Método Delphi, un buen ejemplo de inteligencia colectiva en dos pasos

inteligencia colectiva

Este método combina la agregación estadística, que da pistas de lo que el grupo piensa mayoritariamente, con una deliberación mediada que incorpora la diversidad de puntos de vista, incluidos los minoritarios.

Esta técnica, concebida para favorecer la obtención de consensos entre un conjunto de personas expertas (o no, como ya explicaré), consiste en solicitar juicios anónimos sobre un tema o pregunta determinada mediante la aplicación de un cuestionario en rondas sucesivas, intercalando retroalimentación entre ellas con el resumen de las opiniones emitidas en cada ronda anterior. Este ciclo iterativo de respuesta individual-feedback colectivo-respuesta individual… se hace hasta conseguir un agregado grupal que se acerque al consenso gracias a la gradual supresión de la divergencia.

Lo peculiar del método Delphi — que recibe su nombre ni más ni menos que del Oráculo de Delphos — es que combina los beneficios de la opinión individual con los de la deliberación. Por eso me gusta decir que es un buen ejemplo de inteligencia colectiva en dos pasos. En el primero, los participantes dan su opinión de forma anónima e independiente, y así se consigue que no les afecte la influencia social. Después, en un proceso esencialmente de promedios estadísticos, se va tendiendo a la convergencia a través de rondas de feedback iterativo que incluyen (y esto es importante) no solo las medias o medianas de las respuestas del grupo sino también el intercambio de los argumentos de cada postura.

Aquí se combina la agregación estadística, para generar datos de referencia que den pistas de lo que el grupo piensa mayoritariamente, con una deliberación mediada (no hay deliberación directa, cara a cara) que permite conocer e incorporar toda la diversidad de puntos de vista, incluidos los minoritarios.

A modo de resumen, he aquí los tres rasgos básicos del método:

1) ANONIMATO: Solo quien coordina el ejercicio conoce la identidad de los participantes y quién responde qué. Esta característica me gusta especialmente, y es la que hace tan singular a este mecanismo de búsqueda de consenso. Hacerlo así evita, entre otras cuestiones, que individuos con una alta reputación condicionen la opinión de los demás, que es algo que pasa muchísimo en la deliberación “a cara descubierta”.

2) ITERACIÓN: Se realizan habitualmente hasta cuatro rondas, pero pueden hacerse más si es necesario para fraguar un consenso más robusto o enriquecer la reflexión colectiva.

3) RETROALIMENTACIÓN: En cada ronda se comparten los resultados grupales de la anterior para que los participantes puedan revisar sus opiniones a la luz de los argumentos que otros dieron para explicar sus decisiones. Esta retroalimentación incluye datos estadísticos para medir el grado de consenso que va alcanzando el grupo en cada momento, y también argumentos, discrepancias y convergencias entre participantes, que ayudan a cada uno a reevaluar las propias en las rondas sucesivas. Pero, claro, para que esto funcione debe evitarse presionar porque esto puede generar un consenso forzado.

La cifra máxima que suele manejarse, para que el ejercicio tenga éxito, es de 30 personas. Y el equipo o la persona que lo gestiona debe tener una formación específica, ya que se encargará de procesar las respuestas y devolver resúmenes que, además de agregados estadísticos —la mediana de las respuestas y medidas de dispersión—, incluirá un análisis de los aspectos que generan más discrepancias y los argumentos manejados por las distintas posturas, junto con el siguiente cuestionario que los participantes volverán a rellenar a partir  de la nueva información.

Por lo general las preguntas que se plantean en el método Delphi son cuantitativas y no cualitativas, ya que tienen que poder hallarse las medianas. Por ejemplo: «¿Cuánto se debería invertir en el proyecto X?».

El rango de dispersión de la respuesta grupal al final del ejercicio sirve para estimar la fiabilidad del pronóstico, puesto que a más convergencia entre las opiniones, más certeza de los resultados.

Una dificultad de este método radica en la identificación de los participantes. Habitualmente se buscan personas expertas en el tema de la consulta, y ese filtro puede adoptar lógicas arbitrarias. Es bastante posible caer en sesgos de selección que condicionen el resultado.

En mi opinión, ese riesgo es corregible si: 1) se extrapola esta metodología a paneles de individuos elegidos de forma aleatoria (no por invitación) que sean una buena representación del colectivo concernido en el problema, 2) se aumenta el número de participantes, acercándolo al máximo de 30 que comentamos antes, para que quepa suficiente diversidad en la muestra elegida.   

Otro reto es conseguir que estos ejercicios contribuyan realmente a la convergencia colectiva en torno a una respuesta o solución. La confianza en que las sucesivas rondas de opiniones y juicios anónimos permitirán que se acabe alcanzando un consenso a veces se ve frustrada.

NOTA: La imagen de la entrada es del álbum de Pexels en Pixabay.com. Si te ha gustado el post, puedes suscribirte para recibir en tu buzón las siguientes entradas de este blog. Para eso solo tienes que introducir tu dirección de correo electrónico en el recuadro de “suscribirse por mail” que aparece en la esquina superior derecha de esta página. También puedes seguirme por Twitter o visitar mi blog personal: Blog de Amalio Rey.

Experto en lnteligencia Colectiva y creación de redes y ecosistemas de innovación. Se dedica al diseño de arquitecturas participativas y al escalado eficaz de estos procesos. Autor del Canvas del Liderazgo Innovador, facilita proyectos e imparte formación sobre Design Thinking, Inteligencia Colectiva, Hibridación, Co-Skills, Co-Creación, y Ecosistemas 2.0 para innovar. Lidera proyectos de Arquitectura de la Información, redacción-web y diseño de contenidos digitales sobre innovación. Twitter: @arey Blogs: www.amaliorey.com y https://www.bloginteligenciacolectiva.com/

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

 

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.