Serie de apuntes complementarios · N° 1
El texto guía de R&J define el comportamiento organizacional como un "campo de estudio" y menciona que se apoya en el "estudio sistemático" del comportamiento. Lo que el manual no desarrolla es qué hacer cuando dos afirmaciones sobre gestión se contradicen (tu jefe dice una cosa, un influencer de LinkedIn dice otra), ¿cómo decides a cuál creerle?
Ese es exactamente el problema que resuelve la gestión basada en evidencia (evidence-based management), un movimiento que llegó al management desde la medicina hace unos veinte años y que este curso adopta como enfoque transversal. Este apunte explica algunos conceptos básicos como qué es una teoría y qué no lo es, qué tipos de argumentos existen y cómo se evalúa su calidad, cómo se ordena la evidencia según su calidad, por qué la correlación no basta para hablar de causa, y qué pasa cuando los profesionales toman decisiones sin mirar la evidencia.
Este apunte también te sirve para preparar la Lectura 1 del curso (Gerring & Christenson, 2017, cap. 2, "Arguments"), que se controla en la Ayudantía 1 (viernes 04-09). Los conceptos de las secciones sobre teoría, tipos de argumento e hipótesis están tomados directamente de ese capítulo, así que léelos con especial atención antes de la lectura.
Gestionar personas supone tomar decisiones bajo incertidumbre: a quién contratar, cuánto pagar, cómo organizar el trabajo, etc. Esas decisiones pueden basarse en la intuición, la tradición, la moda o la evidencia. La gestión basada en evidencia propone algo fácil de decir pero difícil de hacer: usar la mejor evidencia disponible, de múltiples fuentes, para aumentar la probabilidad de acertar.
El punto clave es que no toda la evidencia vale lo mismo a la hora de fundamentar una decisión. Una anécdota vale menos que un estudio con datos; un estudio de encuesta entrega menos evidencia que un experimento; un experimento único no entrega tanta evidencia como muchos experimentos, y así sucesivamente. De hecho, la mejor síntesis disponible suele ser el metaanálisis, que combina estadísticamente decenas o cientos de estudios. Tampoco da lo mismo el tipo de dato: que dos cosas ocurran juntas (correlación) no demuestra que una cause (provoque, determine, influya en) la otra; para hablar de un efecto causal se necesita, idealmente, un experimento con asignación aleatoria.
¿Por qué importa? Como expliqué en clases, en el experimento de campo más citado sobre el tema mejorar las prácticas de gestión de plantas textiles redujo los defectos de calidad en 43% y aumentó la productividad total en 17%. Por otro lado, cuando a 959 profesionales de RRHH de Estados Unidos les preguntaron por hallazgos bien establecidos de la investigación, el promedio acertó apenas el 57% de los ítems. La brecha entre lo que se sabe y lo que se practica es real, y ahí hay una ventaja competitiva para el gerente que sí lee la evidencia.
En ciencia, una teoría es un sistema de conceptos y relaciones que explica por qué ocurre algo, y que genera predicciones que podrían resultar falsas al contrastarlas con datos. Sutton y Staw (1995) escribieron un artículo clásico aclarando lo que no es teoría: las referencias a autores famosos no son teoría, los datos no son teoría, las listas de variables no son teoría, los diagramas con flechas no son teoría, y las hipótesis sueltas tampoco. Teoría es la explicación del mecanismo: la cadena de factores que conecta causas con efectos.
Esto importa en la práctica: buena parte del material de gestión que circula (charlas, best sellers, frameworks de consultora) ofrece listas y diagramas sin mecanismo ni predicciones contrastables. Si no puede estar equivocado, no es teoría: es publicidad.
Gerring y Christenson (2017) desarman la anatomía de una teoría en piezas que usaremos todo el semestre. Una teoría bien formulada incluye variables y especifica al menos cuatro cosas:
Además, hay que entender que detrás de toda afirmación causal hay un contrafactual: decir que X causó Y es decir que, si X no hubiera ocurrido (y todo lo demás hubiera seguido igual), Y no habría ocurrido o habría sido distinto. A menudo, el contrafactual nunca se observa directamente (no podemos rebobinar la historia), y por eso establecer causalidad es difícil y los diseños de investigación importan tanto.
