

  • No determinista.

  • Abierto (normalmente no hay un fin o solución concreta).

• Depende del camino (decisiones y hechos anteriores) y de las condiciones iniciales.

• Se adapta al contexto.

• Puede mostrar:

  • Patrones de comportamiento típicos (atractores).

  • Invariantes.

Dinámicos e impredecibles

Estos problemas son cambiantes, lo que los hace impredecibles. Una «solución» que sirve para el momento actual, puede no servir para el momento en el que vamos a aplicarla. Y este proceso es continuo, no se para. Algo que explicaba más en profundidad en el artículo del pensamiento lineal.

Hay problemas, como el del ejemplo de antes, en el que tenemos una fecha final. Podríamos decir que acaban, que son cerrados, lo solucionemos o no. Aunque también podríamos verlo como un problema abierto y continuo que acaba cuando acaba el sistema en el que se produce, no cuando lo resolvemos.

En el caso del congreso, cuando llega la fecha de finalización, en el caso de tu salud, cuando te mueres. En el caso de un mercado financiero, mientras este exista. Y así en todos.

Depende del camino y las condiciones iniciales

Trata de organizar exactamente el mismo congreso al año siguiente, en otra época del año, otra localización, o con cualquier otro cambio en las condiciones iniciales, y verás qué risa.

El hecho de que sea la 1.ª o la 5.ª edición del congreso va a cambiar mucho quién va, los patrocinadores que consigas, a qué ponentes atraigas, etc. Y no es lo mismo organizarlo en una ciudad con aeropuerto que en una mal comunicada, en medio de las vacaciones de verano que en otoño o primavera.

Y las decisiones que tomes cuando defines el evento determinará tu público, el ambiente y futuras decisiones que tengas que tomar. Esto es lo que se denomina la «dependencia del camino», en la que para una misma situación, las decisiones anteriores determinarán las posibilidades siguientes. Algo que es irreversible, no se puede volver atrás y cambiar ese camino.

Depende del contexto

Como comentaba antes, no es lo mismo organizar el congreso en invierno que en verano, en una ciudad de playa y con aeropuerto que en un pueblo del interior con mala comunicación. El mismo problema es diferente dependiendo del contexto en el que se desarrolle.

Pero el contexto tiene también que ver con los agentes que interactúan y los cambios que se desarrollen durante el evento. Por ejemplo, no es lo mismo un congreso organizado por una comunidad de voluntarios que uno enfocado a empresas. Las dinámicas serán diferentes.

Y durante el congreso habrá interacciones que irán definiendo la dinámica y tónica del evento. Si hay conflictos, problemas con la comida o los servicios básicos, asistentes que no cumplen las normas de conducta, etc., eso cambiará las dinámicas del evento, lo que convertirá el problema en otro muy diferente.

Podemos detectar patrones de comportamiento

Lo que hace impredecible a los sistemas complejos es lo que ocurre dentro de ellos, pero muchas veces no podemos «ver» sus entrañas. Y aunque fuéramos capaces, no es posible deducir muchos de los comportamientos no lineales y emergentes a partir de ellos.

Pero todo sistema manifiesta comportamientos. Es lo que vemos que hace el sistema.

Cuando trabajamos suficiente en un tipo de problemas, o con un tipo de sistema complejo, empezamos a ver esos patrones de comportamiento, y esto es algo muy útil.

Por otro lado, los problemas complejos son dinámicos e impredecibles, pero eso no quita que suelan tender a comportarse de determinadas maneras. Estos comportamientos hacia los que tienden los sistemas complejos es lo que llamamos «atractores», de lo que ya he hablado en artículos anteriores.

Los patrones de comportamiento de los asistentes (apuntarse el último día, o el primero si hay pocas plazas; horas a las que suele asistir más gente a las ponencias, etc.) es algo que podemos tener en cuenta para nuestra toma de decisiones. No es garantía de que se dé, pero mientras más experiencia tenemos en el problema, mejor habilidad tendremos para detectar patrones útiles.

Invariantes

Mencioné esto de pasada en el artículo anterior, el resumen de la masterclass sobre aprendizaje y complejidad. Aunque no lo llegué a explicar.

Las invariantes son características de un sistema (o problema) que siempre se dan. Suelen ser leyes o relaciones que no cambian. Por ejemplo, la aceleración de un objeto que cae en la Tierra, independientemente de su masa, será la misma: 9,8 m/s. Por mucho que el cambio del estado del agua (líquido, sólido y gaseoso) sea una propiedad no lineal, e independientemente de la cantidad de agua, cuando llegue a los 0 °C se congelará y a los 100 °C hervirá.

También existen invariantes más generales, como que si estás en la Tierra te afecta la gravedad, pero en una nave espacial no. O que si un objeto es menos denso que el agua, flotará.

Este tipo de propiedades invariables (invariantes) son útiles porque pueden llegar a observarse, o deducirse, y te dan parámetros predecibles dentro de un sistema impredecible.

Aunque es más fácil ver este tipo de invariantes en la física, también podemos verlas en otros contextos. Por ejemplo, para la organización del congreso podríamos ver las siguientes invariantes:

• Programa: Debe haber un programa y el número de ponentes debe ser suficiente para cubrir el número de sesiones.

• Roles: Será necesario definir varios roles para desempeñar diferentes tareas: organización, ponentes, asistentes, ayudantes, etc.

• Presupuesto: Debe existir un presupuesto y debe cubrir gastos como alojamiento, lugar del evento, material fungible, publicidad, transporte, etc.

• Financiación: Habrá gastos y será necesario cubrirlos de alguna manera: patrocinios, dinero propio, donaciones, entradas, etc.

• Imprevistos: Habrá imprevistos (cambios, cancelaciones, accidentes, etc.) y habrá que hacer ajustes durante el evento mismo.

Características de las habilidades necesarias para enfrentarnos a los Problemas Complejos

A estas alturas, creo que está claro que debemos desarrollar habilidades si queremos ser competentes enfrentándonos a problemas complejos. Ahora queda ver qué características tendrían dichas habilidades.

Aquí te presento algunas:

• Flexible.

• Adaptable.

  • Aprende.

  • Evoluciona (cambia con el tiempo).

• Equilibrio entre:

  • Exploración.

  • Explotación.

• Sensible al entorno y los cambios.

Flexible y adaptable

Ya que el problema al que nos enfrentaremos es dinámico y cambiante, nuestra habilidad también deberá serlo. Debe ser flexible, para que podamos ser funcionales en diferentes contextos y situaciones.

Además, deberá aprender y adaptarse. De ahí que hable de «desarrollar» y no de «adquirir» habilidades, como se solía hacer.

Adquirir se refiere a algo estático, que una vez tienes puedes aplicar en cualquier contexto. Pero ya sabemos que esto no es posible y que necesitamos algo que evolucione y se adapte. Por eso hablamos de desarrollar, que indica esa capacidad cambiante y evolutiva.

Si tenemos una habilidad que no ha cambiado con el tiempo, no será una buena habilidad. Ni muy útil.

Además, las habilidades dependen del contexto. Si «adquirimos» una habilidad en un contexto, será ahí dónde mejor funcionará, pero si el contexto cambia… bueno, ya no funcionará tan bien.

Por eso no queremos «adquirirla», sino dejar que se vaya desarrollando a medida que nos enfrentamos a nuevos contextos.

Equilibrio entre exploración y explotación

Algo clave para enfrentarse a problemas complejos, así como para que una habilidad evolucione, es mantener un continuo equilibrio entre estas dos estrategias:

• Exploración.

• Explotación.

Esto es algo de lo que he hablado en varios artículos, pero se refiere a que, frente a un problema, podemos hacer dos cosas:

• Explorar las posibles soluciones.

• Usar las soluciones conocidas y que sabemos que funcionan.

Si solo exploramos, nunca aprovecharemos las buenas soluciones que encontremos y seremos poco eficientes. Pero si solo usamos las soluciones conocidas, nunca encontraremos soluciones mejores, más creativas o que se adapten mejor al contexto actual.

Lo ideal es alternar con frecuencia entre ambas estrategias, aunque dependiendo del momento puede ser mejor usar una que otra. Por ejemplo, cuando estemos aprendiendo nos interesa explorar mucho, mientras que cuando necesitemos ser productivos, es mejor explotar soluciones que sabemos que pueden funcionar.

Un caso práctico sería el contratar el catering para las comidas de los asistentes. Al principio tendrás que explorar mucho para encontrar el mejor o que más se ajuste a las necesidades de los asistentes. Pero una vez tengas una selección, podrás ir directamente a los que mejor te encajen la siguiente vez. Aunque, de vez en cuando, tendrás que explorar el mercado de nuevo, por si hay alguno mejor o por si las necesidades de tus asistentes cambian.

Sensible al entorno y a los cambios

Por último, nuestra habilidad debe ser sensible al entorno y los cambios. Y esta es quizás la característica más importante, ya que si no somos capaces de percibir de forma eficaz nuestro entorno y los cambios en el mismo, no podremos adaptarnos al contexto, o saber qué cambiar para ser más flexibles. Ni tendremos nada que aprender.

Como comentaba en el artículo del juego, la conjunción de la percepción y la acción es lo que determina la interacción entre los agentes en los sistemas complejos. Si queremos ser agentes efectivos, debemos calibrar bien nuestra percepción y las respuestas a esta.

Y no olvidemos que si estamos tratando de «resolver» un problema complejo, o bien somos parte del sistema, o lo seremos cuando interactuemos con él para aplicar nuestra solución. Así que, como cualquier agente del mismo, deberemos calibrar nuestras interacciones (percepción, más acción).

Desarrollando la habilidad

Sin meterme en muchos detalles, creo que es importante que tengamos en cuenta que en los sistemas complejos, el aprendizaje es funcional. Es decir, aprende aquello que le servirá para algo en el futuro. Mientras más claro esté que sirve (porque es una situación que se da con mucha frecuencia o porque es vital para la supervivencia del sistema), más profundo y duradero será ese aprendizaje.

Y ese aprendizaje partirá de una autoorganización del sistema en torno a una situación. Si el sistema se puede beneficiar de crear adaptaciones para reproducir alguna parte de esa autoorganización en el futuro, para enfrentarse a situaciones similares, así lo hará.

Eso generará cambios estructurales en el sistema y adaptaciones que le permitirán responder mejor en el futuro, incluso ante situaciones nuevas.

Si la situación o problema es nueva para el sistema, usará la exploración y explotación para ir buscando y mejorando las soluciones que sirvan. Pero las primeras veces cometerá muchos errores. Esos errores se usarán para afinar la exploración de soluciones.

Sin información sobre si se hace bien o mal, la exploración no tiene ningún sentido.

De aquí podemos sacar varias ideas:

• El aprendizaje tiene como objetivo enfrentarse mejor a una situación que puede darse en el futuro.

• El aprendizaje viene de la autoorganización del sistema ante la tarea e información del entorno.

  • No se puede dirigir desde fuera.

  • No es predecible ni lineal.

• Para que exista autoorganización el sistema debe exponerse a la situación. De lo contrario, no tendrá el estímulo que lleve a esa autoorganización.

• Siempre se parte de soluciones con errores que se van refinando.

• El error no solo es esperado, sino una parte fundamental del proceso de exploración.

Teniendo en mente estas ideas y el hecho de que nosotros somos un sistema complejo, veamos dos formas de afrontar este desarrollo de habilidades.

Método tradicional

Aunque existen muchas formas de enseñar y aprender, aquí recojo algunas de las ideas más típicas en la forma en que se suele proponerse la «adquisición» de habilidades:

• Aprender conocimientos teóricos sobre el problema y el sistema en el que ocurre.

• Aprender las técnicas o soluciones más efectivas para ese tipo de problemas.

  • Repetir esas soluciones hasta que se aprendan.

  • Evitar errores.

  • Memorizar los pasos.

  • Descomponer las soluciones grandes, o complejas, en partes y practicar cada una por separado.

El problema:

• El enfoque presupone que existen técnicas y soluciones a problemas complejos.

  • Se presupone que existe un procedimiento con pasos, que es independiente del contexto.

• Te limitarán (y condicionarán) las soluciones que conozcas.

• No aprender a solucionar problemas, sino a aplicar (y ajustar) soluciones.

• Te centras más en la solución que aplicas, que en la información que te proporciona el problema y el contexto.

• La información de los errores es fundamental para aprender, pero aquí se busca evitar, o minimizar, los errores.

Método alternativo:

Existen alternativas basadas en un pensamiento más sistémico, teniendo en cuenta todo lo que hemos ido viendo en el artículo.

• Exponerse al problema para entender qué se quiere resolver.

• Repetir resolver el problema, no la solución.

• Los errores son esperados. Normales y necesarios para el aprendizaje.

• Escalar el problema en lugar de descomponerlo.

  • Representativo del problema original.

  • Que tenga múltiples fuentes de información en el entorno.

  • Que requiera toma de decisiones.

• Variabilidad en la práctica:

  • Mismo problema con variables diferentes.

    • Mismo congreso cambiando localización, número de asistentes, de ponentes, duración, etc.

  • Problemas similares, pero diferentes.

    • Congresos diferentes. Diferentes temáticas, públicos, etc.

• No es necesario memorizar pasos o información.

• Pero conocer sobre el sistema puede ayudar a saber dónde mirar y darle más contexto al problema.

• Experimentar el problema desde diferentes perspectivas: organización, asistente, ponente, voluntariado, etc.

Repetir el problema puede ser difícil en muchos casos. Lo que podemos hacer en esos casos es usar versiones reducidas del problema, juegos o simulaciones.

Esto nos permitirá exponernos de forma segura al problema y ganar mucha experiencia. La experiencia no será 100% real y no habrá una transferencia total de la habilidad, pero mientras más representativo sea el juego o la simulación, mayor transferencia.

También es más fácil conseguir tener más experiencia en ciertas áreas del problema que difícilmente seremos capaces de experimentar en el problema real. Por ejemplo, aunque organicemos muchos eventos, es muy probable que pocas veces tengamos que resolver una emergencia médica tras un accidente, o que no experimentemos mucho el control de asistentes.

Diseñando juegos, o simulaciones, podemos hacer énfasis en las áreas en las que menos experiencia tenemos y añadir eventos aleatorios que nunca nos hemos encontrado antes.

Aquí te dejo algunas formas de simplificar el problema para crear estos problemas en los que practicar:

• Agrupar elementos: Por ejemplo, que una persona represente a un equipo o que un equipo se encargue de varias funciones.

• Eliminar elementos: Sin llegar a reducir demasiado la complejidad y representatividad, eliminar algún elemento que no sea relevante para la parte del problema que se quiere explorar.

• Fijar variables: Similar al caso anterior, pero en lugar de eliminar el elemento, se dejaría fijo. En nuestro ejemplo podría ser el presupuesto, número de ponentes, asistentes, etc.

• Trabajar en subproblemas: Si una parte del problema es un problema complejo en sí mismo y no tenemos las habilidades necesarias para enfrentarnos a él, podemos trabajar en él como haríamos con el proyecto principal. Pero siempre teniendo en cuenta lo que comentaba de la representatividad: debe haber múltiples fuentes de información, toma de decisiones y dependencia del contexto.

Resumen y conclusiones

Como vimos en el artículo anterior, para resolver problemas complejos no nos sirven recetas, técnicas o «buenas prácticas». No existen soluciones únicas y reproducibles.

De hecho, los problemas realmente complejos, no se pueden resolver completamente.

Para manejar efectivamente estos problemas, necesitamos desarrollar habilidades que se adapten al contexto y que evolucionen constantemente.

De esto podemos deducir que una característica fundamental de esta habilidad deberá ser la capacidad de percibir y entender ese contexto, así como aprender la mejor manera de responder a ello.

A medida que mejoremos nuestra habilidad, nuestra percepción también cambiará. Esa es la razón por la que un problema parece sencillo a un experto, mientras que a un novato le parecerá indescifrable.

Calibrar nuestra percepción implica enfrentar el problema repetidamente en diversos contextos. Aunque hay formas de acelerar este proceso, nada sustituye tratar de percibir y entender el problema en su contexto.

Existen problemas muy grandes, complejos o difíciles de replicar. O que no podemos tratar de resolverlos una y otra vez en la vida real. En esos casos, es útil crear versiones reducidas, juegos o simulaciones. Esto nos permite practicar aspectos específicos del problema de manera más frecuente.

Pero es importante que estas versiones reducidas del problema, sean representativas. Es decir, que se mantenga la conexión con el problema original, que requieran percepción del entorno y toma de decisiones.

Si el juego, o simulación, es tan simple, que es determinista, entonces hemos simplificado demasiado. Debe haber incertidumbre, complejidad y múltiples posibles decisiones correctas para que sea útil.

En este artículo me he centrado en profundizar en por qué debemos desarrollar habilidades para enfrentarnos a problemas complejos, qué tipo de habilidades y algunas pistas de cómo hacerlo de forma más eficiente.

Pero aquí no me he metido demasiado en el cómo, desde el punto de vista de cómo aprendemos o de cómo aprenden los sistemas complejos. Eso es lo que quiero hacer en los siguientes artículos.

Me gustaría analizar un poco cómo los sistemas complejos aprenden, para luego ver cómo nosotros (como sistemas complejos que somos) aprendemos.

Por ahora, espero que hayas podido sacar algo útil del artículo y que hagas un esfuerzo en tratar de adaptar el ejemplo que he puesto del congreso a algún problema (o mejor aún, a varios problemas) que te sea conocido, para ver cómo encajaría todo lo que he contado.

¡Hasta el próximo artículo!

Hace un par de semanas, tras unas interesantes conversaciones, Fernando Alonso (autor de «Nacidos para aprender» y responsable del proyecto «Píldoras del Conocimiento») me invitó a dar una masterclass sobre aprendizaje y complejidad en su curso sobre complejidad: El METAJUEGO. Máster en Complejidad Estratégica

Evidentemente, no pude resistirme y me puse a preparar la clase, que impartí el lunes pasado. Me tomo estas cosas muy en serio, así que le dediqué bastante tiempo a prepararla, por lo que el artículo tuvo que esperar.

Pero, aunque la clase fuera solo para quien estuviera inscrito, el material encaja perfectamente con los artículos que he ido escribiendo. De hecho, pueden ayudarte a conectar muchas ideas y ver una forma práctica de seguir aprendiendo o aplicar estos conceptos a tu vida personal o profesional.

Advertencia: No es un artículo al uso, así que si es tu primera vez por aquí no te asustes.

En cualquier caso, he adaptado la presentación a un formato que puedas seguir. No es lo mismo que con las explicaciones y preguntas en directo, pero creo que es igualmente útil.

He añadido algunas notas para que se entiendan mejor las ideas presentadas. También he añadido una «ficha» al final, que recomiendo usar como herramienta de trabajo.

Es una versión mejorada de un cuestionario que pasé a los alumnos del curso antes de la clase. Creo que puede ser una herramienta muy útil para aplicar lo que explico en la clase.

Índice

• ¿De qué hablaremos?

• ¿Por qué aprender sobre un sistema?

• ¿Cómo aprenden los Sistemas Complejos?

  • ¿Por qué es útil conocer esto?

  • Mecanismos (principales)

  • Características del aprendizaje en sistemas complejos

• ¿Cómo aprender sobre los Sistemas Complejos?

  • Conocer la teoría y aplicarla

  • Características a tener en cuenta

• ¿Cómo aprender sobre un Sistema Complejo?

  • Dos formas de aprender sobre un sistema complejo

  • Saber dónde mirar

  • ¿Qué podemos ver?

  • Desarrollar la intuición

  • Subsistemas o agentes fuertes

• Ejemplos de características a observar

  • Atractores I

  • Atractores II

  • Interconexión

  • Interdependencias

• Ejemplos de sistema según características

  • Sistemas frágiles (aunque estables)

  • Sistemas volátiles (aunque innovadores)

• Resumen

• Herramienta: Ficha del sistema

¿De qué hablaremos?

• Cómo aprenden los Sistemas Complejos.

• Cómo aprender sobre los Sistemas Complejos.

• Cómo aprender sobre un Sistema Complejo en particular.

¿Por qué aprender sobre un sistema?

Dependiendo de nuestra situación, o punto de vista, respecto al sistema:

Somos parte del sistema:

• Para prosperar en el sistema.

Estamos fuera del sistema:

• Hacer mejores predicciones.

• Influir mejor en el sistema.

Cómo aprenden los Sistemas Complejos

¿Por qué es útil conocer esto?

• Que un sistema aprenda lo hace más dinámico y difícil de predecir.

• Conocer y monitorizar los mecanismos de aprendizaje nos ayuda a predecir mejor.

Mecanismos (principales)

• Atractores

• Stock (reservas)

• Interconexiones

• Interdependencias

• Meta reglas (de los agentes o del sistema)

NOTAS:

• Podremos observar o deducir algunos, pero es difícil conocerlos todos.

• Aquí explico qué es eso de las meta-reglas y los agentes.

Características del aprendizaje en sistemas complejos

• Generan cambios (adaptación).

• Para enfrentarse mejor a situaciones similares en el futuro.

• Para responder mejor ante nuevas situaciones.

• Funcional.

• Autoorganizado (bottom-up).

• Irreversible.

NOTAS:

• Funcional se refiere a que el sistema no aprende por aprender, sino porque le va a servir en el futuro.

• Irreversible se refiere a que el sistema no puede deshacer los cambios realizados para aprender, o desaprender. Lo único que puede hacer es aprender cosas nuevas que modifiquen ese aprendizaje previo o no usar dicho aprendizaje, debilitándose con el tiempo.

Cómo aprender sobre los Sistemas Complejos

Conocer y aplicar la teoría

Poca sorpresa aquí. Si no conoces las teorías y terminologías básicas, te costará entender muchas cosas.

Aunque igual de importante es exponerte a sistemas y practicar el analizarlos. Conocer solo la teoría no suele ser suficiente. Si no la conectas con la práctica, es muy difícil entender realmente esos conceptos teóricos.

• Conocer la teoría.

• Analizar en profundidad a un sistema.

• Analizar una misma característica en muchos:

  • Tipos de sistemas.

  • Sistemas diferentes, pero del mismo tipo.

Características a tener en cuenta

• Los sistemas complejos son dinámicos y cambiantes, es decir:

  • Altamente impredecibles (sobre todo a largo plazo).

  • Requieren reevaluación continua.

• Son sistemas que se autoorganizan (bottom-up):

  • No puedes forzar al sistema.

  • No existe un elemento central y que dirija.

• Aprende y adapta en función de la experiencia y el entorno.

• En sistemas más complejos, también se aprende basándose en predicciones (y correcciones de las mismas).

Cómo aprender sobre un Sistema Complejo

Dos formas de aprender sobre un sistema complejo

• Analizar el sistema.

  • Proceso analítico y conocimiento explícito.

• Desarrollar intuición*.

  • Habilidad y conocimiento implícito.

* «Ojo clínico». Existe bastante evidencia científica en muchas profesiones para saber que la intuición juega un papel importante en la toma de decisiones de los expertos.

NOTAS:

• Uno puede existir sin el otro.

• La intuición está relacionada con la maestría.

• Pueden ser complementarios.

• Cuidado, ya que ambos pueden dar una falsa sensación de control.

  • Recuerda que un sistema complejo no se puede controlar.

  • Tampoco hacer predicciones 100% certeras.

Saber dónde mirar

• Los expertos miran diferente.

  • Donde obtienen la información más útil.

• Los expertos ven diferente.

  • Ven patrones en vez de información inconexa.

NOTAS:

• Independientemente de qué vía usemos, la clave para aprender sobre un sistema está en saber dónde mirar.

• Si analizamos, debemos saber qué buscar y en qué fijarnos.

• Si desarrollamos la intuición, nos fijaremos en las partes del sistema que nos de información más útil.

• Veremos patrones que los novatos no pueden ver.

Qué podemos ver

• Comportamientos (atractores, comportamientos emergentes)

• Estructuras (redes, interconexiones)

• Invariantes (leyes y relaciones que no cambian)

• ¡Ojo con la escala temporal!

NOTAS:

• Con escala temporal me refiero a si miramos los datos en el corto o largo plazo. Lo que puede parecer una anomalía si miramos lo que ocurre en un día, puede ser un fenómeno totalmente normal si miramos la semana o el mes.

• Es importante no centrarnos en una escala temporal, sino analizar todas las escalas posibles, para evitar caer en esas trampas.

Desarrollar la intuición

(Conocimiento implícito)

• Examinar el sistema en muchas situaciones.

• Analizarlo desde distintas perspectivas.

• Analizar sistemas similares.

NOTAS:

• Ayuda analizarlos en situaciones extremas. Inferimos mejor del contraste.

• Un ejemplo de esto es analizar un parámetro de salud en deportistas de alto nivel y en población enferma o muy mayor. Esto nos ayuda a delimitar el espectro, detectar valores extremos, así como los elementos o patrones que no cambian.

Subsistemas o agentes fuertes

• Multinivel: muchos agentes son sistemas en sí mismos

• Agente fuerte (o inteligente): uno que aprende y evoluciona

• Analizar estos sistemas puede ayudar a juntar piezas

NOTAS:

• No explicará las propiedades emergentes, pero sí las reglas por las que se rigen los agentes.

• Aquí explico qué son los agentes fuertes y sus características.

Ejemplos de características a observar

NOTA: Una característica o elemento del sistema puede ser más de una cosa a la vez. Por ejemplo, un atractor puede ser también un comportamiento emergente.

Atractores (I)

Ser zurdo como ejemplo de atractor:

• Atractor: cuando necesito usar una mano, tiendo a usar la izquierda.

• Observamos el comportamiento: usar siempre la mano izquierda. Así que podemos intuir el atractor «zurdo».

• Si conocemos más sistemas con ese atractor, podemos «predecir»:

  • Cómo actuará en situaciones conocidas (coger un objeto).

  • En otros posibles comportamientos (las personas zurdas son estadísticamente más creativas).

Atractores (II)

Cultura como ejemplo de atractor:

• Atractor: la forma (común) en la que tienden a actuar las personas de un país, ciudad, empresa, etc.

• Observamos el comportamiento: ¿conducen por la derecha o la izquierda?, ¿se saludan dando la mano o dando besos?, ¿son muy directas hablando?, ¿hablan alto?

• Si conocemos más sistemas con ese atractor, podemos «predecir»:

  • Cómo actuará en situaciones conocidas (conducir, saludar, etc.).

  • En otros posibles comportamientos (conflictos, preferencias, etc.).

Interconexión

• Interacciones entre agentes ahora vs. hace 2 siglos.

• Transmisión de rumores en un pueblo vs. una gran ciudad.

• «Teléfono roto» entre 2 vs. 10 personas. (señal vs. ruido)

• Ser emprendedor en San Francisco vs. Palencia.

NOTAS:

• La distancia, la velocidad de transmisión de la información o el transporte pueden afectar mucho a cómo interaccionan unos agentes con otros.

• Que la comunicación sea directa o vía otros agentes también cambia la interacción y forma de actuar.

Interdependencias

Ejemplo de interdependencias y dinámicas emergentes a partir de reglas sencillas de agentes diversos en un ecosistema muy simplificado.

Tipos de agentes:

• Hierba

• Cabras

• Ovejas

Lobos Reglas:

• Comer

• Si sobra comida, reproducirse

Relaciones:

• Cabra y oveja comen hierba

• Lobo come cabras y ovejas

NOTAS:

• Esas interdependencias pueden generar ciclos (atractores cíclicos)

• Un ejemplo de atractor cíclico puede ser las estaciones del año, pero también las crisis económicas, ciclos de plagas o rotaciones de especies en ecosistemas, etc.

Ejemplos de sistema según características

Es importante tener en cuenta que muestro solo dos tipos de sistemas complejos, cada uno en un extremo, pero existe un amplio espectro entre ambos. Así como también hay más tipos de sistemas.

Para entender mejor por qué esas características suelen indicar esos tipos de sistemas, te recomiendo repasar las explicaciones que di al respecto en estos artículos:

• Atractores

• Diversidad

• Interdependencias, feedbacks, umbrales y grandes eventos

• Optimización

Sistemas frágiles (aunque estables)

Características típicas de sistemas muy estables, pero frágiles:

• Pocos atractores y muy profundos.

• Poca diversidad.

• Feedbacks negativos (compensadores).

Sistemas volátiles (aunque innovadores)

Características de sistemas muy sensibles a pequeñas perturbaciones, que pueden generar grandes eventos:

• Muchos atractores (y ninguno demasiado profundo)

• Mucha diversidad (de umbrales)

• Feedbacks positivos (reforzadores)

• Muy interconectados

• Muy interdependientes

• Muy optimizados

  • Sin amortiguación (buffers)

  • Sin retrasos (delays)

  • Sin reservas (stock)

NOTAS:

• En este tipo de eventos se pueden dar grandes eventos (positivos o negativos) a partir de pequeñas perturbaciones.

• Por ejemplo, guerras mundiales, crisis económicas mundiales, revueltas, escaladas de violencia, pero también modas, fenómenos virales, etc.

Resumen

• Los Sistemas Complejos son dinámicos e impredecibles. En parte, porque aprenden y evolucionan.

• Saber dónde mirar es clave para entender y predecir en sistemas complejos.

• Observar las características que usan para aprender es un buen punto de partida.

• Exponerse a diferentes tipos de sistemas ayuda a entender mejor cómo funcionan.

• Exponerse mucho a un tipo de sistemas ayuda a desarrollar intuición.

Herramienta: Ficha del sistema

1. Nombra un sistema complejo específico y que te sea familiar.
   Elige un sistema que consideres que es complejo y que conozcas lo suficiente como para tratar de responder algunas de las siguientes preguntas.
   Es importante lo de «específico». Algunos ejemplos:

   • En vez de «un ecosistema», debería ser algo como «un arrecife de coral en la región X con las especies típicas de esa región».

   • En vez de «un mercado», debería ser algo como «el mercado inmobiliario de oficinas en Madrid».

   • En vez de «la salud», debería ser algo como «mi salud» o «la salud de mi madre».

2. ¿Cómo de complejo es el sistema? Marca cuáles de estas características cumple:

   • Sus componentes están interconectados.

   • Sus componentes son interdependientes.

   • Muestra propiedades que no se dan en sus elementos principales por separado.

   • Muestra comportamientos no lineales.

   • Se adapta a los cambios internos o externos.

   • Aprende.

   • Sus componentes son sistemas complejos en sí mismos.

   • Los componentes del sistema son variados (diferentes tipos de componentes).

   • Es sensible a las condiciones iniciales (el mismo sistema empezando en situaciones diferentes da diferentes resultados).

3. ¿Cuál es el objetivo del sistema?

4. ¿Qué partes del sistema se pueden observar?

   • ¿Cuáles son variables (cambian)?

   • ¿Cuáles son invariables (no cambian o son leyes/reglas/proporciones que siempre se cumplen)?

5. ¿Qué actores, o agentes, tiene?

6. ¿Qué atractores tiene? Piensa en estados o comportamientos del sistema que suelen darse si nada cambia.

7. ¿Tiene algún mecanismo de feedback? Si es así, enuméralos indicando de qué tipo son.

8. ¿Tiene algún tipo de externalidad? Si es así, enuméralas indicando de qué tipo son.

9. ¿Puedes identificar algún tipo de interdependencia? Descríbelas.

10. ¿Puedes identificar alguna causalidad circular en el sistema?

11. ¿Tiene algún tipo de reserva o stock?

12. ¿Tiene algún «cuello de botella»?

13. ¿Tiene algún tipo de amortiguación (búfer) o está muy optimizado? Si tiene amortiguación, di cuál.

14. ¿Existe algún tipo de «presión selectiva» en el sistema? ¿De qué tipo? ¿Qué incentivo genera dicha presión?

