Comunidad
Pocas etiquetas han generado tanto debate en la comunidad ágil como #NoEstimates. Para unos es una liberación largamente esperada del teatro de la estimación. Para otros, una irresponsabilidad que ningún negocio serio puede permitirse. Como suele pasar, la etiqueta provocadora esconde una conversación mucho más matizada de lo que el nombre sugiere. Nadie serio propone en realidad trabajar a ciegas ni prometer cosas sin ninguna noción de plazo. La pregunta de fondo es otra: qué nos aporta realmente estimar, cuánto nos cuesta hacerlo, y si existen formas de predecir el futuro sin caer en el ritual de los puntos de historia. Vamos a intentar responderlo sin fanatismo por ninguno de los dos bandos, que es justo lo que este debate suele necesitar.
El movimiento que se popularizó bajo el hashtag #NoEstimates lo impulsaron, entre otros, Woody Zuill y Vasco Duarte a partir de una incomodidad muy extendida y muy real. Los equipos dedicaban una cantidad notable de tiempo a estimar, las estimaciones acertaban poco, y aun así se usaban para comprometer plazos y evaluar rendimiento como si fueran fiables. La pregunta que lanzaron fue provocadora a propósito: si estimar cuesta tanto y acierta tan poco, ¿para qué lo hacemos?
Conviene deshacer un malentendido de entrada, porque envenena la mitad de las discusiones sobre el tema. #NoEstimates no significa, en su versión seria, prometer que algo estará listo sin ninguna noción de cuándo, ni renunciar a toda previsión. Significa cuestionar la estimación por esfuerzo tarea a tarea como práctica por defecto, y explorar si hay maneras mejores de responder a las preguntas legítimas que la estimación pretende contestar. Es más una invitación a repensar una costumbre que una prohibición dogmática. El nombre, deliberadamente radical, ha jugado en su contra, porque invita a caricaturizarlo como una defensa de la improvisación, cuando sus proponentes más serios defienden justo lo contrario, una previsión más rigurosa basada en datos.
Para juzgar si podemos prescindir de estimar, primero hay que entender para qué estimamos, porque no siempre es lo que creemos, y muchas veces bajo una misma palabra conviven propósitos muy distintos.
A veces estimamos para decidir si algo merece la pena, comparando el coste esperado con el valor esperado. Esa es una pregunta legítima y difícil de responder sin alguna noción de tamaño, aunque sea gruesa. Si algo va a costar una fortuna y aportar poco, conviene saberlo antes de empezar. Otras veces estimamos para coordinar, porque otros equipos, otras áreas o los propios clientes necesitan saber cuándo estará algo para organizar su propio trabajo. También legítima, porque el trabajo de un equipo rara vez existe aislado. Y muchas veces estimamos por razones menos confesables: porque alguien quiere una fecha para presionar, porque la organización mide a los equipos por su cumplimiento, o simplemente porque siempre se ha hecho así y nadie recuerda cuestionarlo.
La crítica de #NoEstimates apunta sobre todo a este último grupo. Cuando la estimación no sirve para decidir ni para coordinar, sino para controlar o por pura inercia, es puro desperdicio disfrazado de rigor. El problema es que en muchos equipos las tres motivaciones se mezclan de forma indistinguible, y bajo la apariencia inocente de "necesitamos estimar para planificar" se esconde a veces "queremos una fecha para poder exigir responsabilidades después". Separar estos propósitos es el primer paso para tener una conversación honesta sobre el tema, porque cada uno admite respuestas distintas.
Estimar no es gratis, aunque su coste rara vez se contabiliza en ningún sitio. Está el tiempo directo de las reuniones de estimación, que en un equipo puede sumar muchas horas al mes entre sesiones de refinamiento, pókeres de planificación y discusiones sobre si algo es un cinco o un ocho. Pero el coste mayor suele ser indirecto y más difícil de ver.
Cuando una estimación se convierte en compromiso, activa la conocida ley de Goodhart, que la antropóloga Marilyn Strathern formuló diciendo que cuando una medida se convierte en objetivo, deja de ser una buena medida. La cifra deja de ser una predicción honesta y pasa a ser un objetivo que hay que cumplir, con todo lo que ello distorsiona. Los equipos aprenden a inflar estimaciones para protegerse de la presión, o a recortar calidad para cumplir lo estimado, o a discutir sobre la definición de los puntos en lugar de sobre el trabajo. La estimación, que nació para informar, termina deformando el comportamiento que pretendía medir.
