Incentivos

Objetivos de Aprendizaje

Al completar este libro, serás capaz de:

1. Explicar por qué la visión clásica de los incentivos como palancas simples de comportamiento es insuficiente y cómo la economía conductual revela su complejidad real.

2. Identificar y anticipar el efecto de desplazamiento motivacional (crowding out) mediante el cual los incentivos extrínsecos destruyen la motivación intrínseca.

3. Distinguir entre incentivos materiales, sociales y morales, y reconocer en qué contextos cada tipo es más efectivo y en cuáles es contraproducente.

4. Aplicar la Ley de Goodhart para diagnosticar cómo los sistemas de métricas e incentivos corrompen el comportamiento que pretenden medir y premiar.

5. Analizar cómo el descuento temporal interactúa con los incentivos para producir desalineación sistemática entre recompensas de corto plazo y objetivos de largo plazo.

6. Diseñar sistemas de incentivos para la interacción con IA que alineen el comportamiento real del usuario con su intención declarada, anticipando efectos perversos y desplazamiento motivacional.

1. La Complejidad Oculta de los Incentivos

Los incentivos son, en su definición más básica, recompensas y penalizaciones que moldean el comportamiento. La economía clásica los trata como mecanismos directos: ofrece más recompensa por X, obtendrás más X; penaliza Y, obtendrás menos Y. Es una lógica limpia, elegante y profundamente incompleta. La economía conductual ha demostrado que la relación entre incentivos y comportamiento es no lineal, dependiente del contexto y frecuentemente paradójica.

“Una guardería en Haifa, Israel, tenía un problema: los padres llegaban tarde a recoger a sus hijos. La solución obvia fue implementar una multa por retraso. El resultado fue exactamente lo contrario de lo esperado: los retrasos aumentaron. Antes de la multa, los padres sentían una obligación moral de ser puntuales—llegar tarde era aprovecharse de las cuidadoras. Después de la multa, los padres reinterpretaron la situación como una transacción económica: estaban pagando por el servicio extra de cuidado extendido. La multa no añadió un costo; reemplazó una norma social por una norma de mercado. Y cuando la guardería eliminó la multa, los retrasos no volvieron al nivel original. La norma moral ya estaba destruida.”

Este caso, documentado por Uri Gneezy y Aldo Rustichini, es emblemático porque demuestra tres principios que la visión clásica no puede explicar. Primero, los incentivos no se suman al contexto existente; lo transforman. La multa no se añadió a la obligación moral; la reemplazó. Segundo, la transformación es frecuentemente irreversible: una vez que una norma social se convierte en norma de mercado, eliminar el precio no restaura la norma social. Tercero, el mismo incentivo tiene efectos opuestos según el marco normativo en que opera.

Para la Arquitectura de la Intención, esto significa que cada incentivo que diseñes—en un sistema de IA, en una organización, en una política—opera dentro de un ecosistema de normas preexistentes. Antes de preguntar «qué incentivo debo implementar», debes preguntar «qué normas están operando ahora, y cómo las transformará este incentivo?» Es una pregunta de segundo orden (Módulo III), y omitirla es la fuente de la mayoría de los incentivos perversos.

2. Desplazamiento Motivacional: Cuando Pagar Destruye

El desplazamiento motivacional—también llamado crowding out—es el fenómeno por el cual los incentivos extrínsecos reducen o destruyen la motivación intrínseca. Lo estudiaste brevemente en el Módulo I como el efecto de socavamiento (overjustification). Ahora lo examinarás con la profundidad que requiere su impacto en el diseño de sistemas.

Bruno Frey, economista suizo, formalizó el concepto distinguiendo dos mecanismos. El primero es el efecto de control percibido: cuando una recompensa o castigo se percibe como controlador—como un intento de manipular el comportamiento—las personas experimentan una reducción de autonomía, lo que socava la motivación intrínseca (conecta directamente con la Teoría de la Autodeterminación de Deci y Ryan que estudiaste en el Módulo I). El segundo es el efecto de señalización: la existencia misma del incentivo envía una señal sobre la naturaleza de la tarea. Si te pagan por hacer algo, «será porque no es inherentemente valioso.» La recompensa comunica que la actividad es un costo, no un beneficio.