• Introducción

• Las técnicas se quedan cortas cuando el problema es complejo

• Cuándo usar una técnica o una habilidad

• Resumen y conclusiones

Introducción

Cuando hablamos de técnica solemos referirnos a una «buena» técnica o «la técnica correcta».

También podemos decir «ser técnicos» o hacer algo de forma «técnica», para referirnos a que lo hacemos de manera correcta y eficiente. Pero una técnica es solo un conjunto de métodos, pasos o procedimientos, para hacer algo. Esta puede ser más o menos eficiente.

Voy a definir tanto la técnica como la habilidad, para partir de un lenguaje común:

Una técnica es una solución a un problema. Puede haber más de una solución al mismo problema, por lo que puede haber diferentes técnicas para hacer lo mismo.

Por otro lado:

Una habilidad sería la capacidad de resolver un tipo de problemas.

Ten en cuenta que, cuando hablo aquí de «problema» me refiero tanto a un problema en el sentido más general de la palabra, como a una «tarea». Cualquier tarea que tengamos que realizar implicará resolver el problema de cuál es la forma más eficiente de realizarla.

Teniendo esto en cuenta, una manera de resolver un tipo de problemas es aplicar alguna técnica que sepamos que funciona en ese contexto.

Podríamos ver una técnica como una herramienta para realizar una tarea o resolver un problema. Por ejemplo, un destornillador nos serviría para atornillar un tornillo. Atornillar es el problema y el destornillador sería el equivalente a la técnica o solución.

El problema de esto es que tu capacidad para resolver problemas está limitada por la cantidad de técnicas que conoces. Aunque también por tu capacidad de elegir la técnica más adecuada.

Siguiendo el símil del destornillador, lo que nos limitaría sería el número y tipo de destornilladores (técnicas) que tengamos. Así como nuestra capacidad de elegir el destornillador más adecuado para cada caso.

Otro tipo de habilidad se basaría en la capacidad de resolver ese tipo de problemas basándote en el contexto, no en las técnicas. Aquí hablaríamos de una habilidad más «flexible» que permitiría adaptar la solución (o crear nuevas soluciones) en función del contexto.

Aquí sería el caso en el que nosotros pudiéramos diseñar nuestra herramienta, en función de las particularidades del problema. No dependeríamos de los destornilladores (técnicas) que tengamos, sino de nuestra capacidad de entender el problema y diseñar la herramienta que mejor se adapte al mismo.

Las técnicas se quedan cortas cuando el problema es complejo

Existen varias técnicas o soluciones al «cubo de Rubik», montar un mueble de Ikea, diseñar un puente, hacer un tiramisú o resolver el problema del viajante que vimos en un artículo anterior.

Lo que tienen todos esos problemas en común es que no son complejos. Algunos son difíciles o complicados, pero no son complejos. Se sabe el resultado que se tendrá aplicando cada técnica. Son problemas fijos y predecibles, a los que se puede aplicar la misma solución una y otra vez.

En este tipo de casos, conocer las mejores soluciones puede ser suficiente.

Pero cuando hablamos de problemas complejos, necesitaremos esa habilidad flexible que comentaba antes.

Veamos algunos problemas (aparentemente) sencillos, pero complejos:

• Caminar por una acera llena de gente sin tropezarte con nadie.

• Elegir la mejor fecha y hora para una reunión en un equipo distribuido en múltiples zonas horarias.

• Decidir cómo sentar a los invitados de una boda.

Diseñar un puente puede parecer muchísimo más difícil que caminar sin tropezarse con nadie. Sin embargo, la dificultad no tiene nada que ver con la complejidad.

La dificultad no tiene nada que ver con la complejidad.

Las técnicas para construir un puente son conocidas y se sabe que funcionan siempre de la misma manera.

Para ver más en profundidad por qué estos problemas son complejos y por qué aplicar soluciones fijas no funciona para estos casos, te recomiendo repasar este artículo sobre los problemas complejos.

De forma muy simplificada, lo que hace esos problemas complejos es la cantidad de interdependencias que existen entre los elementos involucrados y el carácter dinámico y poco predecible del problema. No es fijo, sino que irá cambiando, independientemente de las decisiones que tomemos.

Cuándo usar una técnica o una habilidad

Aprender técnicas tiene sus limitaciones, aunque también sus ventajas. La clave es saber cuándo centrarnos en aprender técnicas en vez de en desarrollar habilidades.

Personalmente, siempre me he inclinado más hacia desarrollar habilidades, que a aprender técnicas. Aunque reconozco que hay problemas o situaciones en las que lo mejor es tirar de una técnica conocida y probada.

Si evaluamos el coste-beneficio, veremos que para problemas conocidos, deterministas y que tengan una o pocas soluciones posibles, nos vale más la pena aprender la solución más eficiente que alguien ya encontró y que está bien probada.

Problemas como estos entrarían en esta categoría:

• Cambiar una rueda.

• Hacer un tiramisú al estilo tradicional.

• Construir un puente.

• Resolver una ecuación cuadrática.

Tardarás menos tiempo en cualquiera de esas tareas tirando de una solución conocida, una técnica, que tratando de resolver el problema usando tu habilidad en la materia. Y probablemente obtengas mejores resultados.

Ahora bien, si hablamos de problemas más abiertos, no deterministas, no lineales, dinámicos y complejos... esa es otra historia. Como vimos en los artículos anteriores sobre los problemas complejos, tratar de aplicar soluciones fijas a problemas complejos no nos lleva a nada bueno.

Ahí es donde entra en juego la habilidad, porque la habilidad es lo que nos permite realizar la tarea o resolver el problema (o lidiar con el estado actual del mismo) de forma dinámica.

La habilidad nos permite actuar de la mejor manera posible en función de lo que percibimos del problema en el momento actual. Lo que será la mejor respuesta con la información disponible. Al menos, la respuesta más adaptada a la situación.

Pero desarrollar una habilidad lleva más tiempo y esfuerzo que aprender un conjunto de pasos para resolver un problema concreto. Por eso, solemos elegir aprender técnicas, incluso a sabiendas de que no es la mejor opción para este tipo de problemas.

También porque es más fácil de aprender y enseñar.

Veamos algunos ejemplos de este tipo de problemas más abiertos, no deterministas y complejos:

• Conducir un coche por la ciudad o una autovía.

• Cuidar de un bebé llorando.

• Tratar un dolor de espalda.

• Gestionar un equipo de personas.

• Presentar una ponencia.

En algunos de esos ejemplos podemos ver claramente que no hay una única solución o resultado esperado, pero en otros podríamos pensar que existen técnicas adecuadas. Por ejemplo, hay técnicas de oratoria que te pueden ayudar a hablar en público, todo el mundo ha visto vídeos de ejercicios para el dolor de espalda o trucos para que tu bebé deje de llorar.

La realidad es que eso son solo soluciones que le han servido a alguien en unas circunstancias muy concretas, que probablemente no darían el mismo resultado en otras. Ni siquiera a la misma persona a la que le sirvió la primera vez.

El bebé puede estar llorando por múltiples razones, así que aplicar esa solución es como jugar a la lotería. Al final, lo importante no es aplicar una técnica, sino averiguar por qué llora y actuar en consecuencia. Y, en cada situación, deberás hacer algo diferente, aunque el problema sea parecido.

La práctica y la experiencia de tratar de resolver ese problema desarrollarán tu habilidad para entender mejor lo que ocurre y ser más eficiente resolviendo el problema.

Con el dolor de espalda pasa lo mismo. Hay ejercicios que funcionan con ciertas personas, pero a otras les causa más dolor. Es una lotería. De nuevo, lo importante es adaptarnos a la persona y la situación. La misma persona, en circunstancias diferentes, puede presentar síntomas diferentes.

Lo importante es adaptarnos a la persona y la situación.

Y ya no es que técnicas como «imaginarse al público desnudo» les funcione a algunas personas y a otras no, sino que esa misma persona deberá enfrentarse a distintos públicos, en diferentes circunstancias y con diferentes estados emocionales.

A lo largo de mi vida he dado charlas, conferencias, seminarios, talleres prácticos, clases, presentado eventos y me han hecho entrevistas; con público grande, pequeño, técnico, generalista, participativo, totalmente pasivo e, incluso, con público hostil. Y puedo asegurar que si no eres capaz de reaccionar en el momento y adaptarte a lo que percibes del público, lo has perdido en menos de cinco minutos. Da igual las técnicas de oratoria que uses, debes «leer» a tu público y adaptarte a él.

En este tipo de problemas, no conoces la solución. Tienes un objetivo final y una dirección en la que ir, pero existen mil caminos para llegar. Y ese objetivo final puede moverse, así que tienes que estar constantemente comprobando dónde está.

Si siguiéramos esa metáfora al pie de la letra y eligiéramos el ejemplo de conducir por la ciudad, veríamos esto.

Imagínate que quieres ir, en coche, de tu casa a la casa de una amiga que vive en la misma ciudad, pero en un barrio lejano. Puedes decir: «es un problema conocido, tengo la ruta perfecta para llegar». Y puede ser cierto, pero hay muchos elementos que no controlas y que afectarán.

Puede haber una calle cortada, o un atasco que no esperabas, lo que te lleva a cambiar tu ruta. El recorrido no depende solo de ti, sino del resto de coches. Conoces el punto de salida y llegada, sin embargo, no puedes controlar totalmente el recorrido o cuánto tardarás. Por no decir que tampoco puedes controlar que no pase algo que haga que tú, o tu amiga, deban ir a otro lado por alguna razón, como una emergencia familiar.

En resumen, el problema es más abierto de lo que pensamos en un principio y aferrarnos a una única solución (una ruta) nos hace menos flexibles y eficientes para resolverlo.

Resumen y conclusiones

Podemos definir la técnica y la habilidad de una forma que nos ayude a distinguirlas claramente de la siguiente forma:

• Técnica: Posible solución a un problema.

• Habilidad: Capacidad de crear, o encontrar, soluciones para un tipo de problema.

Aunque podríamos extender un poco esta última definición en el contexto de los problemas complejos de la siguiente manera:

• Habilidad: Capacidad de crear, o encontrar, soluciones a un tipo de problema. Estas soluciones estarán adaptadas al contexto actual del problema.

Las técnicas son expresiones de esa habilidad. Y pueden ser más o menos eficientes, dependiendo de cómo se adapten al problema.

En el caso de los problemas cerrados y deterministas, conocer y aplicar una buena técnica puede ayudar a solucionarlo de forma eficiente. Pero si hablamos de problemas más abiertos, no deterministas y dinámicos, como son los problemas complejos, las técnicas se quedan cortas.

Para lidiar con problemas complejos, es importante desarrollar habilidades flexibles que nos ayuden al continuo ajuste que requiere enfrentarse con un problema dinámico.

Por esto, tanto si gestionamos un equipo de personas, trabajamos en el entorno de la salud, el entrenamiento, la educación o si tratamos de crear una empresa, debemos centrarnos más en desarrollar habilidades y aprender a percibir mejor el contexto de los problemas que acumular técnicas y «buenas prácticas».

En el próximo artículo expandiré estas ideas para explicar cómo desarrollar estas habilidades, basándonos en las teorías de los sistemas complejos, la neurociencia, la psicología cognitiva, la ecológica, el desarrollo de habilidades motoras y el paradigma de la pedagogía no-lineal.

Creo que encontrarás que tiene mucho sentido en el contexto de todo lo que he ido explicando en los artículos anteriores y que es mucho más efectivo que tratar de acumular técnicas y esperar que funcione sin importar el contexto.

• Introducción

• Sistema lineal y determinista

• Sistema complejo

• Aplicando el pensamiento lineal a sistemas complejos

  • Error: Mientras más te esfuerces, más mejoras

  • Error: Mismas acciones, mismos resultados

  • Error: Turnos

  • Error: Pensar que podemos cambiar el sistema

• ¿De dónde sale la no-linealidad?

  • Interconexiones e interdependencias

  • Estructuras y comportamientos emergentes

  • Atractores y cambios de fase

  • El tiempo hace el sistema menos predecible

• Resumen y conclusiones

Introducción

Gracias a la experiencia, un gurú de Internet, un filósofo estoico o alguna otra vía, es muy posible que ya sepas que en muchos aspectos de la vida, las progresiones no son lineales. Es decir, no progresamos lo mismo cada día.

Hay días que progresas mucho, otros en los que casi no progresas e, incluso, días en los que retrocedes. Esto pasa cuando haces una dieta, entrenas, aprendes un nuevo idioma o creas tu propio negocio.

Ser conscientes de esta realidad es una gran ayuda para evitar frustraciones y mantener la motivación, pero podemos ir un paso más allá: Entender por qué pasa esto.

Casi al principio de esta serie de artículos sobre la complejidad expliqué este concepto de «no-linealidad» y luego fui describiendo diferentes aspectos de estos sistemas que ayudan a explicar cómo surge.

En este artículo quiero hablar de por qué aplicar un pensamiento «lineal» y «determinista» cuando nos enfrentamos a sistemas o problemas complejos, suele ser una mala idea.

También explicaré algunos de los errores más comunes que solemos cometer en este sentido. Por ejemplo, pensar que debemos progresar siempre de la misma forma, que nuestros resultados tienen una relación directa con el esfuerzo o que podemos cambiar un sistema complejo de una manera específica.

Sistema lineal y determinista

Antes de nada, me gustaría definir de forma rápida y simple estos términos que vamos a usar:

• Lineal: en este contexto se refiere a la proporcionalidad. Algo es lineal cuando sus respuestas son proporcionales a lo que responde.

• Determinista: algo es determinista cuando sigue unas reglas fijas y, conociendo las condiciones iniciales, podemos predecir el resultado.

Algunos ejemplos muy simples, pero comunes de fenómenos lineales, serían estos:

• Si pisamos más el acelerador, el coche va más deprisa.

• Si aumenta 3 grados el calor, el termómetro marcará 3 grados más de temperatura.

• Si el kilo de tomates vale 1 €, 20 kilos valen 20 €.

Como podrás observar, normalmente, un sistema lineal es determinista, ya que si sabes el precio de un kilo de tomates, puedes predecir cuanto costarán 20 kilos.

Ahora veamos un ejemplo muy simple de sistema determinista. Imagina una caja con dos tubos. Uno de entrada y otro de salida. Si metes una bola, por un lado, sale por el otro.

Vamos a complicarlo un poco más. Cada vez que metes una bola azul, sale roja. O, cada vez que metes una, salen dos pequeñas. O, si metes una bola azul, sale roja, pero si metes una roja, sale una azul.

Cualquiera de esos sistemas sería determinista, ya que para una misma entrada, siempre tienes una misma respuesta, o salida, del sistema. El sistema es predecible.

Si te fijas, da igual que conozcamos, o no, qué es lo que ocurre dentro de la caja (aunque se pueda intuir). Si sabes el comportamiento general del sistema, puedes predecir qué ocurrirá.

Un ejemplo de esto podría ser un coche. Sabemos perfectamente lo que ocurre cuando pisamos el pedal del freno o del acelerador. Y sabemos que siempre funciona de la misma forma, no cambia su comportamiento.

La mayoría de las herramientas y elementos con los que interactuamos cada día son así.

Tanto es así que nuestro cerebro tiende a buscar ese tipo de patrones de «causa-efecto» directo en todo lo que vemos y hacemos. Es algo que, en general, es muy útil y nos ahorra tiempo y esfuerzo.

Pero no todo lo que ocurre en nuestro mundo es así…

Sistema complejo

Ahora imagina la misma caja, pero su comportamiento es el siguiente:

• Si metes una bola, a veces sale una bola, pero a veces salen 2 o 3.

• A veces la bola cambia de color y a veces no.

• No parece que siga ninguna secuencia o patrón determinado.

Eso sería un sistema no lineal y no determinista. Un sistema en el que no puedes predecir la salida a partir de la entrada.

Los sistemas complejos pertenecen a esta categoría.

No es que no existan unas reglas internas, o que sean tan complicadas que no las entendamos, es que el sistema se adapta, aprende, evoluciona y genera estructuras internas y comportamientos emergentes que hacen imposible conocer qué es lo siguiente que hará el sistema.

Incluso, aunque conociéramos las reglas internas, no podríamos. El continuo cambio en el que se encuentra el sistema hace que una predicción para el estado actual, pueda ser errónea para el siguiente estado.

Y este es el principal problema con el pensamiento lineal. Bueno, mejor dicho, con aplicar el pensamiento lineal a los sistemas complejos.

Aplicando el pensamiento lineal a sistemas complejos

Como comentaba antes, tenemos la tendencia de ver el mundo de forma lineal y determinista, como un conjunto de causas y efectos:

• Si piso el acelerador, el coche va más deprisa.

• Si llueve, el suelo se moja.

• Si me doy un golpe, me duele.

Y para muchos casos, esto es así. Pero el mundo en el que vivimos es cada vez más complejo (cada vez más diverso, interconectado e interdependiente), así que nos encontramos con muchas situaciones en las que esa lógica no aplica.

Por ejemplo, cualquier problema relacionado con el ser humano (salud física, mental o emocional) es un problema complejo. Cualquier problema relacionado con interacciones entre personas (comunicación, relaciones, etc.) o grupos de personas (organizaciones, empresas, gobiernos, etc.) será complejo.

Los habrá más o menos complejos, pero todos ellos serán no lineales. Así que si aplicamos la lógica de «si hago esto, tendré (siempre) este resultado», nos llevaremos muchas sorpresas.

Error: Mientras más te esfuerces, más mejoras

Por ejemplo, tendemos a pensar que mientras más te esfuerces en algo, mejores resultados obtendrás. Lo que funcionará hasta cierto punto, pero veremos muchos casos en los que no funciona y puntos en los que esforzarse no ayuda nada.

No es una relación lineal en la que la cantidad de esfuerzo determina la cantidad de los resultados.

Y las razones para ello están en lo que he ido explicando en los artículos anteriores, pero no te preocupes que un poco más adelante haré un resumen de esos puntos.

De todas formas, si miramos más en profundidad, observamos más casos y seguimos nuestra intuición, veremos razones para ello. Algo que me gusta de los sistemas complejos es que son bastante intuitivos cuando «desaprendes» algunas cosas.

Hagamos más concreto el ejemplo del esfuerzo. Imagínate que una persona participa en las Olimpiadas. Todas las personas con las que compite se esforzarán al 100 % (más si pudieran), pero solo una puede ganar el oro. Así que sus resultados no dependen únicamente de su esfuerzo o preparación, sino de la de sus competidores, de su genética (y de sus competidores), de su forma de entrenar, de la suerte, de su tolerancia al estrés de la competición y de muchos otros factores.

Cualquier persona, sea atleta olímpico o no, si entrena en algo, mejora. Sin embargo, hay un límite. Llega un momento en que más entrenamiento no solo deja de ser beneficioso, sino que puede ser contraproducente.

Y para hacerlo más «no lineal», ese punto en el que ya es demasiado, no siempre es el mismo. Dependerá de su experiencia entrenando, cuánto haya descansado, su alimentación, su estrés emocional y un largo etcétera.

Error: Mismas acciones, mismos resultados

El problema anterior tenía que ver con que el progreso no es lineal, lo que nos puede llevar a sorpresas, frustraciones y gastar demasiada energía, o recursos, en la dirección equivocada.

En este apartado quiero hablar de otro problema: las expectativas y la «aparente» aleatoriedad.

En un sistema lineal, sabemos de antemano qué resultado podemos esperar para una determinada acción. Esto nos permite planificar y tener una cierta paz mental.

Pero cuando vemos resultados diferentes para las mismas acciones, nos estresamos y pensamos que algo va mal.

¡Quizás el sistema está roto!

Un ejemplo de esto puede ser la crianza. Muchos padres y madres que tienen más de un hijo se llevan la sorpresa de que, aun criándolos de la misma forma, no responden de la misma forma a esa misma crianza.

Si no tienes hijos, pero has tenido varias mascotas, es posible que hayas experimentado lo mismo. A pesar de que hay ciertas cosas que parecen funcionar, el resultado nunca es el mismo.

Como decía mi padre: «Tantos perros que hay en el mundo y cada uno tiene su propia personalidad»

Está bien esperar que un coche, una calculadora, el Excel o la ley de la gravedad funcione siempre de la misma forma y que ante una misma entrada, obtengamos siempre la misma salida. Pero nos ahorraremos muchos dolores de cabeza si evitamos pensar de esa manera cuando tratamos con personas, animales, entidades, ecosistemas o cualquier tipo de sistema complejo.

Para mí, la clave en estos casos es recordar que estos sistemas están en continuo cambio y que muchos de los mecanismos que producen dichos cambios son internos y no puedo conocerlos. Una vez acepto esto, me preocupo por el corto plazo y por tratar de comprobar el estado del sistema constantemente.

Por ejemplo, cuando entrenaba a alguien con dolor crónico, en vez de ponerle un plan cerrado de entrenamiento a medio-largo plazo y esperar ciertas mejoras, me marcaba una dirección hacia la que ir. Con esta dirección en mente, ajustaba cada sesión al estado y progreso de la persona, en lugar de aferrarme a las expectativas iniciales.

Error: Turnos

Cuando pensamos en intervenciones que hacer en un sistema (un tratamiento, una dieta, un ejercicio, una inversión, una compra, un cambio de política en una empresa, etc.) tendemos a pensar en «turnos». Como lo haríamos en una partida de ajedrez.

Esto es otro problema derivado del pensamiento lineal:

• Hago X, ocurre Y.

• Entonces hago Z y ocurre A.

Pero los sistemas complejos están en continuo cambio, realicemos alguna acción o no.

A diferencia de otro tipo de sistemas en los que puede existir un equilibrio estático, en donde no ocurre nada hasta que alguien «mueve ficha», los sistemas complejos se estabilizan de forma dinámica. Es decir, pueden llegar a mostrar comportamientos estables a base de producir continuos cambios internos.

Eso es lo que hace, por ejemplo, nuestro cuerpo para mantener unos niveles de pH, temperatura corporal y otros muchos parámetros dentro de un rango saludable. El organismo está continuamente haciendo pequeños cambios internos para mantener ese equilibrio dinámico.

En cambio, solemos ver el cuerpo humano, una organización o un ecosistema como algo estático, en un determinado estado y al que podemos hacer una intervención para cambiarlo.

Tenemos que entender dos cosas:

• Cada componente del sistema está realizando sus propias acciones. Cuando estas acciones se combinan con las nuestras, los resultados no son los mismos que si nuestra intervención fuera aislada.

• El sistema sigue evolucionando antes, durante y después de nuestra intervención. Por lo tanto, cualquier plan que ejecutemos estará basado en datos que ya son antiguos.

Digamos que, para que nuestras intervenciones funcionaran como esperamos, el sistema debería permanecer estático y esperando hasta que realizáramos nuestra intervención. Esto no ocurre en el mundo real.

Debemos alejarnos de la mentalidad de «turnos». Aquí todos los componentes interactúan a la vez y de forma constante. El sistema se retroalimenta y adapta a lo que ocurre dentro y fuera del mismo.

Vamos a verlo con algún ejemplo. Imagina que decido montar una empresa tecnológica. Tengo una gran idea para un público muy concreto. Antes de empezar decido hacer un plan de un año para salir al mercado. El plan consiste en un estudio profundo del mercado, la posible competencia, estrategia de marketing, el diseño y desarrollo del producto final.

En principio, parece un buen plan. El problema es que el mercado tecnológico es muy complejo y dinámico. En un año, esa necesidad que identificaste puede no existir, o puede haber cambiado de una forma que no contemplaba tu estudio, puedes tener tres nuevos competidores con los que antes no contabas (y que tienen estudios y planes como el tuyo), etc.

Pensar que crear una empresa y sacar un producto es algo que puedes hacer como si el estado del mercado fuera algo estático, es un error. Tienes que asumir que va a cambiar constantemente y que tu capacidad de predicción es mucho menor de la que crees.

En cualquier momento puede surgir un gran evento (una nueva tecnología, una gran empresa que entra en ese mercado, un conflicto internacional…) y lo que antes era una buena idea, puede dejar de serlo. O al contrario.

Otro ejemplo podría ser el de muchos tratamientos médicos específicos, basados en el modelo reduccionista del que he hablado en artículos anteriores.

Por ejemplo, considera el caso de mandar un antiinflamatorio para un tendón. Si solo haces eso, sin tener en cuenta factores como el movimiento de la persona, el estado de las articulaciones cercanas o la condición física de la persona, estás pasando por alto aspectos cruciales. También es vital considerar la intensidad con la que la persona usa el tendón y su nivel de estrés y descanso, entre otros muchos factores.

Ignorar todo esto es como intentar achicar agua de una barca con un agujero, sin tapar primero el agujero.

En este ejemplo, pretendemos cambiar un componente del sistema sin tener en cuenta el resto y sus interacciones.

Error: Pensar que podemos cambiar el sistema

«Un actor en un sistema complejo no controla casi nada, pero influye en casi todo»

Scott E. Page

Cuando queremos actuar sobre un sistema, no dejamos de ser un agente (o actor) más, así lo que más podemos hacer es influir y esperar a ver qué pasa, pero no podemos cambiar el sistema. Ni siquiera una parte de este.

Solemos usar un pensamiento «mecanicista» en el que tratamos a los seres vivos, organizaciones, etc. como si fueran máquinas, en las que se puede cambiar una pieza defectuosa y el sistema vuelve a funcionar como queremos.

En estos sistemas complejos, las relaciones entre las partes son tan importantes como las partes en sí mismas. Y el sistema se adapta a cada cambio, incluso al hecho de que «una parte sea defectuosa». Por lo que si la cambiases, buscando volver al estado original, te llevarías la sorpresa de que el sistema ya es diferente y nunca volverá a ese estado.

Este pensamiento de que podemos hacer una intervención para cambiar una parte del sistema, o incluso el comportamiento del sistema, es muy común y tiene mucho que ver con los otros errores que veíamos antes. Tendemos a pensar en el estado actual del sistema como algo estático. Vemos nuestro objetivo, como una meta o un destino final al que llegar.

Pero creo que ya ha quedado bastante claro que un ser vivo, una organización, una economía, un ecosistema o cualquier otro tipo de sistema complejo, nunca permanece estático.
Está cambiando, adaptándose y evolucionando constantemente. Y lo hace respecto a lo que ocurre fuera y dentro del sistema. No solo respecto a las interacciones entre sus componentes, sino también a sus interacciones con el entorno y posibles perturbaciones externas.

Por ejemplo, es común ver la enseñanza como una forma de intervención directa. «Yo sé algo y te transmito ese conocimiento a ti.» Y es muy común ver a docentes y entrenadores frustrarse porque «a sus alumnos no les entra en la cabeza» ese conocimiento.

La realidad es que el aprendizaje ocurre en la persona que aprende. No puedes «forzar» el conocimiento en la persona. El entorno, sus conocimientos previos, dónde se centra la atención, su estado emocional, su interés por lo que está aprendiendo, la información que percibe, cómo la interpreta, la utilidad que le vea, etc., es lo que hará que aprenda algo.

Piensa que el mismo docente da exactamente la misma clase a muchos alumnos, pero el resultado es muy diferente para cada uno de ellos. Así que la acción del profesor es mucho menos directa y determinista de lo que solemos creer.

Lo único que podemos hacer es adaptar las condiciones del entorno para que la experiencia de aprendizaje sea lo más adecuada posible. Luego ya dependerá de la persona aprender.

Algo parecido ocurre con la medicina o la fisioterapia. Salvo que te operen (y, aun así), el médico no te cura, te pone un tratamiento para que tu cuerpo se adapte de la manera esperada y se «cure».

NOTA: Una excepción sería medicamentos que atacan directamente a un agente externo (patógeno), como puede ser un antibiótico (que mata bacterias). Aun así, esa intervención no ocurre en un sistema estático y sin afectar a nada más.

El sistema reaccionará ante esta intervención, pero la medicina ha estudiado la forma de minimizar los efectos secundarios. En cualquier caso, los hay, nada ocurre en el cuerpo de forma aislada.

Y si vamos a rehabilitarnos de una lesión o a que nos «quiten» un dolor de espalda, lo que hace el profesional que nos atiende es darnos diferentes estímulos que ayuden a acelerar el proceso de recuperación del cuerpo. O que eviten que la adaptación vaya en una dirección no deseada.

La persona que te trata no te pega el hueso, tendón o ligamento. Tampoco te reconstruye el músculo para que sea más fuerte o resistente. Lo que hace es ponerte en situaciones, y proporcionarte los estímulos, que «influyan» en el sistema que es tu cuerpo y que sea este el que vaya adaptándose a esas condiciones.

Si en estos casos vamos con la mentalidad «lineal-determinista», esperaremos que ante un tipo de lesión, o una situación inicial, aplicaremos (desde fuera) una solución y arreglaremos el problema. Si esto no ocurre, no entenderemos por qué. O peor, culparemos al paciente por no seguir el «protocolo» a rajatabla.

El 99 % de mis clientes (y yo mismo) fueron víctimas de esto. Por suerte, esto está cambiando, pero aún es muy común no tener en cuenta el contexto de la persona e ir adaptando el tratamiento a la respuesta del sistema, en vez de pensar que el «tratamiento estándar» debe «curarles».

Quizás una de las intervenciones bienintencionadas más conocidas es la que hizo China a mediados del siglo XX: Campaña de las 4 plagas

Para evitar hambrunas y enfermedades decidieron acabar con cuatro «plagas» que ponían en peligro sus cosechas: ratones, moscas, mosquitos y gorriones.

El problema es que al acabar con los gorriones, creció enormemente el número de insectos que estos comían. En concreto, apareció una plaga de langosta que fue mucho más devastadora que la de gorriones.

Es el problema con los sistemas complejos, no es fácil predecir los efectos de las intervenciones que hacemos. Existen muchos factores internos que no conocemos y que pueden producir efectos contrarios a los que buscamos.

¿De dónde sale la no-linealidad y el no-determinismo?

Si has seguido la serie de artículos sobre los sistemas complejos, seguro que ya sabes de dónde sale.

Básicamente, de todas las características que hacen complejos a estos sistemas, aunque quizás podríamos resumirlo en estos tres puntos:

• Interconexiones e interdependencias.

• Estructuras y comportamientos emergentes.

• Atractores y cambios de fase.

Interconexiones e interdependencias

En los sistemas complejos, varios componentes o «agentes» están interconectados. Lo que hace uno afecta a los demás.

Así que, incluso si conoces las reglas de un agente, no puedes predecir su próximo paso. Su acción es, en realidad, una reacción a su entorno y a otros agentes.

Este comportamiento es más impredecible cuando más diversos sean estos agentes. Si son iguales, tenderán a comportarse de forma similar y será algo más sencillo predecir el comportamiento final. Pero cuantos más agentes diferentes, más variadas serán las respuestas y más difícil será predecir el siguiente estado del sistema.

Te recomiendo que le eches un vistazo a estos artículos para entender cómo y por qué ocurre esto:

• Diversidad y variabilidad

• Agentes y autoorganización II

Estructuras y comportamientos emergentes

A esto hay que sumarle que en este tipo de sistemas, debido a todas estas interconexiones e interdependencias, suelen emerger nuevas estructuras y comportamientos que no existen en los elementos originales. Así que, aunque conociéramos las reglas internas de cada uno de los elementos del sistema, no conoceremos (en la mayoría de los casos) las reglas que rigen estos nuevos comportamientos que emergen.

Por otro lado, este tipo de sistemas suelen estar anidados o presentar una estructura multinivel. Es decir, los sistemas están compuestos por otros sistemas, que a su vez están compuestos por otros, y así sucesivamente.

Por ejemplo, un ser humano está compuesto por sistemas (nervioso, muscular, cardiovascular, inmune, etc.), que están compuestos por órganos, que están compuestos por tejidos, que están compuestos por células, y estas de orgánulos, etc.

En cada nivel, surgen nuevas estructuras y comportamientos. Esto añade más complejidad e imprevisibilidad al sistema.

