Explorando nuevas formas de colaboración y trabajo en red

TOP

mayo 2014

Me preguntan a menudo en qué tareas o actividades la opción de activar mecanismos de inteligencia colectiva  funciona mejor. Siempre digo que depende de cómo se diseñen esos espacios, y de otros factores, pero creo que estoy en condiciones de identificar 7 tipos de problemas o desafíos en los que los proyectos abiertos y participativos parecen dar buenos resultados: Creatividad: La inteligencia colectiva es bastante eficaz en la generación de ideas. Mientras más gente está pensando, más probable es que se descubran soluciones creativas. Sesgos de evaluación: Actividades que son muy susceptibles a sesgos de selección y evaluación, por su relatividad o por intereses espurios. La Inteligencia Colectiva funciona bien en tareas de interpretación de datos que admiten muchas lecturas diferentes. Abrir el juicio a perspectivas dispares puede ayudar a atenuar el “sesgo de experto”, y a conseguir así una lectura más completa e imparcial. Vigilancia distribuida: Actividades en las que el coste de los fallos es elevado. Los posibles errores se detectan mejor si hay más gente revisando (Recuerda la Ley de Linus formulada por Eric Raymond: "Given enough eyeballs, all bugs are shallow"). Predicción: Tareas que consisten en predecir el futuro o estimar la probabilidad de acontecimientos, porque en principio los grandes números ayudan a anular cierto tipo de sesgos. Por ejemplo, responder a preguntas como estas: ¿qué producto va a tener más éxito? ¿qué tecnología es la más conveniente? Aquí me gustaría matizar que la predicción basada en la Inteligencia Colectiva funciona mejor como complemento, o en combinación, con la realizada por expertos. Otra opción es que el grupo de evaluadores esté formado por un número significativo de “expertos”, o sea, de personas que entiendan bien el problema. Pasión: Actividades donde el entusiasmo y la implicación marcan la diferencia. Desde luego que contar con gente comprometida, pro-am entusiasmados que participan sólo porque les motiva el reto, puede significar un plus de calidad difícil de medir. Sentido de comunidad: Proyectos donde hay “potencial de socialización” y la gente desea disfrutar de experiencias comunes. Aquí intervienen las emociones y la búsqueda de un sentido de pertenencia. Si el proyecto se mueve por territorios que despiertan “instintos socializantes” (compartir, charlar, mostrar, discutir, enseñar, intercambiar, etc.), puede ser un buen candidato para activar lógicas de Inteligencia Colectiva. Multidisciplinariedad: Problemas complejos que necesitan inputs de conocimientos diversos. Mientras más multidisciplinar sea el problema, más aporta la inteligencia colectiva porque la gente se autoselecciona y así no dejamos fuera ningún punto de vista que pueda añadir

La naturaleza puede inspirarnos para explorar patrones de interacción emergentes que ayuden a entender mejor los modelos de Inteligencia Colectiva en grupos humanos. Steven Johnson, en su libro“Sistemas emergentes” (2001), demuestra de forma magistral cómo esa conexión (llamada Biomimesis o Biomimética) está cargada de metáforas. La web Ask Nature, del Biomimicry Institute, reúne a su vez cientos de ejemplos de asociaciones de ese tipo. En su momento comenté que una de la cosas que me agradó de la Collective Intelligence Conference celebrada por el MIT en Abril de 2012 fue escuchar a Deborah Gordon (Stanford) y Ian Couzin (Princeton), dos “etólogos” o “biólogos del comportamiento” (Behavioral Biology), que es una rama de la biología que se dedica al estudio de los patrones de comportamiento de los animales en sus hábitats naturales. No son “biólogos” en su sentido clásico sino grupos multidisciplinares que hacen un uso creciente de las matemáticas y de las ciencias de la computación, así como de dispositivos de tracking y geolocalización para investigar el comportamiento colectivo de los enjambres, o “Swarm Intelligence”, una rama de la Inteligencia Artificial que se basa en el comportamiento colectivo de sistemas descentralizados y auto-organizados. Gordon estudia el sistema de forrajeo en las colonias de hormigas de Estados Unidos y Argentina como modelo de análisis de interacciones colectivas complejas. Mientras que Couzin ha elegido a los peces para testar a pequeña escala hipótesis relacionadas con las dinámicas grupales. Quedé fascinado con el experimento que contó Couzin en la Conferencia, y que comentaré en otro post. Los ejemplos que aportan estos investigadores deben ser examinados con cautela a la hora de extrapolar a colectivos humanos conclusiones extraídas de estudiar agregaciones de (otros) animales. Sin duda que somos mucho más complejos que otras especies. Pero el hecho de que una hormiga, una langosta o un grillo sean como individuos mucho menos inteligentes que un ser humano puede explicar que tengan la necesidad de unirse y buscar mecanismos colectivos que aumenten la inteligencia grupal como comunidad. En el caso opuesto estamos las personas, que nos creemos tan listos individualmente que hemos llegado a pensar que con eso basta, que con ese “egoísmo (tan) inteligente” será suficiente para que las cosas nos vayan bien como especie, y quién sabe si éste puede ser un error fatal. La especie humana es tan inteligente a escala individual que añade un exceso de complejidad a los sistemas, así que es probable que la única manera de encontrar un equilibrio socialmente óptimo es poniéndonos de

