A lo largo de la historia, las innovaciones en los instrumentos (el microscopio, el telescopio y el ciclotrón) han revolucionado una y otra vez la ciencia al mejorar la capacidad de los científicos de medir el mundo natural. Ahora que el comportamiento humano depende cada vez más de plataformas digitales como la web y las aplicaciones móviles, la  tecnología se ha convertido, de hecho, en un "instrumento" para el mundo social. La avalancha resultante de datos tiene implicaciones revolucionarias no sólo para las ciencias sociales sino también para la toma de decisiones en los negocios.

Mientras crece el entusiasmo por los "big data", los escépticos avisan que depender demasiado de los datos tiene sus contratiempos. Los datos pueden ser sesgados y casi siempre son incompletos. Pueden conducir a los encargados de tomar decisiones a ignorar información que es más difícil de obtener, o hacerles sentirse más seguros de lo que deberían. El riesgo es que a la hora de gestionar lo que hemos medido, se nos escape lo que realmente importa, como le sucedió al Secretario de Defensa de Estados Unidos durante la guerra de Vietnam Robert McNamara al depender demasiado de su infame recuento de cadáveres, y a los banqueros antes de la crisis financiera de 2007 al depender demasiado de modelos cuantitativos defectuosos.

Muchas de las decisiones más relevantes sólo ofrecen una oportunidad para tener éxito.

Los escépticos tienen razón al afirmar que una dependencia acrítica de los datos puede ser un problema. Pero también lo es depender excesivamente en la intuición o la ideología. Por cada Robert McNamara  hay un Ron Johnson, el director ejecutivo cuya desastrosa estancia como director de JC Penney se caracterizó por rechazar los datos y las pruebas en favor de los instintos. Para cada modelo estadístico imperfecto hay una ideología imperfecta cuya inflexibilidad conduce a resultados desastrosos

Así que, si no se puede fiar ni de los datos ni de la intuición, ¿qué tiene que hacer el responsable de tomar decisiones? Aunque no existe una única respuesta correcta a esta pregunta (el mundo es demasiado complejo como para que una única receta sea aplicable en todas las situaciones), creo que los líderes de toda una serie de campos distintos podrían beneficiarse de la actitud científica a la hora de tomar decisiones.

La actitud científica se inspira en el método científico, que en el fondo es una receta para aprender sobre el mundo de forma sistemática y replicable: empiezas con una pregunta general basada en tu experiencia; formas una hipótesis que resolvería el puzle y que genere una predicción que se pueda probar; recoges datos para probar tu predicción; y por última, evalúas tu hipótesis en relación a las hipótesis de la competencia.

En gran medida, el método científico es responsable del impresionante aumento de nuestra comprensión del mundo natural a lo largo de los últimos siglos. Pero le ha costado entrar en el mundo de la política, los negocios, la legislación y el marketing, donde nuestra prodigiosa intuición respecto al comportamiento humano siempre es capaz de generar explicaciones sobre por qué la gente hace lo que hace o cómo hacer que hagan algo distinto. Como estas explicaciones son tan plausibles, nuestra tendencia natural es querer actuar sobre ellas sin más. Pero si hemos aprendido una cosa de la ciencia, es que la explicación más plausible no es necesariamente correcta. Adoptar un enfoque científico a la hora de tomar decisiones exige que probemos nuestras hipótesis con datos.

A pesar de que los datos son fundamentales para la toma de decisiones científica, la teoría, la intuición y la imaginación siguen siendo importantes: para generar hipótesis con las que empezar, para diseñar pruebas creativas de las hipótesis que tenemos y para interpretar los datos que recogemos. En otras palabras, los datos y la teoría son el yin y el yang del método científico. La teoría señala las preguntas adecuadas mientras que los datos responden a esas preguntas que se han planteado. Hacer destacar una por encima de los otros puede dar lugar a errores graves.

