Categoría: Estrategia

  • Modelar el comportamiento humano en plataformas: ¿por qué simplificarlo sale caro?

    Modelar el comportamiento humano en plataformas: ¿por qué simplificarlo sale caro?

    Los humanos somos contradictorios. A principios de año decimos que vamos a mejorar nuestros hábitos de salud, comer mejor y hacer ejercicio con regularidad. En algunos casos, esas intenciones se cumplen, pero la mayoría se diluye rápidamente. No porque falte voluntad, sino porque el tiempo, el contexto y las prioridades de la vida se imponen.

    Ese patrón no es una excepción. Es la norma.

    Y lo mismo ocurre en las plataformas digitales. Nos registramos con ciertas metas o preferencias, pero nuestras decisiones reales se ajustan con el tiempo, incluso cuando el perfil que dejamos atrás nunca se actualiza. A eso se suma otra capa: lo que hacemos dentro de la plataforma puede alinearse o no con lo que declaramos al inicio.

    De ahí surgen preguntas que en algún momento, todos nos hemos hecho

    ¿Por qué el sistema me recomienda esto?
    ¿Por qué asume que me interesa?

    Responderlas exige algo más que observar una métrica.


    ¿Qué entendemos por comportamiento en plataformas digitales?

    El comportamiento en una plataforma digital es el patrón de interacciones y decisiones que surge cuando una persona responde a lo que un sistema le presenta, dentro de un contexto externo determinado, a lo largo del tiempo.

    Las acciones aisladas no nos dan mucha información. Es como pensar que con una palabra podemos entender la frase completa. Se requieren más elementos para construir una oración.

    Por eso, entender el comportamiento no consiste en observar señales aisladas, sino en leer relaciones.


    Un framework para entender el comportamiento digital

    Este framework parte de una idea simple: el comportamiento no pertenece a una sola entidad.

    Surge de la interacción entre la persona, el sistema y el contexto externo.

    1. La persona: declaración, interacción y decisión

    La persona no llega al sistema con expectativas, límites y circunstancias propias, y responde a lo que la plataforma le va mostrando.

    Desde este marco, la persona se observa a través de tres dimensiones:

    Declaración
    Lo que dice de sí misma: metas, preferencias, intenciones explícitas.
    Esto suele expresar identidad aspiracional, no compromiso operativo.

    Interacción
    Lo que hace y no hace frente a las opciones disponibles: clics, búsquedas, pausas, abandonos y, sobre todo, secuencias.
    Aquí el tiempo no es una capa aparte: una acción aislada dice poco; un patrón sostenido dice más.

    Decisión
    Los trade-offs que acepta o evita.
    Cada decisión refleja una negociación entre alternativas reales, costos percibidos y energía disponible en ese momento.

    El tiempo no es una capa adicional: atraviesa la interacción y la decisión.


    2. El sistema: observar, interpretar, intervenir y aprender

    El sistema no es un observador neutral. Participa activamente en la construcción del comportamiento que luego intenta analizar.

    Cumple, al menos, cuatro funciones:

    Observa
    Decide qué señales recoger, cuáles ignorar y cómo ponderarlas.
    Toda observación es una selección.

    Interpreta
    Construye inferencias: etiquetas, segmentos, scores, modelos.
    Son hipótesis operativas, no verdades sobre la persona.

    Interviene
    Actúa a través de recomendaciones, feedback, cambios en la experiencia o restricciones visibles e invisibles.

    Se transforma
    Aprende, se ajusta, se congela o cambia con el tiempo.
    Los modelos también tienen inercia y comportamiento propio.

    Inferir no es lo mismo que actuar.
    Actuar no garantiza aprender.


    3. El contexto externo: el campo de fuerzas

    El contexto es una capa, un campo de fuerzas que afecta tanto a la persona como al sistema.

    Incluye, entre otras cosas:

    • Condiciones del mercado
    • Cambios tecnológicos
    • Normas sociales y culturales
    • Regulación
    • Situación económica

    Cuando el contexto cambia, el comportamiento también lo hace, incluso si la persona y el sistema permanecen iguales.