En ciencias sociales hay distintos tipos de argumentos; no todos tienen el mismo poder explicativo. Gerring y Christenson (2017) distinguen cinco tipos de argumentos:
| Tipo | Qué afirma | Ejemplo en gestión |
|---|---|---|
| Descriptivo | Cómo es o cómo se distribuye un fenómeno (qué, cuánto, cuándo, dónde), sin afirmar causas | "El 67% de las enfermedades profesionales calificadas en Chile en 2022 fueron de salud mental" |
| Causal | X genera, produce o crea un cambio en Y | "Mejorar las prácticas de gestión aumenta la productividad" |
| Predictivo | X permite anticipar Y, sin presumir que la cause | "La intención de renunciar predice la renuncia" |
| Normativo | Algo es bueno o malo, deseable o indeseable | "Las empresas deben cuidar la salud mental de sus trabajadores" |
| Prescriptivo | Qué conviene hacer para lograr un objetivo | "Para retener talento, rediseñe los puestos antes que subir sueldos" |
Lo importante aquí es que los argumentos descriptivos, causales y predictivos son empíricos (se contrastan con datos y pueden resultar falsos), mientras que los normativos y prescriptivos involucran valores y no se resuelven solo con datos, aunque la buena prescripción se apoya en buena evidencia causal. Cuando alguien afirma "Las empresas deben cuidar la salud mental de sus trabajadores" está entregando una opinión basada en valores o experiencia, pero no nos está proporcionando evidencia para justificar por qué debemos creer o seguir la afirmación. Del mismo modo, cuando alguien recomienda recomienda que "para retener talento, rediseña los puestos antes que subir sueldos" (un argumento prescritivo) tampoco está proporcionando evidencia que nos permita decidir por qué debemos creer esta recomendación. Por eso, como norma general, cuando escuches una opinión (argumento normativo) o una recomendación gerencial (argumento prescriptivo), pregunta en qué argumento causal se sostiene y qué evidencia empírica avala que ese argumento causal es verdadero. La mayoría de las modas en managemente no son más que prescripciones sin causa demostrada debajo. Otra cuestión importante es que predecir no es explicar. Un modelo puede predecir la rotación con precisión usando variables que no la causan (la antigüedad predice rotación, pero "tener poca antigüedad" no es la causa de renunciar; la prueba de selección universitaria predice el desempeño en la universidad pero no es la causa del desempeño). El problema es que para intervenir (modificar condiciones para influir en el comportamiento de las personas) necesitamos conocer causas, no basta con predictores. Por otro lado, para anticipar lo que pasará bastan los predictores.
Una hipótesis es la parte específica y contrastable de una teoría: la predicción concreta que los datos podrían refutar. En comportamiento organizacional una hipótesis empírica bien formulada tiene tres componentes mínimos: la variable independiente o predictora (o causa propuesta), la variable dependiente o de resultado y la dirección esperada de la relación. "La sobrecarga de trabajo se asocia negativamente con el bienestar de los analistas de un banco" cumple los tres; "el liderazgo influye en las personas" no cumple ninguno como es debido (¿qué aspecto del liderazgo?, ¿qué resultado?, ¿en qué dirección?).
La siguiente tabla muestra más ejemplos, con temas que veremos durante el curso:
| Hipótesis | Variable independiente | Variable de resultado | Dirección esperada | Conclusión |
|---|---|---|---|---|
| "El reconocimiento no monetario del jefe se asocia positivamente con el compromiso afectivo de los colaboradores" | Reconocimiento no monetario | Compromiso afectivo | Positiva | H bien formulada |
| "La ambigüedad de rol se asocia negativamente con el desempeño de tarea" | Ambigüedad de rol | Desempeño de tarea | Negativa | H bien formulada |
| "La relación entre presión de tiempo y creatividad tiene forma de U invertida: la creatividad aumenta hasta un punto y luego cae" | Presión de tiempo | Creatividad | Curvilínea (U invertida) | H bien formulada |
| "El trabajo híbrido reduce la intención de renunciar de los profesionales jóvenes" | Trabajo híbrido | Intención de renunciar | Negativa | H bien formulada |
| "La capacitación influye en el desempeño" | Capacitación (¿de qué tipo?) | Desempeño (¿de qué tipo?) | No declarada (¿lo mejora?, ¿lo empeora?) | H mal formulada |
| "El liderazgo impacta a los equipos" | Indefinida (¿qué aspecto del liderazgo?) | Indefinida (¿qué resultado del equipo?) | No declarada | H mal formulada |
| "La cultura organizacional es clave para el éxito" | Difusa ("cultura" sin dimensión específica) | Difuso ("éxito" sin definición medible) | No declarada | H mal formulada |
En la Ayudantía 1 vas a tener que formular hipótesis con esta estructura, así que guárdate la fórmula: predictora + resultado + dirección, redactada de modo que algún resultado posible la deje en evidencia.
