En el mundo de las organizaciones, los líderes suelen operar bajo una creencia simple e intuitiva: si cambias la forma en que trabaja un equipo, los resultados también cambiarán. Si una empresa introduce equipos autogestionados o fomenta que las personas compartan lo que saben, el rendimiento debería aumentar. Esto parece lógico, pero esconde un misterio profundo. Cuando un equipo mejora, rara vez está claro por qué mejoró. ¿Fue porque todos aprendieron más? ¿Fue porque se sintieron más confiados? ¿O fue simplemente porque la persona adecuada estaba en la sala adecuada en el momento adecuado? Por el contrario, cuando un nuevo método falla, los gerentes luchan por identificar la pieza faltante. No pueden ver los engranajes invisibles que giran dentro de la máquina. Durante décadas, los investigadores han intentado mapear estas conexiones, recurriendo a menudo a encuestas y estadísticas que muestran correlaciones pero que no pueden probar la mecánica subyacente. La pregunta sigue siendo: ¿dar libertad a un equipo realmente los hace mejores, o simplemente hace que el resultado sea más difícil de predecir?

Un nuevo estudio de Franny Philos Sophia, del Instituto Elanare, atraviesa esta niebla tratando a una organización no como una colección de personas, sino como un sistema lógico que puede ser probado con absoluta precisión. La investigadora construyó una teoría formal llamada RCAS, que significa Sistema Adaptativo de Referencia–Elección (Reference–Choice Adaptive System). En lugar de adivinar cómo las prácticas conducen a los resultados, el estudio descompone el proceso en pasos intermedios explícitos, mapeando exactamente cómo una acción específica cambia el estado interno de un equipo. Para asegurar que no hubiera errores en esta compleja lógica, toda la teoría fue traducida a un lenguaje de computación utilizado para pruebas matemáticas. Un programa informático verificó cada uno de los pasos del razonamiento, comprobando que las conclusiones se derivaran inevitablemente de los supuestos iniciales. Este enfoque es poco común en el estudio de grupos humanos, donde los resultados suelen basarse en la observación en lugar de la prueba. El objetivo no era decirle a las empresas qué hacer, sino comprender exactamente qué es posible y qué es imposible dentro de la lógica del trabajo en equipo.

El estudio comienza definiendo qué significa que un equipo tenga una elección genuina. Imagine a un equipo al que se le da un objetivo claro y un conjunto de límites, pero se le permite decidir cómo alcanzar ese objetivo. Esto es diferente a que se le diga exactamente qué hacer, y es diferente a no tener reglas en absoluto. Los investigadores descubrieron que cuando un equipo opera con este tipo de libertad estructurada, puede lograr los mismos resultados de alta calidad utilizando diferentes métodos. Una persona podría resolver un problema rápidamente, mientras que otra toma un enfoque más detallado, pero ambos tienen éxito. Esto demuestra que estandarizar el resultado no requiere estandarizar el método. Sin embargo, el estudio también reveló una vulnerabilidad crítica: tener capas de reglas no significa automáticamente que el sistema funcione. Es posible diseñar una estructura donde las reglas en la parte superior permitan algo que las reglas en la base prohíban. Para que un sistema sea sólido, los límites deben mantenerse activamente; no se arreglan por sí solos solo porque la estructura exista.

Uno de los hallazgos más significativos se refiere a la diferencia entre compartir lo que sabes y crear algo nuevo. El estudio distingue entre dos tipos de crecimiento de capacidad. El primero es la difusión, donde el conocimiento se propaga de una persona hábil a otras. El segundo es la creación, donde alguien desarrolla una habilidad que excede lo que cualquier persona en el grupo posee actualmente. Los resultados verificados por computadora muestran un límite claro: compartir el conocimiento puede fortalecer a un equipo en términos de volumen y resiliencia, pero no puede elevar el techo de lo que el equipo es capaz de lograr. Si un equipo tiene un experto que puede resolver los problemas más difíciles, enseñar a todos los demás a ser competentes permitirá que el equipo realice más trabajo y sobreviva a la pérdida de un miembro, pero no les permitirá resolver un problema que el experto no pudiera resolver solo. Para romper ese techo, alguien debe crear nuevo conocimiento que vaya más allá del máximo actual. Esta distinción es vital porque explica por qué algunos equipos que comparten información sin cesar siguen chocando contra un muro de rendimiento.