Además, la estimación por esfuerzo alimenta una ilusión peligrosa, la de la precisión. Un número, por muy inventado que esté su origen, transmite una falsa sensación de control que puede llevar a decisiones peores que reconocer honestamente la incertidumbre. Decir "esto son trece puntos" suena más serio y más fiable que decir "no estamos seguros, podría llevar bastante", aunque esta segunda frase sea más veraz. La organización se aferra al número porque le da tranquilidad, no porque acierte.
Daniel Kahneman documentó en su obra sobre el juicio humano la llamada falacia de la planificación, nuestra tendencia sistemática y persistente a subestimar cuánto tardaremos en completar tareas, incluso cuando tenemos experiencia previa abundante que debería avisarnos de lo contrario. No es un defecto que se corrija con más disciplina o más experiencia. Es un rasgo estructural de cómo pensamos los seres humanos, que se manifiesta una y otra vez en todo tipo de proyectos. Estimar mejor, en muchos casos, es una batalla perdida de antemano contra nuestra propia mente, y reconocerlo es más honesto que prometer que esta vez sí acertaremos.
Aquí está la parte constructiva del debate, que a menudo se pierde entre la provocación de la etiqueta y las discusiones sobre si es una herejía. Quienes cuestionan la estimación tradicional no proponen la ceguera ni la improvisación, sino sustituir la adivinación por la previsión basada en datos reales.
La idea es sencilla y sorprendentemente poderosa. En lugar de estimar cada tarea, un equipo puede medir cuántos elementos de trabajo completa por unidad de tiempo, es decir, su throughput, y usar ese histórico para prever cuándo terminará un conjunto de trabajo. Si un equipo completa de media un cierto número de elementos por semana, y sabemos cuántos elementos quedan, podemos proyectar un rango de fechas probable sin haber estimado individualmente ni una sola tarea. El pasado real del equipo predice su futuro mejor que sus propias opiniones sobre cuánto tardará.
Esta aproximación, muy ligada al pensamiento Kanban y desarrollada con rigor por autores como Daniel Vacanti, tiene ventajas notables sobre la estimación tradicional. Se basa en lo que el equipo hace realmente, no en lo que cree que hará, lo que la inmuniza contra la falacia de la planificación. Y expresa el resultado como un rango de probabilidad en lugar de como una fecha única y falsamente precisa. Decir "hay un 85% de probabilidad de terminar entre estas dos fechas" es a la vez más honesto y más útil que decir "estará el día tal", porque comunica la incertidumbre en lugar de esconderla, y permite a quien recibe la previsión decidir cuánto riesgo quiere asumir.
Existen incluso técnicas más sofisticadas, como las simulaciones de Montecarlo aplicadas al histórico del equipo, que Troy Magennis y otros han popularizado. En lugar de una sola proyección, se simulan miles de futuros posibles a partir de los datos reales de rendimiento, y se obtiene una distribución de probabilidad de fechas de entrega. Suena complejo, pero la idea de fondo es accesible: usar lo que sabemos del comportamiento real del sistema para prever su comportamiento futuro, en vez de pedir a las personas que adivinen.
Para que todo esto funcione hace falta una condición que a menudo se pasa por alto y que conviene subrayar: trocear el trabajo en elementos de tamaño razonablemente parecido y pequeño. Si las unidades son comparables entre sí, contar cuántas se completan es suficiente y el tamaño individual de cada una importa poco, porque las variaciones se compensan en el agregado. Buena parte del arte se desplaza así de estimar a dividir bien, que es una habilidad más útil y más aprendible. Un equipo que sabe partir el trabajo en trozos pequeños y homogéneos necesita estimar mucho menos, porque el propio tamaño uniforme hace el trabajo que antes hacía la estimación.
La respuesta madura no es un sí o un no absolutos, sino un depende que conviene concretar con honestidad, porque tanto el dogmatismo de estimarlo todo como el de no estimar nada son formas de dejar de pensar.
Prescindir de la estimación por esfuerzo tiene más sentido cuando el equipo trabaja en un flujo continuo de elementos parecidos, tiene histórico suficiente para prever con datos, y opera en un contexto donde un rango de probabilidad es una respuesta aceptable para quien la recibe. En ese caso, estimar tarea a tarea aporta poco que la previsión con datos no dé mejor, más rápido y con menos desgaste. El equipo puede dedicar a construir el tiempo que antes gastaba en discutir puntos.