“Una empresa de software tiene desarrolladores que voluntariamente contribuyen a un repositorio interno de código abierto por satisfacción profesional y orgullo técnico. La dirección, queriendo «escalar» esta práctica, introduce un bono de 500 euros por contribución aceptada. Las contribuciones de alta calidad—las que los desarrolladores hacían por pasión—disminuyen. En su lugar aumentan las contribuciones triviales diseñadas para cobrar el bono. El incentivo monetó transformó un acto de maestría profesional en un trámite administrativo. Los mejores desarrolladores, los que contribuían por motivación intrínseca, fueron los primeros en retirarse.”

El desplazamiento no es universal—depende críticamente del tipo de tarea y del tipo de incentivo. Las tareas que involucran creatividad, juicio complejo o identidad profesional son las más vulnerables. Las tareas rutinarias, mecánicas o desagradables—donde no hay motivación intrínseca que desplazar—responden bien a los incentivos extrínsecos. La regla práctica: cuanto más interesante o significativa es la tarea, más peligroso es el incentivo monetario.

2.1 Condiciones del Desplazamiento

La investigación ha identificado las condiciones que maximizan el desplazamiento. El incentivo se percibe como controlador (no como reconocimiento). La tarea ya genera satisfacción intrínseca. El incentivo es contingente al resultado específico (no a la participación). El monto es lo suficientemente grande para reencuadrar la actividad como transacción económica, pero no lo suficientemente grande para compensar la pérdida de motivación intrínseca. Existe un rango medio—el «valle de la muerte» de los incentivos—donde el pago es demasiado pequeño para motivar extrínsecamente pero suficiente para destruir la motivación intrínseca.

“Un consultor cobra 3.000 euros por día. Cuando un amigo le pide ayuda profesional y le ofrece 200 euros, el consultor se ofende. Si el amigo no hubiera ofrecido nada, el consultor habría ayudado con gusto—por amistad, norma social. Los 200 euros activaron la norma de mercado (donde el valor de su trabajo es mucho mayor) y desactivaron la norma social (donde ayudar a un amigo no tiene precio). Es el valle de la muerte: demasiado poco para ser un pago justo, suficiente para destruir el marco social.”

2.2 Crowding In: Cuando el Incentivo Potencia

El desplazamiento no es la única posibilidad. Frey identificó también el crowding in: condiciones bajo las cuales los incentivos extrínsecos refuerzan la motivación intrínseca en lugar de destruirla. Esto ocurre cuando el incentivo se percibe como reconocimiento (no como control), cuando confirma la competencia del individuo (no la cuestiona), y cuando es inesperado o no contingente a un resultado específico.

“Un investigador recibe un premio inesperado por un artículo que publicó por interés intelectual genuino. El premio no socava su motivación—la potencia. Confirma que su trabajo tiene valor para la comunidad, satisface la necesidad de competencia (Deci y Ryan), y no reencuadra la actividad como transacción. Compare esto con un sistema que paga 50 euros por artículo publicado: ahora el investigador calcula cuántos artículos necesita para complementar su salario, y la calidad cae en cascada.”

La distinción crítica es entre incentivos que informan y incentivos que controlan. Un incentivo informativo dice «lo que hiciste tiene valor»; un incentivo controlador dice «haz esto para obtener aquello.» El primero potencia la autonomía; el segundo la erosiona. Para la Arquitectura de la Intención, esta distinción determina cómo un sistema de IA debería estructurar su feedback: el feedback que reconoce la calidad del pensamiento del usuario potencia su motivación; el feedback que gamifica la interacción con puntos y recompensas probablemente la degrada.

3. Incentivos Sociales: La Fuerza del Grupo

Cialdini documentó seis principios de influencia que, en esencia, son seis categorías de incentivos sociales: reciprocidad, compromiso y coherencia, prueba social, autoridad, simpatía y escasez. Lo que la economía clásica trata como factores secundarios, la investigación conductual demuestra que frecuentemente son los motores primarios del comportamiento.

