LA BOQUILLA DE "UNILEVER" Y EL PODER DEL APRENDIZAJE “EVOLUTIVO”

¿Alguna vez se ha preguntado cómo se produce el detergente en polvo? La explicación más simple de esto es que el detergente líquido se bombea a través de una boquilla a una presión muy alta que convierte el líquido en aerosol y, cuando el aerosol se seca, se convierte en polvo. Bueno, y esto, ¿qué tiene que ver con el aprendizaje? 

A principios de la década de los 70s, esta boquilla estaba causando muchos problemas en la fábrica de Unilever, cerca de Liverpool (Inglaterra). La granularidad del polvo era inconsistente y la boquilla se bloqueaba frecuentemente. Esto era un problema grande para la empresa, no solo por el costo de mantenimiento y las demoras en el ciclo de producción, sino también en términos de la calidad del producto. Unilever necesitaba una nueva boquilla y rápido.

Los ejecutivos de Unilever convocaron a un equipo de expertos para resolver el problema. El equipo en cuestión estaba conformado por un grupo de científicos expertos en análisis químico, sistemas de alta presión y dinámica de fluidos. Este grupo de expertos era lo que hoy podríamos llamar "diseñadores inteligentes"; el tipo de personas a las que generalmente recurrimos cuando necesitamos resolver problemas muy complejos, en suma, los más idóneos para aplicar las leyes de la matemática y la física para diseñar la boquilla perfecta. 

El grupo de expertos analizó en profundidad el problema, construyeron ecuaciones matemáticas complejas y después de numerosas discusiones, cálculos y reuniones, revelaron el nuevo diseño de boquilla. Sorprendentemente, no funcionó. La granularidad del polvo aún era inconsistente y la boquilla seguía bloqueándose. 

Entonces, Unilever recurrió a su equipo de biólogos para obtener ayuda. Los biólogos adoptaron un enfoque diferente al de los matemáticos y físicos. En lugar de tratar de encontrar el diseño perfecto mediante razonamiento lógico y la aplicación de fórmulas y leyes científicas, emplearon el enfoque de “aprendizaje evolutivo”; es decir, un proceso de variación y selección (prueba ensayo/error) para resolver el problema.

Comenzaron con la boquilla en su forma original. Luego crearon diez variaciones de la boquilla, todas con ligeros cambios introducidos al azar. Pusieron a prueba las diez variaciones y conservaron la que mejor funcionó. Luego hicieron diez variaciones más de la mejor boquilla, y nuevamente conservaron la que mejor funcionó. Diez variaciones más y así sucesivamente. Repitieron este proceso 45 veces. Al final terminaron con una boquilla extremadamente eficiente, aunque de aspecto muy extraño. Los biólogos no podían explicar por qué funcionaba tan bien el nuevo diseño, ¡pero trabajaba muy bien!

Los biólogos habían tenido éxito donde los matemáticos y físicos habían fallado. ¿Por qué? Tim Harford, autor de “Adapt” dice que: “el mundo es mucho más complejo de lo que pensamos, y tratar de resolver un problema complejo con solo pensarlo no es el método más efectivo”. No podemos tener todo en cuenta. Cometeremos errores y debemos aceptar esos errores y aprender de ellos. En un mundo complejo, el método más efectivo es tomar una serie de opciones, probarlas y elegir la que funcione mejor.”

En este caso, el mejor diseño de boquilla no se había logrado a través de un plan maestro elaborado en base a conocimiento científico (en realidad el equipo de biólogos no tuvo ningún plan), sino como consecuencia de una rápida interacción con el mundo. Se descubrió una única boquilla, la más eficiente, como consecuencia de las pruebas y descartes, en realidad, después de 449 fallas. A veces, en lugar de centrarnos solo en el conocimiento también debemos centrarnos en sistemas de retroalimentación que permiten lo que acá denominamos el “aprendizaje evolutivo”

El ejemplo de Unilever es una gran ilustración del poder de la prueba ensayo/error, como forma de aprendizaje. Sin embargo, debemos estar conscientes de que muy pocos problemas organizacionales se resuelven “probando” variaciones aleatorias. En la práctica, probablemente es más eficiente una combinación de pensamiento experto "de arriba abajo" y prueba ensayo/error " de abajo hacia arriba", es decir, combinando conocimiento técnico científico, opiniones y suposiciones existentes con un sistema de retroalimentación y ajuste que se genera en la práctica.

Matthew Syed, autor de "Black box thinking", dice: "Si estamos operando en un entorno donde las personas no llaman la atención sobre los errores, no podemos mejorar. Debemos institucionalizar la capacidad para reconocer y actuar ante una ‘señal de error’. Un entorno donde se valora auténticamente el compromiso y el aprendizaje maximiza la cantidad y la calidad de la retroalimentación, aumentando así la velocidad de adaptación ".

LA BOQUILLA DE "UNILEVER" Y EL PODER DEL APRENDIZAJE “EVOLUTIVO”

¿Alguna vez se ha preguntado cómo se produce el detergente en polvo? La explicación más simple de esto es que el detergente líquido se bombea a través de una boquilla a una presión muy alta que convierte el líquido en aerosol y, cuando el aerosol se seca, se convierte en polvo. Bueno, y esto, ¿qué tiene que ver con el aprendizaje? 

A principios de la década de los 70s, esta boquilla estaba causando muchos problemas en la fábrica de Unilever, cerca de Liverpool (Inglaterra). La granularidad del polvo era inconsistente y la boquilla se bloqueaba frecuentemente. Esto era un problema grande para la empresa, no solo por el costo de mantenimiento y las demoras en el ciclo de producción, sino también en términos de la calidad del producto. Unilever necesitaba una nueva boquilla y rápido.

