El entrenador de pensamiento bayesiano skill para Claude

La fórmula está en el archivo de la skill, con las cuatro partes explicadas: P de H es tu estimación previa, P de E dado H es cuán probable sería esta evidencia si tu hipótesis es cierta, P de E es cuán probable es esa evidencia en cualquier caso, y P de H dado E es la estimación ajustada. Pero luego viene la frase que en realidad resume todo el archivo: aplicado en la práctica, olvidas esa fórmula y usas dos preguntas. Con qué frecuencia vería esta evidencia si fuera cierta, y con qué frecuencia la vería si no lo fuera. La proporción entre esas dos es todo.

Ahí está también el error que comete la mayoría de la gente. Toma una señal positiva que ves con la misma frecuencia en alguien que encaja que en alguien que no encaja. Esa señal se siente como buena noticia, pero no contiene información: no distingue los dos mundos. En el ejemplo de arriba, reírse es una señal así, con una ratio de 1,27, y eso apenas mueve nada. La puntuación alta en el assessment tiene una ratio de 2,17 y sí mueve. Sin esta forma de mirar, esas dos señales pesan igual, porque ambas se sienten como una buena impresión.

Cuatro conceptos, seis pasos. Aquí hay que aclarar una confusión. La introducción del archivo de la skill nombra cuatro conceptos: prior, likelihood, posterior y acción. Esos cuatro forman el resumen breve de la línea de pensamiento y son un buen recordatorio. Pero un poco más adelante dice literalmente que Claude recorre exactamente seis pasos, y esos seis aparecen como encabezados separados en el archivo. Quédate entonces con seis pasos. Quien adopta los cuatro conceptos como método se salta justo los dos pasos que más valen: formular tu hipótesis de forma verificable, y la comprobación de calibración al final.

Los pensadores que lo hicieron práctico están en la lista de fuentes del archivo. Daniel Kahneman mostró con qué fuerza la gente ignora las base rates en cuanto hay una historia atractiva enfrente. Annie Duke lo tradujo a decisiones bajo incertidumbre en Thinking in Bets. Philip Tetlock investigó quién predice bien y por qué, y Nate Silver popularizó la separación entre señal y ruido. Volvemos sobre esa lista en DOC.04.

No mide. No tiene base de datos, ni cifras históricas de tu mercado, ni un modelo entrenado con tus clientes. No sabe con qué frecuencia un candidato con una puntuación alta en el assessment se queda contigo, y no sabe cuántos de tus leads se convierten en clientes. Todas las cifras que aparecen en una sesión son estimaciones: tuyas, o derivadas por la skill a partir de lo que le cuentas.

Tampoco predice. Un posterior del 60 % no dice que haya un 60 % de probabilidad de que algo ocurra. Dice: si tu prior era correcto y tus ponderaciones son correctas, esto es lo que se deduce de ahí. Cambia una de esas ponderaciones y el resultado cambia con ella. Eso no es una debilidad del método, es el método. Incluso está incorporado como paso en la skill: en la comprobación de calibración hay que anotar literalmente qué supuesto cambiaría más el resultado si resultara ser erróneo.

Las cifras de los ejemplos son ilustraciones. El tercer ejemplo desarrollado del archivo trata de un lead que se convierte en cliente, con una base rate de uno entre ocho y un resultado del 21 % que ahí se llama realista para nuestro público. Esa cifra aparece en el archivo como ejemplo de cómo avanza el razonamiento. No es una cifra de conversión que hayamos medido, y tampoco la presentamos aquí como tal. No tenemos cifras de conversión publicadas, y un ejemplo en un archivo de instrucciones no lo es.

¿Qué queda entonces? Algo que vale sorprendentemente mucho: tu supuesto se hace visible. En el curso habitual de las cosas, alguien dice que tiene una buena sensación al respecto, y contra eso no hay nada que objetar. En cuanto esa misma estimación está sobre la mesa como cifra, con su justificación, un compañero puede decir: ese prior es demasiado alto, y esto de aquí pesa menos de lo que crees. Entonces discutes sobre el supuesto en lugar de sobre la sensación. Y como tu hipótesis está formulada de forma verificable, puedes volver sobre ella más adelante y aprender si fuiste demasiado categórico. No es más que eso, y no necesita ser más.

