Causalidad y Consecuencias

Objetivos de Aprendizaje

Al completar este libro, serás capaz de:

1. Explicar por qué el cerebro humano confunde sistemáticamente correlación con causalidad, y cómo este sesgo se manifiesta en la formulación de intenciones y en la interpretación de resultados de IA.

2. Distinguir los tres niveles de la jerarquía causal de Pearl—asociación, intervención y contrafactual—y explicar por qué la mayoría de los datos y los modelos de IA operan solo en el nivel más bajo.

3. Construir y leer diagramas causales (DAGs) que hacen explícitas las hipótesis causales detrás de una formulación o decisión.

4. Identificar confundidores, mediadores y colisionadores en una cadena causal, y entender cómo cada uno puede distorsionar las conclusiones.

5. Aplicar el análisis de efectos de segundo y tercer orden para anticipar consecuencias no intencionadas de acciones bien formuladas.

6. Integrar el pensamiento causal con el pensamiento sistémico (Tema 1) para producir formulaciones de intención que sobrevivan al contacto con la realidad.

1. El Cerebro Causal: Por Qué Vemos Causas Donde No Las Hay

El ser humano es, ante todo, una máquina de detectar causalidad. Es la habilidad cognitiva que nos permitió sobrevivir: el antepasado que oía un ruido en los arbustos y concluía “predador” vivía para reproducirse; el que necesitaba un análisis estadístico riguroso antes de huir no dejaba descendencia. La detección de causas es rápida, automática y opera en el Sistema 1. Es, en los términos de Gigerenzer que estudiaste en el Módulo I, una heurística ecológicamente racional en ambientes donde las consecuencias de un falso positivo (huir sin razón) son menores que las de un falso negativo (no huir cuando hay un predador).

Pero esa misma maquinaria produce errores sistemáticos cuando se aplica a sistemas complejos, datos estadísticos y decisiones empresariales o políticas. Ya estudiaste la falacia post hoc ergo propter hoc en el Módulo II: “después de esto, por lo tanto a causa de esto.” Aquí iremos mucho más profundo, porque la confusión causal no es solo una falacia lógica aislada; es el modo predeterminado en que el cerebro interpreta el mundo.

“Un equipo de marketing lanza una nueva campaña publicitaria en enero. Las ventas suben en febrero. El equipo concluye: la campaña causó el aumento. Pero febrero siempre es un mes fuerte para ese producto por razones estacionales. La campaña coincidió con el aumento; no necesariamente lo causó. Sin embargo, la narrativa causal ya está instalada en el cerebro de todo el equipo, y a partir de ahora tomarán decisiones basadas en ella: más presupuesto para campañas similares, promoción del responsable, replicación de la estrategia. Todo sobre una base causal no verificada.”

Daniel Kahneman, en Thinking, Fast and Slow, documenta cómo el Sistema 1 construye narrativas causales automáticamente. Cuando ves dos eventos en secuencia, el cerebro inserta una flecha causal entre ellos sin pedir permiso a tu juicio crítico. Es el mismo mecanismo de WYSIATI que estudiaste en el Módulo I: el cerebro construye la historia más coherente posible con la información disponible, y la coherencia narrativa se siente como verdad causal.

Para la Arquitectura de la Intención, esto tiene una implicación directa y grave: los usuarios formulan sus intenciones sobre hipótesis causales que rara vez verifican. Cuando alguien dice “necesito mejorar el engagement porque nuestro contenido no es suficientemente atractivo”, está haciendo una afirmación causal (bajo engagement ES CAUSADO POR contenido no atractivo). Pero ¿ha verificado esa causalidad? ¿O el bajo engagement podría ser causado por el horario de publicación, el algoritmo de la plataforma, un cambio demográfico en la audiencia, o la saturación del mercado? Un arquitecto de intención debe hacer visible la hipótesis causal implícita antes de aceptarla como premisa.

2. La Revolución Causal de Judea Pearl

Judea Pearl, científico computacional e investigador en inteligencia artificial, protagonizó una de las revoluciones intelectuales más importantes del siglo XX, aunque su impacto aún no ha permeado completamente fuera de la academia. Su contribución fundamental, desarrollada en Causality: Models, Reasoning, and Inference (2000) y divulgada en The Book of Why (2018, con Dana Mackenzie), es una formalización matemática del razonamiento causal que resuelve problemas que la estadística clásica no podía tocar.