Los ejecutivos de Unilever convocaron a un equipo de expertos para resolver el problema. El equipo en cuestión estaba conformado por un grupo de científicos expertos en análisis químico, sistemas de alta presión y dinámica de fluidos. Este grupo de expertos era lo que hoy podríamos llamar "diseñadores inteligentes"; el tipo de personas a las que generalmente recurrimos cuando necesitamos resolver problemas muy complejos, en suma, los más idóneos para aplicar las leyes de la matemática y la física para diseñar la boquilla perfecta. 

El grupo de expertos analizó en profundidad el problema, construyeron ecuaciones matemáticas complejas y después de numerosas discusiones, cálculos y reuniones, revelaron el nuevo diseño de boquilla. Sorprendentemente, no funcionó. La granularidad del polvo aún era inconsistente y la boquilla seguía bloqueándose. 

Entonces, Unilever recurrió a su equipo de biólogos para obtener ayuda. Los biólogos adoptaron un enfoque diferente al de los matemáticos y físicos. En lugar de tratar de encontrar el diseño perfecto mediante razonamiento lógico y la aplicación de fórmulas y leyes científicas, emplearon el enfoque de “aprendizaje evolutivo”; es decir, un proceso de variación y selección (prueba ensayo/error) para resolver el problema.

Comenzaron con la boquilla en su forma original. Luego crearon diez variaciones de la boquilla, todas con ligeros cambios introducidos al azar. Pusieron a prueba las diez variaciones y conservaron la que mejor funcionó. Luego hicieron diez variaciones más de la mejor boquilla y nuevamente conservaron la que mejor funcionó. Diez variaciones más y así sucesivamente. Repitieron este proceso 45 veces. Al final terminaron con una boquilla extremadamente eficiente, aunque de aspecto muy extraño. Los biólogos no podían explicar el por qué funcionaba tan bien el nuevo diseño, ¡pero trabajaba muy bien!

Los biólogos habían tenido éxito donde los matemáticos y físicos habían fallado. ¿Por qué? Tim Harford, autor de “Adapt” dice que: “el mundo es mucho más complejo de lo que pensamos, y tratar de resolver un problema complejo con solo pensarlo no es el método más efectivo”. No podemos tener todo en cuenta. Cometeremos errores y debemos aceptar esos errores y aprender de ellos. En un mundo complejo, el método más efectivo es tomar una serie de opciones, probarlas y elegir la que funcione mejor.”

En este caso, el mejor diseño de boquilla no se había logrado a través de un plan maestro elaborado en base a conocimiento científico (en realidad el equipo de biólogos no tuvo ningún plan), sino como consecuencia de una rápida interacción con el mundo. Se descubrió una única boquilla, la más eficiente, como consecuencia de las pruebas y descartes, en realidad, después de 449 fallas. A veces, en lugar de centrarnos solo en el conocimiento también debemos centrarnos en sistemas de retroalimentación que permiten lo que acá denominamos el “aprendizaje evolutivo”

El ejemplo de Unilever es una gran ilustración del poder de la prueba ensayo/error, como forma de aprendizaje. Sin embargo, debemos estar conscientes de que muy pocos problemas organizacionales se resuelven “probando” variaciones aleatorias. En la práctica, probablemente es más eficiente una combinación de pensamiento experto "de arriba abajo" y prueba ensayo/error " de abajo hacia arriba", es decir, combinando conocimiento técnico científico, opiniones y suposiciones existentes con un sistema de retroalimentación y ajuste que se genera en la práctica.

Matthew Syed, autor de "Black box thinking", dice: "Si estamos operando en un entorno donde las personas no llaman la atención sobre los errores, no podemos mejorar. Debemos institucionalizar la capacidad para reconocer y actuar ante una ‘señal de error’. Un entorno donde se valora auténticamente el compromiso y el aprendizaje maximiza la cantidad y la calidad de la retroalimentación, aumentando así la velocidad de adaptación ".

LOS PERROS DE SELIGMAN Y LA "IMPOTENCIA APRENDIDA"

Ocurre en todo tipo de organizaciones. De hecho, es probable que lo haya visto antes o incluso lo esté experimentando ahora mismo en su trabajo: ese ambiente en el que todos parecen estar frustrados y quejándose constantemente; donde parece que nadie está interesado en crecer, los problemas no se resuelven y las personas hacen lo mínimo necesario porque no están motivadas. Ese ambiente donde el sentimiento generalizado de “no vale la pena intentar, al final nada va a cambiar” es más común de lo que se piensa. ¿Por qué?

En 1965, Martin Seligman, impulsor de la corriente de la psicología positiva, junto con sus colegas estaban investigando el condicionamiento clásico, proceso por el cual un animal o un humano asocian una cosa con otra. En el caso del experimento de Seligman, un grupo de perros fueron puestos en observación: se tocaba una campana y luego el perro recibía una ligera descarga eléctrica. Después de repetir el proceso varias veces el perro, tan solo oyendo el sonido de la campana, reaccionaba como si hubiese recibido la descarga eléctrica.

