Sesgo de confirmación

Descripción

El sesgo de confirmación es la tendencia automática, no deliberada, a buscar, notar, recordar e interpretar la información de forma que confirme lo que ya crees — y a pasar por alto, minimizar o directamente olvidar la información que la contradice. No es un defecto de carácter ni una falta de honestidad: es, según muestra la investigación en psicología cognitiva, una tendencia estructural del cerebro humano, la misma que describió Daniel Kahneman como parte del funcionamiento normal de lo que llama "Sistema 1" — el pensamiento rápido, intuitivo, que forma una impresión antes de que el pensamiento deliberado tenga oportunidad de revisarla. Teresa Torres, que escribe específicamente sobre discovery de producto, cita una cifra que vale la pena tener presente en cada entrevista y cada resultado de test que revises: tu cerebro nota el doble de veces la información que confirma lo que ya crees, comparada con la que lo contradice.

En discovery, este sesgo tiene un lugar exacto donde hace más daño: no en el momento de diseñar el test —eso ya lo protegiste en el módulo 4, con isFalsifiable() y pickTest()—, sino en el momento de leer su resultado. Un fake door con una tasa de clics ambigua, una entrevista con respuestas mixtas, un prototipo que algunos usuarios amaron y otros ignoraron: en todos estos casos, la evidencia por sí sola no te dice qué concluir. Y ahí, exactamente ahí, tu cerebro —sin pedirte permiso— tiende a completar la ambigüedad a favor de lo que ya querías creer antes de empezar.

Conexión con el módulo. Esta lección nombra la enfermedad completa que el resto del módulo ataca desde distintos ángulos: las preguntas líderes y la brecha say-do (lección 3) son dos mecanismos concretos por los que el sesgo de confirmación se cuela en tus datos; las muestras sesgadas (lección 4) son una forma de sesgo de confirmación aplicada a quién entrevistas, no solo a qué concluyes; buscar desconfirmación activamente (lección 5) es la defensa directa contra este sesgo; y pesar la evidencia por su fuerza (lección 6) es una forma de quitarle a tu propio juicio —el que el sesgo de confirmación contamina— el poder de decidir solo, sin un criterio externo. Esta lección construye recallBias(), un modelo pedagógico que simula uno de los síntomas más comunes del sesgo de confirmación: cómo la memoria, sin ninguna mala intención, retiene mejor lo que confirma que lo que contradice.

Una analogía cotidiana: el horóscopo que sí acertó

Casi nadie que lee el horóscopo lleva un registro cuidadoso de cuántas predicciones se cumplieron y cuántas no. Lo que sí ocurre, casi siempre sin proponérselo, es recordar con viveza el día en que el horóscopo dijo "hoy tendrás una sorpresa" y de verdad pasó algo inesperado — y olvidar por completo los veinte días en que no pasó nada parecido, o en que la predicción fue tan vaga que "casi cualquier cosa" hubiera contado como acierto. Con el tiempo, esa persona termina genuinamente convencida de que "el horóscopo funciona conmigo", no porque haya evaluado la evidencia completa, sino porque su memoria, de forma automática, guardó mejor los aciertos que los fallos.

Un equipo que revisa "de memoria" cómo fue la ronda de entrevistas de recommendations, semanas después, sin volver a leer las notas completas, está en exactamente la misma posición que el lector del horóscopo. No está mintiendo cuando dice "la mayoría de la gente reaccionó bien" — genuinamente lo recuerda así. El problema es que esa memoria, sin que nadie lo decidiera a propósito, ya hizo la selección por el equipo antes de que la conversación de síntesis siquiera empezara.

Ejemplo trabajado: recallBias() sobre ocho notas de entrevista

Imagina que el equipo de Mercado, después de la ronda de entrevistas de recommendations (módulo 2), archivó ocho notas escritas — cuatro que confirman la creencia del equipo ("los usuarios sí quieren recomendaciones") y cuatro que la contradicen. Semanas después, en la reunión de síntesis, nadie vuelve a abrir el documento completo: todos "recuerdan" cómo fue la ronda. recallBias() simula qué le pasa a esa memoria sin apoyo escrito.