La prueba social—la tendencia a hacer lo que hacen los demás—es quizás el incentivo social más poderoso y el más relevante para la Arquitectura de la Intención. Las personas no deciden en el vacío; deciden mirando qué hacen los otros que perciben como similares a ellas. Cialdini demostró esto en el célebre experimento de las toallas de hotel: el letrero que decía «la mayoría de los huéspedes de esta habitación reutilizan sus toallas» fue significativamente más efectivo que los mensajes ambientales estándar. No fue el argumento lógico lo que cambió el comportamiento; fue saber qué hacían otros en la misma situación.

“Una plataforma de aprendizaje online descubre que mostrar al usuario «eL 73% de las personas en tu rol completan este curso en 3 semanas» aumenta la tasa de finalización un 22% más que ofrecer un certificado gratuito al terminar. El certificado es un incentivo material; la comparación social es un incentivo social. En este contexto, saber qué hacen tus pares es más motivante que recibir una recompensa tangible. El incentivo social opera a través de la identidad: no quieres ser de los que no terminan.”

3.1 Reciprocidad como Motor de Acción

La reciprocidad—la obligación de devolver lo que otro te ha dado—es uno de los mecanismos sociales más antiguos y robustos de la especie humana. Cialdini demostró que opera incluso cuando el «regalo» inicial es pequeño, no solicitado y proveniente de alguien que no te agrada. La regla es automática: si me das algo, siento la obligación de darte algo a cambio. Es un incentivo que no requiere ni dinero ni autoridad—solo una acción generosa.

Para la interacción con IA, la reciprocidad tiene una aplicación directa: un sistema que ofrece algo valioso primero—un análisis no solicitado, una pregunta que revela un ángulo que el usuario no había considerado, una reformulación que mejora la solicitud original—genera en el usuario una disposición a invertir más esfuerzo en la interacción. La reciprocidad convierte la interacción transaccional («dame lo que pido») en una interacción colaborativa («ambos estamos invirtiendo en el resultado»).

“Un sistema de IA que, antes de responder a una solicitud vaga, ofrece: «Antes de responder, noté que tu pregunta podría interpretarse de dos formas. ¿Te refieres a X o a Y?» está ofreciendo un acto de clarificación gratuito—un «regalo» cognitivo. El usuario, activado por la reciprocidad, tiende a responder con más detalle y precisión de lo que habría ofrecido espontáneamente. La calidad de la intención formulada mejora no por exigencia sino por reciprocidad.”

3.2 Los Límites de los Incentivos Sociales

Los incentivos sociales no son una panacea. Tienen límites importantes que el arquitecto de intención debe conocer. La prueba social puede producir cascadas informativas: si la mayoría hace algo incorrecto, la prueba social refuerza el error. La reciprocidad puede ser explotada manipulativamente (y cruzar la línea de la ética que estudiarás en el Módulo VII). La presión social puede generar conformidad a expensas de la calidad del pensamiento—exactamente lo opuesto a lo que la Arquitectura de la Intención busca.

El punto de equilibrio es: usa incentivos sociales para facilitar comportamientos que el usuario ya quiere realizar pero que la inercia, la procrastinación o la falta de información le impiden. No los uses para empujar al usuario hacia comportamientos que no están alineados con su intención real. La diferencia entre facilitación y manipulación es la alineación con la intención auténtica del usuario.

4. Incentivos Perversos y la Ley de Goodhart

Un incentivo perverso es aquel cuya estructura de recompensas produce exactamente lo contrario de lo que pretende. No es un fallo de implementación sino un fallo de diseño: la lógica interna del incentivo contiene las semillas de su propia subversión. Ya estudiaste el efecto cobra y la Ley de Goodhart en el Módulo III como fenómenos causales de segundo orden. Ahora los examinarás como problemas específicos de diseño de incentivos.

La Ley de Goodhart—«cuando una medida se convierte en objetivo, deja de ser una buena medida»—opera a través de un mecanismo específico: al fijar un indicador como meta, las personas optimizan para el indicador, no para el resultado subyacente que el indicador intentaba capturar. El indicador era un proxy—una aproximación útil pero imperfecta. Al convertirlo en objetivo, el proxy se divorcia de lo que representaba.

