Pronóstico por clase de referencia

El pronóstico por clase de referencia predice el futuro a partir de lo que realmente ocurrió en proyectos anteriores similares, en lugar de basarse en tus planes detallados y tu intuición. Al estimar cuánto tardará un proyecto, la mayoría de las personas adopta una «perspectiva interna»: se centra en su situación concreta, las capacidades del equipo y los planes detallados, lo que lleva a predicciones demasiado optimistas porque pasamos por alto los problemas inesperados. La «perspectiva externa», en cambio, pregunta: «Cuando otras personas hicieron proyectos similares, ¿cuánto tardaron realmente?», y usa la distribución de esos resultados para hacer una predicción más realista. Por ejemplo, si estás organizando una boda y tu presupuesto detallado indica $15,000, pero una boda en tu zona cuesta de media $30,000 y la mayoría de las parejas supera su presupuesto, este método sugiere planificar un gasto más cercano a $30,000. Prueba esto: Antes de tu próximo proyecto personal, busca entre 3 y 5 ejemplos similares y anota qué ocurrió realmente en ellos, no qué se había planeado.

El pronóstico por clase de referencia sigue un proceso concreto de tres pasos. Primero, identificas una clase de referencia formada por proyectos anteriores similares: podrían ser migraciones de software, reformas de viviendas o campañas de marketing de tu sector. Segundo, estableces la distribución de los resultados reales de esa clase: ¿cuáles fueron los plazos de finalización, los costos o las tasas de éxito reales? Tercero, comparas tu proyecto con esa distribución para determinar el resultado más probable. Esto funciona porque la mayoría de los errores de predicción se debe al sesgo de optimismo y a la falacia de la planificación: tendencias sistemáticas a subestimar la complejidad, sobreestimar las capacidades e ignorar posibles problemas.

El enfoque funciona igual de bien para las decisiones personales: si estás entrenando para un maratón, fíjate en lo que realmente logran los corredores con una condición física y un programa de entrenamiento similares a los tuyos, en lugar de guiarte solo por lo que crees posible según tu motivación actual.

La idea clave es que, para predecir con precisión, la información sobre la distribución de los resultados —cómo suelen desarrollarse situaciones similares— importa más que los detalles de cada caso. Esto no significa ignorar tus ventajas particulares, sino partir de una base realista y ajustarla después según las diferencias reales. El método también revela cuándo realmente te faltan datos relevantes. Esa información es valiosa por sí misma: sugiere avanzar con cautela o adquirir más experiencia antes de comprometerte.

El pronóstico por clase de referencia surgió de las investigaciones de Kahneman y Tversky sobre la falacia de la planificación, que mostraron que las personas subestiman sistemáticamente el tiempo necesario para completar tareas, incluso cuando conocen este sesgo. Los estudios sobre grandes proyectos de infraestructura de transporte han encontrado que los sobrecostos son habituales (Flyvbjerg et al., 2002; 2004), lo que demuestra el carácter sistemático del sesgo de optimismo en la planificación. La distinción entre «perspectiva interna» y «perspectiva externa» se introdujo en los trabajos anteriores de Kahneman y Tversky sobre la predicción intuitiva y la falacia de la planificación.

Las evaluaciones empíricas han mostrado resultados variados, pero prometedores. Batselier y Vanhoucke (2016) encontraron que el pronóstico por clase de referencia mejoraba las predicciones de costos y duración frente a los métodos tradicionales, aunque su eficacia depende de manera decisiva de elegir clases de referencia adecuadas y disponer de suficientes datos históricos. Los investigadores señalan que una aplicación adecuada exige que las organizaciones superen la resistencia cultural a los puntos de partida «pesimistas».

Entre las principales limitaciones están la dificultad de definir clases de referencia adecuadas —el «problema de la clase de referencia»—, la disponibilidad de datos históricos de calidad y el reto de decidir cuándo un proyecto es realmente novedoso y cuándo solo se percibe como tal. Las investigaciones recientes se centran en usar el aprendizaje automático y las medidas de similitud para identificar clases de referencia relevantes de forma más sistemática.

El pronóstico por clase de referencia presenta varios retos prácticos y teóricos. El problema de la clase de referencia —decidir qué proyectos anteriores cuentan como «similares»— implica un juicio subjetivo, y distintas elecciones pueden generar predicciones muy diferentes. Encontrar datos históricos relevantes puede ser difícil, sobre todo para proyectos novedosos o en organizaciones que no registran sistemáticamente sus resultados. El método funciona mejor para tipos de proyectos bien definidos y con muchos antecedentes, como la construcción o el desarrollo de software, y peor para trabajos realmente innovadores. Algunos críticos señalan que basarse en fracasos anteriores puede desalentar la innovación o crear profecías autocumplidas si las organizaciones aceptan estimaciones infladas sin buscar mejoras. También hay resistencia política: los directivos y quienes impulsan los proyectos suelen rechazar las perspectivas externas por considerarlas demasiado pesimistas o por creer que no tienen en cuenta sus capacidades y circunstancias particulares.