En la segunda parte del experimento, Seligman colocó a cada perro en una jaula grande que estaba dividida en el centro con una cerca baja; el perro podía ver y saltar la cerca si era necesario. Solo un lado de la cerca estaba electrificado. Seligman puso a los perros en el lado electrificado y les administró una leve descarga eléctrica. Los investigadores esperaban que los perros salten al lado no electrificado de la jaula para evitar la descarga eléctrica, pero ocurrió algo inesperado: los perros se quedaron acostados, como si hubieran aprendido de la primera parte del experimento, que no podían hacer nada para evitar las descargas eléctricas. Así, los perros se dieron por vencidos en la segunda parte de experimento. Seligman describió esta condición como “impotencia aprendida” o “conformismo”; es decir el comportamiento de renunciar a hacer algo para revertir una situación negativa basado en la experiencia de que “las descargas eléctricas son inevitables.”

Seligman intentó la segunda parte de su experimento con un grupo nuevo de perros; es decir, perros que no habían recibido descargas eléctricas previamente. En este caso, los perros saltaron la cerca inmediatamente para evitar las descargas eléctricas. Esto confirmo la hipótesis que los perros del primer grupo realmente habían aprendido esa “impotencia” como consecuencia de su experiencia en la primera parte del experimento.

La forma como los elefantes son domados es otro ejemplo de impotencia aprendida. A temprana edad, el elefante es encadenado a un árbol. Al inicio el elefante se resiste y lucha vigorosamente por librarse de la cadena, pero después de un tiempo “aprende” que es inútil. Cuando esto sucede, el domador le quita las cadenas y lo ata al árbol con una cuerda común. Como en el caso de los perros de Seligman, la “impotencia aprendida” es determinante en el comportamiento futuro del elefante.

Las organizaciones son muy vulnerables a la impotencia aprendida, especialmente las organizaciones más grandes o las que tienen un modelo de organización burocrático. Cuando las personas se sienten incapaces de revertir una situación evidentemente negativa, permanecen indiferentes y tienen bajas expectativas acerca de su trabajo, es posible que la causa subyacente sea impotencia aprendida. En el largo plazo, la impotencia aprendida puede ser una causa de estrés en el lugar de trabajo. Por ejemplo, si un empleado tolera una situación desagradable porque piensa que no puede influir o cambiar la situación, su autoestima, o la confianza en sus capacidades, se ve negativamente afectada. Un estudio internacional realizado en 2002 y publicado en la “Revista Internacional de Gerencia" concluyó que la baja autoestima en el trabajo está relacionada con una mayor probabilidad de estrés y agotamiento.

En efecto, un lugar de trabajo donde las personas exhiben los síntomas de impotencia aprendida es toxico y deprimente. Las personas dejan de intentar cosas y se vuelven pasivas, sumisas y como consecuencia tienen muy bajas expectativas. ¿Cómo superarlo? Harrison Monarth, un consultor en desarrollo ejecutivo dice: "Las personas necesitan desarrollar su autoestima y creer que tienen un sentido de control sobre su situación, particularmente en tiempos de cambio e incertidumbre.”

Tom Peters, autor de “En busca de la Excelencia” dijo una vez: "Los líderes no crean seguidores; crean más líderes”. Otorgar a los empleados autonomía real y ayudarlos a sentirse más poderosos no solo es su mejor oportunidad para contrarrestar la tendencia de desconexión y apatía (impotencia aprendida); sino que al final “es el corazón de la estrategia competitiva.”

LOS PERROS DE SELIGMAN Y LA "IMPOTENCIA APRENDIDA"

Ocurre en todo tipo de organizaciones. De hecho, es probable que lo haya visto antes o incluso lo esté experimentando ahora mismo en su trabajo: ese ambiente en el que todos parecen estar frustrados y quejándose constantemente; donde parece que nadie está interesado en crecer, los problemas no se resuelven y las personas hacen lo mínimo necesario porque no están motivadas. Ese ambiente donde el sentimiento generalizado de “no vale la pena intentar, al final nada va a cambiar” es más común de lo que se piensa. ¿Por qué?

En 1965, Martin Seligman, impulsor de la corriente de la psicología positiva, junto con sus colegas estaban investigando el condicionamiento clásico, proceso por el cual un animal o un humano asocian una cosa con otra. En el caso del experimento de Seligman, un grupo de perros fueron puestos en observación: se tocaba una campana y luego el perro recibía una ligera descarga eléctrica. Después de repetir el proceso varias veces el perro, tan solo oyendo el sonido de la campana, reaccionaba como si hubiese recibido la descarga eléctrica.

En la segunda parte del experimento, Seligman colocó a cada perro en una jaula grande que estaba dividida en el centro con una cerca baja; el perro podía ver y saltar la cerca si era necesario. Solo un lado de la cerca estaba electrificado. Seligman puso a los perros en el lado electrificado y les administró una leve descarga eléctrica. Los investigadores esperaban que los perros salten al lado no electrificado de la jaula para evitar la descarga eléctrica, pero ocurrió algo inesperado: los perros se quedaron acostados, como si hubieran aprendido de la primera parte del experimento, que no podían hacer nada para evitar las descargas eléctricas. Así, los perros se dieron por vencidos en la segunda parte de experimento. Seligman describió esta condición como “impotencia aprendida” o “conformismo”; es decir el comportamiento de renunciar a hacer algo para revertir una situación negativa basado en la experiencia de que “las descargas eléctricas son inevitables.”

Seligman intentó la segunda parte de su experimento con un grupo nuevo de perros; es decir, perros que no habían recibido descargas eléctricas previamente. En este caso, los perros saltaron la cerca inmediatamente para evitar las descargas eléctricas. Esto confirmo la hipótesis que los perros del primer grupo realmente habían aprendido esa “impotencia” como consecuencia de su experiencia en la primera parte del experimento.