“Un hospital mide la calidad de atención por el tiempo promedio de espera en urgencias. Los médicos, incentivados a reducir este indicador, empiezan a clasificar a los pacientes más complejos como «no urgentes» para sacarlos de la cola rápida. El tiempo de espera promedio baja—el indicador mejora. Pero los pacientes complejos ahora esperan más, en una cola sin prioridad. La calidad real de la atención empeora mientras la métrica celebra éxito. El indicador ya no mide lo que dice medir.”

4.1 Mecanismos de Corrupción Métrica

La corrupción de métricas sigue patrones predecibles. El primero es la optimización del borde: encontrar formas de satisfacer la métrica sin satisfacer el objetivo. El segundo es el gaming: manipular los inputs de la métrica para alterar su resultado. El tercero es la distorsión de atención: concentrar todo el esfuerzo en lo que se mide a expensas de lo que no se mide pero importa. Cada mecanismo es una respuesta racional del agente al incentivo—lo irracional es el diseño del incentivo, no el comportamiento del agente.

“Una plataforma de IA mide la satisfacción del usuario con un pulgar arriba/abajo después de cada respuesta. El equipo de producto optimiza para maximizar los pulgares arriba. Resultado: el modelo aprende a dar respuestas que suenan bien y confirman lo que el usuario quiere escuchar, en lugar de respuestas que son correctas pero incómodas. La métrica de satisfacción sube; la utilidad real del sistema baja. El usuario está satisfecho con respuestas que no le sirven. Es la Ley de Goodhart aplicada al diseño de IA.”

Para la Arquitectura de la Intención, la Ley de Goodhart es una advertencia existencial. Cada vez que defines una métrica de éxito para una intención—y toda intención bien formulada debe tener criterios de éxito (Módulo II)—estás creando un incentivo. Y cada incentivo es susceptible a Goodhart. La solución no es no medir (eso es peor) sino medir múltiples indicadores que no puedan ser optimizados simultáneamente de forma perversa, y estar—siempre—dispuesto a cambiar las métricas cuando muestren signos de corrupción.

4.2 Defensa contra Goodhart

Existen estrategias para mitigar la Ley de Goodhart, aunque ninguna la elimina completamente. La primera es usar baterías de métricas en lugar de métricas únicas: si mides simultáneamente velocidad, calidad y satisfacción del cliente, es más difícil optimizar una a expensas de las otras. La segunda es rotar métricas: cambiar periódicamente qué se mide impide que los agentes construyan sistemas de gaming estables. La tercera es medir outcomes, no outputs: no cuántos reportes produce el equipo sino qué decisiones mejoraron gracias a esos reportes. La cuarta—quizás la más importante—es monitorear las métricas no medidas: ¿qué está empeorando que nadie está midiendo?

“Un equipo de desarrollo de IA mide la precisión del modelo, el tiempo de respuesta y la satisfacción del usuario. Pero nadie mide la calidad de las preguntas que los usuarios formulan. Resultado: el modelo se vuelve excelente en responder preguntas mediocres, y los usuarios nunca mejoran su capacidad de formular. La métrica no medida—la calidad de la intención del usuario—se degrada silenciosamente mientras todo lo demás parece ir bien.”

5. Descuento Temporal e Incentivos a Largo Plazo

El descuento temporal—la preferencia sistemática por recompensas inmediatas sobre recompensas futuras—es el enemigo natural de los incentivos a largo plazo. Lo estudiaste en el Tema 1 de este módulo como la brecha intención-comportamiento: el conflicto entre el yo planificador y el yo hacedor. Ahora lo examinarás desde la perspectiva del diseñador de incentivos: ¿cómo diseñas recompensas que operen en el futuro cuando el cerebro del usuario descuenta el futuro automáticamente?