    Un descenso en el uso de un curso o de una herramienta no siempre indica desinterés ni mala calidad.
    Muchas veces es simplemente una señal de que el entorno cambió y la persona se está adaptando.


    El comportamiento como fenómeno emergente

    Desde este framework, el comportamiento no se localiza en una capa ni en un actor. Es el resultado de una iteración continua:

    • El sistema presenta opciones
    • La persona interactúa y decide
    • El sistema observa, interpreta e interviene
    • El contexto sigue cambiando

    Reducir este proceso a una sola lectura, una métrica, una etiqueta, un score, es lo que vuelve trivial algo que no lo es.

    El valor de este framework radica en leer relaciones, no dimensiones aisladas.


    Ejemplo: una plataforma de aprendizaje en línea

    Una persona se registra en una plataforma de cursos digitales y, durante el registro, expresa su intención:

    “Quiero aprender a programar para cambiar de carrera.”

    A partir de ahí, el sistema empieza a observar.

    Lo que dice de sí misma
    La meta es clara y ambiciosa. Habla de identidad aspiracional, no de la disponibilidad real de tiempo o energía.

    Lo que hace
    Explora cursos introductorios, ve videos cortos, abandona las lecciones largas y evita los cursos con proyectos finales. Hay exploración a bajo costo, aunque se desvíe de su intención original.

    Lo que el sistema infiere
    El algoritmo la clasifica como “principiante” y prioriza contenido básico. La inferencia es útil, pero parcial: describe un patrón, no una intención.

    Lo que no hace
    No se inscribe en rutas completas ni entrega ejercicios.
    Leído de forma simplista, esto parecería desinterés, pero en realidad muestra que algo se lo puede estar dificultando.

    Las restricciones del sistema
    Los cursos largos requieren bloques de tiempo continuos. El progreso visible aparece tarde. El diseño induce a explorar más que a comprometerse.

    Los trade-offs
    Entre un curso corto sin evaluación y uno largo con proyecto, elige el primero. La persona protege su flexibilidad; no rechaza aprender.

    La consistencia en el tiempo
    Durante semanas repite el mismo patrón: explorar, aprender fragmentos, no converger. La persona sigue el camino que mejor se ajusta a su objetivo.

    La respuesta al feedback
    Ver “0% completado” no la lleva a ajustar su perfil ni a cambiar de ruta. El feedback no considera su situación real y el resultado es desánimo y frustración.

    Declaración vs. práctica
    La persona quiere cambiar de carrera, pero consume conocimiento sin compromiso formal. Es una brecha normal entre su aspiración y lo que realmente puede hacer.

    El comportamiento del sistema
    El sistema insiste en recomendar rutas largas porque toma la declaración inicial como compromiso, ignorando las contradicciones persistentes entre señales.

    El error no es del usuario. El error sería forzar una interpretación única y actuar como si el sistema ya hubiera entendido algo que apenas está observando.


    Para cerrar

    El comportamiento no pertenece ni a la persona ni al sistema por separado. Surge de su interacción en un contexto que ninguno de los dos controla del todo.

    Mientras sigamos analizando señales aisladas, seguiremos simplificando en exceso.
    La comprensión real del comportamiento digital no está en una sola capa de datos, sino en las relaciones que las conectan.

    Si trabajas con productos, datos o plataformas que interactúan con personas reales, este marco puede ayudarte a leer mejor las señales antes de decidir cómo interpretar y actuar.

    Diagrama que muestra la interacción entre usuario, plataforma digital y contexto externo en la construcción del comportamiento digital
  • El ciclo de hype de Gartner: cómo entender expectativas y madurez tecnológica

    El ciclo de hype de Gartner: cómo entender expectativas y madurez tecnológica

    El ciclo de hype de Gartner no es solo un marco teórico: es una herramienta poderosa para entender cómo reaccionamos ante la novedad. Cuando aparece una tecnología emergente, las expectativas se disparan, luego caen abruptamente y finalmente se estabilizan. Comprender este recorrido permite tomar decisiones más inteligentes, reducir riesgos y anticipar patrones de adopción.