La forma como los elefantes son domados es otro ejemplo de impotencia aprendida. A temprana edad, el elefante es encadenado a un árbol. Al inicio el elefante se resiste y lucha vigorosamente por librarse de la cadena, pero después de un tiempo “aprende” que es inútil. Cuando esto sucede, el domador le quita las cadenas y lo ata al árbol con una cuerda común. Como en el caso de los perros de Seligman, la “impotencia aprendida” es determinante en el comportamiento futuro del elefante.

Las organizaciones son muy vulnerables a la impotencia aprendida, especialmente las organizaciones más grandes o las que tienen un modelo de organización burocrático. Cuando las personas se sienten incapaces de revertir una situación evidentemente negativa, permanecen indiferentes y tienen bajas expectativas acerca de su trabajo, es posible que la causa subyacente sea impotencia aprendida. En el largo plazo, la impotencia aprendida puede ser una causa de estrés en el lugar de trabajo. Por ejemplo, si un empleado tolera una situación desagradable porque piensa que no puede influir o cambiar la situación, su autoestima, o la confianza en sus capacidades, se ve negativamente afectada. Un estudio internacional realizado en 2002 y publicado en la “Revista Internacional de Gerencia" concluyó que la baja autoestima en el trabajo está relacionada con una mayor probabilidad de estrés y agotamiento.

En efecto, un lugar de trabajo donde las personas exhiben los síntomas de impotencia aprendida es toxico y deprimente. Las personas dejan de intentar cosas y se vuelven pasivas, sumisas y como consecuencia tienen muy bajas expectativas. ¿Cómo superarlo? Harrison Monarth, un consultor en desarrollo ejecutivo dice: "Las personas necesitan desarrollar su autoestima y creer que tienen un sentido de control sobre su situación, particularmente en tiempos de cambio e incertidumbre.”

Tom Peters, autor de “En busca de la Excelencia” dijo una vez: "Los líderes no crean seguidores; crean más líderes”. Otorgar a los empleados autonomía real y ayudarlos a sentirse más poderosos no solo es su mejor oportunidad para contrarrestar la tendencia de desconexión y apatía (impotencia aprendida); sino que al final “es el corazón de la estrategia competitiva.”

TENIS INTELIGENTE: TECNOLOGIA DETRÁS DEL ABIERTO DE TENIS

El asesor de entrenadores (Coach Advisor) es un software desarrollado por IBM en colaboración con la Asociación de Tenis de EE. UU. (USTA); esta nueva aplicación utiliza inteligencia artificial para brindar información a los entrenadores de tenis, tales como el esfuerzo físico, el desplazamiento, la velocidad y la resistencia física de un jugador durante el juego.

El asesor de entrenadores utiliza lo que IBM llama “Sistema de Energía”, un recurso de inteligencia artificial que mide la carga fisiológica e intensidad mecánica destinada a evaluar el esfuerzo de un jugador de tenis a lo largo del tiempo.  El sistema monitorea el desempeño del jugador durante todo el partido, a partir de parámetros tales como la estatura, el peso, la velocidad y distancia que recorre el jugador durante el partido. El sistema registra con precisión los movimientos del jugador dentro la cancha y evalúa automáticamente su esfuerzo físico durante todo el partido.

Los algoritmos del programa detectan con precisión el sonido de los golpes de pelota, las voces del árbitro y los jugadores, el ruido de la multitud e incluso el sonido de las zapatillas en la cancha, para determinan los puntos de inicio y final del movimiento; el sistema incluye también un menú completo de estadísticas del partido y videos para que los entrenadores puedan evaluar más objetivamente el rendimiento del jugador.

IBM dice que el asesor de entrenadores se está poniendo a prueba actualmente con un grupo selecto de jugadores y sus entrenadores y que planea extender el uso de esta herramienta en el futuro a "una población más amplia" de jugadores y entrenadores.

"En los casi 30 años que nos hemos asociado con el Abierto de Tenis de Estados Unidos, hemos visto de primera mano la enorme cantidad de datos que se generan en el transcurso del torneo", dice el vicepresidente de la división de deportes y entretenimiento de IBM, Noah Syken. "Con el asesor de entrenadores, estamos orgullosos de ofrecer estas tecnologías avanzadas para aprovechar nuevas fuentes de datos que puedan conducir un análisis más profundo del juego y apoyar el crecimiento y desarrollo de los tenistas" añade.

"La USTA se dedica a desarrollar la próxima generación de tenistas estadounidenses de clase mundial, y el asesor de entrenadores ofrece acceso a datos completamente nuevos para impulsar el rendimiento", dice, por su parte el gerente general de la USTA, Martin Blackman. "Estamos entusiasmados de continuar nuestro trabajo con IBM para combinar el análisis con nuestra experiencia en entrenamiento; creemos que el asesor de entrenadores de IBM nos dará una ventaja competitiva para ayudar a cambiar el paradigma del entrenamiento y desarrollo del tenis en los Estados Unidos".

IBM reveló también que trabajará con la USTA para procesar cientos de horas de video de torneos en vivo utilizando recursos de inteligencia artificial. La compañía dice que versiones mejoradas del sistema serán capaces no solo de identificar los momentos más importantes del juego sino incluso de reconocer las emociones y gestos del jugador.

El sistema desarrollado por IBM ya se esta aplicando en el torneo “Abierto de Tenis de Estados Unidos” y anteriormente ya fue aplicado durante el torneo de tenis Wimbledon 2019 (Inglaterra) a principios de este año.