Para entender la magnitud de lo que Pearl logró, hay que entender el problema que resolvió. La estadística clásica—la que domina la mayoría de los análisis de datos, reportes empresariales y modelos de machine learning—opera exclusivamente con correlaciones. Puede decirte que A y B ocurren juntos, con qué frecuencia y con qué fuerza. Pero no puede decirte si A causa B, B causa A, o ambos son causados por un tercer factor C. Y aquí viene lo crítico: las decisiones requieren causalidad, no correlación.

“Observas que los pacientes que toman cierto medicamento tienen peores resultados que los que no lo toman. ¿El medicamento es dañino? La correlación dice sí. Pero la causalidad podría ser inversa: quizás el medicamento se prescribe a los pacientes más graves, y son la gravedad de su condición—no el medicamento—lo que causa los peores resultados. La misma correlación, dos conclusiones causales opuestas, y dos decisiones radicalmente diferentes: prohibir el medicamento o prescribirlo más ampliamente.”

2.1 La Escalera de la Causalidad

Pearl propone que el razonamiento causal opera en tres niveles jerárquicos, cada uno más poderoso que el anterior. Los llama la “Escalera de la Causalidad”, y su tesis central es que los humanos pueden subir los tres peldaños pero las máquinas (incluidos los modelos de IA actuales) están atrapadas en el primero.

Nivel 1: Asociación — ¿Qué observo? En este nivel, observas correlaciones. Ves que A y B ocurren juntos. Puedes predecir B cuando ves A. Toda la estadística clásica, el machine learning supervisado, y la mayoría del análisis de datos empresarial operan en este nivel. Es el mundo del “los clientes que compran X también compran Y”, del scoring crediticio, del sistema de recomendaciones de Netflix.

“Un algoritmo de recomendación observa que las personas que compran pañales también compran cerveza. Asociación pura. Puede usar esta correlación para colocar la cerveza cerca de los pañales en el supermercado. Pero no puede responder a la pregunta causal: ¿comprar pañales causa el deseo de cerveza? ¿O es que el mismo factor demográfico (padres jóvenes que hacen compras completas los fines de semana) explica ambas compras?”

Nivel 2: Intervención — ¿Qué pasará si hago algo? En este nivel, ya no solo observas; actúas. Intervienes en el sistema y predices las consecuencias. La pregunta no es “¿qué ocurre junto?” sino “¿qué pasará si cambio X?” Este nivel requiere un modelo causal: necesitas saber no solo que A y B están correlacionados sino cómo A afecta a B y a través de qué mecanismo.

“Un hospital observa que los pacientes con oxígeno suplementario tienen mayor mortalidad (Nivel 1: correlación). ¿Debería dejar de dar oxígeno? La pregunta de Nivel 2 es diferente: ¿qué pasará con la mortalidad si INTERVENGO retirando el oxígeno? Un modelo causal revela que el oxígeno se da a los pacientes más graves (confundidor), y retirarlo AUMENTARÍA la mortalidad. La correlación dice una cosa; la intervención causal dice la opuesta.”

Nivel 3: Contrafactual — ¿Qué habría pasado si hubiera actuado diferente? El nivel más elevado. Requiere imaginar mundos alternativos: dado que ya pasó X, ¿qué habría pasado si en lugar de X hubiera hecho Y? Es el razonamiento de la culpa, la responsabilidad, el arrepentimiento y la mejora. Es también el nivel que distingue la inteligencia humana de la inteligencia artificial actual.

“Un médico prescribió el tratamiento A y el paciente murió. La pregunta contrafactual es: ¿si hubiera prescrito el tratamiento B, el paciente habría sobrevivido? No puedes observar esto; el paciente ya murió. No puedes experimentar; no puedes retroceder el tiempo. Pero puedes razonar contrafactualmente usando un modelo causal que incluya todas las variables relevantes. Pearl formalizó cómo hacer esto matemáticamente.”

3. Diagramas Causales: Hacer Visible lo Invisible

Una de las herramientas más poderosas que Pearl introdujo al pensamiento causal es el Directed Acyclic Graph (DAG): un diagrama causal que hace explícitas las hipótesis causales detrás de cualquier análisis. Un DAG es simplemente un conjunto de variables conectadas por flechas que indican la dirección causal asumida: si una flecha va de A a B, se está afirmando que A causa B (o contribuye causalmente a B).