Conocer cómo funcionan los átomos, una célula del hígado o una mitocondria, no explica la función del hígado en el cuerpo.
Ni conocer el cambio de uno de esos sub-elementos te permite predecir ningún cambio en el funcionamiento del hígado dentro de su función en el organismo.

Atractores y cambios de fase

Por último tenemos los cambios de fase y los atractores. Los atractores son estados estables hacia los que tiende un sistema.

Un ejemplo de atractor en una persona es ser zurda. Dicha persona, en ausencia de una motivación o necesidad extra, tenderá a coger los objetos con la mano izquierda. Le requerirá menos esfuerzo que si lo intenta con la derecha. Lo mismo sería un hábito. Requiere menos energía seguir un hábito que ir en su contra.

Pero muchos sistemas tienen más de un atractor y cuando se cambia de uno a otro, el sistema cambia su comportamiento de forma brusca.
Es lo que se llama: cambio de fase.

Es lo que le pasa al agua cuando la temperatura baja de los 0 °C (cambia al estado sólido) o sube de los 100 °C (cambia al estado gaseoso). El caso del agua es conocido, sencillo y muy estudiado, pero en sistemas dinámicos y muy complejos, los atractores se crean y cambian constantemente.

Si vemos cómo el sistema se comporta de formas diferentes en función del atractor al que esté más cerca, entenderemos que nuestras previsiones para el mismo pueden cambiar radicalmente si algo hace que cambie de fase.

Pondré algunos ejemplos concretos para que se entienda mejor:

• Dinámica social en una fiesta: En una reunión social, la atmósfera puede ser tranquila con conversaciones en pequeños grupos (un atractor). Sin embargo, si alguien pone música movida y un par de personas empiezan a bailar, la energía puede cambiar y llevar a que la mayoría se sume al baile (otro atractor), alterando por completo la dinámica del evento.

• Mercado de valores: Un mercado puede estar en un estado de relativa estabilidad (un atractor), pero un rumor o noticia puede desencadenar un pánico de venta o compra (otro atractor), cambiando drásticamente la dinámica del mercado en cuestión de minutos o incluso segundos.

• Salud mental: Una persona puede tener un equilibrio emocional la mayor parte del tiempo (un atractor). Sin embargo, un evento significativo, como perder un empleo o una relación importante, puede cambiar su estado emocional hacia una depresión o ansiedad severa (otro atractor).

Este tipo de cambios de fase suele dar lugar a cambios muy bruscos e inesperados. Como expliqué en el artículo de los atractores, mientras menos atractores (siempre que haya más de uno), más bruscos e inesperados. Mientras que si hay más, las transiciones pueden ser más suaves.

En cualquier caso, es muy difícil de predecir cuándo ocurrirá este cambio de fase.

Y como decía al principio del apartado, estas son las razones principales, pero no las únicas. Espero que ahora resulte claro ver por qué estos sistemas son tan imprevisibles y cómo, el actuar como si lo fueran, no es una buena idea.

El tiempo hace el sistema menos predecible

El tiempo no es una característica única de los sistemas complejos, pero creo que merece la pena mencionar que es un factor que aumenta lo impredecible que es un sistema complejo.

Los sistemas complejos son «no lineales», es decir, la salida del sistema no es proporcional a su entrada. Y, en general, se comportan como sistemas «no deterministas», pero técnicamente no lo son.

Es decir, todo sistema tiene unas reglas internas y cada uno de sus agentes sigue unas sencillas reglas. En teoría, conociendo las condiciones iniciales, podríamos predecir el siguiente estado, usando esas reglas.

El problema es que, a medida que va pasando el tiempo, las reglas de unos agentes interactúan con las de otros, surgen nuevos comportamientos emergentes y todo lo que vimos en los apartados anteriores.

Esto quiere decir que, a medida que avanza el tiempo, el comportamiento del sistema es menos determinista. Es decir, menos predecible.

Por eso, con ciertos sistemas de complejidad baja o moderada, somos capaces de predecir el futuro cercano, pero nos cuesta más acertar con el futuro lejano.

Piensa en el clima de algún lugar donde sea relativamente estable. Es probable que se pueda predecir bien el tiempo del día siguiente e incluso la tendencia para los próximos cuatro días. Sin embargo, a medida que intentamos prever más allá, la precisión del pronóstico disminuye rápidamente.

Resumen y conclusiones

Existen muchos aspectos o elementos de nuestra vida que son deterministas y lineales. Podemos predecir los resultados a partir de la información inicial que tenemos. Por esta razón, nuestro cerebro ha evolucionado para detectar este tipo de patrones en los que para una acción determinada, (casi) siempre se produce un efecto determinado. O, al menos, proporcional a la acción.

Esto es muy útil y nos permite hacer pequeñas predicciones de qué es lo próximo que es más probable que ocurra y tomar decisiones basándonos en esa predicción.

De hecho, el filósofo cognitivo Andy Clark explica en su libro (muy recomendable) The Experience Machine, cómo, eso es precisamente lo que hace nuestro cerebro para aprender a interpretar el mundo que nos rodea. El cerebro está continuamente tratando de predecir qué es lo que percibimos por nuestros sentidos, para luego hacer correcciones cuando nos equivocamos.

Pero esto es algo que nos funciona con objetos o elementos de baja complejidad, o para acciones inmediatas. No sirve para predecir futuros estados de sistemas complejos. Y mientras más lejano ese futuro, menos nos sirve.

Conocer esto nos puede ayudar a evitar caer en errores muy comunes que nos llevan a frustración y a evitar empeorar los problemas complejos, por tratarlos como si no lo fueran.

Los sistemas complejos son dinámicos y muy difíciles de predecir, así que debemos evitar tratarlos como sistemas estáticos. Un ser vivo, una organización, un ecosistema, un mercado o cualquier otro sistema complejo va a ir cambiando y adaptándose constantemente, independientemente de que actuemos sobre él o no.

Todas las interacciones entre sus agentes o componentes van a hacer muy difícil predecir que ocurrirá a continuación. No podemos esperar respuestas directas y sencillas a nuestras intervenciones.

Por esta razón, es importante, cuando tratamos con este tipo de sistemas, no diseñar estrategias rígidas a largo plazo. Es importante tener una dirección hacia la que ir, sí. Pero también comprobar constantemente el estado del sistema y tener una estrategia lo suficientemente flexible como para adaptar la solución a este estado cambiante.

En estos casos, es fundamental abandonar la idea de una meta final y pensar más en una dirección en la que ir. Así como abrazar la idea del cambio como algo normal y que va a ocurrir, no como un «error del sistema».

Por último, deberíamos evitar cualquier estrategia en la que busquemos cambiar algo concreto del sistema de forma directa. Cambiar un parámetro de la salud, un comportamiento concreto de una persona, un estado del sistema, etc. Desconocemos las consecuencias en cascada que se producirán de ese intento de cambio.

En vez de eso, deberíamos centrarnos en cambiar el entorno y los estímulos que hacen que el sistema se adapte. El sistema se autoorganizará, hagamos lo que hagamos. Lo hará en torno a la intervención que hagamos. Eso no podremos controlarlo ni predecirlo, pero podemos influir en la dirección en la que lo haga.

La próxima vez que te enfrentes a una situación que involucre a un sistema complejo, ten cuidado. Ya sea en problemas de salud, aprendizaje, entrenamiento, dinámicas de grupos, emprendimiento o cualquier otro ámbito, evita tomar decisiones basadas en los errores que hemos comentado.

Trata el problema como lo que es: algo dinámico, cambiante y cuyo futuro es bastante impredecible.

Espero que también lo hayas hecho. Sin duda hace falta de vez en cuando.

Aunque no desconecté de la complejidad del todo.
Aproveché para leer, releer, investigar, reflexionar, conectar ideas y preparar material para futuros artículos.

La razón principal para crear este blog/newsletter fue obligarme a pararme para profundizar en temas que me interesan, encontrar nuevas conexiones, poner a prueba mis conocimientos y tratar de hacer más concretas ideas que me rondan la cabeza.

Es un proceso que me ha ayudado mucho en el pasado y que me está ayudando muchísimo ahora.

En cualquier caso, estos artículos requieren mucho trabajo y mi tiempo es limitado.

Como no quiero ni publicar artículos por publicarlos (y descuidar el contenido y la calidad), ni quemarme por «forzar la máquina», decidí bajar el ritmo y tomarme un descanso para preparar material que después pueda usar.

Algunos temas que he estado preparando y del que saldrán nuevos artículos (creo que) interesantes son:

• Los problemas derivados de aplicar el pensamiento lineal en problemas o sistemas complejos

• Aprendizaje y adaptación en sistemas complejos

• Aprendizaje y memoria en sistemas complejos

• Habilidades vs. técnicas y su relación con los problemas complejos

• Reflexión sobre la relación entre el foco de atención (externos vs. interno) y los sistemas complejos y la autoorganización

• Diseñar juegos (continuación de este artículo sobre el juego como herramienta para trabajar con sistemas complejos)

• Casos prácticos. Aquí quiero tratar de analizar problemas desde esta perspectiva y ver posibles maneras de lidiar con ellos.

• Cognición incorporada (embodied cognition) y cognición extendida (extended cognition)

Y seguro que surgirán muchos más temas interesantes por el camino.

Si te acabas de suscribir, te recomiendo echarle un vistazo a los artículos de la serie de introducción a los sistemas complejos, ya que trato de ir construyendo unas bases sobre las que después poder hablar de temas más — bueno… — complejos:

Si no quieres leer toda la lista, te recomiendo, al menos, los siguientes:

1. ¿Por qué aprender sobre la complejidad?

2. Introducción

3. Atractores

4. Diversidad y variabilidad

5. Agentes y autoorganización I

6. Agentes y autoorganización II

7. Problemas complejos

8. Problemas complejos: optimización

¿Cuándo empezarán los nuevos artículos?

Pues seguramente en octubre. En septiembre tengo algunos compromisos importantes, tanto de trabajo como de divulgación.

Respecto a estos últimos, me han invitado a ser ponente principal en un congreso de informática (la DrupalCamp-es) en Sevilla, para hablar de cómo se puede compatibilizar el trabajo con la salud. Un tema que conozco bien desde ambos lados y que espero que ayude a más personas a mantener una buena calidad de vida, a pesar de tener una profesión tan sedentaria.

Aprovechando que me doy un salto Andalucía, daré un taller sobre juego y movilidad articular en Jerez de la Frontera (en la sala Nómada) al día siguiente.

En ambos casos (lo sepan los asistentes o no), aplicaré los conceptos de los que he estado hablando en este blog. Al final, hablamos del cuerpo humano (un sistema muy, muy complejo) y de la salud, el sedentarismo, el dolor y la movilidad articular (unos problemas muy complejos).

Así que estaré liado este septiembre con trabajo, preparando la charla y el taller, e impartiéndolas.

Pero estoy deseando terminar los siguientes artículos y publicarlos 🙂

Un saludo y hasta el próximo artículo 🙂

Y si bien es importante conocer qué estrategias usar (o evitar) para enfrentarnos a problemas complejos, casi más importante es saber cómo evitar crear problemas complejos.

Índice

• Introducción

• Problemas difíciles vs. complejos

• Optimización

  • Optimización local

    • Soluciones cercanas de optimización

      • ¿Cómo evitarlo?

    • Optimizar problemas locales

      • ¿Cómo evitarlo?

  • Optimización global

    • ¿Cómo evitarlo?

• Resumen

Introducción

Algo que solemos hacer y que genera, o facilita, la aparición de problemas en sistemas complejos es optimizar.

Optimización: La optimización se refiere al proceso de mejora continua de un sistema, un problema o una solución con el objetivo de obtener los mejores resultados posibles. Este proceso implica normalmente la maximización de ciertos factores deseables (como la eficiencia, la rentabilidad, la velocidad, etc.) y la minimización de otros menos deseables (como los costos, el tiempo, los errores, etc.).

La optimización puede ser un procedimiento sumamente efectivo para tratar con sistemas lineales y predecibles, pero como veremos a lo largo de este artículo, en el ámbito de los sistemas complejos puede llegar a provocar efectos contraproducentes e incluso perjudiciales.

«Primera regla del club de los sistemas complejos: huye de la tentación de optimizar»

Nadie.

Vale, me lo acabo de inventar, pero si trabajas con sistemas complejos, deberías tener esto en cuenta.

Problemas difíciles vs. complejos

Antes de pasar a explicar qué tipos de optimizaciones hay, qué peligros tiene cada una y qué podemos hacer para evitar caer en la trampa, me gustaría resaltar otra diferencia entre un problema difícil (hard) y uno complejo.

• Difícil: Un problema fijo con múltiples soluciones que dependen de nuestras decisiones.

• Complejo: Un problema dinámico que va cambiando en función de las acciones de otros.

Un ejemplo de problema difícil sería el famoso «problema del viajante». Imagina que tienes que ir a 5 ciudades y quieres encontrar la ruta más corta. El problema es que eso requeriría elegir entre 12 posibles rutas.

Eso no es mucho y una persona podría resolverlo en un tiempo razonable. Pero en cuanto añadimos más ciudades el número de posibilidades aumenta exponencialmente. Por ejemplo, para 10 ciudades ya serían 181.440 rutas diferentes y para 30 ciudades hay más de 4x10^30 rutas posibles.

Es un problema que requiere mucho tiempo y capacidad de cómputo, pero el problema en sí es fijo, no cambia. El número de ciudades, su localización, las conexiones entre ellas y el objetivo final permanecen fijos. Lo que sí cambia es la solución del siguiente paso en función de la decisión que hayamos tomado previamente.

Es decir, en función de la ciudad que elijamos visitar primero, habrá un conjunto disponible de rutas diferentes de si hubiéramos empezado por otra. Así que nuestras decisiones en cada paso, determinan nuestros posibles siguientes pasos.

En cambio, en un problema complejo, las interdependencias e interacciones entre los componentes del sistema harán que el problema en sí mismo vaya cambiando y que tengamos que ir adaptando la solución a dichos cambios.

Veámoslo con un ejemplo. Pongamos que ese viajante es Willy Fog (o el original Phileas Fogg) y que en vez de recorrer 5 ciudades concretas, lo que quiere es dar la vuelta al mundo en el menor tiempo posible. Para ello, usará muchos medios de transporte diferente: tren, bus, avión, barco y lo que haga falta.

En tiempos de Willy Fog (allá por 1870), las opciones eran más limitadas, pero supongamos que es su bisnieto y vive en el presente. Esto le facilitaría mucho la tarea de dar la vuelta al mundo (muchas más opciones), pero debido a la complejidad de los sistemas de transporte actuales (interdependencia entre compañías, itinerarios, horarios, etc.) debería tener mucho más cuidado con las optimizaciones.

Es decir, si decide al milímetro cada paso del viaje, se verá en una situación frágil en la que cualquier retraso puede causar una cadena de retrasos, cancelaciones y nuevos problemas que pueden elevar muchísimo la demora.

Cualquiera que haya enlazado varios vuelos para ir a algún sitio sabrá (a veces a las malas, como en mi caso), que si no dejas tiempo suficiente entre un vuelo y otro, cualquier mínimo retraso te puede hacer perder vuelos y mucho tiempo. Ahora multiplica esto por más vuelos conectados entre distintos países y compañías, barcos, trenes y otros medios de transporte.

Aquí ya podemos empezar a ver esas diferencias entre los problemas en los que la siguiente solución depende de tus decisiones anteriores y aquellos en los que dependes de las acciones de otros (retrasos, aduanas muy lentas, atascos, fallos técnicos, robos, cambios en compañías o aeropuertos, etc.).

Entre otros, en el primer caso, la optimización es posible y deseable, mientras que en el segundo caso un exceso de optimización puede ocasionar el efecto contrario.

Optimización

Cuando hablamos de la optimización de un sistema, o de la solución a un problema, podríamos hablar de dos tipos: local y global.

Vamos a hablar primero de la optimización local, porque es una de las primeras trampas en las que caemos.

Optimización local

Aquí podríamos hablar también de dos casos:

• Soluciones cercanas de optimización

• Optimizar problemas locales

Lo siento, pero no he encontrado una forma mejor de nombrarlas o diferenciarlas. Ambas serían «optimizaciones locales», pero en el primer caso se refiere más a lo que en matemáticas o ciencias de la computación llaman «local optimum», mientras que el segundo tiene más que ver con poner el foco en los problemas de una parte del sistema.

Vamos a verlas más en detalle.

Soluciones cercanas de optimización

Aunque no tiene por qué ser siempre así, podríamos ver este caso como una optimización temprana. Antes de tiempo.

Si recuerdas, en el artículo anterior hablaba de la exploración y la explotación. Primero exploramos, buscando posibles soluciones, para luego explotar (usar) la mejor solución.

Con problemas simples (un problema fijo con una única solución fija), exploramos hasta encontrar su solución y listo, a explotarla.

Pero en problemas complicados, difíciles o complejos, suele haber varias soluciones. Unas mejores que otras. Si nos paramos en la primera buena solución que encontremos, es muy posible que nos perdamos la mejor solución de todas. O, simplemente, alguna mejor que esa primera que encontramos.

Eso es a lo que se llama «local optima».

Una forma de verlo es imaginarte que vas por el campo y quieres encontrar la cima más alta. Si solo hay un pico grande, la solución es fácil. Empiezas a subir hasta que llegues al punto más alto.

En cambio, si estás en una cordillera, no es tan sencillo. Si empiezas a subir, puede que llegues a lo más alto de un pico, pero no tiene por qué ser al más alto. Es la solución local a tu situación actual (es tu pico cercano más alto), pero no es la solución global (el pico más alto de la cordillera).

Para encontrar el pico más alto de todos, necesitarás no solo subir, sino bajar e ir en otras direcciones, hasta encontrar el pico más alto y luego subirlo. Es decir, explorarás (cambiar de direcciones, bajar, caminar en llano) y explotarás (subir) varias veces hasta encontrar la mejor solución.

Ahora imagínate que hiciste lo de subir a lo más alto del primer pico. Ahora tienes dos problemas:

• No es la solución óptima (hay picos más altos y puede que no veas lo que querías ver).

• Para cambiar de solución tienes que bajar una montaña muy grande.

Esta es una de las razones por las que tratar de optimizar demasiado pronto en ingeniería se considera una mala idea. Optimizar la solución errónea puede salir muy caro.

Y lo mismo aplica a intervenciones o políticas en organizaciones, criterios a la hora de invertir.

Esto es válido tanto para problemas complicados como complejos, con la diferencia de que el resultado de una optimización local suele ser irrelevante en el caso de los sistemas complejos.

Si un problema complicado es como una cordillera con múltiples soluciones, un problema complejo es como una cordillera que «baila».

No es un problema fijo. Es decir, sería más similar a una cordillera en la que los picos van continuamente cambiando de altura y posición. Esto hace que cualquier optimización sea superflua, ya que mientras explotas alegremente tu solución, el problema ya habrá cambiado y estás trabajando en la dirección equivocada.

En ingeniería, como comenté antes, optimizar una solución demasiado pronto suele ser un problema, pero hay veces que no se trata del tiempo, sino de la información disponible.

Por ejemplo, cuando un equipo de desarrollo no tiene información sobre el impacto de sus cambios en el usuario final, es muy común desarrollar, o mejorar, características que nunca serán usadas. Esto ocasiona una pérdida de tiempo del equipo, de dinero de la empresa y de satisfacción por parte del cliente.

Si cada persona (o grupo) se fija nada más en tus tareas, sus objetivos y su información local, corre el riesgo de trabajar duro en la dirección equivocada, sin saberlo.

Eso puede funcionar bien en problemas fijos y bien acotados. Cada agente hace su tarea bien y el proyecto sale bien. Pero en entornos complejos, es necesario que cada agente pueda ver la «foto global», que tenga información rápida del impacto de sus acciones y debe ser capaz de reaccionar en consecuencia.

Esto no solo ocurre en ingeniería o en empresas. También podemos verlo en medicina, el entrenamiento y, muchas otras áreas.

Por ejemplo, es muy común que si tienes un dolor de rodilla, vayas a un especialista en la rodilla que te examine todos los tejidos de la rodilla, pero no te mira la cadera, el pie, cómo te mueves con fatiga muscular, nivel de estrés, alimentación, etc. Al final, está usando información local, cuando en un sistema tan interconectado como el cuerpo humano, nada pasa de forma aislada.

Otro ejemplo de usar información local, o temprana, serían las pruebas de imagen para dolores crónicos de espalda. Cuando se encuentra el más mínimo problema en una prueba de imagen (una protusión o una hernia en un disco vertebral, por ejemplo), no se suele mirar mucho más lejos y asociar el dolor con ese hallazgo.

Curiosamente, la evidencia científica dice que es normal que a partir de los 30 años se vean este tipo de hallazgos en personas que no sufren ningún tipo de dolor en la espalda. Y que no tiene por qué existir una relación entre estos y el dolor que se sufre. Puede haber muchas otras causas que ni siquiera se miran por habernos parado en la primera pista del posible problema.

Optimizar problemas locales

Otro caso de optimización local es cuando queremos optimizar una parte del sistema o promovemos que cada componente optimice su forma de actuar.

Esto ocurre mucho en organizaciones, donde, debido a los incentivos de la misma, su cultura u otras razones, cada departamento se preocupa de hacerlo lo mejor posible, sin tener en cuenta cómo afecta al resto de la organización.

La teoría es que si cada departamento lo hace lo mejor posible, la organización lo hará lo mejor posible, pero esto no es solo poco realista, sino que no tiene en cuenta la interacciones entre los agentes del sistema (tanto los departamentos como las personas individuales), o agentes externos.

Es decir, ignora los principios básicos de los sistemas complejos.

Esto ocurre mucho cuando usamos estrategias reduccionistas (de las que hablé en el artículo anterior) para «mejorar» un sistema complejo.

Por ejemplo, tratar de mejorar una parte del cuerpo, un departamento en una empresa, un proceso en una organización, etc. de forma aislada, sin tener en cuenta el resto del sistema.

A veces, ni siguiera tiene que ser una parte física, puede ser un comportamiento, cualidad o capacidad. Un ejemplo de esto sería tratar de mejorar muy rápido la fuerza (muscular), sin tener en cuenta la distinta velocidad de adaptación de otras partes importantes como los tendones.

Es muy común en ciertos deportes trabajar la fuerza y la explosividad antes de que el resto del sistema esté preparado para soportar esos esfuerzos. Esta optimización de una parte respecto a otra crea desequilibrios que ponen al sistema en un estado más frágil y es común que aparezcan lesiones.

Lo mismo ocurre si trabajamos de forma aislada los músculos grandes, encargados de mover las extremidades (y que se ven bien en el espejo), de forma aislada. Esos músculos, cuando nos movemos normalmente, no funcionan solos. Requieren otros músculos más pequeños para estabilizar las articulaciones, así como la participación de los tejidos conectivos (fascia, tendones y ligamentos), la propiocepción, el equilibrio, la coordinación del sistema nervioso, etc.

Al final, estamos creando una eficiencia local ficticia, que normalmente no aporta los beneficios globales que buscamos. Esto puede crear desequilibrios que el resto del sistema puede no soportar.

Si no, mira cuánta gente es capaz de tirar de su peso en una máquina, pero no es capaz de hacer una dominada. Siendo (aparentemente) el mismo movimiento. En cambio, cualquier persona que haga una dominada puede tirar de su peso en una máquina.

En empresas es muy común ver que la velocidad de «producción» es muy diferente entre departamentos, lo que crea «cuellos de botella» y retrasos de los resultados globales. A lo mejor, el departamento de ventas vende y crea expectativas en clientes que los departamentos que producen el producto no son capaces de cumplir.

O, quizás, se produce más de lo que se puede vender, generando un exceso de inventario y pérdidas.

En una empresa de desarrollo de software, puede que el equipo de desarrollo genere cambios a un ritmo que el equipo que despliega y mantiene el producto no puede mantener. Esto puede crear una sobrecarga en este último, haciendo que tarde aún más y que los cambios tarden más en llegar al producto final.

O, peor aún, que se salten pruebas y pasos de seguridad, para poder mantener el ritmo, y se entregue un producto de menor calidad o inseguro.

Debido a los incentivos individuales y por departamentos, este tipo de problemas es muy común en las empresas. Cada departamento suele encargarse de su parte, sin tener en cuenta el resto de la «cadena de valor». Es decir, se centran en el objetivo local, sin tener en cuenta el objetivo global.

Se centran en el objetivo local, sin tener en cuenta el objetivo global.

¿Cómo evitarlo?

• Aumentar la visibilidad de los resultados globales

• Rotaciones temporales (para aumentar entendimiento del resto del sistema y empatía con otros agentes)

• Tener un feedback directo del impacto de las acciones locales en el objetivo global

• Crear incentivos que fortalezcan el objetivo global frente al rendimiento individual o local

• Inyectar diversidad cada cierto tiempo

  • Añadiendo o cambiando agentes

  • Cambiando incentivos

• Crear procedimientos para cuestionar, o revisar, las soluciones de forma periódica

• Evitar incentivos que promuevan la productividad constante y la máxima eficiencia individual

  • Evitar promover el «estar ocupados» (solamente explotar)

• Crear incentivos que promuevan la exploración

  ---

«Cuando la única herramienta que tienes es un martillo, todo problema comienza a parecerse a un clavo»

En muchos casos, se puede ver esta famosa frase como una optimización local, ya que te quedas en la primera solución que tienes, sin buscar otras. Esto sucede mucho cuando en un grupo, o una persona, existe poca diversidad de herramientas, estrategias, formas de pensar y puntos de vista.

Esto nos da una pista, la diversidad es clave para evitar caer en esta trampa. Como vimos en el artículo sobre la diversidad, no siempre más diversidad será mejor. Por ejemplo, un grupo menos diverso puede estar más enfocado y ser más productivo que uno muy diverso. Mientras que si hay más diversidad, habrá más posibilidades de innovación y de salir de esta «local optima».

Por lo tanto, lo que seguramente querremos es inyectar algo de diversidad cada cierto tiempo, para asegurarnos de que no nos «dormimos en los laureles» y seguimos trabajando en una solución, que ya no es óptima.

Esta diversidad se puede añadir mediante nuevos agentes, cambios en los incentivos, o procedimientos que promuevan las soluciones alternativas cada cierto tiempo.

Los sistemas tienden a la homogeneidad, así que, por mucha diversidad inicial que haya, con el tiempo, se irá perdiendo.

Hay empresas que promueven que sus empleados roten por varios equipos, eso les permite tener una visión más amplia de la empresa, aprender de gente diferente y añadir diversidad allá donde van.

Alguna empresa de software hace que sus programadores pasen un tiempo en soporte al cliente, para que conozcan de primera mano cómo impacta su trabajo a dichos clientes. Les puedo asegurar que esto le abre los ojos a muchos ingenieros y hacen que entiendan mejor su trabajo y el valor que aportan.

En general, evitar quedarnos con la primera solución y buscar continuamente nuevas soluciones (aunque creamos que hemos «solucionado» el problema) es fundamental cuando trabajamos con sistemas complejos. Así como tratar de buscar el impacto global de cualquier intervención que hagamos, no quedarnos en el impacto local.

Y, a ser posible, crear incentivos que promuevan la exploración cada cierto tiempo. Esto será necesario porque nos olvidaremos, nos volveremos cómodos y necesitamos que nuestras soluciones sean tan dinámicas como los problemas.

Optimización global

En un sistema complejo, la principal fuente de incertidumbre es la interacción entre agentes o componentes. Por esta razón, tratar de optimizar el sistema ajustando al máximo la eficiencia en dichas interacciones suele ser una muy mala idea.

Lo veíamos con Willy Fog. Tratar de ajustar las conexiones entre medios de transporte para ahorrar tiempo, dinero o energía, da como resultado un sistema altamente frágil ante cambios en cualquier punto de la cadena. Un retraso, un atasco, una huelga, un robo, una revuelta en un país inestable... cualquier cosa puede ocurrir y hasta la más mínima ocasionaría un retraso en cadena que destruiría el plan original.

Podemos ver lo mismo en el tráfico. Si cada coche va muy pegado al siguiente, para «optimizar» y usar menos tiempo y espacio, cualquier frenazo o, incluso, disminución de la velocidad, causará atascos o accidentes.

También podemos verlo en proyectos. Si ajustamos mucho el tiempo entre que una tarea pasa de un estado a otro, o de un departamento a otro, cualquier variación producirá retrasos en cadena. Lo mismo ocurre con el presupuesto.

Por ejemplo, ajustar tanto el presupuesto para organizar un evento que lo gastas todo, no es muy buena idea. Habrá imprevistos (problemas con proveedores, multas, horas extra, cambios en vuelos o estancias de invitados, etc.) y necesitarás un «colchón» que te permita poder reaccionar y adaptarte a ellos.

¿Cómo evitarlo?

Creo que en el caso de la optimización global se ve más claramente qué produce el problema y cómo evitarlo. Básicamente, lo que tenemos que hacer es evitar una optimización excesiva en los procesos de comunicación entre los distintos componentes.

Debemos dejar cierta holgura (slack) que haga de amortiguación (buffer) en caso de imprevistos.

Cuánta holgura dependerá del caso y el sistema, pero, en general, dejar entre un 10% y un 20% de holgura es recomendable en la mayoría de los casos.

Los fanáticos de la eficiencia se echarán las manos a la cabeza porque eso puede suponer dejar un 20% del tiempo de un equipo sin planificar. A muchos gerentes o jefes de proyecto les pone nerviosos pensar que hay gente que no es productiva el 100% del tiempo. Pero es precisamente esto lo que produce la mayor parte de fracasos en proyectos y planificaciones.

Siempre aparecerán tareas inesperadas o habrá que lidiar con errores e imprevistos. Si todo nuestro tiempo está ya organizado, tendremos que robar parte de ese tiempo ya planificado para «apagar fuegos». Nuestro equipo estará en modo reactivo constantemente y nuestra planificación se retrasará cada vez más.

Si somos entrenadores, podríamos estar tentados a diseñar estrategias y tácticas al milímetro, pensando que conocemos todos los posibles factores. Algo realmente imposible cuando tratamos con personas (sistemas muy complejos) interactuando unas con otras en el gran sistema complejo que es un partido.

Lo mismo podría decirse de las tácticas militares.

«Planeo mucho mis batallas, aunque nunca me salen como las planeé.»

Napoleón Bonaparte

Otro ejemplo sería tratar de hacer la técnica perfecta para cualquier movimiento. Un robot puede repetir un movimiento mil veces de la misma forma, un ser humano no. Debido a que somos un sistema complejo y por todo lo que explicaba en el artículo de la autoorganización, nunca repetiremos dos veces el mismo movimiento. Lo cual es bueno.

De hecho, en el artículo comentaba como esa variabilidad nos permite adaptarnos mejor a los cambios en el entorno, la tarea y otros agentes. Pretender hacer una técnica perfecta, repitiendo ciertos movimientos siempre de la misma forma, reduce esa variabilidad, esa holgura que crea el sistema, volviéndolo frágil ante cambios.

Imagen del estudio de Nikolai Bernstein donde descubre (en 1923) que, a diferencia de los novatos, los maestros herreros nunca repetían el mismo movimiento. Tenían más éxito dando con el martillo en el mismo punto con movimientos más variados (distintas partes del cuerpo autoorganizándose en función de la situación).

En resumen, queremos dejar cierto espacio para la autoorganización en el sistema, para que sea flexible y capaz de reaccionar ante pequeños cambios y perturbaciones sin causar un gran impacto en el sistema.

Y recuerda, esta holgura o espacio puede ser tiempo, pero también espacio físico, energía, presupuesto, etc. Básicamente, esta holgura se puede aplicar a cualquier recurso que estés considerando optimizar.

