Aprender rápido, experimentar, lanzar versiones tempranas y ajustar sobre la marcha. La frase de Reid Hoffman, cofundador de LinkedIn, que sostiene que “si no estás avergonzado de la primera versión de tu producto, lo lanzaste muy tarde” captura con claridad una lógica que se ha vuelto parte del discurso empresarial de las últimas décadas.
Los equipos hablan de pilotos, pruebas, iteraciones y aprendizaje continuo, pero cuando se intenta reconstruir qué se aprendió realmente de esas iniciativas, no siempre queda claro qué se estaba buscando probar, bajo qué condiciones algo se consideraría exitoso o fallido, ni qué decisión cambió a partir de lo que ocurrió.
Se ha experimentado, pero no necesariamente se han extraído lecciones claras de lo que se ha probado. Y eso es particularmente problemático para cualquier organización, porque experimentar sin aprender equivale a moverse sin acumular conocimiento. Si una empresa no logra entender qué funcionó, qué no y por qué, cada intento termina pareciéndose demasiado al anterior y la organización avanza sin construir una base más sólida para sus decisiones futuras.
Si no se aprende en el camino, ¿cómo puede una empresa tomar mejores decisiones la próxima vez?
Qué implica realmente la experimentación rigurosa
Cuando se habla de experimentación en sentido estricto, muchas veces se deja de lado lo esencial: que el propósito de experimentar es aprender y convertir ese aprendizaje en algo práctico que permita a la organización mejorar, adaptarse y tomar mejores decisiones en el futuro.
Y es que experimentar no consiste simplemente en hacer algo nuevo y observar qué ocurre, sino en diseñar una prueba bajo ciertas condiciones que permitan obtener información útil.
El primer elemento necesario es partir de una hipótesis clara que pueda ponerse a prueba. Una hipótesis es una afirmación provisional sobre cómo o por qué podría ocurrir algo, y que puede confirmarse o refutarse mediante evidencia. En el contexto empresarial, suele plantearse como una relación entre una acción y un resultado esperado.
Por ejemplo, una empresa de comercio electrónico podría preguntarse si ofrecer envíos gratuitos incrementa las compras en su plataforma. A partir de esa duda, formula la hipótesis: si eliminamos el costo de envío para pedidos mayores a cierto monto, aumentará la tasa de conversión de los usuarios que visitan la página.
A la hipótesis deben acompañarla criterios claros sobre qué resultados indicarían que la idea se sostiene y cuáles la contradicen. Siguiendo con el ejemplo, la empresa podría establecer que la hipótesis se considera válida si la tasa de conversión aumenta al menos un 10% durante el periodo de prueba. Si ese incremento no se observa —o si el aumento en ventas no compensa el costo del envío— entonces la hipótesis se considera refutada.
Como tercer elemento se suma la necesidad de acotar el riesgo: es decir, definir qué tanto se está dispuesto a afectar la operación mientras se realiza la prueba. En lugar de aplicar el cambio a todos los usuarios, la empresa podría lanzar el experimento solo para un pequeño porcentaje del tráfico de su sitio durante un periodo limitado de tiempo.
Empresas digitales como Amazon y Netflix realizan este tipo de experimentos constantemente mediante pruebas controladas conocidas como A/B testing. Un grupo de usuarios ve una versión del servicio (por ejemplo, con envío gratuito o con una interfaz distinta) mientras otro grupo continúa utilizando la versión original. Al comparar los resultados entre ambos grupos, la empresa puede entender con mayor claridad qué efecto tuvo realmente el cambio.
El experimento requiere un mecanismo para registrar lo que ocurre. En el ejemplo anterior, esto implicaría medir con precisión variables como la tasa de conversión, el valor promedio de compra o el impacto en los costos logísticos. De esta manera, independientemente de si la hipótesis se confirma o no, la organización obtiene información que puede guiar decisiones posteriores.