    Experimenté lo que ahora sé que es el ciclo de hype de Gartner (ciclo de sobreexpectación) cuando trabajábamos en recomendadores e íbamos a renovar el existente.

    Durante la primer semana de lanzamiento se alcanzaron picos muy altos en la métrica principal. En la segunda se mantuvieron. Sin embargo, en la tercera se observó un descenso pronunciado. Esto fue preocupante y creímos que algo había fallado. Revisamos el algoritmo (estábamos en A/B y no se había modificado nada). Revisamos todo y no encontramos ningún error, pero el descenso era real. Casi nos tiramos por la ventana. Lo cierto es que aunque el valor de la métrica disminuyó, desde el inicio fue superior al del recomendador existente, por lo que ese descenso no justificaba suspender la prueba.

    A partir de la cuarta semana, las métricas se estabilizaron. Seguían arriba del recomendador anterior, por lo que el objetivo se había cumplido. Aunque jamás se volvieron a registrar los picos iniciales. Como parte de nuestra investigación, aprendimos que este comportamiento es un patrón que puede presentarse al introducir una nueva tecnología.

    El objetivo se había cumplido. Y aprendimos qué era el ciclo de hype por experimentación, no por teoría.

    El patrón puede presentarse o no. No es una ley universal, por lo que justificar una mala métrica usando el ciclo de hype como excusa es irresponsable. Hay condiciones que favorecen la aparición del ciclo y condiciones donde una caída sí indica un problema técnico, estratégico o de experiencia de usuario.

    ¿Qué es el ciclo de hype de Gartner?

    Es una representación gráfica que ilustra la relación entre madurez tecnológica, adopción real y expectativas sociales. No describe solamente el avance técnico, sino la interacción entre:

    • atención mediática
    • entusiasmo empresarial
    • percepción social
    • uso real

    Fue introducido en 1995 por Jackie Fenn, analista de Gartner especializada en tecnologías emergentes. En su nota “When to Leap on the Hype Cycle”, dibujó por primera vez la curva que luego se convertiría en estándar.

    Las fases del ciclo

    1. Lanzamiento (Trigger). Aparece una tecnología nueva o una recombinación novedosa de elementos existentes. Surgen prototipos, papers, demos y comunicados. Hay pocas pruebas reales.

    2. Pico de expectativas sobredimensionadas (Peak). La conversación estalla. Medios, conferencias y proveedores hablan de beneficios transformadores. Algunos casos funcionan, otros son más marketing que sustancia.

    3. Valle de desilusión (Trough). Llegan los fracasos, los proyectos demasiado ambiciosos colapsan, la cobertura mediática baja. Aquí ocurre el aprendizaje real.

    4. Rampa de consolidación (Slope). Empiezan a verse patrones claros: cuándo funciona, cómo funciona y en qué condiciones. Surgen buenas prácticas, métricas y arquitecturas.

    5. Meseta de productividad (Plateau). La tecnología deja de ser novedad y se convierte en una herramienta estable. Es útil, predecible y parte de un ecosistema maduro.

    Evolución

    PeríodoHito
    1995Primera publicación de Jackie Fenn
    1996Primer ciclo anual (Java, Internet Terminals, Web)
    2003Expansión a múltiples ciclos por industria
    2008Libro Mastering the Hype Cycle (Fenn & Raskino)
    2020sMás de 130 ciclos, 1,900+ innovaciones cubiertas

    El modelo trascendió a Gartner. Hoy se usa en el periodismo, la consultoría, la ciencia y el análisis social.

    ¿Por qué debería importarnos el ciclo de hype?