Resumen

Optimizar y ser eficientes es algo que buscan muchas empresas y personas en múltiples ámbitos. En entornos lineales, delimitados y predecibles, es posible ajustar mucho los procesos y las partes para conseguir esa optimización. Pero en sistemas complejos, optimizar demasiado puede ocasionar muchos problemas.

En general, en los sistemas complejos, la optimización de las soluciones no suele ser tan relevante como en otro tipo de sistemas, ya que el problema cambia constantemente. Así que la solución también debe hacerlo.

La optimización excesiva genera muchos problemas en sistemas complejos, así que haremos bien en evitar optimizar muy pronto y buscar constantemente nuevas soluciones.

Además, las interacciones entre los agentes o componentes del sistema son un punto crítico que debemos cuidar. Son la mayor fuente de incertidumbre, así que nos vendrá bien añadir cierta holgura a dichas conexiones. Dejar cierto espacio para la variabilidad y la autoorganización.

Espero que las ideas principales hayan quedado claras. He tratado de poner ejemplos variados para que se pueda ver cómo aplica en distintos ámbitos. Te invito a que trates de aplicar dichos conceptos a aquellas áreas que mejor conozcas.

Antes de plantearnos cómo resolver un problema, deberíamos identificar qué tipo de problema es. Más que nada, porque las estrategias que sirven en un caso, no servirán en otro.

Podemos centrarnos en muchas características para diferenciar problemas que son complejos (no lineales, no predecibles, interconectividad entre sus partes, diversidad, etc.), de aquellos que no lo son, pero quizás la diferencia más clara es que los problemas complejos son dinámicos.

Es decir, si un problema (por complicado que sea) es fijo y una vez se soluciona, se puede solucionar una y otra vez de la misma forma, no es complejo. Aquí entrarían problemas desde resolver una ecuación matemática, construir un vehículo que vuele, un edificio muy alto que soporte movimientos sísmicos, crear un ordenador cuántico o encontrar la cura contra un tipo de cáncer.

Esos problemas (los complicados), por muy difíciles que sean, no cambian. Una vez lo resuelves, puedes replicarlo.

En cambio, los problemas complejos cambian y se adaptan a lo que ocurre dentro y fuera del sistema en el que ocurren. Cualquier acción que hagamos alterará el problema en sí mismo y lo hará en formas totalmente impredecibles.
Existirá una lógica interna para los cambios que se den en el sistema y el problema, pero esa lógica es también dinámica (derivada de la autoorganización e interacciones de los agentes involucrados) y normalmente desconocida por nosotros.

Es más, aunque la conociéramos (como ocurre en algunos casos), la multiplicación de interacciones, junto con los mecanismos de retroalimentación, las tendencias del sistema (atractores) y otros factores de lo que hemos hablado en artículos anteriores, harán que no podamos predecir qué ocurrirá en el siguiente cambio.

Los problemas complejos cambian y se adaptan. Una misma solución puede no servir la siguiente vez.

Ejemplos de este tipo de problemas complejos podría ser la educación de un hijo, la salud de una persona, tener la cultura adecuada en una organización, una pandemia, una catástrofe natural, una crisis política o evitar una estampida en caso de incendio en un concierto.

En todos estos casos, cualquier intervención hará que el problema cambie y no siempre se puede predecir qué tipo de cambio. Así que habrá que buscar una solución al nuevo problema, y al siguiente, etc.

Se podría decir, que son problemas que no se pueden resolver completamente, solo una versión del mismo problema cada vez. Así que la estrategia debe ser diferente a la que usamos para un problema que no cambia.

Hay que tener en cuenta que en los sistemas complejos, no funciona el control desde arriba (top-down), sino la autoorganización de los actores implicados en el mismo (bottom-up). Así que cualquier intervención para controlar el sistema que genera el problema puede acabar de forma inesperada y posiblemente muy diferente a la que quieres.

Para construir un puente necesitas un plan y una organización diseñada para completar el trabajo de forma eficiente y en un tiempo razonable. Es un problema fijo y conocido.

Pero no puedes hacer que personas (cada una con sus circunstancias, conocimientos, expectativas, miedos y motivaciones) actúen como tú quieres y sigan tu plan al pie de la letra en un momento de crisis. Cada una lo hará en función de muchísimos factores que ni ellas mismas conocen y mucho menos controlan. Ni siquiera podrías hacerlo cuando no hay crisis.

Se puede cambiar el entorno, los incentivos, los objetivos, la distribución de los agentes en el espacio, cómo se conectan unos con otros, añadir o reducir diversidad.

Todos estos parámetros podrían estar bajo nuestro control y podrían influenciar más al sistema en ir en la dirección que queremos que tratar de forzar a los agentes a actuar de una forma determinada. Además, en el raro caso de que consiguiéramos que actuaran de una manera determinada (por ejemplo, con miedo), eso cambiaría el sistema de tal forma, que sería muy difícil predecir qué ocurrirá a continuación.

Como ejemplo tenemos todas las revueltas tras una gran opresión. O la caída de grandes empresas tras acabar con una homogeneidad de ideas, lo que les lleva a una falta de capacidad de innovar que les vuelve frágiles ante cambios en los mercados.

«Un actor en un sistema complejo no controla casi nada, pero influye en casi todo»

Scott E. Page

Pero, si no se pueden imponer políticas, intervenciones o soluciones desde arriba y el sistema siempre se autoorganiza ante los cambios internos y externos, ¿cómo nos enfrentamos a problemas complejos?

Pues lo primero es asumir que el problema no tiene una solución final, que tendremos que ir adaptando constantemente las soluciones al sistema.

Esto implica buscar un equilibrio entre las dos estrategias que he nombrado ya varias veces en artículos anteriores:

• Explorar

• Explotar

Cuando nos enfrentamos a un problema fijo, primero exploramos, hasta que encontramos una solución, y luego explotamos esa solución.

En un problema dinámico y complejo, deberemos explorar y explotar, para luego volver a explorar y explotar una y otra vez. Porque lo que sería ayer puede no servir hoy. Puede que necesite un ajuste, pero también puede que necesite un cambio radical.

Como el problema ocurre dentro de un sistema (que es lo que lo hace complejo) y es este sistema el que se va a autoorganizar independientemente de lo que hagamos, una manera de conseguir que el sistema explore y explote, es jugar con la diversidad.

Un sistema con más diversidad tenderá a la exploración y la innovación, mientras que un sistema con menos diversidad tenderá más a la explotación y la eficiencia.

Si queremos un sistema saludable que sea capaz de enfrentarse a problemas complejos, deberemos huir de los extremos y de quedarnos en un solo lado del espectro.

La diversidad es necesaria para la salud del sistema, pero el cuánto es variable dependiendo de las circunstancias.

Algo que puede ayudar a manejar los niveles de diversidad y otros parámetros son los incentivos y los mecanismos de selección. Esto es algo de lo que hablé en detalle en el artículo de la diversidad.

El tema de los problemas complejos da para mucho, pero creo que esta es una buena forma de empezar. Necesitamos identificar si el problema es complejo y luego cambiar nuestras expectativas y estrategias respecto a las que solemos usar.

Sobre todo olvidarnos de nuestro afán controlador e intervencionista, para poder centrarnos en cómo podemos cambiar el sistema, para que el problema, cuando cambie y evolucione, lo haga en la dirección que más nos interesa.

Estrategias a evitar

Y por añadir alguna cosa concreta, aquí tienes una lista de estrategias que se suelen usar para «resolver» problemas complejos que suelen ser una mala idea:

• «Divide y vencerás»

• Solución simplista (reduccionismo)

• Solución complicada

• Solución compleja

Divide y vencerás

En sistemas complicados, formados por muchas partes, suele ser útil dividir el sistema en cada una de sus partes y tratar de arreglarlas o mejorarlas de forma independiente, para luego integrarlas de nuevo.

Eso funciona con un reloj suizo, un coche, un satélite, pero no con un sistema complejo. Sobre todo porque en el sistema complejo, las relaciones e interacciones entre los elementos son igual o más importantes que los elementos en sí mismos.

Solución simplista (reduccionismo)

Se trata básicamente de ignorar la complejidad. Ignorar las relaciones, interconecciones, interdependencias, diversidad en los agentes, mecanismos de retroalimentación, etc.

El «divide y vencerás» es quizás el más representativo de este tipo de estrategias, pero, en general, cualquier estrategia que no tenga en cuenta el sistema como un todo y las interacciones entre sus componentes, está ignorando una parte importante del problema.

Aquí podríamos ver desde aplicar teoría de juegos a investigaciones en laboratorio donde se estudian elementos fuera de su entorno y en circunstancias diferentes de las que se dan en la vida real.

Solución complicada

Esto lo suelo ver mucho en ingeniería, pero aplica a todas las áreas. Tenemos una tendencia natural a querer controlarlo todo, así que diseñamos soluciones que traten de tener en cuenta todos los casos y variables posibles.

El problema es que en un sistema complejo, muchos de estos casos y variables no se pueden conocer (emergen con el tiempo o están ocultos al que observa), aparte de que van variando. Aparecen y desaparecen. Mutan.

Por un lado, es imposible cubrir todos los casos o los suficientes para que la solución sea buena y, por otro lado, tu solución es estática y complicada, creando un nuevo problema.

Solución compleja

En muchos casos, una solución complicada termina siendo compleja. La solución crece tanto, tratando de adaptarse, que termina teniendo diferentes componentes que interactúan entre sí y las interacciones crecen exponencialmente.

Al final, hemos creado un problema cada vez más complejo, para solucionar nuestro problema complejo original.

Estrategias que pueden ayudar

Lo primero que puede ayudarnos es conocer los mecanismos y características propias de los sistemas complejos. Entender cómo a partir de las interacciones entre agentes que están interconectados, son interdependientes y diversos, surgen comportamientos y estructuras emergentes. Eso nos dará pistas de por qué se comporta el sistema como lo hace y qué parámetros podemos cambiar para influir en el sistema.

Algo que puede darnos una ventaja es entender y ser capaz de reconocer los mecanismos de retroalimentación, las externalidades y los atractores del sistema. Eso puede ayudarnos a intuir cómo afectarán los cambios que hagamos en el sistema.

A partir de ahí se trata de combinar la exploración de posibles cambios en esos parámetros con la explotación de aquellas soluciones que vayan en la dirección correcta. Siempre teniendo en cuenta que habrá que volver a evaluar y explorar, ya que el sistema y el problema habrán mutado.

Eso líneas generales. Luego tenemos dos estrategias que suelen ayudar:

• Diversidad en los puntos de vista

• Soluciones dinámicas

Diversidad en los puntos de vista

Por su naturaleza, los problemas complejos son, generalmente, estudiados por disciplinas muy diferentes con puntos de vista muy diferentes. Y debido a que en ciencia se suele usar el reduccionismo para poder abordar el conocimiento y los problemas, se acaba teniendo una idea acertada pero incompleta de los problemas.

Es como la antigua parábola de la India de «los ciegos y el elefante»:

Un grupo de ciegos escuchó que un extraño animal, llamado elefante, había sido traído al pueblo, pero ninguno de ellos era consciente de su figura y forma. Por curiosidad, dijeron: "Hay que inspeccionarlo y conocerlo al tacto, de lo que somos capaces". Entonces, lo buscaron, y cuando lo encontraron, lo buscaron a tientas. La primera persona, cuya mano se posó en la trompa, dijo: "Este ser es como una serpiente gruesa". Para otro cuya mano llegaba a su oreja, dijo que parecía una especie de abanico. En cuanto a otra persona, cuya mano estaba sobre su pata, dijo, el elefante es un pilar como el tronco de un árbol. El ciego que puso su mano en su costado dijo que el elefante "es una pared". Otro que sintió su cola, lo describió como una cuerda. El último sintió su colmillo, indicando que el elefante es lo que es duro, liso y como una lanza.

Desde lo que cada uno podía percibir, todos tenían razón, pero ninguno veía la realidad completa.

«Cuando los expertos calificados tienen desacuerdos importantes sobre los conceptos básicos de cómo resolver un problema, lo más probable es que sea complejo.»

Todd Hargrove

El reduccionismo es una herramienta muy útil para profundizar en el conocimiento. Gracias a ella, la ciencia ha avanzado muchísimo, pero hay que diferenciar entre reducir la complejidad de algo para entender ciertas propiedades individuales y entender ese algo en el mundo real.

Estudiar células aisladas en un laboratorio nos da mucha información útil sobre su estructura, composición y funcionamiento interno, pero no explica cómo esa célula, cuando se junta con otras, genera la consciencia.

En resumen, los equipos multidisciplinares son clave para resolver problemas complejos. Cada persona podrá aportar un conocimiento y una perspectiva diferente sobre el sistema y el problema. Además, el uso de otras formas de pensar, otras técnicas y herramientas suele dar lugar a avances inesperados.

En estos equipos, creo que es importante que haya personas que sean más generalistas, que conozcan todas (o casi todas) las áreas implicadas, aunque no sean expertas en ellas.

En mi experiencia, mientras más experta es una persona en un área, más le cuesta ver la foto global y más le cuesta comunicarse con expertos de otras áreas. Personas capaces de hablar el «idioma» de cada experto, viene muy bien para tener esa foto global y establecer conexiones que el resto no ve.

Y bueno, teniendo en cuenta todo lo que he dicho sobre la importancia de la exploración y la diversidad, tampoco es que sea una sorpresa esta estrategia no ;-)

Más diversidad en conocimientos y formas de pensar, lleva a más y mejor exploración de las posibles soluciones y a más innovación. Así que hay más probabilidades de encontrar una solución al estado actual del problema.

Soluciones dinámicas

Hay problemas para los que el mismo sistema puede desarrollar habilidades dinámicas y flexibles que permitan solucionar las distintas mutaciones y cambios del problema.

Un ejemplo sería el sistema inmune, que está constantemente usando la exploración para detectar problemas y la explotación cuando detecta uno. Es un sistema dentro de un sistema (el ser vivo), que se adapta constantemente a los posibles ataques que este sistema superior vaya encontrando.

O nuestro sistema locomotor, que se adapta constantemente para producir soluciones óptimas al problema de tener que coordinar muchísimas partes móviles e interconectadas de forma eficiente (el problema de los grados de libertad en el control motor).

Podría ser un departamento dentro de una organización. Uno que sea lo suficientemente pequeño y diverso como para adaptarse constantemente a las necesidades de la misma y que esté continuamente explorando nuevas soluciones.

Yo incluiría las habilidades que desarrollamos de forma dinámica y flexible para resolver problemas en un dominio. No el aplicar técnicas o soluciones preestablecidas, sino ser capaces de adaptar soluciones a las características del sistema en cada momento.

Y quizás podríamos incluir los modelos basados en agentes (MBA), como herramienta dinámica que nos puede permitir explorar diferentes intervenciones para enfrentarnos al problema complejo.
Expliqué en qué consisten esos modelos y cómo funcionan en este artículo.

Resumen

Si tenemos que enfrentarnos a problemas complejos, lo primero es entender las características básicas de los sistemas complejos y asumir que no existe una única solución definitiva al problema.

Necesitaremos un constante trabajo de exploración combinado con cierta explotación y deberemos evitar estrategias simplistas que ignoren esas características que hacen al problema (y el sistema en el que existe) complejo.

Múltiples puntos de vista nos darán una gran ventaja frente a un único punto de vista por muy experto que sea. Pero hay que tratar de encontrar la intersección entre los distintos puntos de vista.

Debemos evitar buscar soluciones que traten de tener en cuenta todos los factores, casos y variables. Eso solo nos llevará a una solución estática muy complicada, o incluso compleja, que terminará siendo un problema en sí mismo.

Y en vez de tratar de controlar e intervenir el sistema para solucionar el problema, debemos influir en él. Podemos jugar con parámetros como la diversidad, la interconexión, los incentivos y el entorno en general, para que el sistema se vaya autoorganizando en torno a una solución más alineada con el resultado que esperamos.

En fin, nadie dijo que los problemas complejos eran sencillos, pero sí son interesantes :-)

Siento el retraso con el artículo, aunque creo que valdrá la pena. En este artículo conectaré muchas de las ideas que hemos ido aprendiendo en artículos anteriores con otras de las que hablaré más adelante. Así que el artículo servirá un poco de puente.

O eso espero.

Índice

• Introducción

• Advertencia sobre los modelos

• ¿Qué es el juego?

  • Definición

  • Repaso: exploración vs. explotación

  • El juego como comportamiento emergente

• Entrenando agentes

  • Ejemplo práctico

  • Calibración

  • Desarrollo interno del agente

  • Creando atractores y reduciendo la fragilidad

  • Cuidado con pasarse

  • Beneficios de usar el juego para entrenar agentes

• Resumen

Introducción

En el artículo anterior hablé sobre los modelos basados en agentes (MBA) y en cómo estos nos pueden ayudar a entender mejor los sistemas complejos, e incluso, ayudar a predecir los posibles efectos de intervenciones o cambios en los mismos.

También prometí que en este nuevo artículo hablaría de una herramienta que llevamos usando desde que existe nuestra especie y que no requiere tecnología alguna. ¿Ya sabes cuál es?

El título hace «spoiler», así que imagino que sí, pero espero que al menos hayas tratado de averiguarlo.

Pues sí, esa herramienta que usamos desde que existe nuestra especie, es el juego. En este artículo me gustaría explicar:

• ¿Qué es el juego?

• ¿Por qué se puede considerar una herramienta para trabajar con sistemas complejos?

• ¿En qué nos ayuda?

• ¿A qué problemas podemos aplicarla?

• ¿Cómo usarla?

• Algunas advertencias

Reconozco que tengo un sesgo muy fuerte con este tema. El juego me interesa mucho desde el siglo pasado (sí, soy suficientemente viejo como para que ya me obsesionaran cosas en el siglo pasado...) y no es la primera vez que escribo sobre él, ni será la última.

Pero eso no quita que el juego sea una herramienta muy útil, e infravalorada, que puede ayudarte a la hora de enfrentarte a según qué sistemas complejos. Al fin y al cabo, el juego, al igual que los MBA, nos permite simular situaciones y problemas en sistemas en los que las interacciones entre agentes son clave.

Eso sí, esta herramienta será útil fundamentalmente para sistemas con «agentes fuertes», generalmente personas o animales. Aunque también se están usando con éxito en sistemas basados en redes neuronales artificiales, que pueden aprender las reglas de un juego y encontrar formas creativas de jugar, simplemente jugando contra otros agentes (artificiales o humanos).

Advertencia sobre los modelos

Antes de nada, debemos recordar que los modelos, por definición, no son representaciones 100% fiables de la realidad. Esto es algo que a veces olvidamos y que Alfred Korzybski reflejó en su famosa frase: «El mapa no es el territorio».

Y autores como Jorge Luis Borges o Lewis Carroll lo reflejaron en historias en las que se trataba de hacer un mapa tan realista, que terminaba siendo del tamaño del país, lo que lo hacía totalmente inútil como mapa.

Un mapa, como cualquier modelo, tiene que tener la información necesaria para que sea útil y representativo, pero debe estar suficientemente simplificado, como para que se pueda trabajar con él. Por eso, por definición, un modelo siempre será una simplificación y le faltará mucha información. Pero, si se deja la información adecuada para el problema que se desea resolver, será suficiente para poder trabajar.

Por ejemplo, para ir en coche de una ciudad a otra, un mapa que muestra las carreteras será suficiente. Un mapa con todos los detalles sobre la geografía de la región no solo no será útil, sino que puede resultar más difícil usar.

Esto pasa tanto con los MBA como con los juegos. De hecho, cuando veamos el apartado de cómo diseñar los juegos, veremos que elegir qué grado de representación queremos y la información más relevante para nuestro objetivo concreto, es la base de un buen diseño.

¿Qué es el juego?

Existen muchas definiciones de lo que es el juego, pero podríamos definirlo así:

Juego: Actividad libre y placentera, delimitada en un tiempo y espacio, con unas reglas aceptadas (que pueden adaptarse), cuya motivación es intrínseca. Es decir, se juega por el disfrute de jugar, no por otro motivo externo. A menudo implica simular una situación similar a la vida real, pero en un entorno seguro y con las variables más controladas.

El juego es abierto, en el sentido de que no hay una única forma de jugar, cada jugador es libre para actuar como desee, dentro de las reglas. Esto lleva a la exploración y la creatividad.

En el juego, cada participante debe interactuar con el entorno y otros posibles jugadores. A veces, esas interacciones implican competencia, cooperación o una combinación de ambas.

Es importante resaltar que, aunque el juego tenga un objetivo y se pueda obtener un beneficio de él (aprender o desarrollar habilidades), la motivación de quien participa es pasarlo bien jugando. Si la motivación es otra (una motivación externa), no se considera juego y si se acaba la diversión, se acaba el juego.

Esto podemos verlo en niños o en cachorros. Si para alguno de los que participa ya no es divertido, este deja de jugar.

El juego es probablemente la primera herramienta pedagógica que hemos tenido y que usan todos los animales. Al final del artículo espero que quede clara esta relación entre el juego y el aprendizaje.

Como adultos, solemos ver el juego como algo infantil y que no tiene ninguna utilidad, pero el juego no es algo exclusivo de la infancia. De hecho, existen juegos más típicos de adultos.

Veamos algunos ejemplos:

1. Juegos de rol: Juegos de rol como «Dungeons & Dragons» permiten a los jugadores explorar situaciones complejas en un entorno ficticio. Estos juegos pueden ayudar a los jugadores a desarrollar habilidades de toma de decisiones, resolver problemas, trabajar en equipo, la empatía y comunicarse efectivamente.

2. Videojuegos de simulación: Algunos videojuegos se diseñan específicamente para simular situaciones reales. Juegos como «The Sims» simulan la vida cotidiana, mientras que otros como «SimCity» o «Cities: Skylines» permiten a los jugadores experimentar con la planificación y gestión de una ciudad.

3. Juegos de mesa de estrategia: Juegos de mesa como «Risk» o «Catan» pueden ayudar a los jugadores a aprender sobre estrategia, negociación y gestión de recursos. Otros juegos de mesa, como «Pandemic», requieren que los jugadores trabajen juntos para resolver problemas, reflejando la cooperación necesaria en situaciones de crisis.

4. Juegos de cartas: Juegos de cartas como el póker pueden ayudar a los jugadores a aprender sobre probabilidad y estrategia, además de habilidades de lectura de personas y engaño.

5. Simuladores de vuelo y conducción: Los simuladores de vuelo y conducción pueden ayudar a las personas a aprender las habilidades básicas requeridas para pilotar un avión o conducir un coche en un entorno seguro.

6. Juegos de «escape room»: Los juegos de «escape room» físicos y digitales ayudan a los jugadores a desarrollar habilidades de resolución de problemas, trabajo en equipo y pensamiento crítico al desafiarlos a escapar de una habitación o situación usando pistas y resolviendo acertijos.

7. Juegos de deporte: Muchos deportes simulan situaciones de conflicto o competencia, y pueden ayudar a los jugadores a desarrollar habilidades físicas, estratégicas y de trabajo en equipo.

Es importante recordar que, aunque estos juegos pueden simular situaciones reales y ayudar a los jugadores a desarrollar habilidades, todavía son simplificaciones y no pueden capturar toda la complejidad de las situaciones reales. Sin embargo, pueden ser una herramienta útil para la enseñanza y el aprendizaje.

Repaso: exploración vs. explotación

En el artículo sobre la diversidad en los sistemas complejos mencioné dos mecanismos que usan los sistemas complejos para resolver problemas y cumplir sus objetivos:

• Exploración

• Explotación

Esto es algo de lo que hablaré más extensamente en siguientes artículos, cuando hable de estrategias para resolver problemas, pero conviene refrescar estos conceptos antes de seguir.

La exploración consiste en buscar nuevas estrategias y soluciones, mientras que la explotación es usar una solución conocida, para sacarle más provecho y ser más productivos.

En líneas generales y yendo al extremo para entenderlo mejor:

• Si solo exploramos, nunca llegaremos a ningún sitio.

• Si solo explotamos, llegaremos antes a algún sitio, aunque no sabemos si al mejor sitio.

Un ejemplo sería escribir este artículo. Mientras más investigue (exploración), mejor preparado estaré para escribir el artículo, pero si no me pongo a escribir (explotación), jamás lo acabaré, por muy preparado que esté.

— Pero Juanje, esas son estrategias que siguen los sistemas complejos y aquí hablamos de agentes que «juegan» y se autoorganizan. ¿Seguro que es relevante?

Pues sí, porque estamos hablando de «agentes fuertes», es decir, de agentes que son sistemas complejos en sí mismos. Así que usarán este tipo de estrategias para adaptarse a su entorno y resolver los problemas que se vayan encontrando.

— ¿Y qué relación tiene eso con el juego?

El juego es fundamentalmente exploratorio. Se juega por el placer de jugar, así que no es tan importante el resultado final como el camino. Mientras más cosas pruebes, más novedad (más motivante) y más durará.

Debido a que es abierto (no hay una única forma de jugar) y a que se simulan situaciones parecidas a las reales, pero de forma segura, en la que no pasa nada por cometer errores, se promueve la exploración y el descubrimiento de nuevas soluciones y ser más creativos.

Por contra, cuando trabajamos o competimos en un deporte, el objetivo es obtener resultados (motivación externa). En esos casos, se optará más por la explotación, donde te enfocas más en usar soluciones conocidas que en buscar nuevas.

El juego como comportamiento emergente

Juegos muy similares aparecen en culturas muy diferentes a lo largo de todo el mundo. Y en todo tipo de animales, sin que unos enseñen a otros.

En humanos, existe una transmisión oral y escrita que facilita la replicación de estos juegos y sus reglas, pero esto no ocurre en animales. Aun así, se siguen viendo los mismos juegos una y otra vez. Y se sabe que culturas totalmente aisladas, tenían juegos muy parecidos.

Por ejemplo, estos juegos suelen darse en muchos animales diferentes:

1. Persecución y pilla-pilla: Muchos animales jóvenes, como perros, gatos, lobos, y hasta aves, participan en juegos de persecución. Esto a menudo implica correr y tratar de atraparse entre sí. Este tipo de juego ayuda a los animales jóvenes a desarrollar habilidades de caza y evasión.

2. Juego con objetos: Los animales a menudo juegan con objetos, como palos, piedras, o cualquier cosa que encuentren en su entorno. Por ejemplo, los cuervos y los elefantes a menudo son vistos jugando con objetos, y los perros y gatos domésticos también juegan con juguetes.

3. Juegos de lucha y forcejeo: Esto es común en mamíferos como leones, tigres, osos, y caninos. Los jóvenes a menudo se involucran en peleas simuladas, lo que les ayuda a desarrollar habilidades y fuerza para enfrentamientos reales en el futuro.

4. Juego social y de imitación: En manadas o grupos, los animales jóvenes a menudo imitan el comportamiento de los adultos en un contexto lúdico. Esto es común en primates, donde los jóvenes pueden imitar la búsqueda de alimentos o el cuidado de los más pequeños.

5. Juego solitario y exploración: Los animales también a menudo juegan por sí mismos, explorando su entorno y experimentando con diferentes movimientos y comportamientos. Esto es común en animales jóvenes y ayuda en su aprendizaje sobre el mundo que les rodea.

Estos tipos de juegos en animales son cruciales para su desarrollo y a menudo reflejan habilidades que necesitarán en la edad adulta para sobrevivir y prosperar. Como habrás notado, los seres humanos desarrollamos estos mismos comportamientos lúdicos, independientemente de dónde o cuándo hayamos nacido.

Todo esto nos lleva a pensar que el juego es un comportamiento emergente.

Algo bastante curioso que se ha observado es que el juego suele darse en animales inteligentes. Mientras más inteligentes, más suelen jugar. El ser humano, por ejemplo, es el que juega más y de formas más variadas y elaboradas.

Esto podría tener que ver con lo que comentábamos sobre los «agentes fuertes» (también llamados «inteligentes»). El hecho de que cada agente trate de explorar su entorno, y las mejores formas de interactuar con otros agentes, para conseguir su objetivo, es muy posible que lleve a una actitud lúdica.

Este comportamiento, unido al de otros actores que se encuentren en una situación similar (nuevos agentes descubriendo problemas similares), termine desarrollando el comportamiento al que llamamos «juego».

Sea de esta forma o de otra, lo que sí parece estar claro es que el juego suele emerger en sistemas con agentes inteligentes.

Entrenando agentes

Ahora que hemos visto todos los elementos necesarios, vamos con el tema principal del artículo: ¿Por qué se puede considerar una herramienta para trabajar con sistemas complejos?

Como vimos en los artículos sobre los agentes y la autoorganización (primera parte y segunda parte), los agentes perciben su entorno, reaccionando a cambios en el mismo o perturbaciones, así como a otros agentes, reaccionando a sus acciones.

Esto, cuando hablamos de agentes débiles, nos lleva a interacciones muy reactivas. Pero cuando hablamos de agentes fuertes, con memoria, intención y capacidad de aprender y adaptarse, nos encontramos con interacciones más complejas y dinámicas. Ya no reaccionan solo a lo que perciben, sino que cada agente tiene en cuenta las interacciones anteriores, atractores y mecanismos de retroalimentación internos, etc.

Esto, aparte de crear interacciones más dinámicas e impredecibles, significa que el cómo actúe un agente depende de su historia y aprendizaje.

Así que la primera utilidad práctica que podemos encontrar en el juego, en el contexto de los sistemas complejos, es ayudar a los agentes a ser mejores agentes. O lo que es lo mismo, a aprender y adaptarse para interactuar de la mejor manera posible en su sistema.

Desde el cachorro que no sabe ni qué es comida y qué no, o cómo controlar su cuerpo, desplazarse y comunicarse, hasta la persona jugando por primera vez con un simulador de vuelo, permitiéndole aprender a volar sin riesgo de matar a nadie en el intento.

A través del juego y la exploración, el agente va descubriendo qué información es relevante (distinguir la señal del ruido), cuáles son las mejores respuestas a cada situación y creando sus mecanismos internos (mecanismos de retroalimentación y atractores) que le permitan encontrar el comportamiento más adecuado en cada situación.

Esa experimentación (consigo mismo, el entorno y con otros agentes), le permitirá aprender sus límites (físicos o de cualquier tipo), los del sistema y de otros agentes. Algo que habrás experimentado en tus carnes si has interactuado con niños o cachorros.

Ser capaz de explorar y experimentar en un entorno seguro, antes de tener que hacerlo en «la vida real», prepara mejor al agente para cuando tenga que enfrentarse a los problemas de verdad.

Por muy bueno que sea un agente, cuando no tiene experiencia previa, la primera vez que se enfrenta a un problema, responderá mal. Ya sea porque no es capaz de discernir la información importante de la que no lo es, o porque no ha desarrollado aún los mecanismos para reaccionar apropiadamente, lo normal es que falle. Ese error le ayudará a mejorar y aprender a calibrar sus respuestas.

El juego proporciona un entorno ideal para tratar de resolver el problema una y otra vez, pudiendo afinar la respuesta cada vez. Pero como el juego simula el sistema real y se juega con agentes reales, el problema es dinámico. Esto es importante porque crea un aprendizaje más flexible y realista que si la situación fuera exactamente igual cada vez.

En la «vida real» (o el sistema complejo al que pertenezca el agente), nada ocurre dos veces de la misma forma. El sistema y los agentes cambian constantemente, por lo que el agente necesita aprender habilidades que sean adaptables y puedan lidiar con esos cambios constantes.

Ejemplo práctico

Imagina el modelo de los lobos, ovejas, cabras y hierba del artículo anterior. Como vimos, cada agente tiene sus reglas, pero cuando nace, no las conoce. Ni las de los otros agentes. Es más, no sabe qué son los otros agentes. Aun así, actúa (torpemente) según sus propias reglas, sin entender cómo ni por qué.