La potencia del DAG no está en lo que dice sino en lo que obliga a hacer explícito. Cuando dibujas un diagrama causal, estás declarando públicamente tus supuestos causales. Y una vez que son explícitos, pueden ser cuestionados, testados y corregidos. Mientras permanecen implícitos—como ocurre en la mayoría de las decisiones y formulaciones de intención—son invisibles e incontestables.

“Supongamos que quieres entender por qué la rotación de personal en tu empresa es alta. Puedes dibujar un DAG: Salario → Satisfacción → Retención. También: Cultura → Satisfacción. Y: Carga de Trabajo → Satisfacción. Y quizás: Mercado Laboral → Retención (directamente, sin pasar por satisfacción). Dibujar el DAG te fuerza a decidir: ¿el salario afecta la retención directamente o solo a través de la satisfacción? ¿La cultura afecta la carga de trabajo, o son independientes? Cada flecha es una hipótesis. Cada ausencia de flecha también.”

3.1 Tres Estructuras Causales Fundamentales

Pearl identifica tres estructuras básicas que aparecen en todo diagrama causal. Entenderlas es esencial porque cada una tiene implicaciones diferentes para el análisis y la toma de decisiones.

El Confundidor (Fork): Una variable C causa tanto a A como a B. Resultado: A y B están correlacionados, pero no porque uno cause al otro—sino porque comparten una causa común. Esta es la trampa causal más frecuente y la fuente de incontables errores de decisión.

“Hay una correlación entre el consumo de helado y los ahogamientos. ¿El helado causa ahogamientos? Obviamente no. El confundidor es la temperatura: el calor causa tanto más consumo de helado como más visitas a piscinas y playas, donde ocurren los ahogamientos. Si no controlas el confundidor, la correlación te engaña. En contextos menos obvios, los confundidores pasan desapercibidos: una correlación entre horas de uso de una herramienta de IA y productividad podría estar confundida por la competencia técnica (los más competentes usan más la herramienta Y son más productivos).”

El Mediador (Chain): A causa M, que a su vez causa B. M es el mecanismo a través del cual A produce su efecto en B. Identificar el mediador es crucial para entender por qué funciona algo, no solo que funciona.

“Un programa de ejercicio físico (A) mejora el rendimiento cognitivo (B). ¿Cuál es el mediador? Podría ser: el ejercicio aumenta el flujo sanguíneo cerebral (M1), que mejora la oxigenación neuronal, que mejora el rendimiento. O podría ser: el ejercicio reduce el estrés (M2), que reduce la interferencia emocional en la cognición. Conocer el mediador importa porque si quieres replicar el efecto sin ejercicio, necesitas saber qué parte de la cadena es la activa. Si es el flujo sanguíneo, quizás otros métodos que lo aumenten funcionarían; si es la reducción de estrés, la meditación podría lograr lo mismo.”

El Colisionador (Collider): Tanto A como B causan C. Aquí viene la paradoja: A y B no están correlacionados naturalmente, pero si controlas por C (si seleccionas o condicionas según C), A y B se vuelven artificialmente correlacionados. Esto se llama sesgo de colisión y es una de las trampas estadísticas más sutiles y peligrosas.

“Un programa de becas selecciona estudiantes que son inteligentes O atléticos (o ambos). Entre los becados (condicionando por C = beca), inteligencia y atletismo parecerán estar negativamente correlacionados: los becados muy inteligentes tenderán a ser menos atléticos, y viceversa. Pero esto no significa que inteligencia y atletismo sean opuestos en la población general—la correlación negativa es un artefacto de haber seleccionado por un criterio que ambos satisfacen. Si basas decisiones en datos de becados, creerás que debes elegir entre cerebro y músculo, cuando en la realidad general no hay tal trade-off.”

4. Efectos de Segundo y Tercer Orden

Una de las razones más poderosas para combinar el pensamiento causal con el pensamiento sistémico es la anticipación de efectos indirectos. Un efecto de primer orden es la consecuencia directa e inmediata de una acción. Un efecto de segundo orden es la consecuencia de la consecuencia. Un efecto de tercer orden es la consecuencia de la consecuencia de la consecuencia. Y así sucesivamente.

La mayoría de las personas—y la mayoría de las formulaciones de intención—se detienen en el primer orden. El pensamiento sistémico y causal exige ir al menos al segundo orden, y preferiblemente al tercero.