// L2: recallBias() -- simula que le pasa a la memoria de un equipo cuando revisa sus
// propias notas de entrevistas semanas despues, sin ningun registro escrito de cada
// nota en el momento. Compara el conteo real de senales contra lo que el equipo
// "recuerda" haber escuchado. Modelo pedagogico: el factor 0.25 es ilustrativo, no una
// medicion real de memoria humana.
function recallBias(notes) {
  const confirming = notes.filter((n) => n.confirmsBelief);
  const disconfirming = notes.filter((n) => !n.confirmsBelief);
  const recalledDisconfirming = Math.round(disconfirming.length * 0.25);
  return {
    total: notes.length,
    confirming: confirming.length,
    disconfirming: disconfirming.length,
    recalledWithoutNotes: confirming.length + recalledDisconfirming,
    lostFromMemory: disconfirming.length - recalledDisconfirming,
  };
}

const interviewNotes = [
  { user: 'u1', confirmsBelief: true },
  { user: 'u2', confirmsBelief: false },
  { user: 'u3', confirmsBelief: true },
  { user: 'u4', confirmsBelief: false },
  { user: 'u5', confirmsBelief: true },
  { user: 'u6', confirmsBelief: false },
  { user: 'u7', confirmsBelief: false },
  { user: 'u8', confirmsBelief: true },
];

console.log('=== recallBias() sobre 8 notas de entrevista de "recommendations" ===\n');
interviewNotes.forEach((n) => console.log('  ' + n.user + ': ' + (n.confirmsBelief ? 'confirma la creencia' : 'la contradice')));

const result = recallBias(interviewNotes);
console.log('\nEn las notas escritas: ' + result.confirming + ' confirman, ' + result.disconfirming + ' contradicen (de ' + result.total + ' total).');
console.log('Lo que el equipo "recuerda" sin volver a leer las notas: ' + result.recalledWithoutNotes + ' de ' + result.total + '.');
console.log('Notas que contradicen la creencia y se perdieron de la memoria: ' + result.lostFromMemory + '.');

Qué esperar. Al correr el archivo con Node, la salida es exactamente esta:

=== recallBias() sobre 8 notas de entrevista de "recommendations" ===

  u1: confirma la creencia
  u2: la contradice
  u3: confirma la creencia
  u4: la contradice
  u5: confirma la creencia
  u6: la contradice
  u7: la contradice
  u8: confirma la creencia

En las notas escritas: 4 confirman, 4 contradicen (de 8 total).
Lo que el equipo "recuerda" sin volver a leer las notas: 5 de 8.
Notas que contradicen la creencia y se perdieron de la memoria: 3.

Las notas escritas están perfectamente balanceadas: 4 confirman, 4 contradicen — un 50/50 real, el tipo de resultado mixto y honesto que cualquier ronda de discovery genuina suele producir. Pero lo que el equipo "recuerda" sin volver a leerlas es otra cosa: 5 de 8, con 3 de las 4 notas que contradecían la creencia perdidas de la memoria. Nadie mintió. Nadie descartó una nota a propósito. La memoria, simplemente, hizo su trabajo habitual — retener con más fuerza lo que ya encajaba con la expectativa previa — y el resultado es una versión de la evidencia que ya no es 50/50, sino que se inclina, sin que nadie lo decidiera, hacia la confirmación.

Cómo se manifiesta el sesgo de confirmación en discovery

El sesgo de confirmación no aparece una sola vez, en un solo momento — se filtra en distintos puntos del proceso, y vale la pena nombrarlos por separado para poder buscarlos:

DONDE SE CUELA EL SESGO DE CONFIRMACION
─────────────────────────────────────────────────────────────────
Al hacer la pregunta      -> preguntas lideres que invitan al "si"
                              (leccion 3 de este modulo)
Al escuchar la respuesta  -> notar mas las palabras que confirman,
                              restarle peso a las que no encajan
Al tomar notas            -> escribir con mas detalle lo que confirma,
                              resumir en una linea lo que no
Al recordar semanas despues -> recallBias(): la memoria retiene mejor
                              lo confirmante, como viste arriba
Al leer un resultado ambiguo -> completar la ambiguedad a favor de
                              lo que ya se creia (fake door borderline,
                              respuestas mixtas)
─────────────────────────────────────────────────────────────────