Estimar sigue teniendo sentido, en cambio, en varias situaciones concretas. Cuando hay que tomar una decisión de inversión importante antes de empezar, y se necesita una noción de coste para compararla con el valor esperado. Cuando no existe histórico porque el trabajo es genuinamente nuevo y no hay datos de los que partir. Y cuando el contexto contractual o de coordinación exige un compromiso concreto que no admite un simple rango de probabilidad. Negar estas situaciones sería tan dogmático como estimarlo todo por inercia, y haría un flaco favor a quien busca una respuesta honesta.
Hay además una dimensión política que conviene no ignorar, porque a menudo es la verdadera raíz del conflicto. A veces el problema no es la técnica de estimación, sino para qué se usa. Si una organización utiliza las estimaciones para presionar, para comparar equipos o para repartir culpas cuando algo se retrasa, cambiar de técnica no resolverá nada, porque el conflicto de fondo es de confianza, no de método. En esos entornos, la conversación honesta no va sobre estimar o no estimar, sino sobre por qué hace falta ese nivel de control y qué dice eso de la relación entre la organización y sus equipos. Pasar de puntos de historia a previsión con datos en un entorno de desconfianza solo cambiará la herramienta con la que se ejerce la presión.
La irrupción de la inteligencia artificial añade una arruga nueva y poco explorada a este debate, que conviene mirar con atención porque cambia algunas de las premisas de fondo.
La estimación tradicional por esfuerzo humano pierde buena parte de su sentido cuando una porción del trabajo la ejecuta una máquina que puede generar en minutos lo que a una persona le llevaría días, pero que también puede requerir varias iteraciones imprevisibles de revisión y corrección. La variabilidad se dispara. Un trabajo puede resolverse casi solo o convertirse en un pozo de correcciones sucesivas, y anticipar cuál de las dos cosas ocurrirá es aún más difícil que estimar el esfuerzo humano tradicional. Los puntos de historia, que ya eran una aproximación gruesa, se vuelven casi irrelevantes cuando el esfuerzo real depende de cómo responda un agente cuyo comportamiento no controlamos del todo.
Esto refuerza, más que debilita, el argumento a favor de prever con datos. En un entorno donde el esfuerzo por tarea es difícil de anticipar, medir el throughput real del sistema completo, humanos y agentes trabajando juntos, y proyectar a partir de ese histórico, resulta más fiable que estimar cada pieza por separado. El sistema, en su conjunto, sigue teniendo un ritmo medible aunque cada tarea individual sea impredecible. La IA no resuelve el debate #NoEstimates, pero sí inclina la balanza hacia la previsión empírica basada en el comportamiento del sistema y en contra de la adivinación tarea a tarea, que era justo lo que sus proponentes venían defendiendo desde antes de que la IA existiera.
Hay además un riesgo nuevo que conviene señalar. Si medimos la productividad por cantidad de trabajo completado y la IA infla esa cantidad, las previsiones basadas en throughput también pueden distorsionarse. Un equipo que cierra muchos más elementos gracias a la IA no necesariamente entrega más valor, así que conviene recordar que prever cuándo terminaremos no es lo mismo que asegurar que lo que terminemos merezca la pena. La previsión responde al cuándo, nunca al qué ni al para qué.
El valor de #NoEstimates no está en su respuesta, que a veces sus defensores más radicales exageran hasta la caricatura, sino en su pregunta. Nos obliga a examinar una práctica que muchos equipos realizan por pura costumbre sin preguntarse qué les aporta ni qué les cuesta. Y esa pregunta es sana con independencia de la respuesta que cada equipo encuentre, tanto si al final decide seguir estimando como si decide sustituir la estimación por previsión con datos, o combinar ambas según el contexto.
Quizá la conclusión más útil sea dejar de tratar la estimación como una obligación moral de la profesionalidad, algo que se hace porque los equipos serios lo hacen, y empezar a tratarla como lo que realmente es: una herramienta entre varias, con un coste y un beneficio que conviene sopesar en cada situación concreta. A veces la respuesta más profesional no es estimar mejor, sino dejar de estimar lo que no hace falta y medir, en cambio, lo que sí importa. Y a veces, cuando hay una decisión de inversión grande sobre la mesa, la respuesta profesional sí es dedicar tiempo a estimar con cuidado. El dogma, en cualquiera de las dos direcciones, es el enemigo.
¿Y en tu equipo? ¿Estimáis por convicción de que os aporta algo real, o por inercia y porque siempre se ha hecho así? ¿Habéis probado alguna vez a prever con datos en lugar de estimar por esfuerzo, y qué pasó?
Este tema no tiene comentarios.