Pero estos son agentes inteligentes (al menos los animales), así que pueden aprender, para optimizar y lograr sus objetivos. Lo que requiere probar, equivocarse y seguir probando. El problema es que, en algunos casos, el equivocarse significa que te coma el lobo.

Así que los agentes recién nacidos, exploran su entorno y van aprendiendo sobre sí mismos, otros agentes jóvenes de su especie y sobre las reglas que le guían.

El lobo no sabe cómo se caza, así que empieza a imitar a su madre cuando juega con sus hermanos. Así, los cachorros aprenden a acechar, perseguir, huir, morder, controlar, etc. Aprenden jugando, en un entorno seguro que les permite cometer errores y explorar las opciones hasta que vayan desarrollando aquellas que les funcionen mejor.

Las cabras, por su lado, no saben buscar comida o huir de los lobos, así que explorarán el terreno, aprenderán cómo encontrar los mejores sitios para comer, al tiempo que jugarán con sus hermanas a perseguirse, lo que les servirá cuando tengan que huir de un peligro real. O, incluso, enfrentarse a él.

Como ves, a partir de la interacción con otros agentes en una versión más pequeña del sistema, los agentes pueden practicar y desarrollar capacidades y habilidades que les permitirán actuar de forma más efectiva cuando se presente la ocasión.

Calibración

Una de esas capacidades que practicará y mejorará cada agente durante esas simulaciones (el juego) será la percepción. Para los agentes aprender a percibir cambios en el entorno (el sistema) y en otros agentes será fundamental. Como vimos en artículos anteriores, los agentes reaccionan ante lo que perciben.

Sobre esa percepción, en el caso de «agentes fuertes», pueden añadir otras capas (memoria, intención, voluntad, etc.), pero siempre reaccionarán basándose en lo que perciban.

Esto es importante, porque a veces tratamos de crear ejercicios para aprender o mejorar, las capacidades o habilidades de los agentes, de forma aislada. Es decir, sin otros agentes y fuera del contexto del sistema.

Ahí se está perdiendo una parte importantísima del aprendizaje que es la conexión entre la percepción y la acción. La percepción y la acción del agente van de la mano.

Además, el sistema real será dinámico y para que un agente pueda funcionar bien en él debe ser capar de adaptarse constantemente a los cambios a su alrededor. Así que esa percepción y la capacidad de reaccionar de manera adecuada, son fundamentales.

Por eso el juego (como simulación en un entorno representativo del sistema) es tan potente para el desarrollo y aprendizaje de los agentes. Pueden, no solo practicar las capacidades y habilidades requeridas, sino que lo harán en contexto y conectando sus acciones a lo que perciban del entorno y los otros agentes.

Esta relación entre la percepción y la mejora respuesta se conoce en algunos entornos como «calibración», ya que requiere mucho ajuste, experiencia y capacidad de percepción el responder de la forma más eficiente y efectiva.

Esto es algo que podemos ver en los simulacros que hacen bomberos y otros profesionales de respuesta a emergencias. No basta con conocer la teoría o practicar las técnicas, es necesario responder de forma adecuada en situaciones de alto estrés.

Por eso, aquellos simulacros que sean más realistas (dentro de los límites del entorno seguro) serán más efectivos para desarrollar la capacidad de comprender la situación de riesgo y actuar, con calma, de forma óptima.

Un ejemplo espontáneo de esto lo vemos en los cachorros de perros jugando a morder (a otros perros o a humanos). Se sabe que aquellos que no juegan de pequeños son más agresivos de adultos y tienen más probabilidades de causar daño. Esto es porque, al jugar, los perros van explorando (en una situación no estresante y relajada) los límites. Cuánto puedo morder sin que se acabe el juego, cuánta fuerza tengo, cuánto me duele si me muerden a mí, qué es juego y qué es abuso o agresión.

Todo eso lo va experimentando y aprendiendo mediante el juego, de tal forma de cuando se dé una situación potencialmente peligrosa, sabe «leer» mejor la situación y sabe reaccionar de forma más proporcional y sin necesidad de escalar la situación.

Cuando un perro nunca ha practicado estas cosas, y se encuentra, ya de adulto (con dientes y fuerza de adulto) con una situación nueva y potencialmente peligrosa, se asusta y reacciona cómo puede. Y lo normal es que se pase de fuerza y agresividad.

La primera vez que nos enfrentamos a una situación desconocida, sobre todo si es potencialmente peligrosa o estresante, actuaremos mal. Nos pasaremos o no llegaremos. Por eso debemos calibrar.

Y mejor calibrar en un entorno seguro y controlado que en medio de un incendio, un rescate o una pelea.

Esa es una de las principales razones por las que existen los juegos de pelea de adultos: «sparring»

El «sparring» no es otra cosa que un juego donde se practica una situación (una pelea) dentro de un sistema reducido y controlado (las reglas del arte marcial o deporte), en el que los agentes aprenden a calibrar sus respuestas.

De hecho, gracias a competiciones como las de «artes marciales mixtas» ha quedado bastante claro que aquellas personas que practican el juego de la pelea (sparring) saben reaccionar mejor en la competición y tienen mejores resultados.

Desarrollo interno del agente

Aparte de las adaptaciones y aprendizajes que hacen los agentes de cara al sistema en el que se encuentran, el juego cumple una función de desarrollo interno.

Pensemos en un bebé. Cuando nace, prácticamente no sabe hacer nada y tendrá que aprender desde desplazarse a coger objetos, comer o identificar elementos del mundo a su alrededor.

Para hacer todo eso, tiene que aprender a controlar su propio cuerpo y entender qué significan las señales que recibe del mundo. Por lo que se volcará en un continuo juego de exploración. Empezará a mover de forma aleatoria su cuerpo viendo qué pasa y qué consigue, hasta obtener resultados interesantes. Si estos son útiles, lo usará más y terminarán siendo soluciones que podrá repetir cuando lo necesite.

Podemos ver ahí un sistema complejo usando la exploración y explotación para aprender a manejarse en su sistema.

A medida que el bebé va logrando hitos importantes (controlar el movimiento de la cabeza, estabilizar el tronco, alcanzar objetos, ponerse a cuatro patas, gatear, etc.) irán apareciendo más opciones. Ve más alto, más lejos, puede desplazarse, puede agarrar objetos, etc. lo que le ofrece nuevas oportunidades. Así que sigue explorando. Lo que antes era óptimo (por ejemplo, gatear), puede que se quede corto, así que seguir explorando y buscar nuevas soluciones es una buena idea.

— Que sí, Juanje, superinteresante cómo el bebé va explorando y desarrollando habilidades. Y sí, aceptamos «explorar» su mundo como juego, pero ¿qué tiene que ver eso con lo que estabas contando?

Pues todo. El bebé es un agente dentro de un sistema que es el mundo que le rodea, así que juega, se adapta y autoorganiza como ya habíamos hablado antes. Pero es que, al ser un «agente fuerte» también en un sistema complejo.

Esto quiere decir, que cada uno de los elementos que forman ese sistema que es el bebé (sistema nervioso, cardiovascular, vestibular, etc.) van a autoorganizarse, aprender y adaptarse también. Y lo harán en función de lo que haga el sistema y los estresores a los que se enfrente.

Es decir, el hecho de que el bebé mueva la cabeza de un lado para otro buscando a su madre, comida o simplemente «jugando» a entender el mundo que le rodea, va a forzar al los agentes que son los músculos de su cuello a organizarse para poder hacer esos movimientos. Como esto ocurrirá mucho, terminarán adaptándose (siendo más fuertes y resistentes).

Lo mismo ocurrirá con los ojos o el oído interno. Estos se autoorganizarán para coordinarse y crear nuevos comportamientos como el equilibrio y la capacidad de orientarse en el espacio.

Es decir, lo que hace el agente (el bebé) para practicar el juego en el sistema, creará perturbaciones, situaciones y comportamientos que obligarán a agentes internos a autoorganizarse y adaptarse.

Evidentemente, eso ocurre con cualquier acción que haga, sea juego o no. La diferencia es que en el juego, se explora mucho más, con lo que se consigue una adaptación más flexible.

Creando atractores y reduciendo la fragilidad

Piensa en cómo te sientas todos los días en una silla. Los componentes del sistema complejo que es tu cuerpo se autoorganizarán y adaptarán a esa postura. Pero si «juegas» a sentarte en el suelo de todas las maneras posibles, los elementos que conforman tu cuerpo, se irán adaptando a más opciones diferentes.

Conectándolo con lo que vimos con los atractores, tendrás más atractores y te será más fácil cambiar de uno a otro. Mientras que si solo tienes uno y muy profundo (sentarte en una silla), en cuanto pase algo en el sistema (caerte al suelo), más le costará a tu cuerpo enfrentarse a esa nueva situación.

Así que el juego, debido a su carácter abierto y seguro, promueve la exploración y esta exploración nos proporciona una mayor variabilidad de situaciones y estímulos. Qué es precisamente lo que hablábamos en el artículo de los atractores para crear más atractores (menos profundos), para reducir así la fragilidad de los sistemas.

Y si queremos añadir variabilidad, nada mejor que otros agentes. Nada más variable que la interacción con otros agentes. Algo que vimos en los artículos anteriores sobre los agentes y la autoorganización.

Y esto conecta con lo que comentaba antes sobre por qué funciona mejor un juego representativo del sistema en el que «vive» el agente, que un «ejercicio» aislado.

Practicar una habilidad sin interacción con otros agentes, no solo no es realista, sino que genera atractores muy fuertes, debido a la falta de elementos que generen variabilidad.

Esta falta de variabilidad y el desarrollar atractores (comportamientos o soluciones a problemas) muy estereotipados y rígidos, termina creando agentes frágiles y poco adaptables.

En cambio, los agentes que se desarrollan en entornos representativos del sistema en el que tendrán que actuar y con la variabilidad que proporciona interactuar con otros agentes, estarán mejor preparados para los problemas dinámicos que surgen en los sistemas complejos.

Cuidado con pasarse

Una advertencia final, como hemos visto, el juego puede ser una herramienta genial para conseguir que un agente aprenda y se adapte, para funcionar mejor en su sistema. Pero no hay que abusar.

Una de las ventajas principales del juego es la exploración y el ganar resiliencia gracias a la variedad de estímulos y situaciones. Pero si siempre jugamos a los mismos juegos, con los mismos agentes, terminamos explotando las mismas soluciones y tendremos muy poca variabilidad de estímulos y situaciones posibles.

Esto nos puede llevar a crear menos atractores y más profundos, mermando nuestra capacidad de adaptación al cambio y haciéndonos más frágiles.

Así que, es importante variar de juegos, agentes, situaciones, etc. si lo que buscamos es mejorar.

El otro problema es caer en el otro extremo: el cambio constante.

La variación en las interacciones es lo que buscamos, pero si el sistema en sí cambia constantemente, el agente no tiene oportunidad de descubrir las reglas o de generar adaptaciones. Aunque el juego sea principalmente exploración, debemos dejar algo de espacio para la explotación de las soluciones que parecen válidas. De esta forma, se crearán atractores, es decir, pasarán a formar parte de nuestro repertorio de soluciones más probables.

Beneficios de usar el juego para entrenar agentes

A modo de resumen, diría que cuando diseñamos (o emerge) un juego en el que diferentes actores interactúan en una versión simplificada de su sistema, los agentes consiguen:

• Aprender sus reglas implícitas.

• Aprender a percibir el entorno y los otros agentes.

• Entender las reglas de otros agentes.

• Aprender las reglas del sistema.

• Predecir los cambios en el sistema o acciones de los otros agentes.

• Creación de meta-reglas.

• Aprender límites:

  • Propios (agente).

  • De otros agentes.

  • Del sistema.

• Descubrir nuevas soluciones.

• Desarrollar (el agente) mecanismos de retroalimentación para autorregularse y motivarse.

• Exponerse de forma controlada y segura a perturbaciones y estrés, para ganar flexibilidad, variabilidad, resiliencia y desestabilizar atractores.

• Que los agentes internos (del cuerpo) aprendan a organizarse.

• Poner al agente en diferentes situaciones para que se adapte y aprenda.

¡Casi nada!

Resumen

El juego se da de forma espontánea en algunos sistemas complejos con agentes fuertes o inteligentes, es un comportamiento emergente. En sistemas en los que no se suele desperdiciar energía y en la que cada acción impacta al resto del sistema, da que pensar que se den estos comportamientos sin aparente funcionalidad.

Pero, como hemos visto, el juego puede ser muy útil para que los agentes inteligentes ganen conocimiento de sí mismos, el sistema y las reglas que gobiernan a ambos. Le permite aprender y desarrollarse más rápido y de forma más adaptable.

Esto es algo que ocurre sin que nosotros hagamos nada, pero también podemos aprovechar esta estrategia para crear mejorar en los agentes o, incluso, experimentar para buscar nuevas soluciones, más creativas.

De hecho, ya se usa en educación infantil, educación física, algunos sistemas de entrenamiento para deportes, servicios de emergencia, «team building» (creación de equipos), etc.

La creación de pequeños juegos que representan una versión simplificada, más segura y menos estresante, de una situación real, se utiliza en esos y otras muchas áreas. Quizás no desde el punto de vista sistémico y quizás su diseño podría mejorarse teniendo en cuenta muchos de los puntos vistos en este artículo, pero se usa desde hace mucho.

Si te ha generado interés este tema, dale a «me gusta» o deja un comentario. Si veo que la temática interesa, crearé algún artículo profundizando en cómo diseñar juegos con estos objetivos en mente y pondré algunos ejemplos prácticos.

Espero que te haya gustado el artículo y siento que sea más largo de lo esperado, pero al final es un tema que sirve de puente entre muchas de las características de los sistemas complejos que hemos visto, los que vamos a ver y otros temas de los que quería hablar como la percepción, el aprendizaje, la adaptación, etc.

Sobre todo porque estan surgiendo charlas (una sobre movilidad articular y anatomía aplicada en un instituto en La Palma, y otra virtual a mis compis de trabajo, en Red Hat, sobre cómo aprendemos) y eso también quita tiempo.

Pero vamos al lío, porque el artículo de hoy es interesante.

Índice

• Introducción

• Dinámicas emergentes

  • ¿Qué es un umbral?

  • Modelo de segregación

  • Feedbacks, externalidades e interdependencias

  • Dinámicas en un ecosistema simplificado

  • Cultura: el sistema es distinto a la suma de los agentes

• Redes como estructuras emergentes

• Modelos basados en agentes

• Resumen

Introducción

En el artículo anterior veíamos lo que eran los agentes y cómo estos se autoorganizan en los sistemas complejos, sin necesidad de un plan o alguien externo que los dirija. Además, vimos cómo esta autoorganización se crea gracias a que cada agente sigue unas reglas muy sencillas y que reacciona ante cambios en el entorno o frente a los otros agentes.

En ese artículo me centré más en el qué, pero en este me centraré más en el cómo.

¿Cómo surgen estos nuevos comportamientos y estructuras en los sistemas complejos a partir de estas simples interacciones entre sus agentes?

También veremos cómo influyen dichos cambios en la complejidad, dinamismo e impredecibilidad de dichos sistemas. Para luego explorar una herramienta que nos ayudará mucho a entender estos sistemas y tomar decisiones: los modelos basados en agentes.

Dinámicas emergentes

¿Qué es un umbral?

Antes de comenzar a analizar las distintas dinámicas que emergen de esta autoorganización, es conveniente entender el concepto de «umbral»:

Umbral: Es el valor límite que, una vez superado, provoca un cambio en el estado o comportamiento del sistema. Los umbrales son fundamentales para entender los puntos de inflexión, ya que el sistema cambia de estado o comportamiento una vez se cruza el umbral.

Si no has leído el artículo sobre los «atractores», te recomiendo que lo hagas, puesto que está muy relacionado con esto y usaré ejemplos de ese artículo. A modo de resumen, podríamos decir que los atractores son estados estables a los que tiende un sistema.
Por ejemplo, el cuerpo humano tiene un estado estable en el que su temperatura es de 36,5 °C. El organismo usará diferentes mecanismos para volver a dicha temperatura cada vez que se aleje de ella. Independientemente de las variaciones internas o externas, el sistema tenderá hacia ese estado estable.

Pero, si las variaciones son muy grandes, puede que se sobrepase el límite que es capaz de rectificar. Ese punto será el «umbral». Dependiendo de si el sistema tiene otros estados estables o no, una vez se sobrepase dicho umbral, pueden pasar dos cosas:

• Se cambia a otro estado estable. Lo que se llama un «cambio de fase».

• Se alcanza el punto de saturación, donde la capacidad del sistema para absorber o adaptarse a cambios adicionales está limitada, y su rendimiento o eficacia comienza a degradarse. En situaciones extremas, este estado podría llevar al colapso del sistema.

Estos atractores, o estados estables, de un sistema suelen generar un comportamiento del mismo, así cuando un sistema con varios atractores sobrepasa un umbral, suele cambiar su comportamiento.

— Muy bien, todo esto es superinteresante, ¿pero qué tiene que ver con los agentes o la autoorganización?

Pues mucho, ya que la forma en la que se comportan los agentes, e incluso sus reglas, pueden «cambiar» si se sobrepasan ciertos umbrales. Esto quiere decir, que las reglas simples y fijas que siguen los agentes pueden cambiar, cambiando así las dinámicas entre los agentes.

Bueno, en realidad las reglas en sí no cambian, como explicaba en el artículo anterior, el agente puede crear nuevas reglas (meta-reglas) que actúen sobre las anteriores.

Esto puede ocurrir a nivel del sistema o de cada uno de los agentes. Esto es así porque, como vimos en el artículo anterior, los agentes pueden ser en sí mismos sistemas complejos, con atractores, umbrales y cambios de fase.

Umbral del agente

Los agentes siguen reglas simples y fijas, pero si debido a las interacciones con otros agentes y el entorno, un agente sobrepasa un umbral, este puede cambiar su comportamiento y seguir otras reglas.

Por ejemplo, una esponja absorbe líquidos, pero llegado un punto, moja en vez de secar.

Umbral del sistema

Del mismo modo, el sistema tiene sus umbrales y si se sobrepasa alguno de ellos, el sistema entero puede cambiar su comportamiento.

Por ejemplo, una piscina llena de esponjas absorberá agua mientras tenga agentes que sean capaces de absorber agua. Cuando suficientes agentes superen su umbral individual de absorber agua, el sistema como tal dejará de absorber y mojará.

Lo sé, es un ejemplo algo simplista y ridículo, pero creo que es suficientemente gráfico para entender el concepto.

Modelo de segregación

Un ejemplo más realista sería el modelo de segregación desarrollado por el premio Nobel en economía Thomas Schelling en 1971, en el que demostró cómo los comportamientos a nivel micro y macro pueden ser muy diferentes. Este modelo se basa precisamente en el umbral de los agentes y el sistema, en concreto el umbral de tolerancia.

En el modelo, Schelling describe un sistema que puede ser una ciudad y unos agentes que pueden ser personas con diferentes características (puede ser la raza, las ideas políticas, la religión o cualquier otra característica). En este sistema, cada agente es bastante tolerante y, aunque le gusta estar con gente similar, no cambiaría de barrio a no ser que hubiera menos de un 35% de agentes iguales a él.

Es decir, el agente vivirá feliz mientras haya al menos 3 de cada 10 agentes que sean como él. Hay bastante margen para la diversidad ahí.

Pues su modelo demuestra como pasado un tiempo esos agentes, que siguen siendo igual de tolerantes (no han cambiado su umbral), se terminan juntando en barrios de iguales, creando una ciudad segregada.

Es decir, aunque los agentes son tolerantes individualmente, el sistema no muestra un comportamiento tolerante, sino segregado.

Este fue el primer modelo basado en agentes que se usó para explicar fenómenos en sistemas complejos. Veremos más adelante en qué consiste y cómo se usa este tipo de modelos.

En el siguiente enlace tienes un artículo con una versión interactiva del modelo, en el que puedes jugar con el umbral de lolerancia de los agentes y ver cómo afecta a el estado del sistema con el tiempo.
Una forma muy visual y didáctica de ver esto que acabo de explicar:

http://ncase.me/polygons-es/

Añadiendo diversidad de umbrales

Este modelo es muy simple y, aun así, nos ayuda a explicar estas diferencias entre lo que pasa cuando miramos a un agente en particular o si miramos al sistema completo. Pero si lo volvemos más realista y añadimos diversidad, en este caso en los umbrales de los agentes, podríamos ver fenómenos muy comunes, pero que nos suele costar explicar.

Imagina que, en el mismo modelo, cada agente tiene un umbral diferente. Algunos agentes se mudan de barrio solo si más de 7 agentes son diferentes a él, pero hay otros que lo harían desde que haya 5, otros 3, otros 9, 2, etc.

Lo que ocurriría en estos casos es que se aceleraría mucho más el cambio del sistema, creándose una «avalancha» de mudanzas que generaría una segregación rápida e imparable.

Esto es lo que pasa en revueltas, disturbios en manifestaciones, fenómenos virales, etc.

En una manifestación pacífica en la que todo el mundo tiene un umbral de violencia similar (por ejemplo, «solo si hay cargas policiales sería capaz de ponerme agresivo»), es muy poco probable que pase nada, salvo que haya un evento inesperado («cargas policiales sin provocación»).

En cambio, si existe mucha diversidad en el grupo, habrá gente que necesitaría una razón muy fuerte para usar la violencia, mientras que otras personas, con poco (o nada) ya tendrían.

Esto haría que cualquier evento mínimo pudiera crear una escalada de violencia rápida e inesperada.

Las personas con un umbral bajo explotarían por poco, luego le seguirían las personas con un umbral algo más alto, y así sucesivamente.

Por hacerlo más concreto, imagina que en un local hay 10 persona y cada una tiene un umbral de 5 para irse. Es decir, solo se irán si ven irse a, al menos, 5 personas. Si se va 1 persona, 2, 3 o incluso 4, nadie sentirá la necesidad de irse. Solo si se van 5, el resto sentirá que debe irse y lo harán a la vez.

Pero si en el grupo de 10 personas, estos son sus umbrales: 3, 4, 10, 2, 6, 1, 5, 5, 1, 9. Desde que haya un evento de 1 o 2, se producirá una cascada.

Por ejemplo, si se va 1 persona, ya habrá en ese grupo 2 personas de umbral 1, que decidirán irse. Lo que quiere decir que se habrán ido 3; con lo que las personas con umbrales 2 y 3, se irán; con lo que ya se habrán ido 5, así que las personas con 4 y 5 de umbral estarán camino de la puerta; con estos ya son 8, así que el de umbral 6 ya querrá irse; etc.

Como puedes ver, hace falta un evento más pequeño y la cascada que se genera no solo es rápida, sino imparable. Una vez comienza, ya no hay vuelta atrás. Se puede parar antes de llegar al final, pero nunca podrá volver hacia atrás.

Esta es una característica típica de los sistemas complejos, su capacidad de generar grandes eventos, o eventos extremos, a partir de cambios muy pequeños. No son los más comunes, pero si se dan las condiciones de interconexión, diversidad y retroalimentacion, puede ocurrir.
Podríamos expresarlo más formalmente asi:

En un sistema suficientemente interconectado e interdependiente, con alta diversidad y mecanismos de retroalimentación positiva, una pequeña perturbación puede desencadenar eventos extremos.

Un ejemplo de esto sería la Primera Guerra Mundial, como explicaba en el artículo de la sensibilidad a las condiciones iniciales del sistema.

Feedbacks, externalidades e interdependencias

Como vimos en el artículo de la retroalimentación, los mecanismos de retroalimentación (o feedback), son clave para entender los sistemas complejos y sus dinámicas. De hecho, acabamos de ver cómo pueden tener un papel fundamental en desestabilizar un sistema y llevarlo a otro estado estable (atractor) o al colapso.

Ahora vamos a ver cómo los distintos tipos de feedback, junto con otros mecanismos parecidos (las externalidades) pueden generar las interdependencias entre los agentes y ser responsables de mantener un equilibrio dinámico. Un estado en el que el sistema está en constante cambio, pero en un relativo equilibrio.

Pero primero, vamos a repasar el concepto de retroalimentación, o feedback, y definir brevemente las externalidades:

1. Feedback: Es un ciclo de interacciones que puede aumentar (feedback positivo) o disminuir (feedback negativo) los efectos de un cambio en el sistema.

   • Feedback Positivo: Es como un círculo virtuoso o vicioso, dependiendo del contexto. Imagina que te ríes, y eso hace reír a los demás, lo que a su vez te hace reír aún más. En un sistema, un cambio inicial causa una respuesta que amplifica ese cambio. Es un efecto bola de nieve.

   • Feedback Negativo: Actúa como un estabilizador. Piensa en tu termostato de casa. Cuando hace demasiado calor, el aire acondicionado se enciende para enfriar la habitación. Y cuando hace demasiado frío, la calefacción se activa para calentar la habitación. En un sistema, una alteración inicial provoca una respuesta que mitiga ese cambio. Es como un sistema de equilibrio.

2. Externalidad: Es el efecto que una acción o decisión tiene sobre otros que no participaron directamente en esa acción o decisión.

   • Externalidad Positiva: Cuando la acción de un agente en el sistema beneficia a otros. Por ejemplo, si un jardinero cuida su jardín y esto aumenta el valor de las casas cercanas, eso es una externalidad positiva.

   • Externalidad Negativa: Cuando la acción de un agente en el sistema perjudica a otros. Un ejemplo clásico es la contaminación. Si una fábrica produce residuos tóxicos que dañan el medio ambiente, eso es una externalidad negativa. Los que sufren los efectos no participaron en la producción de los residuos, pero están sufriendo las consecuencias.

Dinámicas en un ecosistema simplificado

Para ver cómo emergen dinámicas de las reglas sencillas que tiene cada agente, vamos a definir un modelo simplificado. El modelo consiste en un ecosistema con cuatro tipos de agentes (hierba, cabras, ovejas y lobos), que tendrán unas reglas y unas relaciones.

Este modelo está muy simplificado, en un sistema real, existen muchos mas elementos que afectarían a estas dinámicas. Por ejemplo, este es un sistema cerrado, es decir, que no hay interacciones con el exterior.
Esto es algo totalmente irreal, pero que ayuda a centrarnos en lo que queremos aprender del modelo.Por otro lado, usamos (por la misma razón) agentes débiles. Como vimos en el artículo anterior, los agentes débiles no tienen memoria ni capacidad de aprender o adaptarse.
En la realidad, estos agentes serían «fuertes», es decir, las cabras, las ovejas y los lobos se adaptan a su entorno y aprenden de sus interacciones.

Pero para el propósito de lo que queremos ver, este sistema simplificado nos sirve. Aquí tienes estas definiciones para nuestro sistema:

• Tipos de agentes:

  • Hierba

  • Cabras

  • Ovejas

  • Lobos

• Reglas:

  • Comer

  • Si sobra comida, reproducirse

• Relaciones:

  • Cabra y oveja comen hierba

  • Lobo come cabras y ovejas

A partir de estas definiciones, podemos empezar a inferir algunas de las dinámicas que se van a generar. O, en términos de sistemas complejos, dinámicas que van a emerger.

Vemos, por ejemplo, como si hay más hierba, las cabras y ovejas tienen más comida, así que (siguiendo sus reglas) deciden reproducirse, creándoce una retroalimentación (o feedback) positivo. Por otro lado, si hay más cabras y ovejas, los lobos tienen más comida, con lo que también decidirán reproducirse.

Así que, aunque la hierba no influya en los lobos y viceversa, el hecho de que haya más hierba implicará más comida para los lobos, así que se está produciendo una externalidad positiva.

Puedes seguir la misma lógica para seguir los casos de la tabla. Incluso podrías encontrar más casos. Por ejemplo, al haber más lobos, comerán más cabras y ovejas, disminuyendo su población; lo que hará que coman menos hierba, etc.

Estas dinámicas se suman generando interdependencias entre los distintos agentes del sistema haciendo que un cambio en un agente afecte a todo el sistema y de formas cada vez más impredecibles.

Es decir, mientras más interdependencias, más impredecible.

Además, si sigues el encadenamiento de estas reglas, verás como terminarán formándose cíclos.
No habrá un estado estable y estático (las poblaciones de agentes fluctuarán), el sistema estará en continuo cambio. Aunque, si miramos esas fluctuaciones en el tiempo, veremos que se consigue un equilibrio dinámico.

Nota: Otras características que no tiene en cuenta este modelo, aunque en los sistemas complejos tiene mucha importancia, son las siguientes:

• El espacio

• La localización

• La diversidad dentro de los tipos de agentes y variabilidad en sus características. No hay dos ovejas o dos lobos iguales.

Cultura: el sistema es distinto a la suma de sus agentes

Como pudimos ver en el modelo de segregación, el comportamiento o características del sistema pueden ser muy diferentes del de los distintos agentes individuales que lo componen. No solo porque los agentes pueden ser muy diferentes unos de otros, sino porque de sus dinámicas emergerán comportamientos y estructuras nuevas.

La cultura es uno de esos fenómenos emergentes que llaman la atención. Es difícil definir qué es la cultura o cómo diferencias una cultura de otra, pero todos somos capaces de reconocerlas. Es un típico caso donde aplicamos el test del pato:

«Si parece un pato, nada como un pato, y grazna como un pato, entonces probablemente sea un pato.»

Si vamos a un país nuevo y muy diferente al nuestro, podemos notar claramente que sus habitantes se comportan, en conjunto, de una forma similar entre ellos, pero diferente a como lo hacen en tu país de origen. Pueden ser costumbres muy obvias (como el contacto físico), o más sutiles, pero se notan.

Lo mismo ocurre en empresas, cada una tiene su propia cultura y se nota mucho la diferencia si cambias de una a otra. Sobre todo si siguen estilos diferentes de gestión, están ubicadas en países diferentes o si el tamaño es muy diferente (por ejemplo, pasar de trabajar en una pyme a trabajar en una multinacional con varios miles de empleados).

A estas alturas no debería sorprendernos por qué es tan difícil especificar qué es lo que hace a una cultura ser de una forma y no de otra, ni por qué es tan difícil de definir. Pero, sobre todo, por qué no se puede imponer o cambiar de forma directa.

Las características de una cultura dependerán de muchos factores que están interconectados y que son interdependientes, de la diversidad de los agentes que componen el sistema del que emerge (un país, una empresa, una religión, etc.), las reglas que sigan dichos agentes y las dinámicas que se generen en el sistema.

Pero hay dos elementos más que son los que ayudan a pasar el «test del pato»:

• Tendencia a la sincronización o coordinación

• Tendencia a la coherencia interna

En los sistemas, los elementos que pasan mucho tiempo juntos, interactuando, tienden a coordinarse o sincronizarse de alguna forma. Es lo que suele llamarse acoplamiento (cuando actúan como un solo elemento) o sincronización de fase (cuando cada elemento sincroniza su ciclo al de otro). Esto se puede ver cuando el público empieza a aplaudir en un concierto. Primero totalmente desincronizado, pero luego cada vez más sincronizado. O las luciérnagas en el sudeste asiático, que terminan parpadeando todas a la vez.

Seguramente habrás notado como gente que pasa mucho tiempo junta (parejas, amigos, hermanos, etc.) suelen terminar teniendo comportamientos muy similares (gestos, expresiones, caras, forma de moverse, etc.). En algunos casos (parejas que llevan mucho años juntos), llegan a parecerse físicamente.

Independientemente de los valores, creencias, conocimientos, voluntad y cultura que aporte cada agente al sistema, se producirá ese efecto de coordinación que hará que, en el contexto de ese sistema, tenderá a tener comportamientos parecidos a los del resto de agentes.

El otro elemento es la coherencia interna. Esto quiere decir que cada agente tenderá a comportarse como su tipo. En el ejemplo del ecosistema, por ejemplo, vendría a decir que una cabra tiende a comportarse como una cabra. A pesar de que cada cabra es diferente y tiene su propia historia, aprendizaje, circunstancias, etc., no deja de ser una cabra y tiene que comportarse según sus reglas internas, sus atractores y demás características que la definen como cabra.

