Valor — Causalidad

La dimensión humana: por qué el valor se percibe distorsionado

El valor se percibe relativo a un punto de referencia, y las pérdidas pesan más. La teoría prospectiva establece que "las personas evalúan resultados relativos a un punto de referencia, son aversas a la pérdida (las pérdidas pesan más que ganancias equivalentes) y ponderan las probabilidades de manera no lineal" (Arquitectura de Intención, Módulo V: Economía Conductual · Economía Conductual). Consecuencia práctica: una solución que evita perder $10,000 se percibe más valiosa que una que hace ganar $10,000 — y el proyecto debe cuantificar el valor objetivo, no el percibido, aunque comunique en el marco que el cliente entiende.

Las intenciones humanas no salen de una optimización racional. "Las intenciones humanas no son producto de la optimización racional. Están moldeadas por puntos de referencia, aversión a la pérdida, sesgo del presente y comparación social. Un sistema que modele a los usuarios como agentes racionales fallará sistemáticamente" (Módulo V · Economía Conductual). El cliente puede estar convencido de que X causa Y simplemente porque desea que así sea.

Sentimos las causas antes de verificarlas. Los marcadores somáticos de Damasio muestran que "las señales emocionales guían la decisión marcando ciertas opciones como deseables o peligrosas antes de que comience la deliberación consciente" (Módulo I: Intención Humana y Toma de Decisiones · Motivación y Emoción). La "corazonada causal" es un dato — pero es una hipótesis, no una demostración.

La disciplina del método

Toda intención es una hipótesis causal. El syllabus es explícito: "la causalidad es posiblemente el concepto más importante de la arquitectura de intención porque toda intención es, en su núcleo, una hipótesis causal: 'si hago X, entonces ocurrirá Y'. Si el modelo causal está equivocado, la intención, por bien expresada que esté, fracasará" (Módulo III: Lógica Aplicada y Pensamiento Sistémico · Causalidad).

Los tres niveles de Pearl. Pearl distingue "asociación ('¿qué es?'), intervención ('¿qué pasa si hago?') y contrafactual ('¿qué habría pasado si hubiera hecho otra cosa?'). La mayoría de los métodos estadísticos operan en el primer nivel; la intención genuina requiere el segundo y el tercero" (Módulo III · Causalidad). Un proyecto que solo tiene datos de asociación aún no tiene una solución: tiene una pista.

Los factores de confusión producen intervenciones catastróficas. "La distinción entre correlación y causalidad se viola rutinariamente en la práctica. Las variables de confusión producen correlaciones espurias que pueden conducir a intervenciones catastróficamente equivocadas" (Módulo III · Causalidad).

El juicio causal sigue siendo humano. Pearl y Mackenzie sostienen que "el razonamiento causal es lo que separa la inteligencia humana del mero procesamiento de datos. Los sistemas actuales de IA simulan pero no poseen genuinamente esta capacidad. El humano en el circuito permanece indispensable para el juicio causal" (Módulo III · Causalidad). Esto conecta directamente con el Tema 8: el análisis causal es una de las partes del trabajo que no se delega a la máquina.

Caso hilo conductor: Distribuciones Marino

La solución diseñada (Temas 1–4) descansa en esta hipótesis causal, escrita en formato explícito:

"Si completamos los atributos técnicos de las fichas de los 480 productos de alta rotación (X), las devoluciones por 'pieza equivocada' bajarán de 5.8% a ≤ 2.5% (Y), porque el 62% de las devoluciones declara error de selección y el 88% de esas ocurre en productos con ficha incompleta (mecanismo)."

Antes de invertir, se buscan explicaciones alternativas (factores de confusión): ¿y si los productos de ficha incompleta son también los técnicamente más complejos, y la complejidad —no la ficha— causa el error? Se verifica con el nivel 2 de Pearl (intervención): un piloto de 4 semanas con 60 productos — 30 fichas completadas, 30 comparables sin tocar. Resultado: las devoluciones del grupo intervenido caen 55%; las del grupo control no se mueven. La cadena causal queda demostrada con intervención, no con correlación, y el valor se cuantifica: a $18 por devolución evitada, el proyecto se paga en 5 meses.

En la comunicación al cliente se usa conscientemente el marco de pérdida (teoría prospectiva): "hoy se pierden ~$4,100 mensuales en devoluciones evitables" moviliza más que "podríamos ganar eficiencia" — marco veraz, no manipulación (frontera que se desarrolla en el Tema 8).

Ejercicio doble

Pregunta filtro

¿Podemos demostrar la cadena causal entre esta solución y el beneficio que promete?

Referencias al syllabus Arquitectura de Intención

• Módulo I: Intención Humana y Toma de Decisiones · Motivación y Emoción (marcadores somáticos)
• Módulo III: Lógica Aplicada y Pensamiento Sistémico · Causalidad (tres niveles de Pearl, confusores, juicio causal humano)
• Módulo V: Economía Conductual · Economía Conductual (teoría prospectiva, punto de referencia, aversión a la pérdida)

Bibliografía: Pearl (2000); Pearl & Mackenzie (2018); Kahneman & Tversky (1979); Damasio (1994).