Sin estos elementos, lo que suele ocurrir es que se implementa una acción, se observan ciertos resultados y después se construye una interpretación que intenta explicar lo sucedido. El aprendizaje no está diseñado desde el inicio, sino que se arma después, muchas veces de forma parcial y con información incompleta.
Esa diferencia, que puede parecer sutil, es la que separa a una organización que acumula experiencias de otra que construye conocimiento.
Por qué muchos “experimentos” no enseñan demasiado
Es fácil pensar que cualquier resultado no deseado deja una lección valiosa y esta idea resulta cómoda para las organizaciones, porque reduce la presión de planear cuidadosamente sus experimentos. Dado que si todo error produce aprendizaje, entonces no parece tan necesario establecer hipótesis claras ni definir desde el inicio qué evidencias permitirían confirmarlas o refutarlas.
Sin embargo, la investigación muestra que no todos los fracasos generan conocimiento útil. En este sentido, el trabajo de Amy Edmondson, pionera en el estudio de la seguridad psicológica y profesora de la Harvard Business School, ofrece una distinción que ayuda a entender por qué muchos intentos de innovación producen tan poco aprendizaje organizacional.
En su libro Right Kind of Wrong, Edmondson distingue entre distintos tipos de fracaso para mostrar que no todos conducen a aprendizajes significativos. Algunos son errores básicos, que surgen de descuidos, falta de preparación o problemas de ejecución. Otros son fracasos complejos, donde múltiples factores interactúan de formas difíciles de anticipar. Pero existen también los fracasos inteligentes, que provienen de intentos deliberados por explorar algo que todavía no se conoce, bajo condiciones controladas y con una intención clara de aprender.
La investigadora encontró que son estos los que pueden ofrecer información y ampliar de manera más significativa lo que una organización entiende sobre su entorno o sobre su propio modelo, porque ocurren dentro de un proceso diseñado precisamente para generar conocimiento nuevo.
Este tipo de fracaso se produce cuando las organizaciones formulan hipótesis explícitas, delimitan el alcance del experimento y observan con atención lo que sucede, incluso —o especialmente— cuando el resultado no es el esperado. En esos casos, el valor del experimento no radica en haber acertado, sino en haber reducido la incertidumbre sobre una decisión futura.
Sin un diseño previo, en cambio, es mucho más probable que lo que se acumule sean errores evitables o aprendizajes difíciles de interpretar, en lugar de conocimiento que realmente pueda orientar lo que sigue. Y cuando una organización intenta innovar de forma sistemática, esto se vuelve crítico.
Aprender también implica revisar las preguntas
En muchos procesos de innovación el aprendizaje se entiende como una serie de ajustes progresivos: se prueba algo, se observa el resultado y se corrige la acción. Sin embargo, no todo aprendizaje ocurre en ese nivel.
Diversas investigaciones sobre innovación organizacional muestran que los procesos más efectivos combinan la experimentación con la capacidad de revisar los supuestos que guían las decisiones del negocio. En otras palabras, no solo se ajustan las acciones, también se examinan las ideas que llevaron a actuar de esa manera en primer lugar.
Este enfoque se conoce como aprendizaje de doble ciclo, un concepto desarrollado por los teóricos organizacionales Chris Argyris y Donald Schön. A diferencia del aprendizaje más habitual —que se limita a corregir errores dentro de un marco ya definido— el aprendizaje de doble ciclo implica cuestionar ese marco.
Si retomamos el ejemplo anterior, imaginemos que la empresa de comercio electrónico decide probar su hipótesis: ofrecer envíos gratuitos para compras superiores a cierto monto debería aumentar la tasa de conversión. La prueba se ejecuta durante algunas semanas con un grupo limitado de usuarios, pero los resultados muestran que el cambio apenas modifica el comportamiento de compra.
En un esquema de aprendizaje simple, el equipo podría limitarse a ajustar la acción: quizá modificar el monto mínimo para obtener el envío gratuito o extender la promoción durante más tiempo.