Cuesta poner en duda la superioridad de las redes para actividades como el aprendizaje colaborativo (tipo “comunidades de práctica”), la experimentación de nuevos abordajes culturales,  la generación de ideas, o movilizarse a favor de alguna reivindicación colectiva. Pero qué pasa cuando el desafío consiste en poner a trabajar juntas a muchas personas para conseguir unos resultados determinados dentro de unos plazos y unos costes, y que lo hagan además cultivando una relación continuada. Me refiero a redes “productivas” y “estables”, o sea, un modelo reticular, sin lazos orgánicos, que se plantea trabajar por proyectos dentro de unos plazos, y que pueda superar en eficacia a la empresa. Según mi experiencia, esas condiciones solo pueden cumplirse si concebimos redes de orden superior, algo más que “redes” ordinarias, y que por eso habría que llamarlas de un modo distinto, para distinguirlas de las basadas en lazos débiles, que son buenas para propiciar conexiones aleatorias y creativas, pero no para servir productos y servicios, o gestionar proyectos complejos. A esas redes de orden superior me gusta llamarlas “comunidades”, y lo que las diferencia de una red cualquiera es que sus miembros consiguen desarrollar un sentido de pertenencia, que contribuye a que las “fuerzas centrípetas” que favorecen la estabilidad y cohesión de grupo superen en intensidad neta a las “fuerzas centrífugas” que potencian lógicas más egoístas. De hecho, las buenas comunidades son las que consiguen gestionar muy bien esa tensión que se produce entre el yo-socializador y el yo-individualista. En cualquier caso, lo que yo digo es que no se consigue una red cohesionada, estable y productiva sin sentido de pertenencia; y que éste no debería plantearse como un acto de renuncia tan doloroso, ni que implique suponer que una entidad superior trasciende a las personas como individuos. Lo bueno de las comunidades sanas es que el sentido de pertenencia responde a una elección voluntaria, porque a los miembros del grupo les gusta ser parte de esa red, compartir inquietudes comunes y un sentido vital de propósito. Y lo que es más importante, ese vínculo se forja sobre un principio insoslayable: bajas barreras a la salida, nada de ataduras, libertad para dejarlo cuando quieras sin un coste emocional y/o material significativo. Esto último es fundamental para que el sentido de pertenencia sea auténtico, aunque eso no quiere decir que estemos liberados de hacer ciertas renuncias. No conozco ninguna comunidad que funcione bien, que rinda y sea productiva, construida sólo

Traigo aquí una versión de un artículo que publiqué en la web de eMOTools hace casi un año: “¿Qué factores predicen que un grupo sea más inteligente?”, porque encaja con la temática de este blog y complementa otras entradas. Fue uno de los temas más citados en la MIT Collective Intelligence Conference 2012 celebrada en Cambridge (Boston) hace dos años, a partir de una investigación realizada por un equipo del que formaban parte Anita Woolley (Carnegie Mellon) y Christopher Chabris (Union College/MIT), entre otros, cuyos resultados fueron publicados por la revista Sciencecon un notable impacto mediático. Por explicarlo en pocas palabras,  se trata de constatar si del mismo modo que existe un Coeficiente Intelectual (CI o IQ) que estima a través de tests el grado de inteligencia individual, puede haber algún factor que mida y explique de forma equivalente la “inteligencia grupal” como una capacidad para resolver tareas por un equipo. De ahí nació el llamado “Factor-C”, que sería el homólogo a escala grupal del coeficiente-IQ. El experimento se hizo con 699 voluntarios, que formaron 192 grupos de dos a cinco personas cada uno, a los que les asignaron tareas cognitivas de distinta naturaleza y elegidas a partir de la taxonomía de Joe McGrath sobre tareas en grupo (Ver artículo en PDF de Susan G. Straus “Testing a Typology of Tasks”). Después de recopilar los resultados del trabajo con los paquetes de tareas, se compararon esos datos con los de las pruebas de inteligencia individual realizadas previamente a los participantes y con distintos atributos que tenían los miembros de los grupos (género, edad, motivación, sociabilidad, etc.). La conclusión más relevante fue que ni la inteligencia-media del grupo (Promedio del coeficiente IQ de los miembros), ni la inteligencia máxima (el IQ más alto entre los sujetos del grupo) eran buenos indicadores para predecir la inteligencia grupal (Factor-C), o sea: “Just getting a lot of smart people in a group does not necessarily make a smart group”. Por otro lado, algunos factores que se usan típicamente para explicar la inteligencia grupal como la “cohesión del grupo”, la “felicidad del grupo” o el “grado de entusiasmo” resultaron tener un impacto mucho menor de lo que se creía; mientras que los tres elementos que mejor predecían la inteligencia grupal fueron: 1) El grado medio de habilidad social de los miembros, 2) Una participación o conversación distribuida dentro del equipo, 3) Un mayor número de mujeres. El efecto conjunto de esos tres ingredientes conseguía explicar más