Sigrid dirige el equipo de atención al cliente de una empresa de software de contabilidad. Durante seis semanas, su equipo ha probado un asistente de IA que responde a las consultas sencillas antes de que las atienda una persona. En la reunión para revisar los resultados, Darragh, el responsable de producto que impulsó la prueba, abre con una diapositiva.
«Tres éxitos», dice. «Ha subido la satisfacción de los clientes francófonos. Han bajado las consultas repetidas los jueves. Y las incidencias de facturación se cierran un once por ciento más rápido. El asistente funciona».
Sigrid mira el panel de atención al cliente en su portátil. Recoge unos treinta indicadores. La mayoría no han cambiado y dos han empeorado ligeramente. Los tres resultados de Darragh son reales, pero nadie dijo antes de la prueba que el asistente debía mejorar la satisfacción de los clientes francófonos ni reducir las consultas repetidas de los jueves.
Darragh no ha mentido. Ha disparado contra un granero y después ha pintado la diana alrededor de los agujeros. Ese gesto tiene un nombre: la falacia del francotirador de Texas. En esta guía veremos qué es, por qué convence tanto, dónde aparece y qué preguntas ayudan a distinguir un patrón real de una diana pintada a posteriori.
¿Qué es la falacia del francotirador de Texas?
La falacia del francotirador de Texas consiste en encontrar un patrón en los datos después de ver los resultados y tratarlo como si fuera significativo o como si se hubiera previsto desde el principio. Nos fijamos en los aciertos agrupados y pasamos por alto los fallos que los rodean. Los mismos datos se usan dos veces: primero para encontrar el patrón y luego para «demostrarlo».
El nombre viene de un viejo chiste. Un hombre dispara contra la pared de un granero, se acerca y pinta una diana alrededor de los agujeros que han quedado más juntos. Quien ve el granero después piensa que tiene una puntería extraordinaria.
Hay tres pistas que la delatan:
- La diana se pintó después de disparar. La afirmación se formuló al ver los resultados, no antes.
- Había muchos sitios donde buscar. Se analizaron numerosas cifras, grupos, fechas o lugares en los que podía aparecer algún patrón.
- Se omiten los fallos. Nadie menciona los veintisiete indicadores que no mejoraron.
Es la entrada 21 de nuestra guía sobre falacias lógicas. Aquí profundizamos en ella porque lo difícil es darse cuenta de cuándo somos nosotros quienes tenemos el pincel en la mano.
De dónde viene el nombre
No se sabe quién contó el chiste por primera vez. Uno de los primeros usos conocidos por escrito aparece en un artículo de 1977 sobre la enfermedad de Hodgkin, publicado en la revista médica Cancer por el epidemiólogo Seymour Grufferman. Al hablar de agrupaciones de casos identificadas a posteriori, señaló que «esas agrupaciones a posteriori son análogas a la historia del francotirador de Texas» y que no permiten determinar si una concentración de casos se debe a algo más que al azar.
En epidemiología es donde la idea ha tenido una aplicación especialmente seria: ante cualquier agrupación de casos, la primera pregunta es si resultaría sorprendente en ausencia de algo fuera de lo normal.
Por qué los datos aleatorios parecen seguir un patrón
Hay algo que sorprende a mucha gente: el azar forma grupos. Si distribuyes elementos aleatoriamente, no quedan repartidos de manera uniforme. En algunos puntos se acumulan varios y en otros no cae ninguno. Nuestro cerebro interpreta esas concentraciones como si significaran algo.
Un buen ejemplo viene del Londres de la Segunda Guerra Mundial. Durante los ataques con bombas volantes, mucha gente afirmaba que las bombas caían agrupadas. En 1946, un actuario llamado R. D. Clarke publicó un breve artículo en el Journal of the Institute of Actuaries para poner a prueba esa creencia.
Dividió 144 kilómetros cuadrados del sur de Londres en 576 cuadrados de un cuarto de kilómetro cuadrado cada uno y contó los impactos. En la zona habían caído 537 bombas. Si hubieran caído de forma totalmente aleatoria, la estadística predecía unos 227 cuadrados sin impactos y unos 7 con cuatro impactos. Las cifras reales fueron 229 y 7. La correspondencia se mantenía en el resto de la tabla. En palabras de Clarke, el resultado «no respalda la hipótesis de la agrupación».
Algunos cuadrados recibieron cuatro o cinco impactos. Pero eso es precisamente lo que puede producir el azar. El significado se les atribuyó después.
