Metodología Científica

Objetivos de Aprendizaje

Al completar este libro, serás capaz de:

1. Distinguir entre razonamiento deductivo, inductivo y abductivo, y reconocer cuál estás usando en cada momento de la formulación de un problema.

2. Identificar las falacias lógicas más frecuentes en el razonamiento cotidiano y en la interacción con sistemas inteligentes.

3. Aplicar el método científico como marco disciplinado para avanzar de hipótesis a evidencia, integrando la falsabilidad de Popper con la práctica real.

4. Distinguir entre correlación y causalidad, y reconocer cuándo una inferencia causal está justificada y cuándo es prematura.

5. Evaluar la calidad de la evidencia que sustenta cualquier afirmación, usando criterios de validez interna, validez externa y fiabilidad.

6. Integrar las herramientas de los cuatro temas del Módulo II en un protocolo completo de formulación y validación de problemas.

1. Introducción: ¿Qué Significa Razonar Bien?

El Módulo I te mostró cómo razona realmente el cerebro: con atajos, emociones y sesgos. Los temas anteriores de este módulo te enseñaron a evaluar la calidad de tu conocimiento, a separar fines de medios, y a detectar los encuadres que limitan tu formulación. Pero hay una pieza que falta: las reglas del razonamiento válido. Saber que tu cerebro toma atajos no te dice cuál es el camino correcto. Para eso necesitas lógica.

La lógica no es una materia abstracta para filósofos. Es la disciplina que estudia las reglas de la inferencia válida: cómo pasar de premisas a conclusiones de manera que, si las premisas son verdaderas, la conclusión no pueda ser falsa (deducción) o sea probablemente verdadera (inducción). Es, literalmente, la ciencia de sacar buenas conclusiones.

“Un director comercial observa que sus tres mejores vendedores tienen un MBA. Concluye: «Necesitamos contratar más personas con MBA.» Suena razonable. Pero, ¿es válido? La muestra es minúscula (tres personas). La correlación podría ser espuria: quizás los tres son buenos vendedores por su personalidad, no por su MBA. Quizás el MBA les dio acceso a contactos, no a habilidades de venta. Quizás los otros vendedores con MBA fueron despedidos hace años y el director no lo recuerda (sesgo de supervivencia). El razonamiento parece lógico pero está plagado de fallas inferenciales.”

1.1 Tres Formas de Razonamiento

Deducción: de lo general a lo particular. Si la premisa general es verdadera, la conclusión particular es necesariamente verdadera. Es la forma de razonamiento más fuerte pero también la más limitada, porque la conclusión nunca contiene información nueva—solo explicita lo que ya estaba implícito en las premisas.

“Premisa 1: Todos los contratos firmados después de 2024 incluyen cláusula de arbitraje. Premisa 2: Este contrato se firmó en 2025. Conclusión: Este contrato incluye cláusula de arbitraje. La conclusión es válida necesariamente—si las premisas son verdaderas, la conclusión no puede ser falsa. Pero la conclusión no nos dice nada que no supiéramos ya. Todo el riesgo está en la verdad de las premisas.”

Inducción: de lo particular a lo general. A partir de observaciones específicas, se infiere un patrón general. Es la forma de razonamiento que genera conocimiento nuevo, pero sus conclusiones son siempre probables, nunca ciertas. La inducción es el motor de la ciencia empírica—y también la fuente de sus errores más persistentes.

“Observación 1: La campaña A aumentó las ventas un 15%. Observación 2: La campaña B aumentó las ventas un 12%. Observación 3: La campaña C aumentó las ventas un 18%. Conclusión inductiva: Las campañas de este tipo aumentan las ventas entre 12% y 18%. Esto es probablemente verdadero basado en la evidencia, pero la próxima campaña podría fracasar completamente. La inducción te da expectativas razonables, no garantías.”

Abducción: de la observación a la mejor explicación. Charles Sanders Peirce, filósofo y lógico estadounidense, identificó una tercera forma de razonamiento: la abducción, o inferencia a la mejor explicación. Observas un fenómeno sorprendente y generas la hipótesis que mejor lo explicaría. Es el razonamiento del detective, del médico, y del innovador. Y es la forma de razonamiento que Dorst (Tema 3) pone en el centro de la innovación de encuadres.

