Entendiendo lo complejo

Cuando observamos a un cardumen de peces en el mar, o a un conjunto de aves en el aire, o a un grupo de niños que juegan en el patio de un colegio durante el recreo, estamos observando un “sistema complejo”.

El análisis de esta calidad –el de la complejidad– se ha vuelto, sorprendentemente, en una de las disciplinas científicas más dinámicas, con crecientes y múltiples aplicaciones: el funcionamiento de variados mercados, la propagación de epidemias, los sistemas ecológicos, la evolución de las ciudades, etcétera. En apenas un cuarto de siglo, y gracias a la enorme potencia de las computadoras más recientes, la complejidad ha dejado de ser una colección suelta de intuiciones metafóricas para pasar a convertirse en una ciencia respetable que ofrece una diversidad de modelos e ideas a partir de los cuales se puede interpretar y entender mejor el mundo que nos rodea.

Todavía los términos se suelen confundir con facilidad. Complejidad no es lo mismo que caos, dificultad o complicación. Lo que finalmente se ha terminado precisando y definiendo como “sistema complejo” es aquel constituido por un conjunto de unidades diversas, que son interdependientes entre sí y adaptables a las circunstancias. Son éstas las cuatro características esenciales de la complejidad: la diversidad, la conexión, la interdependencia y la adaptación. Una máquina complicada, por ejemplo, no constituye necesariamente un sistema complejo si carece de esta última calidad: la adaptación.

Un mejor entendimiento de cómo funcionan los sistemas complejos resultaría de gran importancia porque ellos, actualmente, pueden resultar muy difíciles de predecir y, eventualmente, pueden sufrir grandes traumas: derrumbes bursátiles, huracanes o terremotos, desastres ecológicos, entre otros. Por lo general, estos eventos son tratados como abruptos o imprevistos, como ubicados fuera de la curva de la distribución normal, como hechos de Dios. Actualmente, sin embargo, se viene identificando nuevas ecuaciones que podrían ayudar a explicar estos comportamientos que hasta ahora resultaban impredecibles.

Algunos de estos sistemas complejos suelen adquirir una robustez significativa y también producir fenómenos emergentes que van de abajo a arriba. Por ejemplo, las aves o los peces cuando vuelan o nadan juntos. Hay un aparente formalismo que no es para nada impuesto. Los patrones que tales sistemas pueden adoptar son muy diversos y constituir –como cuando los niños juegan en el patio– una fuente perpetua de novedad. Tales sistemas no se encuentran en equilibrio, pero tampoco resulta muy válido calificarlos de caóticos. Un aspecto muy relevante de los sistemas complejos es que en ellos se puede alcanzar puntos críticos (tipping points) que los transforman radical e irreversiblemente. Por ejemplo, cuando un lago se contamina y pierde toda vida orgánica.

Es obvio que –conforme más diverso, conectado, interdependiente y adaptable se vuelve– nuestro mundo aumenta en complejidad. Y en cualquier sistema complejo resulta imposible predecir el futuro sólo con base en el análisis del comportamiento del pasado. Nadie puede pronosticar con precisión la marcha futura de una economía porque los elementos de ésta, interdependientes y adaptables, ya no son iguales a los que fueron, hasta hace muy poco. Los modelos utilizados hasta hace una década son muy aproximados. Y se basan en una optimización racional y una distribución normal de frecuencias que simplifican sistemas que son por naturaleza complejos y no simples. Pueden pronosticar al 95% de probabilidad, pero el 5% restante puede ser toda la diferencia.

Rick Riolo, del Centro de Estudio de Sistemas Complejos de la Universidad de Michigan, viene construyendo una nueva metodología modeladora, la cual permite explorar crecientemente sistemas complejos. Los llama modelos basados-en-agentes y por agentes entiende a elementos a los que les puede otorgar una limitada memoria, así como cierta habilidad cognitiva, y forzarlos al seguimiento de algunas reglas (las que pueden ser simples y fijas o sofisticadas y adaptables). Tales agentes están interconectados en red y ejercen un comportamiento interdependiente. Los modelos permiten también incorporar los tipping points; es decir, momentos en que el comportamiento de los agentes puede cambiar bruscamente como, por ejemplo, cuando el pánico se generaliza en un mercado.

Comparados con los modelos relativamente simples que se utilizan actualmente, éstos permitirían una mayor fidelidad. Por ejemplo, un inspector de edificios podría simular, en su computadora, eventuales emergencias para así determinar el máximo número de personas autorizadas en un lugar público. Se podría suponer que este número depende del área del espacio, así como del diseño de las puertas disponibles. Rápidamente, se descubriría que un rectángulo de 80 por 20, con puertas por los lados estrechos del cuarto, permitiría a más gente que en un cuadrado de 40 por lado, a pesar de tener la misma área. Es que en un cuarto rectangular, las personas corren a la puerta con mayor orden y fluidez. El cuarto cuadrado, en cambio, aunque la distancia media de cada agente a la puerta sea menor, genera amontonamientos que pueden resultar desastrosos. Y jugando con el modelo, incluso, se puede identificar soluciones que vuelvan más seguros los cuartos cuadrados.

Y de allí a entender mejor problemas más complicados de la economía, los sistemas políticos, las redes sociales o las ecologías, no hay sino un paso. El resultado de cualquier sistema complejo es uno que fluctúa. Podríamos asumir que estas fluctuaciones son eventos del azar, pero ignorarlas tiene el peligro de que pueden generar traumas significativos, para los que podríamos estar mejor preparados, para evitarlos o atenuarlos.

La Teoría de Decisiones era una que tradicionalmente consistía en: determinar un conjunto de opciones; estimar el beneficio de cada opción en cada estado del mundo; computar la probabilidad de cualquier estado del mundo; y efectuar una selección racional sobre la base de ese análisis matemático. Este sistema es uno que funciona bien para escoger cuál computadora comprar, pero no es lo más adecuado para sistemas complejos. La complejidad no es lo mismo que la incertidumbre; es algo que se puede estudiar y modelar.