Las Organizaciones Como Sistemas Abiertos Alejados Del Equilibrio

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/262562333
Las Organizaciones como Sistemas Abiertos Alejados del Equilibrio
Thesis · June 2001

DOI: 10.13140/2.1.3858.5927
CITATIONS READS
16 13,940
1 author:
Jose Navarro
University of Barcelona
213 PUBLICATIONS 786 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Team Adaptation View project
Evaluation and Selection of Public Managers: equality measures and procedures View project
All content following this page was uploaded by Jose Navarro on 24 May 2014.
The user has requested enhancement of the downloaded file.

Tesis de Doctorado
División de Ciencias de la Salud

Facultad de Psicología
Departamento de Psicología Social
Universitat de Barcelona
Las Organizaciones como

Sistemas Abiertos Alejados del
Equilibrio
Autor: Ldo. José Navarro Cid
Directores: Dr. Frederic Munné Matamala

Dr. Santiago D. de Quijano
Tutor: Dr. Federico Javaloy Mazón

Las Organizaciones como
Sistemas Abiertos Alejados del
Equilibrio
La Organización como
Sistema Dinámico Complejo
LAS ORGANIZACIONES COMO SISTEMAS ABIERTOS ALEJADOS DEL
EQUILIBRIO
1.- INTRODUCCIÓN. 1
Parte I
De la Teoría General de Sistemas a la Ciencia de la Complejidad
2.- TEORÍA GENERAL DE SISTEMAS Y DINÁMICA DE SISTEMAS: SU

APLICACIÓN A LA TEORÍA ORGANIZATIVA. 9
2.1.- INTRODUCCIÓN. 9
2.2.- TEORÍA GENERAL DE SISTEMAS. 10
2.2.1.- El concepto de Sistema. 10
2.2.2.- Pensamiento de Sistemas. 11
2.2.3.- Tipos de sistemas. 13
2.2.3.1.- La Jerarquía de Complejidad de K. Boulding. 13
2.2.3.2.- Sistemas Aislados, Sistemas Cerrados y Sistemas Abiertos. 17
2.2.4.- Tipos de sistemas y segunda ley de la Termodinámica. 19
2.3.- DINÁMICA DE SISTEMAS. 25
2.3.1.- Introducción a la Dinámica de Sistemas. 25
2.3.2.- Elementos centrales en la Dinámica de Sistemas. 28
2.3.2.1.- Bucles de Realimentación. 28
2.3.2.2.- Demoras en los Flujos de Realimentación. 32
2.4.- APLICACIÓN DE LA TEORÍA GENERAL DE SISTEMAS Y LA
DINÁMICA DE SISTEMAS A LA TEORÍA ORGANIZATIVA. 33
2.4.1.- El concepto de Organización. 34
2.4.2.- La Organización como Sistema. 35
2.4.3.- La Organización como Sistema Abierto y Social 38
3.- TEORÍAS DEL CAOS Y CIENCIA DE LA COMPLEJIDAD. NUEVOS

DESARROLLOS EN LA TEORÍA GENERAL DE SISTEMAS 47
3.2.- TEORÍAS DEL CAOS. 49
3.2.1.- Introducción: el trabajo de Edward Lorenz y el nacimiento de una
nueva disciplina. 49
3.2.2.- Aportaciones desde la Topología: la Teoría de los Atractores. 53
3.2.2.1.- Mapas de retardo. 56
3.2.2.2.- Tipos de Atractores. 58
3.2.2.3.- Atractores Extraños y estudios sobre la Turbulencia en fluidos. 60
3.2.2.4.- Paradojas en los Atractores Extraños. 63
3.2.3.- Estudios con la Ecuación Logística y Teoría de las Bifurcaciones. 66
3.2.3.1.- Modelos Matemáticos Sencillos que generan Dinámicas
i
Complejas. 67
3.2.3.2.- La Duplicación de Períodos como Ruta Universal hacia el Caos. 72
3.2.4.- Caos e Información: el Grupo de Santa Cruz. 73
3.3.- A MODO DE SÍNTESIS: ¿QUÉ ES EL CAOS? 75
3.3.1.- Características del Caos. 77
3.3.2.- Rutas hacia el Caos. 79
3.3.3.- Medidas del Caos. 79
3.3.3.1.- Exponentes de Lyapunov. 79
3.3.3.2.- Entropía de Kolmogorov. 81
3.3.3.3.- Dimensión del Atractor. 81
3.4.- CIENCIA DE LA COMPLEJIDAD. 82
3.4.1.- Vida en el borde del caos. 83
3.4.2.- Teoría de los Sistemas Alejados del Equilibrio. 88
3.4.2.1.- Sistemas En, Cerca y Alejados del Equilibrio. 88
3.4.2.2.- Características diferenciales entre los Sistemas Alejados del
Equilibrio frente a los Sistemas En y Cerca del Equilibrio. 95
3.4.3.- Caracterización de la Complejidad. 100
3.4.4.- Teoría de los Sistemas Autopoiéticos. 106
3.4.4.1.- Autopoiesis: la organización de los sistemas vivos. 106
3.4.4.2.- Aportaciones principales de la Teoría de los Sistema
Autopoiéticos. 110
Parte II
La Organización como Sistema Complejo
4.- COMPLEJIDAD, EQUILIBRIO Y ORGANIZACIONES. 115

4.2.- NUEVAS IDEAS PARA EL ENTENDIMIENTO DE LAS
ORGANIZACIONES. 119
4.2.1.- La Organización como Sistema en Inestabilidad Limitada. 122
4.2.2.- La Organización como Sistema Dinámico No-Lineal. 127
4.2.3.- La Organización como Sistema en No-Equilibrio. 129
4.2.4.- La Organización Autorreferencial o Autopoiética. 131
4.2.5.- Como conclusión: la Organización Compleja. 134
4.3.- COMPLEJIDAD Y COMPORTAMIENTO ORGANIZATIVO. 142
4.3.1.- El Cambio Grupal como la Amplificación de Fluctuaciones. 142
4.3.2.- El Cambio Organizacional: la dialéctica entre Adaptación
y Auto-organización. 146
4.3.3.- Otras aportaciones dentro del Comportamiento Organizativo. 154
4.4.- COMPLEJIDAD Y MANAGEMENT: CÓMO GESTIONAR
SISTEMAS QUE SE AUTO-ORGANIZAN. 158
4.4.1.- Estructura Organizativa: Diseñando Sistemas Auto-organizativos. 159
4.4.2.- Gestión Compleja de las Organizaciones. 163
4.4.2.1.- Gestión de la Incertidumbre. 164
4.4.2.2.- Gestión de la Información y de Significados. 167
4.4.2.3.- Apoyo de Fuerzas Contrapuestas dentro de la organización
y Utilización del Conflicto Positivo. 169
ii
4.4.2.4.- Gestión centrada en Valores Nucleares y Borrosos. 171
4.5.- CONCLUSIÓN. 173
5.- ESTUDIO EMPÍRICO: LA MOTIVACIÓN COMO PROCESO

DINÁMICO COMPLEJO. 175
5.2.- LA MOTIVACIÓN EN EL TRABAJO. 177
5.2.1.- Fundamentos Teóricos del Modelo de Motivación. 179
5.2.2.- La Motivación como Proceso Dinámico Complejo: Planteamiento
General del Estudio Empírico. 186
5.3.- PROPUESTA DE UN MODELO COMPLEJO DE MOTIVACIÓN. 188
5.3.1.- Planteamiento de un Primer Modelo. 188
5.3.2.- Estimación de Parámetros. 194
5.3.2.1.- Medidas de las Variables del Modelo. 195
5.3.2.1.- Establecimiento de las Relaciones entre las variables. 201
5.3.3.- Resultados de la Simulación. 209
5.4.- REDEFINICIÓN DEL MODELO: PROPUESTA DEFINITIVA. 212
5.5.- RESULTADOS DE LA SIMULACIÓN CON EL MODELO
COMPLEJO DE MOTIVACIÓN EN EL TRABAJO. 214
5.6.- PRIMERAS CONCLUSIONES SOBRE EL MODELO
COMPLEJO DE MOTIVACIÓN EN EL TRABAJO. 218
6.- DISCUSIÓN Y CONCLUSIONES. 220
7.- BIBLIOGRAFÍA. 232
8.- ANEXOS. 261
iii
Agradecimientos.
Este trabajo ha contado con apoyo humano en tiempo y energías de otras perso-
nas sin el cuál no hubiera podido realizarse. A todas ellas estoy profundamente
agradecido y me gustaría dejar constancia de ello.
A mis directores de tesis, el Dr. Frederic Munné y el Dr. Santiago Quijano. El pri-
mero consiguió que mi interés inicial por la no linealidad se encauzara gracias al
magnífico puente que está tendiendo entre la complejidad y la ciencia social. El
segundo me permitió participar en un proyecto de investigación ambicioso y ca-
minar por otro interesante puente de intercambio de experiencias entre la investi-
gación y las necesidades empresariales.
Al Dr. José Manuel Cornejo, por haber sabido motivarme en las tareas de investi-
gar y haber sabido mostrarme a mirar los datos desde una visión psicosocial.
A la Dra. Mª . Pilar González, todo lo que sé sobre el comportamiento de las per-

sonas en grupo y del comportamiento del propio grupo se lo debo a ella.
Al Dr. Federico Javaloy que, como tutor, ha estado siempre disponible cuando le
he necesitado.
A los Dres. Lourdes Munduate y Francisco Fuertes por su amable recibimiento y

por las sugerencias que hicieron sobre un modelo primigenio de motivación.
A Mari Carmen, por tu cariño y comprensión.
A mi hermana Felisa, por haber sabido mostrarme tantas veces que el esfuerzo
merece la pena.
A mi hermano Antonio, mi capacidad de pensar te la debo a ti.
Y a mis padres, José Félix y Brígida, por haber estado ahí, por haber sido padres
y haberos desvivido por nosotros, por haber conseguido y conseguir llegar a ser
todo lo que soy.
iv
A mis padres
‘Os hice caso y cogí el libro’
v
1.- Introducción.
D
esde la antigua Grecia, una dualidad se manifiesta ante todos aquellos que
pretenden comprender el mundo. De un lado, en las cosas hay algo que per-
manece, que es. De otro, también hay algo que cambia, que está llegando a
ser. Para Parménides los fenómenos de la naturaleza no podían originarse de un no
ser, de ahí que considerase que todo permanece. Nada surge ni desaparece. Para
Heráclito incluso los fenómenos en apariencia más estables sufrían un cambio conti-
nuo. Y lo ilustraba con su ejemplo de que una persona no puede bañarse dos veces
en el mismo río.
Ser y devenir. Parménides y Heráclito. Posteriormente, y también en la misma

Grecia, Demócrito concibió la idea de átomo en un intento de integrar ambas visio-
nes: las cosas están hechas de pequeñas partículas indivisibles (permanencia, ser,
Parménides) mientras que dichos átomos vagabundean incesantemente debido a
las colisiones que sufren entre ellos (cambio, devenir, Heráclito).
El trabajo que aquí comienza trata, en gran medida, sobre esta dualidad. Se
topa con ella. Al igual que Demócrito integrara ambas ideas, las teorías del caos y
de la complejidad, con las que aquí vamos a trabajar, integran ambas posturas lle-
gando incluso a materializarlas en unos objetos increíblemente bellos denominados
‘atractores extraños’. Y como tantas veces ocurre en el quehacer científico hemos
estado rodeados de estos objetos, de estos atractores extraños, y no hemos sabido
como tratarlos, como entenderlos, como explicarlos. Se ha necesitado de desarro-
llos importantes y punteros en la física y matemática de este final de siglo para con-
seguir aproximarnos al conocimiento de estos objetos.
El trabajo que aquí comienza trata también sobre la aplicación de conceptos

y teorías nacidas dentro del ámbito de las llamadas ciencias naturales o duras a la
ciencia psicosocial. Lo cual merece una justificación en esta introducción.
Ni que decir tiene que las ciencias naturales pueden ser fuente de conceptos,
teorías y metodologías de interés para otras disciplinas, incluida la psicología social.
Por ejemplo, y haciendo referencia ahora a lo conceptual, Lewin tomo como base la
topología y la física de su tiempo para elaborar la teoría del campo, utilizando inclu-
so una terminología propiamente física (fuerza, vectores, valencias, espacio de fa-
ses, etcétera). La cibernética y su propuesta de dos tipos de mecanismos de reali-
mentación, negativos y positivos, están en la base de teorías actuales como la del
1
La Organización como Sistema Dinámico Complejo
establecimiento de metas de Locke y Latham, en la lógica de la distribución comer-

cial cuando se tiene en cuenta las desestabilizaciones que generan los retardos de
la realimentación, en el énfasis puesto por algunos autores (e.g. Peter Senge) en
buscar los puntos de mayor impacto de cara a cambios en la gestión empresarial,
etcétera. La teoría de los juegos, nacida en las matemáticas, es hoy utilizada en
economía, en procesos de negociación y también de toma de decisiones. Etcétera.
Y en cuanto a las metodologías, el análisis de varianza, por ejemplo, nació en el
mundo de la agricultura, y el análisis de regresión, aunque nacido en la psicología de
Galton, ha sido en la ingeniería donde se ha desarrollado. Nuevamente se podría
añadir un largo etcétera.
Junto a este interés por lo que se haga fuera de nuestro ámbito disciplinario
conviene también una actitud de cautela. Aplicar modelos de las ciencias naturales a
las ciencias sociales puede ser, y suele serlo, arriesgado (Kickert, 1993). Para ello
se hace necesario un buen entendimiento de las formulaciones originales para com-
prender los conceptos y también los contextos en los que éstos se trabajan, y ser
cautelosos en su traslado posterior a la ciencia social. Es relativamente fácil caer en
un uso abusivo de los conceptos y términos científicos, extrayéndolos de sus contex-
tos y, encima, no argumentar lo más mínimo este proceder (Sokal y Bricmont, 1998).
Este trabajo pretende huir de cualquiera de estas imposturas (Sokal y Bric-

mont, ob. cit.). Para ello, permítaseme que justifique dicha aplicación basándome en
algunas de las razones fundamentales que me han conducido a la elaboración del
mismo.
En primer lugar, y fue mi puerta de entrada e interés al mundo de las teorías

del caos y de la complejidad, siempre he pensado que los modelos con lo que traba-
jamos los psicólogos y psicólogos sociales eran excesivamente reducionistas y da-
ban por sentado algunos supuestos los cuales no compartía. Con el tiempo entendí
que todo modelo ha de ser reducionista por fuerza, por definición. Se trata de eso,
de un modelo. Pero seguía estando disconforme con algunos de los supuestos. En
concreto, lo que siempre más me ha desesperanzado ha sido el poder que se le
daba a todo el aparataje estadístico en pro de la justificación de dichos modelos. Y
me producía desesperanza porque, conocedor de esas herramientas estadísticas,
sabía que se estaban empleando unos modelos lineales para un mundo, el de los
hechos, que de lineal tenía más bien poco.
Un ejemplo ilustrará mis emociones al respecto: ¿de qué sirve afirmar que el
liderazgo carismático muestra un coeficiente de determinación (R2) con respecto a
la conducta motivada de los subordinados con un valor igual a 0.35, valor que, por
supuesto, es estadísticamente significativo? La estadística oficial, basada en el mo-
delo lineal general, nos ha enseñado a leer ese dato como que el liderazgo carismá-
tico explica el 35% de la varianza observada en la conducta motivada de los subor-
dinados. De otra forma, y surge el inevitable salto hacia el control, que si queremos
gestionar la conducta motivada de los subordinados la variable liderazgo carismáti-
co nos permitirá gestionar eficazmente dicho resultado en algo más de un tercio de
los casos. Se trata de una visión optimista. Lo que no se entiende entonces es por
2
Introducción
que este tipo de resultados no se aplica de inmediato a las empresas que, sin lugar
a dudas, estarían muy interesadas.
La lectura anterior, clásica en el campo estadístico y metodológico, sería cer-

tera si el fenómeno que se pretende explicar, en este caso la relación entre el lide-
razgo carismático y conducta motivada, fuese un fenómeno lineal. Pero si se tratase
de un fenómeno no lineal, es decir, en el que aconteciera que causa y efecto no son
necesariamente proporcionales, el razonamiento anterior no es cierto. En estos ca-
sos pequeñas causas podrían producir grandes efectos, y al contrario, grandes cau-
sas podrían producir pequeños efectos. El propio concepto de causalidad debiera
ser revisado. Las dinámicas de contagio, por ejemplo los rumores, son un ejemplo
magnífico de ello. Es imposible caracterizar una dinámica de contagio empleando
análisis de varianza.
Por todo esto, cuando a mi disconformidad inicial se le abrió la puerta del

conocimiento de un conjunto de teorías que trataban precisamente sobre la no-
linealidad, supe que en lo profesional para mí sería muy importante no pasarla por
alto y comenzar a trabajar con la visión que ésta me proporcionaba. Esa puerta de
entrada a ese conjunto de teorías, entre las que se hallaban las teorías del caos y de
la complejidad, fue un seminario de doctorado que el profesor Frederic Munné im-
partía, y aún hoy sigue haciéndolo, en la Universidad de Barcelona titulado “Avances
epistemológicos en el estudio de las ciencias del comportamiento”. A él le estoy
agradecido.
Para mi compresión del mundo, siempre ha sido importante la no-linealidad.

Nunca he creído del todo en razonamientos del tipo “a más de esto, más de aquello”,
“a mayor satisfacción mayor rendimiento”, “a mayor motivación mayores los resulta-
dos obtenidos”. Me parecían demasiado simples. Por ello he estado de acuerdo con
planteamientos que afirmaban que la mayor parte de las cosas que existen en la
naturaleza y en el mundo en que vivimos son no lineales (Waldrop, 1992): nuestros
cerebros procesan la información de manera no lineal, la economía es no lineal, et-
cétera, exceptuando algunos sistemas físicos muy simples, todo lo demás parece
ser no lineal. Si esto es así, me preguntaba, ¿por qué no afrontar la no -linealidad
desde planteamientos estrictamente no lineales?
La respuesta a esta pregunta tradicionalmente suele ser doble. De un lado,

apuntar que la no-linealidad es de difícil tratamiento y estudio, lo cual es rigurosa-
mente cierto. Del otro, argumentar que para una primera aproximación fidedigna de
un fenómeno, la aproximación lineal ha de tomarse como buena, lo cual es riguro-
samente falso. En efecto, una de las grandes aportaciones realizadas por las teorías
del caos a la ciencia en general es la consideración de “que los problemas no
lineales deben ser tratados como no lineales y no simplificarlos y tratarlos como
problemas lineales” (Tsonis, 1992, pág. vii). Los capítulos segundo y, especialmen-
te, tercero de esta tesis, serán especialmente relevantes para enfatizar este punto.
Las teorías del caos y de la complejidad ponen de relieve que la no-linealidad

no puede ser estudiada desde planteamientos lineales. Desde la linealidad no es
posible explicar las capacidades de flexibilidad, de adaptación, de autoorganización
3
que tienen algunos sistemas no-lineales como por ejemplo los sistemas vivos y so-
ciales. Es por todo esto que me haya lanzado a la extensión de teorías propias de
las ciencias naturales dentro de la psicología social a fin de estudiar si pueden apor-
tar modelos de interés para el estudio de los fenómenos psicosociales. Sobra decir
que ni soy el primero en hacerlo ni el único que en la actualidad está en esta tarea
que puede ser calificada de aventura.
En segundo lugar, y para evitar esas imposturas a las que aludí, se hace ne-
cesario una exposición detallada de las teorías y, sobre todo, de los conceptos que
van a ser objeto de extensión a campos no originarios de los mismos. Es por ello
que dedique un gran espacio en este trabajo a la presentación y explicación detalla-
da de las teorías del caos y de la complejidad. Es una tarea de divulgación pero
considero que, hoy por hoy y en nuestro campo, es necesaria.
En tercer lugar, y finalmente, también es uno de los objetivos de este trabajo

aportar evidencias empíricas de que dichas teorías tienen su interés para la psico-
logía social. Quiero huir de las lecturas posmodernas que sobre estas teorías son
tan habituales últimamente.
Con el conocimiento de las teorías por un lado, y la disponibilidad de datos

por otro gracias a mi participación en el proyecto A.S.H. (Auditoría del Sistema
Humano) que dirige el profesor Santiago D. de Quijano, también en la Universidad
de Barcelona, el reto era demasiado tentador para mí. Por ello me puse ha trabajar
en la elaboración de un modelo caótico sobre la motivación en el trabajo. Ni que de-
cir tiene que para la elaboración de un modelo sensato de este tipo se precisa de un
conocimiento de las variables más relevantes en el estudio del objeto, en este caso
de la motivación en el trabajo, junto a un conocimiento al menos mínimo del tipo de
relaciones posibles que puedan existir entre las variables en juego. Me he decanta-
do por la motivación laboral por dos razones. La primera porque dicha temática
cuenta ya con una amplia elaboración, teórica y métrica, en la psicología de las or-
ganizaciones y del trabajo. Por ello, ya estamos en condiciones de determinar cuá-
les son algunas de las variables clave para la comprensión de la motivación. Y se-
gundo, por la cuestión pragmática de que sobre motivación en el trabajo disponía-
mos de numerosos datos a los que poder acudir como contraste del modelo presen-
tado.
Planteado el reto de intentar un diálogo genuino entre teorías del caos y de la

complejidad, de un lado, y la psicología social y el comportamiento organizativo, del
otro, entre ciencias naturales y ciencias sociales, el resultado es esta tesis doctoral.
Su objetivo hacer buena la frase de Robert Shaw, físico de la Universidad de Santa
Cruz, de que ‘nada se ve hasta que se dispone de la metáfora idónea para
percibirlo’. Aquí se presentarán un conjunto de teorías que representan una buena
metáfora para los procesos psicosociales. Y quizá algo más. Es hoy, por primera
vez, que se está en condiciones de afirmar que los principios isomorfos a diferentes
tipos de sistemas que inspiraron la teoría general de sistemas por Bertalanffy ade-
más de existir pueden ser indagados.
4
Introducción
Estructura y contenidos
La tesis está dividida en dos grandes secciones. En la primera, titulada De la

Teoría General de Sistemas a las Ciencias de la Complejidad se recorre el camino
que lleva desde la clásica teoría general de sistemas hasta los modernos desarro-
llos de las teorías del caos y de la complejidad. En un primer capítulo, Teoría Gene-
ral de Sistemas, Dinámica de Sistemas: su aplicación a la Teoría Organizativa, se
pretende recoger las ideas esenciales de la teoría general de sistemas y de la di-
námica de sistemas, suficientemente conocidas en nuestra disciplina dado que son
teorías que se vienen desarrollando desde la década de los 20 y que han quedado
perfectamente configuradas en los 70. También se recoge las aportaciones que di-
chas teorías han realizado a la teoría organizativa, que han sido muchas y que, bási-
camente, ya fueron recogidas en la popular obra de Katz y Khan “La psicología so-
cial de las organizaciones” de 1966.
En un segundo capítulo, Teorías del Caos y Ciencia de la Complejidad.

Nuevos desarrollos en la Teoría General de Sistemas, iniciamos el camino por la
nueva ruta que han abierto las teorías del caos y de la complejidad. En una primera
parte de este capítulo se presentan los trabajos más esenciales que han constituido
las Teorías del Caos, también se tratan algunas de las cuestiones de trasfondo
epistemológico que han suscitado dichas aportaciones y, finalmente, se realiza una
presentación de las propiedades básicas de ese nuevo objeto científico denomina-
do caos. En buena lógica, la segunda parte del capítulo aborda las Ciencias de la
Complejidad, que se constituyen en el desarrollo natural apuntado por las teorías del
caos. Se exponen las principales ideas aportadas por dicha ciencia tales como que
los sistemas vivos sólo son posibles “en el borde del caos” o en condiciones “aleja-
das del equilibrio”. Esta segunda parte del capítulo servirá de puente para cambiar
el término caos por el de complejidad y notar que el caos puede ser una de las pro-
piedades de aquello que caracterizamos como complejo. Este capítulo tiene un
marcado carácter divulgativo, pero sin perder el carácter técnico de la temática.
Considero que la divulgación es necesaria por cuanto se están presentando teorías
no conocidas ampliamente dentro de la psicología social.
La segunda sección de la tesis se adentra en la aplicación que de las teorías

del caos y de la complejidad se está llevando a cabo en el ámbito psicosocial y, en
concreto, dentro de la psicología de las organizaciones y del trabajo. Dicha sección
está compuesta por tres capítulos.
El primero de ellos, Complejidad y Organizaciones, es el capítulo central de

esta tesis. En él se presenta y desarrolla la tesis fundamental de este trabajo: que
las organizaciones son sistemas caóticos. Para ello, en este capítulo se pasa revis-
ta a algunos de los trabajos más significativos que, dentro de áreas como la teoría
organizativa o el comportamiento organizativo, trasladan y aplican las ideas aporta-
das por el caos y la complejidad al mundo organizativo. También se presenta una
elaboración propia de la caracterización de la organización como sistema complejo,
calificativo muy común a la hora de adjetivar a las organizaciones. En este capítulo
se pondrá de manifiesto, de manera especial, dos cosas. Una relacionada con la
5
teoría organizativa y otra más emparentada con el comportamiento organizativo. La

primera, que las organizaciones distan mucho de ser sistemas en equilibrio, cerca
del equilibrio o sistemas estables, como se quiera, tal y como repetidamente nos ha
venido insinuando la teoría organizativa más clásica. Considero que la gran aporta-
ción del caos y la complejidad a la psicología de las organizaciones es la de presen-
tar un modelo de no-equilibrio, de no-linealidad y de inestabilidad, que permiten una
mejor comprensión del fenómeno organizativo. Y la segunda, que las organizaciones
no sólo tienen una relación con su entorno consistente en adaptarse al mismo. En el
desarrollo de toda organización hay algo más que la mera adaptación a las condi-
ciones que el entorno impone.
También este capítulo nos servirá para conocer como algunos autores traba-
jan desde modelos complejos materias clásicas dentro de la teoría y el comporta-
miento organizativos.
Abundando en este último aspecto, el siguiente capítulo Estudio empírico: la

Motivación como Proceso Dinámico Complejo, presenta un estudio original en el
que se aborda el estudio de un tópico clásico como la motivación laboral dentro del
paradigma del caos y la complejidad. El estudio se presenta como ilustración sobre
cómo puede operarse desde el nuevo paradigma y lo que éste puede dar de sí para
los intereses de la psicología del trabajo y de las organizaciones, y, por extensión,
de la psicología social. La gran limitación que representa el tener que trabajar con
largas series temporales es solventado con la creación de una simulación con el
modelo de motivación laboral propuesto.
Por fin, en el último capítulo Discusión y Conclusiones, se discute y presen-

tan las principales conclusiones a las que podemos llegar tras haber considerado
las organizaciones como sistemas en no-equilibrio y tras haber puesto de manifiesto
la complejidad que introduce la no linealidad y la iteración en el modelo complejo de
motivación trabajado en el capítulo anterior.
6
Introducción
Objetivo de la investigación e Hipótesis de trabajo.
El objetivo final de esta tesis es presentar las posibilidades que ofrece el

nuevo paradigma de la complejidad al entendimiento del fenómeno organizativo, su
formación y desarrollo. Igualmente, se presentará una aplicación concreta al terreno
de la motivación en el trabajo en la que se intentará comprobar las ventajas e incon-
venientes que tiene la comprensión de la motivación como proceso dinámico com-
plejo. Con estos objetivos genéricos como guías de todo el presente trabajo pode-
mos elaborar las siguientes hipótesis de partida:
1.- Que las organizaciones son sistemas abiertos alejados del equilibrio.
En contraste con mucha literatura organizativa actual que enfatiza los aspec-
tos de equilibrio y estabilidad en las organizaciones y, particularmente, en las rela-
ciones organización – entorno, desde el paradigma de la complejidad defendere-
mos que los estados alejados del equilibrio no son la excepción, no son anormales,
al contrario, se constituyen en la auténtica norma del comportamiento organizacional.
Intentaremos demostrar que el fenómeno organizativo, en cuanto a lo que constituye
la tarea de organizar y al cambio y desarrollo permanente de toda organización, son
mejor comprendidos desde un paradigma complejo de la organización.
2.- En el desarrollo de toda organización interviene un doble proceso de adapta-

ción y auto-organización.
Nuevamente, el olvido de la literatura más clásica ha sido el concebir el desa-

rrollo organizativo como mera función de la respuesta adaptativa que la organización
da a su entorno. Intentaremos demostrar que las organizaciones no sólo se adaptan
a sus entornos sino que, a su vez, son también capaces de modificarlos e incluso
crearlos.
3.- Que la complejidad que observamos en muchos de los procesos psicosociales

que estudiamos dentro de la organización puede obedecer a causas muy senci-
llas.
Y para estudiar esta hipótesis elemental derivada de la nueva ciencia de la

complejidad lo ilustraremos con un estudio empírico en el que se demuestra que un
modelo sencillo de motivación laboral genera un comportamiento extraordinariamen-
te complejo. Teniendo en cuenta tres variables, necesidades, percepción de autoefi-
cacia y percepción de instrumentalidad, pretendemos generar una dinámica motiva-
cional caótica y compleja.
7
De la Teoría General de Sis-
temas a las Ciencias de la
Complejidad
2.- Teoría General de Sistemas y Dinámica de Sistemas:
su aplicación a la Teoría Organizativa.
2.1.- Introducción.
N
os interesa en este capítulo hacer un repaso a las principales aportaciones
que, tanto la Teoría General de Sistemas, como la Dinámica de Sistemas,
disciplina sustentada en la noción de ‘sistema dinámico’, han realizado en
orden a la contribución de una mejor comprensión de las organizaciones.
A partir de la aplicación de la primera a la Teoría Organizativa, la caracteriza-

ción de la organización como sistema se ha mostrado muy útil. En concreto, a partir
de determinadas fechas, que podríamos situar en la década de los sesenta, las
concepciones de la organización parecen no poder prescindir de una consideración
de éstas como sistemas abiertos. “En constante intercambio con su entorno” es una
frase muy repetida desde entonces en la Teoría Organizativa. Y desde la segunda, la
Dinámica de Sistemas, conceptos como los de bucles de realimentación o demoras
en la realimentación, también han tenido una implantación fuerte en el entendimiento
de procesos que ocurren dentro de la organización. Por ejemplo, en cómo las demo-
ras inciden en las oscilaciones en los pedidos, o la relevancia de los bucles de re-
alimentación para la comprensión de los periodos de estabilidad o crecimiento.
Al finalizar este capítulo, debe quedarnos dibujada una clara imagen acerca
de las organizaciones como sistemas abiertos, como sistemas en constante inter-
cambio con el medio que les rodea, y como sistemas sociales, con características
diferenciales también propias frente a otros tipos de sistemas abiertos. Con ello,
esperamos recoger las aportaciones más clásicas que desde el pensamiento sis-
témico se han realizado en el marco de la Teoría Organizativa.
9
2.2.- Teoría General de Sistemas.
2.2.1.- El concepto de Sistema.
Podríamos definir un sistema como un ‘complejo de elementos interactuan-

tes’ (Bertalanffy, 1945, recogido en 1968, pág. 56, la cursiva es nuestra). Pero la
definición anterior, carece de un matiz importante: de cuyas interacciones surge un
comportamiento como un todo (Hall y Fagen, 1956). De otra forma, un sistema es
un conjunto de elementos interrelacionados y que presentan un cierto carácter de
totalidad más o menos organizada.
De este modo, podemos hablar de tres características estructurales básicas

de todo sistema: uno, los elementos que lo componen, dos, las relaciones entre
esos elementos, y tres, los límites del propio sistemas que determinan que elemen-
tos pertenecen al mismo y cuáles no (Martínez y Requena, 1986).
Los teóricos de sistemas coinciden en que el concepto de sistema no está

limitado a entidades materiales sino que puede aplicarse a cualquier ‘todo’ que
consista en una serie de elementos que interactúan (Bertalanffy, 1962; Rappoport,
1985). En este sentido, Bertalanffy (1972) diferenciaba entre sistemas reales y sis-
temas abstractos. Por sistemas reales podemos entender entidades percibidas o
deducidas de la observación, cuya existencia es independiente del observador. Un
grupo con sus diferentes miembros nos puede servir de ejemplo. Por sistemas abs-
tractos entendemos unos sistemas conceptuales -esencialmente constructos simbó-
licos- que tienen correspondencia con la realidad, pero cuya existencia depende de
su relación con el observador. Como ejemplo podemos tomar el de un campo cientí-
fico con sus diferentes teorías.
El interés por la concepción de sistemas y su estudio nace en forma de disci-

plina, la Teoría General de Sistemas, a finales de los años 20 de la mano del biólo-
go alemán Ludwig von Bertalanffy. Desde entonces, y hasta su fallecimiento en
1972, Bertalanffy ha expuesto los intereses fundamentales de esta Teoría General
de Sistemas en tanto a la formulación y derivación de aquellos principios válidos
para todos los sistemas en general (1955). Con ello, se desvela una clara preten-
sión por parte de esta teoría de unificación de la ciencia (o de las ciencias si se pre-
fiere), en tanto al isomorfismo que se producen en los diferentes niveles o ámbitos
disciplinarios (significativo es, en este sentido, el título del conocido artículo de
Boulding: General Systems Theory-The Skeleton of Science, 1956). Se trataría de
una disciplina que atravesaría transversalmente el resto de las ciencias con el pro-
pósito de tratar con los principios isomorfos que tienen lugar entre ellas, utilizando
para ello el formalismo del concepto de sistema.
Por otra parte, la Teoría General de Sistemas halla su objeto de estudio en

las complejidades organizadas. Como argumentaba Weaver (1948), uno de los
creadores junto con Claude Shannon de la teoría de la información, la física clásica
newtoniana había tenido gran éxito en el desarrollo de una teoría de la complejidad
10
Teoría General de Sistemas y Dinámica de Sistemas:
su aplicación a la Teoría Organizativa
no organizada, arraigada en las leyes del azar y la probabilidad y en la segunda ley

de la termodinámica. En contraste, el problema se había trasladado al entendimien-
to de las complejidades organizadas, en las que conceptos como los de ‘totalidad’,
‘directividad’, ‘teleología’ y ‘diferenciación’ son vitales y, por otro lado, ajenos a la
física habitual. Sin embargo, son conceptos nucleares en ciencias biológicas, del
comportamiento o sociales; centrales para el estudio de organismos vivos o grupos
sociales1.
Más que exponer otros aspectos de la Teoría General de Sistemas, es de

nuestro inmediato interés perfilar lo que podríamos llamar pensamiento de sistemas
como la gran aportación de la Teoría General de Sistemas al pensamiento científico
actual.
2.2.2.- Pensamiento de Sistemas2.
En primer lugar, la Teoría General de Sistemas contempla cualquier fenó-

meno como que forma parte de un sistema y, que al menos potencialmente, tam-
bién puede serlo por sí mismo. Así, por ejemplo, un individuo puede ser conside-
rando un elemento de un sistema mayor, como pueda ser un grupo de personas, y a
su vez, un sistema conformado por un conjunto de, por ejemplo, células. La clasifica-
ción en ocho niveles de la teoría de los sistemas vivos (Miller, 1978) tales como cé-
lulas, órganos, organismos, grupos, organizaciones, comunidades, sociedades y
sistemas supranacionales es ilustrativa en este sentido: cada nivel contiene a los
sistemas del nivel inferior.
Por ello, es posible que sobre una misma realidad puedan definirse numero-
sos sistemas (Martínez y Requena, 1986), lo cual obedecerá a razones del tipo inte-
reses o finalidad del observador, experiencia de éste, etcétera. Ello conduce a una
concepción que podríamos denominar perspectivismo (Bertalanffy, 1955) sobre la
realidad. Como dijo una vez Aldous Huxley (recogido por el propio Bertalanffy), el
mundo es como un pastel de helado napolitano cuyos niveles -el físico, el biológico,
el social, el moral- corresponden a las capas de chocolate, fresa y vainilla. La fresa
no es reducible al chocolate. Es decir, y como diríamos hoy, desde la Teoría General
de Sistemas, se está argumentando en la línea de una visión construccionista de la
realidad: el sujeto construye al objeto. Bertalanffy veía en este perspectivismo una
actitud para el científico que se oponía al reduccionismo imperante de su época, en
tanto que suponía la desmitificación de las visiones científicas tradicionales.
1
El concepto de teleonomía o teleología es rechazado de plano por autores como Maturana y Varela
(1973) en su teoría de los sistemas autopoiéticos que veremos en el capítulo 3. Aquí baste decir que,
para estos autores, no es un concepto necesario para dar cuenta de lo vivo.
2
En la literatura más reciente, suele hablarse de Pensamiento de Sistemas (systems thinking) en referen-
cia a lo que posteriormente veremos bajo el epígrafe de Dinámica de Sistemas. Preferimos decantarnos
por incluir bajo la denominación ‘pensamiento de sistemas’ aspectos más genéricos, y ta mbién más
clásicos, y no vincularlo solamente a los bucles de realimentación y demoras en los flujos de realimen-
tación que luego veremos como los conceptos básicos de la Dinámica de Sistemas.
11
En segundo lugar, se ha de remarcar el interés de la Teoría General de Sis-

temas por los problemas de relación, de estructuras y de interdependencia, más
que en los atributos constantes de los objetos (Bertalanffy, 1968; Buckley, 1968;
Rappoport, 1985). Ello es consecuencia del interés de la Teoría General de Siste-
mas por los sistemas abiertos, que luego caracterizaremos, en los que el dinamis-
mo, la interacción con elementos y otros sistemas externos al mismo, es caracterís-
tica definitoria y, también su interés por los sistemas sociales en los que se da una
fuerte interrelación entre sus elementos (Forrester, 1961; Aracil, 1983). En este sen-
tido, el pensamiento sistémico es una ayuda en el entendimiento de la complejidad
de estos sistemas en cuanto a su focalización en estos patrones de interacción (Es-
pejo, 1994), en las relaciones de interdependencia entre los elementos constitutivos
del sistema.
En tercer lugar, el pensamiento de sistemas enfatiza la aparición de propie-

dades emergentes no deducibles de los elementos del sistema por separado. El
emergente es fruto de las interacciones entre los elementos del sistema (Langton;
conversación de Chris Langton con R. Lewin, recogida en Lewin, 1992, págs. 23-
27). Tomando un ejemplo desde la ecología, una colonia de hormigas es capaz de
llevar a cabo tareas de gran complejidad, como explorar su entorno, construir galerí-
as o decidir la fuente de alimentos entre varias posibles a escoger. Pero, conside-
rada una por una, ninguna hormiga puede acometer, por sí sola, semejantes tareas.
Es por ello que pueda afirmarse que el comportamiento social del hormiguero
emerge a partir de las interacciones entre las hormigas, y no es reducible a las pro-
piedades de un individuo de la colonia (Solé et al., 1996).
El pensamiento de sistemas se opone, en este sentido, al pensamiento analí-

tico heredado de la física newtoniana. La aplicación de los procedimientos analíti-
cos de la ciencia para el estudio de cualquier sistema depende de: a) que no existan
interacciones entre las partes -o que éstas sean poco importantes o desechables-.
Con esta condición es posible el estudio de las partes por separado, para luego
volverlas a juntar. Y b) que las relaciones entre las partes sean lineales, ya que así se
garantiza la condición de aditividad por la cuál la suma de los procesos parciales
obtiene el proceso global (Bertalanffy, 1968).
Además, acontece que estas propiedades emergentes acaban influyendo en

los propios elementos del sistema. Considerando otro ejemplo, éste dentro del
campo de la psicología social, podemos pensar en fenómenos grupales como la
cohesión grupal: de las interacciones locales de los miembros surge una propiedad
emergente, la cohesión, no reducible al comportamiento de los miembros por sepa-
rado. A su vez, la cohesión influye en los futuros procesos grupales. El dicho aristoté-
lico de que ‘el todo es más que la suma de sus partes’ adquiere transparencia.
Por esto, y en cuarto lugar, el pensamiento de sistemas aboga por una visión
holística en el estudio de los sistemas como entidades, más que como conglomera-
dos de partes (Ackoff, 1959). Ello no quiere decir que el pensamiento de sistemas
abandone la propensión al análisis, sino que más bien, combina éste junto con la
elaboración de síntesis, más propias del holismo (Aracil, 1986).
12
Propiedades Emergentes
del Sistema
Interacciones entre los

elementos del Sistema
Figura 1: Aparición de propiedades emergentes de las interacciones entre los elementos del
sistema y que acaban afectando a éstas.
En quinto lugar, en todo sistema no todos los puntos de influencia tienen el

mismo peso con vistas a una intervención para la producción de cambios en el sis-
tema. Hay puntos en los que la palanca ejerce una mayor presión (Briggs y Peat,
1989; Senge, 1990; Senge y Sterman, 1992). Este principio de la palanca nos en-
seña que pequeños cambios pueden producir grandes resultados, y nos insta a
buscar estos puntos en los que los actos y modificaciones en estructuras pueden
conducir a mejoras significativas y duraderas.
2.2.3.- Tipos de sistemas.
2.2.3.1.- La Jerarquía de Complejidad de K. Boulding.
En 1956 el economista Keneth Boulding proponía una clasificación de siste-

mas muy conocida en nuestra disciplina (Boulding, 1956a; 1956b; también puede
verse en Buckley, 1968; o una buena síntesis en Pondy y Mytroff, 1979). Boulding
distinguía nueve niveles distintos de sistemas, ordenados de menor a mayor com-
plejidad, entendiendo por complejidad tanto el grado de diversidad o variabilidad
de los elementos que conforman el sistema como la aparición de nuevas propie-
dades sistémicas. Estos nueve niveles, que van desde las estructuras estáticas has-
ta sistemas aún por descubrir, serían los siguientes:
1. Las estructuras estáticas (frameworks3), como por ejemplo un cristal, una

roca, un mapa de una ciudad, una representación gráfica mediante organi-
3
Recogemos entre paréntesis la denominación dada originalmente por Boulding.
13
grama de una organización, etcétera. Se trata de sistemas estáticos, con

propiedades estructurales. Aunque una estructura estática pueda ser muy
complicada (por ejemplo, un organigrama con numerosos niveles tanto
horizontales como verticales) no es compleja en el sentido de Boulding. No
hay gran variabilidad de elementos y tampoco hay una pléyade de propie-
dades emergentes propias del sistema.
2. Sistemas simples dinámicos (clockworks), como máquinas simples que

responden al modelo de física newtoniana. La atracción entre dos cuerpos
o el movimiento planetario, por ejemplo, se hallarían dentro de esta catego-
ría. La diferencia con respecto a las estructuras estáticas (nivel 1) radica
en la incorporación del elemento dinámico.
3. Sistemas cibernéticos (control mechanism or cybernetic systems) en los

que se incluyen mecanismos de control mediante dispositivos de feed-
back, como en un termostato, o en los procesos homeostáticos de un or-
ganismo vivo. En este nivel, los sistemas son capaces de procesar infor-
maciones a un nivel que les permiten autoregularse. La aplicación que
Vancouver (1996) realiza de la teoría de los sistemas vivos (Living Sys-
tems Theory) de Miller (1955, 1978) al ámbito de la conducta organizativa,
constituye un excelente ejemplo sobre sistemas que se autorregulan gra-
cias a sus propiedades cibernéticas4.
4. Sistemas abiertos (open systems) como estructuras con una capacidad de

auto-perpetuarse. Una célula es un excelente ejemplo de sistema abierto.
Asimismo, y a diferencia de los sistemas cibernéticos (nivel 3), los siste-
mas abiertos mantienen una diferenciación interna gracias a la relación
que mantienen con el entorno (importación de entropía negativa, aspecto
en el que mas adelante entraremos en detalle) lo cual no les sitúa en una
posición de permanente equilibrio estable (como en los sistemas ciberné-
ticos). Esta diferenciación es necesaria a fin de que el sistema pueda te-
ner una adecuada relación con el entorno, en tanto que éste también pre-
senta facetas diferenciales. En la célula, por seguir con el ejemplo, se pre-
cisa el procesamiento de información térmica, de información alimenticia,
de información de posibles agresores externos, etcétera. En este sentido,
el cibernético inglés W. Ross Ashby formuló la ley de variedad requerida
según la cuál la diversidad interna de un sistema abierto coincide en varie-
dad y complejidad con la del entorno con el que interactúa (Ashby, 1956).
Además, y repito dada su importancia, en los sistemas abiertos existe la
capacidad de autorreproducción gracias a la generación de un código ge-
nético. El salto con respecto al nivel 3 es algo más que considerable.
5. Organismos inferiores (genetic societal level) que presentan una diferen-

ciación creciente dentro del sistema (diferenciación de funciones en el or-
4
Dicho trabajo, aunque recoge las características de diferenciación e integración propias de los sistemas
vivos, recurre continuamente a los mecanismos de feed-back (y mayoritariamente de tipo negativo) para
caracterizar esta ‘vitalidad’ olvidando otros aspectos clave de este tipo de sistemas como la emergencia
de procesos, los fenómenos autoorganizativos o la capacidad de perpetuarse.
14
ganismo), y en los que se puede distinguir entre la reproducción del propio

sistema y el individuo funcional (a diferencia de los sistemas de nivel 4).
Una planta, por ejemplo, genera semillas en las que va interno el código
genético para el posterior desarrollo del nuevo organismo. Una caracterís-
tica esencial, por tanto, de los sistemas de nivel 5, es la existencia de me-
canismos de reglas generativas (en el sentido de generación y desarrollo).
6. Sistemas animales (animal level), en los que hay una mayor capacidad en
el procesamiento de la información del exterior -evolución de subsistemas
receptores, de un sistema nervioso, etcétera- y en la organización de la
propia información en cuanto a la generación de una imagen o
conocimiento estructurado sobre el entorno. Por otro lado, en los sistemas
animales hay una capacidad de aprendizaje, y una primera capacidad de
conciencia sobre sí mismos. Aún así, no puede decirse estrictamente que
los sistemas animales tengan una capacidad de autoconciencia en tanto a
que no conocen qué conocen. Para este segundo nivel de conciencia -si
se me permite llamarlo así- se necesita de una capacidad de procesa-
miento simbólico de la información que los sistemas animales no poseen.
7. Sistema humano (human level), que incluye las capacidades de autocon-

ciencia, autosensibilidad, y del simbolismo como medio de comunicación.
Todo ello gracias a la capacidad de manejo de una herramienta como es
el lenguaje. Un sistema humano es capaz de preguntarse a sí mismo sobre
cómo se ve a sí mismo, sobre qué imagen tiene del entorno, y actuar en
consecuencia.
8. Sistemas socioculturales u organizaciones sociales (social organiza-

tions), o conjuntos de individuos con capacidad de crear un sentido social
de organización, de compartir cultura, historia y futuro, de disponer de sis-
temas de valores, de elaborar sistemas de significados, etcétera. El nivel 8
recoge, como puede apreciarse, a los sistemas de nivel 7 en interacción,
con lo cual aparecen, emergen, las ya mencionadas, y nuevas, propieda-
des sistémicas.
9. Por último, Boulding dejaba abierta la posibilidad a un noveno nivel en el

que se hallarían sistemas hoy no descubiertos o no existentes, pero que
bien podrían convertirse en realidades en futuros próximos. Este nivel no-
veno sería, obviamente, todavía más complejo que los precedentes.
La clasificación de Boulding o jerarquía de complejidad (según su propia

denominación) permite tomar conciencia del salto existente entre los modelos teóri-
cos desarrollados y los modelos empíricos. De este modo, Boulding afirmaba que
no se han desarrollado modelos teóricos adecuados más allá del nivel 4, y que los
modelos empíricos son deficientes en prácticamente todos los niveles (recordamos
que este escrito es de 1956). Igualmente, y centrándose en la ciencia del manage-
ment, Boulding argumentaba que aunque las organizaciones pertenecen al nivel 8,
15
en su estudio no se han desarrollado modelos más allá de los niveles tercero y cuar-
to (sistemas cibernéticos y sistemas abiertos respectivamente).
Tabla 1: Jerarquía de Complejidad de K. Boulding (1956).
- 1.- Estructuras estáticas