“Un producto que se vendía bien durante años de repente pierde un 30% de ventas en dos meses. No hubo cambios de precio, calidad ni distribución. Hipótesis abductiva: un competidor lanzó un producto sustituto que está capturando nuestro mercado. Esta hipótesis no está demostrada—es una conjetura que explica la observación. Pero es la mejor explicación disponible y orienta la investigación. La abducción genera hipótesis; la deducción extrae sus consecuencias; la inducción las prueba contra datos. Las tres formas trabajan juntas.”

2. Falacias Lógicas: Los Caminos que Parecen Válidos y No Lo Son

Una falacia es un error de razonamiento que parece válido pero no lo es. Las falacias son peligrosas precisamente porque son persuasivas: suenan bien, se sienten correctas, y frecuentemente producen conclusiones que coinciden con lo que queremos creer. Aprender a detectarlas no te hace inmune a ellas—el Sistema 1 las produce automáticamente—pero te da las herramientas para que tu Sistema 2 las intercepte antes de que se conviertan en premisas de tus decisiones.

2.1 Falacias de Relevancia

Ad hominem: Atacar a la persona en lugar del argumento. «Esa propuesta viene de alguien que nunca ha dirigido un equipo» no refuta la propuesta; refuta al proponente. La propuesta puede ser brillante independientemente de quién la haga.

“En una reunión, un analista junior sugiere que la empresa debería reconsiderar su estrategia de precios. El director responde: «Cuando tengas diez años de experiencia, hablamos.» Esto es ad hominem: la experiencia del analista no tiene relación lógica con la validez de su análisis de precios. Un principiante con buenos datos puede tener razón; un experto con malos datos puede estar equivocado.”

Apelación a la autoridad: Aceptar una afirmación porque la dice alguien con autoridad, sin evaluar el argumento. Es falaz cuando la autoridad está fuera de su dominio de competencia o cuando se usa como sustituto de evidencia.

“Un CEO famoso por crear una empresa de tecnología exitosa opina sobre política macroeconómica en una entrevista. Sus seguidores tratan esa opinión como conocimiento experto. Pero la competencia en tecnología no se transfiere a macroeconomía. La autoridad es contextual, no universal.”

Apelación a la popularidad (ad populum): «Todo el mundo lo hace» o «el mercado se está moviendo en esta dirección» no son argumentos lógicos. La mayoría puede estar equivocada. Todas las burbujas financieras de la historia fueron respaldadas por la mayoría.

2.2 Falacias Causales

Post hoc ergo propter hoc: «Después de esto, por lo tanto, a causa de esto.» Asumir que porque B ocurrió después de A, A causó B. Es la falacia causal más común y la más costosa en entornos de negocio.

“Una empresa implementó un nuevo CRM en enero. En marzo, las ventas subieron un 20%. Conclusión: el CRM aumentó las ventas. Pero marzo siempre es un buen mes (estacionalidad), un competidor cerró operaciones en febrero (factor externo), y el equipo de ventas recibió un nuevo esquema de comisiones también en enero (variable confusa). La secuencia temporal no establece causalidad.”

Correlación no es causalidad: Dos variables pueden moverse juntas (correlación) sin que una cause la otra. Ambas pueden ser causadas por un tercer factor, la relación puede ser coincidencia, o la causalidad puede ser inversa a la asumida.

“Hay una correlación entre la cantidad de helados vendidos y la cantidad de ahogamientos en piscinas. ¿Los helados causan ahogamientos? Obviamente no. Ambos son causados por un tercer factor: el calor del verano. Este ejemplo parece obvio, pero en contextos empresariales, correlaciones igual de espúreas pasan desapercibidas porque suenan plausibles: «los equipos que usan nuestra herramienta tienen mejor rendimiento» podría significar que los equipos de alto rendimiento eligen mejores herramientas, no que la herramienta causa el rendimiento.”

2.3 Falacias Estructurales

Falsa dicotomía: Presentar solo dos opciones cuando hay más. «O adoptamos IA o nos quedamos obsoletos» ignora opciones intermedias, graduales, o completamente diferentes.

Pendiente resbaladiza: Asumir que un paso pequeño llevará inevitablemente a consecuencias extremas sin justificar los pasos intermedios. «Si permitimos trabajo remoto un día por semana, pronto nadie vendrá a la oficina y perderemos toda nuestra cultura» es una cadena causal sin evidencia en cada eslabón.

