Decidir con conocimiento incompleto

La decisión puede preceder a la resolución de una controversia

Un servicio debe reorganizar el seguimiento de personas que acumulan interrupciones de atención. Existen varias explicaciones compatibles con los registros: dificultades transitorias de agenda, barreras persistentes de acceso o un deterioro que requiere una respuesta más intensa. La información disponible no permite asignar con seguridad cada caso a una explicación. Entretanto, mantener el procedimiento actual también tiene consecuencias. La pregunta práctica consiste en elegir una acción justificable y definir cuándo revisarla, sin presentar la incertidumbre como si hubiera desaparecido. La decisión puede estar mejor sustentada que una afirmación sobre cuál de las explicaciones es verdadera, porque algunas acciones funcionan razonablemente bajo varias de ellas.

El caso de este capítulo es sintético y organizacional. Las acciones representan formas abstractas de seguimiento y las pérdidas son unidades didácticas; no corresponden a tratamientos ni a resultados observados. Se comparan una modificación mínima, una respuesta intermedia reversible y una reorganización intensa difícil de deshacer. Las explicaciones posibles determinan escenarios de consecuencias, pero no se supone que agoten todos los mecanismos reales. Esta separación entre ejemplo formal y decisión clínica concreta permite examinar criterios de incertidumbre sin convertir una tabla inventada en una recomendación asistencial.

La incertidumbre de modelo aparece cuando varias representaciones asignan consecuencias diferentes a la misma acción. Puede coexistir con incertidumbre sobre parámetros dentro de cada representación y con desacuerdo acerca de cómo valorar resultados. Mezclarlas impide saber qué información ayudaría. Una nueva observación puede discriminar entre modelos sin resolver una preferencia sobre carga de seguimiento. Una conversación puede aclarar prioridades sin cambiar la estimación de probabilidades. El análisis debe localizar la duda que determina la decisión, porque no todas las incertidumbres requieren más datos ni todas las discrepancias se resuelven mediante cálculo.

Lempert y Collins (2007) comparan enfoques robustos, óptimos y precautorios en una simulación de un problema ambiental con umbrales inciertos. Su trabajo ofrece un antecedente metodológico sobre sensibilidad a supuestos y conservación de opciones. No aporta evidencia clínica sobre las acciones del caso. Aquí se desarrolla una matriz distinta, con cuentas explícitas, para mostrar qué cambia al elegir un criterio. La transferencia válida reside en la estructura de la comparación; las pérdidas, las probabilidades y la aceptabilidad de las acciones tendrían que establecerse específicamente antes de cualquier aplicación real.

Una matriz de consecuencias hace discutibles los supuestos

Se consideran tres escenarios. En el primero predomina una dificultad transitoria y la respuesta mínima basta; en el segundo existe una barrera persistente; en el tercero una interrupción extensa tiene consecuencias mayores. La siguiente tabla contiene pérdidas totales hipotéticas. Incluye tanto resultados desfavorables como cargas de implementar la acción. Valores menores son preferibles. La respuesta intensa puede producir pérdidas por carga y desplazamiento de recursos cuando el problema es transitorio, aunque resulte útil en el escenario más exigente.

La tabla obliga a preguntar cómo se obtuvieron las cantidades. En este ejemplo se fijan por construcción para facilitar la comparación. En una decisión real deberían relacionarse con resultados definidos y preferencias explícitas. No sería suficiente reunir puntuaciones de gravedad, horas de trabajo y costos monetarios en una suma sin explicar la transformación. Algunas consecuencias pueden mantenerse separadas y tratarse como restricciones. Por ejemplo, una acción que excede una carga aceptable podría descartarse aunque tenga una pérdida media favorable. La formalización ayuda cuando conserva las razones de la decisión, no cuando las oculta bajo una unidad artificialmente precisa.

Tampoco debe suponerse que cada escenario sea una descripción completa del mundo. Representa un conjunto de condiciones que alteran la comparación. El escenario transitorio puede incluir distintos mecanismos con consecuencias parecidas para las acciones consideradas. Esta agrupación resulta útil si las diferencias internas no cambian la decisión. Si una variación dentro del escenario invierte el orden de las acciones, la agrupación necesita revisarse. El detalle de los escenarios se decide por su relevancia para la elección, de modo semejante a como el detalle de un modelo explicativo se decide por la pregunta que pretende responder.