2.- Sistemas simples dinámicos
3.- Sistemas cibernéticos
4.- Sistemas abiertos
5.- Organismos inferiores
6.- Sistemas animales
7.- Sistema humano
8.- Sistemas socioculturales
+ 9.- Complejidades por descubrir
Por otra parte, esta jerarquía de complejidad puede concebirse de tal manera
que cada nivel incluye a todos los precedentes. De este modo, es posible la aproxi-
mación a niveles más complejos a través de modelos elaborados desde niveles
menos complejos. Por ejemplo, para el estudio de una organización social (nivel 8)
pueden concebirse modelos cibernéticos (nivel 3), modelos que tengan en cuenta
las relaciones organización-entorno en tanto a los intercambios de energías e infor-
maciones (nivel 4), o modelos que enfaticen la capacidad de procesamiento de la
información de los individuos (nivel 7). En todos los casos, estas aproximaciones
serán reducionistas en tanto a una limitación de carácter epistemológico: para afron-
tar el estudio en su globalidad de un determinado nivel, se necesitan enfoques que
tengan presentes las características sistémicas propias de ese nivel.
Dicho lo anterior, el estudio del fenómeno organizativo, en su complejidad,

debería ser abordado desde modelos que tengan presentes, además de las carac-
terísticas sistémicas propias de los diferentes niveles que engloba (del 1 al 7 en la
jerarquía de Boulding), las características sistémicas ya apuntadas del nivel 8. Ello
no debe negar, en modo alguno que, desde modelos elaborados en otros niveles
inferiores, se de cuenta de manera apropiada de principios isomorfos (recordamos,
los que busca la Teoría General de Sistemas) y generales aplicables al nivel 8.
Por ejemplo, es obvio que en las organizaciones hay mecanismos de feed-

back (nivel 3). Un ejemplo: restricción en el gasto en periodos de recesión. Y tam-
bién en la conducta organizativa: en la teoría del establecimiento de metas formula-
da por Latham y Locke (1991) se enfatiza el papel de este establecimiento de metas
en la autorregulación de la conducta del sujeto, con vistas a la consecución de resul-
tados, por citar otro ejemplo. Y es útil la generación de modelos organizativos o mo-
delos de conducta organizativa en este sentido. Remitimos a la revisión de Vancou-
ver (1996) sobre las principales contribuciones teóricas en conducta organizativa
utilizando procesos cibernéticos que se han desarrollado en las dos últimas déca-
das. Ahora bien, otra cosa muy distinta es que estos modelos pretendan ser explica-
tivos del comportamiento organizacional en su globalidad.
16
2.2.3.2.- Sistemas Aislados, Sistemas Cerrados y Sistemas Abiertos.
Otra clasificación de tipos de sistemas nos la ofrece la diferenciación tradi-

cional que en física se hace entre sistemas aislados, sistemas cerrados y sistemas
abiertos (e. g. Rumer y Ryvkin, 1980). La característica crítica para diferenciar unos
de otros lo representa los intercambios de energía y/o materia con el medio. Co-
mencemos, por motivos didácticos, por los segundos.
En los sistemas cerrados se producen intercambios de energía, pero no de

materia, con el medio ambiente circundante. Un recipiente cerrado, con cualquier
contenido en su interior, intercambia temperatura con el exterior (energía), pero no
materia. El propio planeta Tierra, intercambia temperaturas, radiaciones y otros ti-
pos de energías con el exterior, pero no materia (excepción hecha de alguna oca-
sional caída de meteoritos y algún lanzamiento espacial).
Figura 2.- Sistemas Cerrados:

SOL
La energía puede
entrar y salir
La materia no
puede entrar Tierra
ni salir
En los sistemas abiertos se dan tanto intercambios de energía como de ma-

teria con el exterior. Un organismo vivo sería un ejemplo prototipo de ellos. Una ciu-
dad, es otro buen ejemplo de sistema abierto: entrada y salida de vehículos, entrada
de fuentes de energía como agua, electricidad, gas, etcétera, expulsión al cielo de
gases industriales, etcétera. Desde sus inicios, el interés por el estudio de sistemas,
desde la Teoría General de Sistemas de Bertalanffy hasta los modernos desarrollos
sobre sistemas alejados del equilibrio de Prigogine o la teoría de las catástrofes de
Thom, ha sido un interés por el estudio de los sistemas abiertos.
En 1955 Bertalanffy describió dos características fundamentales de los sis-

temas abiertos. Primera, los sistemas abiertos, y a diferencia de los sistemas ce-
rrados, pueden alcanzar un mismo estado final desde condiciones iniciales diferen-
tes, y por diferentes caminos. Propiedad que recibiría el nombre de equifinalidad y
que ya había sido propuesta por el propio Bertalanffy en 1940. Segunda, el mundo
de lo vivo exhibe transiciones hacia un orden superior, heterogeneidad y organiza-
ción. Bertalanffy lo denominó ley de la evolución biológica.
17
Figura 3.- Sistemas Abiertos:
La energía puede
entrar y salir
La materia
Ciudad
puede entrar
y salir
Dentro de los sistemas abiertos tendrían un lugar preferente los sistemas vi-
vos, en lo cuáles además de intercambios de materia y energía con el medio, tam-
bién se darían intercambios de información (Miller, 1965, 1978, 1992). Tanto mate-
ria como energía son dos magnitudes bien conocidas por la física. La información
sólo ha sido desarrollada desde la matemática (teoría de la información de Shan-
non y Weaver).
Por último, en los sistemas aislados no ocurre ningún tipo de intercambio, ni

de energía ni de materia, con el exterior. El Universo, considerado en su totalidad,
es un ejemplo de ello.
Figura 4.- Sistema Aislado:
La energía no puede
entrar ni salir
La materia no puede
entrar ni salir
La diferenciación entre sistemas aislados, cerrados y abiertos, y el interés en

la misma -en su diferenciación- es debido, en una gran medida, por el desarrollo de
la Termodinámica, de sus principios como principios generales aplicables a cual-
quier realidad física, y del impacto de los mismos en un sinfín de disciplinas.
18
2.2.4.- Tipos de sistemas y segunda ley de la Termodinámica.
En 1850, el físico alemán Rudolf Clausius proponía los principios básicos de

la Termodinámica. La Termodinámica, o ciencia del calor, se halla interesada por
los procesos de transformación de energía. El primer principio, formulado por Clau-
sius, establecía lo siguiente:
La energía del Universo permanece constante
Suele ser más conocida aquella otra formulación que declara que la energía
ni se crea ni se destruye, sólo se transforma. Ahora bien, como era patente de la
experiencia real, en cualquier intercambio térmico se producen inevitables pérdidas
de calor, en tanto a la posibilidad de utilización del mismo. En la naturaleza existe
una disimetría: los cuerpos calientes se enfrían y no al revés. Es decir, aunque la
energía sólo se transformase permaneciendo constante, era evidente que la forma
en que la energía existe no era la misma tras el proceso de transformación, de tal
forma que la energía dejaba de ser aprovechable. Cuando una máquina de vapor
del siglo pasado consumía carbón mineral para su funcionamiento, era evidente que
tras el uso del carbón la energía había cambiado de forma, de tal manera, que una
vez utilizada para el movimiento de la máquina, ya no era aprovechable. El carbón
había servido para propulsar la máquina, pero se había reducido a cenizas.
De otra forma, ‘aunque la cantidad total de energía debe conservarse en

cualquier proceso (...), la distribución de esta energía cambia de una forma irrever-
sible’ (Atkins, 1984, pág. 9). Es por ello, que Clausius formulase un segundo princi-
pio:
La entropía del Universo aumenta hasta su valor máximo
Con el término entropía (proveniente del griego y que significa transforma-

ción), Clausius recoge la forma en la que se encuentra la energía. La entropía es,
por tanto, una medida de la pérdida del calor (energía) para fines útiles (Hayles,
1990), y cuya unidad de medida viene expresada en ratios de energía/temperatura
(calorías/ºC). La entropía recogería el sentido natural del cambio en la distribución
de la energía (Atkins, 1984).
Ambos principios fueron aunados en un gran enunciado cosmológico (Clau-

sius, 1865):
Mientras la energía del Universo permanece constante,

la entropía del Universo aumenta hasta su valor máximo
(en su formulación original alemana:

Die energie der Welt ist konstant
Die entropie de Welt strebt einem maximun zu)
19
El impacto que produjo el segundo principio en la comunidad científica no se

dejó esperar. Rápidamente se cayó en la cuenta que, si en todo intercambio térmico
se producen pérdidas de energía para fines útiles, o aumentaba la entropía según la
formulación de Clausius, llegaría un momento en el cuál ya no se dispondría de nin-
guna cantidad de energía utilizable. La entropía se hallaría, entonces, en su valor
máximo, tal y como recoge la segunda ley. Se produciría una muerte térmica: en el
Universo ya no habría energía que quemar.
A finales del siglo pasado, el físico inglés James Clerk Maxwell, reinterpretará
la segunda ley de una manera probabilista. Para Maxwell (1860, 1890), la segunda
ley era más bien una generalización estadística que una ley, con el sentido absoluto
que ésta implica. Trabajando con las velocidades moleculares de un gas, propuso
que nada impide que las moléculas del mismo se acumulen todas en una determi-
nada zona del espacio. Ahora bien, tal hecho era muy improbable. De todas formas,
ello suponía que el segundo principio no tenía la fuerza de una ley y confería a la en-
tropía una significación estadística. Posteriormente, Ludwig Boltzman, físico austría-
co, desarrollará esta reinterpretación de Maxwell. Boltzman (1909) amplía el concep-
to de entropía al considerarla como una medida de la aleatoriedad, o del desorden,
en un sistema cerrado, proponiendo una formulación para su cálculo. En concreto,
esta formulación era la siguiente:
S = k (log W) (1)
donde S es la entropía,
k es una constante universal (k = 3,2983 * 10-24), y
W es una magnitud relacionada con el desorden atómico y que mide hasta que punto la
energía se halla dispersa
Tomemos un ejemplo comentado por Katherine Hayles (1990). Supongamos

que arrojamos una moneda al aire cuatro veces. Supongamos, además, que hace-
mos un determinado número de tiradas, cada una de ellas con cuatro lanzamientos.
Sólo uno de los resultados posibles coincide con la disposición de cuatro caras (C):
CCCC. Por otra parte, hay seis maneras de obtener un resultado del tipo dos caras
(C) y dos cruces (c):
CCcc CcCc CccC ccCC cCcC cCCc
Por lo tanto, según la fórmula de Boltzman, la cantidad W es mayor para el

estado (o resultado final en nuestro ejemplo) dos caras y dos cruces que para el es-
tado de cuatro caras, dado que hay un mayor número de maneras de llegar a dicho
estado. En conclusión, ‘mientras más mezclado o aleatorio sea el estado final, más
probable será, porque habrá mas configuraciones que conduzcan a él’ (Hayles,
1990, pág. 63, la cursiva es nuestra) y, en consecuencia, será más entrópico.
20
Como la propia Hayles muestra, es posible reconciliar las interpretaciones de

Boltzman y Clausius sobre la entropía. El calor es fundamentalmente una medida de
energía interna. En el caso de los gases, esta energía correlaciona con la velocidad
media de las moléculas que lo conforman. Mientras más caliente es el gas, más ca-
lor pierde cuando sufre intercambios térmicos, luego, más entrópico es (interpreta-
ción clásica de Clausius). Además, ocurre que también es mayor la velocidad de
sus moléculas, luego más se mezclan éstas en el intercambio (interpretación proba-
bilista de Boltzman).
La interpretación probabilista de la entropía tiene una ventaja sobre la inter-

pretación basada en la pérdida del calor: permite extender el propio concepto de
entropía a sistemas que nada tienen que ver con intercambios térmicos. Además de
la ya mencionada lectura no determinista. Luego, y a modo de resumen, de todo lo
dicho hasta aquí con respecto a la segunda ley (la seguiremos llamando así por tra-
dición) podemos establecer la siguiente relación:
entropía = desorden = probabilidad (2)
Nótese también que la formulación de Boltzman tiene la poco frecuente habi-

lidad de relacionar dos mundos claramente diferenciados. De un lado, la entropía, S,
perteneciente a la termodinámica clásica de los sucesos macroscópicos (pérdidas
de calor). De otro, la magnitud W, perteneciente al mundo atómico, e indicador del
desorden molecular (Atkins, 1984).
En su formulación original, la segunda ley está referida a los sistemas aisla-

dos (el Universo). En los sistemas aislados, la entropía tiende a su valor máximo,
hacia estados de mayor desorden, de mayor probabilidad. Pero, ¿qué oc urre en
otros tipos de sistemas? En 1945, Ilya Prigogine, químico de origen ruso pero resi-
dente en Bruselas y premio Nobel en 1977, formula una extensión de la segunda ley
aplicable tanto a sistemas aislados, a sistemas cerrados, como a sistemas abiertos.
Prigogine separará la producción de entropía interna del sistema, del flujo de en-
tropía que el sistema pueda intercambiar con su entorno, aspecto éste, olvidado por
la segunda ley ya que se había centrado en los sistemas aislados que, por defini-
ción, no mantienen ningún tipo de intercambio con el exterior.
Expresado mediante ecuaciones diferenciales sería como sigue:
dS = d eS + d i S (3)
donde dS representa los cambios de entropía a través del tiempo,

deS el flujo de entropía que se produce en todo intercambio con el medio, y
di S la producción de entropía que se produce en el interior del sistema debi-
do a la irreversibilidad de los procesos que en él tienen lugar.
21
deS
d iS ≥ 0
dS = deS + diS
Figura 5.- Dos términos del cambio de entropía producido a través del tiempo.
La formulación de Prigogine, permite una nueva lectura de la segunda ley.

Nueva lectura en la que se puede diferenciar en función del tipo de sistemas. En
efecto, para los sistemas aislados (en lo cuáles no hay flujo de entropía, deS, ya que
son aislados), los cambios de entropía vendrían determinados exclusivamente por la
producción de entropía (di S). Producción de entropía que siempre es positiva, se-
gún la segunda ley. De este modo, para los sistemas aislados...
dS = d eS + d i S
dS = diS (ya que deS = 0)
dS = diS $ 0 (4)
dS $ 0
Por tanto, para los sistemas aislados los cambios de entropía son siempre
positivos. Luego, tiende siempre a crecer, tal y como ya había sido fijado por la for-
mulación de Clausius.
Para los casos en los que el flujo de entropía no sea cero (deS K 0), es decir,
en sistemas en los que se produce algún tipo de intercambio con el exterior (siste-
mas cerrados o abiertos), la formulación prigoginiana ofrece otras lecturas más inte-
resantes. Veamos, de manera breve, qué ocurre en los sistemas cerrados, para
centrarnos luego en los sistemas abiertos, que son el foco de nuestra atención.
Para los sistemas cerrados, la evolución marcada por la segunda ley viene
determinada por una nueva magnitud: la energía libre. La energía libre es función de
la energía, de la temperatura y de la entropía. Su formulación es como sigue:
F = E - TS (5)
Energía libre = Energía - Temperatura * Entropía
Para los casos en los que la temperatura es baja, la entropía también lo es, y
el segundo término de la ecuación puede despreciarse. Es la situación característi-
ca de los estados sólidos. En los casos de temperaturas elevadas, la entropía tam-
22
bién lo es. Es la situación característica del estado gaseoso. La temperatura se

convierte, por tanto, en un parámetro de control, con valores críticos en los que se
observan transiciones de fase. Por ejemplo, para el caso del agua, a 100 ºC ocurre
la transición del estado líquido al gaseoso y, a 0 ºC, la transición del estado líquido
al sólido.
Por fin, para los sistemas abiertos se precisa de un flujo de entropía con valor
similar, pero de signo contrario, al valor de la producción de entropía. Es decir:
deS = -di S
deS = -di S < 0 (ya que di S $ 0) (6)
Ello es así en tanto que el sistema precisa de preservar un orden configura-

cional. Ahora bien, esto es así en principio, ya que la dinámica del entorno influirá en
un aspecto clave: la posición de equilibrio del sistema. Aunque no entremos aquí
ahora en detalles, dado que va a ser objeto de desarrollo en el capítulo próximo,
baste apuntar lo siguiente. Para Prigogine (Glansdorff y Prigogine, 1971; Nicolis y
Prigogine, 1977; Prigogine y Stengers, 1979; Prigogine, 1980; Prigogine, 1983) un
sistema abierto puede existir en tres tipos de regímenes según su posición de equi-
librio:
1. ..en equilibrio termodinámico, en el que flujos y corrientes han eliminado di-

ferencias de temperatura o de concentración; la entropía ha alcanzado un
nuevo y mayor valor, se ha alcanzado la uniformidad y el sistema deja de
ser abierto para convertirse en un sistema cerrado. Un cristal es una típica
estructura en equilibrio.
2. ..en un segundo régimen que difiere poco del estado de equilibrio, pero en
él las pequeñas diferencias de temperatura o de concentración se mantie-
nen dentro del sistema para que permanezca en un ligero desequilibrio. Si
la perturbación del equilibrio es lo bastante pequeña, podemos analizar el
sistema añadiendo únicamente una leve corrección al estado de equilibrio
(estado lineal de no equilibrio).
3. ..y en un tercer régimen posible en el cuál la situación es muy distinta. Las

ligaduras que el sistema mantiene con su entorno mantienen unos valores
que obligan al sistema a alcanzar un estado lejos del equilibrio. En estas
condiciones, pueden aparecer espontáneamente nuevas estructuras y ti-
pos de organización que Prigogine denomina ‘estructuras disipativas’. Pa-
ra la aparición de las estructuras disipativas se precisa también de la exis-
tencia de ciertos tipos de mecanismos de interacción no lineal que actúen
entre los elementos del sistema. Para que la no linealidad pueda optar en-
tre varias soluciones posibles, es necesario rebasar ciertas dimensiones
espaciales críticas. Un ejemplo muy trabajado por Prigogine lo encontra-
mos en la inestabilidad de Bénard, un tipo de reacción química en la que,
en lugar de aparecer un estado de equilibrio homogéneo, bajo condiciones
adecuadas, aparece una configuración regular en celdillas hexagonales.
23
Para finalizar con este punto, y haciendo resumen, tres son los aspectos que
considero de mayor interés de la formulación de Prigogine y que debemos retener
aquí y ahora. Primero, que en los sistemas aislados la producción de entropía siem-
pre es positiva (di S $ 0), luego la variación de entropía en estos sistemas también
es positiva (dS $ 0). Los sistemas aislados tienden hacia estados de mayor entro-
pía, de mayor desorden, de mayor probabilidad (recogiendo ahora las aportacio-
nes de Clausius y Boltzman).
Segundo, en los sistemas abiertos, el flujo de entropía siempre es negativo

(deS < 0), a fin de contrarrestar la producción de entropía que siempre es positiva.
Parafraseando a Erwin Schrödinger, físico austríaco, premio Nobel en 1933 y uno
de los padres de la Mecánica Cuántica: “un sistema abierto se alimenta de entropía
negativa”. Y mientras un sistema abierto sea capaz de seguir alimentándose de
esta entropía negativa, tenderá hacia estados de menor entropía, de menor desor-
den y de mayor improbabilidad. Con otras palabras: “la tendencia a la desorganiza-
ción, a la entropía o probabilidad creciente que anuncia la Termodinámica, se refie-
re sólo a sistemas totalmente aislados de su entorno. Un sistema capaz de inter-
cambiar algo con su entorno (..) tiene su oportunidad para buscar estados menos
probables” (Wagensberg, 1986, pág. 145). De este modo, la noción de entropía de
la termodinámica clásica y la noción de evolución de la biología darwiniana quedan
reconciliadas (Laszlo, 1988; Jou y Llebot, 1989; Luhmann, 1995).
Y tercero, los sistemas abiertos pueden existir en tres tipos de regímenes en

función de su distancia del equilibrio. Aparece con ello, un nuevo concepto, el de
equilibrio, y junto con él otra clasificatoria de sistemas, en-cerca-y alejados del
equilibrio, aspectos ambos que merecerán nuestra atención en próximos capítulos.
Aquí, retengamos ahora que en los sistemas alejados del equilibrio aparece de
manera espontánea estructuras y tipos de organización. Repitamos, de manera
espontánea.
2.3.- Dinámica de Sistemas.
2.3.1.- Introducción a la Dinámica de Sistemas.
En los apartados precedentes hemos desarrollado los aspectos más relevan-

tes de la Teoría General de Sistemas y de los principios de la Termodinámica como
principios universales aplicables a cualquier tipo de sistema. Ahora vamos a intro-
ducir una nueva noción que, de una u otra manera, ha estado presente en la mayor
parte del desarrollo anterior: la noción de sistema dinámico, en torno a la cual gira la
disciplina denominada Dinámica de Sistemas.
Cuando al afrontar el estudio de un sistema una variable relevante es el factor

tiempo, es decir, como evoluciona el sistema a lo largo de un determinado período
24
de tiempo, prestaremos atención a los elementos dinámicos del sistema. Estaremos

interesados en el estudio de la dinámica del sistema.
Esta dinámica es consecuencia, fundamentalmente, de las interacciones en-

tre los elementos del sistema. Las interacciones entre los elementos están configu-
rando, por otro lado, la estructura del sistema. Es por ello que, desde un punto de
vista dinámico, todo sistema está siendo determinado por su estructura. Y, en este
sentido, uno de los aspectos más destacados por la Dinámica de Sistemas es que
las causas de los problemas que aparecen en un sistema social no son tan debidas
a sucesos previos como a la propia estructura del sistema (Forrester, 1961, 1968;
Aracil, 1983; Martínez y Requena, 1986; Senge, 1990).
Interesado por la dinámica de los sistemas, en especial los de tipo industrial,

Jay W. Forrester, ingeniero del MIT, desarrollará toda una nueva disciplina con un
marcado carácter tecnológico. Podríamos definir la Dinámica de Sistemas como
una manera de estudiar el comportamiento de los sistemas, de tipo social, a fin de
mostrar cómo las políticas, decisiones, estructuras y demoras en los flujos de retroa-
limentación se interrelacionan para influir en el desarrollo y en la estabilidad de los
propios sistemas (Forrester, 1961). Más específicamente, podemos concebir la Di-
námica de Sistemas como una metodología para la construcción de modelos de
sistemas sociales (Aracil, 1983). Con ella se pretende el establecimiento de técni-
cas para formalizar, de forma matemática, los modelos que de manera verbal o
mental se establecen sobre estos sistemas.
El origen de la Dinámica de Sistemas lo encontramos en una demanda de

una compañía eléctrica para el estudio de las oscilaciones que presentaban sus
pedidos (Forrester, 1961). En este estudio inicial, Forrester ya dio cuenta de la im-
portancia de dos factores para el entendimiento de la dinámica de un sistema: el
tipo de bucles de realimentación que tenían lugar en el mismo y las demoras o re-
trasos que se producían en estos propios bucles o rizos de realimentación. Traba-
jando con estos dos elementos, Forrester fue capaz de dar una respuesta satisfacto-
ria al problema de las oscilaciones en los pedidos.
Desde sus inicios, Forrester ha ligado fuertemente la Dinámica de Sistemas

a la gestión empresarial. Tal es así, que concebía la dinámica industrial -ese fue el
nombre original que él le dio- como una disciplina que ayudaría a los gerentes en su
toma de decisiones cotidiana. ‘El gerente -dice Forrester- puede tener un laboratorio
de diseño como ayuda para crear políticas de control perfeccionadas y flujos de in-
formación de los cuales ellas dependen. Esto conducirá hacia una mayor hondura en
la educación gerencial y a cambios en las capacidades de los gerentes’ (1961, pág.
43 de la edición en español). A partir de aquí, Forrester continuó trabajando en el
modelado de diferentes sistemas, entre cuyos ejemplos más destacados sobresa-
len uno sobre dinámica urbana (1969) y un intento excesivamente globalizador sobre
una dinámica del mundo (1971).
En la génesis y posterior desarrollo de la Dinámica de Sistemas contribuye-

ron disciplinas como la teoría de los servomecanismos y la teoría general de sis-
25
temas. La teoría de los servomecanismos se centra en el estudio sistemático del

concepto de realimentación y del comportamiento dinámico de los sistemas La teo-
ría de los servomecanismos es por ello un germen que posteriormente sería des-
arrollado bajo la denominación de cibernética por diferentes autores, en especial
Norbert Wiener. A todo ello hay que añadir la fuerte evolución de los ordenadores a
finales de los cincuenta, lo que permitía la fácil creación de simulaciones con mode-
los.
La utilización del ordenador en la simulación de los modelos creados es bá-

sica. El ordenador permite mostrar consecuencias dinámicas de las interrelaciones
entre los componentes del sistema que escapan al procesamiento mental por su
fuerte tendencia a pensar en relaciones causa-efecto lineales y cercanas en el tiem-
po y espacio (Aracil, 1983; Senge, 1990). La simulación en el ordenador nos permi-
te penetrar en la complejidad de los sistemas sociales (Wagensberg, 1985). Permi-
te trabajar con relaciones no lineales, un tipo de relaciones que no suelen encajar
bien en nuestro modo habitual de pensamiento. La simulación en el ordenador, susti-
tuye de este modo a la experimentación en laboratorio, experimentación que, por
otra parte, es de difícil ejecución cuando nos interesamos por sistemas sociales.
Por ello, ‘la simulación puede jugar el papel de la experiencia frente a la teoría’
(Wagensberg, 1985, pág. 103, la cursiva es nuestra) en tanto que puede poner en
entredicho a ésta y sugerir su revisión y, además, ‘la simulación puede jugar el pa-
pel de la teoría frente a la experiencia’ (ob. cit., pág. 103, la cursiva es nuestra) en
cuanto que puede describir, comprender y predecir fenómenos sin la necesidad de
ponerlos a prueba.
Básicamente, y de manera muy esquemática, un estudio en dinámica de sis-

temas presenta las siguientes fases (Aracil, 1983):
1. Observación del comportamiento del sistema a fin de poder identificar los

elementos fundamentales que lo componen y que son de interés para el
estudio en concreto del mismo.
2. Determinación de las estructuras de realimentación que puedan producir el

comportamiento observado.
3. A partir de la estructura identificada, se construye el modelo matemático

de comportamiento del sistema de manera que pueda ser simulado en un
ordenador.
4. Simulación del modelo.
5. La estructura planteada se modifica hasta que sus componentes y el com-

portamiento resultante coincidan con el comportamiento observado en el
sistema real.
6. Simulación de decisiones en el ordenador: se modifican las decisiones

que puedan ser introducidas en el modelo de simulación hasta encontrar
26
decisiones aceptables y utilizables que den lugar a un comportamiento real

mejorado.
-
+ Población
Comida
Número de +
Nacimientos
+
Tasa de
+ Nacimientos
Figura 6: Ejemplo sencillo de un modelo de Dinámica de Sistemas. El ejemplo en concreto

se refiere a la evolución de la población de una especie. Las flechas expresan relaciones de
influencia, siendo las de signo positivo relaciones positivas (mientras mayor sea la tasa de
nacimientos mayor será el número de éstos o, mientras menor sea la tasa de nacimientos
menor será el número de nacimientos), y las de signo negativo relaciones negativas (a mayor
población menor comida o, a menor población mayor comida).
Como podemos ver, la Dinámica de Sistemas conlleva el estudio detallado

de las interrelaciones del sistema para su posterior modelado a fin de poder realizar
simulaciones. Simulaciones que serán de una gran ayuda cara a la intervención pos-
terior en el propio sistema. Simular antes de intervenir.
De este modo, la utilidad de la Dinámica de Sistemas en cuanto a la realiza-

ción del modelado y posteriores simulaciones, son una inestimable ayuda para la
toma de decisiones gerenciales, en ámbitos tanto privados como públicos, tal y co-
mo han puesto de manifiesto numerosos trabajos (Merten, 1988; Richardson y Rohr-
baugh, 1990; Senge y Sterman, 1992; Aitchison y Kocay, 1994; Vennix, 1995; Lomi,
Larse y Ginsberg, 1997). Y, además, también en este sentido ha habido autores que
han sabido recoger una de las inquietudes iniciales de Forrester y han vinculado el
modelado de sistemas y su simulación con la educación gerencial (Senge, 1990;
Graham y Senge, 1990; Carena y Castelli, 1993; Sterman, 1994; Eftekhar, Strong y
Hawalenskha, 1997). La Dinámica de Sistemas como una herramienta útil en el
aprendizaje de un pensamiento sistémico, básico para la gestión de sistemas socia-
les.
Para los partidarios de este proceder, la utilización de simulaciones supone

un método de toma de decisiones claramente superior a métodos basados en la
simple acumulación de experiencias. Se demuestra que la experiencia constituye un
aprendizaje muy primario y que no obtiene la información más relevante en el funcio-
namiento de los sistemas sociales (Senge, 1990; Senge y Sterman, 1992; Sterman,
1994; Kim y Senge, 1994; Lomi, Larsen y Ginsberg, 1997). Y ello debido básica-
mente a tres razones: primera, las relaciones entre elementos acostumbran a ser no
lineales, lo cual hace más complejo el sistema social, segunda, la existencia de de-
27
moras o el alejamiento en el tiempo entre causas y efectos y, tercera, lo difícil que al

pensamiento humano le resulta el entendimiento de los bucles de realimentación,
más aún cuando hay presencia de varios bucles. En definitiva, se trata de limitacio-
nes humanas en el procesamiento cognitivo de la información.
Siendo así, podríamos esperar un alta evidencia acerca de la mayor eficacia

de la toma de decisiones guiada por la simulación de sistemas que la toma de deci-
siones no basada en ésta. En un estudio de Cavaleri y Sterman (1997), y el único
que hemos encontrado a este respecto, trabajando con una serie de agencias de
firmas de seguros en EE.UU. que comenzaron a aplicar la simulación basada en la
Dinámica de Sistemas como ayuda para la toma de decisiones, hallan una eviden-
cia media teniendo como variable criterio de éxito la productividad de las agencias.
En unos casos, la productividad aumentó, en otros no sufrió ningún tipo de aumento.
Cavaleri y Sterman acentúan la importancia de un correcto modelado de sistemas.
El aspecto clave para que el modelado de sistemas sea de ayuda en la toma de
decisiones está en la consideración de los aspectos importantes del fenómeno con-
creto y en la determinación correcta de las relaciones entre variables que constituyen
dicho fenómeno.
2.3.2.- Elementos centrales en la Dinámica de Sistemas.
2.3.2.1.- Bucles de Realimentación.
Las personas tendemos a pensar en función de relaciones causa-efecto uni-

direccionales, olvidando otro tipo de relaciones más complejas tal y como nos han
mostrado numerosos estudios y experimentaciones (e.g.- Hall, 1976, 1989; Klein-
muntz, 1985; Sterman, 1989a, 1989b; Brehmer, 1989). De ahí que el concepto de
feed-back o realimentación de la cibernética haya supuesto una pequeña revolución
que ha estremecido nuestra concepción más clásica de la causalidad. En esencia,
el concepto de realimentación nos viene a remarcar que el separar causa de efecto
es un mero artilugio analítico que, además, constriñe el pensamiento en tanto que
obvia parte de la complejidad de la relación.
Un ejemplo. En un acto tan sencillo y cotidiano como llenar un vaso de agua,

solemos expresarnos con palabras como “yo hago que el nivel del agua se eleve
hasta donde deseo”. En lenguaje de corte más causal: yo causo la elevación del ni-
vel del agua (efecto). La cibernética viene a enfatizarnos que tal hecho es más com-
plejo, algo parecido a lo siguiente: “mi propósito de llenar un vaso de agua crea un
sistema que causa que el agua fluya cuando el nivel está bajo y luego cierre el grifo
cuando el vaso está lleno” (Senge, 1990). Expresado en un diagrama sería tal y co-
mo aparece en la siguiente figura:
Vemos que nuestra descripción habitual causa-efecto, contempla la parte

derecha del diagrama, desde “posición del grifo” hasta “nivel actual del agua”. Des-
cripción que, ahora comprobamos, es parcial.
28
nivel deseado posición del

del agua grifo
brecha flujo del

percibida agua
nivel actual
del agua
Figura 7: El acto de llenar un vaso de agua desde una visión cibernética, en la que se enfati-
za la importancia del feed-back o realimentación. Las flechas expresan relaciones de influen-
cia.
Centrados en la importancia de los bucles o rizos de realimentación, vamos a

distinguir entre bucles de realimentación negativos y bucles de realimentación posi-
tivos, distinción clásica dentro de la Dinámica de Sistemas y la Cibernética (Forres-
ter, 1961, 1968; Maruyama, 1963; Aracil, 1983; Martínez y Requena, 1986; Briggs y
Peat, 1989; Senge, 1990).
Un ejemplo muy conocido de bucle de realimentación negativo lo encontra-

mos en el termostato. Programamos la calefacción de nuestro salón para que la
temperatura se mantenga a 18 ºC y el termostato que contiene este aparato hace
que la estufa funcione más o menos intensamente para alcanzar este valor. Cuando
la temperatura baja de los 18º el termostato enciende la estufa para que caliente el
salón y, cuando la temperatura supera los 18º, el termostato apaga la estufa. La ac-
ción del termostato afecta la estufa, pero también la acción de la estufa afecta al
termostato.
En términos dinámicos diríamos que un bucle o rizo de realimentación negati-

vo hace que la variación en un elemento se transmite a lo largo del bucle de tal forma
que determina una variación de signo contrario en ese mismo elemento, es decir,
cualquier variación que se produzca en uno de los elementos del bucle tiende a anu-
larse. De otra forma, los bucles de realimentación negativos tienden a estabilizar al
sistema, a mantenerlo en un valor, serie de valores o un estado determinado. En una
meta u objetivo. Por ello son mecanismos de realimentación compensadores, de
contención de las desviaciones.
El interés por los bucles de realimentación negativos lo encontramos a me-

diados del siglo XIX en la teoría de los servomecanismos, germen de los que a
mediados de los 40 Norbert Wiener bautizaría como Cibernética. Wiener trabajó en
el perfeccionamiento de la artillería antiaérea, la cuál no acababa de funcionar debi-
do a la velocidad que alcanzaban los aviones. Al pasar de disparar contra blancos
29
fijos a blancos móviles, Wiener trabajo en la predicción del vuelo del móvil, por ello,
era “de suma importancia disparar el misil, no contra el blanco, sino de modo que el
misil y el blanco coincidan en un determinado momento futuro en el espacio” (1948,
pág. 27). Con este objetivo, Wiener se valió de la información que proporcionaba la
diferencia entre la predicción efectuada en cada momento y la posición real del
blanco: “cuando deseamos que un movimiento siga un patrón determinado, la dife-
rencia entre este patrón y el movimiento realmente efectuado se utiliza como nuevo
impulso para que la parte regulada se mueva de tal modo que su movimiento se
aproxime más al previsto por el patrón” (ob. cit., pág. 29).
Figura 8: Ejemplo de bucle de realimentación negativo: relación entre el termostato y la es-

tufa (imagen extraída de Briggs y Peat, 1989, pág. 25).
Vemos que esta cibernética más clásica presenta un marcado carácter teleo-
lógico, debido al carácter de los bucles de realimentación negativos. En el caso an-
tes descrito, conseguir dar en el blanco.
Pero no todos los bucles de realimentación son negativos. También existen

bucles de realimentación en los que, en lugar de amortiguar los efectos, éstos se
amplifican y, que han servido a Maruyama (1963) para hablar de una segunda ci-
bernética. Los bucles de realimentación positivos actúan de tal modo que la varia-
ción de un elemento inicial se propaga a lo largo del bucle reforzándola. El acople de
un sonido nos sirve de ejemplo. La salida de audio que tiene lugar por el altavoz es
captada por el micrófono que la vuelve a introducir, vuelve a salir el sonido amplifi-
cado que vuelve a entrar con mayor intensidad a través del micro, y en escasas dé-
cimas de segundo se produce el molesto sonido que nos es muy conocido. Los bu-
30
cles de realimentación positivos representan un “efecto bola de nieve”, un círculo

virtuoso.
Figura 9: Ejemplo de bucle de realimentación positivo: acople de un sonido (imagen

extraída de Briggs y Peat, 1989, pág. 26).
En términos dinámicos, un bucle o rizo de realimentación positiva representa

la variación de un elemento que se propaga a lo largo del bucle y que refuerza la va-
riación inicial haciéndola mayor. Por ello, los bucles de realimentación positivos
tienden a no mantener el equilibrio, al contrario, transportan al sistema hacia nue-
vos estados. Son mecanismos de realimentación reforzadora, de amplificación de
las desviaciones. De otro lado, los bucles de realimentación positiva suponen una
nueva revisión del concepto de causalidad en tanto que no siempre causas similares
producirán efectos similares debido a la posibilidad de amplificación de los efectos
(Maruyama, 1963).
Lo más interesante, para la Dinámica de Sistemas, de los diferentes tipos de

bucles de realimentación es su combinación en el modelado de sistemas. Así, sa-
bremos que bucles de realimentación positivos amplían los efectos, mientras que los
bucles de realimentación negativos los amortiguan o estabilizan. En el diagrama de
la figura 6 representativo de la evolución de la población de una especie, la relación
entre “población” y “número de nacimientos” genera un bucle de realimentación posi-
tiva, un bucle de amplificación. A mayor población, mayor número de nacimientos, y
una nueva mayor población, y un mayor número de nacimientos, y así sucesivamen-
te. Mientras que el bucle “población”, “comida”, “tasa de nacimientos” y “número de
nacimientos” es un bucle de realimentación negativa ya que contiene una relación de
carácter negativo entre población y comida.
31
De manera genérica, podemos establecer que cuando en un bucle hay un