TENIS INTELIGENTE: TECNOLOGIA DETRÁS DEL ABIERTO DE TENIS

El asesor de entrenadores (Coach Advisor) es un software desarrollado por IBM en colaboración con la Asociación de Tenis de EE. UU. (USTA); esta nueva aplicación utiliza inteligencia artificial para brindar información a los entrenadores de tenis, tales como el esfuerzo físico, el desplazamiento, la velocidad y la resistencia física de un jugador durante el juego.

El asesor de entrenadores utiliza lo que IBM llama “Sistema de Energía”, un recurso de inteligencia artificial que mide la carga fisiológica e intensidad mecánica destinada a evaluar el esfuerzo de un jugador de tenis a lo largo del tiempo.  El sistema monitorea el desempeño del jugador durante todo el partido, a partir de parámetros tales como la estatura, el peso, la velocidad y distancia que recorre el jugador durante el partido. El sistema registra con precisión los movimientos del jugador dentro la cancha y evalúa automáticamente su esfuerzo físico durante todo el partido.

Los algoritmos del programa detectan con precisión el sonido de los golpes de pelota, las voces del árbitro y los jugadores, el ruido de la multitud e incluso el sonido de las zapatillas en la cancha, para determinan los puntos de inicio y final del movimiento; el sistema incluye también un menú completo de estadísticas del partido y videos para que los entrenadores puedan evaluar más objetivamente el rendimiento del jugador.

IBM dice que el asesor de entrenadores se está poniendo a prueba actualmente con un grupo selecto de jugadores y sus entrenadores y que planea extender el uso de esta herramienta en el futuro a "una población más amplia" de jugadores y entrenadores.

"En los casi 30 años que nos hemos asociado con el Abierto de Tenis de Estados Unidos, hemos visto de primera mano la enorme cantidad de datos que se generan en el transcurso del torneo", dice el vicepresidente de la división de deportes y entretenimiento de IBM, Noah Syken. "Con el asesor de entrenadores, estamos orgullosos de ofrecer estas tecnologías avanzadas para aprovechar nuevas fuentes de datos que puedan conducir un análisis más profundo del juego y apoyar el crecimiento y desarrollo de los tenistas" añade.

"La USTA se dedica a desarrollar la próxima generación de tenistas estadounidenses de clase mundial, y el asesor de entrenadores ofrece acceso a datos completamente nuevos para impulsar el rendimiento", dice, por su parte el gerente general de la USTA, Martin Blackman. "Estamos entusiasmados de continuar nuestro trabajo con IBM para combinar el análisis con nuestra experiencia en entrenamiento; creemos que el asesor de entrenadores de IBM nos dará una ventaja competitiva para ayudar a cambiar el paradigma del entrenamiento y desarrollo del tenis en los Estados Unidos".

IBM reveló también que trabajará con la USTA para procesar cientos de horas de video de torneos en vivo utilizando recursos de inteligencia artificial. La compañía dice que versiones mejoradas del sistema serán capaces no solo de identificar los momentos más importantes del juego sino incluso de reconocer las emociones y gestos del jugador.

El sistema desarrollado por IBM ya se esta aplicando en el torneo “Abierto de Tenis de Estados Unidos” y anteriormente ya fue aplicado durante el torneo de tenis Wimbledon 2019 (Inglaterra) a principios de este año.

¿QUE PUEDEN LAS ORGANIZACIONES APRENDER DE LAS GALLINAS?

William Muir, biólogo evolutivo de la Universidad de Purdue (Indiana), ideó un experimento interesante para estudiar la productividad, algo que nos concierne a todos. Su experimento tenía como objetivo observar la producción de huevos en gallinas. Muir usó gallinas en su experimento de productividad por una razón muy simple: se puede medir fácilmente tan solo contando los huevos. Su propósito era descubrir qué factores podrían hacer que un grupo de pollos fuera más productivo que otro.

Para esto, dividió las gallinas en dos grupos. Para el primer grupo, identificó las gallinas más productivas de la granja y las crió selectivamente durante seis generaciones. Esto dio como resultado un grupo selecto de las mejores gallinas, con un elevado nivel de productividad individual. Este grupo de gallinas fue acomodado en una sola jaula, algo así un grupo de empleados “estrella” puestos a trabajar como equipo. Esta “super jaula” estaba compuesta por nueve gallinas en total.

Para el segundo grupo, Muir eligió gallinas con buena producción de huevos pero que no alcanzaban los elevados niveles de productividad individual como los de las gallinas de la “super jaula”. Algo así como un grupo de empleados de buen desempeño —no de los mejores— puestos a trabajar en grupo como equipo. Esta jaula también estaba compuesta por nueve gallinas.

¿Cuál cree que fue el resultado del experimento? Si el modelo corporativo tradicional es correcto, la super jaula, es decir, la de las gallinas “estrella” debería tener la mayor productividad. Sin embargo, el resultado no fue en absoluto lo que se esperaba. Las súper gallinas, individualmente, eran extremadamente agresivas y se picoteaban entre ellas hasta matarse. Tanto así que al final del experimento, en la súper jaula solo quedaron tres gallinas malheridas y casi sin plumas.

Muir comprobó que las súper gallinas eran más productivas en sus respectivas jaulas porque suprimieron la productividad de otras gallinas. Una vez que fueron puestas juntas en una jaula junto con otras súper gallinas, literalmente se empezaron a matar unas a otras. Como quedo demostrado, este método, de poner las mejores gallinas en la misma jaula, provocó una fuerte disminución en la productividad individual y colectiva, muy a pesar a pesar de sus dotes individuales de productividad. Por otro lado, la jaula de las gallinas de buena productividad, pero que no tenían el nivel de las “super gallinas”, obtuvo resultados muy diferentes. No se agredían entre ellas y en conjunto la productividad de la jaula se incrementó en un 160 %.