El punto central de esta lección —y de todo el módulo— es que ninguno de estos cinco momentos requiere mala fe. Un equipo entero puede actuar de buena fe en cada paso individual y aun así terminar, al final del proceso, con una versión de la evidencia sistemáticamente inclinada hacia la confirmación. Por eso las siguientes lecciones no dependen de "tener más disciplina" o "ser más honesto" — dependen de herramientas externas al propio juicio: un checklist (lección 3), un modelo que detecta la muestra sesgada sin depender de la impresión de nadie (lección 4), una pregunta que se escribe antes de ver el resultado (lección 5), y un número que pesa la evidencia sin importar cuán convincente se sintió en el momento (lección 6).

Errores comunes

Recordar solo las entrevistas que confirmaron. Qué pasa: en la reunión de síntesis, alguien resume la ronda de entrevistas diciendo "la mayoría reaccionó muy bien a la idea", basándose en su recuerdo general, sin volver a abrir las notas completas de cada sesión. Por qué pasa: como muestra recallBias() en el ejemplo de hoy, la memoria sin apoyo escrito retiene mejor lo que ya encajaba con la expectativa — no por deshonestidad, sino por cómo funciona la memoria humana frente a información ambigua o mixta. Cómo detectarlo: pregunta "¿podemos volver a las notas completas, no al resumen de memoria?" — si nadie puede citar con precisión cuántas entrevistas confirmaron y cuántas no, sin volver a leer, el resumen que se está usando en la reunión ya está sesgado. Cómo corregirlo: nunca sintetices de memoria — vuelve siempre a las notas escritas completas, y cuenta explícitamente cuántas confirman y cuántas contradicen antes de sacar cualquier conclusión (la lección 7 del módulo 7 formaliza este conteo con synthesize()).

Descartar la evidencia que refuta como "esos usuarios no entendieron". Qué pasa: cuando aparece una entrevista o un resultado que contradice claramente la creencia del equipo, alguien ofrece una explicación que lo neutraliza sin evaluarlo — "ese usuario no es representativo", "no explicamos bien el prototipo", "tuvo un mal día" — y la evidencia se descarta sin el mismo escrutinio que se le aplicaría a una evidencia confirmante. Por qué pasa: rechazar una creencia propia se siente incómodo; encontrar una razón externa para descartar el dato que la amenaza resuelve esa incomodidad sin tener que cambiar de opinión. Cómo detectarlo: pregúntate si aplicarías el mismo nivel de escrutinio a una entrevista que confirmara la creencia — si a esa nunca le preguntas "¿será que este usuario no es representativo?", pero sí se lo preguntas a la que la contradice, el escrutinio no es parejo. Cómo corregirlo: antes de descartar cualquier evidencia, aplícale la misma pregunta que le aplicarías a la evidencia que te gusta: ¿hay una razón real y verificable para descartarla, o solo es incómoda? Si la razón no se sostendría igual de bien para descartar una evidencia confirmante, no es una razón real.

Ejercicios

Ejercicio 1 — Calcula recallBias() con una proporción distinta. Si en vez de 8 notas (4 confirman, 4 contradicen) el equipo tuviera 12 notas (5 confirman, 7 contradicen), y el mismo factor de recuerdo de 0.25 para lo que contradice, ¿cuántas notas "recordaría" el equipo sin volver a leerlas, y qué proporción del total sería?

Ver solución

recalledDisconfirming = Math.round(7 * 0.25) = Math.round(1.75) = 2. recalledWithoutNotes = 5 + 2 = 7 de 12 — un 58% aproximado, presentado de memoria como si fuera "la mayoría confirma", cuando en las notas reales la mayoría (7 de 12) en realidad contradecía la creencia. Este ejercicio muestra un caso más extremo que el del ejemplo trabajado: incluso cuando la evidencia real está mayoritariamente en contra, la memoria sin apoyo escrito puede voltear la lectura hacia la confirmación.