Si buscas en suficientes sitios, encontrarás algo
La segunda razón por la que funciona esta falacia es simple aritmética. Si cada indicador de un panel tiene una probabilidad entre veinte de mostrar un cambio «destacable» solo por azar y revisas treinta indicadores, cabe esperar que uno o dos llamen la atención aunque no haya pasado nada significativo. En estadística se conoce como el problema de las comparaciones múltiples: cuantas más preguntas haces a los mismos datos, más respuestas obtienes por pura suerte.
Ejemplos de la falacia del francotirador de Texas
Seguro que te suenan muchos de estos casos. En todos ellos, primero se encontró el patrón y después se presentó como si se hubiera apuntado hacia él desde el principio.
| Contexto | Lo que dice el francotirador | La diana pintada después | Los fallos que se omiten |
|---|---|---|---|
| Panel de indicadores del trabajo | «¡La nueva herramienta ha mejorado tres indicadores clave!» | Tres indicadores elegidos tras conocer los resultados | Los otros 27, que no mejoraron o empeoraron |
| Complementos alimenticios | «Nuestro estudio demuestra que mejora la calidad del sueño». | Uno de los muchos resultados medidos | Los demás resultados, que no mostraron cambios |
| Predicciones | «Este analista acertó: ¡se cumplieron cinco de sus predicciones!» | Cinco aciertos seleccionados a posteriori | Las quince predicciones fallidas |
| Inversión | «Con esta estrategia habrías triplicado tu dinero desde 2015». | Una regla ajustada para encajar con precios pasados | Los cientos de reglas que se probaron y descartaron |
Ninguno de esos patrones tiene por qué ser falso. La falacia está en tratar un patrón encontrado a posteriori como si ya estuviera demostrado.
Agrupaciones de casos de cáncer: cuando hay mucho en juego
Esto no es solo un rompecabezas para estadísticos. Cuando una comunidad detecta lo que parece una concentración de casos de cáncer, la gente se asusta y merece una respuesta rigurosa.
Según el Instituto Nacional del Cáncer de Estados Unidos, una agrupación de casos de cáncer es un número de casos superior al esperado entre un grupo de personas, en una zona definida y durante un periodo concreto. El instituto también señala que, como el cáncer es frecuente, los casos pueden parecer agrupados aunque no exista relación entre ellos. Cita una revisión de Goodman y sus colaboradores, publicada en 2012, de 576 investigaciones sobre posibles agrupaciones realizadas a lo largo de veinte años. Solo en 72 se pudo confirmar un aumento de casos de cáncer. De esas 72, únicamente 3 pudieron relacionarse con una posible exposición y solo en una se identificó una causa clara.
Eso no significa que los vecinos preocupados exageren ni que nunca haya causas ambientales. Significa que la agrupación de casos plantea una pregunta, no da una respuesta. La causa hay que investigarla, no deducirla mirando un mapa.
La falacia del francotirador de Texas frente a la selección sesgada de datos y otros errores
Esta falacia tiene parientes cercanos. A menudo aparecen juntos, pero conviene distinguirlos porque cada uno exige una pregunta diferente.
| Error | Qué ocurre | La pregunta para detectarlo |
|---|---|---|
| Francotirador de Texas | Se encuentra un patrón en los resultados y después se presenta como el objetivo inicial | «¿Se había previsto antes de obtener los datos?» |
| Selección sesgada de datos | Se muestran las pruebas favorables y se ocultan las demás para respaldar una afirmación previa | «¿Podemos ver todos los datos?» |
| Sesgo de confirmación | Prestas atención y recuerdas lo que encaja con lo que ya crees | «¿Qué esperaría encontrar si estuviera equivocado?» |
| Falacia post hoc | B ocurrió después de A, así que A tuvo que causar B | «¿Qué más cambió al mismo tiempo?» |
| Sesgo de supervivencia | Solo ves los casos que llegaron hasta el final | «¿Quién falta en esta imagen?» |
| Generalización apresurada | Se extrae una regla general a partir de unos pocos casos | «¿En cuántos casos se basa?» |
| Ilusión de agrupación | Las concentraciones aleatorias parecen tener un significado | «¿Hasta qué punto podrían agruparse así por puro azar?» |
La forma más sencilla de distinguir al francotirador de quien selecciona datos de forma sesgada es fijarse en el orden. Quien selecciona datos ya tiene la diana y busca agujeros que respalden su idea. El francotirador ve primero los agujeros y dibuja una diana que encaje con ellos. En la práctica, ambas cosas suelen mezclarse.
Cuándo no hay problema en encontrar un patrón a posteriori
Hay algo que muchas explicaciones pasan por alto. Encontrar patrones en datos ya recogidos no tiene nada de malo. Muchos descubrimientos empiezan así. El error es saltarse el siguiente paso.
