Overfitting cognitivo: cuando todo parece confirmar la misma historia

En el artículo anterior hablábamos de algo bastante curioso: la tendencia que tenemos a ver patrones donde quizá no existen. Caras en las nubes, figuras en Marte, profecías en coincidencias. Nuestro cerebro está diseñado para encontrar sentido en el mundo. Y eso, que es una de nuestras mayores fortalezas, también puede ser una fuente de error.

En machine learning pasa algo parecido. Los modelos aprenden patrones a partir de datos, pero no siempre lo hacen bien. A veces simplifican demasiado. Otras veces aprenden tanto de un conjunto concreto que empiezan a ver señales incluso donde solo hay ruido. Y cuanto más pensaba en esto, más claro veía que esa idea también se puede usar como metáfora para entender cómo interpretamos los humanos la realidad.

Si no has leído todavía mi artículo sobre el sesgo y la varianza en el machine learning, te recomiendo echarle un vistazo porque allí explico la base técnica de esta idea. Aquí quiero dar un paso más y llevar esa lógica al terreno de las narrativas humanas.

Del machine learning a las narrativas humanas

En aprendizaje automático hay dos errores clásicos que aparecen una y otra vez: el subajuste (underfitting) y el sobreajuste (overfitting).

Un modelo con underfitting es demasiado simple. No capta bien la estructura real de los datos. Se queda corto. No entiende suficientemente el problema.

Un modelo con overfitting, en cambio, aprende demasiado bien los datos de entrenamiento. Tan bien, de hecho, que acaba confundiendo ruido con señal. Funciona muy bien sobre los ejemplos que ya ha visto, pero falla cuando sale al mundo real.

La intuición técnica suele resumirse así:

No hace falta complicarlo mucho más. Lo importante aquí es la metáfora: también los humanos podemos quedarnos cortos al interpretar la realidad o, al contrario, complicarla tanto que todo parezca encajar en una historia previa.

El subajuste humano

La parte izquierda de la gráfica representa el subajuste. En términos humanos, aquí podríamos hablar de desconocimiento, falta de contexto o escasez de herramientas para interpretar bien lo que ocurre.

Cuando una persona sabe poco sobre un tema, suele recurrir a explicaciones muy simples. No porque sea irracional, sino porque no dispone de mejores modelos mentales. Si no entiendes cómo funciona algo, cualquier historia sencilla puede parecer suficiente.

En ese estado, resulta mucho más fácil adoptar narrativas prefabricadas sin demasiado análisis crítico. A veces eso viene de titulares simplificados, mensajes repetidos o formas de contar el mundo que no exigen pensar demasiado. El problema no es solo que la historia sea simple. El problema es que, al ser demasiado simple, deja fuera demasiadas cosas de la realidad.

En machine learning, el modelo subajustado no capta los patrones reales. En humanos ocurre algo parecido: la interpretación se queda corta. No distingue matices. No ve complejidad. No detecta relaciones importantes.

El sobreajuste humano

En el extremo contrario aparece lo que en este artículo voy a llamar, por analogía, overfitting cognitivo.

No lo uso como término académico formal, sino como una metáfora útil. Igual que un modelo sobreajustado aprende demasiado bien un conjunto limitado de datos, una persona también puede sobreexponerse a los mismos marcos narrativos, las mismas noticias, los mismos canales o las mismas interpretaciones.

Y entonces ocurre algo curioso: todo empieza a confirmar la misma historia.

Cada noticia parece una prueba. Cada coincidencia parece una señal. Cada evento encaja. Todo refuerza la narrativa previa.

Eso es exactamente lo que hace peligroso el sobreajuste, tanto en IA como en humanos. El sistema ya no está aprendiendo a interpretar mejor la realidad. Está forzando la realidad para que encaje en su modelo.

Si en el subajuste humano el problema era la simplificación excesiva, aquí el problema es el contrario: la narrativa se vuelve tan sofisticada, tan cerrada sobre sí misma, que cualquier hecho puede absorberse dentro de ella. Ya no hay datos que la contradigan. Todo la confirma.

Cuando todo parece confirmar la misma historia

Este es, para mí, el síntoma más claro del overfitting cognitivo: cuando una historia deja de competir con otras explicaciones posibles y empieza a presentarse como el marco total de interpretación.

Da igual qué ocurra. Siempre encaja.

Eso puede pasar con ideologías, con conspiraciones, con profecías reinterpretadas o simplemente con sesgos alimentados por una dieta informativa demasiado estrecha. La persona no siente que esté forzando nada. Al contrario: siente que por fin entiende el mundo. Igual que una persona que ve una cara en la nube y ya no puede dejar de verla.

Desde dentro, el sobreajuste se vive como claridad. Desde fuera, muchas veces se parece más a una lectura excesiva de ruido.

La zona interesante: interpretación equilibrada

La parte central de la gráfica es la más difícil y probablemente la más importante. Es la zona de la interpretación equilibrada.

En machine learning, un buen modelo no es el que memoriza todos los datos ni el que simplifica demasiado. Es el que consigue generalizar. El que aprende patrones reales sin confundirlos con coincidencias.

En humanos, eso exige varias cosas a la vez: conocimiento, duda razonable, pensamiento crítico y disposición a revisar las propias ideas. No es una posición cómoda porque obliga a vivir con cierta incertidumbre. Pero probablemente sea la forma más honesta de acercarse a la realidad.

No se trata de no tener narrativas. Las necesitamos. Vivimos a través de historias. Pensamos en términos de relatos, causas y consecuencias. El problema empieza cuando la narrativa se vuelve demasiado pobre o demasiado total.

Lo que la IA nos permite ver

Una de las cosas que más me interesan de la inteligencia artificial es esta: no solo sirve para automatizar tareas o aumentar productividad. También funciona como un pequeño laboratorio para observar errores que se parecen mucho a los nuestros.

Cuando ves a un modelo caer en underfitting o en overfitting, lo que estás viendo es una versión simplificada de un problema epistemológico más profundo: cómo distinguir entre patrón y ruido, entre coincidencia y estructura, entre relato útil y relato excesivo.

Las máquinas no piensan como nosotros, claro. Pero se parecen lo suficiente como para que sus errores nos ayuden a pensar mejor sobre los nuestros.

El verdadero equilibrio

Encontrar patrones es una de las grandes capacidades del cerebro humano. Sin ella no existirían la ciencia, la tecnología, los libros, el arte ni la capacidad de imaginar futuros distintos. Pero ese mismo superpoder puede fallar por los dos lados.

Podemos quedarnos demasiado cortos y aceptar explicaciones simplistas. O podemos pasarnos y empezar a ver confirmaciones en todas partes.

En machine learning el reto está en encontrar el equilibrio entre sesgo y varianza. En los humanos, quizá el reto sea muy parecido.

Tal vez pensar bien consista, en parte, en eso: no vivir en el subajuste de la ignorancia, pero tampoco en el sobreajuste de las narrativas que lo explican todo.