El frontmatter describe cuándo debe activarse la skill, y esa lista es amplia. Con las frases obvias como cuál es la probabilidad de que y qué tan probable es, pero también con esta afirmación es correcta, actualiza mi supuesto, calibra mi estimación y pensar en probabilidades. Además con los nombres Bayes, Kahneman, Annie Duke y Thinking in Bets. Y menciona explícitamente las situaciones para las que está pensada la skill: decisiones de inversión, estimaciones de mercado, datos nuevos sobre un proyecto en marcha, dilemas jurídicos y médicos, afirmaciones conspirativas, y todo aquello donde la gente tiende a exagerar su opinión tras una sola señal nueva.

El método consta de seis pasos, cada uno con su propio encabezado. El paso 1 es la hipótesis: una única afirmación verificable, sin mezclar dos cosas. El archivo incluye un buen y un mal ejemplo, y la diferencia entre mi producto se va a vender y consigo más de cincuenta clientes de pago en el tercer trimestre es exactamente la diferencia entre una sensación y una prueba verificable. El paso 2 es el prior, una cifra entre 0 y 100 con la instrucción de usar base rates cuando existan y de ser honesto en lugar de optimista. El paso 3 es reunir la evidencia y determinar dos probabilidades por cada pieza, de donde sale la likelihood ratio.

El paso 4 es el posterior, con la instrucción explícita de mostrar el cálculo en forma de odds porque es más claro que la fórmula. El paso 5 es la comprobación de calibración. Y el paso 6 es la acción.

El paso 5 es el que más se salta y el que más valor aporta. Hay dos preguntas de control. La primera: ¿es el resultado tan disparatado que hay que volver a mirarlo? Si sales con un noventa por ciento mientras que un cinco por ciento de casos comparables terminan así, probablemente estás exagerando el valor informativo de tu evidencia. La segunda es más afilada: ¿habrías llegado al mismo resultado si hubieras visto exactamente la evidencia contraria? Si la respuesta es sí, la evidencia no era informativa y el ajuste debería ser menor. Así se atrapa el sesgo de confirmación en una sola frase.

La salida está fijada en siete bloques: hipótesis, prior, evidencia y likelihoods, posterior, comprobación de calibración, acción, y por último un bloque llamado qué te avisa para parar, con las señales que empujarían tu estimación a la baja o al alza más adelante. Después siguen tres ejemplos completamente desarrollados: una decisión sobre una contratación, una afirmación conspirativa sobre el aterrizaje lunar y un lead que muestra interés. A continuación una breve delimitación de cuándo usar la skill y cuándo no, las fuentes con cinco títulos, y un bloque de tono de voz.

Ese último bloque es llamativamente estricto y merece mención aparte. Directo, honesto, sin adular. Decir cuándo la evidencia es escasa. Dar siempre un posterior, aunque sea incierto. No empezar ninguna respuesta con esa es una pregunta interesante. Responder de inmediato con la hipótesis y el prior. Y terminar siempre con una acción concreta y una señal de aprendizaje para el futuro. No es, por tanto, una preferencia de estilo, sino una decisión de diseño estricta: un coach que se cubre con reservas no ofrece una afirmación verificable, y entonces todo el ejercicio no tiene sentido.

Thomas Bayes, 1763. An Essay towards solving a Problem in the Doctrine of Chances es el origen. El ensayo se publicó tras la muerte de Bayes y solo mucho después se adoptó ampliamente. Lo que queda de él para el uso diario es la idea de que tu convicción tiene un grado y que ese grado debe moverse con la evidencia.

Daniel Kahneman, 2011. Thinking, Fast and Slow describe con qué sistematicidad la gente ignora las base rates en cuanto hay una historia atractiva enfrente. Ese es exactamente el error que atrapan los pasos 2 y 5 de esta skill: primero la base rate, y después comprobar si tu resultado todavía encaja con ella.