Un patrón descubierto al explorar los datos es una hipótesis. Solo se convierte en un hallazgo cuando se comprueba con datos que no se utilizaron para encontrarlo. En investigación, presentar un patrón descubierto después como si hubiera formado parte del plan desde el principio tiene su propio nombre: HARKing, acrónimo inglés de «formular hipótesis después de conocer los resultados», término que el psicólogo social Norbert Kerr utilizó en un artículo de 1998. Kerr no sostenía que explorar los datos estuviera mal, sino que presentar una exploración como una predicción confirmada induce a error.
| Exploración honesta | Francotirador de Texas |
|---|---|
| «Hemos observado que las incidencias de facturación se resuelven más rápido. Veamos si se mantiene». | «Las incidencias de facturación se resuelven más rápido. La herramienta funciona». |
| Indica cuántas cosas se comprobaron | Solo menciona los aciertos |
| Comprueba el patrón con datos nuevos | Usa los mismos datos para encontrarlo y demostrarlo |
| Aceptaría que el patrón desapareciera | Busca otro patrón si el primero desaparece |
Cuando un patrón no se confirma, el francotirador rara vez dice «me equivoqué». Encuentra otra concentración de agujeros en el granero, algo muy parecido a cambiar las reglas a mitad de partida.
Cómo detectar la falacia: cinco preguntas
No necesitas saber estadística para reconocer una diana pintada a posteriori. Estas cinco preguntas te ayudarán a detectarla.
1. ¿Cuándo se pintó la diana?
«¿Habíamos dicho antes de ver los resultados que esto era lo que íbamos a buscar?». Si la predicción quedó registrada de antemano, un acierto tiene valor. Si no, es una pista, no una prueba.
2. ¿En cuántos sitios se buscó?
«¿Cuántos indicadores, grupos o periodos revisamos?». Un acierto de un intento impresiona. Uno entre treinta puede ser cosa del azar.
3. ¿Dónde están los fallos?
«¿Qué pasó con los indicadores que no cambiaron?». Pedir ver el granero entero suele ser lo más útil.
4. ¿El grupo es sospechosamente específico?
«Clientes francófonos que usaron el móvil durante las dos primeras semanas» debería hacerte sospechar. Cuantas más condiciones necesita un patrón, más probable es que se haya extraído del ruido.
5. ¿Se repite con datos nuevos?
Esta es la pregunta decisiva. Comprueba el patrón en un contexto distinto de aquel donde se encontró: el mes siguiente, otra oficina, otra muestra. Un patrón real tiende a repetirse. Una diana pintada después suele desvanecerse.
Cómo responder sin buscar pelea
Decir «eso es la falacia del francotirador de Texas» puede ser correcto, pero casi nunca ayuda. La otra persona oye «estás haciendo trampas» y se pone a la defensiva. Es mejor tratar el patrón como una pista prometedora.
Puedes seguir este esquema: reconoce el hallazgo, pregunta por los fallos y propón una prueba.
| Lo que oyes | Lo que puedes decir |
|---|---|
| «¡Mira, han mejorado tres indicadores!» | «Bien. ¿Cuántos medimos en total? También me gustaría ver los que no cambiaron». |
| «Los datos demuestran claramente que este grupo responde mejor». | «Interesante. ¿Era el grupo que pensábamos analizar o destacó después?» |
| «Hay muchísima gente enferma en nuestra calle. Tiene que deberse a algo de aquí». | «Conviene comunicarlo a las autoridades sanitarias. Pueden comprobar si son más casos de los que cabría esperar por azar». |
| «La simulación con datos históricos demuestra que esta estrategia bate al mercado». | «¿Cuántas estrategias se probaron antes de elegir esta? ¿Cómo le ha ido desde entonces?» |
Si vas a seguir trabajando con esa persona, el tercer paso es el más importante. Decir «vamos a comprobarlo bien» le ofrece la oportunidad de demostrar que tiene razón.
Ejemplo paso a paso: Sigrid y el asistente de IA
Sigrid no le dijo a Darragh que su diapositiva contenía una falacia. Le dijo: «Puede que algunos de estos resultados sean reales y, si lo son, quiero saberlo. ¿Podemos hacer una segunda fase y decidir de antemano qué consideraremos un éxito?».