El problema es estructural. La mayoría de los resultados valiosos—salud, conocimiento, relaciones, competencia profesional—requieren esfuerzo sostenido con recompensa diferida. Los resultados destructivos—gratificación instantánea, procrastinación, atajos de calidad—ofrecen recompensa inmediata con costo diferido. El descuento temporal garantiza que, en ausencia de diseño deliberado, los incentivos a corto plazo ganarán.

“Un profesional que usa IA para su trabajo tiene dos opciones: (a) invertir 10 minutos formulando su solicitud con precisión, lo que producirá una respuesta excelente que ahorra horas de trabajo posterior; o (b) escribir una solicitud vaga en 30 segundos, obtener una respuesta mediocre y dedicar una hora a corregirla manualmente. La opción (a) es objetivamente superior. Pero el descuento temporal descuenta los 10 minutos de inversión contra los 30 segundos de la opción (b). En el momento de decidir, los 30 segundos ganan. Cada vez.”

5.1 Estrategias de Diseño Temporal

Hay cuatro estrategias para contrarrestar el descuento temporal en el diseño de incentivos. La primera es acercar la recompensa: en lugar de prometer un beneficio lejano, proporcionar feedback inmediato que anticipe el valor futuro. La segunda es fragmentar el costo: dividir el esfuerzo requerido en pasos pequeños cuyo costo inmediato sea tolerable. La tercera es hacer visible el costo del corto plazo: mostrar lo que se pierde con la opción rápida, no solo lo que se gana con la opción paciente. La cuarta es precomprometer: usar dispositivos de compromiso (Tema 1) para que la decisión de invertir se tome una vez, en un momento de claridad, y se ejecute automáticamente después.

“Una herramienta de IA que quiere incentivar formulaciones precisas implementa las cuatro estrategias simultáneamente. Acercar la recompensa: después de cada formulación precisa, muestra el dato «tu última solicitud precisa produjo una respuesta que usaste sin editar; tus solicitudes vagas requirieron en promedio 3 iteraciones.» Fragmentar el costo: ofrece un template de tres preguntas que toma 60 segundos completar, no 10 minutos de redacción libre. Hacer visible el costo: «Con tu formulación actual, estimo un 40% de probabilidad de que necesites reformular. ¿Quieres invertir 60 segundos ahora o arriesgarte?» Precomprometer: permite al usuario activar un modo de «formulación guiada» que opera automáticamente.”

6. Diseño de Incentivos para la Interacción con IA

Todo lo anterior converge en una pregunta práctica: ¿cómo diseñar el ecosistema de incentivos de un sistema de IA para que alinee el comportamiento real del usuario con su intención declarada? La respuesta requiere integrar las lecciones de los cinco temas anteriores.

El primer paso es mapear los incentivos existentes. Cuando un usuario interactúa con un sistema de IA, ya opera dentro de un ecosistema de incentivos: los de su organización (qué se premia y qué se castiga), los de su contexto temporal (cuánta urgencia tiene), los de su identidad profesional (qué significa ser bueno en lo que hace) y los del sistema mismo (qué tan fácil es usar el camino rápido versus el camino preciso). Intervenir sin mapear estos incentivos preexistentes es la receta para efectos perversos.

“Un equipo de ventas usa IA para generar propuestas comerciales. El incentivo organizacional es el número de propuestas enviadas por semana. El incentivo temporal es la urgencia de cerrar el trimestre. El incentivo del sistema es la facilidad de generar propuestas genéricas con un clic. El resultado predecible: proliferan las propuestas mediocres generadas sin reflexión, la tasa de conversión cae, y la IA se convierte en una máquina de spam corporativo de alta velocidad. Todos los incentivos empujan en la misma dirección: cantidad sobre calidad, velocidad sobre precisión.”

Cinco principios de diseño emergen de integrar la economía conductual de incentivos con la Arquitectura de la Intención:

1. Mapa antes de intervención. Antes de diseñar cualquier incentivo, mapea el ecosistema completo: ¿qué normas operan (mercado, sociales, morales)? ¿Qué motivación intrínseca existe? ¿Qué métricas se miden? ¿Qué descuento temporal opera? Sin este mapa, cualquier intervención es ciega.