Lo sé, es una obviedad, pero es esa tensión entre sincronizarte con los agentes con los que interactúas y mantener esta coherencia interna lo que hará a la cultura ser una característica que se reconoce, pero que no es del todo homogénea.

Y luego tenemos que esa coherencia interna funciona también para con el sistema. Es decir, un agente tenderá a comportarse como se supone en su cultura. Cada uno ligeramente diferente, pero similar. Esto le permite dos cosas:

• Saber cómo reconocer a agentes de su propia cultura.

• Saber cómo actuar en situaciones nuevas.

Me pondré de ejemplo. Yo soy canario. Mi cultura es una subcultura dentro de la cultura española. Otra persona de España podría darse cuenta de que mi forma de ser, hablar y de actuar es muy diferente a la de alguien de Madrid, Vigo o Sevilla. Somos similares, pero muy diferentes. Se nos puede diferenciar fácilmente. Seguramente, para muchos canarios, no soy «el típico canario», pero alguien de fuera me reconoce fácilmente.

En cualquier caso, puedo reconocer a cualquier persona de las Islas Canarias y automáticamente sabría mucho sobre su forma de actuar de forma genérica, podría asumir muchas cosas. Es lo que hacemos constantemente cuando conocemos a una nueva persona.

Al mismo tiempo, si me encuentro en una nueva situación en la que no sé cómo actuar, mi tendencia (debido a mi coherencia interna y al hecho de ser canario) será actuar como lo haría un canario en esa situación.

Sí, todas mis motivaciones, tendencias, costumbres y aprendizajes internos influirán mucho en esa acción, pero el hecho de pertenecer a una cultura, me descargará mucho el peso de esa decisión.

Evidentemente, todos estos procesos son inconscientes. Son reacciones a nivel de agentes y sistemas, que luego podemos procesar internamente, al ser agentes fuertes que aprenden y tienen voluntad. Pero, como seguramente habrás experimentado, gran parte de las veces, simplemente reaccionamos a nuestro entorno y lo que nos pasa. Y luego tratamos de darle sentido.

Redes como estructuras emergentes

Una red es simplemente un conjunto de elementos o «nodos» que están conectados entre sí de alguna manera. Estos nodos pueden ser cualquier cosa: personas, empresas, neuronas, páginas web, o incluso conceptos abstractos como palabras o ideas. Las conexiones entre ellos, a las que solemos llamar «enlaces» o «aristas», representan alguna relación o interacción entre los nodos.

Las redes pueden parecer simples a primera vista, pero esconden una gran cantidad de información. Cada nodo puede tener sus propias características y cada enlace puede tener su propio peso o dirección. Además, la forma en la que los nodos están conectados entre sí (la «topología» de la red) puede tener un gran impacto en el comportamiento del sistema.

El espacio y la localización importa... ¡y mucho!

En los sistemas complejos, el espacio y la localización de los agentes es muy relevante. No es como en los sistemas dinámicos, donde lo más importante es el flujo y el stock. En los sistemas complejos, dónde se encuentran los agentes y cómo están conectados puede tener un gran impacto en el comportamiento del sistema.

Imagina, por ejemplo, a los jugadores en un partido de fútbol. No solo importa dónde está cada jugador y qué tipo de jugador es (un defensa, un centrocampista, un delantero...), sino también qué conexiones tiene con los demás. ¿Puede ver a sus compañeros? ¿Puede comunicarse con ellos? ¿Puede pasarles el balón?

Y cuando digo espacio, me refiero a cuánto espacio (físico, virtual o del tipo que sea) hay entre los nodos. Mientras más espacio, más lenta será la comunicación. Algo que puede afectar a las interacciones.

Además, en un espacio muy reducido, los agentes podrán comunicarse mucho más fácilmente con más nodos. El sistema estará hipercomunicado. Por el contrario, si hay mucho espacio (por ejemplo, pueblos pequeños repartidos en un área muy extensa) las conexiones serán más escasas e indirectas. Esto afectarán a cómo se comuniquen los agentes.

¿Cómo emergen las redes en los sistemas complejos?

Las redes pueden surgir de manera espontánea en los sistemas complejos debido a las interacciones entre los agentes. Por ejemplo, las personas pueden formar redes de amistad a medida que se conocen y establecen relaciones. Las empresas pueden formar redes de colaboración a medida que realizan acuerdos y contratos entre ellas.

Estas redes son ejemplos de lo que se conoce como «propiedades emergentes débiles». Son propiedades que no están presentes en los agentes individuales, pero que se pueden intuir a partir de ellos y sus interacciones.

Sistemas complejos como redes dinámicas

Hay que tener en cuenta que muchas de las redes que estamos acostumbrados a ver y analizar (red de transporte, red eléctrica, red de ordenadores, etc.), son redes fijas. Ni sus nodos, ni sus conexiones cambian.
Pero cuando hablamos de redes en sistemas complejos, hablamos de redes dinámicas. Tanto los nodos como las conexiones pueden y suelen cambiar. Tanto la estructura, como la topología puede cambiar.

Piensa en las conexiones de una red social de cualquier tipo (física, virtual, laboral, familiar, etc.) o en las relaciones que interconectan proveedores, clientes, socios y la competencia de un mercado.

¿Cómo afectan las conexiones y estructura a las interacciones y autoorganización?

La estructura de una red puede tener un gran impacto en las interacciones entre los agentes y en la autoorganización del sistema. Por ejemplo, en un entorno de oficina, los empleados que están cerca unos de otros probablemente interactuarán más, lo que puede llevar a la formación de grupos de trabajo y a la emergencia de culturas de oficina.

Por otro lado, en un entorno de trabajo remoto, las conexiones físicas desaparecen y las conexiones virtuales toman el relevo. Esto puede cambiar radicalmente las interacciones y la autoorganización del sistema.

Las redes también pueden jugar un papel crucial en la propagación de enfermedades, de noticias y rumores, y en la robustez de los sistemas frente a fallos y ataques. Pero estos son temas para otro día...

Por ahora, lo importante es entender que las redes son una característica fundamental de los sistemas complejos y que su estructura puede tener un gran impacto en el comportamiento del sistema.

Modelos basados en agentes

Los Modelo Basado en Agentes son un tipo de simulación por ordenador que nos permite entender mejor cómo se comportan los sistemas complejos. Es una herramienta muy potente, ya que nos permite modelar y simular la conducta de sistemas complejos de una manera muy detallada y realista. En este tipo de modelos, cada agente es representado de manera individual y puede tener sus propias características y reglas de comportamiento.

Imagina que estamos analizando el ecosistema de antes. En un MBA, cada lobo y cada oveja serían representados como agentes individuales, cada uno con sus propias características (edad, tamaño, salud, etc.) y reglas de comportamiento (los lobos cazan ovejas, las ovejas huyen de los lobos, etc.).

Estos agentes interactúan entre ellos y con su entorno, y a partir de estas interacciones emergen propiedades y comportamientos a nivel del sistema, que no siempre son evidentes a simple vista. Por ejemplo, podríamos observar cómo se forman manadas de lobos, cómo cambia la población de ovejas en respuesta a la presión de los lobos, cómo afecta el clima a estas interacciones, y muchas cosas más.

Los Modelos Basados en Agentes son especialmente útiles en situaciones donde hay mucha incertidumbre o donde las reglas que rigen el sistema son muy complejas. Por ejemplo, podríamos usar un MBA para modelar y simular el comportamiento de un mercado económico, donde los agentes son las empresas y los consumidores, cada uno con sus propias reglas de comportamiento y metas.

Además, los MBA nos permiten experimentar con diferentes escenarios y predecir cómo podría evolucionar el sistema bajo diferentes condiciones. Si volvemos a nuestro ejemplo del ecosistema, podríamos simular qué sucedería si aumenta el número de lobos, si cambia el clima, si introducimos una nueva especie, etc.

Algo importante de los MBA, es que no solo tienen en cuenta los tipos de agentes, los flujos de información o energía y el «stock», como hacen los modelos de sistemas dinámicos. Además de eso, tienen en cuenta la diversidad de los agentes (cada agente es diferente y reacciona ante su entorno más cercano) y la localización.
Esto es importante y lo veíamos en el apartado de las redes. Dónde está situado cada agente influirá en cómo interactuará con el resto. Por ejemplo, si hay más hierba en una zona que en otra, las zonas de caza de los lobos, la distribución del terreno, etc. afectará a la población de ovejas. Y como vimos en el modelo de segregación, los movimientos de los agentes importan.

Por todo esto, los MBA son, a día de hoy, probablemente la herramienta más potente para tratar de entender los sistemas complejos. Además, con el avance de los sistemas informáticos y los programas para modelar, los MBA están al alcance de cualquiera.

Aquí tienes dos herramientas de modelado. Aunque se pueden programar los modelos con lenguajes de programación específicos para ello, también se pueden usar sus interfaces gráficas:

• NetLogo

• GAMA Platform

Eso sí, los MBA no son mágicos. Primero requieren cierta experiencia y habilidad para definir bien los modelos. Tienes que simplificar lo suficiente el sistema, para que pueda modelarse, pero tiene que ser suficientemente representativo, para que (tanto los agentes como el sistema) actúe lo más parecido al sistema complejo real.

Dicho esto, creo que el simple esfuerzo de tratar de definir fielmente el sistema, para poder crear el modelo, te da un conocimiento del sistema muy valioso. De hecho, expertos en este área lo consideran una de las principales ventajas de esta forma de trabajar.

Resumen

En el artículo anterior vimos qué eran los agentes, la autoorganización y qué relación había entre ambos. En este hemos ahondado más en ambos conceptos viendo cómo las interacciones entre agentes pueden generar nuevos comportamientos y estructuras (como las redes) que hace que los sistemas se puedan comportar de formas totalmente diferentes (e impredecibles) a sus agentes.

Ya sabíamos que los sistemas complejos suelen tener mecanismos de retroalimentación (feedback), pero aquí hemos visto cómo estos mecanismos no tienen por qué existir en el sistema, sino que pueden emerger de las interacciones de sus agentes. Y cómo el feedback y las externalidades terminan generando las interdependencias que hacen a los sistemas complejos tan sensibles a las perturbaciones. Un cambio en un elemento, puede desencadenar cambios en todo el sistema.

Y, por último, hemos visto la que posiblemente es la herramienta más potente de la que disponemos ahora mismo para explorar y experimentar con los sistemas complejos: los modelos basados en agentes (MBA).

Espero que no se te haya hecho muy largo y que te haya ayudado a entender mejor cómo es posible que sistemas, a partir de reglas muy simples entre agentes, sean capaces de generar dinámicas y estructuras tan complejas.

Cada vez vamos conectando más conceptos que hemos ido viendo y que nos permitirán enfrentarnos a sistemas y problemas complejos con mejores herramientas.

El próximo artículo prometo que será mucho más corto y menos denso. Pero también interesante y práctico. Hablaré de otra herramienta para aprender y entender sistemas complejos. Es una herramienta que llevamos usando desde que existe nuestra especie y a diferencia de los MBA, no necesitamos tecnología para usarla.

Otra diferencia es que los MBA nos ayudan a entender el comportamiento del sistema desde fuera, mientras que esta herramienta nos ayuda a entender las reglas y el sistema desde dentro.

A ver si sabes de qué herramienta hablo ;-)

En este primero hablaré de los conceptos en sí, con algunos detalles interesantes y con ejemplos variados, para que se entiendan mejor.

En el próximo artículo hablaré de algunos fenómenos y mecanismos que pueden surgir a partir de los agentes y la autoorganización, como los comportamientos emergentes del sistema y los mecanismos de retroalimentación. También de los factores que influyen en la autoorganización y nos meteremos con la parte más práctica, explorando su utilidad y una de las herramientas más potentes que existen a día de hoy para trabajar con sistemas y problemas complejos: los modelos basados en agentes.

Índice

• Introducción

• ¿Qué es la autoorganización?

• ¿Qué es un agente en un sistema complejo?

  • Percibir para actuar

  • Tipos de agentes

• Resumen

Introducción

En los sistemas complejos, los agentes son los actores. Son los que toman las decisiones, interactúan entre sí y reaccionan a su entorno. Podrían ser células en un organismo, personas en una sociedad, animales en un ecosistema, o incluso organizaciones en un sistema económico.

La autoorganización es un proceso mediante el cual los patrones globales y las estructuras emergen en un sistema a partir de las interacciones entre los agentes, sin necesidad de un control o una guía externa. Es como si los agentes, simplemente haciendo lo suyo, terminaran creando una especie de danza coordinada sin que nadie les haya enseñado los pasos.

Pensemos en un grupo de pájaros volando juntos en el cielo, formando lo que se conoce como «el baile de los estorninos»:

Cada pájaro es un agente que sigue reglas simples: volar en la misma dirección que sus vecinos, mantener una cierta distancia de ellos y evitar obstáculos. Ningún pájaro tiene una visión global del grupo o controla a los demás. Sin embargo, a partir de estas simples interacciones, emergen patrones complejos y dinámicos de vuelo que parecen coordinados. Esto es la autoorganización en acción.

Ahora que tenemos una idea de lo que son, vamos a profundizar un poco más en estos conceptos.

¿Qué es la autoorganización?

Si miramos un partido de fútbol, los agentes son los jugadores y las distintas jugadas que vemos sería la autoorganización.

Podríamos pensar que en realidad los jugadores no se autoorganizan. Que, o bien hace cada uno lo que le parece y no existe organización ninguna, o bien siguen un plan preestablecido y existe una organización impuesta. Pero la realidad es muy diferente.

Los jugadores no se mueven de formas totalmente aleatorias, cada movimiento tiene un porqué y está relacionado con el objetivo (ganar el partido) y sigue unas reglas (el reglamento de fútbol), así que existe algún tipo de organización. Pero es imposible prever exactamente qué va a hacer cada jugador de antemano, ni de tu equipo ni (mucho menos) del contrario. Por otro lado, cada jugador tendrá que reaccionar a lo que hagan sus compañeros y sus contrarios en cada momento, algo que irá cambiando constantemente. Por lo que es imposible organizar cómo deben moverse. Y mucho menos desde el banquillo, es fundamental que se perciban los problemas desde la perspectiva de quien tiene que reaccionar. Algo de lo que hablaremos más adelante.

Entonces, ¿de dónde sale esa aparente organización que da lugar a movimientos coordinados, jugadas y a lo que llamamos «partido»? Pues de tener en un sistema distintos agentes que están interconectados de alguna manera (compañeros, contrarios, espacio en el que juegan, etc.) y que interaccionan siguiendo una serie de reglas sencillas (reglamento, responsabilidades según posiciones, objetivo del equipo y del individuo, etc.).

Este fenómeno se ve en multitud de sistemas complejos. Unos agentes que están interconectados de alguna forma, interaccionan siguiendo unas reglas sencillas y se crea una estructura y un comportamiento a nivel del sistema que es diferente al de la suma de los agentes.

Podríamos definirlo más formalmente como:

«La autoorganización es el proceso por el cual los sistemas complejos, compuestos por numerosos agentes, desarrollan estructuras, patrones y comportamientos emergentes a partir de las interacciones locales y sin una dirección o control centralizado. Estos fenómenos emergentes no son predecibles ni deducibles simplemente observando las propiedades individuales de los agentes, sino que son resultado de la dinámica colectiva del sistema completo.»

Aquí hay algunos ejemplos que ilustran cómo funciona la autoorganización en diferentes contextos:

1. Baile de los estorninos: Cuando estos pájaros vuelan juntos en grandes bandadas, siguen simples reglas individuales para mantener la distancia y la dirección de los pájaros vecinos. Sin ninguna coordinación central, las bandadas de estorninos crean patrones de vuelo increíblemente complejos y bellos.

2. Tráfico de vehículos: El flujo de tráfico es otro sistema autoorganizado. Cada conductor es un agente que sigue reglas simples, como seguir a la velocidad del tráfico, mantener una distancia segura del coche delantero, y ceder el paso a otros vehículos según las normas de tráfico. Sin embargo, a partir de estas interacciones simples, emergen patrones de tráfico más complejos, como atascos y tráfico fluido.

3. Comportamiento colectivo de los insectos: Algunos insectos, como las hormigas, las abejas y las termitas, exhiben comportamientos colectivos increíblemente complejos basados en la autoorganización. Por ejemplo, las termitas pueden construir montículos enormes y elaborados sin ninguna coordinación central. Cada termita sigue reglas simples, depositando el barro en lugares que huelen a otras termitas recientes, y este proceso da lugar a la construcción de montículos con estructuras complejas de túneles y cámaras.

4. Formación de cristales: En el mundo físico, un ejemplo clásico de autoorganización es la formación de cristales. Cuando las condiciones son las adecuadas, las moléculas de ciertas sustancias se alinean en patrones repetitivos para formar cristales. Cada molécula actúa como un agente que sigue reglas simples basadas en las fuerzas químicas y físicas, y la autoorganización emerge a partir de estas interacciones.

5. Balanceador de carga: En sistemas informáticos grandes, es normal tener que escalar (aumentar o disminuir) los recursos (red, servidores, etc.) en función de la demanda o de posibles fallos internos. Un sistema de balanceo de carga (o uno más complejo como puede ser Kubernetes) puede, basándose en unas reglas sencillas preestablecidas, asegurarse de que el sistema crezca o disminuya, de forma automática, en función de las necesidades.

6. Mercados de valores: En los mercados de valores, los precios fluctúan en respuesta a las decisiones de miles de inversores individuales, cada uno de los cuales está tratando de maximizar su beneficio personal. A pesar de la ausencia de un control centralizado, los mercados se autoorganizan formando patrones y ciclos.

Como podemos ver, es algo que podemos ver en casi cualquier área (física, química, biología, ecología, sociología, economía, ingeniería...) y no hacen falta complicadas reglas o un ente central que controle y organice. Unas simples reglas junto con la interacción de los agentes puede generar comportamientos y estructuras muy complejas.

Esta es una de las lecciones más importantes de la complejidad:

Los sistemas complejos no se pueden controlar ni organizar. Cualquier tipo de organización, comportamiento o estructura surge de las interacciones entre sus partes. Y su resultado es tan incontrolable como impredecible.

¿Qué es un agente en un sistema complejo?

Si algo nos ha quedado claro es que los protagonistas de la autoorganización son los agentes, así que veamos qué es un agente.

En la teoría de los sistemas complejos, un agente se define como una entidad autónoma con la capacidad de percibir su entorno, procesar información y tomar decisiones basadas en esa información. Los agentes pueden ser físicos o abstractos. Algunos ejemplos de agentes son los animales, los humanos, las organizaciones, las células, los programas de software o incluso los países.

Agente: entidad autónoma con la capacidad de percibir su entorno, procesar información y tomar decisiones basadas en esa información.

Es importante recordar que los agentes no necesitan ser conscientes o tener una inteligencia para ser considerados como tales. En nuestro cuerpo, por ejemplo, las células individuales actúan como agentes, aunque no tengan una conciencia propia. Siguen reglas simples, interactúan entre sí y responden a su entorno, lo que les permite participar en la creación y mantenimiento de los increíblemente complejos sistemas biológicos de los que formamos parte.

Un ejemplo fascinante es el del «moho deslizante», un moho formado por múltiples células sencillas e independientes que se comportan como un único ser vivo, llegando a presentar comportamientos tan complejos como desplazarse, adoptar diferentes formas o resolver problemas. Se han hecho experimentos con ellos y han sido capaces de resolver laberintos, encontrar la red de caminos óptimos para conectar ciudades e, incluso, recordar eventos y anticiparse a ellos.

Todo esto siendo células individuales y muy sencillas, sin un sistema nervioso. Simplemente usando unas sencillas reglas locales como buscar comida y secretar señales químicas en función de si hay o no comida, son capaces de crear estos comportamientos y estructuras.

Percibir para actuar

Antes de seguir profundizando sobre los agentes es importante resaltar que algo que se nos puede pasar por alto, por ser obvio, pero que vale la pena pararnos un momento a pensar en ello.

Los agentes reaccionan ante cambios en el entorno u otros agentes. Para poder «reaccionar» es necesario percibir. Es decir, los agentes no realizan acciones al azar, sus acciones siempre responden a percepciones internas (cambios de estado interno) o externas (cambios en el entorno).

Te dejo algunos ejemplos de cómo distintos tipos de agente «perciben» su entorno u otros agentes para reaccionar:

1. Átomos: Los átomos interactúan entre sí principalmente a través de fuerzas electromagnéticas. Un átomo puede «sentir» la presencia de otro átomo cuando los electrones de ambos átomos interactúan, lo cual puede conducir a la formación de un enlace químico. Un átomo también puede absorber o emitir fotones (partículas de luz) y cambiar su estado energético en respuesta a las condiciones energéticas de su entorno.

2. Células: Las células son expertas en percibir y responder a su entorno. Detectan cambios en el pH, temperatura, concentraciones de nutrientes y otras sustancias químicas a través de proteínas especializadas en sus membranas llamadas receptores. Por ejemplo, en condiciones de baja glucosa, las células de levadura pueden alterar su metabolismo para utilizar otros azúcares disponibles. Además, las células también pueden comunicarse entre sí mediante la liberación de señales químicas, un proceso conocido como señalización celular.

3. Organismos simples: Un organismo unicelular como la ameba detecta su entorno mediante quimiotaxis, el movimiento que realiza un organismo en respuesta a un estímulo químico. Si detecta más alimento en una dirección en particular, se moverá hacia esa dirección. Si detecta una sustancia dañina, se moverá en la dirección opuesta.

4. Entidades bancarias: Un banco puede detectar cambios en el comportamiento de otros bancos, en sus clientes o en los mercados mediante el análisis de datos financieros y económicos. Por ejemplo, si observa que muchos de sus clientes están retirando dinero, puede interpretarlo como una señal de falta de confianza y tomar medidas para mitigar este problema. De manera similar, si detecta que otros bancos están reduciendo las tasas de interés, puede considerar hacer lo mismo para mantenerse competitivo.

Esto tiene ciertas implicaciones que serán muy importantes más adelante:

• Los agentes de un sistema complejos (por sencillos que sean) son capaces de percibir.

• Los agentes no se comportan de forma aleatoria, siempre responden a sus reglas y su percepción del entorno y el resto de agentes.

• Una percepción genera una respuesta (acción), lo que implica que siempre se actúa en función de algo que ya ocurrió. Es decir, existe un desfase entre lo que se percibió y la reacción. En algunos sistemas el desfase será mínimo (respuesta casi inmediata), mientras que en otros será muy larga.

Estas conclusiones pueden tener implicaciones importantes en algunos tipos de sistemas y profundizaré en ellas en futuros artículos. Por ahora, vamos simplemente a tenerlas presentes.

Esto conecta con algo que mencionaba antes, en el ejemplo del partido de fútbol:

La percepción es única para cada agente. Ningún otro agente perecibirá, ni interactuará, igual con el entorno.

Por eso, la visión o percepción de alguien, o algo, externo al sistema (o, incluso, de otro agente dentro del mismo sistema) jamás podrá dar la información necesaria para reaccionar.

El agente solo puede reaccionar a lo que percibe

Tipos de agentes

Se podría categorizar los agentes que podemos encontrarnos en los sistemas de muchas formas, pero una muy común es:

• Débiles

• Fuertes

Un agente fuerte, también conocido como agente inteligente o agente autónomo, tiene la capacidad de tomar decisiones de manera independiente, basándose en su propio conjunto de metas o reglas, y puede adaptarse y aprender de su entorno. Por ejemplo, personas en una organización o cualquier ser vivo en su ecosistema pueden ser considerados agentes fuertes.

En general, los agentes fuertes sueles ser sistemas complejos en sí mismos (sistemas que se adaptan, aprenden de su entorno). Algo que vimos que era muy común en los sistemas complejos: anidarse y crear múltiples niveles en los que los sistemas del nivel inferior, son agentes del nivel superior. Por ejemplo, las células del cuerpo son sistemas complejos y agentes del cuerpo; el individuo es un sistema complejo, pero un agente en un equipo de trabajo; el equipo es un sistema complejo, pero un agente dentro de una empresa; y así sucesivamente.

Un agente débil, por otro lado, sigue un conjunto fijo de reglas o comportamientos sin la capacidad de aprender o adaptarse a su entorno. Por ejemplo, una molécula en una reacción química puede ser considerada un agente débil: interactúa con otras moléculas de acuerdo con las leyes de la física y la química, pero no tiene la capacidad de cambiar su comportamiento en respuesta a estas interacciones.

Hay que tener en cuenta que esta es una clasificación arbitraria y que no existe tal diferenciación en el mundo real. Como en casi todo, lo que tenemos es un espectro en el que los agentes pueden ser más o menos fuertes o débiles.

Por simplificar, vamos a ceñirnos a esa clasificación y ver algunas características de estos tipos. Teniendo siempre en cuenta que serán características que se darán más o menos según hacia que lado del espectro se acerquen:

Agente débil:

• Tipo de elemento: Elemento simple o sistema complejo sencillo (ej.: una célula simple)

• Reacción basada en:

  • Reglas simples

  • Percepción del entorno y otros agentes

• Predecible. Agentes débiles iguales con reglas iguales, se comportarán de la misma forma.

Agente fuerte:

• Tipo de elemento: Sistema complejo

  • Tiene memoria

  • Aprende y se adapta

  • Puede crear nuevas reglas

  • Puede tener objetivos propios

• Reacción basada en:

  • Reglas simples

  • Meta-reglas. Es decir, nuevas reglas sobre las reglas sencillas.

  • Percepción del entorno y otros agentes

  • Percepción interna (cambios de estados, comportamientos emergentes, etc.)

  • Memoria e historia. Tanto de experiencias propias como de interacciones previas con otros agentes o el entorno.

• Impredecible.

Algunas aclaraciones:

Los agentes débiles suelen ser predecibles porque reaccionan solo basándose en reglas sencillas, que si las conocemos, nos permiten predecir sus comportamientos. Por ejemplo, conociendo las leyes de la física y la química, podemos predecir el comportamiento de ciertos átomos o moléculas.

Las meta-reglas son reglas que puede crear un sistema complejo, sobre sus reglas simples iniciales. Esto está relacionado con algo que hablaré en el siguiente artículo, los umbrales, y de cómo el sobrepasar uno puede cambiar la forma de comportarse y reaccionar de un agente. Si sistema sigue funcionando basándose en reglas simples y fijas, lo que ahora hay nuevas reglas que hacen más dinámico y complejo el sistema.

Un ejemplo sencillo de esto podría ser un jugador de ajedrez durante una partida. El juego tiene unas reglas fijas y simples que tiene que seguir, pero en función de su experiencia y aprendizaje, seguramente haya desarrollado una serie de aperturas, estrategias y jugadas que le funcionan mejor en cada situación. Estas serán unas reglas que aplica el agente, que no están presente en las reglas conocidas por el resto. Al ser desconocidas es más difícil predecir qué reglas se usarán y cuál será su resultado.

Resumen

Cada vez vamos viendo más elementos y características que se relacionan entre sí y que les dan a los sistemas complejos ese dinamismo, impredecibilidad y propiedades sorprendentes que los hacen tan interesante.

Sin duda los agentes y su autoorganización son una fuente de dinamismo, no linealidad y propiedades emergentes. En este artículo hemos visto la importancia del multinivel (sistemas formados por sistemas) y de la interconexión e interdependencia (algo que profundizaremos en el siguiente artículo) para esta autoorganización.

Pero también hemos aprendido que los agentes perciben su entorno y otros agentes, lo que les permite reaccionar. Además, son reglas locales muy simples las que crear esta complejidad y no complicadas reglas impuestas o diseñadas por un actor externo al sistema.

Entender esto último es fundamental para entender por qué ocurre cualquier cosa en un sistema complejo.

Como siempre, trata de identificar sistemas, agentes, qué tipo de agentes son, cuáles son las reglas que siguen, etc., en tu entorno, tu trabajo o tu área de conocimiento. Esto te ayudará mucho a entender mejor lo que estamos viendo y los sistemas con los que trabajas (quizás) sin saberlo.

Nos vemos en el próximo artículo con una parte más práctica del mismo tema. Espero que te sea útil.

• Reconocer y entender sistemas complejos.

• Saber lidiar mejor con la incertidumbre y la complejidad.

• Saber diferenciar entre problemas simples, complicados y complejos.

• Tener mejores herramientas y estrategias para resolver (o enfrentar) problemas complejos.

• Tener una nueva perspectiva y marco de referencia para observar lo que pasa en un mundo que es cada vez más complejo.

• Entender cómo y por qué ocurren eventos aparentemente sin sentido.

¿Cómo me ha ayudado a mí?

Como esa lista puede parecer un poco abstracta, trataré de explicar cómo me ha ayudado a mí.

Durante mi vida adulta me he movido entre dos mundos, la ingeniería informática y el mundo del entrenamiento. Dentro de cada mundo también he variado bastante mis funciones y roles, así que me he enfrentado a una gran variedad de problemas de todo tipo.

• Unos eran simples: sin muchas partes móviles y con soluciones conocidas.

• Otros complicados: con muchas partes que interactuaban entre sí, pero relativamente fijos; los problemas no se adaptaban.

• Y luego otros complejos: muchas partes que interactuaban y que iban cambiando su forma de comportarse y llegaban a cambiar el problema en sí mismo.

Al principio, los trataba a todos de la misma manera y utilizaba las mismas estrategias (reduccionismo, «divide y vencerás», etc.), pero había ciertos problemas con los que eso no funcionaba muy bien.

Esos problemas eran muy impredecibles y cambiantes.

De manera intuitiva, fui viendo que esos problemas no podía tratarlos de la misma forma y que, en muchos casos, no existía una solución. Al ser problemas que se adaptaban y evolucionaban, solo podías crear soluciones parciales e ir adaptándote a ellos. Y, sobre todo, aceptar que no se resolverían del todo nunca, ni era necesario.

Aceptar la incertidumbre y el continuo cambio es posiblemente una de las principales enseñanzas de enfrentarme a este tipo de problemas una y otra vez.

Entender cómo surgen los comportamientos y dinámicas en grupos, me ha ayudado mucho a la hora de gestionar proyectos o equipos, o para entender mejor por qué actuaban como lo hacían ciertas personas o mis clientes.

Da igual si es un grupo de amigos, una familia, una empresa pequeña, una grande, un gobierno o cualquier tipo de organización, todos tienen características y dinámicas similares. Que hacen que sean impredecibles, a la vez que permiten entender mejor por qué ocurren y qué tipo de dinámicas esperar.

Lo que ocurre no es totalmente aleatorio, como puede parecer la mayor parte de las veces.

Entender conceptos como la autoorganización, los comportamientos no lineales, la emergencia, la adaptación o cómo afectan las interdependencias me ayudaron a entender mejor cómo funciona el cuerpo humano, la salud o la enfermedad y la mejor manera de lidiar con el sedentarismo, problemas de movilidad y de salud en general.

A nivel personal, esta nueva perspectiva, estas nuevas «gafas» de ver el mundo, me han ayudado a:

• Darle sentido a fenómenos que parecían no tener sentido: «¿por qué lo que le funciona a una persona no me funciona a mí? ¿Por qué lo que me funcionó ayer, no me funciona hoy?»; «¿Por qué, de repente, me duele X?»; «¿Por qué si como Y me siento mal?».

• Aceptar el cambio continuo y que tanto yo, como mi entorno, estamos en continua evolución y coadaptación.

• Entender que no todo tiene una explicación fácil y lineal: «si A, entonces B»; «Si llueve, el suelo se moja».