Ejercicio 2 — Diagnostica el momento del sesgo. Un compañero te dice: "Entrevistamos a diez usuarios, hicimos preguntas abiertas sin ninguna líder, tomamos notas completas de cada sesión — pero en la reunión, dos semanas después, solo hablamos de memoria, sin volver a los documentos." ¿En cuál de los cinco momentos del diagrama de esta lección está el riesgo de sesgo, y en cuáles no?

Ver solución

El riesgo está específicamente en "al recordar semanas después" — el diagrama muestra que ese es exactamente el punto donde recallBias() actúa. Los otros momentos descritos ("al hacer la pregunta", con preguntas abiertas sin líderes, y "al tomar notas", con notas completas de cada sesión) parecen bien manejados, según lo que cuenta el compañero. El error específico de este caso no está en cómo se recolectó la evidencia — eso se hizo bien — sino en que la síntesis se basó en memoria sin volver a las notas completas, exactamente el primer error común de esta lección.

Ejercicio 3 — Aplica la analogía del horóscopo a un caso propio. Piensa en una creencia que sostengas (sobre un producto, una herramienta, una persona, lo que sea) que se haya formado, al menos en parte, a partir de recordar más los casos que la confirmaron que los que no. Descríbela en dos o tres frases, y explica qué evidencia, si la revisaras completa y no de memoria, podría estar sesgada a tu favor.

Ver solución

No hay una respuesta única — depende del ejemplo que elijas —, pero el ejercicio busca que reconozcas, en tu propia experiencia y no solo en el caso de Mercado, la misma estructura: una creencia que se siente sólida porque tu memoria ha ido reforzándola con el tiempo, no porque hayas revisado alguna vez la evidencia completa y balanceada. Reconocer esta estructura en tu propia vida es, en la práctica, más útil que memorizar la definición del sesgo de confirmación — es lo que te va a hacer parar, la próxima vez, y preguntarte "¿estoy recordando esto, o lo estoy revisando de verdad?".

Resumen y siguiente paso

Esta lección nombró la enfermedad completa que organiza el resto del módulo: el sesgo de confirmación, la tendencia automática —no deshonesta— a notar, recordar e interpretar mejor la información que confirma lo que ya crees. Viste ejecutado recallBias() sobre ocho notas de entrevista perfectamente balanceadas (4 y 4), y cómo, sin ninguna mala intención, la memoria sin apoyo escrito las convierte en una versión inclinada hacia la confirmación (5 de 8 "recordadas", con 3 de las 4 notas contrarias perdidas). También viste el mapa completo de los cinco momentos donde este sesgo se cuela en el proceso de discovery, desde la pregunta hasta la lectura final del resultado.

Antes de avanzar deberías poder: explicar el sesgo de confirmación sin usar la palabra "mentir" ni "deshonestidad"; y nombrar, de memoria, al menos tres de los cinco momentos del diagrama donde el sesgo puede colarse.

La lección 3 retoma dos conceptos que ya conoces del módulo 2 —las preguntas líderes y la brecha say-do— y los mira ahora desde este ángulo nuevo: como dos de los mecanismos más comunes y concretos por los que el sesgo de confirmación entra a tus datos antes de que llegues siquiera a la etapa de análisis.

Recursos

• Teresa Torres, "Why You Only See What You Want to See" — producttalk.org/2013/08/confirmation-bias. La fuente de la cifra citada en esta lección —el cerebro nota el doble de veces la información confirmante— aplicada directamente a discovery de producto. En inglés.
• Daniel Kahneman, Thinking, Fast and Slow — us.macmillan.com/books/9780374533557/thinkingfastandslow. El marco de fondo sobre cómo el pensamiento rápido e intuitivo forma impresiones que el pensamiento deliberado tiende, después, a confirmar en vez de cuestionar. En inglés.
• Nielsen Norman Group, "Confirmation Bias in UX" — nngroup.com/articles/confirmation-bias-ux. Cómo este mismo sesgo se manifiesta en investigación de UX, con ejemplos concretos de preguntas sesgadas y evidencia contraria ignorada. En inglés.