    • Para individuos
      • Decisiones informadas
        Ayuda a evitar adoptar tecnologías demasiado inmaduras… o demasiado tarde.
      • Protección emocional
        El hype impulsa decisiones impulsivas. Entender el ciclo ayuda a tomar distancia.
      • Ventaja competitiva
        La adopción temprana informada (en fase de rampa, no en el pico) abre oportunidades reales.
    • Para organizaciones
      • Inversión estratégica
        Permite decidir cuándo explorar, cuándo invertir y cuándo escalar.
      • Gestión de riesgos
        Un fracaso en el valle no siempre indica mala tecnología; puede ser un mal timing.
      • Planificación
        Las organizaciones que sobreviven al valle usualmente construyen ventaja sostenible.
    • Para gobiernos y reguladores
      • Política pública realista
        Evitar regular por pánico o por moda.
      • Fomento a innovación
        Invertir en fases con mayor probabilidad de madurez.

    ¿A quién le importa específicamente?

    GrupoPor qué importaAplicación
    CEOsDecisiones de inversiónTransformación del negocio
    CIOs/CTOsArquitectura tecnológicaHoja de ruta de sistemas
    InversionistasTiming críticoPortafolios y riesgo
    EmprendedoresConstrucción de productosElegir tecnologías con futuro
    DesarrolladoresTrayectoria profesionalHabilidades relevantes
    ConsultoresEstrategia informadaRecomendaciones responsables
    AcadémicosInvestigación sólidaEspacios no saturados
    ReguladoresPolítica públicaRegulación basada en realidad
    PeriodistasContextoCobertura equilibrada
    Usuarios finalesAdopciónCuándo migrar o cambiar

    Ejemplos prácticos del ciclo

    1. App de recomendación de películas. Una app viral puede vivir el pico rápido, el valle de desilusión y luego un retorno estable cuando se ajustan expectativas y algoritmos. Comprender el ciclo evita inversiones desproporcionadas en el momento equivocado.

    2. Migraciones a nube híbrida. Entre 2018 y 2024 pasó por hype, desilusión, aprendizajes y adopción madura. Las empresas que persistieron con disciplina hoy tienen ventaja clara.

    3. Inteligencia Artificial. Los LLMs vivieron un hype histórico en 2023-2024. Hoy vemos la transición hacia casos de uso reales y estándares de implementación más sólidos. Algunos sectores ya están en Slope; otros permanecen en Trough.

    4. Internet y la burbuja .com. Un ejemplo clásico: inmenso hype, colapso financiero y, años después, una industria madura que transformó el mundo. La burbuja fue dolorosa; la tecnología subyacente, revolucionaria.

    Lo que este modelo sí explica y lo que no

    Describe bien:

    • tecnologías visibles
    • con fuerte narrativa
    • alta incertidumbre
    • mucho marketing
    • actores que promueven expectativas

    No describe bien:

    • tecnologías silenciosas
    • infraestructura técnica
    • mejoras incrementales
    • innovaciones altamente reguladas
    • soluciones cuyo valor es inmediato

    El ciclo no dice si una tecnología es buena o mala. Describe la brecha entre expectativas colectivas y realidad de uso.

    Un recordatorio esencial

    Jackie Fenn lo expresó con claridad:

    “A medida que el modelo se difundió, nos dimos cuenta de que el ciclo de hype no trata realmente sobre la tecnología. Trata sobre la reacción humana ante la novedad. Las innovaciones avanzan hacia la madurez o la obsolescencia; somos nosotros, los seres humanos, quienes vamos y venimos entre el entusiasmo y la desilusión.”

    Las innovaciones avanzan por la curva hacia la madurez o la obsolescencia; somos nosotros, los seres humanos, quienes vamos y venimos entre el entusiasmo y la desilusión”

    El ciclo de hype es un espejo de nuestra psicología colectiva: emoción, exageración, aprendizaje y estabilidad.

    Comprenderlo no solo mejora las decisiones tecnológicas, sino que también nos ayuda a atravesar la emoción frente a la novedad. Y a nivel individual, en una época en la que la innovación avanza más rápido que nuestras expectativas (y también que nuestra capacidad de mantener el ritmo de los lanzamientos).

    Referencia

    Gartner Hype Cycle