Un principio psicológico citado en innumerables best sellers, cursos de formación laboral y vídeos de redes sociales podría ser, en realidad, una ilusión estadística.
La semana pasada, un artículo de 2020 volvió a llegar a la portada de Hacker News, acumulando 110 puntos y 112 comentarios en un intenso debate. Publicado por la Oficina para la Ciencia y la Sociedad de la Universidad McGill, el autor Jonathan Jarry se adentró en la literatura científica para verificar una idea “de sentido común”. Su conclusión fue contundente: el popular efecto Dunning-Kruger —la noción de que “cuanto menos sabe alguien, más confiado se muestra”— podría ser simplemente un artificio de los datos.
Qué sostenía originalmente el efecto
En 1999, Justin Kruger y David Dunning, de la Universidad de Cornell, publicaron el célebre estudio Unskilled and Unaware of It en la revista Journal of Personality and Social Psychology. Estudiantes universitarios completaron pruebas de gramática, humor y razonamiento lógico, estimaron su propia puntuación percentil y la compararon con sus resultados reales. El hallazgo reveló que quienes obtuvieron las puntuaciones más bajas (cuartil inferior) sobreestimaban enormemente sus capacidades (obteniendo un 15 % real frente a una autoevaluación del 60 %), mientras que los mejores estudiantes se subestimaban ligeramente (autoevaluación del 70 % frente a un 90 % real). Al año siguiente, la investigación recibió el Premio Ig Nobel.
La divulgación popular simplificó rápidamente este hallazgo en una curva con cuatro etapas: el “Monte de la Ignorancia”, el “Valle de la Desesperación”, la “Cuesta de la Iluminación” y la “Meseta de la Sostenibilidad”, situando a quienes “no saben que no saben” justo en la cima del Monte de la Ignorancia. Sin embargo, estas cuatro etapas no aparecen en el artículo original; fueron creaciones posteriores de la cultura de internet.
Aún más ignorada es la aclaración del propio Dunning. En una respuesta a Jarry, Dunning señaló: “Este efecto habla sobre nosotros mismos, no sobre los demás”. Su sentido original era explicar que cualquier persona, en un campo que no domina, es propensa a sobreestimar su capacidad. Nunca fue concebido como una licencia para burlarse de los demás.
Cómo se construyó el famoso gráfico
El problema reside en el famoso gráfico de la investigación. En el experimento original, cada estudiante generaba dos puntos de datos: su autoevaluación y su nota real. Dunning y Kruger dividieron a los alumnos en cuatro grupos (cuartiles) según su rendimiento real, calcularon la media de cada grupo y trazaron dos líneas continuas.
Figura: Curva de “autoevaluación vs. nota real” dividida por cuartiles de rendimiento en el estudio original. Fuente: mcgill.ca
A primera vista parecía una prueba irrefutable: los estudiantes con peor rendimiento no eran conscientes de su bajo nivel.
Sin embargo, ese mismo gráfico se puede generar sin necesidad de evaluar a seres humanos. El equipo del estadístico Ed Nuhfer publicó dos artículos en 2016 y 2017 en la revista Numeracy, demostrando que datos generados aleatoriamente por ordenador producen gráficos prácticamente idénticos. Cuando el autor de McGill pidió al psicólogo Patrick McKnight replicar la simulación, McKnight —que originalmente creía en el efecto y lo enseñaba en sus clases— ejecutó simulaciones en R y cambió de opinión. Años antes, en 2002, el equipo de Ackerman ya había realizado simulaciones similares con pocos ecos en la comunidad.
Figura: Curva simulada por McKnight utilizando datos puramente aleatorios, casi idéntica a los resultados originales. Fuente: mcgill.ca
Por qué los datos aleatorios se disfrazan de ley psicológica
Este fenómeno se debe a la regresión a la media (regression to the mean).
Se entiende claramente con la suerte en los exámenes: si su rendimiento habitual ronda los 80 puntos, pero en una ocasión obtiene 60 debido al cansancio o la mala suerte, lo más probable es que su nota vuelva a subir en la siguiente prueba. Si por el contrario obtiene un 95 por un golpe de suerte, su siguiente resultado tenderá a bajar hacia su promedio. Cuanto más extremo es un resultado puntual, mayor es la componente aleatoria y más tiende a regresar a la media. El bajón del segundo año en deportistas o la bajada de la fiebre al día siguiente responden a esta misma realidad estadística.
En los datos de Dunning-Kruger opera el mismo mecanismo en sentido inverso: las autoevaluaciones no coinciden exactamente con la habilidad real porque contienen mucho ruido (estado de ánimo, confianza del día, familiaridad con las preguntas). Con un ruido de medición elevado, se produce un efecto geométrico inevitable: los estudiantes con peores notas solo pueden desviarse hacia arriba en su estimación (apenas hay espacio hacia abajo), mientras que los mejores solo pueden desviarse hacia abajo. No hace falta ningún sesgo psicológico: mientras la competencia real y la autoevaluación no tengan una correlación perfecta, el gráfico generará por sí solo la curva de Dunning-Kruger.