Pero eso pasa con las gallinas en las granjas, ¿qué pasa con las personas en las organizaciones? Un estudio en 2014 que examinó el efecto de "demasiado talento" en los deportes profesionales encontró que, en el fútbol y el baloncesto, los talentos benefician a los equipos, pero "solo hasta cierto punto". Como era de esperar, el acceso a un mejor talento resultó en más éxitos para el equipo. Sin embargo, cuando demasiados jugadores “estrella”, jugaban en el mismo equipo, el nivel de rendimiento individual y del equipo disminuía significativamente. La realidad es que, en el fútbol y el baloncesto, los jugadores dependen mucho unos de otros, por lo que tener muchas “estrellas” en el mismo equipo perjudica la cooperación y el rendimiento.

Albert-Lazslo Barabasi, autor de "The Formula", cita otro ejemplo de esto: a principios de la década de 1990, la Universidad de Duke, con el objetivo de crear "el mejor departamento de inglés del mundo", decidió contratar a todas las superestrellas literarias que estuvieran disponibles. No hace falta decir que los resultados estuvieron lejos de lo que imaginaban. Poco a poco, el departamento empezó a naufragar como consecuencia de disputas personales para imponer contenidos y enfoques metodológicos a menudo divergentes, lo que se tradujo, a su vez, en graves deficiencias en el desarrollo del modelo curricular.

Así es, gallinas, profesores de inglés y estrellas del deporte cuentan la misma historia: "cuando seleccionamos el talento priorizando el logro individual sobre el logro del equipo, rara vez obtenemos los resultados que esperamos", dice Barabasi. "De hecho, este enfoque del trabajo en equipo es contraproducente independientemente de la especie: cuando las personas pugnan por dominar, nadie puede concentrarse en la tarea que beneficia al conjunto"

Durante años, las organizaciones han operado así. ¿Por qué? Como señala Margaret Heffernan, una emprendedora exitosa, "hemos creído que la clave del éxito era reunir a las superestrellas más brillantes y conocedoras y darles todo el poder y recursos que necesitan. El resultado ha sido el  mismo que en el experimento de William Muir, Heffernan dice: "Agresión, disfunción y desperdicio".

¿QUE PUEDEN LAS ORGANIZACIONES APRENDER DE LAS GALLINAS?

William Muir, biólogo evolutivo de la Universidad de Purdue (Indiana), ideó un experimento interesante para estudiar la productividad, algo que nos concierne a todos. Su experimento tenía como objetivo observar la producción de huevos en gallinas. Muir usó gallinas en su experimento de productividad por una razón muy simple: se puede medir fácilmente tan solo contando los huevos. Su propósito era descubrir qué factores podrían hacer que un grupo de pollos fuera más productivo que otro.

Para esto, dividió las gallinas en dos grupos. Para el primer grupo, identificó las gallinas mas productivas de la granja y las crió selectivamente durante seis generaciones. Esto dio como resultado un grupo selecto de las mejores gallinas, con un elevado nivel productividad individual. Este grupo de gallinas fue acomodado en una sola jaula, algo así un grupo de empleados “estrella” puestos a trabajar como equipo. Esta “super jaula” estaba compuesta por nueve gallinas en total.

Para el segundo grupo, Muir eligió gallinas con buena producción de huevos pero que no alcanzaban los elevados niveles de productividad individual como el de las gallinas de la “super jaula”. Algo así como un grupo de empleados de buen desempeño -no de los mejores- puestos a trabajar en grupo como equipo. Esta jaula también estaba compuesta por nueve gallinas.

¿Cuál cree que fue el resultado del experimento? Si el modelo corporativo tradicional es correcto, la super jaula; es decir la de las gallinas “estrella” debería tener la mayor productividad. Sin embargo, el resultado no fue en absoluto lo que se esperaba. Las súper gallinas, individualmente, eran extremadamente agresivas y se picoteaban entre ellas hasta matarse. Tanto así que al final del experimento, en la super jaula solo quedaron tres gallinas malheridas y casi sin plumas.

Muir comprobó que las súper gallinas eran más productiva en sus respectivas jaulas porque suprimieron la productividad de otras gallinas. Una vez que fueron puestas juntas en una jaula junto con otras súper gallinas, literalmente se empezaron a matar unas a otras. Como quedo demostrado, este método, de poner las mejores gallinas en la misma jaula, provocó una fuerte disminución en la productividad individual y colectiva, muy a pesar a pesar de sus dotes individuales de productividad. Por otro lado, la jaula de las gallinas de buena productividad, pero que no tenían el nivel de las “super gallinas”, obtuvo resultados muy diferentes. No se agredían entre ellas y en conjunto la productividad de la jaula se incrementó en un 160 %.

Pero eso pasa con las gallinas en las granjas, ¿qué pasa con las personas en las organizaciones? Un estudio en el 2014 que examinó el efecto de "demasiado talento" en los deportes profesionales encontró que, en el fútbol y el baloncesto, los talentos benefician a los equipos, pero "solo hasta cierto punto". Como era de esperar, el acceso a un mejor talento resultó en más éxitos para el equipo. Sin embargo, cuando demasiados jugadores “estrella”, jugaban en el mismo equipo, el nivel de rendimiento individual y del equipo disminuía significativamente. La realidad es que, en el fútbol y el baloncesto, los jugadores dependen mucho unos de otros, por lo que tener muchas “estrellas” en el mismo equipo perjudica la cooperación y el rendimiento.