número par de relaciones de influencia negativas, dicho bucle es de carácter ampli-
ficador. Es un bucle de realimentación positiva. Por el contrario, cuando el número
de relaciones de influencias negativas es impar, el bucle es de disminución de las
amplificaciones. Es un bucle de realimentación negativa. Por otro lado, el carácter
global del sistema, amplificador o estabilizador, tendente al desarrollo o a la estabi-
lidad, dependerá de la fuerza (Maruyama, 1963) o dominación de uno sobre otros
(Aracil, 1983) de los diferentes bucles de realimentación.
Weick (1969) ofrece una serie de guías, más detalladas, para determinar el
carácter global del sistema. Así, la primera de ellas sería que el carácter del sistema
viene determinado por el bucle que mayor número de elementos contiene. Si este
bucle es reforzador, el sistema será de carácter de amplificación de las desviacio-
nes; si éste es estabilizador, el sistema será de carácter de contención de las des-
viaciones. Si esta regla no es aplicable, por ejemplo, por igual número de elementos
en bucles de distinto tipo, aplicaremos una segunda regla. El carácter del sistema
vendrá dado por la predominancia de bucles positivos o negativos, es decir, por la
predominancia, en número, de un tipo de bucles. Una tercera regla a aplicar en de-
trimento de las dos precedentes consiste en contar el número total de relaciones
negativas entre todos los elementos del sistema, contando cada relación negativa
cada vez que aparezca dentro de un bucle. Si este número total resulta impar, el sis-
tema será de tipo estabilizador, que contrarresta las desviaciones, si el número es
par, el sistema será de tipo reforzador, que amplifica las desviaciones. Aplicando
estas guías al ejemplo de la figura 6, basta con tener en cuenta la primera de las
reglas: el sistema es de carácter estabilizador en tanto al mayor número de elemen-
tos que implica el bucle negativo (cuatro en total) frente a los elementos implicados
en el bucle positivo (dos).
2.3.2.2.- Demoras en los Flujos de Realimentación.
Junto al interés por los bucles de realimentación, bien positivos bien negati-
vos, la Dinámica de Sistemas enfatiza la importancia de las demoras o retrasos en
las transmisiones (de información, de material, etcétera). Es decir, al construir un
modelo mediante diagramas causales, éste debe también tener en cuenta que la
relación de influencia que une dos elementos puede precisar del transcurso de un
cierto período de tiempo.
Por ejemplo, las decisiones de rebajar un producto no suelen tener un efecto

inmediato en el número de ventas del mismo, sino que se requiere de un cierto pe-
ríodo de tiempo para comprobar estos efectos. Otro ejemplo, entre la realización de
un pedido a planta de fabricación y su recepción para su puesta a la venta suele
transcurrir un tiempo. En este último caso, Forrester supo ver como las demoras
producidas en los sistemas de distribución industriales provocaban oscilaciones en
los pedidos (Forrester, 1961), de ahí que, desde un punto de vista gerencial, un ma-
yor control de las demoras conduce a un mayor control en el sistema. Idea ésta que
es nuclear en filosofías de distribución como la just in time.
32
+
ventas del producto
precio del
producto
-
tiempo
rebaja del
producto
Figura 10: Un ejemplo de demora: la rebaja en el precio de un producto produce un mayor

número de ventas de éste un cierto tiempo después.
Las demoras también nos sirven para explicar un fenómeno muy típico de los
sistemas sociales: el alejamiento, en el tiempo y el espacio, entre causas y efectos
(Aracil, 1983). Las decisiones que hoy toman nuestros políticos nos afectarán en un
futuro, en unos casos más inmediato, en otros más lejano.
2.4.- Aplicación de la Teoría General de Sistemas y la Dinámica de Sistemas a

la Teoría Organizativa.
Una vez repasados las principales ideas que, tanto la Teoría General de Sis-
temas como la Dinámica de Sistemas, han aportado al pensamiento científico ac-
tual, nos vamos a centrar en la Teoría Organizativa y en las principales aportaciones
que aquéllas han realizado en este campo. Antes de ello, dejemos claro que vamos
a entender por organización.
2.4.1.- El concepto de Organización.
De las organizaciones se ha dicho que es más fácil dar ejemplos que definir
el término de manera precisa (March y Simon, 1977). Aun así, multitud son los auto-
res que han propuesto su propia definición de lo que para ellos es una organización.
Más que recoger algunas de estas definiciones que puedan ser representativas, nos
interesa conceptualizar el fenómeno organizativo en sus características básicas.
En este sentido, el esfuerzo realizado por diferentes autores de sintetizar las

características más relevantes de múltiples definiciones de lo que es una organiza-
33
ción ha dado sus frutos. Así, cabe citar el trabajo de Porter, Lawler y Hackman
(1975) en el que se recogen diez definiciones diferentes de otros tantos autores
(Barnard, 1938; Etzioni, 1964; Scott, 1964; Thompson, 1967; Gross, 1968; Presthus,
1958; Simon, 1952; Schein, 1970; Litterer, 1965; Strother, 1963), y en nuestro país
el trabajo de Quijano (1987, 1993) recogiendo las definiciones de dieciocho autores
(Porter, Lawler y Hackman, 1975; Chapple, 1954; Leibestein, 1960; Weber, 1947;
Barnard, 1938; Pfiffner y Sherwood, 1961; Simon, 1952; March y Simon, 1958;
Mayntz, 1972; Etzioni, 1964; Scott, 1964; Friedmann, 1971; Weiss, 1956; Mateu,
1984; Katz y Khan, 1966; Mooney, 1947; Gerth y Mills, 1961; Argyris, 1957). Ambos
trabajos, concluyen con un total de cinco características definitorias, como conjunto,
del fenómeno organización a diferencia de lo que puedan ser otras instituciones y
formaciones sociales. Estas características son las siguientes:
1. Composición de la organización basada en individuos y/o grupos interre-

lacionados;
2. Orientación hacia unos objetivos o fines que guían las actividades y pro-
cesos organizacionales, y que son perseguidos por la organización a fin de
su propia subsistencia. Esta orientación teleológica de la organización conlle-
va, como ha señalado Quijano (1993), una serie de implicaciones políticas
en tanto a la determinación de qué objetivos perseguir, el cómo perseguirlos
así como su preservación. Igualmente, también representa unas implicacio-
nes para la gestión por cuanto se ha de dirigir grupos de personas en la con-
secución de unos “intereses organizacionales”, para lo cual la organización
deberá contar con el esfuerzo de sus miembros;
3. Diferenciación de funciones entre los miembros componentes de la orga-

nización. La diferenciación de funciones es una consecuencia de la persecu-
ción de unos intereses organizacionales para cuya consecución se precisa
de una división de tareas y de funciones. A su vez, la diferenciación de fun-
ciones exige una ...
4. ... Coordinación racional intencionada necesaria para su integración en

orden a la consecución de los fines organizacionales. La diferenciación y la
correspondiente coordinación conllevan una serie de implicaciones simbóli-
cas (Quijano, 1993) tales como el entrenamiento y socialización de los miem-
bros de la organización en una serie de normas y valores, lo que conduce al
entendimiento de la organización como una entidad socialmente construida
(Weick, 1969, 1979); y
5. Continuidad a través del tiempo en tanto al mantenimiento de los patrones

de interacción como sistema de roles, lo cual hace que la organización man-
tenga una cierta identidad como tal.
De una manera más gráfica, diríamos que la composición de la organización

responde a la pregunta del qué es una organización, su orientación hacia fines u
objetivos al por qué de la organización, la diferenciación de funciones y, a la vez, la
34
coordinación racional al cómo del funcionamiento organizacional y, finalmente, su

continuidad temporal al cuándo de la actuación de la organización.
Un sexto elemento definitorio, aunque en este caso no diferencial de otro tipo

de instituciones, que no debemos de olvidar después de la obra de Katz y Kahn
(1966) es la relación que la organización mantiene con el entorno en tanto sistema
abierto que es.
2.4.2.- La Organización como Sistema.
Desde sus inicios, la Teoría General de Sistemas se ha hallado vinculada al

fenómeno organizativo. Y es que, tanto en una como en otra, el centro de interés ha
sido el de un sistema compuesto por una serie de variables interdependientes. Lue-
go, el formalismo del concepto de sistema ha llevado a que ‘la moderna teoría or-
ganizativa conduzca inevitablemente a una discusión de la teoría general de los
sistemas’ (Scott, 1961, pág. 8, la cursiva es nuestra).
Partiendo de una perspectiva sistémica, podemos conceptualizar la organi-

zación como un sistema de partes interdependientes, centrando su atención en
aquellas partes estratégicas o fundamentales para el sistema, en la naturaleza de la
mutua interdependencia tanto entre sus partes, como en relación con el entorno, en
los procesos que interrelacionan las partes y permiten la adaptación de unas con
otras, y en los fines centrales del sistema como conjunto (Schein, 1980; Peiró,
1983).
Si tomamos en consideración algunos de los aspectos más destacados de la

Teoría General de Sistemas, y de su derivado, el pensamiento de sistemas, que
hemos detallado anteriormente, se nos dibuja una clara imagen acerca de la organi-
zación como sistema.
Primero, en la caracterización de lo que entenderemos por organización, ya

hemos dejado claro que una primera característica definitoria del fenómeno organi-
zativo era su composición de individuos y/o grupos interrelacionados. Recogiendo
ahora la definición que hemos dado de sistema, deberíamos añadir que de estas
interacciones entre individuos y/o grupos de la organización surge un comportamien-
to como un todo, como organización en conjunto. Como diría Peter Senge (1990),
las organizaciones poseen integridad, y si dividimos una organización en dos partes
iguales no obtenemos dos organizaciones pequeñas.
Aunque las fronteras que separan una organización de su entorno son borro-
sas (empleando el término borroso desde el prisma científico de la Lógica Borrosa;
Zadeh, 1965), estaríamos de acuerdo en que organizaciones como El Corte Inglés,
el BSCH, o Repsol, por citar algunas organizaciones conocidas por todos, tienen
una entidad propia, y se diferencian del entorno que las envuelve o de otras organi-
zaciones. Esta entidad propia es fruto del comportamiento como un todo de la orga-
nización, como un sistema.
35
Segundo, la organización puede ser considerada, a la vez, como sistema per-

teneciente a un suprasistema mayor, el sistema sociocultural de un país por ejemplo,
y también como conformada por subsistemas. Así por ejemplo, Kast y Rosenzweig
(1973) conciben la organización compuesta de un subsistema ambiental o del entor-
no el cuál a su vez incluiría: un subsistema técnico (documentos, técnicas, equipa-
mientos, asistencias), un subsistema estructural (tareas, flujo de trabajo, jerarquía de
autoridad, flujo de informaciones, etcétera), un subsistema psicosocial (recursos
humanos, actitudes, percepciones, clima, etcétera), un subsistema de metas y valo-
res (objetivos generales, específicos e individuales) y, un subsistema gerencial (ob-
jetivos, planificación, control, etcétera). Todos estos subsistemas están en mutua
interacción, y configuran al gran sistema que es la organización, el cuál a su vez se
halla en interacción con el medio. De manera similar, Katz y Khan (1966) considera-
ban los siguientes subsistemas organizacionales: subsistema técnico o de produc-
ción, subsistema de apoyo, subsistema de mantenimiento, subsistema de adapta-
ción y subsistema gerencial. Por otro lado, la clásica diferenciación de niveles en el
comportamiento organizativo de individuo-grupo-organización también constituye
otro ejemplo más de esta caracterización de la organización como sistema.
Tercero, desde una visión sistémica, el interés por las organizaciones se cen-
tra en los problemas de relación, de estructura e interdependencia y no en sus
atributos constantes (Katz y Khan, 1966; Schein, 1980; Peiró, 1983). Ello es con-
gruente con la idea de una visión de la organización como un conjunto de roles (Katz
y Khan, 1966), ya que éstos se basan en los procesos relacionales entre las partes
de una organización (jerarquías, diferenciación por secciones, etcétera). Además,
se enfatiza la fuerte interrelación entre los componentes del sistema, de tal forma
que, cambios en una parte del sistema acaban afectando al sistema entero (un
ejemplo de actualidad lo constituye la introducción de nuevas tecnologías en los
puestos de trabajo). Llevando más allá este énfasis por los problemas de
interdependencia, de relación y de estructura, toda intervención organizativa debiera
centrarse más en los procesos que en los contenidos (como tanto ha insistido
Schein, 1980, 1987, 1988), algo similar al interés por los procesos de grupo en una
técnica como el t-group, más que en la temática que pueda desarrollarse en el
mismo. Es lógico, por ello, que en la literatura actual haya un mayor interés por
estudios del tipo estilos de liderazgo eficaces (proceso) que por estudios del tipo
coeficiente de inteligencia de líderes transformacionales (contenido), buscando un
ejemplo dentro del comportamiento organizativo
Cuarto, si concebimos la organización como sistema hemos de pensar en la

aparición de propiedades emergentes. Cualquier proceso psicosocial de los que
acontecen en las organizaciones, la cultura de empresa, los estilos de liderazgo, el
clima, la participación, etcétera (Quijano y Navarro, 1999), pueden considerarse co-
mo emergentes organizacionales. De las interacciones de los miembros, emergen
estos procesos psicosociales, que no son reducibles a las propiedades o elementos
componentes y, además, acaban influyendo en los propios miembros. Parafrasean-
do aquella conocida cita de Pinillos, los procesos psicosociales no lo son todo pero
están en todo. Es más, la propia organización como tal puede ser vista, bajo este
prisma, como un emergente.
36
La existencia de estos emergentes, y en quinto lugar, nos enfatiza la necesi-

dad de una visión holística, sistémica, a la hora de abordar el estudio de cualquier
fenómeno organizativo. Ackoff (1994) ha señalado la relevancia de un estudio de la
organización desde una visión sintética, comenzado por la comprensión del sistema
en su globalidad para continuar con el estudio de las partes del mismo, frente a un
estudio analítico que procedería justo en sentido inverso (comenzar estudiando las
partes para vía unión de los diferentes conocimientos pretender entender el sistema
global). Antes que centrarnos en el estudio de un fenómeno de interés organizativo,
por ejemplo, estilos de mando característicos, conviene contextualizarlo como com-
ponente de un sistema y, que recibirá influencias de, por ejemplo, el tipo de cultura
imperante en la organización, los modelos de relaciones de autoridad que existen en
el marco social, el tipo de autoridad que es seleccionada, formada y reforzada por
los sistemas de gestión de Recursos Humanos (selección, formación, valoración de
rendimientos y desempeños, etcétera), por citar algunas de las influencias que pa-
recen más relevantes.
Y sexto y último, en toda organización, como sistema que es, hay puntos de
influencia clave, partes estratégicas o centrales (Peiró, 1983). Ello es de vital impor-
tancia con vistas a la intervención, como ya dijimos. Por ejemplo, en la vasta literatu-
ra sobre participación en el trabajo, hay muchos ejemplos de intervenciones, expe-
rimentaciones incluso, acerca de cómo la mera participación de los empleados en
los procesos de trabajo iba acompañada de una amplia serie de efectos en la con-
ducta organizativa: mejora en la solución de problemas, mayor satisfacción, mayor
autorrealización, menor alienación, mejora de las relaciones superiores-
subordinados, mejor desempeño, menor absentismo, menor rotación, mejora de las
actitudes ante el trabajo y, mejora de la producción (remitimos a Quintanilla, 1988,
donde el autor hace un repaso histórico de algunas de las investigaciones más re-
presentativas en el ámbito de la participación).
Ello nos remite a algo a lo que prestaremos más atención en el próximo capí-
tulo referido a que en los sistemas no lineales (una definición matemática de siste-
ma no lineal es “aquél cuyo todo no es igual a la suma de sus partes”, Kosko, 1993,
pág. 279; luego una organización es un sistema no lineal, por todo lo dicho hasta
aquí) pequeñas acciones pueden conseguir grandes efectos, lo que en climatología
se conoce como el “efecto mariposa”.
Tabla 2: La Organización desde un Enfoque Sistémico.
1.- Complejo de elementos interactuantes, y de cuyas interacciones surge

un comportamiento como un todo.
2.- Sistemas, subsistemas, suprasistemas.
3.- Interés por los problemas de relación, de estructura, de interdependencia.
4.- Aparición de emergentes.
5.- Visión holística.
6.- Existencia de puntos clave de influencia.
37
2.4.3.- La Organización como Sistema Abierto y Social
Hasta aquí, hemos hablado de la organización como sistema, en general.

Pero en la literatura organizativa ha sido más abundante la caracterización de la or-
ganización como un tipo concreto de sistema. En este sentido, sobresalen la pers-
pectiva de los sistemas abiertos, de un lado, y la de los sistemas sociales, de otro,
como las dos grandes caracterizaciones de la organización como sistema. Comen-
cemos por la primera de ellas.
Desde mediados de los sesenta, las variadas conceptualizaciones del fenó-

meno organizativo tienen en cuenta esta visión de la organización como sistema
(Quijano, 1993), como sistema abierto si precisamos. Para muestra, un botón.
Mayntz en 1963 se refiere a las organizaciones como que ‘están en una constante
relación de intercambio con su medio social’ (pág. 59, la cursiva es nuestra), enfati-
zando el que a pesar de su continuo intercambio con el medio, las organizaciones
conservan su identidad, aunque para ello necesiten adaptarse a las variaciones del
medio ambiente. Comenta, ‘esta propiedad, llamada también ultraestabilidad, utili-
zando esta expresión tomada de la cibernética, presupone la existencia de aptitudes
para aprender y para renovar, de aptitud para la innovación’ (pág. 60).
Pero no sólo es Mayntz. De hecho podemos considerar a los padres de la

consideración de la organización como sistema abierto a los investigadores del Ta-
vistock Institute de Londres. Parece ser que fue Fred Emery el introductor del con-
cepto de sistema abierto dentro del citado instituto y ‘el primer científico social que
supo apreciar la significación de las ideas de Bertalanffy para la psicología y las
ciencias sociales’ (Trist, entrevista con Weisbord, 1989, pág. 158). De manera bre-
ve, tanto Emery como Trist, Rice y otros investigadores del citado instituto, conside-
ran a la organización como un sistema que importa información, materia prima, dine-
ro, necesidades del cliente y exporta bienes, servicios e ideas por todo lo cual se
reciben pagos. A la vez, para estos autores la organización es un sistema sociotéc-
nico, social y técnico. Con ello se pretende integrar los requerimientos sociales de
las personas en el trabajo, junto con los requerimientos tecnológicos exigidos por los
flujos de trabajo. Ambos aspectos han ser considerados como interdependientes
(recuérdese sus trabajos con la industria del carbón británica a finales de los 40 y
durante los 50, y la influencia que tuvieron unos cambios en los sistemas de extrac-
ción del carbón en aspectos del sistema social como la producción, el absentismo,
etcétera; Trist, 1950; Trist y Bamford, 1951). En definitiva, para la teoría sociotécnica
‘a fin de sobrevivir y desarrollarse, los sistemas deben permanecer abiertos a, e
interactuar constructivamente con, sus ambientes’ (Fox, 1995, pág. 92, la cursiva
es nuestra).
También debemos citar el trabajo de Scott (1961) quién considera que el en-
foque de los sistemas abiertos es el más óptimo para el entendimiento de la organi-
zación. Y seguramente hay otras referencias anteriores no conocidas por nosotros,
pero de existencia muy probable dado el desarrollo que tuvo la Teoría General de
38
Sistemas durante la década de los años 50. Con todo ello, consideramos que es en
1966, con la primera edición de la obra de Katz y Khan ‘Psicología Social de las
Organizaciones’, cuando se asienta de manera definitiva esta concepción de la or-
ganización como sistema abierto. De este modo, afirmarán:
‘Las organizaciones sociales son notoriamente sistemas abiertos, pues el insumo de ener-
gías y la conversión del resultado en insumo energético adicional consisten en transaccio-
nes entre la organización y su ambiente’ (1966, pág. 25)
Podemos hacernos una idea más gráfica esta visión de las organizaciones
de Katz y Khan como una entidad transformadora de inputs ambientales en outputs
que también retornan al medio ambiente de la organización. La organización como
generadora de un proceso adquisición de inputs-transformación-retorno de outputs
al ambiente. Como un sistema en constante intercambio con su entorno, del que
depende sobremanera.
La caracterización de la organización como sistema abierto viene, en parte,

favorecida por las limitaciones con las que se ha encontrado una perspectiva de sis-
tema cerrado. En especial, destacaríamos dos:
• Primera, la desconsideración del ambiente como fuente de recursos para la or-

ganización. Como dicen Katz y Khan (1966) ‘el mayor error está en no recono-
cer totalmente que la organización depende continuamente de los insumos
venidos del ambiente y que el influjo entrante de materiales y energía humana
no es una constante’ (pág. 35, la cursiva es nuestra). Ello ha conllevado a una
preocupación excesiva por el funcionamiento interno de la organización en la
medida en que desde los sistemas cerrados sólo hay una vía para llegar a un re-
sultado final (Bertalanffy, 1940). La organización desde la perspectiva de los sis-
temas cerrados es perfectamente planificable y explicable a partir de los elemen-
tos internos de la misma (la Organización Científica del Trabajo de Frederick
Taylor sería un ejemplo paradigmático de esta visión con su búsqueda del one
best way) y, como certeramente ha señalado Quijano (1993), esta concepción de
la organización no permite, en la práctica, conseguir la ‘racionalidad’ que preten-
de.
• Y segunda, el tratamiento de las irregularidades surgidas en el funcionamiento

del sistema debidas a las influencias ambientales como errores del sistema
(Katz y Khan, 1966; Peiró, 1983) o, si se prefiere, como ruido, en terminología de
teoría de la información (Shannon y Weaver, 1949), limitando con ello las posibi-
lidades de aprendizaje para la organización.
Frente al tratamiento de la organización como sistema cerrado, Katz y Khan

caracterizaron las organizaciones como sistemas abiertos sobre la base de la con-
sideración de los siguientes aspectos:
39
• Importación de energía del ambiente externo, en forma de recursos materiales,

tecnológicos, de capital humano, etcétera. Como dicen Katz y Khan (1966) ‘nin-
guna estructura social es autosuficiente’ (pág. 29).
• Transformación de la energía o reorganización del input. En el sistema se realiza

algún tipo de trabajo.
• Exportación de algún resultado al exterior, tales como productos, servicios, etcé-

tera.
• Los sistemas como ciclos de acontecimientos que se repiten: el producto expor-

tado al ambiente proporciona la fuente de energía suficiente para la repetición del
ciclo entrada-transformación-salida.
• Este ciclo, de entrada-transformación-salida, genera entropía negativa, lo que es

de vital importancia para el mantenimiento del sistema. Si tomamos en cuenta la
nomenclatura prigoginiana, el flujo de entropía (deS) es mayor que la producción
de entropía (di S). “Las organizaciones sociales buscarán mejorar la posibilidad
de supervivencia y lograr con sus reservas un cómodo margen de funcionamiento”
(Katz y Khan, 1966, pág. 31).
Más recientemente, Leifer (1989) ha aplicado la extensión prigoginiana a la

segunda ley de una manera más específica. Para este autor, la cantidad total de
recursos usados y requeridos por una organización son el resultado de los recur-
sos utilizados en dos procesos: uno, interacciones con el entorno (tales como ad-
quisiciones, ventas, reclutamientos, etcétera) y recursos utilizados en la produc-
ción de productos y/o servicios (manufactura, etcétera) y dos, las actividades de
la organización referente a mantenimiento y soporte (gestión, I + D, publicidad, et-
cétera). Planteado así, para que una organización sobreviva, el término deS ha de
ser mayor que el término di S, deS > d i S, luego la entropía debida a los intercam-
bios organización-ambiente ha de ser mayor que la entropía generada por las ac-
tividades organizacionales de mantenimiento y soporte. De este modo se consi-
gue que la entropía venga determinada por el flujo de entropía con el medio, más
que por la producción interna de la misma. Flujo de entropía que es positivo se-
gún (6). Así la organización consigue mantener una razón favorable de in-
puts/outputs, determinantes para su supervivencia y desarrollo (Wexley y Yukl,
1977).
• Los inputs del sistema no son sólo de carácter energético, también hay inputs
informativos (Miller, 1955, 1965, 1978), que proporcionan señales acerca del
ambiente así como de su propio funcionamiento en relación con éste, constitu-
yendo un feedback negativo que conduce a la organización hacia estados esta-
bles.
• A pesar del continuo intercambio, la razón de intercambio de energía y las rela-

ciones entre las partes permanece igual; es lo que se conoce como homeostasis
(fenómeno muy estudiado en Biología y cuya ejemplificación paradigmática se
40
halla en la regulación corporal de la temperatura). Ashby (1956) hablaba de las

variables esenciales del sistema como aquellas que han de mantenerse dentro
de ciertos límites a fin de garantizar la supervivencia del propio sistema (por
ejemplo, el ya comentado caso de la temperatura, niveles de oxígeno, de glucosa
en la sangre, etcétera). Esta homeostasis implica un equilibrio dinámico del sis-
tema, un equilibrio cuasi-estacionario, como diría Kurt Lewin. Se trata, en definiti-
va, de conservar el carácter del sistema. Así, los sistemas abiertos tenderán a in-
corporar dentro de sus límites los recursos externos esenciales para su
supervivencia.
• Los sistemas abiertos se mueven en la dirección de diferenciación y elaboración,

las pautas globales difusas se reemplazan por funciones especializadas, es de-
cir, hay una continua evolución hacia la mayor especialización dentro de la organi-
zación (Lawrence y Lorsch, 1969, 1973). Por ejemplo, una diferenciación básica
en los sistemas abiertos es la distinción entre subsistemas de producción, encar-
gados de transformar los inputs en outputs, y subsistemas de mantenimiento, en-
cargados del sostenimiento del propio sistema.
• Como contrapartida al proceso de diferenciación, se necesita esfuerzos de inte-

gración y coordinación entre partes (Lawrence y Lorsch, 1969, 1973).
• Equifinalidad o propiedad de alcanzar un estado final por diferentes caminos o a

partir de condiciones iniciales diferentes. El concepto de equifinalidad, ya pro-
puesto por Bertalanffy en 1940, recoge una característica crítica para diferenciar
entre los sistemas abiertos de los sistemas cerrados. Como decía Bertalanffy “los
procesos que acontecen en estructuras como de máquina siguen un camino fi-
jo. Así, el estado final cambiará si se alteran las condiciones iniciales o el curso
de los procesos. En contraste, puede alcanzarse el mismo estado final, la mis-
ma <meta>, partiendo de diferentes condiciones iniciales y siguiendo distintos
itinerarios en los procesos organísmicos’ (pág. 136-137, la cursiva es nuestra).
No quisiera dar por finalizado este punto sin hacer unos añadidos a la carac-
terización de Katz y Khan. En primer lugar, los inputs informativos no sólo pueden
constituir feedbacks negativos para la organización. Como ya hemos visto, la Diná-
mica de Sistemas (Forrester, 1961, 1968; Aracil, 1983) y la Cibernética (Wiener,
1948; Ashby, 1956; Maruyama, 1963) nos enseñan que, además de bucles de feed-
back negativos, que tienden a estabilizar el sistema, también existen bucles de
feedback positivos, que tienen a no mantener el equilibrio, sino que transportan al
sistema hacia nuevos estados.
Contamos con numerosos ejemplos, en el terreno organizativo, tanto de feed-

backs negativos como positivos. Como ejemplos de los primeros, por ejemplo, los
mecanismos de socialización tendentes al mantenimiento de las normas existentes,
la puesta en marcha de políticas restrictivas en el gasto en periodos de declive, polí-
ticas retributivas de incentivación basadas en la consecución de objetivos, etcétera.
Como ejemplos de los segundos tenemos, por ejemplo, todos lo que son fenómenos
41
asociados a la propagación de rumores, las estrepitosas caídas bursátiles, el cre-

cimiento desorbitado por el arrastre de un mercado emergente, etcétera.
Segundo, el concepto de homeostasis manejado por Katz y Khan es el clási-

co: capacidad de mantener al sistema en un estado estable. Pese a que incidan en
que este equilibrio es dinámico (“Esto no significa inmovilidad o un verdadero equi-
librio (..)”, pág. 32), su concepción de la homeostasis es que el sistema tiende a
mantener “el carácter del mismo, la proporción en los intercambios de energía y las
relaciones entre partes” (pág. 32). Es decir, para ellos, y para otros tantos autores, el
equilibrio dinámico consiste en ligeras modificaciones alrededor de un punto, de un
valor, o de un estado, el cual constituye precisamente la posición de equilibrio (pién-
sese en lo paradigmático del valor de 37º C. en el caso de la regulación corporal de
la temperatura). Recogiendo una idea de Goldstein (1988), los sistemas vivos -las
organizaciones lo son- van más allá de este tipo sencillo de homeostasis, siendo la
propia organización la variable fundamental que hay que mantener. Y claro está, una
organización puede seguir manteniéndose como tal a pesar de que en ella se den
profundos cambios (un ejemplo, los bancos o cajas de ahorros actuales no tienen
demasiado que ver con los existentes a mediados de siglo). Volveremos sobre ello
en capítulos posteriores.
De otra forma, y remitiendo a la teoría matemática de los atractores que tra-

taremos en el próximo capítulo, esta concepción responde a fenómenos homeostá-
ticos de un sistema cuya dinámica sea descrita por un atractor de punto fijo. Pero
hay otros tipos de atractores diferentes a los de punto fijo. Hay atractores de ciclo
límite, que describen dinámicas cíclicas, periódicas. Y también hay otro tipo de
atractores, los atractores extraños o fractales, que describen dinámicas que no se
repiten jamás.
Llevando la apreciación a un plano diferente, por todos es conocido el caso

de significativos cambios organizacionales, incluso sociales. En los momentos de
revolución o cambio, esta concepción clásica de homeostasis no tiene cabida. So-
rokin en 1941 ya hablaba de que el concepto de equilibrio, entendiendo por éste el
automantenimiento y regreso a un estado particular, es inconveniente para el análi-
sis de cambios sociales. Y también Turner (1978) ha enfatizado lo inadecuado, por
idénticas razones, del concepto de homeostasis. Se precisa de otras nociones. No-
ciones nuevas de homeostasis que habrán de ser mucho más dinámicas y, posi-
blemente, que remitan no a mantener el sistema alrededor de un punto, sino a man-
tenerlo alrededor de un amplio abanico de estados o puntos, los cuales a su vez,
podrán dibujar determinadas trayectorias.
Finalmente, hay que hacer referencia a lo que en alguna literatura ha venido

siendo considerado como un nuevo principio de la termodinámica (por ejemplo,
puede verse una reciente edición a cargo de J. Wagensberg y J. Agustí, 1998, que,
bajo el título ‘El progreso. ¿Un concepto acabado o emergente?’, recoge una serie
de conferencias sobre la idea de progreso y evolución de diferentes autores de re-
conocido prestigio como P. Alberch, B. Goodwin, D. Hull, R. Margalef, M. Ruse, M.
McKinney además de los dos mencionados editores). Como ya hemos apuntado,
los sistemas abiertos son capaces de escapar al devenir de la segunda ley gracias
a su importación de entropía negativa. Katz y Khan han hablado de que el ciclo en-
42
trada-transformación-salida es generador de entropía negativa. Recientemente, ha

habido autores que han enfatizado el papel del flujo de capital (money flow) como
una medida de la entropía de los sistemas sociales (Swanson, Bailey y Miller, 1997).
Pero hay más. Los sistemas abiertos no sólo eluden la segunda ley, sino que,
además, exhiben transiciones hacia estados de mayor complejidad y de mayor or-
den y estructuración (Laszlo, 1988; Waldrop, 1992), hecho que ya fue apuntado por
Bertalanffy en su ley de evolución biológica (1955) a la que hicimos referencia más
atrás. El nuevo principio termodinámico, no reconocido como tal por todos en la físi-
ca actual, viene a decir que en los sistemas abiertos hay una tendencia natural
hacia los incrementos de complejidad, entendiendo por complejidad autonomía con
respecto al medio y capacidad de procesamiento de información. Entiéndase bien,
tendencia, no una dirección inviolable. El ejemplo paradigmático de esta tendencia
natural hacia estado más complejos lo constituye el aumento de complejidad orgáni-
ca acontecido a lo largo de la evolución biológica. Como atinadamente dice Jorge
Wagensberg (1998), entre una bacteria y William Shakespeare algo ha pasado. Es-
te nuevo principio termodinámico introduce un aspecto más relevante para la com-
prensión del cambio en las organizaciones y en otros sistemas sociales.
A modo de añadido a la consideración de las organizaciones como sistemas

abiertos, podemos pensar en ellas como sistemas sociales (recuérdese el enfoque
sociotécnico), o socioculturales si se prefiere. Un sistema social es un subtipo de-
ntro de los sistemas abiertos, aunque con características propias y diferenciales.
Entre éstas, destacaríamos (Katz y Khan, 1966; Aracil, 1983):
• Las organizaciones no presentan límites físicos o una estructura establecida co-

mo en el caso de los sistemas biológicos, en los que podemos encontrar piel,
membranas, paredes celulares, etcétera. Floyd H. Allport (1962) aportó una visión
de las estructuras sociales como configuradas por los ciclos de acontecimientos
más que como partes físicas. En lugar de pensar en estructuras en función de un
determinado número de departamentos (la típica figura de un organigrama), se
puede pensar en la estructura como un flujo de acontecimientos (procesos de tra-
bajo, flujos de producción, etcétera). Ello es útil si deseamos mantener una visión
dinámica del sistema organización, además de enfatizar la importancia de no se-
parar estructura del funcionamiento de la misma. Algo, por otra parte, inherente al
concepto de sistema.
• Como cualquier otro sistema abierto, los sistemas sociales requieren de insumos
de mantenimiento, además de los de producción. Los insumos de mantenimiento
son importaciones energéticas que sostienen al sistema. Los de producción son
las importaciones de energía que, al ser transformadas, devienen en resultados
productivos del sistema. Pero en el caso de los sistemas sociales, estos insumos
de mantenimiento están menos especificados y el problema del mantenimiento
es más complejo. Por ejemplo, un organismo vivo requiere de mantener un de-
terminado nivel de temperatura, un determinado nivel de reserva de grasas, de
calorías, etcétera. Pero en el caso de los sistemas sociales, la situación es mu-
cho más abierta. Por ejemplo, en la gestión de una organización, hay un amplio
43
abanico de posibilidades de acción. Se puede gestionar de manera autoritaria

(típico caso de un ejército), de manera controladora (burocracias), o con estilos
más democráticos y participativos (utilización de técnicas como la dirección par-
ticipativa por objetivos, por ejemplo). Y con cualquiera de los diferentes estilos de
gestión, se pueden conseguir el propio sostenimiento del sistema. Remarque-
mos, la situación es mucho más abierta.
• Los sistemas sociales son sistemas inventados, ideados artificialmente, construi-

dos por el hombre. De ahí que Simon (1973) haya hablado de las ciencias de lo
artificial. Tan pronto pueden desaparecer, como subsistir a los hombres que las
crearon.
• Los lazos que mantienen a las personas vinculadas a los sistemas sociales son
más de carácter psicológico y social, que biológicos. Son necesidades como las
de pertenencia, de autoestima, de desarrollo personal y profesional, entre otras,
las que mantienen a las personas en las organizaciones. Ojo, además de otras
como la de una retribución adecuada, de una seguridad relativa, etcétera.
• Los sistemas sociales presentan una mayor variabilidad que otros sistemas
abiertos, como los biológicos. Por ejemplo, tienen un mayor gama de objetivos
(abanico de productos y servicios muy amplio), pueden a su vez incorporar nue-
vos objetivos o modificar los existentes (los conocidos fenómenos de desplaza-
miento, sucesión e incorporación de objetivos) y, presentan un mayor número de
mecanismos de control para mantener unido el sistema (todo el aparato burocrá-
tico tiene una lectura en clave de control del sistema).
• Un aspecto muy enfatizado por Katz y Khan es la concepción del sistema social
como sistema de roles, como concepto que pauta las conductas de los miembros
de la organización haciéndoles previsibles. Y con la particularidad que el sistema
de roles trasciende a las personas que lo forman, haciéndose posible su continui-
dad al margen de la continuidad de los miembros. Echando mano del dicho, en
los sistemas sociales nadie es imprescindible.
• En el interior de los sistemas sociales se generan fuerzas que determinan su evo-

lución a lo largo del tiempo. De las interacciones entre los componentes del sis-
tema surge el comportamiento dinámico del mismo. Un aspecto de vital impor-
tancia para comprender la evolución de los sistemas sociales es entender los bu-
cles de realimentación que en él se presentan. Como ya sabemos, mecanismos
de realimentación negativos tienden a estabilizar al sistema social, mientras que
mecanismos de realimentación positivos tienden a amplificar los efectos y pue-
den transportar al sistema hacia nuevos estados (ya hemos dado ejemplos de
ambos casos). Además, si los bucles de realimentación determinan el desarrollo
del sistema social y, como ya hemos dicho más arriba, el funcionamiento del sis-
tema configura su estructura, llegamos a que, las causas de los modos de funcio-
namiento de los sistemas sociales (sean éstos óptimos o problemáticos) no se
encuentran tanto en sucesos previos, como en la estructura misma del sistema.
44
En este sentido, comienza a existir una fecunda literatura en el tratamiento del

cambio de los sistemas sociales como reorganizaciones en las que se modifican
los antiguos bucles de realimentación mediante el alejamiento del sistema de su
condición de equilibrio actual (por ejemplo, Bigelow, 1982; Nonaka, 1988a; Lei-
fer, 1989; Smith y Gemmill, 1991; Hallinan, 1997). En el capítulo cuarto daremos
cuenta más detallada de estos trabajos al caracterizar a las organizaciones como
sistemas caóticos.
• Los bucles de realimentación nos brindan, todavía, una sorpresa. Sucede, a ve-
ces, que un sistema social no modifica su comportamiento básico cuando se le
somete a una determinada acción. Por el contrario, en otros casos, pequeñas ac-
ciones producen grandes efectos. El sistema es sensible a pequeñas desviacio-
nes en el valor de un determinado, o determinados, parámetros. Como ya había-
mos dicho, y recuperando la expresión, hay puntos en los que la palanca ejerce
una mayor presión. Pero aquí, ahora, se viene a enfatizar el carácter catastrófico
(esto no lo expresa así Aracil, autor del que extraemos la idea) de algunos valores
(nuevamente, el término catastrófico es utilizado aquí en su acepción científica
según la Teoría de las Catástrofes elaborada por Thom, 1977 y Zeeman, 1977).
En el próximo capítulo desarrollaremos este aspecto, ahora baste decir que los
puntos de catástrofes son los puntos en concreto en los que el sistema da un sal-
to hacia un nuevo estado.
• Cabe hacer mención también de algo muy característico de los sistemas sociales
y es el habitual conflicto entre políticas a largo plazo y políticas a corto plazo. Co-
mo bien señala Aracil (1983), ello condiciona en gran medida la toma de decisio-
nes, en función de un interés temporal más inmediato o más lejano.
• Por fin, los sistemas sociales son sistemas intencionales. Un sistema social
puede elegir, decidir sobre qué objetivos perseguir, sobre qué estrategias dise-
ñar, sobre que principios, valores defender, sobre que estructura y diseño organi-
zativo tener, y un largo etcétera. Y también tiene la posibilidad de modificar éstos
en cualquier momento. Lo que no quiere decir que ello sea fácil. Los sistemas so-
ciales tienen la propiedad de modificarse a sí mismos de una manera estructural
fundamental (Buckley, 1967; Lawrence y Lorsch, 1969). Un sistema social tam-
bién puede cuestionar los propios principios en los que se ha sustentado hasta
ahora. La capacidad de aprendizaje, no se limita a una mera acumulación de ex-
periencias que puedan cuestionar el comportamiento habitual de la organización,
también se puede llegar a cuestionar las creencias y supuestos compartidos so-
bre los que ésta se cimienta (Argyris y Schön, 1978; Swieringa y Wierdsma,
1992).
Bien, demos por finalizado en este punto la caracterización de la organización

como sistema. Como sistema abierto y social. A modo de resumen, y de recordato-
rio, recogemos a continuación algunas de las características que hemos ido comen-
tado de la organización como sistema abierto y social, y que hemos considerado
como más relevantes.
45
Tabla 3: La Organización como Sistema Abierto y Social.
01.- Conjunto de individuos y/o grupos interrelacionados, y de cuyas interacciones

surge un comportamiento como un todo, como organización en conjunto.
02.- Sistemas, subsistemas, suprasistemas.
03.- Interés por los problemas de relación, de estructura, de interdependencia.
04.- Aparición de emergentes.
05.- Existencia de puntos clave de influencia.
06.- En constante intercambio con su entorno.
07.- Estructura basada en el funcionamiento.
08.- ‘Alimentándose’ de entropía negativa (capaces de escapar al
devenir marcado por la segunda ley).
09.- Equifinalidad.
10.- Con mecanismos de retroalimentación (positivos y negativos).
11.- En complejidad creciente (mayor autonomía con respecto al medio).
12.- Sistemas inventados.
13.- Sistemas de roles.
14.- Sistemas intencionales.
46
3.- Teorías del Caos y Ciencia de la Complejidad. Nuevos
desarrollos en la Teoría General de Sistemas
‘En el principio creó Dios los cielos y la tierra. La tierra era caos y confusión y oscuridad por
encima del abismo, y un viento de Dios aleteaba por encima de las aguas.
Dijo Dios: «Haya luz», y hubo luz. Vio Dios que la luz estaba bien, y apartó Dios la luz de la
oscuridad; y llamó Dios a la luz «día», y a la oscuridad la llamó «noche». Y atardeció y
amaneció: día primero.’
...
Génesis, I. Orígenes del mundo y de la humanidad5.
‘..la Ciencia es el esfuerzo colectivo del hombre para extraer un orden autorizado y de univer-
sal aceptación a partir del caos de la percepción sensorial, orden que viene continuamente
evaluado por una observación minuciosa.’
Thomas Leahey, Historia de la psicología, 1980, pág. 28.
C
on precedentes como los anteriores, representativos del pensamiento occi-
dental en lo religioso y en el quehacer científico, pretender hacer del caos un
‘objeto’ de interés científico bien pudiese parecer una tarea condenada al
fracaso, cuando no un pequeño gesto de locura o, acaso, de manifiesta ingenuidad.
Pero afortunadamente también hay referencias francamente alentadoras.
‘..en la Antigüedad, el caos no sólo fue visto como un desorden destructor de lo existente,
sino que era la fuente generadora del orden. El Egipto faraónico hizo desempeñar este rol al
padre de los dioses, Nut o Num; la mitología babilónica, a Apsu y Tiamat, que surgen de un
magma primigenio; y algo parecido ocurre en el pensamiento chino, con el Yin y el Yang.’
‘..en la filosofía presocrática griega encontramos dos términos referidos a la cuestión: el tér-
mino apeiron, empleado por Anaximandro, para designar lo indeterminado e infinito como ori-
gen de todas las cosas, y el término caos, con el que Anaxágoras se refería a la mezcla
donde todas las cosas están en germen y que hace posible que el caos, como principio del
orden, las haga realidad. En definitiva, en la visión que el pensamiento antiguo tuvo del caos,
5
Biblia de Jerusalén. Bilbao: Desclée de Brouwer, 1992.
47
éste tampoco se confundía con el desorden sino que respondía a una idea muy diferente: la
fuente y, por lo tanto, el germen y la condición del orden.’
Frederic Munné, Complejidad y caos: más allá de una ideología del orden y el desorden,
1994, pág. 16.
Desde la década de los setenta, son numerosas las disciplinas que se han
interesado por el caos. Comenzó en la matemática y en la física, rápidamente tras-
pasó a la química, y le siguieron la biología, la ecología, la geología. En los últimos
tiempos, han sido disciplinas como la medicina, la economía y otras ciencias socia-
les, entre ellas la psicología, quienes han mostrado su interés en el estudio del caos.
En general, podemos distinguir dos enfoques ya clásicos en los estudios del