Hombre de paja: Distorsionar el argumento del otro para hacerlo más fácil de refutar. «Tú quieres que invirtamos en innovación, pero no podemos tirar el dinero en proyectos locos» transforma «inversión en innovación» en «tirar dinero en locuras.»

Petición de principio (razonamiento circular): Asumir como premisa lo que se intenta demostrar. «Nuestra estrategia es la correcta porque los resultados muestran que funciona»—pero ¿qué resultados consideras éxito? Los que tu estrategia definió como éxito. El argumento se muerde la cola.

3. El Método Científico: De la Hipótesis a la Evidencia

El método científico no es un ritual exclusivo de laboratorios. Es un protocolo disciplinado para pasar de la conjetura al conocimiento, de la hipótesis a la evidencia, de «creo que» a «la evidencia muestra que.» Y como toda disciplina, su valor no está en los momentos donde es fácil aplicarlo sino en los momentos donde es difícil—cuando la intuición grita una cosa y los datos dicen otra.

3.1 Las Etapas del Método

Observación: Notas un fenómeno que no puedes explicar con tu conocimiento actual. Esta etapa conecta con la abducción: algo te sorprende y activa la búsqueda de una explicación.

Hipótesis: Formulas una explicación tentativa y falsable (aquí entra Popper del Tema 1). Una buena hipótesis especifica qué predice y qué observación la refutaría.

Predicción: Deduces las consecuencias observables de tu hipótesis. Si la hipótesis es verdadera, entonces deberías observar X. Si no observas X, la hipótesis tiene un problema.

Experimentación: Diseñas una prueba que pueda refutar tu hipótesis. La clave es el control: aislar la variable que quieres probar de todas las demás variables que podrían explicar el resultado.

Análisis y conclusión: Evaluas los resultados. ¿La evidencia apoya la hipótesis, la refuta, o es ambigua? ¿Hay explicaciones alternativas? ¿Los resultados son replicables?

“Un equipo de producto nota que los usuarios abandonan la app después de la tercera sesión (observación). Hipotetizan que el onboarding es confuso (hipótesis). Predicen que si simplifican el onboarding, la retención a la tercera sesión subirá al menos un 15% (predicción falsable). Lanzan una versión A/B: la mitad de los nuevos usuarios recibe el onboarding actual y la otra mitad recibe el nuevo (experimentación con control). Después de cuatro semanas, el grupo B muestra un 22% más de retención (análisis). Pero antes de celebrar, preguntan: ¿hay variables confusas? ¿El grupo B también recibió más notificaciones push? ¿El período de prueba coincidió con una campaña de marketing? La conclusión legítima es: la evidencia es consistente con la hipótesis, pero no la confirma definitivamente (recuerda: corroboración, no confirmación).”

3.2 El Método Científico y la Formulación de Intenciones

Para la Arquitectura de la Intención, el método científico ofrece un marco para validar las intenciones antes de ejecutarlas. Toda intención contiene hipótesis implícitas: «creo que el problema es X, creo que la causa es Y, creo que la solución es Z.» El método científico dice: no ejecutes Z hasta que hayas puesto a prueba las hipótesis X e Y.

“Un emprendedor quiere lanzar una plataforma de suscripción de comida saludable. Su intención contiene al menos tres hipótesis: (1) las personas quieren comer más sano pero no tienen tiempo de cocinar (hipótesis de problema), (2) una suscripción con entregas semanales resolvería ese problema (hipótesis de solución), (3) están dispuestas a pagar un precio premium por ello (hipótesis de viabilidad). El método científico pide: antes de construir la plataforma, ¿puedes probar cada hipótesis por separado? Entrevistas con usuarios potenciales para (1), un MVP o piloto manual para (2), y pruebas de precio para (3). Esto es lo que Eric Ries llamó «experimentación validada» en el método Lean Startup—que no es otra cosa que método científico aplicado al emprendimiento.”

4. Correlación y Causalidad: La Distinción Más Ignorada

Ningún otro error inferencial causa tantos problemas en la formulación de intenciones como la confusión entre correlación y causalidad. Es tan ubicuo, tan intuitivo y tan costoso que merece una sección completa.