Los investigadores también desglosaron el concepto de "rendimiento" en tres partes distintas, en lugar de tratarlo como un único número. Primero, está la frontera, que representa la mayor calidad o complejidad que el equipo puede alcanzar actualmente. Segundo, está el volumen, o cuánto trabajo puede producir el equipo en paralelo. Tercero, está la resiliencia, que mide cuántos miembros puede perder el equipo antes de caer por debajo de un estándar requerido. El estudio demuestra que el intercambio de conocimientos aumenta el volumen y la resiliencia. A medida que más personas aprenden las habilidades del experto, el equipo puede producir más trabajo simultáneamente y puede soportar la partida de individuos sin colapsar. Sin embargo, la frontera —el pico de lo que es posible— solo se mueve si alguien crea algo nuevo. Esto significa que un equipo puede volverse increíblemente eficiente y robusto sin llegar a ser más innovador.

Quizás el resultado más sorprendente desafía una idea popular en la gestión moderna: que los equipos autogestionados conducen automáticamente a un mejor rendimiento. El estudio construyó un escenario específico, verificado por la computadora, donde un equipo tenía todas las características estructurales correctas. Tenían una elección genuina, cubrían todas las habilidades necesarias y actualizaban sus propias reglas para mejorar con el tiempo. Sin embargo, en este escenario, su rendimiento era cero. Este contraejemplo demuestra que tener la estructura adecuada no garantiza el éxito. Las condiciones para la autogestión son necesarias, pero no son suficientes. Si un equipo realmente rinde bien depende de factores fuera de la lógica formal del sistema, como si los objetivos se establecieron correctamente o si el entorno es favorable. La teoría demuestra que no se puede deducir el éxito únicamente a partir de la presencia de autonomía.

El estudio también analizó cómo los equipos manejan las reglas y las restricciones. Encontró que para que un conjunto de reglas sea efectivo, cada una de las reglas debe ser necesaria. Si una regla puede eliminarse sin perjudicar la capacidad del equipo para funcionar, debe eliminarse. Esto se alinea con la idea de la gestión ágil (lean management), donde se elimina la burocracia innecesaria. Los investigadores demostraron que si un equipo tiene una regla que no añade valor, el sistema no está en su estado más eficiente. Además, descubrieron que los equipos pueden mejorar sus reglas con el tiempo, pero solo si tienen un mecanismo para mantener las reglas actuales si no se encuentra una opción mejor. Sin esta condición de "permanencia" (stay condition), un equipo podría empeorar accidentalmente sus reglas al cambiarlas constantemente en busca de una mejora.

Al final, este trabajo proporciona un mapa claro del territorio entre la práctica y el rendimiento. Separa lo que está lógicamente garantizado de lo que simplemente se espera. Confirma que compartir el conocimiento hace que los equipos sean más capaces de realizar más trabajo y sobrevivir a los contratiempos, pero no puede hacerlos más innovadores a menos que alguien cree algo nuevo. Muestra que la autogestión es una herramienta poderosa, pero no es una varita mágica que asegura el éxito. El estudio deja el vínculo final con el mundo real abierto para su prueba, reconociendo que, si bien la lógica es sólida, la aplicación depende de la realidad desordenada de las organizaciones humanas. Al demostrar exactamente dónde funcionan los mecanismos y dónde fallan, la investigación ofrece a los líderes una forma de diagnosticar a sus equipos. Si un equipo tiene problemas con el volumen, necesita compartir conocimiento. Si tiene problemas con la innovación, necesita crear nuevas capacidades. Si tiene problemas con la resiliencia, necesita construir redundancia. El artículo no ofrece una solución única para todos, sino que ofrece algo más valioso: una comprensión precisa de los engranjes que mueven la máquina de una organización.