2. Preserva la motivación intrínseca. Si el usuario tiene motivación intrínseca para formular bien sus intenciones (curiosidad, profesionalismo, deseo de resolver problemas reales), protégela. No la reemplaces con gamificación, puntos o rankings que la desplacen. Usa reconocimiento e información, no control.

3. Alinea incentivos con intención, no con outputs. No incentives la cantidad de interacciones con la IA ni la velocidad de la respuesta. Incentiva la calidad de la formulación, la profundidad del análisis y el impacto del resultado. Mide outcomes: ¿qué decisiones mejoraron? ¿Qué problemas se resolvieron?

4. Anticipa Goodhart antes de que ocurra. Para cada métrica que definas, pregunta: «Si alguien quisiera maximizar esta métrica sin importarle el resultado real, ¿cómo lo haría?» La respuesta te dirá exactamente dónde fallará tu sistema de incentivos.

5. Diseña para el largo plazo con herramientas de corto plazo. Usa feedback inmediato para hacer visible el valor de la formulación cuidadosa. Fragmenta el esfuerzo para reducir la barrera. Precompromete al usuario en sus momentos de claridad. Pero nunca olvides que el objetivo es desarrollar la competencia del usuario, no crear dependencia del sistema.

7. Aplicación Práctica: El Caso del Programa de Innovación

TechForward es una empresa de tecnología con 2.000 empleados que lanza un programa de innovación interna. El objetivo declarado: que los empleados usen herramientas de IA para identificar oportunidades de mejora en sus áreas y formulen propuestas de innovación. El diseño inicial incluye un premio mensual de 5.000 euros a la mejor propuesta, un ranking público de «innovadores del mes», y una métrica de participación (número de propuestas por departamento). Apliquemos el análisis de incentivos completo.

7.1 Diagnóstico de Incentivos

El premio monetario de 5.000 euros opera en norma de mercado. Para empleados con salarios de 60.000–120.000 euros anuales, el premio no es despreciable pero tampoco transformador. Está en una zona ambigua: suficiente para activar la norma de mercado (esto es una competencia, no una contribución volun-taria) pero no suficiente para compensar las horas de trabajo que una propuesta seria requiere. Riesgo de desplazamiento: los empleados que ya innovan por motivación intrínseca pueden reinterpretar la innovación como «tarea extra remunerada» y calcular si «vale la pena.»

El ranking público es un incentivo social: estatus y reconocimiento. Pero combinado con el premio monetario, produce una señal contradictoria: ¿innovas por dinero o por reconocimiento? Si el ranking es público pero el premio es privado, la dimensión social se potencia. Si ambos son públicos, la competencia eclipsa la colaboración—y la innovación real suele requerir colaboración.

La métrica de participación (número de propuestas por departamento) es una invitación abierta a Goodhart. Predecir el comportamiento es trivial: los departamentos generarán propuestas superficiales para cumplir la cuota. La cantidad subirá; la calidad caerá. El sistema de IA será usado para generar propuestas rápidamente—exactamente lo contrario de usar IA para pensar mejor.

“Después de tres meses, TechForward tiene 450 propuestas, la mayoría generadas en menos de 20 minutos con IA, pocas con análisis real. Los cinco mejores «innovadores» son personas con tiempo libre que aprendieron a escribir propuestas impresionantes rápidamente, no personas con insights profundos sobre mejoras. Los técnicos con mayor conocimiento de los problemas reales no participan—consideran el programa «un concurso de redacción, no de innovación.» El programa fue un éxito en la métrica y un fracaso en el objetivo.”

7.2 Rediseño Basado en Teoría de Incentivos

Eliminar el premio individual y crear presupuesto de implementación. En lugar de 5.000 euros al «ganador,» asignar 50.000 euros por trimestre para implementar las mejores propuestas. El incentivo ya no es ganar un premio sino ver tu idea implementada—un incentivo intrínseco mucho más poderoso que activa el sentido de agencia e impacto.