Una primera comprobación busca dominancia. Una acción domina a otra si tiene pérdidas no mayores en todos los escenarios y menores en alguno. En la tabla no existe dominancia: cada acción intercambia ventajas entre escenarios. Este resultado explica por qué no hay una respuesta única sin un criterio adicional. Si se hubiera encontrado una acción dominada y no existieran consecuencias omitidas relevantes, podría eliminarse de la comparación. Pero una aparente dominancia puede desaparecer al incorporar una carga que la tabla ignoraba. La revisión de consecuencias precede a cualquier reducción automática del conjunto de opciones.

import numpy as np
import math

loss = np.array([[1., 6., 18.],
                 [4., 5., 8.],
                 [9., 4., 3.]])
for i in range(3):
    for j in range(3):
        if i != j:
            assert not (np.all(loss[i] <= loss[j]) and
                        np.any(loss[i] < loss[j]))
print('Ninguna acción domina a otra en los escenarios especificados')

Pérdida esperada y dependencia de las probabilidades

Supóngase que el equipo asigna probabilidades de seis décimas, tres décimas y una décima a los escenarios. La pérdida esperada se obtiene ponderando cada fila por esas probabilidades. La modificación mínima tiene pérdida esperada de cuatro coma dos; la respuesta intermedia, cuatro coma siete; la reorganización intensa, seis coma nueve. Bajo esas cantidades y una preferencia por minimizar la esperanza, se elige la primera acción. El cálculo no significa que produzca siempre el mejor resultado. Acepta una pérdida elevada en el tercer escenario a cambio de mejores consecuencias en el escenario considerado más probable.

weights = np.array([0.6, 0.3, 0.1])
expected = loss @ weights
assert np.allclose(expected, [4.2, 4.7, 6.9])
assert int(np.argmin(expected)) == 0
print(expected)

Las probabilidades deben tener una interpretación. Pueden expresar una distribución posterior bajo un modelo explícito, frecuencias en una población comparable o juicios estructurados con incertidumbre. No conviene presentarlas como datos observados si proceden de deliberación. También pueden ser demasiado inciertas para sostener una única ponderación. En ese caso se puede explorar un conjunto de distribuciones plausibles. El objetivo no es desacreditar la expectativa matemática, sino mostrar cuánto depende la elección de cantidades discutibles. Una decisión con una ventaja pequeña y muy sensible merece una justificación distinta de otra que se mantiene bajo variaciones amplias.

Una comparación algebraica identifica el punto de cambio entre las acciones mínima e intermedia. La diferencia de pérdidas entre la primera y la segunda es menos tres en el primer escenario, uno en el segundo y diez en el tercero. La acción mínima resulta preferible cuando la suma ponderada de esas diferencias es negativa. Esta expresión muestra que aumentar ligeramente el peso del escenario de consecuencias mayores puede invertir la decisión. No hace falta repetir una simulación compleja para reconocer la sensibilidad: la tabla contiene una frontera que puede examinarse directamente.

Si se mantiene la probabilidad del segundo escenario en tres décimas y se traslada peso del primero al tercero, la igualdad se alcanza cuando la probabilidad del tercero es aproximadamente trece coma ocho por ciento. La elección inicial utilizaba diez por ciento. Una diferencia pequeña en esa asignación basta para cambiar la preferencia. El resultado sugiere investigar qué sostiene la probabilidad del escenario más costoso o aceptar una acción menos sensible. No permite decidir por sí solo cuál de ambas estrategias corresponde; para ello importan el costo de obtener información y las consecuencias de esperar.

switch_probability = 1.8/13
test_weights = np.array([0.7-switch_probability, 0.3,
                         switch_probability])
assert math.isclose(float((loss[0]-loss[1]) @ test_weights), 0.0,
                    abs_tol=1e-12)
print(switch_probability)

Robustez respecto de un conjunto declarado

Un criterio conservador elige la menor pérdida máxima entre escenarios. En la tabla, los máximos son dieciocho, ocho y nueve. La respuesta intermedia resulta preferible. Este criterio protege frente al peor escenario incluido para cada acción, sin asignarle una probabilidad. Puede ser razonable cuando las consecuencias son importantes y las probabilidades poco defendibles. También puede resultar excesivamente sensible a un escenario extremo mal justificado. La calidad de la decisión depende entonces de cómo se construyó el conjunto de escenarios, no solo de la operación de tomar un máximo.