Una hipótesis verdaderamente científica debe cumplir con una condición clave denominada falsabilidad (una idea que procede de Popper y la filosofía de la ciencia): una hipótesis científica es refutable, es decir, admite la posibilidad que los resultados muestren que es falsa. Si cualquier resultado imaginable es compatible con la afirmación ("el cambio genera resistencia, y si no la genera es porque la resistencia está latente"), entonces no tenemos realmente una hipótesis científica.
El área de gestión de personas está llena de afirmaciones de este tipo: suenan profundas, pero están construidas para que ningún dato pueda contradecirlas. Algunos ejemplos:
Fíjate en el patrón común: todas estas afirmación están planteadas de una manera que incluye una "salida de emergencia" que reinterpreta cualquier evidencia en contra como evidencia a favor. Cuando encuentres una afirmación así en una charla, un libro de management o una consultoría, ya sabes qué es: no es una hipótesis científica y, por lo tanto, no se basa en una teoría que puedas tomar en serio.
No basta con que un argumento sea falsable: hay argumentos falsables triviales y argumentos falsables brillantes. Gerring y Christenson (2017) proponen ocho criterios para evaluar la calidad de un argumento teórico:
| Criterio | La pregunta que responde |
|---|---|
| Precisión | ¿Está formulado sin ambigüedad, de modo que sepamos exactamente qué afirma? |
| Generalidad | ¿A cuántos casos o contextos aplica? (mientras más, mejor... si lo demás acompaña) |
| Acotamiento | ¿Declara sus condiciones de alcance, es decir, dónde NO aplica? |
| Parsimonia | ¿Explica mucho con poco? (la navaja de Occam: entre dos explicaciones igual de buenas, la más simple) |
| Coherencia lógica | ¿Sus partes son consistentes entre sí, sin contradicciones internas? |
| Conmensurabilidad | ¿Dialoga con el conocimiento acumulado, en vez de flotar como isla? |
| Innovación | ¿Aporta algo que no sabíamos? |
| Relevancia | ¿Importa para algo o para alguien? |
Ahora bien, estos criterios se sacrifican entre sí. Ganar generalidad suele costar precisión; ganar parsimonia puede costar realismo. Evaluar un argumento no es marcar una lista de cotejo sino juzgar si el paquete completo de sacrificios está bien elegido para el problema que se quiere resolver.
La gestión basada en evidencia (evidence-based management) es el uso concienzudo, explícito y juicioso de la mejor evidencia disponible, proveniente de múltiples fuentes, para tomar decisiones de gestión (Rousseau, 2006). Las fuentes típicas son cuatro: la literatura científica, los datos internos de la organización, la experiencia profesional y los valores e intereses de los afectados. El punto no es reemplazar el juicio del gerente por papers: es disciplinar ese juicio, igual que un médico integra la investigación clínica con lo que ve en su paciente.
No toda la evidencia pesa lo mismo. Una ordenación simple, de menor a mayor validez:
| Nivel | Tipo | Qué permite |
|---|---|---|
| 1 | Anécdota u opinión ("a mí me funcionó") | Punto de partida; no es evidencia |
| 2 | Caso o estudio descriptivo | Describir bien una situación; no generalizar |
| 3 | Estudio correlacional | Descubrir y descartar asociaciones; no establecer causas |
| 4 | Experimento aleatorizado | Hablar de causa con propiedad |
| 5 | Metaanálisis | La mejor estimación disponible del estado del conocimiento |
Un matiz sobre el primer nivel. La anécdota tiene un uso legítimo y uno ilegítimo: sirve para ilustrar un mecanismo (hacer visible y concreta la cadena de pasos que la teoría propone), pero no permite demostrar causalidad ni generalizar a otros casos. Un buen ejemplo convence a la audiencia; solo un buen diseño convence a la evidencia.
Una correlación indica que dos variables se mueven juntas; se expresa con un coeficiente r entre −1 y +1. En comportamiento organizacional, correlaciones en torno a .10 son pequeñas, .20 a .30 moderadas y útiles, y sobre .40, grandes. Que la satisfacción laboral se asocie con el desempeño (r ≈ .30; Judge et al., 2001) no permite afirmar si la satisfacción mejora el desempeño, si el buen desempeño produce satisfacción laboral, o si una tercera variable (un buen jefe, un buen puesto, entre otras) es la causa común a la satisfacció y al desempeño (y, por lo tanto, la correlación entre ambas variables es espúrea, pues se explica por una causa común). Para separar esas posibilidades se necesita un diseño experimental: experimentos con asignación aleatoria (random assignment), donde el azar garantiza que los grupos comparados sean equivalentes antes de la intervención. Acá viene una regla que también expliqué en clases: si la evidencia es correlacional, decimos "se asocia con"; solo si es experimental hablamos de "causa".