4.1 Por Qué el Cerebro Confunde Correlación con Causalidad

El cerebro humano está cableado para detectar patrones y atribuir causas. Es una adaptación evolutiva extraordinariamente útil: el antepasado que oía un ruido en los arbustos y asumía «predador» sobrevivía más que el que asumía «correlación espuria con el viento.» Pero esta adaptación produce un sesgo sistemático en contextos modernos: vemos causalidad donde solo hay correlación, y actuamos sobre esa falsa causalidad con confianza injustificada.

Judea Pearl, informático y filósofo, desarrolló el marco formal más influyente para razonar sobre causalidad. En su libro The Book of Why (El libro del por qué, 2018), Pearl distingue tres niveles de razonamiento causal:

Nivel 1 — Asociación: ¿Qué ocurre junto con qué? Ver correlaciones en los datos. «Los clientes que compran zapatos también compran calcetines.»

Nivel 2 — Intervención: ¿Qué pasará si hago X? Predecir el efecto de una acción. «Si ofrecemos calcetines gratis con cada compra de zapatos, ¿venderemos más zapatos?»

Nivel 3 — Contrafactual: ¿Qué habría pasado si hubiera hecho algo diferente? «Si no hubiéramos cambiado el precio, ¿hubieran bajado las ventas de todas formas?»

La mayoría de los datos que tenemos nos dan información del Nivel 1 (correlaciones). Pero las decisiones requieren información del Nivel 2 (intervenciones). El salto del Nivel 1 al Nivel 2 es exactamente donde se produce la confusión correlación-causalidad.

“Una empresa observa (Nivel 1) que los empleados que usan su app de bienestar corporativo tienen menor ausentismo. Decide (Nivel 2) hacer obligatorio el uso de la app, esperando que el ausentismo baje para todos. Pero quizás la causalidad es inversa: los empleados más saludables y motivados eligen usar la app. Obligar a todos a usarla no creará salud ni motivación—solo creará resentimiento. La intervención basada en correlación puede producir exactamente lo contrario de lo esperado.”

4.2 Herramientas para Evaluar Causalidad

Aunque establecer causalidad con certeza es extremadamente difícil fuera de un experimento controlado, hay criterios que fortalecen o debilitan una inferencia causal. Los más útiles para la práctica cotidiana son:

Temporalidad: La causa debe preceder al efecto. Si B ocurre antes que A, A no puede causar B. Es necesario pero no suficiente (post hoc ergo propter hoc).

Magnitud de la asociación: Correlaciones más fuertes son más sugerentes de causalidad que correlaciones débiles, aunque una correlación fuerte no garantiza causalidad.

Dosis-respuesta: Si más de A produce más de B de manera graduada, la relación causal es más plausible.

Mecanismo plausible: ¿Existe un mecanismo que explique cómo A causaría B? Una correlación sin mecanismo plausible es sospechosa.

Eliminación de alternativas: ¿Has descartado las explicaciones alternativas más probables? Variables confusas, causalidad inversa, tercer factor, coincidencia.

5. Calidad de la Evidencia: No Todos los Datos Son Iguales

Tener datos no es lo mismo que tener evidencia. La evidencia es dato organizado con rigor para responder una pregunta específica. Y no toda evidencia tiene la misma calidad. Comprender esta jerarquía es esencial para evaluar si la información que sustenta una formulación de problema es sólida o frágil.

5.1 La Jerarquía de la Evidencia

La medicina basada en evidencia desarrolló una jerarquía de calidad de evidencia que es aplicable mucho más allá de la medicina. De menor a mayor calidad:

Opinión de expertos: Lo que alguien con experiencia cree. Útil como punto de partida pero vulnerable a sesgos personales, conocimiento tácito no verificado, y el efecto Dunning-Kruger.

Estudios de caso únicos: Observaciones detalladas de un caso particular. Ricos en detalle pero imposibles de generalizar. «Funcionó para nosotros» no significa que funcionará para otros.

Estudios observacionales: Medir correlaciones en datos existentes sin manipular variables. Mejor que los casos únicos pero vulnerables a la confusión correlación-causalidad.

Experimentos controlados: Manipular una variable mientras se controlan las demás. El estándar de oro para establecer causalidad. Los tests A/B son la versión empresarial.