Reemplazar el ranking competitivo por reconocimiento narrativo. En lugar del «innovador del mes,» publicar historias de innovación: qué problema detectó la persona, cómo lo analizó, cómo usó la IA para profundizar, y qué impacto tuvo. El incentivo social es reconocimiento de competencia (crowding in), no competencia por estatus (crowding out).

Medir calidad de análisis, no cantidad de propuestas. El contra-indicador de Goodhart: no cuántas propuestas genera un departamento sino cuántas se implementaron, y qué impacto medible produjeron las implementadas. Métrica de outcome, no de output.

Usar la IA como herramienta de profundidad, no de velocidad. Configurar la interacción con IA para que, antes de generar una propuesta, guíe al usuario a través de un análisis: ¿cuál es el problema real? ¿Qué evidencia lo sustenta? ¿Qué efectos de segundo orden podría tener la solución? ¿Qué trade-offs implica? La IA como socrático, no como redactor.

Diseñar incentivos temporales. Feedback inmediato: después de cada interacción con la IA de análisis, el usuario recibe una evaluación de profundidad de su formulación. Fragmentación: la propuesta se construye en tres sesiones de 20 minutos, no en un documento de golpe. Precompromiso: el usuario se inscribe en un «ciclo de innovación» de 3 semanas con checkpoint semanal, creando estructura y compromiso social con su grupo.

7.3 Principios de Diseño Derivados

Principio 1: Antes de diseñar un incentivo, mapea qué motivación ya existe y protégela. El incentivo más caro del mundo no compensa la destrucción de la motivación intrínseca.

Principio 2: Todo incentivo transforma el marco normativo. Introduce dinero en un contexto social y convertirás una contribución en una transacción. A veces es deseable; frecuentemente es catastrófico.

Principio 3: Mide outcomes, no outputs. Cuántas propuestas no dice nada. Cuántas se implementaron dice algo. Qué impacto tuvieron las implementadas dice todo.

Principio 4: La Ley de Goodhart es inevitable pero mitigable. Usa baterías de métricas, rota indicadores, y—sobre todo—pregunta constantemente qué está empeorando que nadie mide.

Principio 5: El mejor incentivo es uno que desaparezca—que construya competencia y motivación intrínseca hasta que el comportamiento se sostenga solo, sin necesidad de recompensa externa.

8. Glosario de Términos Clave

9. Reflexión Final y Autoevaluación

Antes de pasar al siguiente tema (Framing), verifica que puedes diseñar y diagnosticar sistemas de incentivos con rigor conductual, no con intuición ingenua.

10. Bibliografía y Lecturas Recomendadas

Lecturas Esenciales

• Cialdini, R. (1984). Influence: The Psychology of Persuasion. William Morrow. [Influencia: La psicología de la persuasión. HarperCollins]

• Thaler, R. & Sunstein, C. (2008). Nudge: Improving Decisions About Health, Wealth, and Happiness. Yale University Press. [Un pequeño empujón (Nudge). Taurus]

• Ariely, D. (2008). Predictably Irrational. HarperCollins. [Las trampas del deseo. Editorial Ariel]

Lecturas Complementarias

• Gneezy, U. & Rustichini, A. (2000). «A Fine Is a Price.» Journal of Legal Studies, 29(1), 1–17.

• Frey, B. & Jegen, R. (2001). «Motivation Crowding Theory.» Journal of Economic Surveys, 15(5), 589–611.

• Sunstein, C. (2016). The Ethics of Influence: Government in the Age of Behavioral Science. Cambridge University Press.

• Deci, E.L. & Ryan, R.M. (2000). «The ‘What’ and ‘Why’ of Goal Pursuits.» Psychological Inquiry, 11(4), 227–268.

Próximo Tema: El siguiente libro de este módulo aborda Framing: cómo la presentación de la información moldea sistemáticamente las decisiones. Estudiarás con Thaler, Sunstein y Kahneman el framing de atributos, el framing de objetivos y el framing de elecciones riesgosas. Conectarás el framing conductual con los errores de encuadre del Módulo II y con los actos de habla del Módulo IV para construir una comprensión completa de cómo lo que decimos—y cómo lo decimos—determina lo que las personas hacen.