Pero el aprendizaje de doble ciclo abre una posibilidad distinta. En lugar de asumir que la idea era correcta y que solo necesita ajustes, el equipo podría preguntarse si el supuesto original era equivocado. Tal vez el costo de envío no era el principal obstáculo para los usuarios. Tal vez el problema está en el tiempo de entrega, en la claridad de la información del producto o incluso en la confianza que genera la plataforma.
En ese momento, el experimento deja de ser solo una prueba sobre una táctica específica y se convierte en una fuente de información sobre cómo los clientes toman decisiones. De esta manera, el aprendizaje no consistirá únicamente en corregir una acción, sino en comprender mejor el problema que se estaba intentando resolver.
Cuando ese cuestionamiento sobre los supuestos no ocurre, la experimentación tiende a quedarse en ajustes superficiales. Se optimizan acciones y se afinan procesos, pero los supuestos de fondo permanecen intactos, incluso cuando ya no describen adecuadamente lo que está ocurriendo en el entorno.
Las condiciones organizacionales dificultan el aprendizaje organizacional
Aunque este camino de experimentación que sí lleva al aprendizaje no es particularmente complejo, su aplicación suele chocar con la forma en que están diseñadas muchas organizaciones.
La presión por mostrar resultados en el corto plazo, los sistemas de evaluación que premian acertar más que aprender y la incomodidad frente a la incertidumbre dificultan sostener procesos que, por definición, no garantizan resultados inmediatos.
En este punto resulta útil la perspectiva de Nassim Nicholas Taleb, un ensayista, académico y ex gestor de banca e inversión que ha dedicado buena parte de su trabajo a estudiar cómo los sistemas reaccionan ante la incertidumbre, el error y los eventos impredecibles. En su libro “Antifragile”, Taleb plantea que existen sistemas frágiles, que se deterioran frente a la volatilidad, y sistemas antifrágiles, que mejoran gracias a ella. Y la diferencia está en cómo se relacionan con el error y la incertidumbre.
Un sistema frágil intenta eliminar cualquier desviación o resultado inesperado. Un sistema antifrágil, en cambio, se beneficia de pequeñas variaciones, errores limitados y pruebas constantes que le permiten adaptarse antes de enfrentar problemas mayores.
Desde esta perspectiva, la experimentación rigurosa puede entenderse como una forma de introducir ese tipo de variabilidad controlada dentro de la organización, la cual, a largo plazo, hará que la organización se fortalezca de este error e incertidumbre que implica experimentar y aprender más rápido sobre su entorno, sus usuarios y sus propios supuestos.
El problema es que muchas organizaciones siguen operando bajo una lógica que castiga el error y premia la previsibilidad. En ese contexto, los experimentos se vuelven difíciles de sostener, incluso cuando son una de las formas más efectivas de construir organizaciones capaces de adaptarse y de volverse antifrágiles.
Reid Hoffman –el cofundador de LinkedIn que sostiene que “si no estás avergonzado de la primera versión de tu producto, lo lanzaste muy tarde”– suele citarse como una invitación a moverse rápido. Pero la velocidad por sí sola no garantiza aprendizaje. Lo que realmente vuelve valiosa a la experimentación es la capacidad de convertir cada intento en información que permita ajustar decisiones, revisar supuestos y entender mejor lo que ocurre.
Cuando ese proceso se sostiene en el tiempo, lo que se construye no es solo una serie de iniciativas exitosas o fallidas, sino algo más profundo: capacidad adaptativa. Es decir, la habilidad de aprender sistemáticamente de lo que ocurre y usar ese aprendizaje para tomar mejores decisiones frente a un entorno incierto.
En ese contexto, la diferencia entre experimentar mucho y aprender realmente de lo que se prueba puede convertirse en una de las brechas más importantes entre las organizaciones que logran adaptarse y las que se quedan atrás.