Meta-análisis y revisiones sistemáticas: Sintetizar todos los estudios disponibles sobre una pregunta. La evidencia más robusta porque integra múltiples fuentes y reduce el sesgo de cualquier estudio individual.

“Un emprendedor escucha en un podcast que «los emails enviados los martes tienen mejor tasa de apertura.» Eso es opinión de un experto (nivel más bajo). Si lo lee en un estudio de Mailchimp con datos de miles de campañas, es un estudio observacional (mejor). Si Mailchimp hizo un test A/B controlado variando solo el día de envío, es un experimento (mejor aún). Pero incluso el experimento no garantiza que el martes sea mejor para SU audiencia—eso requiere su propio test. La evidencia ajena es un punto de partida, no un destino.”

5.2 Validez Interna, Validez Externa y Fiabilidad

Validez interna: ¿El estudio mide lo que dice medir? ¿Los resultados se deben realmente a la variable que se estudió, o hay explicaciones alternativas? Un test A/B donde el grupo A recibió el email nuevo Y un descuento tiene baja validez interna: no sabes si el efecto es del email o del descuento.

Validez externa: ¿Los resultados son generalizables a otros contextos? Un estudio con universitarios estadounidenses puede no aplicar a profesionales europeos. Un test A/B en tu página web de tecnología puede no aplicar a tu página de productos agrícolas.

Fiabilidad: ¿Si repites el estudio, obtienes los mismos resultados? La fiabilidad es la consistencia. Un resultado que aparece una vez y nunca se replica es sospechoso, independientemente de lo prometedor que parezca.

6. Aplicación Práctica: Protocolo Completo del Módulo II

Este es el último tema del Módulo II. Ahora tienes todas las herramientas para formular problemas con rigor. Integremos todo en un caso de estudio final y en un protocolo que puedes aplicar a cualquier formulación.

6.1 Caso de Estudio: La Contratación que Nadie Cuestionó

Ricardo, CTO de una empresa de 200 personas, pide a un sistema de IA: «Necesito contratar 10 ingenieros senior de machine learning en los próximos tres meses. Ayúdame a diseñar la estrategia de contratación.»

Apliquemos el protocolo completo del Módulo II:

Epistemología (Tema 1): ¿Qué sabe Ricardo realmente? Sus supuestos epistémicos: (1) sabe que necesita ML (¿o lo asume porque es tendencia?), (2) sabe que necesita 10 (¿base en qué cálculo?), (3) sabe que deben ser senior (¿o podrían ser mid-level con buena mentoría?), (4) sabe que tres meses es suficiente (¿o es un plazo arbitrario impuesto por presupuesto?). Tipo de conocimiento dominante: podría ser conocimiento tácito («siento que necesitamos IA») disfrazado de proposicional («necesitamos 10 ingenieros de ML»). Falsabilidad: ¿qué resultado haría a Ricardo concluir que no necesitaba 10 ingenieros de ML?

Fines vs. Medios (Tema 2): Contratar 10 ingenieros es un medio. ¿Cuál es el fin? Si subimos la escalera: ¿para qué 10 ingenieros de ML? Para construir capacidades de IA. ¿Para qué? Para mejorar el producto. ¿Para qué? Para retener clientes y ganar nuevos. El fin real es crecimiento del negocio. Medios alternativos: ¿externalizar ML con consultores?, ¿usar modelos pre-entrenados sin equipo propio?, ¿contratar 3 seniors y 7 juniors con un programa de formación?

Errores de Encuadre (Tema 3): Encuadre estrecho: solo mira contratación, no capacidades. Encuadre solucionista: ya decidió que la respuesta es contratar. Encuadre de actor único: ¿qué opinan los ingenieros actuales? Quizás ya tienen habilidades de ML que no se están aprovechando. Metáfora: «contratar» es metáfora de adquisición—¿y si la metáfora fuera cultivo? Desarrollar talento interno en lugar de comprarlo.

Metodología Científica (este Tema): La afirmación «necesitamos ML» es una hipótesis. ¿Puede probarse antes de contratar a 10 personas? Un piloto con 2 ingenieros y un proyecto específico probaría si ML realmente mejora el producto. La evidencia disponible: ¿es opinión del CTO, un estudio de mercado, o datos de clientes que piden funcionalidades de ML? La causalidad asumida («más ML = mejor producto = más clientes») necesita validación en cada eslabón.