• Y que nada funciona de forma aislada. Estudiar cosas de forma aisladas tiene su utilidad, pero las interacciones de eso que estudiamos con su entorno, y con otros elementos, dan una información que es imposible sacar de la cosa en sí misma.

Antes de irme

Junto con la serie de artículos de introducción a los sistemas complejos, quiero publicar algún artículo práctico sobre cómo diferenciar a qué tipo de problemas nos enfrentamos, qué estrategias podemos usar en cada caso, así como aplicar de manera práctica estos principios a problemas reales.

Espero que eso ayude a entender mejor estos conceptos. En parte lo hago para que me fuerce a profundizar más en estos conceptos y en cómo aplicarlos. Nada mejor que la práctica para aprender.

Te recomiendo que con cada artículo trates de averiguar cómo identificar esas características y elementos (agentes, interdependencias, interconexiones, propiedades emergentes, diversidad, atractores, retroalimentación, no linealidad, etc.) en el área en la que te muevas (gestión de proyectos, emprendimiento, inversión, salud, entrenamiento, ingeniería, investigación, etc.).

Ese ejercicio te ayudará mucho a entender de verdad estos conceptos y aprender a aplicarlos.

Índice

• Introducción

• De lo simple a lo complejo

• Diversidad óptima

• ¿Cómo genera el sistema la diversidad?

• ¿Cómo se reduce la diversidad?

• Variabilidad saludable

• En resumen

Introducción

Según algunos autores, lo que hace que un sistema sea más o menos complejo es la relación entre estas características:

• Interconexión

• Interdependencia

• Diversidad

• Adaptabilidad / Aprendizaje

Así que la diversidad es una característica muy importante en este tipo de sistemas. Otro término que está muy relacionado es la variabilidad. Aunque tienen significados parecidos, no son lo mismo y es útil conocer la diferencia.

En ambos casos hablamos de variedad en el sistema, aunque distinto tipo de variedad. Dicho de una forma muy simplificada:

• La diversidad se relaciona con la variedad y heterogeneidad de los componentes y relaciones en un sistema complejo.

• La variabilidad se refiere a las diferencias en las propiedades y comportamientos de esos componentes del sistema.

Veamos un ejemplo simple. En una selva imaginaria tenemos los siguientes animales:

1. Jaguar

2. Mono aullador

3. Tucán

4. Puma

5. Boa constrictor

6. Ocelote

7. Perezoso

8. Hormiga bala

9. Rana dardo venenoso

10. Loro

Si miramos la diversidad veríamos que hay mamíferos, aves, reptiles, anfibios e insectos. Aunque también podríamos dividirlos en carnívoros, herbívoros, omnívoros e insectívoros. Por otro lado, tenemos, por ejemplo, la variabilidad genética. Hay diferencias genéticas entre un jaguar y otro, pero más entre un jaguar y un puma, aunque no tantas como entre un jaguar y una hormiga.

También hay variabilidad de características físicas (grandes, pequeños, más o menos patas, etc.), habilidades físicas (volar, correr, saltar, nadar, etc.), métodos de búsqueda de alimentos (caza, recolección, etc.)...

Esta variabilidad puede darse dentro de un mismo grupo o entre todos los miembros del ecosistema.

Esto debería darnos una idea aproximada de cómo reconocer la variabilidad y la diversidad en los sistemas.

NOTA: Todo lo que explico en este artículo es una simplificación, si quieres profundizar en este tema, te sugiero el audiocurso «The Hidden Factor: Why Thinking Differently Is Your Greatest Asset» o el libro «Diversity and Complexity», ambos en inglés y de Scott E. Page.

Ahora veamos cómo aparecen, o se crean, y cómo afectan a los sistemas complejos.

De lo simple a lo complejo

La diversidad en un sistema, al igual que la complejidad, puede variar, no es un valor absoluto. Voy a poner un ejemplo que creo que es bastante familiar y visual para todo el mundo, para ayudarnos a ver cómo puede aumentar tanto la diversidad como la complejidad: construir una casa.

Si vemos el proyecto de construir una casa como el conjunto de personas, materiales, tareas y dependencias, entre estas, veremos que tiene las características de un sistema. Jugaremos con el grado de diversidad y variabilidad para ver qué ocurre con la complejidad.

Veremos cómo afecta esta diversidad al sistema. ¿Más diversidad es siempre bueno o malo? ¿Qué efectos tiene que suba o que baje la diversidad? ¿Existe unos valores óptimos?

Luego nos centraremos en cómo un sistema complejo puede generar o reducir diversidad de diferentes formas. Y cómo afecta la variabilidad externa al sistema.

Me gustaría que pensaras en algún tipo de proyecto que te sea más familiar. Este es solo un ejemplo, pero funcionaría con cualquier tipo de proyecto y, con cualquier sistema complejo.

Yo me lo guiso, yo me lo como

Pongamos que tengo unos ladrillos, adobe y una idea básica de cómo construir una casa con esos materiales. Esa podría ser la versión más simple del proyecto, solo dependo de mis habilidades y el material.

Solo no puedes, con amigos sí

Como hace mucho que las casas de adobe pasaron de moda, vamos a juntar un grupo de personas, con conocimientos básicos de construcción y más materiales (ladrillos, bloques, cemento, etc.).

Ahora tenemos algo más de diversidad en materiales y más variabilidad en las habilidades de las personas que trabajan (diferentes conocimientos, experiencias, fuerza, rapidez, altura, etc.), así como de lo que podemos construir (más posibles combinaciones de materiales).

Esto hace el proyecto más interesante, al menos las posibilidades de tener una casa más habitable. Podremos hacer más, más rápido y con características que ni siquiera habíamos pensado. El coste es la complejidad que ha adquirido el proyecto.

Ahora tenemos tareas de coordinación entre más personas y con criterios diversos, dependencias entre unas tareas y otras, dependencias de materiales y la aparición de nuevos posibles problemas.

Lo que hace más complejo el proyecto es esa nueva coordinación. Las acciones de unas personas influyen en las del resto, haciendo el proyecto más dinámico y cambiante.

Añadamos aún más diversidad

Aunque el grupo añadía cierta diversidad, la variabilidad entre las personas del grupo no era mucha. Todas las personas que lo formaban tenían unos niveles similares de conocimientos, experiencias y habilidades.

En cambio, si añadimos personas expertas en diferentes áreas (albañilería, fontanería, carpintería, cerrajería, pintura, transportistas, etc.) tendremos mucha más diversidad en nuestro equipo.

Y si miramos ahora la variabilidad en los conocimientos, experiencia o habilidades, esta será mucho mayor también. A esto deberíamos añadir el uso de más tipos de materiales, para poder construir más elementos (puertas, ventanas, tejados, baños, cocinas, sistema eléctrico, etc.) y que puedan trabajar nuestros distintos profesionales.

Esto generará mucha más complejidad. Mayor número de elementos y comportamientos diferentes en el sistema, así como un incremento de interdependencias enorme.

Incluso siendo el mismo número de personas, la coordinación entre ellas, sus tareas y objetivos, será más compleja. Tendrán conocimientos, experiencias y expectativas diferentes, que harán más difícil la comunicación y la negociación para ponerse de acuerdo en qué hacer y en qué orden. Por no hablar de qué empezarán a surgir subproyectos, así como tareas que crearán dependencias y «cuellos de botella».

Cuello de botella: Dentro de un sistema, hablamos de un «cuello de botella» para referirnos a un componente del sistema que limita la capacidad, flujo o velocidad del sistema, creando congestión, retrasos o haciéndolo más ineficiente en general.

Por ejemplo, si el transportista se tarda en traer materiales, el resto del equipo no podrá seguir trabajando. El transportista sería un «cuello de botella».

Hay que tener en cuenta que puede (suele) haber más de un cuello de botella en un sistema.

Un libro que me ayudó a entender mejor cómo surgen, afectan y se pueden manejar los cuellos de botella en un sistema es La meta, de Eliyahu M. Goldratt.

Nuestra mente, que necesita sentir que lo controla todo, en seguida pensará en una figura que coordine todo este trabajo y en diseñar un plan para hacerlo todo en un orden lógico.

Esto es algo que puede ayudar hasta cierto punto, pero depende mucho de cómo se haga. Algo que veremos más adelante cuando hablamos de cómo enfrentarnos a problemas complejos.

Lo que no debemos olvidar es que esa nueva figura es un elemento más del sistema, que añadirá más diversidad y complejidad. Aparte de que los sistemas complejos se caracterizan por ser no lineales, impredecibles y estar en constante cambio.

Te reto a nombrarme un solo proyecto que se haya acabado en el tiempo planeado, de la forma planeada y sin incidentes. Quizás exista alguno (aunque lo dudo), pero si es así es porque el nivel de complejidad era bajo.

Creo que todos tenemos muchos ejemplos en la cabeza de proyectos y de cómo no han ido tal y como se esperaba (para bien o para mal).

Diversidad óptima

Como hemos visto en el ejemplo del proyecto de construir la casa, el nivel de diversidad o complejidad es variable y no es bueno o malo en sí mismo. Depende del contexto y ambos tienen sus ventajas e inconvenientes, por eso es interesante saber detectar cuándo conviene aumentar o disminuir la diversidad.

Veamos los extremos para entender qué características la aumentan o disminuyen.

Poca o ninguna diversidad

Pensemos en un grupo de albañiles con mucha experiencia poniendo ladrillos y con características físicas, culturales, etc. muy similares. Si necesitamos poner ladrillos, querremos a este equipo. Se coordinarán muy bien y serán muy productivos. Por contra, si necesitamos hacer cualquier otro tipo de tarea, no serán muy productivos. Puede que ni sepan cómo hacerla.

Por otro lado, tenemos un equipo formado por especialistas en diferentes áreas. Podrán enfrentarse a un mayor número de tareas diferentes. Aunque no serán muy eficientes, porque cada cual es especialista en una cosa diferente. Tendrán la ventaja de que podrán enfrentarse a tareas nuevas, combinando los conocimientos e ideas de diferentes áreas. El problema es que mientras más personas con visiones diferentes, más difícil es ponerse de acuerdo.

En resumen:

• Poca diversidad:

  • Más eficientes en tareas conocidas.

  • Tendencia a mantener el «statu quo».

  • Más pensamiento de grupo o endogámico.

  • Más frágil frente a problemas nuevos.

• Demasiada diversidad:

  • Menos eficientes en las tareas conocidas.

  • Tendencia al cambio constante.

  • Difícil ponerse de acuerdo en nada.

  • Más nuevas ideas y posibilidad de innovación.

Ventajas y desventajas de la diversidad en sistemas complejos

Lo que acabamos de ver nos muestra un poco los extremos, pero también nos da una idea del rango entre un extremo y otro.

Antes de entrar a analizar las ventajas y desventajas, veamos dos mecanismos que tienen los sistemas para resolver problemas y lograr sus objetivos son: exploración y explotación.

Hablaremos más en detalle cuando hablamos de resolver problemas complejos, pero con ellos nos referimos a las estrategias para encontrar la solución (exploración) y aplicarla (explotación).

La exploración da lugar a un mayor número de posibles soluciones, mientras que la explotación se trata de aplicar y sacar partido a una solución conocida. Si la solución es única o la mejor, explotarla es lo más eficiente. Hace más productivo al sistema.

Por el contrario, si existe mucha incertidumbre, pueda que esa sea una mala solución y es mejor invertir un poco de tiempo en explorar más opciones.

Aplicando estos conceptos a la diversidad podríamos describir así ese rango:

• A mayor diversidad:

  • Mayor exploración (innovación)

  • Menor fragilidad

  • Menor explotación (eficiencia)

  • Menor estabilidad

• A menor diversidad:

  • Menor exploración (innovación)

  • Mayor fragilidad

  • Mayor explotación (eficiencia)

  • Mayor estabilidad

En resumen, una mayor diversidad mejorará la adaptabilidad y resiliencia del sistema. Por contra, lo hará menos eficiente y estable.

En cambio, un sistema con poca diversidad será más estable y eficiente, pero muy frágil antes posibles cambios y le costará encontrar soluciones nuevas o adaptarse a los cambios.

¿Cómo genera el sistema la diversidad?

Antes hablamos de cómo la diversidad genera complejidad, pero también ocurre a la inversa. Los sistemas complejos pueden generar diversidad de varios tipos y por diferentes mecanismos.

Ahora veremos estos mecanismos y cómo, según el caso, crearán más tipos diferentes de componentes del sistema, nuevos comportamientos o nuevos estados estables hacia los que tenderá el sistema (atractores).

Retroalimentación positiva (más lleva a más)

Como vimos en el artículo sobre la retroalimentación, la retroalimentación positiva es un proceso en el que el sistema amplifica la entrada. En este caso, si añadimos diversidad al sistema (por ejemplo, añadiendo más tipos de elementos), el sistema generará más diversidad (por ejemplo, generando más posibles comportamientos o combinaciones de elementos).

Imagina que tienes dos letras: A y B Las combinaciones que puedes hacer con ellas son limitadas: A, B, AA, AB, BA y BB

En cambio, si añades una tercera letra (C), tendrías: A, B, C, AA, AB, AC, BA, BB, BC, CA, CB, CC, AAA, AAB, AAC, ABA, ABB, ABC, ACA, ACB, ACC, BAA, BAB, BAC, BBA, BBB, BBC, BCA, BCB, BCC, CAA, CAB, CAC, CBA, CBB, CBC, CCA, CCB y CCC

Y por cada nuevo elemento que se añada, las posibles combinaciones crecerán exponencialmente.

En vez de letras podrían ser materiales en nuestra obra, ingredientes en una comida, productos o servicios en un negocio, personas en un equipo, ideas, habilidades, genes, etc.

NOTA: Hay que tener en cuenta que aunque, inicialmente, aumente esta diversidad mediante este mecanismo, el sistema puede tener mecanismos de selección, de retroalimentación negativa u otros, que regulen ese crecimiento. Ningún mecanismo que aumente la diversidad puede asegurar que esta permanezca.

Al fin y al cabo, son sistemas dinámicos y adaptativos.

Es importante tener en cuenta que no todas las combinaciones serán válidas o útiles para el sistema. En el siguiente apartado veremos uno de los mecanismos para «eliminar» del sistema aquellas combinaciones que no ayudan al sistema a cumplir su función.

Por ejemplo, imaginemos el caso de las letras (A, B, C...), si tuviéramos todas las letras del alfabeto en nuestro sistema, podrían surgir muchísimas posibles combinaciones. Pero si el sistema tiene un proceso de selección en el que solo se admiten las combinaciones que formen palabras, la diversidad bajará bastante.

Subirá con cada letra, pero no todas las combinaciones serán válidas.

Presión selectiva débil

Los sistemas complejos evolutivos suelen tener mecanismos de selección que ajustan los elementos del sistema. Se suele referir a ellos como la presión selectiva a la que están sujetos dichos componentes.

Esta presión selectiva podría dividirse en dos tipos:

• Fuerte: solo el más apto sobrevive

• Débil: los menos aptos mueren

En el primer caso (fuerte) tendríamos, por ejemplo, el proceso de selección para un puesto de trabajo. Solo una persona accederá al puesto y esta tendrá unas características muy específicas.

Por el contrario, en el segundo caso (débil), podríamos tener las notas de final de curso. Pasarán todos los que no suspendan. Las características de esas personas pueden ser muy variadas, lo único que sabemos que tienen en común es que han aprobado.

Analizando este último ejemplo podríamos ver cómo puede generarse más variabilidad y diversidad si la presión selectiva es débil.

Por ejemplo, si a la hora de seleccionar nuestro equipo de albañiles no buscamos al mejor poniendo ladrillos, sino que buscamos a cualquiera que sea capaz de poner ladrillos bien, nos encontraremos con albañiles con otras cualidades e, incluso, otros profesionales que, además, saben poner ladrillos. El resultado sería un equipo más diverso y con mayor variabilidad en habilidades.

Múltiples soluciones y problemas

Tanto tener que enfrentarnos a múltiples problemas, como tener que resolver problemas con múltiples soluciones pueden generar diversidad. Diversidad en soluciones y comportamientos del sistema.

Si el sistema solo tiene una función, o solo tiene que resolver un problema, o siempre interactúa de la misma forma con los mismos sistemas, no habrá casi diversidad de soluciones, mecanismos y estrategias. No hacen falta.

En cambio, cuanto más interacciones con otros sistemas haya y más variadas sean, o más problemas diferentes necesite resolver, mayor número de soluciones diferentes tendrá. Lo que, a su vez, le permitirá enfrentarse a un mayor número de problemas o circunstancias diversas.

Otro caso es en el que un mismo problema tiene múltiples posibles soluciones. En ese caso, el sistema usará una estrategia diferente en función de las circunstancias, creando un abanico de posibilidades, en oposición a usar siempre la misma.

Además, el hecho de tener ahora ese «abanico» de posibilidades, hace que el sistema pueda buscar nuevos problemas o retos.

¿Cómo disminuye la diversidad?

Retroalimentación positiva (menos lleva a menos)

Este es posiblemente el caso más fácil de ver. Mientras menos tipos de componentes tengamos, menos combinaciones habrá. En el ejemplo de las letras de antes, sería como pasar de tener A, B y C, a tener solo A y B.

Los ejemplos más típicos es la extinción de una especie en un ecosistema. Esta no afecta únicamente al número de individuos de esa especia, sino a todas sus interdependencias y comportamientos (qué comían, quienes le comían, hábitos migratorios, uso de recursos naturales, etc.)

Veremos a continuación que este mecanismo no suele actuar solo, suele ser la combinación de varios mecanismos lo que produce esta disminución de la diversidad.

Retroalimentación negativa (más de un tipo lleva a menos diversidad)

El aumento de un tipo de elementos en el sistema (una especia, un tipo de negocio, ideas de una misma corriente de pensamiento, especialistas en algo, etc.) llevará al aumento de los elementos de ese tipo, lo que creará una disminución del resto de tipos, en comparación. Esto puede llegar al punto en el que el número de elementos de un tipo es tan grande, que el resto desaparece o tiene una representación insignificante.

Esto se puede parecer al caso que vimos antes con la «retroalimentación positiva» y el aumento de la diversidad. La diferencia es que aquí, en vez de añadir más tipos, añadimos más elementos del mismo tipo. Así que:

Más de un tipo de componente, lleva a menos diversidad

O puede llevar. No siempre tiene que llevar a eso. Los sistemas complejos son dinámicos y están continuamente cambiando y adaptándose. Dos casos comunes donde se daría este fenómeno serían cuando:

• El número de recursos es limitado y se aumenta elementos de un tipo que usa esos recursos.

• El sistema en sí se ve reducido (en recursos, tamaño, energía, etc.). Al reducirse, el grupo mayor tendrá más posibilidades de sobrevivir.

Si tenemos 3 cabras y 3 ovejas alimentándose en un prado con un número limitado de hierba, las posibilidades de supervivencia de ambas especia es muy similar. Pero si añadimos otras 3 cabras, las probabilidades de que después de un tiempo solo queden cabras, serán muy altas.

Presión selectiva fuerte

Antes vimos qué es la presión selectiva fuerte: solo el más apto sobrevive. Pues bien, si la presión selectiva débil ayuda a aumentar la diversidad al permitir que sobreviva cualquier individuo con una serie de características mínimas, la presión fuerte la disminuye al asegurarse de que solo los mejores en una categoría, o quienes cumplan mejor los criterios de selección, sobrevivirán.

El resultado es que habrá individuos con características muy similares, es decir, poca variabilidad y diversidad.

Enlazándolo con los mecanismos anteriores, un aumento en una especie, puede crear una escasez de unos recursos concretos, lo que genera una presión selectiva fuerte donde solamente podrán sobrevivir quienes usen otros recursos.

O, reducirá igual la población de todos las especias, sobreviviendo únicamente individuos de los grupos más numerosos.

Por ejemplo, si aumenta el número de conejos en un bosque y acaban con gran parte de las plantas que usan otros animales para sobrevivir, de esos animales, únicamente los que puedan comer otras plantas, tendrán más posibilidades de sobrevivir.

O, reducirá el número total de animales en el bosque, pudiendo llegar a extinguirse aquella especia de la que haya menos especímenes.

Veamos otro ejemplo:

Imaginemos un grupo de empresas que se dedica a fabricar pantalones vaqueros. Las hay que hacen «de campana», otros «de pitillo», otros «entallados», etc. Hay algunas que hacen de varios tipos, mientras otras están especializadas en un único estilo.

Esto representaría un ecosistema de pantalones vaqueros diverso y equilibrado.

Ahora pensemos que aparece una moda muy fuerte de pantalones de campana. Prácticamente, nadie compra un pantalón que no sea de campana. Eso hará que muchos fabricantes reduzcan su producción de otro tipo de pantalones y aumenten en el estilo de moda. Puede, incluso, que haya fabricantes que no sepan o no puedan producirlos y terminen cerrando por no ser capaces de vender.

Esto hará que se reduzca muchísimo la diversidad en dicho ecosistema. Aquí se han producido dos fenómenos: extinción y homogeneización.

Extinción de las empresas que no sean capaz de adaptarse y homogeneización del resto, donde todas tienden a comportarse de la misma forma.

La homogeneización suele darse cuando todos los elementos del sistema tienen los mismos incentivos individuales, o una misma presión selectiva fuerte: ser el mejor en algo. Si todos los fabricantes buscan vender lo más que puedan y lo que más compra la gente es pantalones de campana, todos acabarán fabricando pantalones de campana.

El efecto contrario (aumento de la diversidad en oferta o soluciones) se da en sistemas donde los incentivos son globales: la industria de fabricación de pantalones debe encontrar el nuevo pantalón de moda.

Cada fabricante intentará algo diferente, aumentando la diversidad de soluciones y la posibilidad de innovar, encontrando nuevas soluciones.

Podemos ver estos fenómenos en opiniones en redes sociales o cualquier tipo de grupo, mercados, política, servicios de noticias, etc.

Menor variabilidad en problemas y soluciones

Seguramente habrás oído la expresión «úsalo o piérdelo» («use it or lose it»). Se suele utilizar para indicar que si no usas un músculo, este se atrofia. O el cerebro, o una habilidad, etc.

Los seres vivos (incluidas cada una de sus células) suelen seguir esta norma para economizar en recursos y garantizar la supervivencia.

Esta simple regla existe de una u otra forma en muchos sistemas complejos. Los sistemas tienden a estados estables (atractores) donde el sistema necesita usar menos energía. Si no hay perturbaciones o estímulos externos que desestabilicen el sistema y le obliguen a autoorganizarse o adaptarse, el sistema permanecerá en esos estados estables.

Esto quiere decir que aquellos componentes, comportamiento o mecanismos que solo se usan para adaptarse a dichas perturbaciones, irán desapareciendo. Lo que llevará a una menor diversidad de componentes, comportamientos y mecanismos.

Y, como hemos visto tanto en este artículo, como en el de los atractores, el sistema será más frágil a futuras perturbaciones.

Podrían ser perturbaciones externas, internas, cambios en las condiciones del entorno o nuevos problemas a los que debe enfrentarse. En todos estos casos, el sistema debe hacer cambios para adaptarse.

Sin estos estímulos, el sistema irá perdiendo su diversidad y sus atractores serán cada vez más profundos (estables), haciendo muy difícil su capacidad de adaptarse a los cambios.

Esto lo veía a diario cuando me dedicaba a «rehabilitar» a personas sedentarias para poder moverse mejor y sin dolor. El hecho de que nuestro entorno nos permita mantener la misma postura (por ejemplo, estar sentados) durante la mayor parte del día, cada día, hace que nuestro cuerpo sea muy estable y gaste poca energía para mantenerla. Por el contrario, va perdiendo cada día un poco más la capacidad de adoptar otras posturas que no necesita hacer nunca o casi nunca.

Más sobre esto estos artículos:

• https://juanjeojeda.com/estas-entrenando-y-no-lo-sabes/

• https://juanjeojeda.com/lo-que-haces-mucho-vs-lo-que-haces-poco/

El hecho de no tener que mover la cadera, rodilla, tobillos o columna de otras formas hace que seamos muy eficientes estando sentados (o haciendo cualquier actividad en una posición similar), mientras que ponernos de cuclillas o sentarnos en el suelo es algo que le cuesta a la mayoría.

Esto lleva a que, en países occidentales, una caída en personas mayores sea un gran riesgo (el sistema es frágil). Mientras que en culturas donde es normal sentarse en el suelo, no supone un riesgo (el sistema es adaptable).

Interdependencias (acoplamiento de componentes y comportamientos)

Las interdependencias son una parte crucial de la complejidad. Generan comportamientos nuevos, aumentando la diversidad en comportamientos, pero también pueden reducirla si las dependencias son muy fuertes.

Si dos o más elementos dentro de un sistema están muy interconectados o son muy interdependiente entre ellos, terminan actuando como si fueran un único componente.

Esto ocurre en muchos sistemas y entornos, pero veamos un ejemplo que seguro que te será muy familiar.

Hay una fiesta con mucha gente diferente. En principio, existe mucha diversidad, pero a medida que avanza la fiesta, se empiezan a crear grupos según intereses (gente que se conoce de clase, vecinos, personas interesadas en el mismo deporte, personas que a las que le gusta bailar, otras a las que les gusta hablar de política, etc.).

Se pasa de un sistema que representa una gran variedad de intereses, gustos, etc. a varios grupos. A nivel del sistema, cada grupo representaría ahora a un componente, así que se habrá reducido el número de componentes, interacciones entre componentes y comportamientos a nivel macro.

Por otro lado, cada grupo estará enfocado a una característica del grupo original (política, música, deporte, etc.), así que cada grupo será menos diverso de lo que era el grupo original, el sistema.

Aquí podemos ver la característica multinivel en juego, así como observar dos fenómenos comunes en sistemas complejos:

• El comportamiento o características a nivel micro (elemento o sistema de nivel inferior) son diferentes de las de nivel macro (sistema o nivel superior).

• Los elementos de un sistema suelen tener a unirse a otros elementos similares.

Un ejemplo de este último punto podemos verlo en cómo la gente suele terminar en grupos de personas que tienen ideas similares en las redes sociales. O el «pensamiento de grupo» (groupthink).

Pero esto da para mucho. Si te interesa el tema te recomiendo el audiocurso de Scott E. Page que mencioné al principio del artículo.

Centralización

Otro mecanismo que puede reducir la diversidad es la centralización. Centralización de recursos, de conexiones o interacciones. Estas interacciones podrían ser decisiones, comunicación, acciones que afectan a otros elementos, etc.

Por ejemplo, un sistema en el que se centralizan las comunicaciones o las tomas de decisiones, se limitan o reducen la cantidad de interacciones directas entre sus componentes, lo que lleva a una menor diversidad de relaciones. Pero el hecho de que toda comunicación pase por un mismo punto, termina favoreciendo la homogeneización, ya que este nodo modulará estas interacciones siempre de la misma manera, haciendo que sean cada vez más similares.

Esto podemos verlo en sistema de gobierno centralizado, empresas con una fuerte estructura jerárquica o sistemas de comunicación o transporte centralizados.

Uno de los puntos débiles de todas esas estructuras (que no debería sorprendernos con todo lo que hemos ido viendo hasta ahora) es que son muy resistentes al cambio (cuesta mucho hacer cualquier cambio), les cuesta adaptarse a nuevos entornos o cambios externos, y son muy frágiles.

Solo hay que pensar en una red de comunicación centralizada que pierde uno de los nodos centrales. La red completa se ve afectada. Mientras que una en la que cada nodo pueda hablar con los demás, prácticamente no se vería afectada.

O un proyecto en el que todas las decisiones pasan por una persona. En este caso, esta persona no está (está enferma, de vacaciones, se va de la empresa...) el proyecto corre el riesgo de fallar.

Esto en el mundo del software es conocido como el «Bus factor», o el número de personas de un equipo que deben desaparecer («hit by a bus») para que el proyecto no pueda continuar debido a la falta de conocimiento.

Variabilidad saludable

Como hemos visto anteriormente, un sistema con poca variabilidad es un sistema muy estable, pero al que le cuesta adaptarse y que será frágil ante perturbaciones. Y esto es algo que diferencia a los sistemas complejos de los que no lo son.

Por ejemplo, un reloj mecánico es un sistema muy complicado. Tiene muchas piezas que interaccionan entre sí y no es fácil saber cómo montarlo o arreglarlo, si se rompe. Pero no se autoorganiza, ni adapta, ni aprende, así que no es complejo.

En un sistema como ese tener más variabilidad en cómo se mueven las piezas (piezas sueltas o que se pueden mover de muchas formas), lo hace más frágil. En los sistemas mecánicos, menos variabilidad lleva a más robustez.

En cambio, en un ser humano, el que una articulación se pueda mover más, es bueno, la hace más capaz de diferentes movimientos y soportar un mayor número de demandas externas. Por el contrario, una articulación rígida, aunque más estable, también reduce la variabilidad en las posibles acciones y movimientos que puede hacer. Es decir, reduce las posibilidades de la persona para adaptarse a las demandas del entorno.

En general, en los sistemas complejos, mayor variabilidad (hasta un punto) indica que el sistema es más «sano» o que sus mecanismos internos de adaptación funcionan mejor.

Un ejemplo es la variabilidad de la frecuencia cardíaca (HRV o VFC), la variación de los intervalos de tiempo entre latido y latido, es un factor protector del corazón. Aquí lo explica bastante bien Marcos Vázquez: ¿Por qué quieres u corazón irregular o el indicador más importante de tu salud

Esta variación nos da información de cómo de bien funcionan los mecanismos que regulan la frecuencia de los latidos del corazón. Si no son capaces de cambiar de forma adecuada y fluida, tenemos un problema.

Lo mismo ocurre con nuestro termostato interno. Si siempre nos exponemos a un mismo rango de temperatura (unos 22 °C), nos costará mucho activar los mecanismos que regulan nuestra temperatura corporal si un día nos encontramos a rangos más extremos (cerca de 0 °C o de los 45 °C, por ejemplo).

Exponernos a más estímulos diferentes, mantendrá nuestros mecanismos de retroalimentación y regulación interna sanos, con lo que podemos adaptarnos mejor y más rápido a cualquier cambio del entorno.

Y lo mismo le ocurre a cualquier tipo de sistema complejo. Un ejemplo del uso proactivo de este principio es el «Chaos engineering» y uno de sus primeros ejemplos y probablemente el más conocido el Chaos Monkey de Netflix, un software que producía fallos aleatorios para forzar a los equipos a prepararse ante cualquier eventualidad. En la misma línea y un poco antes, Amazon tenía el «Game Day», un día en el que producía (a propósito) fallos en los sistemas (desconectar servidores, routers, discos, electricidad, etc.) para ver cómo el sistema era capaz de recuperarse y crear una mentalidad proactiva en la que sabías que había que prepararse para cualquier cosa.

El principio básico es que:

Van a ocurrir cosas que desestabilicen el sistema, es imposible prever todas las posibles perturbaciones o todos los fallos que pueden ocurrir, pero sí se puede hacer un sistema que sea adaptable y que se recupere lo antes posible ante cualquier cambio.

En resumen

La diversidad es una de las propiedades que generan complejidad en un sistema. Otra propiedad parecida, pero que es útil entender y no confundir con la diversidad, es la variabilidad.

La diversidad está relacionada con la heterogeneidad del sistema, con la cantidad de tipos diferentes de elementos y relaciones. Por otro lado, la variabilidad tiene que ver con lo diferentes que sean las características y comportamientos que tenga el sistema.

Podríamos pensar que más diversidad siempre es mejor, pero cada sistema tiene un rango óptimo de diversidad. Más de ese rango lo hace menos eficiente e inestable, mientras que menos de ese rango lo hace más rígido y más frágil ante cambios.

Los sistemas tienen diferentes mecanismos mediante los cuales, los sistemas generan o disminuyen la diversidad. Conocer dichos mecanismos puede ser útil para detectar problemas, o mejorar el funcionamiento de un sistema.

