Cómo examinar la información antes de tomar una decisión
E
n un nuevo libro, recurro a las herramientas de investigación en ciencias sociales para desarrollar lo que yo llamo la “escalera de la inferencia errónea”, que clasifica la desinformación en cuatro pasos en falso. Este marco puede resultar útil para líderes de todo tipo, que necesitan gestionar sus propias avalanchas informativas.
El primer paso en falso es que una afirmación no es un hecho, porque puede no ser exacta. ¿Con qué frecuencia aceptamos una declaración tal como se presenta porque nos gusta lo que dice? Por ejemplo, mi investigación destaca los beneficios del gobierno corporativo y el valor del capitalismo de partes interesadas. Por ello, cuando me encontré con un informe de una influyente ONG, que afirmaba que las empresas con altos estándares ambientales, sociales y de gobierno corporativo (ASG o ESG, por sus siglas en inglés) superan a sus homólogas, estaba ansioso por aceptar esta afirmación acríticamente. El estudio incluía notas a pie de página que sugerían que había evidencia que lo respaldaba, por lo que fue tentador pensar que esto era suficiente y seguir adelante.
Pero el primer paso para un pensamiento más inteligente es verificar los hechos. En este caso, seguí la nota a pie de página sólo para descubrir que la fuente subyacente decía lo contrario de lo que afirmaba el informe. La nota a pie de página llevaba a un artículo titulado «Donde los criterios ASG fallan», y cuyo subtítulo afirmaba que «A pesar de innumerables estudios, nunca ha habido evidencia concluyente de que las pantallas socialmente responsables proporcionen alfa». Una nota al final de una oración no significa que la nota realmente respalde la oración: la afirmación no es un hecho.
El segundo problema es que un hecho no es un dato, porque puede no ser representativo. Los estudios de casos son un método de enseñanza popular y poderoso. Pero los gurús suelen elegir el ejemplo que ilustra el punto de la manera más destacada posible, ya que hace que la historia sea más memorable.
Nos encanta aprender de las historias de éxito, pero nunca se puede identificar lo que impulsó el éxito, a menos que también se estudie el fracaso. El conjunto de datos debe incluir empresas con la fórmula secreta que fracasaron, así como aquellas que no la tenían y que tuvieron éxito. Si solo se presentan aquellas que siguieron la fórmula y ganaron el premio mayor, entonces se tiene una muestra seleccionada.
La tercera advertencia es que los datos no son evidencia, porque pueden no ser concluyentes. Los datos a gran escala pueden ser representativos, pero son sólo un primer paso, porque los datos no son más que un conjunto de hechos. La evidencia es un conjunto de hechos que nos permite llegar a una conclusión. Para ello, no sólo es necesario respaldar su teoría, sino también rechazar teorías rivales, del mismo modo que las pruebas en un juicio penal sólo son significativas si señalan a un sospechoso en particular.
Siempre pregúntese si existen otras teorías que sean consistentes con los datos que tiene ante usted, en lugar de aceptar de inmediato la explicación que desea que sea cierta.
El último punto a tener en cuenta es que la evidencia no es una prueba, porque puede no ser universal. Incluso si la evidencia respalda un resultado a la perfección, puede que sólo lo haga en el contexto en el que se recopiló, y que no lo haga en ningún otro.
Según uno de mis estudios, las empresas con un alto grado de satisfacción de sus empleados superan a sus homólogas en un 2.3% y un 3.8% anual en rentabilidad bursátil a largo plazo, lo que equivale a un aumento acumulado del 89% al 184%, incluso después de controlar otros factores que impulsan la rentabilidad. Otros análisis sugieren que es la satisfacción de los empleados la que genera un buen rendimiento, en lugar de que un buen rendimiento permita a una empresa invertir en la satisfacción de los empleados.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
In a new book, I draw on the tools of social science research to develop what I call the “ladder of misinference,” which categorizes misinformation into four missteps. This framework can be useful to leaders of all kinds who need to manage their own information onslaughts.
The first misstep is that A STATEMENT IS NOT FACT, BECAUSE IT MAY NOT BE ACCURATE. How often do we take a statement at face value because we like what it says? For example, my research highlights the benefits of corporate governance and value of stakeholder capitalism. So when I came across a report from an influential NGO, claiming that high-ESG firms outperform their peers, I was eager to lap up this claim uncritically. The study included footnotes to suggest there’s evidence behind it, so it was tempting to think this is enough and move on.
But the first step to smarter thinking is to check the facts. In this case, I followed the footnote only to find that the underlying source said the opposite of what the report claimed. The footnote led to an article entitled “Where ESG Fails,” the sub-headline of which states that “Despite countless studies, there has never been conclusive evidence that socially responsible screens deliver alpha.” A footnote at the end of a sentence doesn’t mean that the footnote actually supports the sentence: The statement is not fact.
The second problem is that A FACT IS NOT DATA BECAUSE IT MAY NOT BE REPRESENTATIVE. Case studies are a popular and powerful teaching method. But gurus typically pick the one example that illustrates the point in the starkest possible way, as it makes the story most memorable.
We love to learn from success stories, but you can never identify what drove success unless you also study failure. The dataset needs to contain companies with the secret sauce who failed, and those without who succeeded. If you’re only given those who followed the formula and hit the jackpot, then you have a selected sample.
The third warning is that DATA IS NOT EVIDENCE, BECAUSE IT MAY NOT BE CONCLUSIVE. Large-scale data may be representative, but it is only a first step because data is merely a set of facts. Evidence is a set of facts that allows us to draw a conclusion. Doing so requires it not only support your theory, but also reject rival theories — just as evidence in a criminal trial is only meaningful if it pinpoints your particular suspect.
Always ask whether there are other theories that are consistent with the data in front of you, rather than jumping on the explanation you want to be true.
The final caveat is that EVIDENCE IS NOT PROOF, BECAUSE IT MAY NOT BE UNIVERSAL. Even if evidence nails a result perfectly, it may only do so in the setting in which it was gathered — it may not do so elsewhere.
One of my own studies found that the companies with high employee satisfaction outperform their peers by 2.3% to 3.8% per year in long-run stock returns — 89% to 184% cumulative — even after controlling for other factors that drive returns. Further analyses suggest that it is employee satisfaction that causes good performance, rather than good performance allowing a firm to invest in employee satisfaction.
Las claves para tener éxito con un nuevo jefe
Saber que tendrá un nuevo jefe puede despertar una mezcla de emociones: desde alivio y entusiasmo hasta frustración, inquietud y sensación de pérdida.
Nuestros consejos favoritos de gestión sobre cómo dar retroalimentación
A continuación, presentamos una selección de nuestros consejos favoritos sobre cómo dar (y pedir) retroalimentación.
Lo que las empresas internacionales pierden cuando la toma de decisiones gira en torno a la sede central
Cuando las organizaciones cierran la brecha entre la sede central y el resto, se generan mejores decisiones, mayor flujo de información y menos frustración derivada de trabajar alrededor del mundo.