caos (Hayles, 1990). El primero de ellos se centra en el orden oculto que existe de-
ntro de los sistemas con dinámicas caóticas (sistemas caóticos). Estos sistemas
contienen lo que se denominan atractores extraños, extraños patrones de orden que
manifiestan un alta y rica organización allá donde parecía existir sólo aleatoriedad y
reinar el azar. El foco de interés de este primer enfoque se halla en el propio caos y,
no tanto en las estructuras organizadas que de él emergen. Se trata de una explora-
ción de la ruta del orden al caos. Entre los máximos representantes de este enfoque
encontramos a autores tan significativos en el estudio de los sistemas caóticos co-
mo Edward Lorenz, Mitchell Feigenbaum, Benoît Mandelbrot o los miembros del co-
nocido Grupo de Santa Cruz, Robert Shaw, Norman Packard, Doyne Farmer y Ja-
mes Crutchfield. Todos estos autores están establecidos en Estados Unidos.
El segundo enfoque centra su atención en el surgimiento espontáneo de or-

den, de autoorganización, en las estructuras que surgen en condiciones de aleja-
miento del equilibrio de los sistemas, cuando la producción de entropía es elevada.
Aquí se explora la otra posible ruta, la que conduce del caos al orden. Al contrario
que en el enfoque anterior, en éste existe una figura central que monopoliza la cues-
tión como es Ilya Prigogine y, también a diferencia del anterior, tiene un desarrollo
más europeo (Prigogine trabaja en Bruselas) con carácter también más filosófico.
Aunque, todo sea dicho, el carácter más experimentalista del primer enfoque ha
conseguido evidencias empíricas que han dado la razón, una vez y otra también, a
las ideas de corte más intuitivo de Prigogine. Recientemente, autores americanos
como Chris Langton y Stuart Kauffman, interesados por la vida artificial, se han
aproximado también a este enfoque proponiendo que los fenómenos biológicos,
caracterizados por sus propiedades organizativas, sólo son posibles en el borde del
caos.
Ambos enfoques serán considerados aquí. El primero bajo el epígrafe que

hemos denominado propiamente Teorías del Caos. El segundo dentro de dos apar-
tados denominados Vida en el borde del caos y Teoría de los Sistemas Alejados
del Equilibrio. Como se verá, aunque la terminología empleada por ambos enfoques
no siempre sea coincidente, dichos enfoques están hablando de lo mismo. De sis-
temas con dinámicas caóticas; de sistemas en los que pequeñas diferencias en las
condiciones iniciales devienen en grandes diferencias en un estado posterior; sis-
temas con procesos no lineales; sistemas en los que conviven estabilidad e
inestabilidad; sistemas alejados de la condición de equilibrio; sistemas, en de-
48
Teorías del Caos y Ciencia de la Complejidad: Nuevos
Desarrollos en la Teoría General de Sistemas
bilidad; sistemas alejados de la condición de equilibrio; sistemas, en definitiva,

complejos.
Parece por fin que, la complejidad, puede ser abordada de pleno derecho, y
dejar de ser mero recurso lingüístico o conceptual con el que cubrir importantes la-
gunas en el conocimiento. En este sentido, las teorías del caos, así como antes
hubieran hecho la teoría general de sistemas y la dinámica de sistemas, vienen a
ofrecernos una serie de guías para la caracterización, no sólo teórica sino también
operativa, de la complejidad. No vamos entrar aquí en más detalles dado que va a
ser objeto de un amplio desarrollo posterior, baste ahora con apuntar que las dife-
rentes teorías que iremos viendo a lo largo de este capítulo nos ofrecerán la posibi-
lidad de un abordaje de la complejidad, en lo conceptual, en cuanto a caoticidad,
fractalidad, catastrofismo y no-linealidad (Briggs y Peat, 1989; Lorenz, 1993; Munné,
1993, 1994a, 1995a) y, en lo operativo o metodológico, con relación a medidas con-
cretas de complejidad como el exponente de Lyapunov, entropía de Kolmogorov y
dimensión fractal, entre las más destacadas.
3.2.- Teorías del Caos.
3.2.1.- Introducción: el trabajo de Edward Lorenz y el nacimiento de una nue-

va disciplina.
Suele existir un cierto consenso en situar el nacimiento de los estudios del

caos en un trabajo del meteorólogo perteneciente al Departamento de Meteorología
del afamado MIT, Edward N. Lorenz, en 1963. Lorenz creó una pequeña simulación
informática sobre el clima meteorológico basado en un conjunto de doce ecuacio-
nes, con la que obtenía predicciones no lineales del tiempo climático. Para la meteo-
rología, la aparición del ordenador abría una puerta a la esperanza de equiparar su
disciplina con la astronomía, en la que se realizaban predicciones a años, siglos
vista, con una simple regla, lápiz y papel. Se creía que las capacidades predictivas
en meteorología llegarían a ser tan fuertes como en astronomía (Gleick, 1987),
abundando en la inteligencia suprema que tiempo atrás había imaginado el
matemático francés Pierre Simon de Laplace (ver cuadro 1). Era cuestión de tiempo
a fin de que, tecnológicamente, se desarrollaran aparatos de medición perfectos y
tecnologías adecuadas para el procesamiento de los mismos. Sólo se precisaba de
ordenadores que fueran capaces de procesar miles de variables a un mismo tiempo
y las puertas de una predicción meteorológica tan exacta como en astronomía
quedarían abiertas. Detrás vendría el control del hombre sobre el clima, y la lluvia y el
sol aparecerían a su merced.
El sistema de ecuaciones de Lorenz tenía una peculiaridad de sumo interés

para el modelado en climatología: producía comportamientos no periódicos gracias
a la no linealidad de las ecuaciones. En el clima, jamás se dan dos situaciones
exactamente iguales -es irreal pensar siquiera en dos situaciones climatológicas
con la misma temperatura, iguales niveles de humedad, idéntica velocidad de vien-
49
tos y dirección de éstos, misma posición de las nubes, etcétera-. Narra Lorenz
(1993, págs. 136-139) cómo trabajando con esta simulación, en un momento dado
decidió repetir algunos de los cálculos para lo cual paró la predicción e introdujo en
el programa simulador una secuencia que había salido impresa un poco antes. Vol-
vió a poner en marcha la simulación y pudo comprobar como los números resultan-
tes no tenían nada que ver con los que anteriormente habían salido. La sorpresa fue
mayúscula. El programa simulador no había sido cambiado en ningún momento, se
habían introducido los mismos valores para operar, pero los resultados eran distin-
tos.
Cuadro 1: Manifiesto de Laplace sobre el determinismo. La inteligencia a la que se refiere será cono-
cida desde entonces como “el demonio de Laplace”.
“Una inteligencia que conociera todas las fuerzas que animan la naturaleza, así
como la situación respectiva de los seres que la componen, ... podría abarcar en
una sola fórmula los movimientos de los cuerpos más grandes del universo y los
del átomo más ligero; nada le resultaría incierto y tanto el futuro como el pasado
estarían presentes a sus ojos.”
P. S. Laplace, 1814, Essai philosophique sur les probabilités; recogido por Fernández-Rañada, 1990,
pág. 5.
Observando los nuevos valores, Lorenz comprobó que éstos repetían los an-
teriores en un primer momento pero enseguida empezaban a diferir de tal forma que
las diferencias se duplicaban cada cuatro días de predicción y, al cabo de dos me-
ses, ambas soluciones eran completamente distintas. Lorenz cayó en la cuenta que
los valores que él había introducido para el nuevo cálculo eran los valores redondea-
dos que le había facilitado la salida impresa. En la impresión, y por motivos de es-
pacio, sólo aparecían tres de los seis decimales originales, con lo cual, dedujo que
los errores redondeados iniciales se había amplificando hasta dominar la solución.
El mayor acierto de Lorenz estuvo en advertir que, si la atmósfera real se

comportaba como el sencillo modelo simulado, la predicción a largo plazo se hacía
imposible. Las diferentes variables que son tomadas en consideración para el esta-
blecimiento de las predicciones meteorológicas (temperaturas, velocidad de vien-
tos, etcétera) no son medidas con precisión de tres decimales y, aunque pudieran
medirse, la corroboración de medidas entre diferentes observatorios no presentaría
dicha precisión. Todo lo cual conducía a la imposibilidad de prever el clima a largo
plazo, según el modelo trabajado por Lorenz. De otra forma, Lorenz comprendió el
vínculo existente entre la falta de periodicidad de un sistema y su impredecibilidad
(declaración realizada en una entrevista con J. Gleick, 1987, pág. 26).
50
Figura 11: Divergencia de dos pautas de tiempo atmosférico. A dos condiciones ini-
ciales muy parecidas se les aplica el mismo programa generador, pero con el tiem-
po, las predicciones de ambas comienza a diferenciarse más y más. De otra forma,
un input aproximado no rinde un output aproximado (extraído de Gleick, 1989, pág.
25).
El conjunto de ecuaciones de Lorenz dan lugar al atractor de Lorenz, también

conocido como “mariposa de Lorenz”, u órbita de los diferentes estados por los que
pasa el sistema en la simulación (ver figura 12).
Dicha figura presenta la propiedad de que sus órbitas nunca se tocan, dado
que el sistema no es periódico, con lo que las superficies descritas son infinitas en
número. Y, además, permanecen siempre dentro de un espacio confinado. La para-
doja es evidente: superficies infinitas dentro de un espacio finito. Se trata, como ve-
remos más adelante, de un atractor extraño.
La sensibilidad a las condiciones iniciales mostrado por las ecuaciones de

Lorenz será conocida desde entonces como el efecto mariposa. Ello en parte debi-
do a una comunicación suya de 1972 titulada “¿El aleteo de una mariposa en Brasil
ha ocasionado un tornado en Texas?” (Lorenz, 1972), en parte debido a la aparien-
cia de unas alas de mariposa del atractor descrito por dicho sistema de ecuaciones
(ver figura 12).
51
Figura 12: Esbozo del atractor de Lorenz. La simulación informática describe una ór-
bita que alterna entre circuitos en el sentido de las agujas del reloj en torno al aguje-
ro izquierdo, y circuitos en sentido contrario a las agujas del reloj en torno al agujero
derecho (figura tomada de Lorenz, 1993, pág. 144). El propio Lorenz construiría des-
pués un artilugio mecánico consistente en una noria -noria de Lorenz- que describe
dichos movimientos y que suele ser habitual encontrar en los Museos de Ciencia.
En cualquier caso, la fragilidad de las alas de una mariposa se ha mostrado

cómo una excelente metáfora para simbolizar cómo lo pequeño puede originar lo
grande (Lorenz, 1993). El error de una milésima en el sistema de ecuaciones de
Lorenz, da lugar, al cabo de pocas iteraciones del modelo, a comportamientos muy
distintos en el sistema modelado. De otra forma, que dos situaciones iniciales clima-
tológicas prácticamente similares, y que sólo difieran en el aleteo de una delicada
mariposa, pueden evolucionar, al cabo del tiempo, de modos tan distintos que se
diferencien entre sí en algo tan grande como un tornado. Esta es la esencia del efec-
to mariposa: la extrema sensibilidad a las condiciones iniciales. Y esta es una
característica definitoria de los sistemas caóticos desde entonces: la existencia del
efecto mariposa o sensibilidad a las condiciones iniciales, fenómeno que ya fue in-
tuido por el gran matemático francés de finales del siglo XIX Henri Poincaré (ver
cuadro 2).
52
Cuadro 2: Declaración de H. Poincaré en la que queda reflejada la esencia del caos. Haría falta casi
un siglo para que la ciencia afrontase su estudio.
‘Si conociésemos exactamente las leyes de la naturaleza y la situación del Univer-
so en el momento inicial, podríamos predecir exactamente la situación de ese
mismo Universo en un momento posterior. Pero, aun cuando se diese el caso de
que las leyes de la naturaleza no tuvieran ningún secreto para nosotros, incluso
así sólo podríamos conocer la situación inicial aproximadamente. Si esto nos
permitiese predecir la situación siguiente con la misma aproximación, eso es todo
lo que necesitamos y diríamos que el fenómeno habríase predicho, que está go-
bernado por leyes. Pero no siempre es así; puede ocurrir que pequeñas diferen-
cias en las condiciones iniciales las produzcan grandes en el fenómeno final. (..)
La predicción se hace imposible y aparece el fenómeno fortuito.’
Henri Poincaré, Science et Méthode, 1908; recogido por Crutchfield et al., 1987, pág. 80.
Si a la sensibilidad a las condiciones iniciales añadimos la imposibilidad del

conocimiento exacto de las propias condiciones iniciales (principio de incertidum-
bre de Heisenberg) tenemos como consecuencia la impredecibilidad del sistema a
un largo plazo. Con todo lo cual contamos con que, un sistema de ecuaciones com-
pletamente determinista, como por ejemplo el utilizado por Lorenz, nos ha conduci-
do a la imposibilidad de prever los resultados que produce dicho sistema en un
largo plazo. Determinismo y predecibilidad han dejado de ir de la mano (Crutchfield,
et al., 1987; Hénon, 1989; Haken y Wunderlin, 1990; Ruelle, 1991; Eckmann y Mas-
haal, 1991; Solé, 1995; Jou, 1995). Volveremos sobre ello al caracterizar a los sis-
temas caóticos.
Comenta el propio Lorenz a modo de conclusión de su trabajo de 1963 que,

quizás, la idea más importante por él transmitida entonces fue ‘que el caos era algo
que había que buscar en lugar de algo que había que eludir’ (1993, pág. 149). Con
el transcurrir de los años se comprobaría que lo encontrado por Lorenz no se trataba
de un fenómeno subsidiario o acaso singular. Al contrario, poco a poco, las investi-
gaciones provenientes de múltiples campos disciplinarios van a ir poniendo de ma-
nifiesto la frecuencia de fenómenos con dinámicas caóticas.
3.2.2.- Aportaciones desde la Topología: la Teoría de los Atractores.
La topología, también conocida como la geometría del espacio elástico o

geometría ‘de la tira de goma’, se halla interesada en el estudio de las propiedades
de las figuras geométricas que no varían una vez que el espacio cambia y se desfi-
gura por movimientos de estiramiento, comprensión y torsión (Stewart, 1989). Se
halla interesada en el estudio de la continuidad en las formas, centrándose en as-
pectos como la posición relativa y la forma en general, a diferencia de la geometría
más preocupada por propiedades como la posición o distancia absoluta y por las
rectas paralelas. De una manera menos formal, podríamos decir también que la to-
53
pología centra su estudio en el análisis de las formas que van adquiriendo los siste-
mas dinámicos.
Para la realización de dichos análisis de formas, los matemáticos suelen tra-

bajar con lo que ellos llaman espacio de fases, una especie de diagrama en el que
queda representado el movimiento del sistema. Con los espacios de fases se con-
sigue graficar el movimiento de un sistema de forma geométrica. Por ejemplo, re-
presentemos en un espacio de fases de dos dimensiones el movimiento de un pén-
dulo. Como dimensiones tomemos la posición y el impulso.
Figura 13. Representación en un espacio de fases del movimiento de un péndulo (ex-

traído de Briggs y Peat, 1989, págs. 34-35).
El espacio de fases dibuja una trayectoria circular que se repite una y otra
vez, al igual que el movimiento pendular (de un péndulo con mecanismo de propul-
sión, como, por ejemplo, el de un reloj de pared). Es por ello que, el espacio de fa-
ses se constituya en una buena herramienta para poner de manifiesto la dinámica
del sistema y las formas en ella implícitas. En nuestro caso, para caracterizar al sis-
tema péndulo como un sistema con un comportamiento periódico.
Poincaré identificó cuatro formas típicas que pueden presentarse en el espa-

cio de fases. Los sumideros o puntos concretos hacia los que confluyen todos los
54
puntos vecinos. Las fuentes o puntos concretos que actúa como de repulsor de los
puntos vecinos: éstos se alejan más y más de él. Las sillas de montar o puntos que
actúan a la vez de sumidero y de fuente dependiendo de la dirección que se tome en
cuenta: en una dirección horizontal, por ejemplo, actúan como puntos de atracción,
esto es, como sumideros, de los puntos vecinos, mientras que en dirección vertical,
actúan al mismo tiempo como fuente. Y los ciclos límite o conjunto de puntos en el
espacio de fases que, formando un círculo, atraen una y otra vez al resto de los pun-
tos, como en el caso del péndulo apuntado antes.
De las cuatro formas típicas en el plano descritas por Poincaré y Bendixson,

el sumidero y el ciclo límite tienen la propiedad de ser estructuralmente estables.
Por otro lado, se trata de auténticos puntos o zonas de atracción para el resto de los
puntos del espacio de fases. Son atractores.
El concepto de atractor es de utilidad para designar aquellos puntos o esta-

dos que atraen al resto de los puntos del espacio de fases hacia sí (Stewart, 1989;
Ruelle, 1989) o, de otra forma, aquellos puntos o estados que atraen a un sistema
dinámico hacia sí (e.g. Crutchfield, et al., 1987; Eckmann y Mashaal, 1991). Si espe-
ramos el suficiente tiempo, el sistema dinámico acabará estabilizándose en una de-
terminada región o en un determinado punto, del espacio de fases. Al igual que hay
atractores en los sistemas dinámicos también hay repulsores, puntos o estados que
repelen al sistema (las fuentes y sillas de montar en una de las direcciones), algo
similar a valles y montañas de un relieve en el que dejamos caer un objeto: es pro-
bable que el objeto acabe en uno de los valles (atractor) y no que se quede atrapado
en uno de los picos montañosos (repulsor). Naturalmente un sistema dinámico pue-
de tener varios atractores y repulsores que actúan de manera simultánea.
El interés por los atractores en los sistemas dinámicos lo encontramos en el

propio Poincaré al observar cómo las órbitas de los sistemas dinámicos no lineales
podían ser atraídas por conjuntos extraños (recogido por Mandelbrot, 1977). Igual-
mente, Poincaré observó que estos sistemas dinámicos también presentaban repul-
sores, o conjunto de estados en los que el equilibrio era inestable y, por ello, no
atraían al sistema dinámico hacia sí, al contrario, lo repelían. Poincaré operaba para
ello con cortes transversales al flujo de trayectorias del sistema dinámico (e.g. Cha-
bert y Dalmedico, 1991). Estas secciones, conocidas hoy como secciones de Poin-
caré, le proporcionaba una información muy valiosa sobre la naturaleza del sistema.
Así, si la dinámica obedece a una dinámica determinista, la sección de Poincaré
obtiene una imagen bien definida, reflejo de esta determinación. En cambio, en di-
námicas totalmente aleatorias, la sección de Poincaré obtiene una nube desordena-
da de puntos que ocupa toda la sección.
55
Figura 14: Ejemplo de obtención de una sección de Poincaré sobre un haz de tra-
yectorias pertenecientes a una dinámica determinista (imagen extraída de Gleick,
1987, pág. 151).
3.2.2.1.- Mapas de retardo.
Un tipo específico de espacio de fase lo constituyen los denominados mapas

de retardo, herramientas de uso común en el estudio de los sistemas caóticos. Un
mapa de retardo es un espacio de fases en el que las dimensiones tomadas como
referencia para graficar el comportamiento dinámico de un sistema son dimensio-
nes temporales t, t+1, t+2, t+n, etcétera (Packard, et al., 1980; Crutchfield, et al.,
1987). En este esquema, se representa alguna de las variables de interés que com-
prenda la dinámica del sistema.
De otra forma, esta técnica va siguiendo el rastro de los valores de las varia-
bles que van cambiando con el transcurso del tiempo. El tipo y número de variables
depende de cada sistema, así en muchos sistemas complejos resulta difícil medir, o
siquiera identificar, la totalidad de variables de interés que conforman el sistema. En
estos casos, adquiere un mayor interés la técnica de mapas de retardo ya que sólo
precisamos del conocimiento de una serie temporal de alguna de las variables que
forman parte del sistema. En el caso del mapa de retardo más sencillo, cada punto
de la gráfica corresponde al valor de una de las variables del sistema en un instante
dado, expresado en función del valor que toma esa misma variable tras un período
de retardo. Con una serie de tales puntos, correspondientes a los instantes sucesi-
56
vos, se dibuja una curva o trayectoria que describe la evolución del sistema (Gold-
berger, Rigney y West, 1990). Detrás se esconde una argumentación estimulante:
de alguna forma, se piensa que ‘la evolución de cualquier componente singular de un
sistema está determinada por los demás con los que interactúa. La información so-
bre los componentes relevantes está, pues implícitamente contenida en la historia
de cualquier componente singular’ (Crutchfield, et al., 1987, pág. 87). Nótese tam-
bién que no se hace necesario conocer las ecuaciones que rigen la dinámica, por lo
que esta técnica se muestra tremendamente útil en todos aquellos casos en los que
carecemos de dicho conocimiento, es decir, la mayor parte de las veces.
Ejemplifiquemos la realización de un mapa de retardo. Por ejemplo, tomemos

una serie temporal como pueda ser la sucesión de temperaturas durante unos pocos
meses a fin de caracterizar la dinámica climática. Cada valor recoge la temperatura
de un día, tomada siempre a la misma hora, en el mismo lugar y con el mismo apa-
rato métrico. El mapa de un retardo nos dibuja una imagen como la siguiente.
Mapa de retardo con la serie de temperaturas del

verano de 1996
40
35
Un retardo
30
25
20
20 25 30 35 40
Temperaturas
Figura 15: Mapa de retardo de una serie cronológica perteneciente a la medición de

la temperatura durante 76 días consecutivos del verano de 1996.
Como hemos apuntado, para la utilización de los mapas de retardo se nece-

sita la recogida de datos de una de las variables pertenecientes al sistema a lo largo
de un cierto periodo de tiempo. Basta con el conocimiento de una serie temporal
correspondiente a una de las variables del sistema para determinar la naturaleza del
atractor, si lo hubiera, que rige la dinámica del sistema (Schaffer, 1984; Crutchfield,
et al., 1987; Jou, 1995; Bascompte, 1995).
Gracias al teorema de Withney, desarrollado por Takens (1981), se demues-

tra de manera matemática que con una sola serie temporal podemos reconstruir
toda la información que no tenemos -para los fines aquí perseguidos de caracteriza-
ción del atractor- y reproducir el atractor subyacente trabajando con esta serie tem-
poral al realizar los mapas de retardo. Frente a datos debidos al azar que generan
una imagen borrosa ocupando todo el espacio, las dinámicas deterministas mues-
57
tran figuras visibles. Con esta técnica podemos saber el tipo de atractor que rige la
dinámica, calcular su dimensión y sus exponentes de Lyapunov (ver apartado 3.3.3.-
Medidas del caos).
3.2.2.2.- Tipos de Atractores.
En esencia, y entrando en la tipología de los atractores, son tres los tipos bá-
sicos de atractores que podemos encontrar en cualquier sistema dinámico (e.g.
Crutchfield, et al., 1987; Dubois, et al., 1987; Haken y Wunderlin, 1990; Eckmann y
Mashaal, 1991; Simó, 1991). Dos de ellos ya fueron descritos por Poincaré, sumide-
ros y ciclos límites. El tercer tipo, lo intuyó, pero fue un problema que le desbordó. Se
encontró con él al afrontar un problema que propuso el rey Óscar II de Suecia sobre
si el sistema solar era estable.
Describamos los tipos básicos de atractores. En primer lugar, tenemos los

atractores de punto fijo, aquellos atractores que atraen al sistema hacia una situa-
ción muy concreta o estado particular. Se trata, como hemos visto antes, de sumide-
ros. Por ejemplo, un péndulo, salvo que conste de mecanismo de propulsión, siem-
pre tiende a acabar en el punto de máxima energía potencial, parado, sin movimien-
to. Este punto representa el punto fijo atractor para el sistema péndulo.
Figura 16: Atractor de punto fijo captado por un mapa de retardo (extraído de Gleick,
1987, pág. 57).
El segundo tipo básico de atractor es el denominado ciclo límite. El ciclo lími-

te representa un comportamiento cíclico, periódico. La dinámica relacional entre
depredador y presa de un sistema ecológico sigue un atractor de ciclo límite. Por
ejemplo, en un lago donde cohabiten lucios y carpas ocurrirá que habrá temporadas
en las que las carpas abunden dada la escasez de lucios. Tal abundancia de carpas
representará unas buenas condiciones para que la población de lucios aumente, ya
que cuentan con alimento. Cuando la población de lucios haya aumentado hasta
cierto punto, ocurrirá que la población de carpas decrecerá debido a la elevada can-
tidad de depredadores, lo que a su vez conllevará, tiempo después, a la disminución
de lucios por la falta de alimentos. Disminuida la población de lucios, la población de
58
carpas tiene más oportunidades de volver a aumentar, reiniciándose el ciclo. En la

naturaleza, aunque el ejemplo anterior es claramente factible (por ejemplo, la Hud-
son’s Bay Company, compañía peletera de Canadá, muestra en sus largos registros
de más de 200 años oscilaciones cuasi periódicas en las campañas de pieles del
lince y la liebre de las nieves; recogido por Schaffer, 1984), son más comunes los
ciclos límites que recogen un mayor número de variables, especies en nuestro ejem-
plo.
Resulta de interés constatar que en los ciclos límite se pone de relieve cómo
la conducta individual, regular o irregular, determinada o al libre albedrío, como se
prefiera, da lugar a pautas regulares en la conducta del colectivo.
Figura 17: Dos ejemplos de atractores de ciclo límite captados por el mapa de retar-
do. En el primer caso, se trata de un atractor de un ciclo, mientras el segundo pre-
senta un ciclo de periodo tres (extraído de Gleick, 1987, pág. 57).
Las dinámicas relacionales entre depredador y presa nos dan pié a pensar
en la existencia de ciclos límites que rivalicen entre sí. Por ejemplo, y continuando
con nuestro ejemplo de lucios y carpas, podemos introducir en la ejemplificación una
tercera especie, el hombre actuando como otro depredador, y obtendremos dos
ciclos límites acoplados. Los ciclos límites acoplados dan lugar a una nueva figura,
un toro, con una forma de rosquilla y que describe dos ciclos límites a la vez: uno el
que recorre la rosquilla a lo largo de su circunferencia más larga y, un segundo que
recorre la rosquilla en su circunferencia corta. Aunque podríamos considerar el toro
como un nuevo tipo de atractor (Crutchfield, et al., 1987), hemos de percatarnos que,
en lo esencial, describe un comportamiento periódico al igual que ya hacen los ci-
clos límite.
Finalmente, están los atractores extraños (Ruelle y Takens, 1971). Un atractor

extraño es un atractor no periódico, el cual no se repite jamás (Hofstadter, 1982). Su
órbita nunca se cruza con otra anterior. Se trata de un número infinito de curvas y
superficies, encerradas en un espacio finito, y en el que pueden detectarse los mo-
vimientos básicos descritos por la Topología de estiramiento, comprensión y torci-
miento. Se trata de la ‘especie de entramado, de tejido, de red de mallas infinita-
mente fina’ que vislumbró Poincaré en el problema de la estabilidad del sistema
solar (recogido por Chabert y Dalmedico, 1991, pág. 720).
59
Como vimos en un apartado anterior, en 1963 Edward Lorenz descubrió, an-

tes de que dicho objeto hubiera sido descrito por Ruelle y Takens, el primer atractor
extraño en un estudio de simulación sobre el clima meteorológico. No fue el único
que durante la década de los sesenta visionó atisbos de atractores extraños. Al me-
nos son conocidos otros tres autores (Gleick, 1987), el astrónomo francés Michel
Hénon, el ingeniero eléctrico japonés Yoshisuke Ueda y el matemático norteameri-
cano Stephen Smale, quienes se toparon con objetos similares.
3.2.2.3.- Atractores Extraños y estudios sobre la Turbulencia en fluidos.
Los atractores extraños representa un orden sutil en el aparente caos y, bajo

el nombre de turbulencia, han llamado la atención a numerosos científicos de este
siglo. David Ruelle, Eberhard Hopf, Lev Landau, o hasta el propio Leonardo da Vin-
ci, son algunos de los más destacados. En la Biblioteca Real de Windsor, en Inglate-
rra, pueden contemplarse una serie de dibujos de Leonardo da Vinci en los que in-
tenta representar el movimiento de un fluido como el agua. Da Vinci representaba el
fluir turbulento del agua como una serie de remolinos, compuestos a su vez de remo-
linos más pequeños, y así sucesivamente. Intuitivamente, da Vinci supo recoger una
característica definitoria de lo que hoy se conocen como atractores extraños: la au-
tosimilitud de formas a diferentes escalas.
En 1944, Lev D. Landau, físico ruso y premio Nobel en 1962, concibió la tur-
bulencia como un fenómeno que aparecía de manera progresiva en los movimientos
de un fluido a medida que estos se iban haciendo más complejos. Teorizó que el
movimiento turbulento aparecía como una superposición de multitud de movimientos
periódicos distintos. De otra forma, Landau establecía una ruta que conducía hacia
la turbulencia. Poco después, en 1948 Eberhard Hopf construiría un modelo mate-
mático, basado en la hipótesis de Landau, y que servía para describir las bifurcacio-
nes que conducían a la turbulencia. Desde entonces, y hasta la década de los
ochenta, la teoría de Landau-Hopf ha sido la teoría aceptada en la comunidad cientí-
fica como la válida interpretación de la aparición del fenómeno turbulento en los flui-
dos. La teoría de Landau-Hopf prevé una serie de puntos críticos, conocidas como
inestabilidades de Hopf, en los que la dinámica del fluido da saltos de una atractor
sencillo a otro más complejo. Así, en la primera inestabilidad de Hopf, el fluido pasa
de una dinámica regida por un atractor de punto fijo a un atractor de ciclo límite. En
la segunda inestabilidad de Hopf, el sistema salta de la dinámica cíclica a una regi-
da por un atractor de tipo toro. En la tercera inestabilidad, el sistema salta a un
atractor toro de cuatro dimensiones. En la cuarta inestabilidad de Hopf, salta a una
dinámica regida por un atractor toro de cinco dimensiones. Y así sucesivamente. En
definitiva, la turbulencia según la teoría de Landau-Hopf sería una dinámica regida
por un atractor toro multidimensional, complejo en el sentido del gran número de di-
mensiones incluidas.
En 1971 en un célebre artículo de David Ruelle y Floris Takens titulado “On

the nature of turbulence”, se propondrá, desde una visión topológica, una nueva
60
forma de entender la turbulencia y su formación. Ruelle y Takens probarán, de una

manera estrictamente matemática, que la teoría de Landau-Hopf es válida en lo que
respecta a las dos primeras bifurcaciones: los saltos de punto fijo a ciclo límite y de
ciclo límite a toro. Pero en la tercera bifurcación, en la tercera inestabilidad de Hopf,
la que debiera conducir a un toro de cuatro dimensiones, comprobarán que el atrac-
tor toro comienza a descomponerse, y en lugar de presentar una dimensión igual a
4, la extraña figura emergente posee una dimensión fraccional situada entre 2 y 3.
Ruelle y Takens bautizaron a este nuevo atractor como atractor extraño y dieron a
entender que muchos sistemas dinámicos, aparentemente desordenados, tendrían
atractores de esta clase.
Aunque la visión de Ruelle y Takens era correcta matemáticamente e incluso

atractiva (bastaban tres variables para generar una dinámica a la vez inestable y con
un atractor subyacente) se precisaba de la comprobación experimental de la misma.
Ello ocurriría cuatro años después en unos estudios de laboratorio. Jerry Gollub y
Harry Swinney en 1975, físicos de la Universidad de Texas, estudiando el movimien-
to producido en un líquido contenido entre dos cilindros, de los cuales el interno se
mueve a velocidades cada vez mayores, encontraron las tres inestabilidades pro-
puestas por Ruelle y Takens midiendo la velocidad del fluido en un punto dado. La
primera que produce el salto hacia un atractor de ciclo límite. La segunda que con-
lleva el salto hacia un toro. Y la tercera en la que aparece la extraña criatura turbulen-
ta, el atractor extraño. La teoría de Ruelle-Takens sobre la turbulencia recibía un
primer apoyo experimental.
Robert Shaw, de la Universidad de California en Santa Cruz, junto a otros co-

legas, encontrará la misma transición hacia el caos en el estudio detallado de algo
tan cotidiano como el ruido que hace un grifo que gotea. Dejando caer las gotas so-
bre un micrófono, registraba el intervalo temporal entre gota y gota, y representaban
dicha sucesión temporal en un mapa de retardo. Abriendo cada vez más, y de ma-
nera progresiva, el caudal del grifo, hallaron los regímenes pertenecientes al punto
fijo, dinámica periódica, dinámica periódica de dos frecuencias o toro y, finalmente,
dinámica caótica (ver Crutchfield, et al. 1987; págs. 87-89). Podría haberse predicho
que la intervención aleatoria de causas externas como pequeñas vibraciones o co-
rrientes de aire harían que la relación entre intervalos de formación de gotas fuese
nula. En tal caso, la reconstrucción del atractor en un mapa de retardo nos hubiera
dibujado una nube uniforme de puntos sin ningún rasgo distintivo. No fue así. Los
datos obtenidos y representados en los mapas de retardo dibujan una forma de
herradura propia del proceso de estirado y plegado característico de los atractores
extraños. El ejemplo del grifo que gotea es un ejemplo más de cómo en la conver-
sión de un fluido laminar a un fluido turbulento, aparece la sucesión de estados que
predijesen Ruelle y Takens.
61
Figura 18: Experimento del grifo que gotea (Robert Shaw). En los mapas de retardo, en esta caso
tridimensionales, se representa los puntos según sus coordenadas en tres momentos temporales tn,
tn+1 y tn+2, es decir, los intervalos temporales entre gota y gota con un doble retardo, a fin de generar
una imagen del atractor tridimensional. Los atractores extraños reconstruidos con un grifo real (a, c)
se correlacionan favorablemente con variantes del atractor de Hénon (b, d). Los casos e y f se re-
construyeron a partir de elevados flujos de agua, y revelan atractores aún más complejos (imagen
extraída de Crutchfield, et al., 1987, pág. 87).
Conocida la existencia de los atractores extraños, científicos de diferentes

disciplinas se embarcaron en su búsqueda. En los últimos años se han encontrado
un número creciente de sistemas con atractores extraños en sus dinámicas. Entre
ellos en el diagrama de convención de un fluido calentado desde abajo (Libchaber,
1982; Dubois, et al., 1987), los latidos de las células del corazón del pollo (Guevara,
Glass y Schrier, 1981), la oscilación de los niveles de concentraciones en reaccio-
nes químicas inestables, diferentes osciladores eléctricos y mecánicos (Crutchfield,
et al., 1987), en las oscilaciones en fuentes celestes de rayos X (van der Klis, 1989),
la dinámica de las partículas que conforman los anillos de Saturno (Hénon, 1989), en
el estudio del clima terrestre (Fraedrich, 1986; Essex, et al., 1987; Tsonis y Elsner,
1988; Keppenne y Nicolis, 1989; Nicolis, 1991), en la secuencia de glaciaciones del
Cuaternario (Nicolis y Nicolis, 1987), en el ritmo cardiaco de personas sanas frente
al ritmo cardiaco de personas con problemas de corazón en las que aparecían
atractores periódicos (Goldberger, Rigney y West, 1990; Moragrega y Contreras,
62
1994), en la actividad eléctrica cerebral en humanos (Babloyantz, et al., 1985; Dvo-

rak y Siska, 1986; Pritchard y Duke, 1992; Fell, et al., 1993), incluso hay estudios
que encuentran que enfermedades como la epilepsia llevan asociadas una actividad
electroencefalográfica más periódica que estados de normalidad (Freeman, 1991;
Mandell y Selz, 1991), también en la dinámica de las membranas de las células ner-
viosas (Aihara, 1991), o en la epidemiología de enfermedades como el sarampión,
la rubéola, la polio o la varicela (Schaffer y Kot, 1985; Olsen y Schaffer, 1990) así
como en otras dinámicas de poblaciones ecológicas (Witteman, et al., 1990; Tur-
chin, 1993; Hanski, et al., 1993).
En definitiva, se descubrió que una variedad importante de sistemas no linea-

les exhibían comportamientos caóticos, apareciendo éste entonces como una diná-
mica universal de dichos sistemas y de medición cuantitativa posible (Cvitanovic,
1989).
3.2.2.4.- Paradojas en los Atractores Extraños.
Como ya hemos apuntado, los atractores extraños presentan la paradoja de

recoger un número infinito de órbitas y trayectorias confinadas dentro de un espacio
finito. Para ello es preciso que las trayectorias se replieguen sobre sí mismas, una y
otra vez, de tal forma que, si ampliamos una región del atractor extraño, obtendre-
mos nuevos matices, nuevas trayectorias antes no visibles, y que seguirán apare-
ciendo si ampliamos ad infinitum el atractor (ver figura 19). De otro manera, los
atractores extraños presentan la propiedad de autosimilitud de formas a diferentes
escalas o de invarianza bajo escala, lo cual viene a decirnos que son estructuras
fractales (Mandelbrot, 1975, 1977; ver cuadro 3).
El plegamiento en los atractores extraños se hace necesario por cuanto éstos

tienen un tamaño finito y, a la vez, dan cuenta del fenómeno de divergencia de tra-
yectorias o efecto mariposa ya visto. La única solución para mantener una dinámica
que presenta la propiedad de divergencia de trayectorias en un espacio finito con-
siste en el replegarse sobre sí mismo (Crutchfield, et al., 1987; Dubois, et. al, 1987;
Haken y Wunderlin, 1990; Tsonis, 1992). Digamos que el atractor extraño es el fruto
de una tensión topológica: de un lado estirarse para dar cuenta del efecto mariposa,
de otro plegarse ya que debe permanecer confinado en un conjunto concreto de es-
tados posibles. Algo parecido, pero aún más extremo y complejo, a la tensión entre
crecimiento y permanecer pequeño que se produce en una concha con forma de
caracol.
63
Figura 19: Amplificación sucesiva en un atractor extraño, en este caso el conocido

atractor de Hénon (1976), y en el que podemos apreciar el fenómeno de la autosimili-
tud a diferentes escalas: la sucesiva ampliación de la zona marcada nos vuelve a re-
velar una estructura de líneas similar. (Imagen extraída de Crutchfield, et al. 1987,
pág. 85).
Además, los atractores extraños presentan, cuando menos, otras dos

paradojas. Por definición, un atractor, del tipo que sea, es estable: es la zona del
espacio de fases que atrae las trayectorias de un sistema dinámico y lo retiene
confinado en ella. Ahora bien, en un atractor extraño se cumple, y sólo en este tipo
de atractores, que dos condiciones iniciales próximas devienen en puntos muy
alejados gracias a la divergencia de trayectorias (el efecto mariposa ya visto). De
otra forma, el atractor extraño da cuenta de sistemas con dinámicas inestables.
Estabilidad e inestabilidad, polos opuestos de un continuo, quedan unidos en los
atractores extraños (Gleick, 1987; Munné, 1993).
Finalmente, y en clara relación con la convivencia entre estabilidad e inestabi-

lidad antes señalada, en un atractor extraño también aparecen a la vez rasgos de
orden y de desorden. Frente a las dinámicas perfectamente ordenadas descritas
por los puntos fijos y ciclos de diverso tipo, en los atractores extraños las dinámicas
descritas son claramente más desordenadas. De entrada, ocupan más espacio del
64
propio espacio de fases, sus trazos son más borrosos, menos nítidos. Pero tampo-
co son totalmente desordenados. Frente a una dinámica totalmente aleatoria que
quedaría recogida como una nube de puntos homogéneamente distribuida llenando
por completo el espacio de fases, los atractores extraños se nos presentan como
elegantes formas geométricas. Aparece un orden aunque claramente distinto a los
órdenes de dinámicas de punto fijo o cíclicas. Se trata de un orden más complejo.
Figura 20: Cuatro ejemplos de otros tantos atractores extraños ya clásicos. Los atractores de
Hénon, Lorenz, Rössler y Pickover. Algunos de ellos ya han sido hallados en experimentacio-
nes de diverso tipo. Es el caso del atractor de Rössler observado en flujos de fluidos y en al-
gunas reacciones químicas, o del atractor de Hénon del que se ha hallado una variedad en el
experimento de Shaw sobre el grifo que gotea.
Cuadro 3: Estructuras fractales: una geometría de la naturaleza.
Las estructuras fractales se han constituido hoy en toda una nueva geometría con la que dar cuenta
de los aspectos quebrados y rotos de las estructuras naturales. Las montañas no son conos, los
planetas no son esferas, la costa de un país no es una línea recta. Frente a las figuras clásicas,
idealizadas, de una línea, un plano, una esfera, un triángulo, un cuadrado, un cono, etcétera, de la
geometría euclídea, la geometría fractal se ha fijado en formas rotas, irregulares y fragmentadas.
La geometría fractal ha sido desarrollada por Benoît B. Mandelbrot (1924-) cuyas obras principales
podemos encontrar traducidas al castellano (1975: Los objetos fractales. Forma, azar y dimensión, y
1977: La geometría fractal de la naturaleza, ambas en Tusquets Editores).
Fractal es una palabra acuñada por Mandelbrot, proveniente del adjetivo latino fractus, con el que el
autor supo recoger dos características básicas y definitorias de estas estructuras: su fragmentación
o grado de irregularidad y su propiedad fraccional en lo que hace referencia a su dimensión. Así, y en
primer lugar, la irregularidad o fragmentación de un fractal posee propiedades estadísticas. El grado
de irregularidad o fragmentación se mantiene constante en las diferentes escalas que podamos pro-
fundizar dentro del fractal. Es la propiedad conocida como invarianza escalar.
65
Los fractales son estructuras autosimilares: dentro del fractal encontramos pequeñas estructuracio-
nes muy parecidas, cuando no iguales, a la totalidad y, a su vez, dentro de estas pequeñas estructu-
raciones encontraremos nuevas estructuras, aún más pequeñas, que también son parecidas a la
estructura global. Lo más interesante, al margen de la curiosidad de la repetición de formas a diferen-
tes escalas, está en lo siguiente: el grado de irregularidad de todas esas estructuras, estructuras
pequeñas, microestructuras, etcétera, es el mismo. ¡La irregularidad de un fractal tiene un carácter
regular!
En segundo lugar, es característico de los fractales el tener una dimensión fraccional, una dimensión
no entera. La dimensión fractal recoge el grado de irregularidad del propio fractal, irregularidad que
sabemos se mantiene constante en las diferentes escalas del fractal.
Como padre de la nueva geometría, Mandelbrot creará un bello fractal, conocido hoy como el conjun-
to de Mandelbrot, partiendo de trabajos anteriores del matemático francés Gaston Julia. El conjunto
de Mandelbrot se obtiene mediante la aplicación de la regla iterativa z ÷ z 2 + c, siendo z un numero
complejo de la forma x + yi (x e y son números reales, e i es igual a la raíz cuadrada de -1) y c una
constante. El conjunto está conformado por los puntos para los cuáles la aplicación de la regla itera-
tiva permanece en valores dentro de un círculo de radio 2. El conjunto de Mandelbrot que hemos
recogido aquí es una variante coloreada del mismo en el que los colores recogen los puntos que no
se encuentran en el conjunto, variando el color según el número de iteraciones necesarias para es-
capar del conjunto. La iteración de una regla tan simple genera una figura de extraordinaria compleji-
dad y riqueza de detalles. Simplicidad generadora de complejidad.
Figura 21: Conjunto de Mandelbrot.
3.2.3.- Estudios con la Ecuación Logística y Teoría de las Bifurcaciones.
Un nuevo impulso para el desarrollo de las teorías del caos va a venir de la

mano de la biología y de una disciplina que nacería dentro de ésta a lo largo del si-
glo XX: la ecología. Interesados por el estudio de la evolución de poblaciones, los
ecólogos comenzarán a trabajar con modelos de ecuaciones que iteraban conti-
66
nuamente. Se trataba de proponer ecuaciones que describiesen el crecimiento de

una población de un determinado animal o vegetal y aplicarla de manera repetitiva
sobre los resultados que ella misma iba aportando. Este tipo de estudios se englo-
baban dentro de la denominada teoría de la iteración. Por ejemplo, la población (x)
del próximo año de una determinada especie viene determinada por la función f(x),
siendo f(x) = 2x. Así para una población inicial de 4, tendríamos el siguiente año:
f(4) = 2· 4 = 8, y el siguiente: f(8) = 2· 8 = 16, y el siguiente: f(16) = 2· 16 = 32, etcé-
tera. Es decir, a cada año se duplica la población.
Funciones como la anterior pecaban de simplicidad y suponían un patrón de

crecimiento continuo, propio de esquemas pre-malhtusianos, que no tiene en cuenta
ningún tipo de restricción como por ejemplo la menor cantidad de alimentos a medi-
da que aumenta la población. Era más realista pensar en funciones que, alcanzado
un valor poblacional alto, comenzasen a bajar –implosionaban- y, llegado a un valor
bajo, comenzasen nuevamente a subir –explosionaban-, persiguiendo un estado
final de equilibrio poblacional.
Y con esta pretensión fue como se rescató la ecuación logística, propuesta

por Verhulst en 1845 (Briggs y Peat, 1989). Dicha ecuación era como sigue:
xn+1 = N xn (1 - xn) (7)
siendo xn+1 la población esperada en el próximo año,

