Capability Building
Toma de decisiones basada en datos: el sesgo esencial de 2026
Jul
La toma de decisiones basada en datos falla más seguido por un motivo psicológico que por falta de información: el sesgo de confirmación, la tendencia a notar y recordar lo que confirma una creencia previa, y a descartar lo que la contradice. Harvard Business Review lo ubica entre los errores más caros de la gestión ejecutiva, precisamente porque no se siente como un error: se siente como intuición confirmada, y por eso rara vez se cuestiona.
¿Por qué las organizaciones siguen confundiendo un patrón con una predicción?
Después de la final del Mundial 2026 (España venció a Argentina 1-0 en el alargue, con gol de Ferran Torres en el minuto 106), la teoría de que The Economist “lo predijo” corrió tan rápido como si fuera un hecho verificado, sin que casi nadie se preguntara cuántas señales parecidas no se cumplieron esa misma semana.
Ese es el patrón exacto que hace que un equipo directivo confunda una correlación con una causa, y pague por eso. Harvard Business Review documenta el caso de Target, que perdió más de USD 2.500 millones al intentar replicar en Canadá un modelo de expansión que había funcionado en Estados Unidos, y el de Zillow, que perdió más de USD 500 millones por confiar en un algoritmo de predicción de precios sin cuestionar sus supuestos. En ambos casos, el error de fondo fue el mismo: la toma de decisiones basada en datos se apoyó en una correlación como si fuera una relación causal probada.
La pregunta que casi nadie se hace antes de premiar un número
Antes de premiar, contratar o promover en base a un porcentaje, conviene hacerse tres preguntas: cuántos casos hay detrás de ese número, si la métrica mide el desempeño en condiciones fáciles o en condiciones difíciles, y qué decisión de negocio real se quiere tomar con ese dato. Un equipo que casi no enfrenta imprevistos va a mostrar mejores números que uno que absorbe toda la complejidad, no porque sea mejor, sino porque nunca fue puesto a prueba de verdad.
El error que más cuesta: mezclar dos preguntas distintas
Harvard Business Review identifica un segundo patrón, todavía más caro: mezclar la pregunta “qué tan bien funciona en promedio” con la pregunta “qué tan bien funciona bajo presión”. Si lo que se necesita es previsibilidad, hay que mirar la varianza. Si lo que se necesita es resiliencia, hay que mirar el desempeño bajo la mayor carga posible. Son dos preguntas distintas, y cada una pide un número distinto: mezclarlas es el punto donde la toma de decisiones basada en datos empieza a fallar.
Cuando la pregunta llega después del número
El problema no suele ser la falta de datos. Según HBR, muchas organizaciones tienen hoy más datos que nunca y, aun así, siguen tomando malas decisiones, porque la pregunta de negocio llega después del número, en vez de antes.
Lo que aprendemos en Capability Building
En Capability Building observamos que los equipos que peor separan correlación de causalidad no son los que tienen menos datos. Son los que tienen más, y no tienen ninguna estructura para priorizarlos. Es exactamente lo que trabajamos en Data Driven Decision Making, nuestro programa de toma de decisiones basada en datos: no se trata de sumar más reportes, sino de instalar las preguntas correctas antes de mirar el número, y de distinguir un patrón real de una coincidencia bien contada.
El verdadero punto de partida de una decisión basada en datos
Un patrón viral, un porcentaje impecable o una coincidencia bien contada van a seguir apareciendo. La diferencia la marca quién se detiene a preguntar cuántos intentos fallidos quedaron afuera de la historia antes de tomar una decisión basada en ese patrón.
Si reconocés este desafío en tu organización, podemos ayudarte a instalar una toma de decisiones basada en datos más sólida. Conversemos sobre cómo instalar ese hábito en tu equipo.
Preguntas frecuentes sobre toma de decisiones basada en datos
¿Qué es el sesgo de confirmación en la toma de decisiones?
Es la tendencia a buscar, interpretar y recordar la información de forma que confirme una creencia previa, y a descartar la evidencia que la contradice. En contextos de negocio, lleva a leer los datos como si ya se supiera la respuesta.
¿Por qué la correlación no implica causalidad?
Porque dos variables pueden moverse juntas por casualidad o por un tercer factor que las afecta a ambas, sin que una sea la causa de la otra. Confundirlas lleva a decisiones basadas en patrones que no se van a repetir.
¿Cómo se evita el sesgo de confirmación al analizar datos?
Buscando activamente la evidencia que podría contradecir la hipótesis inicial antes de darla por confirmada, y definiendo de antemano qué resultado haría cambiar de decisión.
¿Qué preguntas hay que hacerse antes de confiar en una métrica?
Cuántos casos sostienen el número, si la métrica mide condiciones fáciles o difíciles, y qué decisión de negocio se quiere tomar realmente con ese dato.
¿Qué errores reales causó la mala lectura de datos en empresas grandes?
Target perdió más de USD 2.500 millones al replicar en Canadá un modelo que funcionaba en Estados Unidos, y Zillow perdió más de USD 500 millones por confiar en un algoritmo sin cuestionar sus supuestos, según Harvard Business Review.
¿Cómo trabaja Capability Building la toma de decisiones basada en datos?
A través del programa Data Driven Decision Making, que entrena a los equipos a separar correlación de causalidad y a definir la pregunta de negocio antes de mirar el número, no después.
Fuentes
- Harvard Business Review (2017), “To Avoid Confirmation Bias in Your Decisions, Consider the Alternatives”
- Harvard Business Review (2024), “Where Data-Driven Decision-Making Can Go Wrong”
- El Imparcial (2026), “La portada de The Economist y la silla roja de Adidas no predijeron que España ganaría el Mundial 2026”