Albert-Lazslo Barabasi, autor de "The Formula" cita otro ejemplo de esto: a principios de la década de 1990, la Universidad de Duke, con el objetivo de crear "el mejor departamento de inglés del mundo", decidió contratar a todas las superestrellas literarias que estuvieran disponibles. No hace falta decir que los resultados estuvieron lejos de lo que imaginaban. Poco a poco, el departamento empezó a naufragar como consecuencia de disputas personales para imponer contenidos y enfoques metodológicos a menudo divergentes lo que se tradujo, a su vez, en graves deficiencias en el desarrollo del modelo curricular.

Así es, gallinas, profesores de inglés y estrellas del deporte cuentan la misma historia: "cuando seleccionamos el talento priorizando el logro individual sobre el logro del equipo, rara vez obtenemos los resultados que esperamos", dice Barabasi. "De hecho, este enfoque del trabajo en equipo es contraproducente independientemente de la especie: Cuando las personas pugnan por dominar, nadie puede concentrarse en la tarea que benefician al conjunto"

Durante años, las organizaciones han operado así. ¿Por qué? como señala Margaret Heffernan, una emprendedora exitosa, "hemos creído que la clave del éxito era reunir a las superestrellas más brillantes y conocedoras y darles todo el poder y recursos que necesitan. El resultado ha sido el  mismo que en el experimento de William Muir, Heffernan dice: "Agresión, disfunción y desperdicio".

ABRAHAM WALD Y LOS AGUJEROS DE BALA PERDIDOS

El Grupo de Investigación Estadística (SRG, por sus iniciales en inglés), fue un programa de inteligencia militar creado exclusivamente para estudiar y resolver problemas militares durante la segunda guerra mundial. El SRG era uno de los equipos científicos más poderosos e influyentes de su época ya que los componentes del equipo eran reconocidos matemáticos e investigadores, muchos de ellos académicos de la universidad de Columbia (Nueva York)

Según W. Allen Wallis, el director del SRG, este equipo era "el grupo de estadísticos más extraordinario que se haya organizado, no solo por su tamaño sino también por su excelencia profesional”. Por ejemplo, Frederick Mosteller, quien más tarde fundaría el departamento de estadísticas de la Universidad de Harvard, era miembro del equipo. También era parte del SRG Leonard Jimmie Savage, pionero de la teoría de la decisión y gran defensor de la denominada estadística bayesiana. Otro notable miembro del equipo fue Norbert Wiener , matemático de la Universidad de Massachusetts (MIT) y el creador de la cibernética. Algunos testigos solían decir que “Este era un grupo donde Milton Friedman, el futuro Nobel de economía, era a menudo la cuarta persona más inteligente en la sala.”

La persona más inteligente en la sala, según contemporáneos, era generalmente Abraham Wald, un matemático húngaro que inmigró a Estados Unidos escapando de la guerra. Wald había sido profesor de Allen Wallis en la universidad de Columbia y era visto como una especie de eminencia matemática por el grupo. Considerado aún como un potencial "enemigo", debido a su condición de refugiado, tenía acceso muy restringido a los documentos clasificados e incluso no se le permitía revisar los informes que producía el SRG. Por entonces circulaba una broma que decía una secretaria caminaba detrás de Wald y arrebataba de sus manos la hoja de papel tan pronto él terminaba de escribir.

El dilema planteado al SRG era este: Para evitar que los aviones americanos sean derribados por los cazas enemigos, estos deberían estar blindados; sin embargo, el blindaje hace que el avión sea más pesado, y los aviones más pesados ​​son menos maniobrables y consumen más combustible; por contrapartida, un avión sin blindaje era demasiado vulnerable. El problema, entonces, era encontrar un punto intermedio donde los aviones estén adecuadamente protegidos (blindados) pero que al mismo tiempo no pierdan eficiencia en términos de capacidad de maniobra y consumo de combustible. El SRG debía, por tanto, encontrar los puntos mas vulnerables del avión y calcular la cantidad de blindaje con una combinación optima de peso, maniobrabilidad y eficiencia en el uso de combustible.

Los militares presentaron al SRG algunos hallazgos propios. Cuando los aviones estadounidenses regresaban de la guerra en Europa, generalmente estaban cubiertos de agujeros de bala. Los militares examinaban cuidadosamente cada avión y registraban el número y lugar de impactos en el fuselaje. Al final, notaron que el daño no se distribuía uniformemente a través del avión: había más agujeros de bala en todo el fuselaje, solo unos pocos en los motores.

En base a estos hallazgos, los militares pensaban que el blindaje debería ir a las partes del fuselaje más vulnerables, es decir aquellas con mayor número de impactos. ¿Pero cuánto blindaje era el óptimo necesario para esas partes del avión? Esa fue la pregunta que plantearon a Wald. Sin embargo, la respuesta del matemático  fue muy diferente a lo que ellos esperaban: “La armadura, dijo Wald, no va donde están los agujeros de bala; debe ir donde los agujeros de bala no están, es decir, en los motores.”

La idea de Wald fue simplemente preguntarse: ¿dónde están los agujeros de bala que faltan?  Si el daño se extiende a todo el fuselaje ¿Dónde están los agujeros de bala en los motores? Wald sabia que los agujeros de bala faltantes estaban en los aviones que no regresaron a su base; es decir, los que habían sido derribados por el enemigo. Wald dedujo que la razón por la que los aviones regresaron con muchos impactos en el fuselaje, pero no en los motores, era precisamente porque el daño en el fuselaje era tolerable y por tanto no prioritarios en caso de blindaje. El razonamiento es simple pero poderoso: si tenemos un grupo de heridos de bala en un hospital, es mucho más probable que encontremos heridas de bala en las piernas y brazos, pero no en el corazón. Pero esto no es porque la gente no recibe disparos en el pecho; simplemente es porque las personas que reciben disparos en el pecho…no se recuperan.