N la tasa de crecimiento y
x n la población del año en curso.
Los valores de x son recogidos de forma normalizada entre 0 y 1, así un 1 recoge el
valor máximo posible de la población y un 0 su extinción.
La ecuación logística es muy parecida a las que se proponían dentro del

marco de crecimiento constante, salvo que contiene un término no lineal, (1 - xn), que
limita el crecimiento, ya que, cuando xn se hace grande, (1 - xn) se hace pequeño.
Con ello, la ecuación logística nos da cuenta de una dinámica con crecimiento auto-
contenido, recogiendo sutilmente con el término (1 - xn) aquellos factores que impi-
den un crecimiento ilimitado. En términos topológicos, diríamos que mientras el tér-
mino xn estira el sistema, el término (1 - xn) lo pliega (Briggs y Peat, 1989).
3.2.3.1.- Modelos Matemáticos Sencillos que generan Dinámicas Complejas.
Robert May, biólogo de la universidad de Princeton, trabajará con la ecuación

logística estudiando el comportamiento de la misma según diferentes tasas de cre-
cimiento N (May, 1974, 1976).
Ensayando con diferentes valores de N, May pudo comprobar la complejidad

que encerraba dicha ecuación. De alguna forma, al aumentar la tasa de crecimiento
N, se estaba aumentando la tasa de no-linealidad, con lo cual, las puertas hacia nue-
67
vos comportamientos cualitativos quedaban abiertas. No sólo se afectaba el resul-

tado numérico (cantidad), sino que también se influía en su cualidad. Así, cuando N
tomaba valores bajos, la población se establecía en un valor de equilibrio. Cuando
N se hacía más grande, la población oscilaba entre valores alternantes. Al aumentar
aún más N, la población se comportaba de modo impredecible.
Algo que ayuda a magnificar los hallazgos de May es que el común de los
mortales puede repetir sus simulaciones en una familiar hoja de cálculo o con una
sencilla calculadora. Procedamos a ello, antes recordemos la formulación de la
ecuación logística:
xn+1 = N xn (1 - xn) (7)
Para valores de N #1, la población acaba evolucionando hacia un valor de 0,

es decir, la población perece. Probemos un ejemplo. Partiendo de xn = 0.67 y con N
= 0.8, obtenemos la siguiente secuencia iterando la ecuación: 0.176, 0.116, 0.082,
0.060, 0.045, 0.034, 0.026, 0.020, 0.016, 0.012, 0.010, 0.008, 0,006, 0.005, 0.004,
0.003, 0.002, 0.002, 0.001, 0.001, 0.001, 0.000, 0.000, 0.000 (reteniendo aquí sólo
los tres primeros decimales). Como decíamos, la evolución nos marca un camino
hacia la extinción. Además, ocurre que, esta evolución es independiente del punto
de partida xn, es decir, y como ya sabemos, la dinámica tiene un atractor en el valor
0. Un atractor de punto fijo.
Para valores 1 < N < 3, la población acaba estableciéndose en un valor cons-

tante, diferente de 0 y, además, valor que es diferente en función de la tasa N. Pro-
bemos de nuevo con, por ejemplo, xn = 0.32 y con N = 2.3. Obtenemos la siguiente
serie: 0.500, 0.574, 0.562, 0.566, 0.564, 0.565, 0.565, 0.565. Tras unas pequeñas
oscilaciones, la dinámica acaba instalándose en un valor que actúa, al igual que en
el ejemplo anterior lo había hecho el valor 0, de atractor, ya que nuevamente dicha
evolución es independiente del punto de partida xn.
Tomemos nuevos valores de N. Para N = 2.8 y xn = 0.32, la secuencia es:

0.609, 0.666, 0.622, 0.658, 0.630, 0.652, 0.634, 0.649, 0.637, 0.646, 0.639, 0.645,
0.640, 0.644, 0.641, 0.643, 0.641, 0.643, 0.642, 0.643, 0.642, 0.643, 0.642, 0.643,
0.642, 0.642, 0.642. El vagabundeo numérico se ha mantenido por más tiempo y
tras veinticinco iteraciones la dinámica se estabiliza en el punto atractor 0.642. Ni
que decir tiene que dicho punto de atracción es independiente del valor inicial de
partida xn. Para cualquier xn que tomemos, la dinámica nos conducirá inequívoca-
mente al atractor que representa el valor 0.642. Claro está, si tomamos un valor xn
próximo a este punto atractor, llegaremos más rápidamente a él. Para N = 2.9 y con
el mismo punto de partida xn = 0.32 se nos presenta una secuencia que necesita de
cuarenta y ocho iteraciones para estabilizarse en el valor 0.655. Y para N = 2.99, se
precisan de ¡nada menos que 341 iteraciones! para alcanzar el atractor, determina-
do en este caso por el valor de 0.665. Parece que mientras más se acerque N al
valor de 3 mayor es el merodeo de los números antes de alcanzar el atractor.
68
May siguió probando valores y aumentó N a 3. Ocurre que cuando la ecuación

logística toma la forma xn+1 = 3 xn (1 - xn), la dinámica descrita deja de tener un punto
atractor. En su lugar, las soluciones se bifurcan y hace acto de presencia un doble
punto atractor que, a modo de ciclo límite, conduce a la dinámica a una oscilación
perpetua. Por ejemplo, para un valor xn = 0.25, el ciclo se establece entre los valores
0.659 y 0.673. Si aumentamos aún más N a un valor de 3.4, el 0.25 inicial acabará
dando vueltas entre los valores 0.451 y 0.842. Para más detalles, en este último
ejemplo la secuencia reza así:
0.637 0.785 0.572 0.832 0.474 0.847 0.438 0.837 0.463 0.845 0.444
0.839 0.458 0.844 0.447 0.840 0.455 0.843 0.449 0.841 0.454 0.842
0.450 0.841 0.453 0.842 0.451 0.841 0.452 0.842 0.451 0.841 0.452
0.842 0.451 0.842 0.452 0.842 0.451 0.842 0.452 0.842 0.451 0.842
0.452 0.842 0.451 0.842 0.452 0.842 0.451 0.842 0.451 0.842 0.451
De otra forma, la población oscila entre dos valores que van sucediéndose de
manera continua en el tiempo. A un tiempo de una población 0.842, población alta,
sucede un tiempo de población 0.451, población media. Y a éste, nuevamente le
sucede un valor de 0.842. Y vuelta a empezar.
f(x) = 2.8 * x * (1 - x) f(x) = 3.4 * x * (1 - x)
0,67 0,9
0,66 0,8
0,65 0,7
Población
Población
0,64 0,6
0,63 0,32 0,5 0,25
0,62 0,65 0,4 0,81
0,61 0,3
0,6 0,2
0,59 0,1
0,58 0
1 5 9 13 17 21 25 29 33 37 41 45 1 5 9 13 17 21 25 29 33 37 41 45
Tiempo Tiempo
f(x) = 3.5 * x * (1 - x) f(x) = 3.7 * x * (1 - x)
0,9 1
0,8
0,7 0,8
Población
Población
0,6
0,25 0,6 0,25
0,5
0,4 0,38 0,26
0,4
0,3
0,2 0,2
0,1
0 0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 1 5 9 13 17 21 25 29 33 37 41 45
Tiempo Tiempo
Figura 22: Diferentes desarrollos de la ecuación logística xn+1 = N xn (1 - x n) con diferentes valores de
N. Para N = 2.8, la dinámica acaba estableciéndose en un valor estable independientemente de la
condición inicial de partida (gráfico superior-izquierda). Para una N = 3.4, la dinámica oscila en un
ciclo de período dos. Nuevamente el desarrollo es independiente de la condición inicial (gráfico supe-
rior-derecha). Aumentando más N, con N = 3.5, el período se duplica y ahora la oscilación recorre
cuatro puntos. Se trata de un ciclo de período cuatro que es seguido, una y otra vez, por las diferen-
tes condiciones de las que podamos partir (gráfico inferior-izquierda). Finalmente, con tasas elevadas
de N, como N = 3.7, el caos nos enseña su faz. Han desaparecido los puntos de equilibrio que atra-
paban la dinámica y tampoco hay oscilación alguna. En su lugar, se nos presentan unas series que
parecen regidas por el azar. Además, con la peculiaridad de que dos condiciones iniciales próximas
69
(se han tomado 0,25 y 0,26) pronto acaban evolucionando de manera muy diferente (gráfico inferior-
derecha).
Subiendo más la tasa N, en el valor de 3.45, el ciclo límite se rompe y la solu-

ción de dos puntos sufre una nueva bifurcación para dar lugar a una dinámica pobla-
cional que oscila entre cuatro valores. Por ejemplo, para un xn = 0.25, la oscilación
final ronda los cuatro valores siguientes: 0.847, 0.433, 0.852 y 0.446. Y subiendo aún
más la tasa N aparece nuevas bifurcaciones con ciclos de 8, 16, 32, ..., puntos que
atrapan la dinámica. Parece como si una vez que hubiese aparecido una bifurcación
ésta no es única y viene acompañada de una avalancha de las mismas.
Y cuando N llega a un número aproximado de 3.57 aparece el caos. En ese

punto, la dinámica deja de tener un atractor aparente ya que la condición inicial xn
determina evoluciones distintas, de tal forma que, el sistema muestra dependencia
sensible a las condiciones de partida. Por otro lado, la evolución poblacional parece
regida por puro azar.
Pero la ecuación logística deparaba más sorpresas. A fin de visualizar de

golpe el comportamiento total de la ecuación, May (1976) ideó un método gráfico en
el que recogía los valores finales en los que se establecía la dinámica en función de
N. En el eje de coordenadas recogió las diferentes tasas de crecimiento (N). En el
de abscisas la población final. Se trataba ahora de representar el estado final que
estabilizaba la dinámica para cada N. May obtuvo la siguiente figura.
Figura 23: Ilustración con la que Robert May recoge la cascada de bifurcaciones que
se da en la ecuación logística al ir aumentando N. La línea continua recoge estados
estables, la discontinua estados inestables. De los valores 3.57 a 3.83 y 3.85 en
adelante, May no dibujó nada dado que toda la región esta ocupada por puntos. Se
trata de regiones caóticas. (Imagen extraída de May, 1976, pág. 462).
Y encontró algo nuevo. Igual que el caos surgía del orden allá por un valor de
N = 3.57, cuando N tomaba el valor de 3.8284 un nuevo orden surgía del propio caos
70
anterior. Ahora aparecía un ciclo de período 3, que se descomponía después en un

ciclo de período 5, y detrás en un período 10. Y luego, nuevamente el caos. El caos
surge de la aplicación de una formulación determinista y el orden surge luego del
caos a modo de intermitencias. Intermitencias por cuanto el sistema vuelve a mos-
trar un comportamiento similar al que había mostrado tiempo atrás y que había des-
aparecido. De alguna forma se produce una recurrencia en el sistema por cuanto
éste vuelve a un estado muy parecido a otro por el que ya pasó.
Con los medios actuales conseguimos obtener una imagen de mayor defini-
ción y encontrar nuevas ventanas de orden dentro del caos que no llegó a describir
May. La ecuación logística nos dibuja un hermoso fractal en el que podemos profun-
dizar y descubrir estructuraciones que se repiten una y otra vez como la progresiva
duplicación de períodos o la aparición continua de intermitencias cada vez a menor
escala (ver figura 24).
Figura 24: Gráfico completo de la cascada de bifurcaciones que proporciona la ecuación logística. No
representamos los valores numéricos de ningún eje. El interés está en el comportamiento cualitativo
de la ecuación. Puede apreciarse nítidamente como la sucesiva duplicación de períodos conduce al
caos y como dentro del caos aparecen ventanas con rigurosa ordenación. Las diferentes tonalidades
de gris recogen probabilidades de que la dinámica acabe estabilizándose en ese punto. (Imagen
obtenida con el programa de fractales Fractint).
71
El que una sencilla ecuación matemática generase dinámicas complejas era,

al igual que los hallazgos de Lorenz sobre el efecto mariposa, algo epistemológica-
mente revolucionario. Lorenz también había obtenido complejidad a partir de la sim-
plicidad de tres ecuaciones y otras tantas variables, y Mandelbrot había hecho algo
parecido operando con una ecuación de números complejos. Pero ahora el hecho
se mostraba como más evidente. Con una sola ecuación y una única variable la di-
námica resultante era de una complejidad infinita.
Por otra parte, para los ecólogos el que una ecuación fuera capaz de obtener
dinámicas aperiódicas y fluctuantes era de sumo interés. En particular, porque hasta
la fecha era común la propuesta de formulaciones que dibujaban una dinámica que
alcanzaba un ideal estado de equilibrio o unos ciclos primorosos, cómodos luego de
trabajar con análisis lineales. Hasta los años setenta, los especialistas de las dife-
rentes ciencias de la vida (biología, ecología, epidemiología, medicina, etcétera)
consideraban posible un solo tipo de evolución a largo plazo: alcanzar un estado de
equilibrio, de estabilidad (May, 1991; Bascompte, 1995). Y ocurría que, en los datos
empíricos, tales desarrollos no aparecían ni por asomo. Era común achacar la falta
de periodicidad o la no consecución de equilibrios a fallas en la metodología de ob-
tención de datos censales de las poblaciones. Ahora se presentaba una formula-
ción, sencilla, que era capaz de dar cuenta de fluctuaciones como las que se obser-
vaban en dinámicas poblacionales, en la mutación de genes o en el desarrollo de
epidemias. De otra forma, se presentaba el argumento que las fluctuaciones obser-
vadas podían ser de carácter puramente intrínseco a la propia dinámica.
Detrás vendría el estudio de series temporales naturales para detectar la pre-

sencia del caos, mediante la búsqueda de los atractores extraños. Éste se halló en
sistemas de muy diversa índole, algunos de los cuáles ya han sido apuntados más
arriba. Ampliemos ahora la lista. Schaffer y Kot (1985) encontraron caos en una se-
rie epidemiológica sobre los casos habidos de sarampión en la ciudad de Nueva
York entre 1028 y 1963, año en que se introdujeron campañas de vacunación. For-
systhe et al. (1988) han dado cuenta de la dinámica caótica de cepas de malaria en
poblaciones humanas. Nuevamente Schaffer (1984) ha encontrado caos en el núme-
ro de pieles de lince cazadas en cada campaña por una compañía peletera cana-
diense. Olsen et al. (1988, 1990) encuentra caos en las series correspondientes a
infecciones de rubéola, polio y varicela en niños daneses. Hanski et al. (1993) y Tur-
chin (1993) en las oscilaciones poblacionales de roedores boreales. Son algunos de
los trabajos más destacados.
3.2.3.2.- La Duplicación de Períodos como Ruta Universal hacia el Caos.
Los hallazgos de May con la ecuación logística eran muy interesantes, pero
quedaba la sospecha sí no se trataría de una rareza matemática por lo demás sólo
aplicable a dicha ecuación.
En 1978 Mitchell Feigenbaum, físico teórico del Laboratorio Nacional de Los

Álamos, publicará un artículo en el que da cuenta de un rasgo universal de una serie
de ecuaciones no lineales y recursivas con la forma xn+1 = N f(xn). Dichas ecuaciones
72
presentan la misma ruta hacia el caos consistente en una duplicación continua de

períodos que produce una cascada de bifurcaciones. Cascada de bifurcaciones que
obedece a una regla numérica que Feigenbaum descubrió.
Se pensaba que los valores críticos en los que se producen las diferentes
bifurcaciones eran específicos de cada sistema, de cada ecuación concreta. Fei-
genbaum (1978, 1979, 1980) descubre una relación abstracta con carácter universal
para las ecuaciones no lineales y recursivas, una métrica entre la distancia a que se
producen las diferentes bifurcaciones, una pauta geométrica que describe el camino
evolutivo de un sistema no lineal hacia el caos.
Matemáticamente:
β − βn −1
→ 4.669201609103...
n
lim β
n _gra ndes −β
(8)
n+ 1 n
siendo $n, los puntos concretos en los que se producen las sucesivas bifurcaciones.
Es decir, la cascada de bifurcación presenta una pauta escalar. El número

4.6692, desde entonces conocido como número de Feigenbaum, nos proporciona
el conocimiento completo de la cascada de bifurcaciones, y de la llegada del caos,
con sólo saber la distancia concreta entre dos bifurcaciones contiguas. Y ello con
independencia de la ecuación concreta. Sistemas diferentes, no lineales todos ellos,
muestran comportamientos idénticos. Una regla universal subyace a todos ellos
(Cvitanovic, 1989). Nuevamente, otro orden parece emerger de la caótica y alocada
secuencia de bifurcaciones. La complejidad aumenta de forma geométrica con un
orden (Feigenbaum, 1995).
Posteriormente, los científicos franceses Libchaber y Maurer, confirmaron

experimentalmente el trabajo de Feigenbaum (Libchaber y Maurer, 1982; ver tam-
bién en Gleick, 1987; Briggs y Peat, 1989). La duplicación de períodos apareció en
todos ellos y el número de Feigenbaum también (Gleick, 1987; Stewart, 1989). La
teoría era confirmada experimentalmente. La duplicación de períodos o cascada de
bifurcaciones presenta un patrón escalar y se muestra como una ruta universal hacia
el caos.
3.2.4.- Caos e Información: el Grupo de Santa Cruz.
Un nuevo impulso e importante desarrollo para las teorías del caos va a venir
de la vinculación de éstas con la teoría de la información de Shannon y Weaver. Se
asociará el caos con la información por cuanto una dinámica caótica contiene más
información que dinámicas estables u periódicas en las que la información se repite
una y otra vez. Y se llegará a la conclusión que la mayoría de los fenómenos biológi-
cos sólo pueden producirse en el borde del caos en donde la capacidad de proce-
73
samiento de información es maximizada (veremos esto último cuando abordemos

las aportaciones realizadas desde la ciencia de la complejidad).
En la universidad californiana de Santa Cruz, los físicos Robert Shaw, Doyne

Farmer, Norman Packard y James Crutchfield, comenzarán a estudiar el comporta-
miento de los sistemas no lineales centrándose en las propiedades métricas de los
atractores extraños. Estaban interesados en medir, dentro de lo que fuera posible,
los atractores extraños, interesados por caracterizar métricamente la dependencia
sensible a las condiciones iniciales, la impredecibilidad.
Con este fin rescataron una medida ya existente dentro de la topología y que
daba cuenta de la divergencia de trayectorias: el exponente de Lyapunov (ver apar-
tado 3.3.3.- Medidas del caos), encontrando que los sistemas caóticos, con atracto-
res extraños, tienen, al menos, un exponente de Lyapunov positivo indicativo de que
los puntos próximos tras el estirado se separan (Packard, et al., 1980; Froehling, et
al., 1981). De este modo, el exponente de Lyapunov se convertía en una medida de
la dependencia sensible a las condiciones iniciales, en una medida de la caoticidad
del sistema.
También propusieron métodos para medir la dimensión, dimensión fractal,

del atractor extraño (Froehling, et al., 1981; Farmer, et al., 1983) (ver apartado
3.3.3.- Medidas del caos) y hallaron como todos los atractores extraños conocidos
hasta la fecha (el de Lorenz, el atractor de Hénon, el de Rössler, etcétera) presenta-
ban una baja dimensionalidad, propia de dinámicas generadas por una pocas va-
riables. La baja dimensionalidad se constituyó, al igual que la existencia de un expo-
nente de Lyapunov positivo, en una característica indicativa de la presencia de caos
determinista.
Exponente de Lyapunov y dimensión del atractor se han convertido en dos

medidas esenciales de cualquier atractor extraño y, por ende, de cualquier sistema
con dinámica caótica. Eso sí, se hace preciso conocer el atractor, algo no siempre
fácil de conseguir. Shaw y compañeros (Packard, et al., 1980; Crutchfield, et al.,
1987) propusieron un método en el cual bastaba conocer una serie temporal de una
de las variables pertenecientes al sistema para recomponer el atractor (ver apartado
3.2.2.1.- Mapas de retardo) y así poder obtener ambas medidas. De otra forma, no
se hacía necesario el conocimiento explícito de las ecuaciones que describían la
dinámica.
Pero quizá la aportación más destacada del grupo de Santa Cruz a los estu-
dios del caos fue la vinculación que establecieron con la teoría de la información
(Shaw, 1981). La teoría de la información desarrollada por Claude Shannon y Wa-
rren Weaver a finales de los cuarenta es relativamente conocida en nuestra discipli-
na, sobra el presentarla aquí. Sí es importante recordar su nacimiento dentro de la
ingeniería electrónica y que el término información es usado sin las connotaciones
habituales de conocimiento o significado. Se trata más bien de la información que
circulaba por los circuitos electrónicos y que era posible de medir, usar, almacenar.
Su unidad de medida es hoy harto conocida: el bit.
74
Para entender la relación que Robert Shaw estableció entre la teoría del caos
y la de la información sirvámonos de un ejemplo. Imaginemos una secuencia numé-
rica como la siguiente: 2, 4, 6, 8, 10, 12, ..., secuencia que también podríamos es-
pecificar como “secuencia de los números pares enteros, empezando por 2”. Imagi-
nemos ahora otra secuencia totalmente aleatoria, como por ejemplo: 2, 17, 3, 1, 24,
23, 54, 15, 32, 6, ... A diferencia de la primera secuencia, en este caso, cada nuevo
número es una sorpresa, cada número nos transmite una nueva información. Desde
el punto de vista de la teoría de la información, la conclusión que podemos extraer
es clara: mientras más aleatorio sea un mensaje, más información contiene.
Ahora, la relación con los sistemas caóticos se nos dibuja clara. Frente a di-
námicas de punto fijo, un valor que se repite constantemente en el tiempo, o dinámi-
cas cíclicas, unos valores por los que pasa periódicamente el sistema, los sistemas
caóticos tienen la propiedad de no visitar el mismo lugar dos veces. Como diría
Shaw, los sistemas caóticos, o en concreto los atractores extraños, son máquinas
de información. Cercano al azar, pero sin ser azar, el caos supone el máximo ale-
jamiento del orden clásico en el que se maximiza la información. De alguna forma,
la no linealidad crea información donde no la hay. El movimiento fortuito no está en
las ecuaciones de Lorenz, por ejemplo. “Parecía algo gratuito o algo brotado de la
nada” (Doyne Farmer, declaración realizada en una entrevista con J. Gleick, 1987,
pág. 250). La explicación que ofreció Robert Shaw a este hecho se halla en la rela-
ción entre diferentes escalas. En opinión de Shaw, los sistemas caóticos tienden un
puente entre las macroescalas en que se cuentan y miden los objetos cotidianos, y
las microescalas en que los átomos se agitan al azar. Al tender este puente, las ma-
croescalas rescatan parte de la información que proporciona el azar de las microes-
calas. La información era capaz en estos sistemas de traspasar las microescalas
para instalarse en las macroescalas. El caos suponía la creación de información.
Por cierto, la analogía con fenómenos sociales de la relación entre fenómenos de
carácter local y fenómenos globales está servida.
Para acabar, puede entenderse que la teoría de la información hizo corres-

ponder a ésta con la entropía, lo cual supuso un hito por cuanto era habitual hasta la
fecha la reciprocidad contraria (Hayles, 1990). Para nuestros intereses más inme-
diatos, es importante remarcar que para la teoría de la información, información y
entropía no eran opuestas sino idénticas, y ello se hizo evidente cuando a la infor-
mación se la desprendió del significado y se la asoció con la novedad. La informa-
ción es maximizada cuando hay una mezcla de certidumbre y de sorpresa. Premi-
sas ambas que acontecen en el caos que supone una mezcla de azar y de orden, sin
llegar a ser ninguna de las dos cosas por separado.
3.3.- A modo de síntesis: ¿Qué es el Caos?
Afrontemos ahora, a modo de resumen de lo desarrollado hasta ahora desde

una visión histórica, las características más destacadas de este ‘nuevo’ objeto cien-
tífico conocido como caos.
75
El término caos fue utilizado por primera vez por Tien-Yien Li y James Yorke
en 1975 en un artículo que llevaba por título ‘Period three implies chaos’. Para ellos
el caos era una dinámica difícil de diferenciar de un proceso puramente estocástico
salvo que venía producida por ecuaciones deterministas. Poco después, en 1977,
se celebraría el primer congreso especializado en la materia en Como, Italia, con-
greso que fue organizado por los físicos Joseph Ford y Giulio Casati. Hace, por tan-
to, más de veinte años que la ciencia del caos ha tomado consistencia dentro de
disciplinas como la física y la matemática. Hoy podemos encontrar casi una veintena
de centros dedicados a su estudio repartidos por todo el mundo como por ejemplo
el Institute of Nonlinear Science de la Universidad de California en Santa Cruz, el
Center for Nonlinear Dynamics de la Universidad de Texas en Austin, el Institute of
Nonlinear Science de la Universidad de California en San Diego, el Nonlinear Phy-
sics Group del Institut für Angewandte Physics en Alemania, el Control of Complex
Systems Lab. de la Russian Academy of Sciences, el Grupo de Sistemas Comple-
jos de la Universidad Politécnica de Cataluña, etcétera.
Recogiendo el trabajo de Edward Lorenz, el cual al fin y a la postre es el pa-

dre (o al menos uno de sus padres principales) de la teoría del caos, podríamos de-
cir que con el término caos nos referimos a ‘procesos que parecen comportarse de
acuerdo con el azar aunque, de hecho, su desarrollo esté determinado por leyes
bien precisas’ (Lorenz, 1993, pág. 2). También pueden incluirse ‘fenómenos que son
ligeramente aleatorios, siempre que su mayor aleatoriedad aparente no sea un sub-
producto de su leve y auténtica aleatoriedad’ (ob. cit., pág. 3). Una definición similar
la podemos encontrar en la propuesta en una conferencia internacional sobre caos
según la cual el caos es un ‘comportamiento estocástico que ocurre en un sistema
determinista’ (Stewart, 1989, pág. 22).
Es importante recoger una distinción que realiza Lorenz (ob. cit.) al diferenciar
entre lo que denomina caos total y caos limitado. Los sistemas caracterizados por
un caos total mostrarían dependencia sensible en la mayoría de sus órbitas. Mien-
tras tanto, cuando sólo algunas de las órbitas muestra dependencia sensible siendo,
en cambio, la mayor parte de ellas periódicas o cuasiperiódicas, el sistema estaría
caracterizado por un caos limitado. La visualización como continuo de la serie diná-
mica de punto fijo-cíclica-caótica-aleatoria es muy útil y acorde con la exposición
anterior. El caos total estaría más cercano al azar, mientras que el caos limitado se
hallaría más cerca de la dinámica cíclica.
Una apreciación parecida la encontramos en el trabajo de Bak y Chen (1991)

cuando diferencian un caos débil del comportamiento caótico absoluto. Los siste-
mas plenamente caóticos estarían caracterizados porque las predicciones se halla-
rían sujetas a una corta escala temporal. Por el contrario, los débilmente caóticos
permitirían predicciones a un más largo plazo.
Con espíritu de síntesis podríamos definir el caos como un tipo de compor-

tamiento que caracteriza la dinámica de un sistema la cuál, pese a estar determi-
nada por leyes totalmente deterministas exhibe un comportamiento aparentemen-
te “aleatorio” no siendo posible, además, la realización de predicciones a largo
plazo (e. g. Crutchfield, et al., 1987; Stewart, 1989; Haken y Wunderlin, 1990; Eck-
76
mann y Mashaal, 1991; Ritchter, 1996). Y entendiendo que el ‘largo plazo’ no obede-
ce tanto a ritmos temporales externos (minutos, horas, días, etcétera) como a ritmos
internos de cada sistema: ritmos con los que se producen los movimientos topológi-
cos de estirado, plegado y compresión. A mayor rapidez de estos movimientos, me-
nor es la escala temporal (ahora sí, en minutos, horas, días, etcétera) para la que se
pueden realizar predicciones con éxito.
3.3.1.- Características del Caos.
Podemos considerar cinco las características o aspectos básicos que confi-

guran el caos: la no linealidad, su marcado carácter dinámico, la sensibilidad a las
condiciones iniciales, el estar regido por ecuaciones deterministas sencillas y la sutil
mezcla de orden y desorden.
En primer lugar, todo sistema caótico es no lineal. La no linealidad es una

exigencia para que aparezca el caos (Lorenz, 1993), pudiendo afirmarse que el
caos es un tipo de comportamiento no lineal o una manifestación cuando menos in-
teresante de ésta (Feigenbaum, 1991). Ahora bien, la no linealidad es una condición
necesaria pero no suficiente. Es decir, es cierto que toda dinámica caótica es una
dinámica no lineal, pero no lo contrario; luego no toda dinámica no lineal es caótica.
Hemos visto ejemplos de ello cuando exponíamos diferentes formulaciones de la
ecuación logística (ver apartado 3.2.3.1.- Modelos matemáticos sencillos que gene-
ran dinámicas complejas). Para obtener caos se hace necesario unas tasas de no
linealidad que abran las puertas al inicio de la cascada de bifurcaciones.
Segundo, el caos tiene un marcado carácter dinámico. Casi suena a perogru-

llo. El caos pone un claro énfasis en los aspectos dinámicos del sistema, engarzan-
do y revitalizando la teoría de la iteración. El caos cuenta con mecanismos de reali-
mentación, bien positivos bien negativos, que son la otra condición para su génesis.
En efecto, podríamos decir que para generar caos hace falta inestabilidad y reali-
mentación (Simó, 1991). La inestabilidad la conseguimos con unas elevadas tasas
de no linealidad. La realimentación, al iteracionar los modelos de simulación. En la
naturaleza, la realimentación se produce de manera continua, suponiendo la absor-
ción en tiempo real de lo que acaba de ocurrir.
Tercero, y se trata de una característica definitoria del caos, las dinámicas

caóticas muestran sensibilidad a las condiciones iniciales. Ya lo sabemos, los sis-
temas caóticos son extremadamente sensibles a las condiciones de las que parten.
En un sistema con dinámica caótica, las trayectorias de dos puntos tan cercanos
como se quiera acaban divergiendo rápidamente. Es el efecto mariposa apuntado
por Lorenz.
El efecto mariposa tiene una doble lectura pensando en la generación de

modelos científicos. Uno, establece límites a la capacidad de predicción del mode-
los. Fijémonos que esto afecta al hecho mismo de cómo hacer ciencia. En la ciencia
clásica es habitual remarcar la importancia de la predicción válida como prueba de
77
una buena construcción teórica. Ahora bien, si los fenómenos son caóticos las pre-
dicciones a largo plazo resultan imposibles. El proceso de verificación científica de-
be ser entonces otro, y debe basarse en propiedades estadísticas y geométricas
antes que en la predicción. Y dos, el caos nos muestra que fenómenos que se han
considerado aleatorios pueden que sean más predecibles de lo que inicialmente se
había pensado (Crutchfield, et al., 1987).
Debido a la existencia del efecto mariposa, determinismo y predecibilidad

dejan de ir juntos. Y es que, en los sistemas caóticos, pese a ser estrictamente de-
terministas por cuando vienen generados por unas reglas que no encierran en sí
mismas ningún elemento de azar, el comportamiento es impredecible al cabo de un
breve tiempo. Las pequeñas incertidumbres se agrandan hasta dominar el sistema
(recordar la explicación que Robert Shaw ofreció a este hecho basado en la ligazón
entre micro y macroescalas).
Cuarto, el caos viene producido por ecuaciones deterministas sencillas (e.

g. Jou y Llebot, 1989; Haken y Wunderlin, 1990). Así es al menos en los modelos de
simulación que dan lugar a comportamientos caóticos, tales como el sistema de
ecuaciones de Lorenz, la ecuación logística, o las ecuaciones del atractor de
Rössler (Rössler, 1976), por citar algunos de los más destacados. Y también es el
caso de los sistemas naturales en los que se ha encontrado caos, en todos los cua-
les ha podido observarse que la dinámica venía regida por un conjunto finito y redu-
cido de variables, hecho que quedaba reflejado en su baja dimensionalidad.
El que ecuaciones sencillas generen tanta complejidad constituye un nuevo

aspecto epistemológicamente revolucionario. Retomaremos este tema en los apar-
tados dedicados a la ciencia de la complejidad, baste ahora con apuntar que el
caos nos muestra que la complejidad no tiene nada que ver con el número (por
ejemplo, una gran cantidad de variables) y sí mucho con el tipo de relación que se
da entre esas variables (relaciones caóticas, no lineales). Por otra parte, también es
relevante señalar que en el caos la complejidad es intrínseca del propio sistema, sin
necesidad alguna de recurrir a influencias de un medio exterior que también pueda
ser complejo.
Finalmente, es harto característico del caos la mezcla de orden y desorden a

un mismo tiempo. Orden y desorden que se confunden a través de las escalas y
cuya estructuración aparece visible en la invarianza escalar que presentan los atrac-
tores extraños, visible en las estructuras fractales que los procesos caóticos gene-
ran. Como ya se ha visto, los atractores extraños representan un claro patrón de or-
den (de hecho, están confinados en una porción determinada del espacio de fases).
Pero, y también lo hemos visto, se trata de un orden emergente y que recoge inesta-
bilidad e impredecibilidad. Podría decirse, que en las dinámicas caóticas los com-
ponentes individuales muestran claros rasgos de desorden (como, el desorden mo-
lecular, como el aleatorio comportamiento de una hormiga tomada como individuo
aislado, etcétera), mientras que en el nivel de las macroescalas se produce la emer-
gencia de un orden, fenómeno autoorganizativo prototipo de los sistemas biológicos
(como la conducta emergente y organizada de todo el hormiguero).
78
Estas son las características básicas del caos. En los dos siguientes aparta-
dos desarrollaremos los caminos que nos llevan hacia él y su caracterización métri-
ca.
3.3.2.- Rutas hacia el Caos.
El gran escenario que conduce al caos es la duplicación de períodos estu-

diada por Feigenbaum, aunque podríamos considerar otras dos rutas derivadas de
ésta más genérica: las intermitencias y la cuasiperiodicidad (Eckmann, 1981; Ber-
gé, et al., 1984; Dubois, et al., 1987; Schuster, 1988; Ding, et al., 1991).
Ya hemos visto como la cascada de duplicación de períodos en funciones no

lineales y recursivas genera una sucesión de bifurcaciones que acaban en caos (ver
3.2.3.- Estudios con la ecuación logística y Teoría de las Bifurcaciones). Al ir aumen-
tando la tasa de no-linealidad, el régimen estable pasa por sucesivas bifurcaciones
en su comportamiento dando lugar a la aparición de regímenes periódicos de dos,
cuatro, ocho, etcétera, ciclos. Los umbrales de aparición de estas duplicaciones se
hallan cada vez más próximos, de tal forma que llega un momento en el que la dupli-
cación del nuevo período alcanza un valor tan elevado que acaba por cubrir todos
los comportamientos posibles del sistema. Es el caos.
Otra posible ruta conducente al caos lo constituye las intermitencias (Bergé,