Acordaron un plan breve antes de empezar la segunda fase:
| Pregunta | Lo que acordaron |
|---|---|
| ¿Qué debe mejorar el asistente? | El tiempo hasta la primera respuesta y el número de incidencias resueltas sin intervención humana |
| ¿Qué se considerará un éxito? | Una mejora clara en ambos indicadores durante cuatro semanas |
| ¿Qué se considerará un fracaso? | La ausencia de cambios o un empeoramiento de la satisfacción general |
| ¿Qué pasa con los tres resultados positivos? | Se seguirán como hipótesis: si son reales, deberían repetirse |
| ¿Qué se comunicará? | Todos los indicadores del panel, no solo los favorables |
Cuatro semanas después, los resultados eran dispares. Las incidencias de facturación recibían una primera respuesta más rápido y se resolvían con más frecuencia sin intervención humana, así que aquel primer resultado positivo era real. Las demás incidencias no mostraron cambios. La subida de satisfacción entre los clientes francófonos y la bajada de consultas repetidas los jueves habían desaparecido, como suele ocurrir cuando interviene el azar.
La empresa mantuvo el asistente para las incidencias de facturación y dejó de utilizarlo para las demás. Darragh obtuvo un resultado que podía defender ante cualquiera.
Cómo detectar esta falacia en tu propio razonamiento
Todos pintamos dianas. Nos parece que estamos observando algo, no haciendo trampas.
- Escribe primero tu predicción. Antes de mirar los resultados de una prueba, un lanzamiento o un hábito nuevo, apunta una frase: «Si esto funciona, espero ver X». Tardarás treinta segundos.
- Cuenta tus disparos. Cuando algo destaque, pregúntate cuántas otras cosas has mirado. Sé sincero con la cifra.
- Muestra los fallos. Cuando compartas un buen resultado, menciona también lo que no cambió. Así tus aciertos resultarán más creíbles.
- Desconfía de las historias demasiado redondas. Si un patrón encaja perfectamente con lo que esperabas, es cuando más conviene examinarlo.
Cómo practicar con IA
Detectar una diana pintada a posteriori cuesta más cuando tienes la diapositiva delante y quien la presenta está entusiasmado. Un debate te permite practicar antes las preguntas. En Debatly, varios modelos y personajes de IA defienden distintas posturas sobre tu pregunta a lo largo de varias rondas. Puedes intervenir en cualquier momento y, al final, un juez emite un veredicto razonado.
- Pon un patrón a prueba. Escribe una afirmación que hayas visto en la sala de debate, por ejemplo: «Nuestros nuevos correos de bienvenida aumentaron la retención entre los clientes que se registraron durante el fin de semana». Pide a una parte que la defienda y a la otra que cuestione cómo se descubrió ese resultado.
- Consulta a alguien que sepa de datos. Pregunta a Sofia, la científica de datos cuántas comparaciones podrían haberse hecho y cómo sería una prueba justa. Puede ayudarte a convertir una pista en un plan.
- Pide a un escéptico que busque los fallos. Pide a Viktor, el escéptico que enumere lo que la afirmación omite: otros indicadores, otros grupos u otros periodos.
- Lee el veredicto. El juez Alex explica qué argumentos fueron decisivos. Comprueba si la postura ganadora contaba con una predicción previa o solo con una agrupación de datos llamativa.
Cuando Sigrid llevó la diapositiva de Darragh a un debate, la parte que cuestionaba los resultados preguntó en la primera ronda cuántos indicadores recogía el panel. Así llegó a la reunión sabiendo cómo plantear la pregunta con tacto.
Un límite importante
Los modelos de IA no pueden ver tus datos ni determinar si un patrón es real. Eso solo puede aclararse comprobándolo con datos nuevos. Además, son capaces de inventar una explicación convincente para casi cualquier patrón que les presentes: otra versión del pincel del francotirador. Y muchos modelos tienden a darte la razón si perciben lo que ya crees (consulta por qué la IA te da la razón). Usa el debate para afinar tus preguntas y diseñar la prueba. La respuesta tiene que venir de los datos.
Pinta primero la diana
La falacia del francotirador de Texas funciona porque hace pasar un patrón encontrado por casualidad por una predicción acertada. La solución es sencilla: decide a qué apuntas antes de mirar los resultados, cuenta todos los disparos y comprueba si el patrón se repite con datos nuevos.
Esta semana, cuando alguien te enseñe un resultado sorprendente, hazle una pregunta: «¿Era esto lo que buscábamos antes de mirar los datos?». Si hay un patrón que te entusiasma, llévalo a un debate en Debatly y deja que la otra parte busque primero los fallos. Pruébalo. Encontrarás los planes en la página de precios.
“Falacia del francotirador de Texas: ejemplos y cómo detectarla”