“Un sistema con Arquitectura de la Intención respondería: «Puedo ayudarte con la estrategia de contratación. Pero antes, quiero asegurar que estamos resolviendo el problema correcto. Veo cuatro hipótesis implícitas en tu solicitud: que ML es la tecnología correcta para tu producto, que necesitas capacidad interna en vez de externa, que el número es 10, y que deben ser senior. Cada una es comprobable. ¿Tienes datos de clientes que indiquen demanda de funcionalidades basadas en ML? ¿Has explorado alternativas como APIs de ML pre-entrenadas que no requieran equipo propio? ¿El número 10 viene de un cálculo de capacidad o de una estimación intuitiva? Sugiero que comencemos con un piloto pequeño que valide la hipótesis central antes de comprometer una contratación masiva.»”

6.2 Protocolo Integrado de Formulación del Módulo II

Aquí está el protocolo completo que puedes aplicar a cualquier formulación de problema o intención:

Paso 1 — Auditoría epistémica: ¿Qué supuestos de situación, causales, de solución y de competencia están implícitos? ¿Qué tipo de conocimiento domina—proposicional, procedimental o tácito? ¿Es la formulación falsable?

Paso 2 — Escalera fines-medios: ¿La solicitud es un fin o un medio? Sube con «¿para qué?» hasta encontrar el nivel óptimo. Genera medios alternativos.

Paso 3 — Análisis de encuadre: ¿Qué incluye y qué excluye el encuadre? ¿Hay errores de encuadre (estrecho, sintomático, solucionista, temporal, de actor único, paradigmático)? ¿Qué metáforas operan? Genera al menos un reencuadre alternativo.

Paso 4 — Validación lógica: ¿Hay falacias en el razonamiento? ¿Las inferencias causales están justificadas? ¿Se confunde correlación con causalidad?

Paso 5 — Evaluación de evidencia: ¿Qué tipo de evidencia sustenta la formulación? ¿Dónde está en la jerarquía? ¿Tiene validez interna, validez externa y fiabilidad para este contexto?

Paso 6 — Diseño de prueba: ¿Puedes probar las hipótesis críticas antes de ejecutar? ¿Cuál es el experimento mínimo viable? ¿Qué resultado te haría cambiar de rumbo?

7. Glosario de Términos Clave

8. Reflexión Final y Autoevaluación

Has completado el Módulo II. Antes de pasar al Módulo III (Lógica Aplicada y Pensamiento Sistémico), verifica que las herramientas de formulación se han integrado en tu forma de pensar.

9. Bibliografía y Lecturas Recomendadas

Lecturas Esenciales

• Pearl, J. & Mackenzie, D. (2018). The Book of Why. Basic Books. [El libro del por qué. Ediciones Deusto]

• Popper, K. (1963). Conjectures and Refutations. Routledge. [Conjeturas y refutaciones. Paidós]

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

Lecturas Complementarias

• Peirce, C.S. (1878). «Deduction, Induction, and Hypothesis.» Popular Science Monthly, 13, 470–482.

• Ries, E. (2011). The Lean Startup. Crown Business. [El método Lean Startup. Deusto]

• Taleb, N.N. (2007). The Black Swan. Random House. [El cisne negro. Paidós]

• Sackett, D. et al. (1996). «Evidence Based Medicine: What It Is and What It Isn’t.» BMJ, 312(7023), 71–72.

• Sagan, C. (1996). The Demon-Haunted World. Ballantine Books. [El mundo y sus demonios. Planeta]

Próximo Módulo

Has completado el Módulo II: Formulación Correcta de Problemas. Ahora sabes cómo evaluar la calidad de tu conocimiento, cómo separar fines de medios, cómo detectar y corregir encuadres, y cómo razonar válidamente sobre problemas y evidencia. El Módulo III—Lógica Aplicada y Pensamiento Sistémico—te llevará al siguiente nivel: cómo los problemas correctamente formulados interactúan con sistemas complejos, produciendo consecuencias de segundo y tercer orden que ninguna formulación lineal puede anticipar. Estudiarás la causalidad formal con Judea Pearl, la dinámica de sistemas con Donella Meadows y Peter Senge, los puntos de apalancamiento con Jay Forrester, y la antifragilidad con Nassim Taleb.