Dubois, Manneville y Pomeau, 1980; Pomeau y Manneville, 1980; Kadanoff, 1983;
Schuster, 1984). Las intermitencias suponen la aparición súbita de inestabilidades
en una dinámica que se ha mostrado como estable durante un período largo de
tiempo. De esta forma, aparece un corto acceso caótico para luego dar lugar nue-
vamente a la aparición de nuevos regímenes periódicos, una nueva intermitencia.
Este escenario ha sido encontrado en numerosos estudios experimentales (e. g.
Schuster, 1984, cita el estudio del ruido electrónico 1/f, Bergé, Dubois, Manneville y
Pomeau, 1980, en su trabajo con la convección de Raleygh-Bénard, o también
Rasmussen, et al., 1987, en un trabajo con redes de genes).
Por último, una nueva ruta hacia el caos se nos presenta mediante la cuasi-
periodicidad, tratándose también de un derivado de la duplicación de períodos. Por
aumento de un parámetro de control, el régimen periódico comienza a sufrir la cas-
cada de bifurcaciones y, tras hallarse en un régimen biperiódico, ocurre que la di-
námica pierde repentinamente su estabilidad y se vuelve caótica. Tal hecho es posi-
ble con la aparición de una tercera frecuencia (Ruelle y Takens, 1971, 1980; Fauve,
1982; Schuster, 1984; Dubois, et al., 1987; Haken y Wunderlin, 1990; Ruelle, 1991).
De otro modo, basta la influencia de una tercera variable para que una dinámica
cuasiperiódica pueda ingresar en el caos.
79
3.3.3.- Medidas del Caos.
3.3.3.1.- Exponentes de Lyapunov.
Utilizados en topología para medir los efectos antagónicos de estirar, contra-

er y plegar, los exponentes de Lyapunov proporciona una métrica de la rapidez con
la que aumenta o disminuye una perturbación en un sistema dinámico (Markus,
1995). Para nuestros intereses de caracterización de una dinámica como caótica o
no, los exponentes de Lyapunov proporcionan una medida de la divergencia de tra-
yectorias. De otra forma, supone una medida de la dependencia sensible a las con-
diciones iniciales. Así, exponentes de Lyapunov negativos dan cuenta del efecto to-
pológico de contracción mientras que exponentes positivos dan cuenta del efecto
contrario, el de estirado (Packard, et al., 1980; Froehling, et al., 1981; Ruelle, 1989).
De este modo en atractores de punto fijo todos los exponentes de Lyapunov

son negativos (existe un exponente de Lyapunov por cada dimensión del espacio de
fases). El sistema se contrae hasta alcanzar un sólo estado. Cuando el sistema
obedece a dinámicas periódicas, el atractor presenta un exponente de cero exacto y
todos los demás resultan negativos. Finalmente en dinámicas caóticas el atractor
extraño presenta, al menos, un exponente de Lyapunov positivo. De esta forma exis-
te al menos una dimensión del espacio de fases en la cual las trayectorias divergen
estirándose y separándose entre sí, una dimensión en la que la perturbación aumen-
ta con el paso del tiempo.
Por otra parte, la divergencia de trayectorias tiene su incidencia en la capaci-

dad de predicción del sistema (Jou, 1995). Mientras más divergentes sean las tra-
yectorias, mientras mayores sean los exponentes de Lyapunov, menor será el tiem-
po para el que la predicción será aceptable.
Los exponentes de Lyapunov son posibles de calcular, de manera directa,

una vez que conozcamos la función que describe la dinámica del sistema. Aunque
también se han propuesto métodos para estimar los exponentes de Lyapunov des-
conociendo las leyes de la dinámica y contando sólo con la información que nos
ofrece una serie temporal de una de las variables pertenecientes a la dinámica. Por
ejemplo, Wolf et al. (1985) proponen un algoritmo basado en la siguiente idea. Fi-
jándonos en un determinado entorno alrededor de un punto dentro del espacio de
fases, podremos apreciar como esta esfera n-dimensional va deformándose a lo
largo de las iteraciones. En unas direcciones del espacio de fases puede compri-
mirse, en otras estirarse, o permanecer igual. Nos fijaremos en la dirección en la
cual el estiramiento sea mayor. Ahora sólo basta con mesurar como va cambiando
el radio de la esfera con las iteraciones. Esto nos dará una aproximación del expo-
nente de Lyapunov mayor. Si éste tiene un valor positivo, estaremos ante un sistema
caótico.
De manera reciente también se han propuesto métodos para dar cuenta del
carácter caótico de una dinámica que no precisan de series temporales largas, tipo
80
de series que no son siempre fáciles de obtener. Por ejemplo, Sugihara y May
(1990) proponen un método basado en la predicción no lineal para diferenciar entre
series temporales debidas al azar o series con dinámicas deterministas (caóticas).
Su planteamiento es muy intuitivo. Tomando la serie cronológica, la podemos dividir
en dos partes, considerando la primera como conocida y la segunda como un futuro
que podemos suponer desconocido. Ahora, utilizamos la primera parte de la serie
para realizar predicciones a corto plazo de la segunda parte de la serie. Estas pre-
visiones son comparadas con los datos reales que conocemos de la dinámica (la
segunda parte de la serie). En concreto, utilizan la correlación entre valores predi-
chos y la segunda parte de la serie. Las correlaciones constituyen una medida de la
precisión de las previsiones.
Los resultados de Sugihara y May demuestran que para ejemplos de series

caóticas, la correlación es grande para predicciones cortas en el tiempo, pero estas
predicciones decaen estrepitosamente a medida que nos preguntamos por un futuro
más lejano. Por el contrario, para series generadas al azar la correlación se compor-
ta de un modo distinto: es completamente independiente del momento temporal que
tomemos para predecir, es decir, se obtiene el mismo nivel de confianza de las pre-
dicciones a corto y a largo plazo. Tenemos, por tanto, una técnica que sin necesidad
de disponer de series largas y sin calcular el exponente de Lyapunov nos indica la
presencia de caos.
3.3.3.2.- Entropía de Kolmogorov.
El horizonte finito en la predecibilidad que impone la sensibilidad a las condi-

ciones iniciales puede ser interpretado como una pérdida de información a medida
que pasa el tiempo (Jou, 1995). Así, la suma de los exponentes de Lyapunov positi-
vos nos facilita el ritmo de pérdida de información del sistema por unidad de tiempo,
magnitud conocida como entropía de Kolmogorov. Por otro lado, la entropía de
Kolmogorov al ser una medida de la pérdida de información, puede también conce-
birse como una medida de producción de entropía (Ruelle, 1989; Ding, et al., 1997).
Podemos hablar también de la entropía del movimiento o el promedio del

ritmo de estirado y plegado, o bien, el promedio de la tasa con que se crea informa-
ción (Crutchfield, et al., 1987). Para comportamientos periódicos basta con conocer
la evolución anterior de la dinámica para poder predecir el futuro de la misma. No
hay sorpresas, no hay nuevas informaciones proporcionadas por la evolución del
sistema. La entropía es, en este caso, nula. En cambio, para dinámicas caóticas el
conocimiento de la evolución pasada no permite la predicción segura, de tal forma
que, cada nueva medida aporta una nueva información. En este sentido la técnica
antes expuesta de Sugihara y May nos proporcionará una medida de esta entropía
de movimiento tomando como medida el decrecimiento brusco de los valores de las
correlaciones entre los valores predichos y los valores reales.
81
3.3.3.3.- Dimensión del Atractor.
La dimensión del atractor es su dimensión fractal, siendo por ello una dimen-
sión fraccionaria. En primer lugar, el que la dimensión del atractor sea finita nos indi-
ca que las irregularidades de la dinámica no obedecen a un fenómeno estocástico,
sino que son el resultado de una dinámica determinista explicable por un número
reducido de variables. Por ello, la dimensión del atractor nos indica el número míni-
mo de variables necesarias para describir la dinámica del sistema (Froehling, et al.,
1981; Farmer, et al., 1983; Dubois, et al., 1987; Ruelle, 1989; Jou, 1995), eso sí, na-
da nos dice acerca de cuáles podrán ser estas variables.
Para la obtención de la dimensión del atractor se precisa de un número con-

siderable de datos, de una serie temporal muy larga si empleamos el método de
reconstrucción del atractor empleado por Takens. En 1983 Grassberger y Procaccia
proponen un método que calcula una cuota inferior de la dimensión del atractor sol-
ventando el anterior problema. La dimensión de correlación, como la llaman los au-
tores, nos facilitará, al igual que la dimensión fractal, el número de variables que es-
tán determinando la dinámica. En la práctica, para calcular la dimensión de correla-
ción se elige al azar un punto perteneciente a la dinámica y sobre él se marca una
esfera de radio r. A continuación se cuenta en número de puntos que se encuentran
dentro de la esfera y se estudia como varía este número en función del radio r de la
esfera. Así, para una distribución uniforme de puntos en un volumen (objeto de tres
dimensiones), el número de puntos varía como r3. En general, se encuentra que los
exponentes de r son lo valores de las dimensiones necesarias para describir la di-
námica. Para dinámicas caóticas se encuentran formulaciones del tipo rn, donde n
es un número no entero. Para asegurarse de la presencia de una dinámica caótica,
podemos repetir el mismo procedimiento partiendo de otro punto y esfera iniciado-
ra. El resultado ha de ser el mismo.
3.4.- Ciencia de la Complejidad.
En los puntos precedentes hemos explorado la ruta que nos ha llevado desde
sistemas ordenados a sistemas caóticos. Pero las teorías del caos no se han dete-
nido ahí y han seguido propiciando nuevos desarrollos.
En este sentido, en las dos últimas décadas la principal aportación realizada

ha tenido que ver con la profundización en la relación entre el caos, la información y
los procesos de carácter auto-organizativo. La idea de fondo es tan sencilla como
atractiva: los sistemas complejos, con capacidades adaptativas a su entorno, ne-
cesitan del caos por cuanto no son posibles ni bajo las estrictas condiciones que
impone el paradigma del orden newtoniano ni tampoco bajo la óptica de la plena
aleatoriedad en donde cualquier cosa puede ocurrir con igual probabilidad.
Dos teorías son especialmente relevantes para enfatizar esta idea. Primera la
teoría de la vida en el borde del caos, desarrollada por un conjunto de científicos
americanos pertenecientes al Instituto de Santa Fe (especialmente Chris Langton y
82
Stuart Kauffman) interesados por la vida artificial y por los fenómenos autoorganiza-
tivos. Y segunda la teoría de los sistemas alejados del equilibrio elaborada por Ilya
Prigogine, químico de origen ruso pero instalado en Bruselas, también interesado
por los fenómenos de autoorganización.
De alguna forma ambas teorías nos conducirán por un camino de exploración

distinto al visto hasta aquí. Ahora nos adentraremos en la ruta que conduce del caos
al orden. Implícitamente, en todo este nuevo desarrollo nos encontraremos con dos
preguntas: ¿por qué hay orden y estructura en el mundo que percibimos?, y ¿de dó n-
de procede este orden y estructura? (Waldrop, 1992). Y el reto será presentar con
claridad ambas respuestas. También con ello daremos pie a intercambiar el vocablo
de caos por el de complejidad, término con muchas resonancias en un sin fin de dis-
ciplinas pero del que apenas se han aportado desarrollos ni teóricos ni experimenta-
les interesantes.
Desarrollaremos a continuación una caracterización de la complejidad en la

que el caos será uno de sus elementos posibles o propiedades constituyentes. En
este sentido recogeremos los trabajos en epistemología de Frederic Munné. Tam-
bién desde la epistemología veremos la aportación de Edgar Morin y los diferentes
tipos de complejidad que propone. De todo ello, nos deberán quedar con suficiente
claridad las relaciones existentes entre el caos y la complejidad así como las dife-
rencias entre lo complejo, lo complicado y el concepto de totalidad.
Concluiremos con la exposición de la teoría de los sistemas autopoiéticos de

Maturana y Varela (1973), teoría que realiza una interesante aportación para enten-
der el fenómeno auto-organizativo, característica esencial de las formas vivas.
Al finalizar, se nos habrá presentado de manera clara la naturaleza cualitativa

de la complejidad. Nos desprenderemos de la habitual visión de ésta como una
cuestión de número, de muchos elementos a considerar, y nos centraremos más en
los aspectos de relación entre partes del sistema que queremos caracterizar como
complejo. También nos daremos cuenta de la falsedad de una presunción muy clási-
ca: la complejidad sólo puede ser el resultado de causas complejas (Lewin, 1992;
Waldrop, 1992). Las teorías de la complejidad nos muestran que “la complejidad
que vemos en el mundo es el resultado de una simplicidad subyacente” (Langton,
entrevista con Lewin, 1992, págs. 223-224), o de otra forma, “la conducta compleja
no necesita tener raíces complejas” (Langton, entrevista con Waldrop, 1992; pág.
279) y, con ello “tenemos la posibilidad de describir modelos simples que expli-
quen la creatividad que vemos” (Langton, entrevista con Lewin, 1992, págs. 223-
224).
3.4.1.- Vida en el borde del caos.
Chris Langton, especialista en vida artificial del Instituto de Santa Fe en Nue-

vo México, y Norman Packard, físico de Santa Cruz darán un nuevo paso en la rela-
ción entre las teorías del caos y la teoría de la información. Mediante estudios con
83
autómatas celulares han encontrado como estos micromundos existentes en el or-

denador evolucionan de manera automática hacia un punto crítico, a medio camino
entre el orden y el desorden, en el que la capacidad de procesamiento de informa-
ción se maximiza.
Langton recogerá los trabajos de Stephen Wolfram sobre autómatas celula-

res y clases universales de éstos. En concreto, este autor había propuesto cuatro
clases universales de comportamiento de dichos autómatas (Wolfram, 1986). Di-
chos comportamientos, como se verá, son similares a los ya descritos por la teoría
de los atractores. Así, en la Clase I los autómatas celulares acababan extinguiéndo-
se todos y la pantalla del ordenador adquiría un claro tono monocromático. De otra
forma, la dinámica de los autómatas estaba regida por un atractor de punto fijo. En
la Clase II el comportamiento de los autómatas oscilaba periódicamente por una
serie de estados concretos. Es decir, la dinámica presentaba un atractor periódico o
de ciclo límite. En la Clase III el comportamiento de los autómatas era totalmente
aleatorio, dándose una extrema actividad en la pantalla del ordenador. Tan pronto se
destruían autómatas como se creaban otros nuevos con absoluta impredecibilidad y
dando lugar a una dinámica totalmente inestable. La Clase III se correspondería con
la dinámica aleatoria, dinámica que carecería de atractor alguno. Finalmente, esta-
ba la Clase IV en donde los autómatas mostraban dinámicas también complejas
pero ahora estables, donde los autómatas presentaban estructuras coherentes, es-
tructuras que incluso se combinaban entre sí para generar autómatas más comple-
jos. La Clase IV se correspondería con la presencia de atractores extraños. Es en la
Clase IV en donde los autómatas celulares optimizan el manejo de la información tal
y como luego demostrarían Langton y Packard, donde los autómatas adquieren ca-
pacidades emergentes tales como la capacidad de autorreproducción.
Langton y Packard pondrán de manifiesto que en dichos autómatas celulares

la capacidad para almacenar y procesar información (capacidad computacional)
alcanza su valor máximo en un estrecho régimen situado entre el comportamiento
periódico y el comportamiento plenamente aleatorio, de otra forma, cuando los au-
tómatas pertenecen a la Clase IV de Wolfram (Langton, 1990; Lewin, 1992). Langton
(1986) llamará a este punto ‘el arranque del caos’ (en inglés onset of chaos), Pac-
kard (1988) por su parte lo denominará ‘el borde del caos’ (at the edge of chaos),
siendo está última la expresión que se ha hecho más popular. Aunque, la expresión
no es del todo correcta. La expresión original inglesa ‘at the edge of chaos’ bien
puede traducirse como ‘en el borde’, ‘en el límite’ o ‘en el filo’ del caos. La primera
ha sido la más habitual. Si decimos que hay un error, es en la propia expresión. Na-
da tiene que ver con la traducción.
En efecto, la Clase IV de Wolfram recoge una dinámica de los autómatas a

medio camino entre el orden y la aleatoriedad, es decir, cuando el comportamiento
es caótico. Luego la expresión ‘en el borde’ no es del todo correcta ya que se está
haciendo referencia a un estado propiamente caótico, no cercano a éste (el propio
Waldrop cae en esta confusión al equiparar la Clase III de Wolfram con el caos y la
Clase IV con un nuevo tipo de dinámica). De hecho, y a favor de lo que estamos ar-
gumentando, se han encontrado fractales en la configuración de dichos autómatas.
84
Por ello, y en este sentido, la expresión empleada originariamente por Lang-

ton ‘el arranque del caos’ se muestra más certera. Otro asunto es que con la expre-
sión ‘at the edge of chaos’ se pretenda recoger lo peculiar de dicho régimen en tanto
a su finura, a su característica de régimen estrecho en el que se maximiza la capa-
cidad computacional conviviendo orden y desorden. Con ese propósito sí que la tra-
ducción ‘en el filo’ se mostraría como la más adecuada. El borde, el filo, del caos
como ese estrecho régimen en el que los sistemas mantienen un comportamiento
que no cae ni en la repetición permanente ni tampoco se disuelven en la plena turbu-
lencia (Waldrop, 1992).
El descubrimiento de que el procesamiento de la información se maximiza en

los estados caóticos fue importante en sí mismo (Lewin, 1992). Podemos concebir
el caos como una región intermedia entre el orden absoluto, característico de la me-
cánica clásica, de la física newtoniana, y el azar completo. El caos se produce en un
punto intermedio. De alguna forma, los sistemas biológicos no pueden existir ni en
situaciones continuamente repetitivas y estables, ni en la región caracterizada por
la plena aleatoriedad. En el primer caso porque la vida necesita de desequilibrios,
de la flexibilidad que proporciona un cierto desorden (nos quedará claro cuando
veamos la teoría de los sistemas alejados del equilibrio). Las estructuras que se ge-
neran en estas circunstancias son demasiado estáticas. Y en el segundo por una
simple razón de estructura, de organización. No hay estructura alguna posible en el
azar. Un cierto orden se hace necesario para almacenar información, para mantener
cierta estabilidad estructural (Langton, 1986; Lewin, 1992; Solé, et al., 1996). En de-
finitiva, las teorías del caos tratan sobre la estructura y el orden. Pero un orden muy
distinto al característico de la mecánica clásica, reflejado en el paradigmático ejem-
plo de la dinámica celeste.
La teoría de la vida en el borde del caos recibirá diferentes respaldos. En

primer lugar, por el bioquímico y biofísico Stuart Kauffman, del propio Instituto de
Santa Fe, en sus trabajos con redes boolenas aleatorias y sus hallazgos sobre la
autoorganización. En segundo lugar, Per Bak y Kan Chen del Laboratorio Nacional
de Brookhaven, han propuesto la teoría de la criticalidad autoorganizada que pro-
porciona un modelo paradigmático de cómo los sistemas buscan dicho estado críti-
co ejemplificado en un simple montón de arena. Lo veremos a continuación. Final-
mente, también podríamos mencionar a la teoría de los sistemas alejados del equi-
librio, aunque su desarrollo es anterior a la teoría de la vida en el borde del caos de
Langton y Packard. La teoría de los sistemas alejados del equilibrio, elaborada en
numerosos trabajos por el premio Nobel de química Ilya Prigogine, de la Universidad
Libre de Bruselas, constituye toda una teoría integradora de estudio de los sistemas
complejos, sistemas en los que aparecen propiedades auto-organizativas y de los
que daremos cuenta detallada en un punto posterior (ver apartado 3.4.2.- Teoría de
los Sistemas Alejados del Equilibrio). Veamos ahora las aportaciones de Kauffman
y Bak y Chen.
85
Stuart Kauffman (1992, 1993) trabaja con redes booleanas aleatorias del tipo
NK, especie de redes neuronales en la que los elementos se encuentran relaciona-
dos entre sí de una manera aleatoria, siendo N el número de elementos de la red y K
el número de conexiones por elemento. En una red booleana cada variable está re-
gulada por otras que operan sobre ella como señales de entrada. Las variables son
binarias, pudiendo presentar dos estados, bien activada bien desactivada. El com-
portamiento dinámico de cada variable, es decir, en cuál de sus dos estados posi-
bles se va a encontrar en el instante siguiente, está gobernado por las funciones
booleanas o reglas lógicas de conmutación del tipo ‘O’ e ‘Y’. Así, con la función boo-
leana ‘O’, la variable se encuentra activada cuando lo está al menos una de las va-
riables de entrada que se relacionan con ella. Y con la función booleana ‘Y’, la varia-
ble está activada cuando lo están todas las variables de entrada también lo están.
Las redes booleanas aleatorias le sirven a Kauffman para modelar matemáticamen-
te sistemas biológicos autónomos en los que ninguna señal proviene del exterior.
La red procede a través de una serie de estados. En un momento, cada ele-

mento de la red examina las señales que le llegan de las relaciones que mantiene
con otros elementos y se activa o desactiva según sus reglas para reaccionar a
ellas. Después, la red alcanza el siguiente estado, donde el proceso se repite otra
vez. En estas redes, Kauffman encuentra un resultado aparentemente contraintuitivo:
a pesar de mantener entre sí relaciones puramente aleatorias, con el tiempo, la red
acaba estabilizándose en una serie de estados en los que se congela su comporta-
miento, de otra forma, encuentra la generación de un orden espontáneo, de un fe-
nómeno auto-organizativo, como un producto inevitable de la dinámica de un siste-
ma masivamente desordenado (Kauffman, 1992, 1993).
Figura 25: Ilustración de una red booleana de las trabajadas por S. Kauffman y el
funcionamiento de la misma. En este caso, todos los elementos están gobernados
por funciones booleanas del tipo ‘O’ e inicialmente se encuentran desactivados. Al
activar uno de los elementos o variables del sistema (en negro) el sistema experi-
menta una cascada de cambios. Como consecuencia de la configuración de la red y
del tipo de funciones booleanas en ella presentes, la red acaba presentando una
cierta configuración de elementos congelados en estado activo a cuyo estado retor-
narán aun cuando se alteren ellos o alguna de sus entradas. (Ilustración tomada de
Kauffman, 1992, pág. 49).
86
La aparición de un orden emergente ocurre cuando la red tiene un número

determinado de conexiones con otros elementos. De este modo, cuando la red tiene
sólo una conexión por elemento (K=1), la red acaba congelada al completo y en ella
no aparece configuración alguna de estados. También cuando la red cuenta con
cuatro o más conexiones por elemento (K$4), el sistema es inestable y la red com-
pletamente aleatoria no se estabiliza en ningún momento. Es cuando la red cuenta
con dos conexiones por elemento (K=2) cuando se genera un número pequeño de
atractores en la red, cuando cristaliza un orden emergente. El número de atractores
obedece a una regla numérica: ronda en torno a la raíz cuadrada del número de
elementos de la red. Además, con K=2, la red describe una extrema sensibilidad a
las condiciones de partida. El pequeño número de atractores, el fenómeno de au-
toorganización aparece en el borde del caos en las redes booleanas aleatorias.
En la emergencia de este orden espontáneo, de este fenómeno de anticaos6

como el autor lo denomina, Stuart Kauffman ve una explicación alternativa a la selec-
ción natural darwiniana en la génesis de las formas biológicas, del orden en biolo-
gía. La hipótesis de la selección natural pasa a ser una explicación no necesaria y
que sólo entraría en juego en el posterior éxito adaptativo de la forma, nunca en su
formación. De este modo, el proceso evolutivo podría entenderse como un compro-
miso transaccional entre la selección y la autoorganización (Kauffman, 1992, 1993,
1995; Goodwin, 1994, 1998). El orden biológico emerge de manera natural desde
las leyes de la física y la química. La organización biológica emerge espontánea-
mente desde el caos molecular y se manifiesta así mismo como un sistema que cre-
ce (Waldrop, 1992).
Un nuevo apoyo de la teoría del borde del caos vendrá de la mano de la teo-
ría de la criticalidad autoorganizada de Per Bak y Kan Chen (1991), pertenecientes
al Laboratorio Nacional de Brookhaven en Nueva York. Para Bak y Chen, los gran-
des sistemas interactivos se auto-organizan de tal forman que llegan a un estado
crítico en el que un acontecimiento banal puede dar lugar a reacciones en cadena
capaces de producir auténticas catástrofes. Tomando como modelo un montón de
arena, Bak y Chen proponen que el montón de arena se auto-organiza en un estado
crítico tal que la añadidura de un nuevo grano de arena puede provocar avalanchas
catastróficas. Aunque la mayoría de las veces el grano se sumará al montón sin pro-
ducir avalancha alguna. En este sentido, aparece una ley potencial: la probabilidad
que se produzca una avalancha es inversamente proporcional al tamaño de ésta, así
las avalanchas pequeñas son más frecuentes que las avalanchas grandes.
Para los intereses de la teoría de la vida en el borde del caos, lo realmente

significativo es que la pila de arena crece hasta alcanzar un estado crítico en el
6
El término anticaos hay que entenderlo como un intento de Kauffman, y del Instituto de Santa Fe al
que pertenece, de diferenciarse de otras aportaciones realizadas dentro de las teorías del caos,
obedeciendo a una clara pugna académica. De hecho en el Instituto de Santa Fe se ha puesto
mucho interés por diferenciar la complejidad del caos (ver por ejemplo Waldrop, 1992 u Horgan,
1995) y, es cierto que son cosas distintas (ver para más detalles apartado 3.4.3.- Caracterización
de la Complejidad). Pero de ahí a considerar la complejidad como un fenómeno de anti-caos hay
algo más que una mera intención de distinción terminológica.
87
que se hacen posible fenómenos catastróficos. Además, el montón de arena nos

sirve de paradigma de sistema en el borde del caos. De un lado, el sistema es ines-
table en muchos puntos locales como lo demuestra la existencia de las avalanchas.
Del otro, el estado crítico alcanzado es robusto, es decir, constituye un auténtico es-
tado atractor de las configuraciones posibles del montón de arena.
La teoría de la criticalidad autoorganizada ha logrado explicar la evolución

sísmica de la corteza terrestre, retomando hallazgos anteriores que apuntaban a que
la distribución de los epicentros de terremotos está descrita por fractales (Scholz,
1982).
3.4.2.- Teoría de los Sistemas Alejados del Equilibrio.
3.4.2.1.- Sistemas En, Cerca y Alejados del Equilibrio.
En el capítulo 2 sobre Teoría de Sistemas y Teoría Organizativa y cuando

exponíamos la extensión de Prigogine a la segunda ley de la termodinámica hemos
dejado por desarrollar un concepto, el de equilibrio, y una clasificatoria de sistemas
en torno a él, sistemas en equilibrio, sistemas cerca del equilibrio, y sistemas aleja-
dos del equilibrio. Ya hemos apuntado que los sistemas abiertos pueden existir en
tres tipos diferentes de estados según su posición de equilibrio. En lo que sigue,
nos basaremos en algunos de los trabajos más relevantes de Ilya Prigogine (Glans-
dorff y Prigogine, 1971; Nicolis y Prigogine, 1977; Prigogine, 1983, 1986, 1988,
1993, 1997; Nicolis y Prigogine, 1987; Prigogine y Stengers, 1979) en los que se
trata el estudio del equilibrio con relación a cómo en función de la distancia del sis-
tema con respecto al mismo, en-cerca-lejos, aparecen propiedades muy diferentes.
Tomemos una definición sencilla de equilibrio: el equilibrio es el estado de

máxima entropía (Prigogine y Stengers, 1979). Dicha definición corresponde a un
tipo de equilibrio que podríamos denominar equilibrio termodinámico, diferente de
otro tipo de equilibrio, equilibrio mecánico, que podríamos definir como “un estado
especial en el que tanto las velocidades como las aceleraciones de todas las masas
puntuales son iguales a cero” (Nicolis y Prigogine, 1987, pág. 83).
Consideremos un ejemplo de este equilibrio termodinámico, en adelante en

el que nos vamos a centrar. Imaginemos dos recipientes conectados en los que te-
nemos nitrógeno, en uno de los recipientes, e hidrógeno, en el otro. La segunda ley
actúa y, con el tiempo, ambos gases acabarán mezclados, remitiendo las diferen-
cias de concentración de los recipientes. El sistema alcanza su estado de equilibrio.
Se trata de un sistema en equilibrio, de un sistema que ha alcanzado su valor
máximo de entropía, en el que todos los flujos y fuerzas son nulos, en el que se ha
alcanzado un estado de uniformidad. Un cristal, una vez formado, es un típico siste-
ma en equilibrio, el cual ya no necesita de flujo alguno proveniente del medio para
mantenerse. Un sistema en equilibrio es un sistema muerto (Jou y Llebot, 1989).
88
t1 t2
Hidrógeno
Nitrógeno
Figura 25: Sistema que evoluciona hacia un estado de equilibrio.
Si calentamos uno de los recipientes de tal forma que mantengamos una lige-
ra diferencia de temperatura entre ambos recipientes, el nitrógeno y el hidrógeno se
mezclarán pero no de manera uniforme. Hay más nitrógeno en uno de los recipientes
y más hidrógeno en el otro. La diferencia de temperatura ha producido un cierto or-
den, un estado cercano al equilibrio. Los estados cercanos al equilibrio son estados
lineales en los que el flujo es una función lineal de la fuerza (en nuestro ejemplo, el
intercambio molecular de hidrógeno y nitrógeno es proporcional a la diferencia de
temperatura que mantengamos). Son estados en los que la producción de entropía
es mínima, siendo ésta compatible con las ligaduras impuestas al sistema, lo que se
conoce como el teorema de producción mínima de entropía. Además, cualesquiera
que sean las condiciones iniciales, el sistema alcanza finalmente el estado cercano
al equilibrio que las condiciones le están imponiendo. Las reacciones del sistema
son, por ello, perfectamente predecibles. Si aumentamos la diferencia de temperatu-
ra obtendremos más pureza en los gases situados en cada uno de los recipientes.
Si igualamos las temperaturas, obtendremos una mayor mezcla del hidrógeno y del
nitrógeno.
t1 t2
Hidrógeno Tmp. mayor

Nitrógeno
Figura 26: Sistema que acaba en un estado cercano al equilibrio debido a la diferencia de
temperaturas mantenidas entre ambas partes del recipiente.
Tanto en los sistemas en equilibrio como en los cercanos al equilibrio pode-

mos describir un estado (el estado de equilibrio, en el primer caso, y el estado de
89
producción mínima de entropía, en el segundo) que actúan como atractores del sis-
tema. Igualmente, en ambos casos, la materia cumple con la prescripción probabilis-
ta de Bolztman que ya hemos visto. También tienen en común el que el tiempo es
reversible. Los cambios son posibles en ambas direcciones temporales. Por ello, es
posible la realización de predicciones tanto de momentos futuros como de momen-
tos pasados, dada la reversibilidad de los procesos. Las predicciones en Astrolo-
gía, tanto hacia atrás en el tiempo -saber cuál fue la estrella avistada por Los Magos
de Oriente-, como hacia delante -conocer cuándo se producirá el próximo eclipse de
Luna completo- son muy ilustrativas en este sentido.
Hemos hablado de sistemas con mínimos intercambios con su entorno (pe-

queñas diferencias de temperaturas mantenidas entre los recipientes, por ejemplo),
pero, ¿qué ocurre en situaciones en la que el sistema sufre grandes intercambios de
energía o de materia con el exterior? En tales casos, nos dice Prigogine que ‘el
equilibrio no es posible, por darse procesos disipativos que continuamente produ-
cen entropía’ (Prigogine y Stengers, 1975, pág. 87). La segunda ley permite prever
la evolución del sistema hacia un estado estacionario, cuyas propiedades constitu-
yen una extrapolación de las propiedades del estado de equilibrio: inercia máxima,
aunque no total como en el estado de equilibrio, olvido de las condiciones iniciales y
desorganización. No obstante, Prigogine descubre que a partir de cierta distancia
del equilibrio, de cierto alejamiento del equilibrio, el orden emerge del caos. Tras-
pasado un umbral, no sólo se destruyen los sistemas, sino que también aparecen
estructuraciones, emergen sistemas nuevos. Briggs y Peat (1989) nos ofrecen un
excelente ejemplo de ello.
‘Imaginemos un oleoducto que derrama petróleo en un gran receptáculo en una planta indus-
trial. El petróleo fluye regularmente, formando un hoyuelo al caer en la superficie del petróleo
del receptáculo. Supongamos que alguien abre el grifo para que más petróleo circule por el
oleoducto. El primer efecto del nuevo chorro de petróleo consiste en una turbulencia mayor,
en fluctuaciones. Estas fluctuaciones aumentan aleatoriamente, enfilando aparentemente
hacia el caos total hasta que llegan a un punto de bifurcación. Allí, en una intersección críti-
ca, una de las muchas fluctuaciones se amplifica y se propaga, influyendo sobre el sistema
y dominándolo. Se forma un patrón de remolinos. El orden ha surgido del caos.’ (p. 136).
Consideremos otros dos ejemplos, estudiados en química, de sistemas ale-

jados del equilibrio. El primero de ellos es la popular reacción de Belousov-
Zhabotinsky, o reacción BZ, obtenida por azar por el primero de los autores en 1958
y refinada posteriormente por el segundo. La reacción BZ es una típica reacción os-
cilante (Epstein, Kustin, De Kepper y Orbán, 1990) que se produce al mezclar una
serie de componentes químicos (en su versión original ácido malónico, bromato,
iones de cerio y ácido sulfúrico) en concentraciones y temperaturas determinadas.
Una vez provocada la reacción química, y después de pasar por un período de mez-
colanza de componentes, van apareciendo espirales desde el centro hacia afuera
que van creciendo y, a su vez, cambiando paulatinamente de un color azulado a un
rojizo para volver a ser azulado y así de manera repetida y a intervalos regulares.
Igualmente, si se roza la reacción, el punto que se ha tocado se convierte en el ori-
gen de otra espiral de anillos que competirá con la que ya existía para abarcar toda
la reacción.
90
Figura 27: Ejemplo de sistema alejado del equilibrio: reacción de Belousov-Zhabotinsky. La

secuencia de imágenes está presentada de arriba e izquierda hacia abajo y derecha. (Imagen
extraída de Prigogine, 1980, pág. 200).
Durante mucho tiempo se pensó que dicha reacción violaba las leyes de la
naturaleza. Se cuenta la anécdota de que el artículo en el que Belousov exponía di-
cho hallazgo fue rechazado por el editor de la revista en que debía publicarse por
considerar su descubrimiento del todo imposible. En lugar de tender hacia un estado
de uniformidad y mezcla entre sus componentes, hacia un estado de equilibrio, apa-
recían estructuras ordenadas y oscilatorias a modo de un perfecto reloj químico.
Y también durante mucho tiempo se ha visto la reacción BZ como una mera

curiosidad. Es sólo hoy, y en el contexto de la formulación prigoginiana de los siste-
mas alejados del equilibrio, cuando se concibe a la reacción BZ como un claro
ejemplo de sistema auto-organizativo, emergente de unas condiciones iniciales pe-
culiares. Condiciones iniciales que son las de mantener al sistema alejado del equi-
librio. En palabras de Prigogine, “el orden se genera a partir del caos a través de
condiciones de no equilibrio” (1982, págs. 32-33). De hecho, y para corroborar em-
píricamente la afirmación prigoginiana, diversos estudios experimentales (Roux, et
91
al., 1980; Hudson y Mankin, 1981; Pomeau, et al., 1981; Simoyi, Wolf y Swinney,
1982) han hallado el atractor extraño de dicha reacción así como un exponente de
Lyapunov positivo propio de los sistemas caóticos.
Un segundo ejemplo prototipo de sistema alejado del equilibrio, y muy traba-

jado por el propio Prigogine, es la inestabilidad de Bénard. Se consigue al calentar
de una manera uniforme desde su parte inferior un recipiente con fluido viscoso, por
ejemplo, helio. Conforme se intensifica el calor, y a un determinado nivel de tempera-
tura bien determinado, comienzan a parecer de manera espontánea células de con-
vección con una estructuración muy regular. Esto corresponde a un alto nivel de or-
ganización molecular en el que la energía se transfiere desde la agitación térmica a
corrientes de convección macroscópicas. Dicha configuración permanece mientras
suministremos temperatura al sistema. En cuanto deja de alimentarse, tal estructura-
ción comienza a difuminarse y el sistema alcanza su estado de equilibrio. La inesta-
bilidad de Bénard constituye otro excelente ejemplo, y también a un nivel químico, de
cómo, por encima de un valor crítico de temperatura, ciertas fluctuaciones se ampli-
fican y dan origen a corrientes macroscópicas generadoras de un orden molecular.
La inestabilidad de Bénard es otro buen ejemplo de que existen estructuras que se
generan y se mantienen gracias a los intercambios de energía que mantienen con el
mundo externo, en condiciones de inestabilidad, de alejamiento del equilibrio (Pri-
gogine, 1972).
Figura 28: Otro ejemplo de sistema alejado del equilibrio: la inestabilidad de Bé-
nard (imagen fotográfica extraída de Prigogine, 1986, pág. 162).
92
Todos estos ejemplos han de servirnos para entender que ‘en un estado ale-
jado del equilibrio, la materia tiene propiedades radicalmente nuevas’ (Prigogine,
entrevista concedida a Briggs y Peat, 1989, pág. 139). A Prigogine le gusta decir
que la materia en equilibrio es ciega, mientras que la materia muy alejada del equili-
brio detecta minúsculas diferencias, esenciales para la construcción de sistemas
altamente coherentes y complejos (1983). Las fluctuaciones que en los sistemas en
y cerca del equilibrio remitían, dando la existencia de atractores, ahora no sólo pue-
den eventualmente no remitir, sino que pueden aumentar y arrastrar al sistema hacia
nuevas configuraciones. Se produce así un orden por fluctuaciones.
Efectivamente, cuando, en vez de desaparecer, una fluctuación aumenta de-

ntro del sistema, más allá de un umbral crítico de estabilidad, el sistema experimen-
ta una transformación, adoptando un modo de funcionamiento distinto, estructurado
en el tiempo y en el espacio, funcionalmente organizado. Este proceso de autoorga-
nización conduce hacia lo que Prigogine ha llamado una estructura disipativa (Pri-
gogine y Stengers, 1975), denominación que pretende reflejar la aparente contradic-
ción que estas estructuras presentan al disipar de manera constante energía mien-
tras conservan su estructura gracias a las interacciones que mantienen con el medio
(Nicolis y Prigogine, 1977).
La estructura disipativa es la fluctuación amplificada y estabilizada por las

interacciones con el medio. Contrariamente a las estructuras en equilibrio, por ejem-
plo un cristal, las estructuras disipativas sólo se mantienen por nutrirse de manera
continua con un flujo de energía y de materia, disipando energía e importándola de
su medio exterior. Una estructura disipativa no puede existir al margen del mundo
externo. Necesita de los aportes continuos de energía y de materia que sostienen
los procesos disipativos.
A su vez, las estructuras disipativas también presentan umbrales de inestabi-

lidad, umbrales que si alguna fluctuación atraviesa conducirán a la estructura disipa-
tiva hacia una nueva estructuración, hacia un nuevo modo de funcionamiento cualita-
tivamente diferente.
Si hemos hablado del papel de las fluctuaciones en la generación de nuevos

órdenes en las estructuras disipativas, también es importante fijar nuestra atención
en otro concepto de interés: las bifurcaciones. Ya hemos expuesto algunos de los
principales aspectos de la teoría de las bifurcaciones cuando desarrollamos los tra-
bajos de May y Feigenbaum con la ecuación logística. Ahora recuperaremos el con-
cepto más clásico de bifurcación en cuanto a un tipo o momento del comportamiento
dinámico.
En nuestra descripción de los sistemas alejados del equilibrio hemos hecho

mención de umbrales, de distancia crítica de alejamiento del equilibrio, de niveles
de temperaturas muy determinados en el caso de la inestabilidad de Bénard, etcéte-
ra. Todos ellos constituyen para el sistema puntos de bifurcación. Puntos en los que
el sistema ha de elegir qué dirección tomar, qué camino coger. Expresado de este
modo pudiese parecer un exceso de antropomorfismo. No es así.
93
En efecto, en los diferentes ejemplos que hemos ido dando, el punto de bifur-
cación se hallaba cuando el sistema tiene que elegir entre seguir en el estado de
equilibrio o adaptar el nuevo comportamiento de la fluctuación que se va amplifican-
do. Superada una distancia crítica del equilibrio, las ecuaciones que determinan la
dinámica del sistema se tornan no lineales. Una característica básica de toda ecua-
ción no lineal es la no-unicidad de su solución. De otro modo, las ecuaciones no li-
neales tienen más de una solución posible. Las soluciones posibles se bifurcan (lo
hemos visto en el trabajo de Robert May), pero el sistema adoptará una de ellas.
¿Cuál? Apuntemos la respuesta: el azar decide (Wagensberg, 1986). Ya conocemos
el papel del azar en los sistemas caóticos. Azar recuperado de las escalas micros-
cópicas, que explicaría Robert Shaw. Volveremos sobre ello más adelante.
Tabla 4: Diferencias más significativas entre los diferentes tipos de sistemas según su posición de
equilibrio.
Sistemas ...
En Equilibrio Cerca del Equilibrio Alejados del

Equilibrio
Uniformidad: sin diferencias Estados lineales: el flujo es Estados no lineales
de concentración. Los flujos función lineal de la fuerza
y fuerzas son nulos
Estados de máxima Producción de entropía mí- Continua producción de

entropía nima entropía, dado los continuos
intercambios con el medio
Sin atractor aparente

Atractor: el estado de Atractor: el estado de gene-
máxima entropía ración de mínima entropía
Sean cuales sean las condiciones iniciales el sistema Minúsculas diferencias en

evoluciona hacia su estado atractor las condiciones iniciales
generan evoluciones distin-
tas
Las fluctuaciones se amplifi-