La gestión explica (causa, influye en, tiene efecto sobre) el desempeño: el experimento de India. Bloom et al. (2013) tomaron 28 plantas textiles de 17 empresas indias y asignaron por azar cuáles recibirían cinco meses de consultoría intensiva en 38 prácticas concretas de gestión (calidad, inventario, incentivos, planificación) y cuáles solo el diagnóstico inicial. Un año después, las plantas tratadas habían reducido sus defectos de calidad en 43%, bajado su inventario inmovilizado en 22% y aumentado su productividad total en 17%, lo que los autores traducen en unos 325 mil dólares de utilidad adicional por planta al año. Como la asignación fue aleatoria, la diferencia no puede atribuirse a que las plantas tratadas fueran mejores de antemano: la gestión causó el desempeño. Es un solo estudio, en una industria y un país; su valor está en que replica con diseño experimental lo que cientos de estudios correlacionales venían sugiriendo.
Chile en el mapa: el World Management Survey. El mismo equipo lleva dos décadas midiendo prácticas de gestión con entrevistas dobles-ciegas en miles de empresas manufactureras de tamaño medio y grande en 20 países. En una escala de 1 a 5, Chile promedia 2.83 (316 empresas entrevistadas): sobre Argentina (2.76) y Brasil (2.71), bajo México (2.92) y lejos de Estados Unidos (3.35) o Alemania (3.23) (Bloom et al., 2012). El detalle interesante para este curso: de los tres dominios medidos, Chile puntúa mejor en monitoreo de procesos (3.14) y peor en gestión de metas (2.72) e incentivos y personas (2.67). La brecha chilena está, precisamente, en la gestión de personas. La precaución también importa: es una muestra de manufactura mediana-grande, y el dato es descriptivo, no experimental.
La brecha saber-hacer. Rynes et al. (2002) aplicaron un test de 35 afirmaciones de verdadero o falso, todas con respuesta establecida por la investigación, a 959 profesionales de RRHH en Estados Unidos. El promedio acertó 20 ítems (57%), con un rango entre 26% y 86%. Las mayores brechas aparecieron justamente en selección de personas: por ejemplo, la mayoría subestimaba la validez de los test de habilidad cognitiva y sobreestimaba la de otras herramientas populares. Si esto les pasa a los especialistas, la moraleja no es la burla: es que la intuición gerencial, sin contrapeso de evidencia, falla de manera sistemática y predecible.
Qué está en debate. La gestión basada en evidencia tiene críticas serias que conviene conocer: la evidencia disponible proviene mayoritariamente de países anglosajones y su generalización a contextos como el chileno debe examinarse caso a caso; los metaanálisis heredan los defectos de los estudios que combinan; y hay preguntas gerenciales legítimas para las cuales todavía no existe evidencia de calidad. Honestidad epistémica: usar evidencia no garantiza acertar; aumenta la probabilidad de acertar, que es distinto y suficiente.
Se dice que... el dinero es el principal motivador de los trabajadores.
La evidencia muestra que... incentivos y motivación intrínseca predicen resultados distintos: los incentivos se asocian más con la cantidad de desempeño y la motivación intrínseca con su calidad (metaanálisis de 40 años; Cerasoli et al., 2014). El dinero importa, pero "principal" es insostenible como afirmación general.
Por qué persiste el mito: el dinero es visible, contable y fácil de administrar; la motivación intrínseca no. Y quien paga tiende a sobreestimar lo que compra.
Se dice que... el trabajador feliz es siempre más productivo.
La evidencia muestra que... la correlación media entre satisfacción laboral y desempeño es r ≈ .30 (Judge et al., 2001): una relación moderada, útil y probablemente bidireccional. Ni "siempre", ni automática, ni de tamaño espectacular.
Por qué persiste el mito: confirma lo que queremos creer y vende programas de "felicidad organizacional". La versión matizada no cabe en un eslogan.
Se dice que... la lluvia de ideas en grupo produce más y mejores ideas que pensar por separado.
La evidencia muestra que... los grupos interactivos generan menos ideas, y no de mejor calidad, que el mismo número de personas trabajando primero en forma individual (metaanálisis de Mullen et al., 1991). La secuencia "primero solo, después juntos" rinde más.
