Métodos y técnicas para resolver problemas en contextos empresariales
Cómo pasar de “tenemos un problema” a comprender sus causas, experimentar soluciones y generar aprendizaje organizacional
En una empresa, resolver problemas no consiste simplemente en encontrar una respuesta correcta. Consiste en reducir incertidumbre, comprender las causas, tomar decisiones con evidencia y cambiar el sistema sin crear problemas mayores.
El desafío es que los problemas empresariales rara vez vienen perfectamente definidos. Pueden estar mezclados con síntomas, opiniones, intereses, restricciones, dependencias y decisiones anteriores. Por eso, utilizar una única técnica para todos los problemas suele ser un error.
Desde el método científico hasta el Scientific Management, Lean, PDCA, A3, Design Thinking, TRIZ, análisis de causa raíz o Cynefin, existe un amplio repertorio de enfoques para investigar y resolver problemas. Cada uno parte de supuestos diferentes y resulta más útil en determinados contextos.
La pregunta relevante no es:
¿Cuál es el mejor método para resolver problemas?
Sino:
¿Qué método nos ayuda a comprender y actuar mejor frente a este problema concreto?
¿Qué es un método de resolución de problemas?
Un método de resolución de problemas es una forma estructurada de transformar una situación no deseada en una situación mejor, mediante observación, análisis, toma de decisiones, experimentación y aprendizaje.
En términos empresariales, podemos representarlo así:
Situación actual → Problema → Comprensión → Hipótesis → Intervención → Resultado → Aprendizaje
El método utilizado determina cómo recorremos ese camino.
Por ejemplo:
- El método científico busca generar conocimiento mediante observación, hipótesis y experimentación.
- El Scientific Management busca mejorar sistemáticamente la eficiencia del trabajo mediante observación y estandarización.
- PDCA convierte la resolución de problemas en un ciclo de aprendizaje continuo.
- Lean busca eliminar desperdicios y mejorar el flujo de valor.
- A3 proporciona una estructura visual para comprender problemas y coordinar acciones.
- Design Thinking ayuda a resolver problemas cuando necesitamos comprender profundamente a las personas afectadas.
- TRIZ busca soluciones innovadoras a partir de patrones y contradicciones.
- Cynefin ayuda a determinar qué tipo de problema tenemos antes de decidir cómo abordarlo.
Por tanto, resolver problemas empieza por diagnosticar el tipo de problema.
1. El método científico: resolver problemas como investigación
El método científico es uno de los antecedentes más importantes de los enfoques modernos de resolución de problemas.
Su lógica fundamental puede expresarse como:
Observar → Preguntar → Formular hipótesis → Experimentar → Analizar resultados → Aprender
Su gran contribución al contexto empresarial es introducir una disciplina fundamental:
No confundir una explicación plausible con una explicación comprobada.
Aplicación empresarial
Supongamos que una organización observa:
“Nuestros clientes están abandonando el proceso de compra.”
Una respuesta convencional podría ser:
“El proceso tiene demasiados pasos.”
Pero eso es una hipótesis, no un hecho.
Una aproximación científica preguntaría:
- ¿Dónde ocurre exactamente el abandono?
- ¿Qué comportamiento observamos?
- ¿Qué variables podrían explicarlo?
- ¿Qué hipótesis queremos comprobar?
- ¿Qué evidencia permitiría confirmarla o descartarla?
- ¿Qué experimento podemos realizar?
El objetivo no es tener razón.
El objetivo es aprender qué está ocurriendo realmente.
2. Scientific Management: convertir la observación en eficiencia
A comienzos del siglo XX, Frederick Winslow Taylor desarrolló lo que posteriormente se conocería como Scientific Management o administración científica.
Su propuesta buscaba estudiar sistemáticamente el trabajo para identificar formas más eficientes de realizarlo.
Entre sus elementos centrales estaban:
- observación sistemática;
- análisis de tareas;
- medición del trabajo;
- estandarización;
- selección y entrenamiento;
- separación entre diseño y ejecución del trabajo;
- búsqueda de métodos más eficientes.