Otra comparación utiliza arrepentimiento: la diferencia entre la pérdida de una acción y la menor pérdida que habría sido posible si se conociera el escenario. En este contexto, arrepentimiento es un término técnico y no una predicción de una emoción. Los mejores resultados por escenario son uno, cuatro y tres. Los arrepentimientos máximos de las acciones son quince, cinco y ocho. La respuesta intermedia vuelve a ser elegida. La coincidencia entre ambos criterios ocurre en esta matriz; no constituye una identidad general. Los criterios responden a preguntas diferentes y pueden discrepar con otras consecuencias.

worst_loss = loss.max(axis=1)
regret = loss-loss.min(axis=0)
worst_regret = regret.max(axis=1)
assert np.allclose(worst_loss, [18, 8, 9])
assert np.allclose(worst_regret, [15, 5, 8])
assert np.argmin(worst_loss) == np.argmin(worst_regret) == 1
print(regret, worst_loss, worst_regret, sep='\n')

La robustez siempre tiene un dominio. La respuesta intermedia es robusta frente a los tres escenarios y las pérdidas especificadas. Si todos omiten una consecuencia importante, la conclusión puede fallar. Por ejemplo, una intervención aparentemente reversible podría comprometer confidencialidad de forma difícil de reparar. Esa consecuencia no se corrige describiendo el análisis como conservador. Debe incorporarse o convertirse en una restricción previa. La exposición de escenarios permite discutir omisiones, pero no certifica que se hayan imaginado todas. Por eso conviene acompañar la elección con condiciones observables de revisión.

La conservación de opciones ofrece una razón adicional para preferir una acción intermedia, aunque debe cuantificarse cuando sea decisiva. Una modificación que puede ampliarse o retirarse con poca carga permite aprender del seguimiento sin comprometer de inmediato recursos duraderos. Sin embargo, reversibilidad no significa ausencia de costo. Retirar una medida puede dejar expectativas, alterar relaciones o consumir tiempo que no se recupera. Una acción también puede ser técnicamente reversible y organizacionalmente difícil de cambiar. El análisis debe describir qué se puede deshacer, cuánto tarda y qué consecuencias permanecen después.

El valor de observar antes de comprometerse

La incertidumbre no justifica recoger cualquier información. Una observación tiene valor para la decisión cuando puede cambiar la acción de una manera que mejore las consecuencias esperadas, considerando sus costos. Si todas las respuestas posibles conducen a la misma acción, su valor instrumental inmediato puede ser nulo, aunque conserve interés científico. Esta distinción ayuda a ordenar mediciones que compiten por tiempo y atención. También impide presentar una recopilación extensa de datos como una solución general a la incertidumbre. El contenido de la observación importa más que su volumen.

Con las probabilidades iniciales, conocer perfectamente el escenario permitiría elegir la mejor acción en cada columna. La pérdida esperada sería dos coma uno, frente a cuatro coma dos sin información adicional. La diferencia, dos coma uno, es el valor esperado de información perfecta dentro del modelo. Constituye un límite superior para una medición que solo informa sobre esos escenarios y no produce otros beneficios. Si obtenerla costara más que ese valor, no se justificaría por esta decisión bajo las cantidades establecidas. El cálculo no valora conocimiento en general; valora una posibilidad específica de mejorar una elección.

perfect_loss = float(loss.min(axis=0) @ weights)
perfect_information_value = float(expected.min()-perfect_loss)
assert math.isclose(perfect_loss, 2.1)
assert math.isclose(perfect_information_value, 2.1)
print(perfect_loss, perfect_information_value)