“Efecto de primer orden: Una ciudad construye una autopista nueva para reducir el tráfico. Efecto de segundo orden: la autopista facilita vivir más lejos del centro, así que más gente se muda a los suburbios y compra autos. Efecto de tercer orden: los suburbios crecen, generan más tráfico, y la autopista vuelve a estar congestionada—ahora con más autos que antes. Este fenómeno, documentado por el urbanista Anthony Downs como ‘demanda inducida’, demuestra que la solución al tráfico NO es más carreteras sino mejor transporte público y uso del suelo. Pero solo lo ves si piensas en segundo y tercer orden.”

4.1 El Principio de Chesterton

G.K. Chesterton propuso un principio que es esencialmente un principio causal de segundo orden: antes de remover una cerca, entiende por qué fue puesta ahí. Si no entiendes la razón de su existencia, no puedes predecir las consecuencias de su remoción.

“Una empresa de software decide eliminar las reuniones de status semanal porque ‘son una pérdida de tiempo.’ Efecto de primer orden: todos recuperan una hora por semana. Efecto de segundo orden: sin un punto de sincronización regular, los equipos empiezan a desalinearse, los problemas no se detectan temprano, y las dependencias entre proyectos producen bloqueos. La reunión no era ‘una pérdida de tiempo’—era un mecanismo de retroalimentación (bucle de equilibrio) que mantenía la coherencia del sistema. Removerla sin entender su función sistémica produjo efectos peores que el problema que intentaba resolver.”

El Principio de Chesterton es una aplicación directa del pensamiento causal: antes de intervenir en un sistema, mapea las cadenas causales existentes. Cada elemento del sistema—incluso los que parecen inútiles o ineficientes—puede estar cumpliendo una función que solo se hace visible cuando lo removes.

4.2 La Ley de Goodhart y la Cobra Efecto

Charles Goodhart, economista británico, formuló una ley que es un clásico ejemplo de efecto de segundo orden: “Cuando una medida se convierte en un objetivo, deja de ser una buena medida.” Esto ocurre porque al fijar un indicador como meta, las personas optimizan para ese indicador específico—no para el resultado real que el indicador intentaba medir. El indicador era un proxy; al convertirlo en objetivo, el proxy se divorcia de lo que representaba.

“Un call center mide la ‘satisfacción del cliente’ con una encuesta post-llamada. Los operadores descubren que si transfieren a los clientes difíciles (que darían calificaciones bajas), sus métricas mejoran. La métrica de satisfacción sube, pero la satisfacción real baja—los clientes difíciles son rebotados de agente en agente sin resolución. La medida dejó de medir lo que decía medir.”

El “efecto cobra” es la versión extrema: la intervención produce exactamente lo opuesto a lo deseado. El nombre proviene de un caso real durante el dominio británico de la India: el gobierno ofreció una recompensa por cada cobra muerta para reducir la población de serpientes. Resultado de segundo orden: la gente empezó a criar cobras para matarlas y cobrar la recompensa. Cuando el gobierno canceló el programa, los criadores liberaron las cobras, y la población aumentó más allá del nivel original.

5. El Operador Do: Intervención vs. Observación

Una de las formalizaciones más importantes de Pearl es el operador do, que distingue matemáticamente entre observar que algo ocurre y hacer que algo ocurra. Esta distinción, que parece sutil, es en realidad la frontera entre la correlación y la causalidad.

Cuando observas, estás recopilando información del sistema tal como es. Los confundidores están activos, las selecciones de muestra están presentes, y lo que ves refleja todas las interconexiones del sistema. Cuando intervienes (do), estás rompiendo la cadena causal natural: fijas una variable en un valor específico, cortando las flechas que entran en ella, y observas qué pasa con el resto del sistema.

“Observas que las personas que llevan paraguas tienen mayor probabilidad de mojarse. Correlación espuria: llevar paraguas no causa mojarse. El confundidor es la lluvia, que causa ambos. Ahora aplica el operador do: fuerza a personas aleatorias a llevar paraguas (do(paraguas = sí)), lluéva o no. Si mojarse fuera independiente de llevar paraguas bajo esta intervención, confirmas que la correlación era espuria. Si no, hay una relación causal directa. El operador do rompe el vínculo entre la lluvia y el paraguas, porque ya no es la lluvia la que determina si llevas paraguas—lo determinas tú por intervención.”