Su influencia sobre la gestión empresarial fue enorme.
Pero existe una distinción importante para el contexto actual:
Scientific Management fue diseñado principalmente para optimizar sistemas de trabajo relativamente estables y repetibles.
No todos los problemas empresariales actuales tienen esa naturaleza.
Intentar gestionar un problema complejo como si fuera una línea de producción puede producir exactamente el resultado contrario al esperado.
La lección que permanece
Más allá de sus limitaciones históricas, Scientific Management dejó una idea poderosa:
Antes de mejorar un proceso, debemos comprender cómo funciona realmente.
Esto sigue siendo relevante para operaciones, tecnología, servicios, producto y transformación empresarial.
3. PDCA: convertir la solución en un ciclo de aprendizaje
El ciclo PDCA —Plan, Do, Check, Act— está estrechamente asociado con la tradición de mejora de calidad desarrollada por W. Edwards Deming y posteriormente incorporada de manera profunda en el Toyota Production System.
La lógica es:
Planificar → Hacer → Comprobar → Actuar
En lugar de implementar una gran solución y esperar que funcione, PDCA propone ciclos de aprendizaje.
Ejemplo
Una empresa quiere reducir el tiempo de aprobación de créditos.
En lugar de rediseñar todo el proceso:
Plan
Hipótesis: una parte importante de la espera proviene de una validación manual.
Do
Automatizar esa validación en una muestra controlada.
Check
Comparar tiempos, errores y rechazos.
Act
Si el resultado es positivo, ampliar la solución y estandarizarla.
La fortaleza de PDCA está en convertir:
“Creemos que esto funcionará”
en:
“Probemos si esto funciona.”
4. A3 Thinking: resolver problemas y hacer visible el razonamiento
El A3 Thinking, asociado al Toyota Production System, utiliza una hoja A3 como estructura para representar el razonamiento detrás de la resolución de un problema.
Normalmente incluye elementos como:
- Contexto.
- Situación actual.
- Definición del problema.
- Objetivo.
- Análisis de causas.
- Contramedidas.
- Plan de implementación.
- Seguimiento.
Su valor no está en el tamaño de la hoja.
Está en obligar al equipo a hacer explícito su razonamiento.
Un A3 bien construido permite responder:
¿Qué sabemos?
¿Qué suponemos?
¿Cuál es la causa?
¿Qué queremos cambiar?
¿Cómo sabremos si funcionó?
Esto convierte la resolución de problemas en una conversación basada en evidencia y no solamente en opiniones.
5. Root Cause Analysis: buscar más allá del síntoma
El Root Cause Analysis (RCA) reúne diferentes técnicas destinadas a identificar las causas subyacentes de un problema.
Algunas herramientas conocidas son:
- 5 Whys
- Ishikawa / Fishbone Diagram
- análisis causal;
- análisis de Pareto;
- árboles de fallos.
Ejemplo
Problema: una aplicación falla durante el cierre mensual.
¿Por qué?
Porque el servidor se queda sin capacidad.
¿Por qué?
Porque el volumen de transacciones aumenta significativamente.
¿Por qué?
Porque el proceso mensual concentra operaciones.
¿Por qué?
Porque determinadas operaciones se ejecutan manualmente en una ventana específica.
La investigación puede terminar revelando que el problema no es realmente “falta de capacidad del servidor”.
El problema puede estar en el diseño del proceso.
Aquí aparece una advertencia importante:
Encontrar una causa cercana al síntoma no significa haber encontrado una causa raíz.
6. Lean: resolver problemas eliminando desperdicio
Lean introduce una perspectiva diferente: muchos problemas de desempeño pueden entenderse observando el flujo de valor y los desperdicios que lo interrumpen.
Entre los desperdicios tradicionalmente identificados están:
- espera;
- sobreproducción;
- transporte;
- procesamiento innecesario;
- inventario;
- movimiento;
- defectos;
- talento desaprovechado.
En empresas digitales podemos encontrar equivalentes:
- aprobaciones innecesarias;
- handoffs entre equipos;
- exceso de trabajo en progreso;
- reuniones sin decisión;
- documentación redundante;
- retrabajo;
- dependencias;
- releases demasiado grandes.