La información real suele ser imperfecta. Supóngase una observación binaria cuya probabilidad de resultado positivo es una décima en el escenario transitorio, cuatro décimas en el persistente y ocho décimas en el tercero. Puede imaginarse como una comprobación administrativa de una barrera, sin asignarle validez clínica. La probabilidad total de un resultado positivo es veintiséis centésimas. Mediante la regla de Bayes se actualizan los pesos de los escenarios. Un resultado positivo no identifica con certeza el escenario más exigente: también puede aparecer en los otros. La interpretación conserva esa mezcla en lugar de convertir la señal en una clasificación definitiva.

likelihood_positive = np.array([0.1, 0.4, 0.8])
prob_positive = float(weights @ likelihood_positive)
posterior_positive = weights*likelihood_positive/prob_positive
posterior_negative = weights*(1-likelihood_positive)/(1-prob_positive)
assert math.isclose(prob_positive, 0.26)
positive_losses = loss @ posterior_positive
negative_losses = loss @ posterior_negative
assert np.argmin(positive_losses) == 2
assert np.argmin(negative_losses) == 0
informed_loss = (prob_positive*positive_losses.min() +
                 (1-prob_positive)*negative_losses.min())
assert math.isclose(informed_loss, 3.24)
assert math.isclose(expected.min()-informed_loss, 0.96)
print(posterior_positive, posterior_negative, informed_loss, sep='\n')

La política condicionada elige la reorganización intensa tras una señal positiva y la modificación mínima tras una negativa. Su pérdida esperada es tres coma veinticuatro. La ganancia bruta frente a decidir sin la observación es noventa y seis centésimas. Si observar cuesta media unidad y no retrasa de forma relevante la acción, la ganancia neta es cuarenta y seis centésimas. Pero si la demora añadiera una pérdida de una unidad, el balance cambiaría. El valor de información depende de su oportunidad y de la posibilidad real de actuar según el resultado, no solamente de su capacidad para discriminar escenarios.

La política calculada presupone que se puede implementar la acción intensa después de la señal. Si esa opción requiere contratar personal con meses de anticipación, la observación tardía no permite ejecutar la rama prevista. El árbol de decisiones debe incluir restricciones temporales y capacidad. Una estrategia que parece adaptativa en una tabla puede ser inviable en la práctica. Para conservar opciones es necesario preparar de antemano aquello que hará posible cambiar de acción, y registrar el costo de esa preparación. La flexibilidad tiene un soporte material que no aparece por el mero hecho de dibujar una rama adicional.

Secuencias adaptativas y condiciones de cambio

Una secuencia adaptativa especifica qué se hace ahora, qué se observa y bajo qué condición se modifica la acción. En el caso, el servicio puede iniciar una respuesta intermedia que permita recuperar contacto, revisar la barrera de acceso en un plazo definido y decidir si intensifica o reduce la intervención organizacional. El seguimiento no se deja a la impresión de que «las cosas van mejor». Debe indicar resultados observables, momentos de evaluación y personas responsables de revisar. También necesita una vía para información inesperada que no encaje en las condiciones previstas. La regla orienta el juicio sin sustituirlo por un automatismo ciego.

Un umbral de cambio debe relacionarse con consecuencias, no únicamente con una variación estadística. Una fluctuación pequeña dentro del error de medición puede no justificar reorganizar recursos; una señal de daño importante puede requerir respuesta aunque todavía no alcance significación en una serie. El criterio debe ser proporcional al tipo de consecuencia y al costo de esperar. En situaciones asistenciales reales, las obligaciones de atención y las evaluaciones profesionales pertinentes limitan las acciones admisibles. El ejemplo formal no autoriza retrasar una respuesta necesaria para obtener una observación más informativa.

La adaptación puede utilizar más de una condición. Se puede mantener la medida mientras la carga sea tolerable y exista una señal de utilidad, revisarla si aumenta la carga y suspender una parte si aparece un efecto adverso. Estas condiciones deben distinguirse porque una misma puntuación global podría compensar indebidamente un daño con una mejora en otro resultado. El seguimiento por componentes permite saber qué motiva el cambio. También facilita explicar a las personas implicadas qué se está intentando conseguir y cómo sus preferencias pueden modificar la secuencia, sin presentar el plan como una obligación irreversible.