Por qué persiste el mito: las sesiones grupales se sienten productivas y nadie mide el contrafactual: cuántas ideas habrían salido trabajando solos.
Se dice que... para que alguien rinda, basta pedirle que "haga su mejor esfuerzo".
La evidencia muestra que... las metas específicas y difíciles producen mejor desempeño que las metas vagas tipo "hazlo lo mejor posible", uno de los hallazgos más replicados de la psicología organizacional (Locke & Latham, 2002). Lo replicaremos en vivo, con ustedes como participantes, en la clase 7.
Por qué persiste el mito: pedir "el mejor esfuerzo" es cómodo: no exige definir qué es un buen resultado ni comprometerse con un número.
Pide la evidencia. Frente a cualquier práctica, test, capacitación o consultoría, sólo tres preguntas son suficientes para filtrar la mayoría de la pseudociencia: ¿qué evidencia existe de que esto funciona?, ¿de qué tipo es (anécdotas, correlaciones, experimentos)?, ¿fue publicada en algún journal científico con revisión de pares o solo en una página web o columna de opinión de un consultor?
Distingue el nivel de la afirmación. Cuando leas que un estudio encontré que "X aumenta la productividad", pregunta si el estudio en cuestión tiene un diseño que permita concluir causalidad. Si es un estudio correlacional, la afirmación honesta es "X se asocia con productividad". Este hábito, solo, te pondrá por encima del 57% de Rynes et al. (2002).
Usa tus datos internos. La gestión basada en evidencia no es solo leer papers: tu organización produce datos de rotación, ausentismo, desempeño y clima que casi nadie analiza en serio. Antes de importar una moda, mide tu problema. Últimamente esta práctica se está fortaleciendo en las organizaciones a través de las técnicas de analítica de personas (people analytics). Es buena idea que aprendas de estos métodos.
Desconfía del "a mí me funcionó". Eso incluye tu propia experiencia. La memoria selecciona éxitos, olvida fracasos y no observa contrafactuales. La experiencia profesional es una fuente legítima de evidencia, pero es una entre cuatro, no la única.
Recomendación: siempre hazte preguntas del tipo "¿cómo sé que esto es verdadero?" y/o "¿cómo sabemos que funcionará?". No para desconfiar de todo o discutir innecesariamente, sino porque las organizaciones donde esa pregunta es normal toman mejores decisiones que aquellas donde incomoda.
Después de leer este apunte deberías poder:
Bloom, N., Eifert, B., Mahajan, A., McKenzie, D., & Roberts, J. (2013). Does management matter? Evidence from India. The Quarterly Journal of Economics, 128(1), 1–51. https://doi.org/10.1093/qje/qjs044
Bloom, N., Genakos, C., Sadun, R., & Van Reenen, J. (2012). Management practices across firms and countries. Academy of Management Perspectives, 26(1), 12–33. https://doi.org/10.5465/amp.2011.0077
Cerasoli, C. P., Nicklin, J. M., & Ford, M. T. (2014). Intrinsic motivation and extrinsic incentives jointly predict performance: A 40-year meta-analysis. Psychological Bulletin, 140(4), 980–1008.
Gerring, J., & Christenson, D. (2017). Arguments. En Applied social science methodology: An introductory guide (pp. 37–57). Cambridge University Press.
Judge, T. A., Thoresen, C. J., Bono, J. E., & Patton, G. K. (2001). The job satisfaction–job performance relationship: A qualitative and quantitative review. Psychological Bulletin, 127(3), 376–407.
Locke, E. A., & Latham, G. P. (2002). Building a practically useful theory of goal setting and task motivation: A 35-year odyssey. American Psychologist, 57(9), 705–717.
Mullen, B., Johnson, C., & Salas, E. (1991). Productivity loss in brainstorming groups: A meta-analytic integration. Basic and Applied Social Psychology, 12(1), 3–23. https://doi.org/10.1207/s15324834basp1201_1
Rousseau, D. M. (2006). Is there such a thing as "evidence-based management"? Academy of Management Review, 31(2), 256–269.
Rynes, S. L., Colbert, A. E., & Brown, K. G. (2002). HR professionals' beliefs about effective human resource practices: Correspondence between research and practice. Human Resource Management, 41(2), 149–174. https://doi.org/10.1002/hrm.10029
Sutton, R. I., & Staw, B. M. (1995). What theory is not. Administrative Science Quarterly, 40(3), 371–384. https://doi.org/10.2307/2393788