Las fluctuaciones remiten can: surge un orden por
debido a la existencia de los atractores fluctuaciones: las estructu-
ras disipativas
Los procesos son reversibles Los procesos son irreversi-

bles (barrera entrópica)
Concepción del tiempo como reversible Concepción del tiempo co-

mo unidireccional. El tiempo
tiene una flecha
Como consecuencia de la no-linealidad de los procesos y del papel del azar

que rigen la dinámica del sistema, se pierden las condiciones iniciales, por lo que no
es posible la inversión temporal. Se da una barrera entrópica (Briggs y Peat, 1989)
debido a que la inversión temporal de los procesos no es posible pues se precisaría
de una cantidad de información infinita para la recuperación de las condiciones ini-
94
ciales. Hay una incapacidad para retroceder en el tiempo debido a la irreversibilidad

de la dinámica. Se dice por ello que el tiempo tiene una flecha (Prigogine, 1988,
1997; Coveney y Highfield, 1990), la cuál apunta en una sola dirección. Nacemos,
crecemos, envejecemos y morimos. Esta secuencia, no suele ocurrir en otro orden.
Para finalizar esta presentación de los sistemas alejados del equilibrio, es

conveniente remarcar una idea sobre la relación de éstos con la segunda ley de la
termodinámica. La existencia de sistemas alejados del equilibrio, y de la evolución
que presentan parecería contradecir la segunda ley de la Termodinámica. Ya hemos
remarcado que dicha ley es aplicable sólo a sistemas aislados, y no lo es a los sis-
temas abiertos en los que los cambios de entropía no están únicamente determina-
dos por los procesos irreversibles que en ellos se producen. La segunda ley no es
violada por los sistemas alejados del equilibrio y por las estructuras disipativas que
de éstos emergen (Laszlo, 1988). Al igual que la gravedad no es violada por la exis-
tencia de una luna orbital. Más bien, las estructuras disipativas aprovechan la entro-
pía, al igual que la Luna aprovecha la gravedad para permanecer en su órbita. El
orden, no surge a pesar de los procesos disipativos ricos en producción de entropía
sino precisamente debido a ellos (Hayles, 1990).
Bien, hasta aquí hemos presentado la clasificatoria prigoginiana de sistemas

en-cerca-y alejados del equilibrio. Aunque no haya quedado expresado explícita-
mente en ningún momento entre los párrafos anteriores, es obvio que tal clasificato-
ria tiene una estructuración de continuo. Y naturalmente tal clasificatoria es aplicable
a cualquier sistema.
3.4.2.2.- Características diferenciales entre los Sistemas Alejados del Equili-

brio frente a los Sistemas En y Cerca del Equilibrio.
En ayuda de una mejor comprensión de la aportación prigoginiana de los sis-

temas abiertos alejados del equilibrio, presentaremos algunas de las características
diferenciales más relevantes de este tipo de sistemas con relación a los sistemas en
y cerca del equilibrio.
En primer lugar, los sistemas en y cerca del equilibrio son sistemas básica-
mente estables debido a los atractores que rigen sus dinámicas7, mientras que su-
perada una distancia crítica del equilibrio, con el alejamiento del equilibrio, los sis-
temas se tornan inestables. Superada una distancia crítica del equilibrio, las fluc-
tuaciones pueden eventualmente no remitir y tienden a amplificarse. Los sistemas
estables son aquellos en los que pequeñas perturbaciones no impiden al sistema
retornar a su posición de equilibrio, de estabilidad (por ejemplo, un leve empujón
dado al péndulo de un reloj de pared no impide a éste regresar a su oscilación habi-
tual después de un breve tiempo de oscilación turbulenta). Los sistemas inestables
se caracterizan por el hecho de que las mismas pequeñas perturbaciones pueden
7
Para ser precisos, hay que decir que los sistemas en y cerca del equilibrio son sistemas estables
debido al tipo de atractores que rigen sus dinámicas, atractores del tipo punto fijo y ciclo límite.
95
precipitar al sistema hacia otros estados (por ejemplo, el pequeño empujón dado en
este caso a un lápiz en pie) (J. C. Maxwell, 1876; recogido por Thom, 1980). En los
sistemas estables (sistemas en equilibrio o cerca del equilibrio), pequeñas causas
producen pequeños efectos. En los sistemas inestables (sistemas alejados del equi-
librio), pequeñas causas pueden producir efectos desproporcionados (Prigogine,
1997). Es “el efecto mariposa” ya visto (Lorenz, 1963, 1972).
Por tanto, en los sistemas alejados del equilibrio hay una desproporcionali-
dad, no-linealidad, entre las causas y los efectos. Los sistemas alejados del equili-
brio son, por todo ello, sistemas caóticos, sistemas que presentan una extrema sen-
sibilidad a las condiciones iniciales de las que parten (a la variación de las condi-
ciones iniciales, diría el profesor Frederic Munné, 1994a; 1995a), en tanto a los pro-
cesos no lineales que les son característicos. Debemos matizar por ello la afirma-
ción anterior: los sistemas muy alejados del equilibrio son sistemas caóticos.
También hemos de tener presente que sistema puede ser estable en cuanto
a algunos de sus elementos e inestable si lo referimos a otros. Estabilidad e inesta-
bilidad pueden coexistir en un sistema, a diferentes niveles. En el ejemplo anterior
que hemos puesto podríamos argumentar que, aunque es cierto que el lápiz ya no
está en su posición erguida, sigue siendo un lápiz. Es decir, ha permanecido estable
en un metanivel. Otro ejemplo que nos puede ilustrar puede ser el análisis de cual-
quier sistema ecológico. Un ecosistema es metaestable, debido a que pocas per-
turbaciones son capaces de superar su poder de integración. Ahora bien, ello no
debe llevarnos a pensar que dichos sistemas son estructuralmente estables, dado
que en ellos existen cambios dramáticos como, por ejemplo, la desaparición de es-
pecies.
En segundo lugar, y como ya hemos apuntado mínimamente, en los sistemas

en y cerca del equilibrio predominan los procesos lineales, mientras que en los sis-
temas alejados del equilibrio predominan los procesos no lineales.
Dos son los aspectos diferenciales entre ambos tipos de procesos que que-
remos destacar aquí. De un lado, la proporcionalidad en los cambios en las dinámi-
cas lineales frente a la no proporcionalidad en los cambios de los procesos no linea-
les. De otro, la bifurcación de las soluciones en las dinámicas no lineales, en espe-
cial cuando la tasa de no-linealidad es alta, aspecto éste que queda patente en los
estudios de Robert May con la ecuación logística (ver apartado 3.2.3.1.).
Un proceso es lineal si un cambio en cualquier variable inicial produce un

cambio en esa misma variable un instante posterior y un cambio n-veces mayor en
esa variable inicial produce un cambio n-veces mayor en la misma en el instante
posterior (Lorenz, 1993). Linealidad es, por tanto, sinónimo de proporcionalidad. Por
el contrario, un proceso no lineal es aquél que no es completamente lineal. Se trata
del aspecto de la no linealidad que hemos apuntado al hablar de inestabilidad.
Por ejemplo, para un determinado valor, digamos, 0.1, una función del tipo
f(x)=2x/1.75 genera un resultado igual a 0.11; para un valor 0.2, un resultado de 0.22;
96
para un valor de 0.3, 0.34; para 0.4 resulta 0.45; para 0.5 un 0.57; etcétera. Resulta-
dos que pueden representarse gráficamente alineándose todos ellos en una línea
recta (de ahí el término de lineal). En cambio, una función como la ecuación logística
con una alta tasa de no-linealidad como f(x)=3.99· x· (1-x), genera, aplicándola a los
mismos valores, los siguientes resultados: 0.35, 0.63, 0.87, 0.95, 0.99, 0.95, 0.87,
etcétera. Secuencia que como vemos no mantiene una proporcionalidad como el
caso anterior.
Esta no proporcionalidad nos sirve ahora para refrendar, a ejemplo de ilus-

tración operativa, que en un sistema en el que predominen los procesos no lineales,
hay puntos de mayor apalancamiento, tal y como se defiende desde la Teoría de
Sistemas y también desde la Dinámica de Sistemas. Es decir, puntos en los cuales
se producen cambios auténticamente desproporcionados a la acción que se ejerce.
En el ejemplo que acabamos de poner de la ecuación logística, un cambio del valor
0.1 a 0.2 provoca un efecto mucho mayor que un cambio del valor 0.4 a 0.5.
El segundo aspecto de la no-linealidad que despierta nuestro interés es la

pérdida de la unicidad de las soluciones. En los sistemas regidos por dinámicas no
lineales hay más de una solución posible. Las soluciones se bifurcan y el sistema
adoptará una de entre las posibles (Wagensberg, 1986). Resulta muy ilustrativo de
este aspecto la figura 24 con el abanico completo de valores que puede tomar un
sistema caótico. El que las soluciones pierdan la unicidad se hace posible en la
medida en que pequeñas variaciones en las condiciones iniciales de un proceso
llevan al sistema a estados muy distintos en las condiciones finales. En los procesos
lineales esto no ocurre. Las pequeñas diferencias iniciales se siguen manteniendo
igual, o al menos, proporcionales, con el paso del tiempo.
En tercer lugar, otra característica diferencial de los sistemas alejados del

equilibrio frente a los sistemas en y cerca de equilibrio lo constituye el papel que el
azar toma en sus dinámicas. Así, en los sistemas en y cerca del equilibrio se carac-
terizan por dinámicas lineales y ordenadas. El eterno movimiento, siempre igual, de
los planetas constituye un ejemplo paradigmático de ello. El azar, no juega ningún
papel importante en el estado final del sistema. Se trataría de un “azar benigno” en
palabras de Mandelbrot (1996), un azar que se somete a la ley de los grandes nú-
meros y que queda absorbido. De un azar que se distribuye de manera normal en
torno al valor medio, que actúa de punto de equilibrio, configurando con ello una pau-
ta de regularidad final no aleatoria (el clásico ejemplo del lanzamiento de un dado un
número elevado de veces es muy ilustrativo en este sentido). Es un azar que puede
ser tratado con las técnicas estadísticas al uso (por ejemplo, técnicas de filtrado en
el estudio de series temporales).
Sin embargo, en los sistemas alejados del equilibrio las dinámicas son esen-
cialmente no lineales. El clima meteorológico nos sirve de ejemplo. El azar, aquí, sí
juega un papel importante. El azar decide. La mínima fluctuación, antes irrelevante,
decide ahora el futuro del sistema. El pequeño empujón que no desestabilizaba al
péndulo del reloj de pared, ahora es capaz de tumbar un lápiz. El azar deja de ser
benigno para convertirse en un “azar salvaje” (Mandelbrot, 1996). Aquí, las fluctua-
ciones no se neutralizan, apareciendo, de manera ocasional, enormes desviaciones,
97
o muchas desviaciones pequeñas pero todas en igual dirección. El azar salvaje de

Mandelbrot es el azar de la vida, la repetición de pautas (largos años de sequía con-
tinuada) y la aparición repentina y brusca de grandes cambios (llegada de un año
extremadamente lluvioso). Es el azar recogido por nuestra tradición cristiana (‘siete
años de vacas gordas seguidos de siete años de vacas flacas’) y, también, en par-
te, el azar reflejado en el ‘sino’ de nuestra tradición árabe (‘estaba de pasar’ o ‘las
desgracias vienen en tandas de a tres’). Estas dos tendencias en el azar, de un lado
la continuidad, del otro la persistencia, denominadas por Mandelbrot (1977) efecto
Noé y efecto José respectivamente en honor de los narradores bíblicos que relata-
ban historias de continuidad, el primero de ellos, o de cambio, el segundo, son fáci-
les de encontrar en la naturaleza. Por ejemplo, en el estudio de las crecidas del Nilo,
en la turbulencia de fluidos o en diversos ruidos muy conocidos por las personas
dedicadas a la electrónica, como el denominado ruido 1/f.
En definitiva, el azar salvaje es un azar que parece estar cambiando conti-

nuamente de carácter, y por ello, requerirá del uso de otro tipo de técnicas para su
estudio diferentes a las utilizadas en el estudio del azar benigno (por ejemplo, el
empleo de mapas de retardo para buscar los posibles atractores subyacentes).
Finalmente, y en cuarto lugar, los sistemas alejados del equilibrio difieren de

los sistemas en y cerca del equilibrio por una cierta indeterminación de sus dinámi-
cas. En efecto, todo lo anterior nos conduce a dos concepciones acerca del futuro
de un sistema. En el primer caso, el futuro está ya dado gracias al determinismo y la
predecibilidad de la dinámica: el 26 de octubre del 2028, a las siete y media de la
tarde hora española, el asteroide 1997 XF.11 pasará a unos 48.300 kilómetros de
altura sobre la Tierra. En el segundo caso, el futuro será uno de los posibles: el mis-
mo 26 de octubre del 2028 no podremos saber, a fecha de hoy, que tiempo hará, y
ningún especialista meteorólogo de prestigio se atreverá a dar un pronóstico. Y ello
incluso aunque el futuro también esté perfectamente determinado.
En los sistemas muy alejados del equilibrio, caóticos, la dinámica es determi-

nista e indeterminista al mismo tiempo. Se trata de una nueva paradoja. En efecto,
es determinista por cuanto la dinámica obedece a unas reglas muy concretas. Y, sin
embargo, la mínima, milésima, millonésima variación de las condiciones iniciales
hace que la dinámica pueda pasar por estados muy diferentes. Si nos resulta del
todo imposible conocer la posición exacta del sistema, la dinámica se nos aparece
como indeterminista. Determinismo e indeterminismo, se nos pueden presentar en-
tonces como una construcción humana. El determinismo como ‘una abstracción y
una simplificación (por lo demás muy humana) que practicamos para hacer inteli-
gible la complejidad cotidiana y actuar con ella’ (Margalef, 1986, pág. 83). Y el in-
determinismo como ‘la propia desesperación que nos embarga cuando entender o
explicar la complicación requiere una información a la que no accedemos’ (ob.
cit.).
Por este motivo, bien podemos decir que frente al futuro cierto, ya dado, que
siguen los sistemas en y cerca del equilibrio, en los sistemas alejados del equilibrio
el futuro es abierto. El futuro se convierte en una construcción de los pasos por los
98
que previamente haya pasado la dinámica del sistema. Se entiende por todo ello el
prestigio de disciplinas como la Astrología y el descrédito, en cuanto a predicciones
se refiere, de las personas dedicadas a la Meteorología.
Determinismo frente a construcción del futuro. De otra manera, y recogiendo

palabras del teórico de sistemas Ervin Laszlo (1988): “los sistemas dinámicos -en
concreto se está refiriendo a lo que denomina sistemas de tercer estado, claramen-
te asimilables a los sistemas alejados del equilibrio de Prigogine- no están someti-
dos a una determinación rigurosa. No tienen trayectorias singulares, sino haces de
trayectorias” (pág. 19). Se abren mapas de posibilidades sobre la dinámica del sis-
tema. Es la creatividad del caos, fruto de la no-linealidad inherente.
Por otra parte, y para finalizar, bien podemos considerar que los sistemas
alejados del equilibrio nos están ofreciendo un tercer tipo de posibilidad evolutiva en
la dinámica de un sistema (Prigogine, 1997). En efecto, frente al futuro ya escrito en
las dinámicas deterministas en la que no es posible la aparición de novedad alguna,
y también frente al desarrollo azaroso de una dinámica totalmente aleatoria, absur-
da, en la que cualquier suceso posible puede ser el siguiente, el desarrollo de los
sistemas alejados del equilibrio nos invita a pensar en una evolución inestable y a la
vez ordenada, incierta y autoorganizada.
En la tabla 5 presentamos, a modo de resumen, las características diferen-

ciales más relevantes entre los sistemas en y cerca del equilibrio, frente a los siste-
mas alejados del equilibrio, que hemos ido detallando a lo largo de este apartado.
En dicha tabla podrá observarse una última fila referida al modelo de ciencia subya-
cente en ambas concepciones a la que no hemos hecho referencia explícita aquí por
considerarla obvia. La Mecánica Clásica ha tratado con sistemas en equilibrio o
cercanos a él, desechando el estudio de sistemas que se alejaran de estas condi-
ciones, como por ejemplo los fluidos. Su objeto de estudio paradigmático ha sido la
dinámica planetaria, con una descripción de la misma que aún hoy nos sigue
maravillando y, con unos éxitos que han ido mucho más allá del terreno puramente
científico para entrar en fenómenos de interés a escala de la totalidad de la
humanidad (por ejemplo, la llegada del hombre a la Luna en julio de 1969
retransmitida en directo por televisión a millones de personas). Por el contrario, las
Teorías de la Complejidad se han interesado por los sistemas alejados del
equilibrio, por el estudio de la turbulencia, de las fluctuaciones, del ruido, etcétera.
Desde un punto de vista predictivo, los éxitos de esta ciencia han sido menos
sorprendentes que los conseguidos por la mecánica celeste. Pero es esta ciencia la
que se acerca a la necesidad de entender cómo aparece lo cualitativamente
nuevo. Recogiendo inquietudes de Tomás Ibañez (1982) diríamos que la Mecánica
Clásica ha sabido describir el orden constituido, pero no la constitución de ese
orden. Son teorías como la de los sistemas alejados del equilibrio, teorías del caos,
teoría de la vida en el borde del caos, teoría de la criticalidad autoorganizada,
etcétera, las ciencias de la complejidad en definitiva (Laszlo, 1988), las que nos
comienzan a dar cuenta de procesos de emergencia, de creación, de génesis.
99
Tabla 5: Dos marcos de referencia para el estudio de los sistemas.
Tipo de Sistemas ... Sistemas ...

Sistemas en Equilibrio y alejados del Equilibrio
cerca del Equilibrio
Sistemas Estables Sistemas Inestables
Procesos Procesos Lineales Procesos No-Lineales

característicos
Papel del azar Azar benigno Azar salvaje

(Mandelbrot) (Mandelbrot)
Evolución del Futuro dado: Un futuro de entre los

Sistema Determinismo posibles:
Construcción
Modelo de Laplace, Newton Maxwell, Poincaré

Ciencia
subyacente Mecánica Clásica Teorías de la
Complejidad
3.4.3.- Caracterización de la Complejidad.
Complejidad es una palabra común en la ciencia en general. La fusión de un

átomo de uranio ocurre tras una serie de reacciones complejas, las reacciones entre
neuronas acontecen con el intercambio complejo de determinadas sustancias quí-
micas, el funcionamiento biológico de una célula procariota puede caracterizarse
como complejo, una colonia de hormigas muestra toda una serie de comportamien-
tos complejos, las organizaciones humanas son habitualmente calificadas como
complejas, etcétera.
No obstante, a la hora de caracterizar a la propia complejidad en la ciencia en

general ésta suele quedar bastante desvirtuada reduciéndola a un sencillo matiz de
número. Lo complejo se nos presenta entonces como aquello para cuya explicación
necesitamos recurrir a muchos elementos. Lo complejo se confunde con lo compli-
cado (Munné, 1994a). Por ejemplo, en el Diccionario de Uso del Español, María Mo-
liner recoge las siguientes acepciones principales de complejo:
1. Compuesto: Formado por partes o por la reunión de varias cosas.

2. Complicado: Se aplica a un asunto en que hay que considerar muchos aspectos, por lo
que no es fácil de comprender o resolver.
100
Y para el término complicado también en su sentido principal:
1. Se aplica a las cosas cuya estructura no se ve o no se comprende fácilmente, por constar

de muchas partes, episodios, etc. mezclados y sin orden aparente.
También un diccionario técnico autorizado define lo complejo en su significa-

ción principal como algo “que comprende muchos elementos y en general un gran
número de elementos” (Lalande, 1962; recogido por Munné, 1994a, pág. 11). Es por
ello que desde la ciencia más tradicional se ha pensado que los sistemas complejos
necesitarán de descripciones complejas, accesibles éstas con el uso de herramien-
tas analíticas sofisticadas (Lewin, 1992) o bien con la hábil combinación de las leyes
de lo simple (Wagensberg, 1985).
Si algo nos ha debido quedar claro de la exposición de las diferentes teorías

vistas a lo largo de este capítulo es que la complejidad tiene poco que ver con el
número y sí mucho con la relación (Munné, 1994a). De hecho un parte importante de
los sistemas considerados hasta aquí son relativamente simples en cuanto al núme-
ro de variables que conforman (por ejemplo, el sistema de ecuaciones de Lorenz, la
ecuación logística, etcétera) pero presentan una extrema complejidad en sus com-
portamientos (Lewin, 1992). Detengámonos con más detalle en esta concepción de
corte más cualitativo sobre la complejidad.
Aunque aún no se disponga de una definición de complejidad que posea ge-

neralidad suficiente y una amplia aceptación (Kauffman, 1992), sí están quedando
claras algunas de sus propiedades. Está siendo por ello más útil el abordaje de la
complejidad desde sus propiedades básicas que pretender dar una definición for-
mal de la misma. En este sentido, el propio Kauffman (ob. cit.), por ejemplo, propone
las siguientes:
• la existencia del efecto mariposa, de caoticidad
• la cristalización del orden en sistemas muy desordenados, la propiedad

de autoorganización, y
• la existencia de atractores extraños, indicadores de un orden complejo.
Como puede verse en la caracterización de Kauffman la complejidad ronda

muy pareja al caos. Dos de las propiedades fundamentales que menciona son sen-
das facetas del caos: la existencia del efecto mariposa (o sensibilidad a las condi-
ciones iniciales que apuntamos al caracterizar al caos en el capítulo anterior) y la
existencia de atractores extraños (o la mezcla de orden y desorden que también
habíamos mencionado). Lo nuevo radicaría ahora en el énfasis puesto en la autoor-
ganización como la cristalización de un orden complejo y emergente.
Otro autor que se ha acercado al abordaje de qué es la complejidad ha sido

Frederic Munné (1993, 1994a, 1994b, 1995a), psicólogo social de la Universitat de
101
Barcelona y especialista en epistemología. Munné considera que la complejidad

puede describirse al menos por cuatro notas:
• borrosidad
• catastrofismo
• fractalidad, y
• caoticidad.
Para Munné este grupo de propiedades, de teorías ya que están claramente

formalizadas, conforman una visión con un marcado carácter cualitativo de la com-
plejidad. Y declara que “afirmar que la realidad es compleja, significa al menos
cuatro cosas: 1) Que la realidad es borrosa. 2) Que la realidad es catastrófica. 3)
Que la realidad es fractal. Y 4) que la realidad es caótica” (1995a, pág. 9, la cursiva
es nuestra). De estas cuatro teorías, aquí nos hemos centrado en la última, aunque
hemos visto las relaciones que el caos mantiene con la fractalidad, e incluso nos
hemos aproximado a la propia teoría fractal (ver Cuadro 3).
De otra parte, para Munné (1995a) este conjunto de teorías tienen un elevado
valor epistemológico por cuanto afrontan la realidad sin prescindir de su compleji-
dad. Además, a la luz de estas teorías la realidad se nos presenta como una reali-
dad paradójica: una realidad que no es nítida ni tampoco dual (aportación de la teo-
ría de los conjuntos borrosos), una realidad que no es continua (catástrofes) ni dis-
continua (borrosidad), ni estable ni inestable (teorías del caos), ni reiterativa ni inno-
vadora (caos y fractales), ni ordenada ni desordenada (caos y fractales). De una rea-
lidad que no es ni lo uno ni lo otro. O dicho de otra forma, de una realidad que no es
lo uno sin lo otro.
Bajo este prisma, “el caos es uno de los ingredientes constitutivos de la com-
plejidad” (Munné, 1993, pág. 46). Y la aportación más fructífera al tema de la
complejidad según el propio Munné (1995a). Ahora bien, también es preciso tener
claro que con la visión que aquí estamos desarrollando, referente al caos, no se da
cuenta de toda la complejidad. Es obvio. Por decirlo de alguna forma, lo que
hacemos es analizar uno de sus aspectos relevantes. Uno de los aspectos en los
que la complejidad se manifiesta. Como gusta decir a Munné referentes a otros
ámbitos de corte psicosocial, como por ejemplo el self (1989, 1997b; véase también
Codina, 2000), la complejidad también es un objeto inabarcable no reducible a
ninguno de los aspectos en los que se manifiesta, matizando además que la
inabarcabilidad no significa que no podamos conocerlo todo sino más bien que no
podemos conocerlo todo a la vez. Se hace preciso cambiar de aspecto a conside-
rar.
Esta inabarcabilidad del objeto ‘complejidad’ contrasta con el claro interés
holístico y no reductible de las diferentes teorías que hemos ido exponiendo, desde
la teoría general de sistemas hasta la teoría de la vida en el borde del caos o la teo-
ría de los sistemas alejados del equilibrio, por ejemplo. Es por ello que otro autor
102
como el sociólogo francés Edgar Morin (1990) afirme que el pensamiento complejo
se mueve en la tensión permanente de aspirar a un saber no parcelado, no reduc-
cionista, o al menos no tan reduccionista diríamos nosotros, y a la vez reconocer lo
incompleto de todo conocimiento. Merece que nos adentremos un poco más en la
aportación de Morin a la complejidad, una aproximación también realizada desde la
epistemología.
Para Morin es complejo aquello que no puede resumirse en una palabra

maestra, aquello que no puede retrotraerse a una ley, que no puede reducirse a una
ley. Y afirma: “la complejidad no puede más que expresar nuestra turbación, nuestra
confusión, nuestra incapacidad para definir de manera simple, para nombrar de ma-
nera clara, para poner en orden nuestras ideas” (1990, pág. 21). De esta forma, Mo-
rin ve una clara relación entre complejidad y azar: “en un sentido, la complejidad
siempre está relacionada con el azar” a la vez que este azar se da “en el seno de
los sistemas ricamente organizados” (pág. 60). La complejidad se halla ligada por
tanto a una cierta mezcla de orden y desorden según Morin, planteamiento que se
acerca a la concepción de complejidad como en el borde del caos, acepción que es
la más común en los estudios sobre complejidad (Horgan, 1995).
Pero este no es el único tipo de complejidad según Morin. Junto a esta com-
plejidad ligada con el desorden, con el azar, también nos presenta una complejidad
relacionada con las contradicciones lógicas. De este modo para Morin la compleji-
dad se asoma allí donde no podemos remontar una contradicción y debemos acep-
tarla. Quizá la más clásica de todas ellas en el pensamiento científico occidental
haya sido la oposición entre orden y desorden. Y más aún en nuestros días cuando
se constata empíricamente que cierto desorden se hace necesario para la aparición
de estructuras y de organización biológica, para la aparición del orden. Este tipo de
complejidad es una heredera del pensamiento clásico manifestado por Heráclito en
su lucha de opuestos y expresada en afirmaciones como “lo único que permanece
es el cambio” o su célebre “vivir de muerte, morir de vida”.
A modo de síntesis, Morin describe la complejidad como conformada por tres

principios:
• el principio dialógico que nos permite mantener la dualidad en el seno

de la unidad al asociar dos términos complementarios a la vez que anta-
gonistas,
• el principio de recursividad organizacional según el cual los productos y

efectos son a la vez causas y productores de aquello que los produce, y
• el principio hologramático que asocia el todo y la parte: no solamente la

parte está en el todo, sino que el todo también está en la parte.
Fijémonos en que el principio dialógico expondría la relación orden-desorden

recogida en el caos, el principio de recursividad organizacional puede asimilarse a
103
los procesos de retroalimentación incluidos mediante la iteración en las dinámicas

caóticas, y el principio hologramático es similar a la propiedad fractal de relacionar
el todo con sus partes a escalas muy diferentes.
Ahora bien, en la relación que Morin establece entre complejidad y azar, en el

primer tipo de complejidad del que nos habla, hay una interpretación posible que se
aleja claramente de la filosofía básica subyacente a las teorías del caos y, por ex-
tensión, a las teorías de la complejidad. En efecto, es clásico concebir el azar, des-
de la teoría de la probabilidad por ejemplo o desde el marco más genérico de la
mecánica estadística, como falta de información (e. g. Hacking, 1990; Ruelle, 1991).
Y claro, la falta de información es por parte del sujeto. Es decir, con esta visión del
azar, y de la complejidad como fenómeno que lo contiene, estamos tomando partido
por una interpretación con un cierto poso de fatalidad por cuanto se transmite que el
ser humano se muestra incapaz de hallar la certeza. Lo cual puede ser o no cierto
pero en ningún caso se trata de la noción de azar, la noción de incertidumbre,
transmitida por el caos. Un autor que ha sabido abordar este tema ha sido Jorge
Wagensberg, físico de la Universitat de Barcelona.
Wagensberg recoge la problemática en una sugerente e incitante pregunta:

¿es el azar un producto de la ignorancia o un derecho intrínseco de la naturaleza?
(Wagensberg, 1981, 1985, 1986).
En su sentido original el azar se halla relacionado con el de falta de informa-

ción (ver por ejemplo Landsberg, 1986 o Thom, 1986). Así podríamos definir un fe-
nómeno aleatorio como “aquél que no admite ser descrito por un formalismo, que se
resiste a ser reducido a un proceso algorítmico conocido” (Wagensberg, 1981, pág.
32). Y define formalmente el azar como:
“Una serie de dígitos es aleatoria si el menor algoritmo capaz de generarla contiene aproxi-
madamente los mismos bits de información que la propia serie” (1985, pág. 58).
Esta definición de azar es claramente asimilable a la definición de compleji-

dad dada por Morin (de su primer tipo de complejidad; ver más arriba). Y también es
similar a definiciones clásicas de desorden, por ejemplo: ‘el orden implica la posibi-
lidad de reducir una multitud ilimitada a una unidad o, al menos, a una multitud limi-
tada, o bien, la posibilidad de reducir lo indeterminado a lo determinado. El “desor-
den”, en consecuencia, no sería más que la ausencia de orden, es decir, de criterio,
de determinación’ (Berti, 1996). Wagensberg afirma que por el momento “no hay
razonamiento intelectual ni circunstancia experimental que (..) nos indique si el azar
corresponde a un desconocimiento del observador o de la propia naturaleza” (1981,
pág. 42), aunque en su análisis se decante partidario de la existencia de un azar al
que califica de ontológico.
En efecto, desde otro nivel de análisis, dicho autor diferencia entre lo que lla-
ma un azar epistemológico que es un azar corrosivo y deshacedor que sigue a raja-
tabla el segundo principio de la termodinámica, un camino contra el que luchan las
formas vivas, y un azar ontológico, un azar que representa la contingencia pura que
104
interviene ciegamente en el universo, un azar creador y hacedor con el que especu-

lan las organizaciones espontáneas lejos del equilibrio, un azar que se hace necesa-
rio para la producción continua de nuevas estructuras y estructuraciones (Wagens-
berg, 1982, 1985). Un azar al que se refería Poincaré cuando al hablar sobre el des-
conocimiento exacto de las condiciones iniciales afirmaba “la predicción se hace
imposible y aparece el fenómeno fortuito” (ver Cuadro 2).
Un dato más a favor de la posición de Wagensberg nos la proporciona la teo-

ría algorítmica de la información en la que se ha demostrado que tanto la incompleti-
tud como la aleatoriedad son naturales en la aritmética (Chaitin, 1988) no pudiendo
eliminarse la incertidumbre en el mundo de las matemáticas. Dato que es acorde
con la proposición principal del teorema de Gödel según el cuál existen proposicio-
nes matemáticas formuladas de forma precisa para las que no puede demostrarse
con exactitud que sean verdaderas o falsas (Ruelle, 1991). No estamos, por tanto,
ante un problema de falta de información.
Otro aspecto a considerar de la complejidad es su relación con el concepto

de totalidad. A menudo, la complejidad suele ser confundida con el término de tota-
lidad o completud. Y es que el conocimiento complejo tiene la pretensión de acer-
carse a un conocimiento total. En el Instituto de Santa Fe se considera que las nue-
vas ciencias de la complejidad pueden entenderse como un tipo de gran holismo
unificado con la pretensión de abarcar e integrar campos científicos desde la biolo-
gía evolutiva hasta la economía, la política o la historia (Waldrop, 1992).
También Morin, por ejemplo, afirma que “la aspiración de la complejidad lleva
en sí misma la aspiración a la completud” (1990, pág. 100-101), y continúa “pero, en
otro sentido, la conciencia de la complejidad nos hace comprender que no podre-
mos escapar jamás a la incertidumbre y que jamás podremos tener un saber total”
(pág. 101).
Igualmente Munné (1994b) se ha acercado a esta relación proponiendo que,

de un lado, se precisa conocer la realidad como fenómeno total, pero de otro, siem-
pre nos encontramos con el carácter inabarcable de la realidad. La cuestión funda-
mental para Munné de esta relación es de sí la complejidad reclama o no la totali-
dad. Y es una forma de abordaje de sumo interés por cuanto la complejidad enten-
dida como un tipo de relación entre los elementos de un sistema (relación caracteri-
zada por su caoticidad, catastrofismo, no-linealidad, etcétera) o como definición de
elementos sobre la base de su posibilidad (borrosidad) no precisa de la totalidad,
entendida como el tratamiento o estudio de todas las partes del sistema. La comple-
jidad ya puede encontrarse en cada una de las partes y no se hace necesario recu-
rrir a todo el sistema para atisbarla. Un ejemplo claro nos lo ofrecen los fractales:
basta mirar cualquier parte de un fractal para captar su complejidad sin necesidad
de recurrir a un conocimiento de todo el fractal. Es más, esto último puede resultar
del todo imposible, por ejemplo, en el caso del conjunto de Mandelbrot en el que po-
demos ampliar una y otra vez ad infinitum cualquier zona seleccionada y nos conti-
nuarán apareciendo nuevos detalles de su complejidad.
105
Además, la no necesidad de la totalidad para afrontar el estudio de la

complejidad se nos pone de relieve en otro hecho. Cuando queremos realizar una
descripción de un sistema complejo, caótico, no necesitamos del estudio de todas
las variables que lo componen. Aquí radica precisamente la justificación del uso de
una herramienta como los mapas de retardo (ver apartado 3.2.2.1) para caracterizar
la dinámica que ha dado lugar a una evolución temporal de una sola variable
perteneciente al sistema estudiado. Basta con conocer el esqueleto básico de las
interacciones más relevantes en el sistema para que un modelo simple represente y
recoja bien la complejidad de la dinámica (Solé, 1994).
3.4.4.- Teoría de los Sistemas Autopoiéticos.
Como última teoría de este capítulo, vamos a exponer la teoría de los siste-
mas autopoiéticos de los biólogos chilenos Humberto Maturana y Francisco Varela.
Aunque es una teoría que, en cierta medida, se desmarca de todo lo desarrollado
hasta aquí, nos aporta una visión para entender aún más el fenómeno auto-
organizativo. De ahí que esté justificado su incorporación dentro de este capítulo en
el que nuestra ruta de exploración nos ha llevado a estudiar la autoorganización co-
mo fenómeno definitorio de los sistemas caóticos y complejos.
3.4.4.1.- Autopoiesis: la organización de los sistemas vivos.
Desde sus inicios, Maturana y Varela han estado interesados en caracterizar

la vida, los seres vivos, en sus rasgos esenciales. Su teoría es una teoría centrada
en la organización de lo vivo; la pregunta a la que pretenden responder sería la si-
guiente: ¿qué clase de sistema es un ser vivo?, dicho de otra forma, ¿qué tienen en
común todos los sistemas vivos que nos permiten calificarlos de tales? Y para res-
ponder a esta pregunta, Maturana y Varela se apartan de la concepción de estos
sistemas como totalidades sistémicas caracterizadas por su apertura hacia el en-
torno y el procesamiento de energía (visión propia de la teoría general de sistemas
como hemos visto) para afrontar su estudio en “su condición de entes discretos, au-
tónomos, que existen en su vivir como unidades independientes” (Maturana, 1994,
pág. 11).
En efecto, en su trabajo fundacional “De máquinas y seres vivos” (Maturana y

Varela, 1973; posteriormente traducido al inglés, junto a otro texto del propio Matu-
rana sobre biología de la cognición, bajo el título de “Autopoiesis and cognition: the
realization of living, 1980) estos autores consideran que la autonomía, con respecto
al medio se sobreentiende, es un rasgo tan obvio en los sistemas vivos que siempre
que observamos un sistema que parece autónomo de su medio tendemos a consi-
derar que es un sistema vivo. Un ejemplo nos ilustrará esta idea. Una roca sufre los
avatares de su medio, calentándose cuando sube la temperatura y enfriándose
cuando esta desciende. Por el contrario, un ser vivo es capaz de mostrar cierta in-
dependencia de este medio, manteniendo una temperatura interna independiente de
la temperatura exterior.
106
Los seres vivos tienen una extrema habilidad para conservarse a sí mismos,
para conservar su identidad, a pesar de los cambios continuos en sus entornos, de-
mostrando con ello una alta y continuada capacidad homeostática, una ultraestabili-
dad que diría Ashby (1960). Por esto, Maturana y Varela considerarán dos las ca-
racterísticas esenciales de todo sistema vivo:
1) la conservación de su identidad, y
2) el mantenimiento o la invarianza de las relaciones internas al sistema vivo
y que son definitorias del mismo; es decir, el mantenimiento de su organi-
zación.
Obviamente, la primera es consecuencia de la segunda. El mantenimiento del

patrón de relaciones, de la organización del sistema le conduce a la conservación
de su identidad como autonomía con respecto al medio.
A partir de aquí, aprehender qué es un sistema vivo se torna en una tarea de

comprensión de su organización. Y para caracterizar la organización de los sistemas
vivos introducen el término autopoiesis derivado del griego y cuya significación más
inmediata sería la de autorreproducción. Con la noción de autopoiesis, Maturana y
Varela pretenden recoger en una sola característica lo esencial de la organización
de los sistemas vivos.
Autopoiesis es un término resbaladizo en cuanto a su definición, sobre todo

cuando es empleado por sus autores originales. De hecho, las definiciones dadas
por Maturana y Varela han sido atacadas de circulares y tautológicas (Scheper y
Scheper, 1996). En “De máquinas y seres vivos”, Maturana y Varela no definen qué
es la autopoiesis de manera explícita, en cambio sí definen qué es una máquina au-
topoiética. Antes de continuar, aclarar que utilizan el término máquina a fin de re-
marcar el dinamismo de los sistemas a los que se van a referir. Una máquina auto-
poiética, dirán Maturana y Varela (1973, pág. 69), es:
“una máquina organizada como un sistema de procesos de producción de componentes

concatenados de tal manera que: i) generan los procesos (relaciones) de producción que los
producen a través de sus continuas interacciones y transformaciones, y ii) constituyen a la
máquina como una unidad en el espacio físico” (la cursiva es original de los autores).
Una máquina autopoiética sería “un sistema homeostático que tiene a su

propia organización como la variable que mantiene constante” (ob. cit., pág. 69, la
cursiva es original de los autores). Como consecuencia de esta definición, las má-
quinas autopoiéticas, y siempre según los autores:
1) son autónomas, en tanto que subordinan todos sus procesos al manteni-

miento de su organización;
2) poseen individualidad al conservar activamente su identidad independien-

temente de sus interacciones con el entorno (incluidas sus interacciones
con un observador);
107
3) son definidas como unidades por, y sólo por, su organización autopoiéti-

ca, es decir, sus operaciones establecen sus propios límites en el proce-
so de autopoiesis;
4) no tienen ni entradas ni salidas, aunque puedan ser perturbadas por acon-

tecimientos externos y experimentar en consecuencia cambios internos
para compensar esas perturbaciones (luego volveremos sobre esta fla-
grante contradicción).
Una vez caracterizadas las máquinas autopoiéticas, Maturana y Varela entran

a considerar que si los sistemas vivos son máquinas (repetimos, máquinas en el
sentido de dinamismo, de movimiento) parece bastante claro que son máquinas
autopoiéticas, pudiendo afirmarse también lo inverso: toda máquina autopoiética es
un sistema vivo. Con todo lo cual, “la noción de autopoiesis es necesaria y suficien-
te para caracterizar la organización de los sistemas vivos” (1973, pág. 73) y, a par-
tir de aquí, las nociones de teología y teleonomía se muestran prescindibles en la
comprensión de la organización de lo vivo, teniendo éstas sólo sentido en el contex-
to de la observación del sistema, pero nunca en el dominio de la organización auto-
poiética. Como ejemplo paradigmático de sistema autopoiético Maturana y Varela
proponen a la célula.
En un trabajo posterior Maturana también nos ofrece la definición de auto-

poiesis como “la red de producciones de componentes, que resulta cerrada sobre sí
misma porque los componentes que produce la constituyen al generar las mismas
dinámicas de producciones que los produjo, y al determinar su extensión como un
ente circunscrito a través del cual hay un continuo flujo de elementos que se hacen y
dejan de ser componentes según participan o dejan de participar en esa red” (Matu-
rana, 1994, pág. 159).
Otras definiciones del término más claras las encontramos en otros autores
que también han tratado sobre la autopoiesis. Por ejemplo, Zeleny (1981) considera
que la autopoiesis hace referencia a “una unidad realizada a través de una organi-
zación de producción de procesos cerrada tal que a) la misma organización de pro-
cesos es generada mediante la interacción entre sus componentes, y b) como resul-
tado de estos procesos emergen unas fronteras en el sistema” (pág. 6).
Y más clara aún es la definición dada por Torres Nafarrete en la introducción

al texto de Maturana “La realidad: ¿objetiva o construida? I. Fundamentos biológicos
de la realidad” de 1995. La autopoiesis, nos dice Torres Nafarrete, hace referencia
a un fenómeno de radical circularidad: “las moléculas orgánicas forman redes de
reacciones que producen a las mismas moléculas de las que están integradas”
(1995, pág. xiii).
El propio Torres Nafarrete nos ofrece una caracterización de las propiedades

del fenómeno autopoiético desarrollado en cinco propiedades básicas:
1) Autonomía: “(..) la célula requiere de la creación de distancia con respecto

al medio circundante. La autonomía de lo orgánico, en último término, sig-
108
nifica que sólo desde la perspectiva de la célula se puede determinar lo

que es relevante y, sobre todo, lo que es indiferente” (pág. xiii-xiv).
2) Emergencia: “(..) el surgimiento del orden cualitativo de la célula (...) no

puede deducirse a partir de las características materiales o energéticas
que, a su vez, componen la célula. La emergencia señala precisamente la
irrupción de un nuevo orden, cuyas características sólo pueden ser
inducidas una vez que elnuevo orden ya está constituido” (pág. xiv).
3) Clausura de operación: “(..) los sistemas autopoiéticos son sistemas cuya

operación es cerrada y cuyos componentes son producidos al interior de
un proceso recursivo que se lleva a cabo dentro de una retícula clausura-
da. (..) Lo que está clausurado en la autopoiesis es el control mismo me-
diante el cual los elementos se organizan de manera emergente (..); (..) el
sistema sólo puede disponer de sus propias operaciones (..), dentro del
sistema no existe otra cosa que su propia operación” (pág. xv).
4) Auto construcción de estructuras: “(..) dado que la operación de la célula

está clausurada, no puede importar estructuras: ella misma debe cons-
truirla (..). Los sistemas clausurados en su operación producen sus pro-
pios elementos y, por consiguiente, sus propios cambios estructurales. No
existe una intervención causal del entorno en el sistema sin que el mismo
sistema lo provoque: todo cambio de estructuras trátese de procesos de
adaptación o de rechazo es, en última instancia, autoinducido” (pág. xv).
5) Autopoiesis: “(..) determinación del estado siguiente del sistema a partir

de la estructuración anterior a la que llegó la operación” (pág. xv).
En resumen, un sistema autopoiético es un sistema cuya característica fun-

damental y definitoria es que se produce continuamente a sí mismo, constituyéndose
por esto la teoría de los sistemas autopoiéticos como una teoría de la organización
de lo vivo por cuanto la organización de un sistema vivo es lo que le permite esta
peculiaridad que constituye la capacidad de autorreproducción. Y con ello se forman
diferentes a su medio circundante, preservando su autonomía. Maturana y Varela lo
expresan muy bien: “la característica más peculiar de un sistema autopoiético es
que se levanta por sus propio límites, constituyéndose como distinto del medio cir-
cundante por medio de su propia dinámica, de tal manera que ambas cosas son
inseparables” (1990, págs. 38-40).
3.4.4.2.- Aportaciones principales de la Teoría de los Sistema Autopoiéticos.
Como teoría biológica, la de los sistemas autopoiéticos ha tenido evidentes

implicaciones en esa disciplina que han llevado, por ejemplo, a una autora especia-
lista en el origen de la vida como Lynn Margulis a adoptar la autopoiesis como el
criterio para determinar y poner fecha al origen de los seres vivos. Igualmente, des-
de un punto de vista epistemológico la teoría de los sistemas autopoiéticos ha teni-
do claras aportaciones por cuanto propone toda una biología del conocimiento (Ma-
109
turana y Varela, 1973, 1980, 1990; Maturana, 1995, 1996) en la que se apunta la
importancia de la autorreflexividad del conocimiento, aportación que claramente se
podría conectar con las contribuciones de la Gestalt a la comprensión de los proce-
sos de percepción. Y aportación también que ha sido muy tenida en cuenta por la
psicología social crítica ya que está en el fundamento de la concepción constructivis-
ta de la realidad. Pero aquí nos interesan sobremanera otras aportaciones más re-
lacionadas con el hilo argumental sistémico que venimos desarrollando a lo largo de
todo este trabajo.
De acuerdo con Kickert (1993) son dos las ideas básicas aportadas por la
teoría de los sistemas autopoiéticos: una, ofrecer una nueva perspectiva sobre el
auto-gobierno de los sistemas autopoiéticos y, dos, ofrecer una perspectiva diferen-
te acerca de cómo entender las relaciones sistema-entorno. Comencemos, por su
interés, por desarrollar esta segunda.
Indudablemente, cuando Maturana y Varela (1973, pág. 71) caracterizan a las

máquinas autopoiéticas como que “no tienen ni entradas ni salidas” y que cualquier
cambio interno surgido para compensar posibles perturbaciones exteriores “está
siempre subordinado a la conservación de la organización de la máquina”, caracte-
rística que será definida como clausura operacional, se está entrando en un conflicto
con la idea de los sistemas vivos como sistemas abiertos.
Posteriormente, Maturana (1981, pág. 22) salvará este problema al plantear

que si bien “los sistemas autopoiéticos pueden satisfacer las imposiciones de la
termodinámica en el espacio físico e intercambiar materia y energía, son necesa-
riamente cerrados en las dinámicas de sus estados”. La aparente contradicción se-
rá recogida desde entonces en una frase muy repetida: los sistemas vivos son orga-
nizacionalmente cerrados e informacionalmente abiertos. Aunque claro está, la teo-
ría de los sistemas autopoiéticos pone el énfasis en que lo verdaderamente esencial
de lo vivo es lo primero, su carácter cerrado en tanto a la organización de sus proce-
sos, obviando la apertura hacia el exterior como rasgo definitorio de dichos siste-
mas.
Lo que parece olvidar los autores de la teoría de los sistemas autopoiéticos

es que esta clausura operacional sólo se hace posible precisamente por ser abier-
tos al entorno. En efecto, si entendemos por autopoiesis una tendencia a mantener-
se igual a sí mismo, entonces un sistema autopoiético, un sistema vivo debe mante-
ner una tensión crítica con el entorno escapando a sus caprichos y diferenciándose
de él (Wagensberg, 1998), es decir, necesariamente lo ha de tener en cuenta. Y pa-
ra ello ha de mantener unas ligaduras necesarias para el intercambio de energía,
materia e información. En palabras de Wagensberg: “la independencia no equivale
a aislamiento, sino que es una independencia activa, para cuyo mantenimiento se
requiere una gran sensibilidad al entorno y una gran capacidad de modificarlo’ (ob.
cit., pág. 57). Edgar Morin lo ha sabido expresar de manera atinada: “es su apertura
lo que permite su clausura” (1990, pág. 44).
Por ello, la inteligibilidad del sistema debe tener en cuenta al sistema y la re-
lación que mantiene con el ambiente, relación que, en esto si estarían de acuerdo
110
Maturana y Varela, no es de simple dependencia sino que es constitutiva del propio