La frecuencia de revisión merece una justificación temporal. Evaluar demasiado pronto puede confundir un periodo de ajuste con fracaso; evaluar demasiado tarde puede prolongar una carga innecesaria. El intervalo depende de cuánto tarda la acción en producir consecuencias, de cuán rápido puede aparecer un daño y de la capacidad para detectarlo. Si esos tiempos son inciertos, se pueden adoptar revisiones iniciales más próximas y espaciar después cuando exista información suficiente. La adaptación del seguimiento debe quedar documentada, para distinguir una decisión razonada de cambios improvisados que luego resultan imposibles de interpretar.

Aprender del seguimiento no convierte la atención en un experimento

Observar consecuencias de una decisión clínica forma parte de una atención responsable, pero no garantiza identificación causal. Una persona puede mejorar después de una modificación por evolución espontánea, regresión hacia valores habituales, cambios simultáneos o diferencias en cómo se registra el resultado. La secuencia temporal aporta información y puede justificar revisar la atención, aunque no permita atribuir toda la mejora a una acción. El análisis debe evitar dos extremos: ignorar cualquier aprendizaje de la experiencia o convertir cada cambio observado en una prueba causal concluyente.

Una intervención diseñada principalmente para producir conocimiento generalizable plantea exigencias distintas de un ajuste orientado al beneficio de una persona. La clasificación concreta depende del diseño, de su finalidad y del marco institucional aplicable. No corresponde resolverla únicamente con una etiqueta como «innovación» o «seguimiento». Si se propone asignar acciones de manera sistemática para comparar sus efectos, debe examinarse la gobernanza y las revisiones pertinentes antes de ejecutarla. El principio operativo aquí es mantener explícito el propósito de cada decisión y evitar introducir manipulaciones por interés analítico bajo la apariencia de atención ordinaria.

La transparencia sobre cambios previstos también ayuda a interpretar resultados. Nosek y colaboradores (2018) distinguen análisis especificados antes de observar resultados de aquellos que se originan después. Ese criterio es metodológico y no convierte un registro previo en autorización ética. En un proyecto evaluativo, registrar hipótesis y reglas de análisis permite reconocer modificaciones y exploraciones. En el seguimiento clínico, documentar por qué se cambió una acción preserva continuidad y responsabilidad. Ambas prácticas pueden coexistir, pero cumplen funciones diferentes. Ninguna sustituye la evaluación de consecuencias para la persona.

Si se aprende que una barrera administrativa era distinta de la prevista, la respuesta no consiste en mantener el plan para proteger la pureza del análisis. Se revisa la atención dentro de sus obligaciones y se registra que cambió la intervención o la población relevante. La inferencia científica puede volverse más limitada, pero describirá mejor lo ocurrido. Un diseño que solo produce resultados interpretables cuando se ignora información importante para la atención está mal alineado con el contexto. La posibilidad de revisión debe anticiparse desde el comienzo, junto con la forma de analizar sus consecuencias.

Cuando las preferencias cambian la comparación

Las pérdidas de la matriz no son hechos naturales independientes de las personas. Una respuesta intensa puede resultar aceptable para alguien que prioriza continuidad y muy gravosa para quien necesita proteger tiempo laboral o privacidad. Si esas cargas se representan con pesos distintos, el orden de acciones puede cambiar aunque las probabilidades permanezcan iguales. Tal desacuerdo no se resuelve buscando una estimación más precisa de la frecuencia de los escenarios. Requiere aclarar qué consecuencias importan y si la persona dispone de alternativas efectivas. La incertidumbre empírica y la pluralidad de valores deben permanecer separadas en la conversación y en el registro.

También puede existir conflicto entre beneficios individuales y restricciones del servicio. Una acción que mejora la continuidad de un grupo puede desplazar atención de otro. Si la matriz solo incluye consecuencias para quienes reciben la intervención, omite parte de la decisión. El análisis organizacional debe incorporar ese desplazamiento y evitar convertir la capacidad escasa en una preferencia atribuida a las personas. Cuando una opción no está disponible, conviene decir que existe una restricción, en lugar de presentarla como si todos hubieran elegido libremente otra alternativa.