También es importante la experimentación, lo que no significa "probar cosas nuevas" o "ser creativo", sino más específicamente el uso de experimentos controlados para desechar los efectos causales. En los negocios, la mayoría de lo que observamos son correlaciones -hacemos X y sucede Y- pero a menudo lo que queremos saber es si X causó Y. ¿Cuántas unidades más de tu nuevo producto se han vendido gracias a tu campaña de publicidad? ¿Ampliar la cobertura sanitaria hará que los gastos médicos crezcan o disminuyan? Sólo con observar el resultado de una elección específica no se puede responder a preguntas causales como estas; hay que observar las diferencias entre distintas elecciones.

En el entorno de los negocios o la política suele ser difícil o directamente imposible replicar las condiciones de un experimento controlado, pero se hace cada vez más en “experimentos de campo”, en los que los tratamientos se adjudican al azar a distintos individuos o comunidades. Por ejemplo, el Poverty Action Lab del Instituto Tecnológico de Massachusetts (EEUU) ha llevado a cabo más de 400 experimentos de campo para comprender mejor la distribución de la ayuda, mientras que los economistas han usado este tipo de experimentos para medir el impacto de la publicidad en línea.

Aunque los experimentos de campo no son una invención de la era de internet, los ensayos aleatorios son el patrón oro de la investigación médica desde hace décadas y la tecnología digital ha hecho que sean mucho más fáciles de hacer. Así, mientras empresas como Facebook, Google, Microsoft y Amazon recogen cada vez más beneficios de la ciencia de los datos y la experimentación, el uso de la toma de decisiones científica se generalizará. 

Sin embargo, existen límites a cómo de científico se puede ser a la hora de tomar decisiones. Al contrario que los científicos, que tienen el lujo de esperar a emitir un juicio hasta que han acumulado suficientes pruebas, los legisladores o líderes empresariales suelen tener que actuar en un estado de ignorancia parcial. Hay que tomar decisiones estratégicas, poner en marcha nuevas políticas, adjudicar culpas y recompensas. Por muy rigurosamente que uno intente basar sus decisiones en pruebas, habrá que hacer alguna suposición.

Este  problema se exacerba al tener en cuenta que muchas de las decisiones más importantes sólo ofrecen una oportunidad para tener éxito. Uno no puede ir a la guerra con la mitad de Irak y no la otra sólo para ver qué política funciona mejor. De forma parecida, uno no puede reorganizar la empresa de varias formas distintas para después escoger la mejor. El resultado es que puede que nunca sepamos qué planes buenos fracasaron y qué planes malos funcionaron.

Pero incluso en este caso, el método científico resulta instructivo. No para dar respuestas sino para destacar los límites de lo que se puede saber. No podemos evitar preguntarnos por qué ha tenido tanto éxito Apple o que produjo la última crisis financiera o por qué "Gangman Style" ha sido el vídeo más viral de la historia. Tampoco podemos evitar pensar en respuestas plausibles. Pero en los casos en los que no podemos probar nuestras hipótesis muchas veces, el método científico nos enseña a no deducir demasiado de un único resultado. A veces la única respuesta cierta es que no lo sabemos.

Hay quien encuentra esta conclusión deprimente, pero una mente científica siempre debería mostrarse escéptica de lo que sabe. Escéptico respecto a los datos, por supuesto, pero también de las explicaciones plausibles, la sabiduría convencional, las ideologías inspiradoras, las anécdotas conmovedoras y sobre todo de tu intuición. El resultado no debería ser ni la parálisis total ni una adhesión esclava a los datos, ni debería excluir en ningún caso la creatividad y la imaginación. Más bien debería conducirnos a un mundo más racional y basado en las pruebas.

Duncan Watts es investigador principal de Microsoft Research y autor de Everything Is Obvious: Why Common Sense Is Nonsense (Todo es evidente: por qué el sentido común no tiene sentido, sin traducción al español).