Lean cambia la pregunta:
“¿Quién está trabajando lento?”
por:
“¿Dónde está atrapado el flujo?”
Esa diferencia puede cambiar completamente la intervención.
7. Design Thinking: resolver el problema correcto
No todos los problemas empresariales pueden resolverse analizando procesos internos.
Algunos requieren comprender primero a las personas.
Design Thinking utiliza una aproximación centrada en las necesidades y experiencias de quienes viven el problema.
Una representación habitual incluye:
Empatizar → Definir → Idear → Prototipar → Testear
Por ejemplo, un banco puede asumir:
“Los clientes necesitan una aplicación más rápida.”
Pero la investigación podría descubrir que el verdadero problema es otro:
“Los clientes no confían en el resultado del proceso y necesitan mayor claridad.”
La solución podría no ser una aplicación más rápida.
Podría ser mejor comunicación, transparencia o diseño de la experiencia.
La primera pregunta de Design Thinking no es:
“¿Qué podemos construir?”
Es:
“¿Qué problema merece realmente ser resuelto?”
8. TRIZ: resolver contradicciones
TRIZ, desarrollado a partir del trabajo de Genrich Altshuller, parte de una premisa interesante:
Muchos problemas de innovación contienen contradicciones.
Por ejemplo:
Queremos aumentar la seguridad, pero sin hacer más lento el proceso.
O:
Queremos personalizar el servicio, pero reducir su costo.
Una respuesta convencional podría aceptar el trade-off:
Más seguridad = menos velocidad.
TRIZ busca una solución que elimine o reduzca la contradicción.
En términos empresariales:
No aceptar automáticamente que mejorar una variable implica necesariamente empeorar otra.
Esto puede ser especialmente útil en innovación, diseño de productos, procesos y tecnología.
9. Cynefin: elegir el método según la naturaleza del problema
Uno de los errores más frecuentes en gestión es aplicar herramientas de resolución de problemas sin preguntarnos primero qué tipo de problema tenemos.
El Cynefin Framework, desarrollado por Dave Snowden, propone distinguir entre diferentes dominios de decisión, incluyendo:
- Obvious / Clear
- Complicated
- Complex
- Chaotic
La distinción es especialmente relevante para las empresas.
Problema claro
Existe una relación conocida entre causa y efecto.
Ejemplo: un procedimiento operativo documentado no se está siguiendo.
Podemos:
Percibir → Clasificar → Responder
Problema complicado
La relación causa-efecto existe, pero requiere conocimiento experto.
Ejemplo: diseñar una arquitectura tecnológica compleja.
Aquí necesitamos:
Percibir → Analizar → Responder
Problema complejo
La relación causa-efecto solamente puede comprenderse retrospectivamente.
Ejemplo: transformar la cultura de una organización.
Aquí resulta más apropiado:
Experimentar → Observar → Adaptar
Problema caótico
La prioridad inicial es estabilizar la situación.
Ejemplo: una interrupción crítica de servicios.
Primero:
Actuar → Percibir → Responder
La implicación es profunda:
Un problema complejo no se vuelve simple porque utilicemos una herramienta más sofisticada.
10. Liberating Structures, Coaching y facilitación: cuando el problema está distribuido
Algunos problemas no existen solamente en procesos o sistemas.
Están distribuidos entre:
- decisiones;
- conversaciones;
- incentivos;
- relaciones;
- conocimiento;
- estructuras de poder;
- modelos mentales.
En esos casos, herramientas de facilitación y coaching pueden ser parte del método de resolución.
El objetivo no es que un experto encuentre la respuesta.
Es crear las condiciones para que el conocimiento distribuido de la organización pueda utilizarse para comprender y resolver el problema.
Esto resulta especialmente importante en problemas organizacionales.
11. Métodos que se complementan
Estos enfoques no deberían entenderse como competidores.
Pueden combinarse.
Por ejemplo:
Cynefin
→ determina la naturaleza del problema.
Método científico
→ estructura la investigación.