La robustez puede definirse sobre varias valoraciones, además de varios modelos. Se exploran entonces combinaciones de escenarios y preferencias plausibles para identificar acciones que eviten consecuencias inaceptables en un rango amplio. Sin embargo, promediar preferencias de personas distintas puede ocultar una carga concentrada. Una decisión robusta en promedio no necesariamente protege a cada grupo. Es posible mantener ciertas consecuencias como límites que no se compensan, y comparar pérdidas solo entre acciones que los respetan. La elección de esos límites exige razones explícitas y participación pertinente, no una optimización silenciosa.

Un intervalo de probabilidades y una consecuencia omitida

Puede conservarse parte de la información probabilística sin aceptar una distribución única. Supóngase que el segundo escenario mantiene una probabilidad de tres décimas, mientras que el tercero podría situarse entre cinco y veinticinco por ciento. El peso restante corresponde al primer escenario. Para cada acción se calcula la pérdida esperada en todo ese intervalo y se elige la menor de las peores expectativas. Como las expresiones son lineales respecto de la probabilidad variable, los extremos del intervalo bastan para encontrar sus máximos. Esta operación es distinta de tomar el peor escenario individual: utiliza restricciones sobre las probabilidades que el equipo todavía considera defendibles.

probability_endpoints = np.array([[0.65, 0.3, 0.05],
                                 [0.45, 0.3, 0.25]])
endpoint_expectations = loss @ probability_endpoints.T
worst_expected = endpoint_expectations.max(axis=1)
assert np.allclose(worst_expected, [6.75, 5.3, 7.2])
assert np.argmin(worst_expected) == 1
print(endpoint_expectations, worst_expected, sep='\n')

La respuesta intermedia vuelve a resultar preferible, con una peor expectativa de cinco coma tres. Esta conclusión es más informativa que afirmar que no se conoce nada sobre los escenarios: conserva la restricción sobre el segundo y los límites del tercero. Sin embargo, el intervalo también requiere justificación. Si sus extremos se eligieron para favorecer una acción, el procedimiento solo formalizaría una preferencia oculta. Conviene registrar qué evidencia o deliberación los sostiene y comprobar cómo cambia la decisión al ampliarlos. La incertidumbre representada debe corresponder a una duda real, no a una decoración alrededor de una elección ya tomada.

Ahora se descubre que la respuesta intermedia, en el escenario más exigente, podría retrasar una reorganización necesaria. Su pérdida en esa columna aumenta de ocho a doce. El peor resultado de la acción intermedia pasa a doce, mientras que el de la intensa permanece en nueve. También cambia el criterio de arrepentimiento máximo: la acción intermedia alcanza nueve y la intensa conserva ocho. La preferencia robusta se desplaza a la reorganización intensa. El ejemplo muestra que robustez frente a probabilidades inciertas no protege frente a una descripción incompleta de las consecuencias de actuar.

revised_loss = loss.copy()
revised_loss[1, 2] = 12.0
revised_regret = revised_loss-revised_loss.min(axis=0)
assert np.argmin(revised_loss.max(axis=1)) == 2
assert np.argmin(revised_regret.max(axis=1)) == 2
print(revised_loss.max(axis=1), revised_regret.max(axis=1))

La revisión no constituye una contradicción del análisis anterior. Cambió una premisa que influye directamente en la elección. La respuesta apropiada consiste en documentar la nueva consecuencia y actualizar la comparación. Sería problemático conservar la etiqueta de robusta sin indicar que se basaba en una matriz distinta. Esta distinción resulta especialmente importante cuando una decisión se comunica a equipos que reciben solo una conclusión abreviada. Deben poder conocer qué condiciones sostienen la recomendación y qué observaciones obligan a reconsiderarla.

La misma lógica se aplica a datos de seguimiento incompletos. Si quienes soportan mayor carga dejan de responder, el promedio entre participantes observados puede sugerir una mejora que procede de selección. Añadir más mediciones entre quienes permanecen no recupera la experiencia de quienes se retiraron. El registro debe distinguir ausencia de dificultad y ausencia de información, y ofrecer vías proporcionadas para conocer motivos de interrupción cuando sea posible. Una estrategia adaptativa que ignora sistemáticamente a quienes desaparecen puede intensificarse sobre una evidencia sesgada de su aceptabilidad.