Por último, es importante resaltar que la variabilidad del sistema es un buen indicador de su capacidad de adaptación y del funcionamiento de sus mecanismos de regulación.

Una baja variabilidad suele indicar que el sistema es frágil y poco adaptable.

Una de las formas en las que se mantiene una buena variabilidad es la exposición a una alta variedad de perturbaciones, entornos o problemas.

A pesar de haber sido un artículo largo, me he dejado muchas cosas en el tintero. Si te interesa el tema, te recomiendo investigar en las fuentes que te he mencionado y buscar más.

En cualquier caso, creo que hemos visto lo suficiente para ver cómo la diversidad y la complejidad se relacionan, así como tener unas nociones sobre cómo manejar uno de los pocos parámetros de un sistema complejo en los que podemos influir, pero que tiene un impacto enorme en dichos sistemas.

Los sistemas complejos son, por naturaleza, impredecibles y cualquier acción sobre ellos tiene efectos secundarios inesperados, por eso conocer los mecanismos de retroalimentación, los atractores y el manejo de la diversidad puede ayudarnos a tener una idea sobre cómo enfrentarnos a sistemas o problemas complejos.

De hecho, ya hemos tocado algunos de los conceptos clave a la hora de enfrentarnos a problemas: la exploración y la explotación. Más adelante veremos cómo usarlos dependiendo del tipo de problema al que nos enfrentemos.

Hoy te escribo para dos cosas. Por un lado, para pedirte disculpas por no tener listo el artículo de hoy y por otro para invitarte a echarle un ojo al Substack Notes.

Primero lo primero. Mis disculpas. Mi intención era escribir cada semana un artículo y terminar primero la serie de artículos de introducción a los Sistemas Complejos.

He decidido publicar los sábados, para poder compatibilizar la escritura con mi trabajo actual (construyendo un sistema operativo Open Source para coches), pero aún no he acabado el artículo de hoy sobre la diversidad y la variabilidad.

Quise profundizar un poco más y hacerlo completo (accesible e introductorio, pero completo). Está casi listo, pero aún queda un poco, así que lo publicaré la semana que viene. Prefiero que quede completo y revisarlo bien.

Sin embargo, para que puedas seguir sumergiéndote en este mundo de la complejidad, te recomiendo que leas algunas de las notas que he ido publicando aquí, en Substack Notes.

En las notas estoy poniendo pequeñas reflexiones sobre temas que me interesan y los relaciono con lo que voy hablando en los artículos. Es una forma de ir enlazando estos conceptos con diferentes áreas y problemas prácticos.

Te enlazo aquí algunas, por si te interesan y no tengas que buscarlas:

Ir a las Notas

Cómo unirte

Dirígete a substack.com/notes o busca la pestaña «Notes» en la aplicación Substack. Como suscriptor de Juanje Ojeda, automáticamente verás mis notas. ¡Siéntete libre de dar, me gusta, responder o compartirlos!

También puedes compartir tus propias notas. La verdad es que este formato está bastante bien para compartir ideas o reflexiones con otras personas.

¡Muchas gracias por seguir aquí y espero que te sean útiles los artículos y las notas!

¡Hasta dentro de poco!

• Introducción

• ¿Qué es un atractor?

• Tipos de atractores

• ¿Para qué sirve conocerlos?

• Salir del atractor

  • Energía necesaria para salir del atractor

  • Relación entre la retroalimentación y los atractores

• Múltiples atractores

  • Cambio de fase y no linealidad

  • Generalista vs. especialista

  • Fragilidad vs. resiliencia

• En los sistemas complejos, los atractores pueden cambiar

  • De la emergencia a los atractores

  • Atractores contextuales

• En resumen

Al final te propongo un ejercicio para tratar de aplicar lo aprendido. A ver si te animas 😉

Introducción

Los sistemas complejos son, por definición, impredecibles. Como ya hemos visto, su comportamiento depende de las condiciones iniciales, de las relaciones entre sus componentes y de las nuevas propiedades que emergen de ellas. Esto hace que dichos sistemas no se comporten de una manera lineal y previsible.

Pero existe algo en todos ellos que los hace «más previsibles»: los atractores.

No predice en detalle qué ocurrirá con el sistema, pero sí nos dirá en qué dirección tenderá a evolucionar e, incluso, patrones que podemos esperar encontrar con el tiempo.

Aquí destacaría dos palabras clave: tenderá y tiempo.

Lo que marca el atractor no es una certeza, es una tendencia. Y para llegar a esos estados o patrones, tendrá que pasar tiempo. Mientras más tiempo (más ciclos de vida del sistema) más se acercará (si no ocurre nada que lo impida) el sistema al atractor.

El término «atractor» es a la vez clarificador y confuso. Clarificador porque de alguna forma se intuye de qué va («atrae al sistema hacia sí mismo») y confuso porque es un término nuevo que suele estar rodeado de explicaciones matemáticas, gráficas y metáforas.

A ver si soy capaz de hacerlo más clarificador que confuso.

¿Qué es un atractor?

Formalmente, un atractor es un conjunto de estados hacia los cuales un sistema tiende a evolucionar con el tiempo. En otras palabras, es un patrón de comportamiento estable al que el sistema converge después de un tiempo, independientemente de las condiciones iniciales.

Podríamos decir que cada sistema tiene ciertas tendencias. Pasado un tiempo, salvo que algo lo impida, el sistema acabará en un estado determinado.

Esto parece muy abstracto, pero estoy seguro de que tras ver algunos ejemplos, el concepto quedará claro.

Antes de pasar a los ejemplos, me gustaría comentar que una de las funciones principales de los atractores es la estabilidad del sistema.

Atractores más estables (con mayor atracción) llevarán a sistemas más estables, mientras que atractores menos estables (con menor atracción) permitirán más cambios en el sistema.

Por ejemplo, la atracción de la gravedad en la superficie terrestre es muy grande. Es un atractor muy estable. Lo que hace que puedas permanecer relativamente inmóvil sin mucho esfuerzo. El movimiento de los objetos en la Tierra es bastante predecible.
En cambio, la atracción de la gravedad en una nave espacial es muy débil. Es un atractor menos estable. Con lo que te costaría mucho más permanecer inmóvil o predecir los movimientos de los objetos en ella.

Sigamos con algunas definiciones formales de los diferentes tipos que suelen darse antes de pasar a los ejemplos y otros conceptos prácticos.

Tipos de atractores

Existen varios tipos de atractores:

1. Punto fijo: el sistema se estabiliza en un estado específico.

2. Ciclo límite: el sistema oscila entre un conjunto limitado de estados.

3. Atractor extraño: el sistema sigue un patrón complejo e impredecible. Puede ser sensible a las condiciones iniciales (caótico) o no (no-caótico).

Los dos primeros son los más fáciles de ver, sobre todo el primero. Es la tendencia general hacia donde evoluciona el sistema y normalmente un punto fijo y estable.

Los atractores de ciclo límite suelen ser patrones cíclicos, o rítmicos, que se repiten una y otra vez en el sistema.

Los atractores extraños son más complicados de explicar y de mostrar en ejemplos cotidianos. Suelen mostrarse con funciones y modelos matemáticos.

Ejemplos de cada tipo

Punto fijo

• La temperatura ambiente: Una taza de café caliente se enfría hasta alcanzar la temperatura ambiente.

• La gravedad: La fuerza de la gravedad atrae los objetos hacia el centro de la Tierra. Si el objeto está en un punto alto, tiende a caer hacia el punto más bajo y si está en el suelo, la gravedad lo mantiene en su sitio (evita que suba).

Ciclo límite

• Latidos del corazón en reposo: Cuando el corazón está en reposo, los latidos se producen de forma regular y rítmica, manteniendo un patrón constante. Este patrón regular es como un «ciclo» al que el corazón regresa una y otra vez mientras late.

• Atascos en hora punta entrada-salida de una gran ciudad: Cada vez que es hora punta, se dan las condiciones necesarias para que se produzcan más atascos. El sistema oscila entre atascos y tráfico ligero.

Atractor extraño

• El clima de una región: El clima de una región podría verse como un atractor extraño. Aunque es muy variable e imprevisible, existe cierto patrón que nos permite identificar que el clima en Gran Canaria es muy particular y diferente del clima en Madrid. No solo son claramente diferentes, sino que los patrones de cómo cambian son diferentes.

¿Para qué me sirve conocerlos?

Pues diría que la principal razón es para eliminar un poco de la incertidumbre de estos sistemas. Es probablemente el único elemento de estos sistemas que puede darnos una información útil y predecible de que esperar de ellos en un futuro.

También puede ayudarnos a entender por qué un sistema tiende a comportarse siempre de unas formas determinadas. No es por azar o capricho, sino porque existe algún tipo de atractor que le lleva a ello.

Conociéndolos, podemos entender mejor por qué un sistema se vuelve estable, colapsa, se adapta, por qué se dan algunos comportamientos no lineales, qué hace a un sistema más o menos frágil, o de qué manera podemos intervenir en él para mejorarlo, por ejemplo.

Otra utilidad es predecir esta tendencia en sistemas similares. Los comportamientos y efectos de dos sistemas idénticos pueden variar mucho, dependiendo de las condiciones iniciales o de su interacción con otros sistemas externos. Pero sistemas similares, suelen tener atractores similares, lo que nos permite inferir cierta tendencia del sistema.

Por ejemplo, dos gemelos desarrollarán comportamientos, habilidades y capacidades diferentes a lo largo de su vida, pero ambos tendrán un latido de corazón rítmico en reposo, les afectará la fuerza de la gravedad y su cuerpo tenderá a ahorrar energía para sobrevivir.

Hay muchísimas inferencias de este tipo que podemos hacer a partir de un sistema conocido. Nunca serán predicciones seguras, ni muy precisas, pero sí nos ayudarán a tener una idea general de las diferentes tendencias que interaccionarán en el sistema.

Salir del atractor

Una imagen muy común para representar un atractor es una bola en el fondo de un valle, entre dos picos. El valle es el atractor, es el punto más estable. Si la bola está ahí, no puede bajar más y, salvo que haya una fuerza que la empuje colina arriba, no se moverá de ahí.

En este ejemplo podemos ver cómo la tendencia del sistema será llevar la bola hacia abajo. Si está a mitad de colina, caerá a no ser que algo se lo impida.

¿Podría salir la bola del atractor? Sí, pero necesitaría que algo, o alguien, gastara bastante energía para empujarla, cuesta arriba, hasta el siguiente punto estable, una de las cimas.

De aquí podemos sacar dos conclusiones:

• Salir de un atractor requiere más energía que entrar o permanecer en él.

• Debe existir algún mecanismo para salir de este estado estable que es el atractor.

Energía necesaria para salir del atractor

Para cambiar el comportamiento de un sistema y alejarlo de su atractor actual, es necesario aplicar una fuerza o energía suficiente. Esta energía puede ser física, emocional o intelectual, dependiendo del sistema en cuestión.

Si vemos el ejemplo de la temperatura ambiente, para mantener la taza de café caliente, deberíamos tener algún mecanismo que generara calor (usando energía) para evitar que se enfríe y alcance el estado de equilibrio (la temperatura ambiente).

Pensemos ahora en una persona fumadora. Podríamos considerar el hábito de fumar como un atractor en esa persona. En ese caso, fumar o mantener unos niveles determinados de nicotina serían el estado de equilibrio. Si disminuyen esos niveles, el comportamiento de la persona (como sistema) tenderá hacia el estado estable: fumar.

Evitar acercarse a ese estado o atractor requerirá energía, ya sea en forma de fuerza de voluntad, creando otro hábito (atractor) que lo sustituya, usando un parche de nicotina o cualquier otro método.

Una cosa que debemos tener en cuenta es que mientras más estable sea el atractor, más energía requiere salir de él.

Relación entre la retroalimentación y los atractores

Comentaba antes que, aparte de la energía, hacía falta algún mecanismo para salir del estado atractor. No solo eso, también deberá existir algún mecanismo que lleve al sistema hacia ese estado.

Tenemos que recordar que aunque usemos modelos y metáforas (como la bola y el valle), simplemente estamos describiendo fenómenos que ocurren en este tipo de sistemas.
No son «leyes» que se deban cumplir, sino fenómenos y mecanismos que generan comportamientos y eso es lo que luego observamos y categorizamos como «atractor».

Estos mecanismos suelen ser los procesos de retroalimentación. Mientras que la retroalimentación negativa se encarga de mantener el sistema en el atractor (el estado estable), la retroalimentación positiva será la que aleje al sistema de ese estado.

El cuerpo de un ser humano adulto suele tener una temperatura ideal (un estado estable o atractor) de 36,5 °C. Si la temperatura ambiente comienza a subir alterando dicha temperatura, los mecanismos de retroalimentación negativa de termorregulación realizarán los ajustes necesarios (sudoración, vasodilatación, etc.).

Si, por el contrario, la temperatura empieza a bajar mucho, entrarán en juego los ajustes para subirla (tiritar, vasoconstricción, etc.).

Esos mecanismos de termorregulación, son mecanismos de retroalimentación negativa porque buscan mantener el sistema (la persona) en un estado de equilibrio térmico (en torno a los 36,5 °C).

Pero si tenemos una infección, nuestro cuerpo subirá la temperatura para luchar con los patógenos. Y usará un mecanismo de retroalimentación positivo, la fiebre, que hará que mientras haya patógenos que matar, la temperatura se mantenga alta y lejos de ese equilibrio ideal de 36,5 °C, el atractor.

Múltiples atractores

Cambios de fase y no linealidad

En algunos sistemas, es posible que existan múltiples atractores, lo que significa que el sistema puede tener varios estados estables. Esto permite que el sistema se adapte y cambie a otro estado estable si algo provoca que abandone el atractor en el que se encuentra. Esta característica proporciona dinamismo y capacidad de adaptación a los sistemas. Además, también da lugar a los cambios de fase y comportamientos no lineales mencionados en artículos previos.

Un cambio de fase ocurre cuando el sistema transita de un atractor a otro debido a cambios en sus condiciones internas o externas.

Estos cambios de fase están asociados con comportamientos no lineales.

Si tomamos el ejemplo del agua, podríamos decir que los diferentes estados del agua (sólido, líquido y gaseoso) son atractores. Al calentar el agua, estamos sacando al sistema (el agua) del atractor en el que estaba (estado líquido), llevándolo al punto de intersección con el siguiente atractor (estado gaseoso).

En ese punto, un pequeño empujón adicional llevará el sistema hacia el otro atractor, y el agua se convertirá en vapor.

Así es como aparecen estos efectos no lineales en los sistemas complejos.

Generalista vs. especialista

El hecho de que un sistema tenga múltiples atractores en lugar de uno solo conlleva ciertas implicaciones. Si asumimos que la energía y la estabilidad en un sistema son limitadas, esto significa que un único atractor tenderá a ser muy estable (o profundo, si seguimos la metáfora del valle). En contraste, tener más atractores implica que cada uno de ellos será menos estable (menos profundo).

Esto sugiere que salir de un atractor (y pasar a otro estado estable) en un sistema con múltiples atractores requiere menos esfuerzo (energía) que en uno con un solo atractor. Esta característica hace que el sistema sea más flexible y adaptable en su comportamiento, convirtiéndolo en un sistema generalista.

Por otro lado, un sistema con un único atractor será muy estable en un estado específico, es decir, será altamente eficiente en ese aspecto. Este sería un sistema especialista.

No existe un tipo de sistema mejor o peor, ya que cada uno presenta ventajas e inconvenientes. Además, excepto en casos muy específicos de sistemas con un solo atractor, todos ellos cuentan con varios atractores y se encuentran en un rango entre especialistas y generalistas.

Un ejemplo de sistema especialista sería el oso hormiguero. Su alimentación se basa en hormigas y termitas. Podríamos decir que tiene un único patrón de alimentación, un atractor. Pero es muy eficiente consiguiendo hormigas y termitas para comer.

El oso hormiguero es un especialista, lo que lo hace muy eficiente.

En cambio, el ser humano es un ejemplo de sistema generalista. No es especialmente bueno en conseguir una fuente de alimentación (no es el más fuerte, ni rápido, ni ágil, ni tiene dientes o garras), no tiene ninguna especialidad a la hora de alimentarse, pero puede comer de casi todo. Tiene muchos posibles patrones alimentarios que le permiten comer de lo que haya disponible.

El ser humano es un generalista, lo que lo hace muy adaptable.

Fragilidad vs. resiliencia

Estos últimos ejemplos nos llevan al siguiente punto, la fragilidad del sistema.

Como hemos visto, mientras menos atractores, más estable el sistema. Esto lo hace también más eficiente en lo que quiera que haga, pero también más frágil ante cambios externos.

No hay nadie mejor que el oso hormiguero cazando hormigas, sin embargo, si desaparecen las hormigas, el oso no tendrá comida y morirá. En cambio, el ser humano puede buscar otra fuente de comida.
A lo largo de la historia hemos sobrevivido a plagas, cambios climáticos y desastres naturales que nos han hecho cambiar la alimentación o, incluso, mudarnos a otras regiones del planeta.

Estos sistemas con múltiples atractores serían resilientes porque son capaces de volver a un estado de equilibrio después de una perturbación externa.

NOTA: Para quienes conozcan el concepto de «antifrágil» de Nassim Taleb, quizás piensen que estos sistemas serían «antifrágiles» en vez de «resilientes», pero no tiene por qué.
Un sistema con múltiples atractores, no tiene por qué mejorar con la perturbación externa, solo evitar el colapso y volver a un estado estable. Hablaremos más adelante de esa «antifragilidad».

En los sistemas complejos, los atractores pueden cambiar

A medida que los sistemas complejos evolucionan y se adaptan, también pueden cambiar sus atractores. Este cambio puede ser el resultado de la interacción con otros sistemas, la evolución de las condiciones internas o la influencia de factores externos.

Conocer que los atractores cambian es fundamental para entender cómo estos sistemas se adaptan y aprenden.

De esto hablaré extensamente en futuros artículos. Por ahora, lo importante es saber que los atractores no son necesariamente fijos y que esa capacidad de crear, o cambiar, atractores es uno de los elementos que le dará al sistema una gran capacidad de adaptación a medio y largo plazo.

De la emergencia a los atractores

Un aspecto útil a considerar al trabajar con sistemas y problemas complejos es que, en muchos casos, los patrones emergentes pueden, con el tiempo, convertirse en atractores.

Por ejemplo, si una persona se fractura el tobillo y la inmovilizan durante varios meses. En ese tiempo, surgirá un nuevo comportamiento: caminar apoyándose lo menos posible en el tobillo. Ese será un patrón emergente que se repetirá muchas veces cada día durante varios meses.

El cuerpo de esa persona se habrá adaptado para que le cueste lo menos posible ese nuevo patrón, creando un atractor.

Una vez que el tobillo esté curado, a menos que se invierta tiempo y energía en la rehabilitación, ese atractor hará que la persona tienda a caminar evitando apoyar peso en el tobillo.

Atractores contextuales

En general, los atractores afectan a todo el sistema de forma constante. Sin embargo, en sistemas altamente dinámicos y que interactúan con gran variedad de sistemas externos, es posible que existan atractores que solo se manifiesten en ciertos contextos. Por ejemplo, el ser humano.

En el ejemplo del atractor que se ha creado después de pasar meses sin mover el tobillo. Este sería un atractor específico relacionado con caminar. No es un atractor que vaya a afectar al comportamiento de esa persona como parte de un equipo que desarrolla una aplicación web.

Podríamos decir que los atractores serán relevantes y causarán efectos en función del tipo de interacciones con otros sistemas y el contexto en el que se encuentre el sistema en cuestión.

En resumen

Los sistemas complejos son inherentemente impredecibles, pero los atractores ofrecen cierta previsibilidad al proporcionar tendencias y direcciones hacia las cuales un sistema tiende a evolucionar con el tiempo. También contribuyen a la estabilidad del sistema.

Conocer los atractores ayuda a reducir la incertidumbre en los sistemas complejos y permite una mejor comprensión de por qué ciertos comportamientos ocurren en un sistema. Además, aporta información sobre cómo intervenir en un sistema para mejorarlo. Los sistemas con múltiples atractores pueden ser más adaptables y resilientes, mientras que aquellos con un único atractor pueden ser más estables, eficientes, pero también más frágiles.
En los sistemas complejos, los atractores pueden cambiar a medida que evolucionan y se adaptan a las interacciones y condiciones cambiantes.

En el próximo artículo, abordaré cómo influyen la diversidad y la variabilidad en los sistemas complejos. En él, volveremos a conectar con las características de multinivel, así como la interconexión e interdependencia. Todo esto, junto con los atractores, son las bases de dos de las características más importantes de los sistemas complejos: la capacidad de adaptación y el aprendizaje.

Pero, antes de despedirme, me gustaría invitarte a que intentes identificar atractores en sistemas que te sean familiares. Desde negocios, organismos biológicos, ecosistemas, organizaciones, sistemas políticos, sistemas financieros, lo que sea. Hacer este ejercicio mental ayuda mucho a comprender de verdad este concepto y los sistemas complejos en general.

Si quieres, comparte tus ejemplos en los comentarios y podemos hacer una lista entre todos, e incluso debatir sobre cuáles son atractores y cuáles no. La línea a veces es muy fina.

Te recomendaría pensar en la energía necesaria para que el sistema cambie su estado actual.

¿En esta situación, qué haría el sistema si no hay fuerzas externas o si se busca gastar la menor energía posible?

También reflexiona sobre la tendencias.

Con el paso del tiempo, ¿en qué estado suele acabar el sistema o qué patrón cíclico suele ocurrir?

En todos esos casos le damos información a la persona sobre lo que quiera que haya hecho (vestirse de una manera, responder una pregunta de un examen, escribir una publicación en una red social, realizar un ejercicio, etc.). Es información que la persona puede usar para corregir y mejorar, o para confirmar que «va por el buen camino».

Este proceso se llama retroalimentación, porque es información sobre la persona, que le das de vuelta, para que pueda mejorar o ajustar lo que quiera que esté haciendo.

Igual no pensamos en esa intención cuando ponemos el comentario, pero es lo que ocurre.

Podríamos definir entonces la retroalimentación como información de salida de un sistema, que es usada por el mismo sistema para hacer algún tipo de ajuste.

Un ejemplo clásico sería un termostato. Un termostato va a detectar la temperatura de una habitación y usar esa información para subirla (con la calefacción) o bajarla (con el aire acondicionado), para tratar de mantenerla a una temperatura constante.

Es un sistema que se regula gracias a estos mecanismos de retroalimentación.

Tipos de retroalimentación

En general, solemos encontrarnos dos tipos de retroalimentación:

• Positiva

• Negativa

No tiene nada que ver con que sea bueno o malo, ni con valores positivos o negativos. Lo digo porque es algo que suele llevar a confusión muy a menudo y es mejor quitarnos esa idea de la cabeza desde el principio.

Que esta retroalimentación sea positiva o negativa va a tener que ver con el ajuste que haga el sistema con dicha información.

Positiva

Si se usa esa información para reforzar, o aumentar, lo que quiera que haya hecho el sistema, será positiva:
«Vamos por buen camino.»

El efecto que suele tener en el sistema es el de acelerarlo o el de amplificar la señal.

Negativa

Por el contrario, si esa información lleva a corregir, o reducir, lo que se está haciendo, será negativa:
«Nos hemos pasado y hay que retroceder un poco.»

El efecto que suele tener en el sistema es el de estabilizarlo o el de reducir la señal.

Una puntualización es que, aunque normalmente hablemos de información, esta salida que se usa como entrada del sistema, puede ser cualquier cosa que produzca.

Por ejemplo, imagina que te dedicas a hacer y vender zapatos. Si inviertes el dinero que ganas de vender los zapatos en comprar más material y mejores herramientas, harías más zapatos. Lo que te permitiría vender más y ganar más dinero.

En este caso, en vez de información, el dinero que ganas es la salida del sistema, que le vuelves a dar al mismo como entrada.

Ejemplos de cada tipo

Antes de empezar con los ejemplos, me gustaría advertir que son ejemplos simplificados (en algunos casos irreales). Luego veremos como, en sistemas complejos, no sería tan evidente el resultado de muchos de esos ejemplos.

Retroalimentación positiva

• Bola de nieve: Imagina una pequeña bola de nieve rodando cuesta abajo. A medida que la bola de nieve rueda, recoge más nieve y aumenta de tamaño. Cuanto más grande se vuelve la bola de nieve, más nieve recoge y más rápido rueda, lo que a su vez le permite recoger aún más nieve.

• Autoconfianza I: Mientras más confíes en tus capacidades, más cosas nuevas intentarás, lo que reforzará tu autoconfianza.

• Autoconfianza II: Si confías poco en tus capacidades, evitarás hacer cosas nuevas, lo que hará que te veas menos capaz de probar cosas nuevas.

• Interés compuesto: Los intereses generados por una inversión se suman al capital inicial, aumentando así el monto sobre el que se calculan los intereses futuros. Esta reinversión de los intereses genera un aumento exponencial de la inversión.

Retroalimentación negativa

• Regulación de la temperatura de una casa I: Como vimos antes, usando un termostato, si la temperatura es muy alta, se pone el aire acondicionado y se baja.

• Regulación de la temperatura de una casa II: Si está muy baja, el termostato pone la calefacción y sube de nuevo la temperatura.

• Glucosa en sangre I: Cuando los niveles de glucosa en sangre aumentan (por ejemplo, después de comer), las células beta del páncreas liberan insulina. La insulina permite que las células del cuerpo absorban la glucosa y la utilicen como fuente de energía, reduciendo así los niveles de glucosa en sangre.

• Glucosa en sangre II: Por otro lado, cuando los niveles de glucosa en sangre disminuyen, las células alfa del páncreas liberan glucagón. El glucagón estimula la liberación de glucosa almacenada en el hígado (en forma de glucógeno) para elevar nuevamente los niveles de glucosa en sangre.

Componentes de la retroalimentación

En un bucle o proceso de retroalimentación, hay cuatro componentes básicos:

• La entrada: La información, energía o recurso que se introduce en el sistema.

• La salida: El resultado o producto del sistema, que es una consecuencia de la entrada y el mecanismo de ajuste.

• El mecanismo que conecta la salida con la entrada: Lo que quiera que sea que redirija la salida del sistema de nuevo hacia la entrada.

• El mecanismo de ajuste o transformación: La parte del sistema que modifica la entrada, ya sea amplificándola (retroalimentación positiva) o reduciéndola (retroalimentación negativa), antes de que se convierta en la salida.

Estos cuatro componentes forman la base de un proceso de retroalimentación y permiten que un sistema se ajuste, se adapte y, en última instancia, se autorregule de acuerdo con las condiciones cambiantes y las necesidades específicas.

Comento esto, porque es muy fácil confundir un bucle de retroalimentación con el mecanismo de ajuste.

Por ejemplo, un amplificador (que amplifica el sonido), podría verse como un bucle de retroalimentación positivo (a más volumen de entrada, más volumen de salida), pero no hay nada que diga que se use la salida como entrada.

Lo mismo con un acelerador de un coche. Cuanto más apretemos el acelerador, mayor la velocidad. Es decir, se amplifica la señal. Pero esa velocidad de salida no se está usando en ningún momento como entrada del sistema (pedal del acelerador).

Para que algo sea un bucle o proceso de retroalimentación, debe haber algún mecanismo que redirija la salida del sistema, para que se use como entrada en la siguiente iteración.

Ese mecanismo que conecte la salida con la entrada podría ser la persona que pisa el acelerador (mecanismo de ajuste) en función de los valores del velocímetro (salida).

Retroalimentación en sistemas complejos

En los sistemas simples, solemos hablar de «bucles de retroalimentación», porque es un mecanismo directo y sencillo en el que la salida va directamente a la entrada del sistema, como en un circuito cerrado.

Pero en sistemas complejos, solemos hablar de «procesos de retroalimentación», porque pueden interactuar varios antes de volver a la entrada.

Veámoslo con un ejemplo relativamente sencillo aplicado a cada tipo de sistemas:

La termorregulación

Pensemos en una habitación con un termostato que se encarga de mantener la temperatura constante. Imaginemos que está configurado para que se mantenga la temperatura a 25 °C.

• Si detecta que la temperatura baja a 26 °C, se activará el aire acondicionado, hasta que baje de nuevo a 25 °C.

• Si, por el contrario, la temperatura baja a 24 °C, se pone la calefacción, hasta que vuelva a los 25 °C.

Eso sería un sistema simple y podríamos hablar de dos bucles de retroalimentación. Uno para regular el frío y otro para regular el calor.

Ahora pensemos en una casa con muchas habitaciones. Las habitaciones están interconectadas, con lo que el aire recorre la casa sin problemas.

La casa tiene habitaciones con cristaleras, que cuando da el sol, se calientan más que otras que no tienen ventanas y son de muros de piedra. Así que podemos intuir que la temperatura de cada habitación será ligeramente diferente a las demás a lo largo del día.

Cada habitación tiene un termostato configurado para mantener una temperatura de 25 °C, igual que antes.

La diferencia ahora será que los distintos termostatos harán ajustes diferentes en cada habitación y como las habitaciones se comunican, el ajuste de una habitación afectará a las vecinas.

El resultado final será de una temperatura global de la casa de unos 25 °C bastante estable, pero las temperaturas en cada habitación irán variando más.

Añadiendo componentes interconectados y condiciones variables, obtenemos más complejidad.

La colmena

Pues bien, ese ejemplo teórico se parece mucho a un ejemplo real (y mucho más complejo):

Una colmena de abejas.

En una colmena de abejas, cada abeja tiene su propio «termostato» interno. Necesitan mantener una temperatura óptima y la manera en la que la ajustan es separándose un poco de las otras y aleteando más rápido para bajar la temperatura y acercándose a sus vecinas y aleteando más despacio, para subir la temperatura.

Pero claro, la temperatura no será la misma en el centro de la colmena que en el exterior y a medida que la abeja vecina se acerque o aleje, aletee más rápido o más despacio, su temperatura irá variando.

El resultado es que la colmena en sí tendrá una temperatura relativamente estable, con pequeñas fluctuaciones, pero una gran variedad de ellas.

Sin embargo, la variabilidad es aún mayor, porque sabemos que no todas las abejas tienen la misma temperatura óptima. Cada abeja buscará su temperatura óptima y se ajustará a las condiciones actuales.

Esto generará una salida del sistema (la temperatura global) que no dependerá de ninguna abeja en concreto y es definida por nadie, sino que surge de las interacciones entre los distintos mecanismos de cada abeja de mantener su propia temperatura óptima.

En resumen

La retroalimentación es un proceso clave en la regulación y adaptación de sistemas, tanto simples como complejos. Estos sistemas pueden utilizar retroalimentación positiva para reforzar y acelerar sus acciones, o retroalimentación negativa para corregir y estabilizar su comportamiento.

En sistemas simples, como un termostato, los bucles de retroalimentación son directos y sencillos. Sin embargo, en sistemas complejos, como una colmena de abejas, los procesos de retroalimentación involucran múltiples componentes interconectados y condiciones variables. Esto puede dar lugar a un comportamiento emergente y a una mayor adaptabilidad a las condiciones cambiantes.

En el próximo artículo veremos el concepto atractor, que suele estar relacionado con estos mecanismos de retroalimentación y que ayudan a explicar los comportamientos no lineales, así como las capacidades dinámicas y de adaptación de este tipo de sistemas.

Juanje Ojeda

Sistemas complejos: Atractores

Como este artículo es un poco más largo de lo normal, he añadido un pequeño índice para que sepas qué te vas a encontrar y puedas seguirlo mejor: Introducción ¿Qué es un atractor? Tipos de atractores ¿Para qué sirve conocerlos? Salir del atractor Energía necesaria para salir del atractor…

Read more

3 years ago · Juanje Ojeda