239. Complex Problem Solving para Entrenamiento y Salud. Javier Recuenco (repost)

Описание: Publico de nuevo esta entrevista porque el vídeo que subí el año pasado no tenía mi parte.

El libro que cita Javier a final del episodio es La Naturaleza Del Entrenamiento: https://www.amazon.es/dp/8409426331?r...

(~00:04–06:30) Presentación de Javier Recuenco y marco del episodio: se distingue entre sistemas complejos y problemas complejos (wicked problems). Un sistema complejo puede funcionar “en caja negra” sin que haya problema, pero en cuanto queremos intervenir o entenderlo, emergen problemas complejos casi de forma inevitable.

(~06:30–10:40) Repaso histórico del concepto: la ciencia de la complejidad lleva décadas (cibernética, Santa Fe, etc.), pero la definición rigurosa de Complex Problem Solving (CPS) es muy reciente (cita el paper de Funke & Tor te en 2017 y el informe del World Economic Forum de 2014). Tradicionalmente, los wicked problems se daban por irresolubles o “ingobernables”.

(~11:20–17:30) Crítica al modelo clásico de ciencia (Popper, replicabilidad) aplicado a sistemas complejos: en medicina, entrenamiento, inmunología, etc., es casi imposible replicar exactamente condiciones y contextos. La consecuencia: muchas disciplinas que tratan con humanos funcionan como pseudociencias de facto si se juzgan con el estándar de la física, aunque en realidad lo que falla es el marco metodológico, no necesariamente la disciplina.

(~18:15–21:40) El problema de las “recetas”: en entrenamiento y salud dominan modelos heredados (“libros rusos”, periodizaciones estándar, promedios de estudios). Funcionan mal porque se aplican como soluciones deterministas a sistemas complejos, ignorando contexto e individualidad. A la vez, vender complejidad es difícil: el cerebro busca atajos, heurísticos y protocolos cerrados.

(~20:59–25:35) Recuenco explica cómo tuvo que construir su propia metodología de CPS: buscó en todo el mundo un enfoque sistemático y solo encontró retales (dinámica de sistemas, escuelas de complejidad, MIT, Santa Fe). Al ver que las grandes consultoras viven sobre todo de optimizar procesos simples, terminó articulando desde cero un marco propio (Singular Solving, seminario y máster en la UNIR).

(~26:40–33:50) Defensa de la transdisciplinariedad y crítica a la hiperespecialización: en contextos de alta incertidumbre, los rendimientos marginales de profundizar más y más en un micro-nicho son decrecientes. Propone las “cienciartes”: territorios híbridos entre ciencia y arte (como el entrenamiento, la medicina clínica o la resolución de problemas complejos), donde hay que combinar muchas disciplinas “blandas” (psicología, sociología, antropología, etc.) con rigor científico.

(~38:50–43:10) Crítica al uso ingenuo de la estadística: los promedios y metaanálisis sirven para entender grandes poblaciones, pero son casi inútiles para decidir sobre un individuo concreto. Para el trabajo real con personas, hace falta personotecnia: ciencia de la individualización y del contexto. Llevar la estadística “macro” al caso particular es, en muchos casos, un oxímoron.

(~43:05–48:50) “El relato mata al dato”: los humanos son dominados por narrativas simples y sesgos cognitivos. Métricas como glucosa continua, insulina, VO₂max o cualquier número aislado se convierten en fetiches cuando pasan a ser objetivo (Goodhart/McNamara). Si no entiendes persuasión, influencia y sesgos, perderás frente a gurús que manejan mejor el relato aunque su ciencia sea mucho peor.

(~57:50–1:07:15) Inteligencia artificial, datos y trabajo del futuro: muchas tareas actuales son puro “algoritmo humano” (Sota, caballo y rey, checklists, plantillas). Eso lo hará la IA mucho mejor y más barato. Lo que queda como “santuario humano” es el razonamiento crítico, el pensamiento lateral y la gestión de sistemas complejos con humanos dentro. El modelo ganador será el del centauro (humano + máquina, al estilo Kasparov), no la sustitución total del profesional.

(~1:09:36–1:10:50) Consejos a un joven de 17–18 años: 1) asumir que tendrá que estudiar toda la vida; 2) elegir un campo que le apasione y en el que pueda ser bueno; 3) aprender a competir (en el buen sentido) y a tolerar que esfuerzo y recompensa no están linealmente conectados; 4) no confiar en que un título universitario garantice empleo, sino en la capacidad de crear valor en entornos inciertos.