También importa la posibilidad de detectar a tiempo una consecuencia. Una regla que cambia de acción después de un daño requiere que ese daño sea observable antes de hacerse difícil de corregir. Si existe un retraso largo entre la consecuencia y su registro, el seguimiento ofrece menos protección de la que aparenta. Se necesitan indicadores oportunos o una acción inicial con menor exposición al daño. La reversibilidad de la decisión y la rapidez de observación deben analizarse juntas; cada una por separado puede dar una impresión engañosa de control.

Por último, conservar opciones no equivale a mantener indefinidamente una acción provisional. Una fase intermedia puede acumular costos y convertirse en una práctica estable sin evaluación explícita. Para evitarlo, el plan fija un momento de revisión incluso si no aparece una señal extraordinaria. En esa revisión se decide mantener, ampliar, reducir o abandonar la acción con las razones disponibles. El plazo no exige certeza total al finalizar; exige volver a asumir la responsabilidad de elegir, con una descripción actualizada de incertidumbres y consecuencias.

Resolución del caso con una revisión proporcional

El servicio comienza reconociendo que las probabilidades iniciales son frágiles: una variación moderada del peso del escenario más costoso cambia la acción preferida por pérdida esperada. La respuesta intermedia tiene mejor peor resultado y menor arrepentimiento máximo dentro de la matriz. Además, puede retirarse o ampliarse con menos compromisos que la reorganización intensa. Estas razones justifican considerarla como acción inicial, siempre que sus cargas reales sean aceptables. La decisión no afirma que sea universalmente mejor; explica por qué resulta defendible ante la incertidumbre concreta y las opciones disponibles.

La siguiente observación se elige por su capacidad para cambiar la comparación. Una comprobación de barreras de acceso, realizada sin retrasar atención necesaria, podría distinguir escenarios y orientar una revisión. Antes de incorporarla se examina su calidad, el costo de obtenerla y si el equipo puede actuar según sus resultados. El cálculo del ejemplo muestra que una señal informativa puede tener valor positivo y que ese valor se pierde si observar cuesta demasiado o llega tarde. Por tanto, el seguimiento se diseña como parte de la decisión, con recursos y plazos definidos.

La revisión conserva varios registros separados: qué se esperaba, qué ocurrió, qué información nueva apareció y por qué cambió la acción. Una discrepancia entre expectativa y resultado puede motivar revisar la matriz, las probabilidades o las preferencias. No se altera retroactivamente la justificación inicial para hacerla coincidir con el desenlace. Una decisión razonable puede tener un resultado desfavorable, y una decisión débil puede resultar afortunada. Evaluar el proceso exige reconstruir qué se sabía al elegir, sin confundir la calidad de la decisión con el único resultado que finalmente se observó.

La decisión difícil de corregir se reserva para cuando sus beneficios esperados o la necesidad de actuar justifiquen el compromiso, considerando alternativas y preferencias. La reversibilidad no se convierte en una regla absoluta. Algunas demoras también producen consecuencias irreversibles y una acción intermedia puede ser insuficiente. El análisis debe comparar ambos tipos de compromiso: el que introduce actuar y el que introduce esperar. Este contraste evita identificar prudencia con inacción. La respuesta prudente es aquella cuyas consecuencias y condiciones de revisión pueden justificarse con la información disponible.

Un registro final puede conservar la acción elegida junto con una alternativa que habría sido preferible bajo otro supuesto. Esa comparación facilita revisar la decisión cuando llega información nueva y evita que el equipo recuerde únicamente la opción adoptada. En el caso, dejar visible la frontera probabilística y la pérdida asociada a demorar una respuesta intensa permite localizar exactamente qué cambio justifica reconsiderar el plan, sin reconstruir retrospectivamente toda la discusión.

Referencias

Lempert, R. J., y Collins, M. T. (2007). Managing the Risk of Uncertain Threshold Responses: Comparison of Robust, Optimum, and Precautionary Approaches. Risk Analysis, 27(4), 1009–1026. https://doi.org/10.1111/j.1539-6924.2007.00940.x

Nosek, B. A., Ebersole, C. R., DeHaven, A. C., y Mellor, D. T. (2018). The preregistration revolution. Proceedings of the National Academy of Sciences, 115(11), 2600–2606. https://doi.org/10.1073/pnas.1708274114