Lean
→ permite observar el flujo y los desperdicios.
A3
→ estructura el razonamiento y las acciones.
PDCA
→ permite experimentar y aprender.
Design Thinking
→ ayuda a comprender las necesidades humanas.
TRIZ
→ ayuda cuando existen contradicciones de diseño.
Scientific Management
→ aporta herramientas de observación, medición y estandarización para problemas operativos repetibles.
La combinación puede ser mucho más poderosa que la aplicación dogmática de un único framework.
12. Una taxonomía práctica para empresas
Una forma sencilla de elegir el enfoque es clasificar primero el problema.
| Tipo de problema | Pregunta principal | Métodos útiles |
|---|---|---|
| Operativo | ¿Cómo hacemos esto mejor? | Scientific Management, Lean, PDCA |
| Calidad | ¿Por qué ocurre el defecto? | RCA, A3, Ishikawa, 5 Whys |
| Proceso | ¿Dónde se pierde el flujo? | Lean, VSM, A3 |
| Técnico | ¿Cuál es la causa del comportamiento? | Método científico, RCA |
| Cliente | ¿Estamos resolviendo el problema correcto? | Design Thinking |
| Innovación | ¿Cómo podemos romper la restricción? | TRIZ, experimentación |
| Estratégico | ¿Qué debemos decidir? | hipótesis, escenarios, experimentación |
| Organizacional | ¿Qué patrones producen el comportamiento? | Cynefin, facilitación, sistemas |
| Crisis | ¿Cómo estabilizamos primero? | Cynefin, gestión de incidentes |
| Complejo | ¿Qué podemos aprender experimentando? | Cynefin, PDCA, experimentación |
No se trata de encontrar una clasificación perfecta.
Se trata de evitar un error frecuente:
utilizar una herramienta conocida simplemente porque sabemos utilizarla.
13. El verdadero problema suele estar antes de la solución
En muchas organizaciones, el mayor desperdicio no ocurre durante la ejecución de la solución.
Ocurre al resolver el problema equivocado.
Un equipo puede pasar meses:
- optimizando un proceso;
- automatizando tareas;
- implementando tecnología;
- capacitando personas;
- reorganizando equipos;
para descubrir después que el problema original estaba mal definido.
Por eso proponemos una secuencia sencilla:
1. Observar
¿Qué está ocurriendo realmente?
2. Definir
¿Qué problema estamos intentando resolver?
3. Contextualizar
¿Es un problema claro, complicado, complejo o caótico?
4. Investigar
¿Qué evidencia tenemos?
5. Formular hipótesis
¿Qué creemos que explica el problema?
6. Experimentar
¿Cuál es la intervención más pequeña que nos permite aprender?
7. Medir
¿Qué cambió?
8. Adaptar
¿Qué debemos mantener, modificar o abandonar?
9. Estandarizar
Si funciona y el contexto lo permite, ¿cómo hacemos que el nuevo comportamiento sea sostenible?
10. Aprender
¿Qué hemos aprendido que puede ser utilizado en otros problemas?
14. De resolver problemas a desarrollar capacidad organizacional
Una organización madura no se limita a resolver problemas individuales.
Desarrolla capacidad para resolver problemas continuamente.
Esa diferencia es importante.
Una empresa dependiente de expertos necesita que alguien llegue con la respuesta.
Una organización con capacidad de resolución de problemas puede:
- detectar problemas temprano;
- formular mejores preguntas;
- separar hechos de hipótesis;
- experimentar;
- aprender rápidamente;
- tomar decisiones con evidencia;
- compartir conocimiento;
- evitar repetir los mismos errores.
Por eso, la resolución de problemas no debería considerarse únicamente una técnica operacional.
Es una capacidad organizacional.
¿Y qué cambia con la IA?
La inteligencia artificial introduce una nueva dimensión.
La IA puede aumentar la capacidad de una organización para:
- analizar grandes cantidades de información;
- detectar patrones;
- formular hipótesis;
- generar alternativas;
- simular escenarios;
- analizar causas;
- documentar experimentos;
- comparar opciones;
- acelerar ciclos de aprendizaje.