Las recomendaciones de Wald se pusieron en práctica rápidamente y con mucho éxito. Aunque no es posible determinar exactamente cuántos aviones estadounidenses se salvaron gracias al trabajo de la SRG, esto fue muy útil ya que más tarde, la armada y la fuerza aérea de los Estados Unidos, utilizaron el mismo principio durante las guerras en Corea y Vietnam. 

ABRAHAM WALD Y LOS AGUJEROS DE BALA PERDIDOS

El Grupo de Investigación Estadística (SRG, por sus iniciales en inglés), fue un programa de inteligencia militar creado exclusivamente para estudiar y resolver problemas militares durante la segunda guerra mundial. El SRG era uno de los equipos científicos más poderosos e influyentes de su época ya que los componentes del equipo eran reconocidos matemáticos e investigadores, muchos de ellos académicos de la universidad de Columbia (Nueva York)

Según W. Allen Wallis, el director del SRG, este equipo era "el grupo de estadísticos más extraordinario que se haya organizado, no solo por su tamaño sino también por su excelencia profesional”. Por ejemplo, Frederick Mosteller, quien más tarde fundaría el departamento de estadísticas de la Universidad de Harvard, era miembro del equipo. También era parte del SRG Leonard Jimmie Savage, pionero de la teoría de la decisión y gran defensor de la denominada estadística bayesiana. Otro notable miembro del equipo fue Norbert Wiener , matemático de la Universidad de Massachusetts (MIT) y el creador de la cibernética. Algunos testigos solían decir que “Este era un grupo donde Milton Friedman, el futuro Nobel de economía, era a menudo la cuarta persona más inteligente en la sala.”

La persona más inteligente en la sala, según contemporáneos, era generalmente Abraham Wald, un matemático húngaro que inmigró a Estados Unidos escapando de la guerra. Wald había sido profesor de Allen Wallis en la universidad de Columbia y era visto como una especie de eminencia matemática por el grupo. Considerado aún como un potencial "enemigo", debido a su condición de refugiado, tenía acceso muy restringido a los documentos clasificados e incluso no se le permitía revisar los informes que producía el SRG. Por entonces circulaba una broma que decía una secretaria caminaba detrás de Wald y arrebataba de sus manos la hoja de papel tan pronto él terminaba de escribir.

El dilema planteado al SRG era este: Para evitar que los aviones americanos sean derribados por los cazas enemigos, estos deberían estar blindados; sin embargo, el blindaje hace que el avión sea más pesado, y los aviones más pesados ​​son menos maniobrables y consumen más combustible; por contrapartida, un avión sin blindaje era demasiado vulnerable. El problema, entonces, era encontrar un punto intermedio donde los aviones estén adecuadamente protegidos (blindados) pero que al mismo tiempo no pierdan eficiencia en términos de capacidad de maniobra y consumo de combustible. El SRG debía, por tanto, encontrar los puntos mas vulnerables del avión y calcular la cantidad de blindaje con una combinación optima de peso, maniobrabilidad y eficiencia en el uso de combustible.

Los militares presentaron al SRG algunos hallazgos propios. Cuando los aviones estadounidenses regresaban de la guerra en Europa, generalmente estaban cubiertos de agujeros de bala. Los militares examinaban cuidadosamente cada avión y registraban el número y lugar de impactos en el fuselaje. Al final, notaron que el daño no se distribuía uniformemente a través del avión: había más agujeros de bala en todo el fuselaje, solo unos pocos en los motores.

En base a estos hallazgos, los militares pensaban que el blindaje debería ir a las partes del fuselaje más vulnerables, es decir aquellas con mayor número de impactos. ¿Pero cuánto blindaje era el óptimo necesario para esas partes del avión? Esa fue la pregunta que plantearon a Wald. Sin embargo, la respuesta del matemático  fue muy diferente a lo que ellos esperaban: “La armadura, dijo Wald, no va donde están los agujeros de bala; debe ir donde los agujeros de bala no están, es decir, en los motores.”

La idea de Wald fue simplemente preguntarse: ¿dónde están los agujeros de bala que faltan?  Si el daño se extiende a todo el fuselaje ¿Dónde están los agujeros de bala en los motores? Wald sabia que los agujeros de bala faltantes estaban en los aviones que no regresaron a su base; es decir, los que habían sido derribados por el enemigo. Wald dedujo que la razón por la que los aviones regresaron con muchos impactos en el fuselaje, pero no en los motores, era precisamente porque el daño en el fuselaje era tolerable y por tanto no prioritarios en caso de blindaje. El razonamiento es simple pero poderoso: si tenemos un grupo de heridos de bala en un hospital, es mucho más probable que encontremos heridas de bala en las piernas y brazos, pero no en el corazón. Pero esto no es porque la gente no recibe disparos en el pecho; simplemente es porque las personas que reciben disparos en el pecho…no se recuperan.

Las recomendaciones de Wald se pusieron en práctica rápidamente y con mucho éxito. Aunque no es posible determinar exactamente cuántos aviones estadounidenses se salvaron gracias al trabajo de la SRG, esto fue muy útil ya que más tarde, la armada y la fuerza aérea de los Estados Unidos, utilizaron el mismo principio durante las guerras en Corea y Vietnam.