El operador do es el fundamento formal de los experimentos controlados aleatorizados (RCTs, o pruebas A/B en el mundo empresarial). Cuando asignas aleatoriamente participantes a un tratamiento, estás aplicando el operador do: rompes la conexión entre el tratamiento y los confundidores, aislando el efecto causal.

5.1 Cuando No Puedes Intervenir

Pero aquí viene lo crítico: hay innumerables situaciones donde no puedes aplicar el operador do directamente. No puedes asignar aleatoriamente a personas a fumar o no fumar para medir el efecto del tabaco. No puedes asignar aleatoriamente países a diferentes políticas económicas. No puedes asignar aleatoriamente a los clientes de una empresa a recibir un servicio terrible para medir su efecto en la retención.

Pearl desarrolló un arsenal de técnicas para estimar efectos causales a partir de datos observacionales, siempre que tengas un diagrama causal correcto. Estas técnicas—ajuste por backdoor, front-door criterion, variables instrumentales—permiten simular el efecto de una intervención sin realizarla físicamente. Pero todas dependen de un requisito fundamental: debes declarar explícitamente tu modelo causal. Y ese modelo puede estar equivocado.

“Una empresa quiere saber si su programa de mentoring causa mejor retención. No puede asignar aleatoriamente el mentoring (los empleados eligen participar). Observa que los participantes se quedan más tiempo. Pero ¿es el mentoring o es que los empleados más comprometidos (que se quedarían de todas formas) son los que eligen participar? El compromiso previo es un confundidor. Si la empresa tiene datos sobre compromiso previo a la participación, puede ajustar por ese confundidor y estimar el efecto causal. Si no tiene esos datos, la estimación es imposible sin un experimento controlado.”

6. Causalidad e Inteligencia Artificial

La relación entre causalidad e IA es uno de los temas más críticos—y menos comprendidos—de la tecnología actual. Pearl ha sido explícito al respecto: los modelos actuales de machine learning, por sofisticados que sean, operan en el Nivel 1 de la escalera causal. Son máquinas de correlación extraordinariamente poderosas, pero no razonan causalmente.

Un modelo de lenguaje como GPT o Claude puede predecir qué palabra viene después de otra con precisión asombrosa. Puede generar texto, código, análisis. Pero cuando afirma que “A causa B”, está reproduciendo patrones de su entrenamiento, no realizando inferencia causal. Puede decirte que fumar está asociado con cáncer porque lo ha leído en millones de textos, pero no puede derivar esa conclusión causal de los datos por sí mismo.

“Si le preguntas a un modelo de IA: ‘¿Reducir el precio un 20% aumentará nuestras ventas?’, el modelo puede responder inteligentemente basado en patrones generales de economía básica. Pero no puede modelar TU sistema específico con SUS confundidores, mediadores, bucles de retroalimentación y retardos. Si tus clientes valoran la exclusividad (la marca es percibida como premium), reducir el precio podría REDUCIR las ventas—un efecto de segundo orden que la correlación general ‘precio bajo → más ventas’ no captura.”

6.1 Lo Que la IA Puede y No Puede Hacer Causalmente

Lo que SÍ puede hacer: Identificar correlaciones en grandes conjuntos de datos, generar hipótesis causales para que los humanos las evalúen, simular escenarios bajo supuestos causales explícitos que el humano provee, alertar sobre correlaciones que podrían ser confundidas con causalidad, y ejecutar análisis de sensibilidad para evaluar la robustez de conclusiones causales.

Lo que NO puede hacer: Determinar la dirección causal a partir de datos observacionales solos, identificar confundidores que no están en los datos, distinguir entre un mediador y un confundidor sin un modelo causal provisto por el humano, predecir efectos de intervenciones nunca realizadas sin supuestos causales explícitos, y razonar contrafactualmente de manera autónoma.

Esta limitación no es un bug que se resolverá con más datos o mejor hardware. Es una limitación teórica fundamental: la causalidad no está en los datos; está en el modelo que impones sobre los datos. Pearl insiste en que ningún algoritmo puede descubrir causalidad a partir de datos puramente observacionales sin supuestos adicionales. Los datos son de Nivel 1; las decisiones requieren Nivel 2. El humano debe proveer el puente.

7. Aplicación Práctica: Pensamiento Causal en Acción

7.1 Caso de Estudio: La Campaña que ‘Funcionó’

Valentina, CMO de una empresa de e-commerce, le pide a un sistema de IA: “Analiza por qué nuestra campaña de email marketing del Q3 fue tan exitosa y recomiéndame cómo replicar esos resultados en Q4.”