Pero existe una distinción crítica:
La IA puede aumentar nuestra capacidad para resolver problemas; no determina cuál es el problema que deberíamos resolver.
Si una organización utiliza IA para acelerar una mala definición del problema, simplemente puede llegar más rápido a una solución equivocada.
Por eso, el enfoque más potente no es reemplazar el pensamiento humano por IA.
Es combinar:
criterio humano + evidencia + métodos de resolución + experimentación + IA.
En Agilisters lo denominamos aumento de capacidades con IA.
Un modelo integrado de resolución empresarial
Podemos resumir todo lo anterior en un modelo práctico:
1. Detectar
¿Qué está cambiando o qué resultado no estamos obteniendo?
↓
2. Entender
¿Qué sabemos y qué estamos suponiendo?
↓
3. Clasificar
¿Qué naturaleza tiene el problema?
↓
4. Investigar
¿Qué método nos permite comprenderlo mejor?
↓
5. Formular
¿Qué hipótesis explican el comportamiento?
↓
6. Experimentar
¿Qué podemos probar con el menor costo y riesgo razonables?
↓
7. Medir
¿Qué evidencia obtuvimos?
↓
8. Adaptar
¿Qué debemos cambiar?
↓
9. Escalar
¿Cómo convertimos el aprendizaje en capacidad?
↓
10. Aumentar
¿Dónde puede la IA ampliar nuestra capacidad de análisis, decisión, ejecución y aprendizaje?
Conclusión
La evolución de la resolución de problemas empresariales muestra una transición interesante:
de la intuición → a la observación → a la medición → a la experimentación → al aprendizaje → a la adaptación.
El Scientific Management nos enseñó a observar y medir el trabajo.
El método científico nos enseñó a formular hipótesis y comprobarlas.
Lean nos enseñó a observar el flujo y eliminar desperdicios.
PDCA convirtió la mejora en un ciclo de aprendizaje.
A3 hizo visible el razonamiento detrás de la solución.
Design Thinking puso al usuario en el centro.
TRIZ nos enseñó a desafiar las contradicciones.
Cynefin nos recordó que no todos los problemas deben resolverse de la misma manera.
Y la IA abre una nueva posibilidad: aumentar la capacidad de las personas y organizaciones para comprender, decidir, experimentar y aprender.
La competencia empresarial del futuro no será tener una colección cada vez mayor de frameworks.
Será saber qué problema tenemos, qué tipo de problema es, qué método resulta apropiado y qué evidencia necesitamos para saber si estamos avanzando.
No necesitamos más soluciones. Necesitamos mejores capacidades para resolver los problemas correctos.
Referencias y autores clave
- Frederick W. Taylor — The Principles of Scientific Management.
- W. Edwards Deming — Out of the Crisis y el ciclo de mejora PDCA/PDSA.
- Taiichi Ohno — Toyota Production System: Beyond Large-Scale Production.
- Genchi Genbutsu y A3 Thinking — Toyota Production System.
- Genrich Altshuller — TRIZ.
- David Snowden & Mary Boone — A Leader’s Framework for Decision Making.
- Tim Brown — Change by Design.
- John Shook — trabajos sobre A3 Thinking y Lean problem solving.
- Edgar H. Schein — trabajos sobre aprendizaje organizacional y cambio.
_______________________________________________________________________________________________________
¡Transforma tu organización con nuestra experiencia!
En Agilisters, entendemos los desafíos que enfrentan las organizaciones al abordar nuevos paradigmas por cambios y disrupciones del mercado. Nuestro equipo de expertos en Estrategia, Agilidad y Resiliencia de Negocios está para ayudarles. Juntos, podemos transformar su enfoque y preparar a su organización.
¡Ponte en contacto con nosotros hoy mismo para obtener más información sobre cómo podemos apoyarles en enfrentar y superar los desafíos en su camino hacia la prosperidad de tu negocio!
AVISO IMPORTANTE: Este es el blog de Agilisters.com, empresa privada que divulga y promueve la agilidad y resiliencia de negocios en Iberoamérica
.png)