Annie Duke, 2018. Thinking in Bets viene del mundo del póquer y distingue entre una buena decisión y un buen resultado. Puedes perder con el mejor razonamiento y ganar con uno malo. Por eso el archivo insiste tanto en una hipótesis verificable: solo así puedes evaluar después tu razonamiento en lugar de solo tu desenlace.

Philip Tetlock, 2015. Superforecasting investigó quién predice bien. La respuesta no fue el especialista con la opinión más categórica, sino el generalista que ajusta su estimación en pequeños pasos y hace seguimiento de su propio acierto. Eso explica el énfasis en calibrar.

Nate Silver, 2012. The Signal and the Noise trata sobre la distinción entre información y ruido, que en esta skill vuelve como la likelihood ratio de FIG.02: la mayor parte de lo que te llama la atención es ruido, y solo cuando calculas con qué frecuencia lo verías en ambos mundos se hace visible la diferencia.

Si quieres ampliar esta forma de pensar, hay vecinos lógicos en la biblioteca. El decisor Cynefin es la capa anterior: determina primero con qué tipo de problema te enfrentas, porque en una situación caótica una cuidadosa ponderación de probabilidades es el instrumento equivocado. El analista pre mortem NL es la contraparte posterior: te hace mirar hacia delante, al escenario en que algo salió mal. Y el analista red team NL es exactamente lo que el paso 5 debería ser en una organización: alguien que ataca tus ponderaciones antes de que se tome la decisión.

Después la usas planteando una pregunta que contenga incertidumbre, o pidiendo literalmente una actualización bayesiana. Si eres nuevo con este tipo de archivos, lee primero qué son las skills de Claude NL y después cómo instalar skills de Claude NL. Si quieres escribir tú mismo una para las estimaciones que se repiten siempre en tu sector, escribir un SKILL.md NL explica cómo abordarlo.

No para cálculos puros sin incertidumbre, no cuando alguien simplemente pide una opinión, y no en conversaciones cortas donde todo el ejercicio pesa más que la propia decisión. A esa lista añado un límite práctico que el archivo no menciona pero con el que te topas rápido en la práctica: no la uses si ya has decidido el resultado. Es tentador elegir tu prior y tus ponderaciones de forma que el posterior salga donde querías que saliera, y entonces no has ganado nada salvo una justificación con apariencia numérica de tu instinto. La segunda pregunta de control del paso 5 es precisamente la prueba para eso: ¿habrías llegado al mismo sitio con la evidencia contraria?

Hay todavía otra situación en la que la dejaría a un lado: cuando la decisión es reversible y barata. Razonar medio día sobre una elección que la semana que viene puedes revertir sin coste es esfuerzo perdido. Guarda esta herramienta para decisiones que no repites así como así. Cuál de tus cuestiones lo es, por cierto, es exactamente para lo que sirve el decisor Cynefin: determina el tipo de problema antes de elegir un método.

Por último, un comentario honesto sobre trabajar en equipo. Esta skill funciona, en mi experiencia, mejor con dos personas que a solas. El valor no está en la cifra que resulta, sino en la conversación que surge cuando otra persona mira tu prior y dice que le parece demasiado alto. Solo frente a una pantalla, tu sesgo de confirmación simplemente sigue contando. Si buscas un ataque dirigido contra ese sesgo, el pensador de inversión es una buena segunda lectura de la misma situación.

Lo que cambia en el lenguaje si mantienes este método, en formato diff.

Si este tipo de pensamiento te funciona, mira qué más hay preparado en la biblioteca de 100 skills gratuitas NL que ofrecemos sin necesidad de cuenta. Y si quieres seguir hablando sobre qué más puede hacer la IA por tu empresa, desde skills sueltas hasta automatización completa, lo hablamos sencillamente en una conversación. Si primero quieres saber cómo estás online: el escáner SEO gratuito lo muestra en unos segundos.