La solicitud parece razonable. Pero contiene al menos tres supuestos causales no verificados:

Supuesto causal 1: La campaña de email fue la causa del éxito del Q3 (y no la estacionalidad, un competidor que cerró, un cambio de algoritmo de Google, o cualquier otro factor).

Supuesto causal 2: Los elementos específicos de la campaña (asunto, contenido, segmentación, timing) fueron causalmente responsables, no factores contextuales irrepetibles.

Supuesto causal 3: Las condiciones del Q4 son suficientemente similares a las del Q3 como para que la misma causa produzca el mismo efecto.

Un sistema con buena arquitectura de intención respondería:

“Antes de analizar cómo replicar la campaña, necesitamos verificar que la campaña realmente causó los resultados. El Q3 tuvo un 35% más de ventas que el Q2, pero también coincidió con: (1) la caída de tu competidor principal, (2) la temporada de vuelta a clases, y (3) un cambio en el algoritmo de Google que mejoró tu posicionamiento orgánico. Estos son confundidores potenciales. Puedo analizar correlaciones en los datos, pero para establecer causalidad necesitaríamos: ¿hiciste un grupo de control que no recibió los emails? ¿Tienes datos de cohortes similares en Q3 de años anteriores? Sin esta evidencia, cualquier ‘replicación’ estará basada en una hipótesis causal no verificada.”

7.2 Protocolo de Análisis Causal para la Intención

Basado en todo lo estudiado, podemos articular un protocolo de análisis causal que complementa el protocolo integrado del Módulo II:

1. Explicita la hipótesis causal. Toda formulación de intención contiene una afirmación causal implícita (‘si hago X, pasará Y’). Hazla explícita. Dibuja el DAG.

2. Identifica el nivel causal. ¿La evidencia que sustenta tu hipótesis es de Nivel 1 (asociación), Nivel 2 (intervención) o Nivel 3 (contrafactual)? ¿El nivel de la evidencia coincide con el nivel de la decisión?

3. Busca confundidores. ¿Qué terceras variables podrían explicar la correlación observada sin la relación causal asumida?

4. Traza efectos de segundo y tercer orden. ¿Qué pasará DESPUÉS de que la acción ‘funcione’? ¿Qué bucles de retroalimentación activará? ¿Qué stocks afectará?

5. Aplica el Principio de Chesterton. ¿Qué función cumple el estado actual que esta intervención podría destruir?

6. Diseña la prueba mínima. ¿Cuál es el experimento más pequeño que podría refutar tu hipótesis causal antes de comprometer recursos?

8. Glosario de Términos Clave

9. Reflexión Final y Autoevaluación

Antes de avanzar al siguiente tema (Trade-offs y Decisiones bajo Incertidumbre), verifica que puedes aplicar el pensamiento causal no solo como análisis académico sino como disciplina de formulación.

10. Bibliografía y Lecturas Recomendadas

Lecturas Esenciales

• Pearl, J. (2000). Causality: Models, Reasoning, and Inference. Cambridge University Press. [2ª ed. 2009]

• Pearl, J. & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.

• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. [Pensar rápido, pensar despacio. Debate]

Lecturas Complementarias

• Hernán, M. & Robins, J. (2020). Causal Inference: What If. Chapman & Hall/CRC. [Disponible gratuitamente en línea]

• Morgan, S. & Winship, C. (2015). Counterfactuals and Causal Inference. 2ª ed. Cambridge University Press.

• Angrist, J. & Pischke, J. (2015). Mastering ‘Metrics: The Path from Cause to Effect. Princeton University Press.

• Meadows, D. (2008). Thinking in Systems: A Primer. Chelsea Green Publishing. [Conexión con Tema 1]

• Sterman, J. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. McGraw-Hill. [Conexión con Tema 1]

Próximo Tema

El siguiente libro de esta serie aborda Trade-offs y Decisiones bajo Incertidumbre: cómo tomar decisiones cuando no puedes optimizar todas las variables simultáneamente, cuando la información es incompleta y cuando el futuro es fundamentalmente incierto. Estudiarás los conceptos de Taleb sobre fragilidad y antifragilidad, la teoría de decisiones, y cómo diseñar formulaciones robustas que sobrevivan la sorpresa. Conectarás el pensamiento causal que acabas de estudiar con la incertidumbre irreducible que todo sistema complejo contiene.