Un usuario de Hacker News lo resumió brillantemente: los participantes del cuartil inferior no pueden subestimarse mucho más, y los del cuartil superior no pueden sobreestimarse mucho más. A menos que ambas variables estén perfectamente correlacionadas, la curva surge de manera natural. Lo verdaderamente relevante sería estudiar el componente no lineal fuera de esa curva —y en los datos actuales, esa señal es sumamente débil.
En 2020, Gignac y Zajenkowski publicaron un artículo en la revista Intelligence analizando autoevaluaciones de CI bajo métodos más rigurosos, titulado El efecto Dunning-Kruger es (en su mayoría) un artificio estadístico. Al aplicar controles estadísticos adecuados, el efecto prácticamente desaparece. Sus simulaciones mostraron además que a mayor error de medición, más intenso parece el efecto Dunning-Kruger. En la ciencia apenas existen precedentes donde “a mayor error, más fuerte es la conclusión”, lo cual representa una clara señal de alerta.
El debate continúa: argumentos en ambos lados
Las objeciones no provienen únicamente de Nuhfer y Gignac. Los defensores de la teoría han presentado réplicas, manteniendo abierto el debate durante años:
| Postura Crítica | Postura Defensora |
|---|---|
| Nuhfer et al. (2016/2017): Datos aleatorios reproducen el efecto | Equipo de Dunning: Estudios de 2002 y 2008 evaluaron la regresión a la media y sostienen que el efecto persiste tras eliminar el ruido |
| Ackerman et al. (2002): Simulaciones muestran curvas artificiales parecidas | Jensen et al. (2021): Dos estudios con más de 3500 participantes respaldan la explicación metacognitiva |
| Gignac & Zajenkowski (2020): El efecto es en gran medida un espejismo estadístico | Dunkel et al. (2023): El reanálisis con otros métodos muestra un efecto estadísticamente significativo, aunque extremadamente pequeño |
| Hiller (2023): Cuestionó los métodos de procesamiento de datos de Gignac & Zajenkowski | Dunning (2025): Publicó una defensa en la revista de la Sociedad Británica de Psicología |
El consenso más cercano en la actualidad apunta a un punto medio menos sensacionalista: el efecto Dunning-Kruger puede existir, pero ha sido severamente exagerado. Como regla general que afirma que “la mayoría de la gente no sabe evaluarse a sí misma”, carece de solidez. Como fenómeno que señala que “una pequeña minoría se sobreestima gravemente”, conserva cierta evidencia —en los datos de Nuhfer, solo un 5-6 % de las personas encajaban realmente en el perfil de “incompetente e inconsciente”.
Qué significa esto para el día a día
En primer lugar, conviene dejar de usar “Dunning-Kruger” para etiquetar despectivamente a otros. Cuando alguien afirma algo erróneo con total rotundidad, no se trata necesariamente de este efecto: puede ser simplemente el sesgo de sobreconfianza (overconfidence bias) o la ilusión de superioridad (“mejor que la media”), donde más del 80 % de los conductores consideran que conducen mejor que el promedio. Estos sesgos psicológicos están bien documentados y la psicología no necesita el efecto Dunning-Kruger para explicar la existencia de la ignorancia confiada.
En segundo lugar, la frase de Dunning de que “este efecto habla sobre nosotros mismos” es la lección más valiosa. En ámbitos donde no somos expertos, nuestra intuición personal es la fuente menos fiable. Por eso mismo, la retroalimentación externa objetiva —notas de exámenes, informes médicos, evaluaciones de colegas o la prueba del mercado— es mucho más digna de crédito que la sensación de “creo que ya lo domino”.
En tercer lugar, es sano mantener cierta dosis de escepticismo ante verdades psicológicas de sentido común que resultan “demasiado cómodas”. El efecto Dunning-Kruger se popularizó durante dos décadas porque su narrativa es sumamente atractiva: permite a cualquiera mirar desde arriba y decir “mira a ese, ni siquiera sabe lo que no sabe”. Cuanto más reconfortante sea una conclusión, más necesario resulta preguntarse: ¿es eso realmente lo que dicen los datos originales?
Como mito popular de la “ignorancia confiada”, el efecto Dunning-Kruger ha quedado fuertemente debilitado tras la revisión de los datos. Sin embargo, como debate científico de más de dos décadas, aún no ha dicho su última palabra. Que psicólogos y estadísticos sigan debatiendo sobre ello constituye una lección en sí misma: cuanto más elegante sea la conclusión, más urgente es volver a examinar los datos de origen. Por esa razón, un artículo de 2020 puede seguir generando hoy 112 comentarios apasionados en Hacker News.
Enlaces de referencia:
- McGill OSS: The Dunning-Kruger effect may just be a data artefact
- Debate en HN (item?id=49160437)
- Kruger & Dunning (1999): Unskilled and Unaware of It
- Gignac & Zajenkowski (2020): The Dunning-Kruger effect is (mostly) a statistical artefact
- Nuhfer et al. (2016/2017): Artículos en la revista Numeracy
- Dunkel et al. (2023): Reevaluating the Dunning-Kruger effect
- Dunning (2025): The Dunning-Kruger effect and its discontents (British Psychological Society)