sistema.
En fin, hemos de entender que la teoría de los sistemas autopoiéticos no con-

tradice la idea que los sistemas abiertos mantienen intercambios con su entorno,
sino que entiende esta apertura desde otra perspectiva (Luhmann. 1995). Como
argumenta Varela recientemente (1994) el principio de clausura operacional ha de
ser entendido como una operación hacia el interior y no como sinónimo de cerrazón
o ausencia de interacción, lo cual sería absurdo para el propio Varela.
Y ¿cómo entiende esta apertura hacia el entorno la teoría de los sistemas au-
topoiéticos? Pues la apertura es entendida como autorreferencia. De otro modo, un
sistema autopoiético mantiene una relación con su entorno acorde con su organiza-
ción interna dado que no puede ser de otra manera ya que el sistema autopoiético
no puede entrar en interacciones que no estén ya especificadas en su organización.
El entorno es percibido como una proyección de la propia identidad organizativa.
Luego las transacciones con el ambiente no son más que autorreferencias (Morgan,
1986; Kickert, 1993; Luhmann, 1995). El interactuar con el entorno como si éste fue-
ra un espejo al que el sistema autopoiético se asoma y sólo se ve a sí mismo sería
una buena ilustración gráfica de esta idea de autorreferencia.
La segunda aportación apuntada por Kickert (1993) hacia referencia al apun-

tar una nueva forma de entender el auto-gobierno de los sistemas autopoiéticos.
Kickert está aludiendo en concreto a los sistemas sociales, asumiendo que dichos
sistemas son sistemas autopoiéticos, y que los sistemas sociales no necesitan de
ningún control externo para su funcionamiento, aspecto que es recogido en la carac-
terística de autonomía de todo sistema autopoiético. Antes de abordar esta idea del
auto-gobierno conviene que nos detengamos en la extensión de la idea de auto-
poiesis más allá del contexto biológico del que nace.
En 1973, Maturana y Varela ya hablaban de lo que llamaron sistemas auto-

poiéticos de mayor orden, como fruto de la interacción y acoplamiento estructural de
sistemas autopoiéticos de primer orden. Un ejemplo de estos sistemas de segundo
orden lo tendríamos en un organismo, por ejemplo, un ser humano.
Inicialmente, Maturana y Varela no pensaron en la idea de que los sistemas

sociales pudiesen ser considerados como sistemas autopoiéticos. De ahí la sorpre-
sa expresada por Varela (1994) al referirse al cómo y por qué una teoría nacida en
el ámbito de la organización celular traspasa este campo para adquirir prominencia
en terrenos propios de las ciencias sociales. Varela considera que ello es debido en
gran medida a que la noción de autopoiesis participa del giro ontológico de la mo-
dernidad según el cual el hombre se concibe no como un ser que descubre el mundo
sino que lo constituye.
En general, tanto Maturana como Varela son reacios a esta extensión del
concepto original. Así por ejemplo Maturana considera que “aunque es indudable
que los sistemas sociales son sistemas autopoiéticos de tercer orden por el solo
hecho de ser sistemas compuestos por organismos, lo que los define como lo que
111
son en tanto sistemas sociales no es la autopoiesis de sus componentes, sino que

la forma de relación entre los organismos que los componen, y que connotamos en
la vida cotidiana en el preciso momento en que los distinguimos en su singularidad
como tales al usar la noción de <sistema social>” (Maturana, 1994, pág. 19). De otra
forma, y hablando estrictamente, los sistemas sociales no serían sistemas autopoié-
ticos en tanto que no es la autopoiesis lo definitorio y esencial de dichos sistemas.
Una posición muy similar es la mantenida por Varela aunque muestre algo de
mayor flexibilidad. Varela (1994) considera dos usos posibles del concepto de auto-
poiesis en contextos para los que inicialmente no fue pensado (especialmente en
ciencias sociales). El primero, dice Varela, es una utilización literal de la idea, por
ejemplo, cuando la idea de red de procesos se traduce en interacciones entre per-
sonas y la membrana celular en la frontera o borde del grupo humano. Tal utilización
es abusiva según Varela por cuanto no puede considerarse a un grupo humano co-
mo un sistema autopoiético en tanto que su singularidad como tal no se halla en
producirse continuamente a sí mismo. Es el mismo argumento anteriormente em-
pleado por Maturana. El otro posible uso del concepto es lo que Varela considera
una utilización por continuidad que pondría su centro de atención en tomar las ideas
de autonomía, de circularidad, de autorreferencia y hacerlas extensivas a otros con-
textos. En lo fundamental, Varela sí se manifiesta de acuerdo con este uso.
Entre estas extensiones destacan los trabajos del sociólogo alemán Niklas
Luhmann (e.g. 1984, 1995) en los que aplica el concepto de autopoiesis a los siste-
mas sociales y en donde la autopoiesis consistiría en la producción de las comuni-
caciones sociales. Con ello se caracterizaría la capacidad continua de autorrepro-
ducción gracias a la cual los sistemas sociales están definiéndose perpetuamente a
sí mismos. Esta aplicación de la teoría de los sistemas autopoiéticos en la genera-
ción de una teoría de los sistemas autopoiéticos sociales ha servido para superar
algunos problemas de la teoría social según Fuchs (1988) o Bailey (1997) tales co-
mo, por ejemplo, la concepción de la relación activa con el entorno. También hay que
mencionar los trabajos de Erich Jantsch (1980, 1981) en los que extiende la idea de
autorreproducción también fuera del campo de lo vivo formulando una teoría general
de los sistemas dinámicos con la ‘autoorganización disipativa’ como perspectiva
integradora. Jantsch considera que los conceptos de autopoiesis, de estructuras
disipativas (ya vistas en este mismo capítulo) y otros como los hiperciclos y ultraci-
clos de Eigen, son aspectos del mismo fenómeno, fenómeno que denomina de au-
toorganización disipativa y que se constituye en una integración de todas estas
ideas de una manera jerarquizada. Jantsch articula la doble perspectiva del fenóme-
no autoorganizativo alejado del equilibrio (tal y como propone Prigogine) y la del
continuo mantenimiento de la autonomía del sistema con respecto al medio (idea de
autopoiesis), considerando que con ello se escapa a los aspectos a menudo tauto-
lógicos a los que conduce la autopoiesis considerada en solitario como caracteriza-
ción de la organización de lo vivo.
Hay que decir que Maturana ha manifestado su desacuerdo expreso con ca-
da una de estas dos extensiones (ver Maturana, 1994; y Jantsch, 1981).
También, y para finalizar, hay que mencionar las extensiones realizadas al

contexto organizativo por Gareth Morgan en sus ‘Imágenes de la Organización’ o por
112
Kickert (1993), trabajos cuyas ideas principales rescataremos en el próximo capítu-

lo. En ambos casos, las aportaciones de la consideración de las organizaciones
como sistemas autopoiéticos van en la línea de la importancia de la nueva conside-
ración de las relaciones organización-ambiente de cara a la evolución de las organi-
zaciones y con vistas a la gestión de las mismas.
En este sentido, y retomando la segunda aportación apuntada por Kickert

referida a la nueva forma de entender el auto-gobierno en los sistemas autopoiéti-
cos, la propuesta es que un sistema organizacionalmente abierto es posible de ser
gestionado, y, por consiguiente, gobernado, desde fuera. Por el contrario, un siste-
ma que sea organizacionalmente cerrado solo es posible de ser gobernado desde
su interior. Al estar caracterizados por su autonomía, circularidad y autorreferencia,
los sistemas autopoiéticos solo pueden ser gobernados desde sí mismos.
Como puede verse, el concepto de autopoiesis, con los matices introducidos,

es perfectamente compatible con la idea de autoorganización que nos han apuntado
otras teorías de la complejidad. La autoorganización es un resultado de la emergen-
cia de un orden constitutivo del sistema y como tal participa de las propiedades au-
topoiéticas de autonomía y clausura operacional. El propio Prigogine llega a afirmar
que en el desarrollo del orden por fluctuaciones que conducen a las estructuras disi-
pativas “es sorprendente que, independientemente del sistema, el medio externo
siempre desempeña igual papel y trata de eliminar la novedad que lo perturba. Esta
novedad sólo puede desarrollarse en la medida en que el mundo externo pierda im-
portancia” (Prigogine, 1993, pág. 94). Por ello, los sistemas alejados del equilibrio,
en el borde del caos, maximizadores de la capacidad de procesar información, son
capaces de generar estructuras y rebelarse contra las condiciones que les pueda
imponer su entorno. Esta es la idea clave de la autoorganización como proceso dis-
tinto al de la adaptación en el que la teoría general de sistemas más clásica había
puesto un mayor énfasis.
113
La Organización como
Sistema Complejo
4.- Complejidad, Equilibrio y Organizaciones.
A
unque más tarde que temprano, las ciencias de la complejidad están comen-
zando a ser tenidas en cuenta seriamente dentro de campos científicos que
no fueron los originarios de las mismas. En este sentido, es quizás dentro de
la ciencia económica, especialmente dentro del mundo financiero, donde las teorías
de la complejidad y teorías del caos han supuesto una pequeña gran revolución
acerca del cómo entender diversos fenómenos económicos y los vaivenes de los
mercados financieros.
Es ya larga y extensa la literatura en economía en la que se tratan diversos

fenómenos económicos desde el prisma que nos ofrecen dichas teorías. Podríamos
agruparla en aportaciones referidas a la teoría económica en general que han con-
ducido a una ruptura con los supuestos de equilibrio y estabilidad en los que se fun-
damenta gran parte de la teoría económica más clásica (e. g. Barnett, Geweke y
Shell, 1989; Arthur 1990; Goodwin, 1990; Rosser, 1991; Galera Peral, 1992; Fer-
nández, 1994; Dechert, 1996; Nieto de Alba, 1998), aportaciones referidas a la
comprensión de las dinámicas económicas desde una visión no lineal (e. g. Barnett,
Geweke y Shell, 1989; Goodwin, 1990; Rosser, 1991; Medio, 1992; Galera Peral,
1992; Peters, 1994; Dechert, 1996; Louça, 1997; Nieto de Alba, 1998), o más espe-
cíficamente de las dinámicas de capital (e. g. Ahmad, 1991; Creedy y Martin, 1994;
Fernández, 1994; Trippi, 1995), burbujas especulativas (e.g. Barnett, Geweke y
Shell, 1989; Rosser, 1991), o la volatilidad de los mercados económicos y financie-
ros (e.g. Rosser, 1991; Peters, 1994; Trippi, 1995), aportaciones en la creación de
modelos econométricos caóticos y no lineales (e. g. Barnett, Geweke y Shell, 1989;
Goodwin, 1990; Galera Peral, 1992; Creedy y Martin, 1994; Dechert, 1996), o inclu-
so en la propuesta de metodologías específicas y propias, como el estadístico BDS
o modelos estocásticos no lineales como el ARCH, GARCH, EGARCH o TAR, para
determinar si una serie económica está regida por ecuaciones no lineales o caóti-
cas (e.g. Brock, Dechert y Scheinkman, 1987; Brock, Hsieh y LeBaron, 1991; De-
chert, 1996; Nieto de Alba, 1998) por citar algunas de las aportaciones más desta-
cadas.
Este amplio desarrollo en economía ha venido favorecido, a mi juicio, por dos

condiciones. Primera, el que los equilibrios estables económicos propuestos por
115
múltiples modelos clásicos no se han conseguido alcanzar. En los mercados eco-

nómicos, tanto a niveles de macroeconomía como de microeconomía, es frecuente
hablar de inestabilidad, de volatilidad, de fragilidad. Es más, existe incluso una co-
nocida ley, la ley de Minsky, que postula que la inestabilidad financiera es endémica
y que puede asemejarse a un proceso entrópico (cfr. Lavoie, 1983). Y la segunda
razón favorecedora de este desarrollo ha sido la disponibilidad de largas series
temporales a las que poder someter a los análisis apuntados por las teorías de la
complejidad. En este sentido, se han hallado evidencias empíricas de caos en algu-
nos índices bursátiles americanos (Blanck, 1991; Willey, 1992), en las variaciones
de los precios de la venta del cerdo en Estados Unidos (Chavas y Holt, 1991) y evi-
dencias de no-linealidad en series de inversiones y desempleo en Estados Unidos
(Brock y Sayers, 1988; Nefti, 1984), en la evolución de precios en Estados Unidos
(Mayfield y Mizrach, 1992), en datos macroeconómicos de Japón (Frank, Gencay y
Stengos, 1988) por citar algunos de los trabajos recogidos en la obra editada por
Dechert (1996). También Serletis (1996) y Serletis y Dormaar, (1994) han hallado
exponentes de Lyapunov positivos en series temporales de las siguientes monedas:
dólar australiano, yen japonés, corona checa y rublo ruso.
En nuestro país igualmente podemos mencionar algún trabajo en el que se ha

puesto de relieve la no-linealidad de alguna serie económica, como el caso del tra-
bajo de Borrego, Queralt y Vázquez (1998) que encuentran que el IBEX-35 muestra
una dinámica no lineal quedando por estudiar si ésta puede obedecer a caos de-
terminista.
Como conclusión de las aplicaciones de las ciencias de la complejidad a la

economía podemos extraer la siguiente: aunque siguen siendo necesarios estudios
que confirmen algunos de los hallazgos encontrados por cuanto continúan existiendo
problemas metodológicos de consideración, por ejemplo, determinar cuál es el re-
tardo adecuado para trabajar con los espacios de fases con los que poder explorar
los atractores del sistema, la principal aportación realizada es de carácter teórico y
epistemológico y tiene que ver con la visión de la economía como un sistema com-
plejo adaptativo (Holland, 1987; recogido por Waldrop, 1992). Cuatro serían las pro-
piedades básicas de la economía, o de los sistemas económicos, como sistemas
complejos adaptativos apuntadas por Holland: a) están compuestos por una red de
agentes altamente interconectados y que actúan en paralelo, emergiendo la conduc-
ta global coherente del sistema de las conductas cooperativas y competitivas de los
agentes que lo componen; b) tienen muchos niveles de organización, en donde los
agentes de un nivel son los bloques con los que se construye el nivel inmediatamente
superior; c) constantemente realizan predicciones basadas en sus modelos internos
acerca del mundo; y d) tienen múltiples nichos en los que operar, en los que poder
adaptarse, pudiendo con ello cambiar de entornos, a fin de optimizar su ajuste con el
mismo.
Pero no sólo ha sido la economía dónde las ciencias de la complejidad se

han mostrado como relevantes. Khalil y Boulding (1996) han editado un texto en el
que recogen aplicaciones, de carácter teórico, epistemológico y metodológico, refe-
ridas al entendimiento y estudio de los sistemas sociales como sistemas complejos.
De manera similar, éste ha sido el tema de los textos de Mainzer (1996) o de los
116
Complejidad, Equilibrio y Organizaciones
editados por Kiel y Elliott (1997) y Eve, Horsfall y Lee (1997) en los que se recogen
diversos trabajos de diferentes autores con aplicaciones concretas al tratamiento de
datos sociales, a la ciencia política y la planificación social, a la propia economía y
al management. Artículos como los de Bailey (1984), Loye y Eisler (1987), Greger-
sen y Sailer (1993), Levy (1994), Smith (1995), Hallinan (1997) o Mathews, White y
Long (1999) abundan en el mismo interés.
De igual forma hay autores que han alertado de las dificultades y peligros de
dicho enfoque, en tanto que, en el desarrollo actual de las ciencias de la complejidad
es prematuro aplicarlo al estudio del comportamiento de organizaciones sociales
(Begun, 1994) o de los procesos sociales en general (Puddifoot, 2000). También se
han señalado las dificultades que entrañan las nuevas metodologías propuestas que
aún no están del todo desarrolladas y que son poco familiares a muchos investiga-
dores sociales (Mathews, White y Long, 1999; Puddifoot, 2000) o incluso que las
ciencias de la complejidad no pueden aplicarse de una manera rigurosa al estudio
de los sistemas sociales (Johnson y Burton, 1994).
Algunas de las ideas de todos estos trabajos serán expuestas más adelante
ya que pueden relacionarse con la teoría y comportamiento organizativos, objetos de
este capítulo.
Igualmente la psicología ha producido su propia literatura, destacando una

serie de textos genéricos que compilan una importante cantidad y variedad de traba-
jos (Vallacher y Nowack, 1994; Abraham y Gilgen, 1995; Robertson y Combs, 1995;
o el de Masterpasqua y Perna, 1997, publicado por la APA), junto a otros textos que
parecen comenzar a denotar la aparición de ciertas tendencias o colegios invisibles
(Guastello, 1995; Butz, Chamberlain y McCown, 1986; Butz, 1997; Chamberlain y
Butz, 1997). También hay que mencionar el comienzo en enero de 1997 de una pu-
blicación cuatrimestral que bajo el nombre de Nonlinear Dynamics, Psychology and
Life Sciences es la revista oficial de la Society for Chaos Theory in Psychology and
the Life Sicences, con sede en la Vanderbilt University y publicación que tiene como
editor jefe a Stephen Guastello.
Característica de esta literatura, amén de su reciente cronología, es su

naturaleza epistemológica. En efecto, en un estudio bibliográfico trabajando con las
bases de datos del PsycLit y el Sociofile (versión electrónica del Sociological
Abstract) desde 1974 hasta diciembre de 1999 se ha encontrado que los descrip-
tores que con mayor frecuencia acompañaban a las referencias que también con-
taban entre sus descriptores el término chaos theory eran los siguientes: theories,
methodology, systems-theory y mathematical-modeling (Navarro y Munné, 2000).
Aunque en la búsqueda sólo se trabajase con el descriptor propio de las teorías del
caos, obviando otros de sumo interés como complexity o nonlinear, los resultados
pueden considerarse relevantes por cuanto el caos es el aspecto de la complejidad
que ha tenido una mayor presencia en la literatura psicosocial. De este modo, el
resultado anterior nos muestra que las teorías del caos están siendo consideradas
como una continuación natural de la teoría general de sistemas y que están
proponiendo metodologías para la modelización de sistemas, en nuestro caso,
sistemas psicosociales. Y ello en una amplia diversidad de campos psicosociales
concretos (e. g. procesos cognitivos, comportamiento organizativo, planificación y
117
cognitivos, comportamiento organizativo, planificación y predicción social, psicote-

rapia o terapia familiar, dinámicas de grupos, etcétera). Esta diversidad de conteni-
dos constituye un excelente indicador del valor epistemológico de la teoría.
Pero si ha habido alguna área de la ciencia social que ha producido casi tan-
ta literatura como la economía es, sin duda, el área del management. Basta con visi-
tar librerías internacionales en sus secciones dedicadas a la gestión empresarial,
por ejemplo en Amazon, para darse cuenta de que el caos y la complejidad parecen
ser la última moda en gestión (al menos en el momento en que escribo estas líneas).
Igualmente han proliferado el material electrónico y podemos mencionar, junto a nu-
merosas webs dedicadas al management y la complejidad, al menos una publica-
ción periódica que puede conseguirse por esta vía como es Emergence: A Journal
of Complexity Issues in Organizations and Management. Ni que decir tiene que los
numerosos trabajos, libros, artículos, revistas, etcétera, que están configurando este
‘último grito’ en gestión son muy desiguales. Junto a trabajos muy serios y rigurosos
en el trato de los conceptos de la complejidad podemos hallar trabajos que sólo utili-
zan estos términos a modo de reclamo.
A lo largo de este capítulo daremos cuenta de algunas de las aportaciones, a

mi juicio, de mayor relevancia y seriedad, que la ciencia de la complejidad está rea-
lizando a la teoría de la organización, por una parte, y al comportamiento organizati-
vo, por otra. Dividiremos en tres apartados dichas aportaciones: el primero recogerá
las aportaciones relacionadas con la teoría organizativa y la comprensión del fenó-
meno organizativo. En este punto se desarrollará la principal tesis que pretende de-
fender este trabajo: que las organizaciones son sistemas complejos y que una de
las principales fuentes originadoras de esa complejidad es el caos. De otro modo,
defenderemos que las organizaciones son sistemas caóticos. El segundo apartado
atenderá a algunos de los tópicos clásicos dentro del comportamiento organizativo
en los que se han realizado aportaciones de interés, por ejemplo y, de manera es-
pecial, nos detendremos ampliamente en la comprensión del cambio y desarrollo de
las organizaciones. Veremos aquí como la organización, en cuanto a sistema caóti-
co, posee una capacidad de renovación continua, capacidad que representa una
clara ventaja adaptativa. En este sentido, en la última parte de este apartado se
desarrollará la segunda tesis que defenderemos: que el caos supone el funciona-
miento más económico y natural para toda aquella organización que persiga la
supervivencia entre sus fines. Finalmente, el tercer apartado indagará algunas de
las propuestas realizadas en torno a cómo se han de gestionar las organizaciones
de una manera acorde con el nuevo concepto de organización.
Hay dos grandes temas subyacentes a todo esta nueva concepción de las
organizaciones y que van a ser recurrentes a lo largo del capítulo. El primero, de ca-
rácter más teórico si se quiere, y que podríamos expresar con la siguiente pregunta:
¿cómo caracterizar a la organización en cuanto a sistema complejo? El segundo
muestra una vertiente más aplicada, aunque está claramente ligado al anterior: una
vez reconocidas las organizaciones como sistemas que se auto-organizan y que
dicha propiedad es natural y ventajosa con vistas a una mejor evolución con respec-
118
to al medio, ¿c ómo se han de gestionar las mismas a fin de facilitar esta capacidad
auto-organizativa? A ambas cuestiones pretendemos dar respuesta.
4.2.- Nuevas Ideas para el entendimiento de las Organizaciones.
Las teorías del caos y de la complejidad están suponiendo la aparición de

nuevas perspectivas en el entendimiento del fenómeno organizativo. En este senti-
do, y al igual que en la década de los 60 el concepto de sistema abierto supusiese
un cambio de paradigma en la teoría organizativa, en este traspaso de siglo también
hay una serie de conceptos vinculados a las teorías del caos y de la complejidad
que están llamando a un nuevo cambio de paradigma o, en el peor de los casos, a la
inclusión de una forma más de concebir las organizaciones, de una nueva metáfora
(Morgan, 1986). El nuevo cambio pivota en torno al cuestionamiento de conceptos
sutilmente asumidos en la teoría organizativa como son los conceptos de equilibrio y
estabilidad (cfr. Nonaka, 1998a; Zimmerman, 1991 y 1993; Zimmerman y Hurst,
1992; Stacey, 1991 y 1992; Levy, 1994; Parker y Stacey, 1995; Thietart y Forgues,
1995).
En efecto, podríamos afirmar que de manera tradicional en la literatura orga-

nizativa los conceptos de equilibrio y estabilidad han sido recurrentes, llegando a
aparecer ambos como una meta que ha de perseguir el buen gestor. Así desde la
organización científica del trabajo hasta los más modernos enfoques contingentes
podemos encontrarnos de manera repetida con propuestas que sostienen, más de
forma implícita que explícita, que las organizaciones han de ser gestionadas hacia
estados de equilibrio, de estabilidad.
Haciendo un breve recorrido por la teoría organizativa más clásica, podría-

mos apuntar, por ejemplo, que en la organización científica del trabajo de Frederik
Taylor se buscó obsesivamente la mejor forma de realización de las tareas con la
aplicación de métodos procedentes de la ingeniería, como los estudios de tiempos
y movimientos, a fin de proporcionar al trabajo y a los procesos productivos una or-
denación máxima con tal de encajar cada tarea, cada puesto en la gran máquina
organizacional (Taylor, 1911). Dicho mecanismo, en última instancia de control, tenía
por objetivo el mantenimiento férreo de un equilibrio organizativo, de un orden, nece-
sario para que la organización fuese lo más productiva y eficiente posible. Tras los
experimentos de Hawthorne y una vez que se reconocía la importancia de los grupos
informales y las necesidades de autonomía y afiliación de las personas en sus traba-
jos como factores que afectaban a la producción, Elton Mayo y colaboradores se
preguntaron por cómo mantener un equilibrio entre la organización informal y la or-
ganización formal (Mayo, 1933; Roethlisberger y Dickson, 1939). Y ello con el su-
puesto implícito de que el no-alineamiento de los grupos formales e informales era
un freno para la eficacia organizativa. Herbert Simon (1945), en su conocida teoría
sobre la racionalidad limitada, puso su énfasis en la limitación humana del procesa-
miento de información, por lo que argumentaba a favor de la necesidad de crear
estabilidad antes de que los límites cognitivos del individuo generen conflicto y caos.
También la teoría del equilibrio en la organización (Barnard, 1968; Simon, Smithburg
y Thompson, 1950; March y Simon, 1977) postula que la supervivencia de una orga-
119
nización depende del mantenimiento de un equilibrio entre las contribuciones de ca-

da trabajador a la consecución de las metas organizativas y las contraprestaciones
que recibe a cambio por parte de la organización. Por último, con las propuestas
contingentes esa gestión hacia el equilibrio se traslada, de manera especial aunque
no única, al ámbito de la relación organización – entorno.
En efecto, podríamos caracterizar a la teoría contingente en dos aspectos

fundamentales: uno, no hay un modo único y mejor de organización que sea válido
para todos los casos y en cualquier tipo de circunstancias en oposición de las pro-
puestas del one best way defendida por la organización científica del trabajo (cfr.
Quijano, 1993). Y dos, las organizaciones tienen la tarea fundamental de adaptarse
a sus entornos, es decir, la relación entre organización y entorno puede concebirse
como múltiples ajustes o adaptaciones en los que estrategia, estructuras, sistemas
de gestión, procesos y recursos sean coherentes con los entornos en los que se
operen, y sean coherentes, de manera especial, con los grados de incertidumbre
ambiental de ese entorno (cfr. Hodge, Anthony y Gales, 1998). Representantes clá-
sicos de este pensamiento son, por ejemplo, Burns y Stalker (1961) al estudiar có-
mo las organizaciones de carácter más mecanicista se adaptan mejor a ambientes
muy estables frente a las organizaciones de corte más orgánico que consiguen sus
éxitos en entornos más inestables o caracterizados por una alta incertidumbre. Law-
rence y Lorsch (1967, 1969) proponían que a mayor grado de incertidumbre ambien-
tal mayor complejidad organizativa será necesaria para que la organización se
adapte con éxito a su entorno. Thompson (1967) considera que gran parte de la
conducta organizativa puede entenderse como los intentos de resolver la tensión
entre la incertidumbre ambiental y la racionalidad organizativa. De este modo, para
conseguir esta racionalidad y un auto-control necesario, la organización debe obtu-
rar, cerrar el paso, a la incertidumbre ambiental. Para ello, para controlar la incerti-
dumbre, la organización debe adaptarse, ajustarse a sus exigencias con un diseño
organizativo que lo permita, y buscar otros modos de interactuar con el ambiente.
También Perrow (1967, 1970) argumenta que los gestores tienen la tarea de absor-
ber incertidumbre y aumentar la predecibilidad de las tareas a realizar. De otra for-
ma, Perrow considera que desde la gestión se ha de intentar que la tecnología sea
cada vez más rutinaria y con un menor número de excepciones dado que es ésta la
evolución natural y lógica de un sistema como la organización. O, de manera más
reciente Mintzberg (1979) cuando estudia la correspondencia entre tipo de entorno y
diseños organizativos, argumentando que en ambientes simples y estables serán
adecuadas organizaciones con estructuras burocráticas y centralizadas; en ambien-
tes complejos y estables serán adecuadas organizaciones con estructuras burocrá-
ticas y descentralizadas; en ambientes simples y dinámicos las organizaciones más
adaptativas serán las de estructura flexible y orgánica, pero con centralización en el
poder y, finalmente, en ambientes complejos y dinámicos se precisarán de estructu-
ras flexibles, orgánicas y descentralizadas.
En definitiva, desde la teoría contingente las organizaciones han de ser ges-

tionadas con el objetivo de conseguir una adaptación al entorno. Y la adaptación al
entorno requiere absorber la incertidumbre ambiental a fin de mantener una esta-
120
bilidad organizativa que se muestra como necesaria. Se ha de conseguir un siste-

ma equilibrado en su relación con el entorno.
Pues bien, dejando ahora de lado los aspectos relacionados con la gestión
que serán considerados más abajo (ver punto 4.4.- Complejidad y Management) y
centrándonos en la concepción implícita de organización, si el gestor ha de tener
como meta conducir a la organización hacia estados de equilibrio más estables es
debido a, al menos, una de las dos presunciones posibles siguientes: una, que las
organizaciones son sistemas en equilibrio en las que hay que controlar posibles in-
estabilidades que, dicho sea de paso, son perjudiciales para alcanzar la excelencia;
y dos, que las organizaciones tienden a desestabilizarse por lo que la tarea del ges-
tor será reconducirlas a sus estados de equilibrio, estados más apropiados con vis-
tas al éxito adaptativo. En la primera presunción se considera a la organización co-
mo un sistema en equilibrio. En la segunda, se reconoce su carácter de sistema que
se aleja del equilibrio, aunque la tarea del gestor será controlar las inestabilidades
inevitables de tal situación. Contra ambos supuestos recaen las aportaciones de las
teorías del caos y de la complejidad a la teoría organizativa.
El concepto de equilibrio tal cual es entendido por la ciencia social en general

(por ejemplo Parsons lo utilizaba para enfatizar el auto-mantenimiento y regreso a un
estado particular; cfr. Bailey, 1984) es poco apropiado para el análisis de cualquier
sistema social dado su indefinición y ambigüedad, siendo relevante en los sistemas
cerrados en los que sí se alcanza dicho estado. Pero en los sistemas abiertos, está
concepción clásica de equilibrio no es demasiado útil. Comentario similar merece el
concepto de estabilidad. Podríamos acordar que un sistema es estable cuando la
diferencia entre el estado inicial y el actual es cero con el paso del tiempo (Kickert,
1993). Con relación al concepto de equilibrio, éste presupone una distinción entre
estabilidad y perturbación, de tal manera que con el término equilibrio se enfatiza el
aspecto de estabilidad (Luhmann, 1995). Equilibrio y estabilidad, o equilibrio estable
si se quiere, es un estado que aplicado a los sistemas que tienen intercambios con
el entorno supondría que dicho sistema alcanza un estado tal en el que mantiene
constantes dichos intercambios, y tal estado no es otro que cuando un sistema ya no
intercambia nada con su entorno, es decir, cuando el sistema es un sistema muerto
(cfr. capítulo 3 y teoría de los sistemas alejados del equilibrio).
Además, dichos conceptos se tornan inconvenientes para el análisis del

cambio en los sistemas sociales (Sorokin, 1941; Bailey, 1984): ¿cómo explicar el
cambio o la evolución y desarrollo en un sistema que siempre tiende a una posición
particular?
Desde las teorías del caos y de la complejidad comienzan a emerger mode-

los más antirracionalistas de la comprensión del fenómeno organizativo que dejan
de lado los conceptos anteriores de equilibrio y estabilidad proponiendo otros nue-
vos. Frente al pensar prototipo del modelo racional de organización (cfr. Peiró, 1990;
Munduate, 1997) según el cuál debemos analizar el entorno, diseñar nuestras orga-
nizaciones en referencia a sus objetivos racionales y conscientes y también de
acuerdo con dicho entorno y, finalmente, buscar un ajuste organización – entorno, las
teorías del caos y de la complejidad proponen la emergencia de un orden, de una
121
organización, que acontece de manera espontánea una vez que se dan unas condi-
ciones determinadas (condiciones de alejamiento del equilibrio, condiciones que
sitúan al sistema en el borde del caos, etcétera). Numerosos son los autores que
han realizado propuestas sobre este punto (e.g. Stacey, Zimmerman, Goldstein, en-
tre otros). Veamos detalladamente algunas de las más relevantes.
4.2.1.- La Organización como Sistema en Inestabilidad Limitada.
Ralph Stacey, profesor de la Hertfordshire University Business School, en

Herts, Reino Unido, es un autor prolífico que ha expuesto en numerosas publicacio-
nes (1991; 1992; 1993; 1995; 1996a; 1996b; Parker y Stacey, 1995) una visión bas-
tante integrada de la nueva forma de entender las organizaciones según las teorías
del caos y de la complejidad.
Antes de proponer la nueva visión de la organización, Stacey analiza los pos-

tulados fundamentales y creencias sobre el fenómeno organizativo en los que se
asientan los modelos de gestión actuales. Tras pasar revista a los modelos racional
(e.g. Druker, Ansoff, Porter), empresarial (e.g. Peters, Waterman, Kanter) y político
(e.g. Pettigrew, Srivasta, Pfeffer) sobre el management y la organización, Stacey
(1991) considera que todos ellos tienen en común su visión de la relación entre la
organización y el entorno. Estos modelos de organización consideran que las orga-
nizaciones deben adaptarse de manera continua a sus entornos, manteniendo un
equilibrio dinámico que será la garantía de un éxito a largo plazo. Además, también
coinciden en concebir unas claras conexiones entre causas concretas y efectos con-
cretos debido a su visión de la dinámica organizativa como una dinámica regular y
estable: determinadas causas darán lugar a determinados efectos.
Los modelos difieren en el cómo conseguir la adaptación al entorno. Así el

modelo racional propondrá que el entorno es posible de ser analizado y anticipado
incluso a medio y largo plazo. Analizado el entorno y predichas sus direcciones po-
sibles, sólo basta con plantear estrategias que se anticipen al mismo y ajustar las
organizaciones, en cuanto a su diseño y estructura, para que sean acordes con la
estrategia y con el entorno futuros. Por otra parte, el necesario equilibrio interno se
consigue gracias al uso de estructuras jerarquizadas. Por su lado, el modelo empre-
sarial, huyendo de la rigidez de las jerarquías del modelo racional, propone que es
más operativo el construir organizaciones más planas conformadas con grupos con
propósitos comunes. Nuevamente se trata de ajustarse al entorno, y en este caso
concreto, a las necesidades y deseos de los clientes. Ahora se trata de conseguir un
equilibrio entre dichos deseos y las capacidades de la organización. El equilibrio
interno, y una vez que se parte de que todos los trabajadores son responsables y
creativos, se consigue gracias a la asunción de unos valores nucleares que un líder,
con ciertas connotaciones de héroe, consigue inspirar y establecer en la organiza-
ción. Por fin, para el modelo político basado en la importancia del poder en la diná-
mica organizativa, el éxito adaptativo se consigue tras la negociación continua en el
seno de la organización, la búsqueda de un consenso interno y el alcance de un
compromiso de todos para con la organización. En este consenso y compromiso,
122
léase equilibrio interno, pueden incluirse ya a constituyentes del propio entorno de la

organización, tales como los accionistas o los clientes.
En todos los casos, el desorden, la desorganización, son contemplados como

situaciones a evitar por cuanto hacen peligrar la necesaria armonía interna, paso
esencial para conseguir el equilibrado con respecto al entorno. Las inestabilidades
son percibidas como fruto de la incompetencia de la dirección o de su desconoci-
miento. Además, la organización en equilibrio estable produce otro efecto que no
conviene olvidar: con su armonía, su disciplina, su regularidad, su predecibilidad,
es una organización reconfortante por cuanto en ella se mantiene el control, se
sabe hacia dónde se va, se evitan las sorpresas y se eluden riesgos, reduciendo
con ello la ansiedad de todos los afectados.
En definitiva, todos estos modelos parten ‘de la creencia de que el éxito a

largo plazo procede de la estabilidad, la armonía, la regularidad, la disciplina y el
consenso’ (Stacey, 1992, pág. xi), cuando en realidad, la Naturaleza nos enseña
que el éxito no procede de optar entre estabilidad e inestabilidad, sino que surge
tanto de situaciones de estabilidad como de inestabilidad. Es más, la Naturaleza
utiliza de manera positiva las inestabilidades para generar variedad, por ejemplo, en
el proceso de mutaciones genéticas en las que la siguiente generación de indivi-
duos es algo diferente a su predecesora. Por ello, Stacey plantea ‘que estamos
muy necesitados de un nuevo marco de referencia: el paradigma de la organiza-
ción alejada del equilibrio’ (ob. cit., pág. xii). Ese necesario nuevo marco de refe-
rencia nos lo está proporcionando las ciencias de la complejidad según Stacey.
Para Stacey (1995) la ciencia de la complejidad tiene que ver con las propie-
dades fundamentales de la conducta de no-linealidad y sistemas de feed-back en
red (network feed-back systems). Según este autor, las organizaciones cumplen
ambas propiedades: las organizaciones son no lineales y son sistemas de feed-
back. De hecho podríamos definir a la organización como a una red de personas en
donde los agentes individuales interactúan con otros agentes y también con agentes
pertenecientes a otras organizaciones que constituyen el entorno (Stacey, 1996a).
Las organizaciones son no lineales debido a la combinación de feed-backs negati-
vos y positivos que en ella tienen lugar así como las demoras que se producen en
los mismos. Ello conlleva la consecuencia de no-proporcionalidad entre una acción y
el efecto correspondiente, es decir, de no-linealidad. La segunda de las propieda-
des apenas merece explicación, baste con decir que en las organizaciones el com-
portamiento de las personas suele tener consecuencias para el comportamiento de
otras, es decir, cada conducta funciona como información, o retro información en su
caso, para otra conducta. Como consecuencia de todo ello se desprenden dos pro-
piedades más, y fundamentales, que podemos aplicar a las organizaciones: una,
que son sistemas en inestabilidad limitada (bounded instability), y dos, que son sis-
temas en los que emerge un orden fruto de la auto organización espontánea (cfr.
Lissack, 1999).
123
Con respecto al primero, aspecto ampliamente desarrollado por el autor,

Stacey (1992) considera que los sistemas no lineales y de feed-back en red son sis-
temas caracterizados por una inestabilidad limitada. Y ello frente a otro tipo de sis-
temas como puedan ser los sistemas en equilibrio estable y los sistemas en inesta-
bilidad explosiva. Los sistemas en equilibrio estable son sistemas de control que
amortiguan posibles fluctuaciones gracias a la predominancia de mecanismos de
feed-backs negativos. Frente a éstos, los sistemas en los que predominan los me-
canismos de feed-backs positivos que amplifican más y más cada fluctuación del
sistema conduciéndolo a una situación de inestabilidad permanente y explosiva. Pa-
ra Stacey, los sistemas en inestabilidad limitada son una tercera opción, a medio
camino entre las dos anteriores, en el que el sistema sigue un modelo, pero éste es
irregular. Se trata de ‘una combinación de orden y desorden en la que se desplie-
gan modelos de comportamientos impredecibles pero similares, familiares pero
irregulares’ (1992, pág. 53). En él operan mecanismos de feed-back tanto negativos
como positivos, no lineales en definitiva, y la conducta del sistema es paradójica-
mente estable e inestable a un mismo tiempo: es inestable a largo plazo y no prede-
cible en este sentido -debido a la influencia de los feed-backs positivos-, y es esta-
ble a corto plazo en dónde sí pueden realizarse predicciones –dado el efecto de los
feed-backs negativos y de la escasa importancia de los feed-backs positivos- y
también en el comportamiento global del sistema dado que sigue un modelo (Sta-
cey, 1992, 1995, 1996a).
Stacey considera que la clave en que las organizaciones sean sistemas en

inestabilidad limitada se halla en el juego continuo entre sistema formal y sistema
informal. Mientras el primero, compuesto por mecanismos de integración y de con-
trol, funciona como un mecanismo de amortiguación, de feed-back negativo, el se-
gundo tiende a desestabilizar el sistema mediante mecanismos de feed-back positi-
vos, como las fuerzas tendentes a la descentralización. De otra forma, el sistema
formal hace operar a la organización por caminos estables, operaciones del día a
día, mientras que el sistema informal desestabiliza la organización al promover
cambios.
Combinando esta relación entre sistemas formal e informal, con los tres tipos
de sistemas de los que nos habla Stacey, obtenemos tres posibles atractores o con-
figuraciones en las que se pueden hallar las organizaciones (tabla 6). La primera
configuración corresponde a la organización en equilibrio estable. Es un atractor
idealista: en él hay una clara concordancia entre sistema formal e informal, un claro
equilibrio. El sueño dorado de la organización científica del trabajo. La segunda con-
figuración corresponde a la organización en inestabilidad explosiva. El atractor es
‘imposible’. No hay organización que soporte tal estado a largo plazo, y sólo en los
comienzos emprendedores de algunas empresas, por ejemplo en Apple, parece
detectarse dicho atractor. También aquí hay un equilibrio entre sistemas formal e
informal. La tercera corresponde a la organización en inestabilidad limitada. Aquí no
hay equilibrio entre sistemas y se reconoce la importancia del juego dialéctico entre
ambos. La organización está en constante cambio. El comportamiento de la
organización es complejo e inestable, pero no de forma explosiva ya que el sistema
formal impone límites. El atractor resultante es realista.
124
Tabla 6: Tres atractores posibles para la organización. Adaptado de Stacey, 1995, pág. 486.
Sistema formal Sistema informal
Equilibrio estable Integración mediante Conformismo, aversión al
jerarquía y burocracia riesgo, cultura dependiente.
Feed-back negativos, Cultura y visión comparti-
de control das.
Inestabilidad explosiva: Inestabi- Sistemas de control des- Alta diversidad cultural.

lidad / Aleatoriedad / Fragmen- centralizados e Conflicto.
inefectivos. Actividad política extendi-
tación da.
Inestabilidad limitada Integración mediante Alta diversidad cultural.

jerarquía y burocracia Conflicto.
Feed-back negativos, Actividad política extendi-
de control da.
Visión débilmente compar-
tida y ambigua.
Aprendizaje.
Si consideramos con Stacey (1992, 1996a) que un criterio de éxito muy im-
portante en nuestro entorno empresarial actual es la capacidad de innovar de mane-
ra continua, las organizaciones que pretendan ser eficaces no pueden plantearse la
elección entre sistemas y estructuras estrictas de control formal, de un lado, y los
imprecisos comportamientos informales que provoca el aprendizaje, del otro. Las
organizaciones de éxito ‘deben contar con ambos, porque todas tienen que enfren-
tarse al mismo tiempo tanto a lo conocido como a lo desconocido. El resultado de
ello es (..) la tensión organizativa y la contradicción interminable, pero esto provo-
ca el conflicto y el aprendizaje y es, por tanto, fuente de creatividad’ (1992, pág.
18). Por esto, es significativo como numerosas empresas que han conseguido sono-
ros éxitos empresariales (cfr. Peters y Waterman, 1982; Miller, 1990; Pascale, 1990)
poco tiempo después han fracasado por excederse en aquello que originalmente les
condujo al éxito. El principio ampliamente defendido por Peters y Waterman de ‘za-
patero a tus zapatos’ no siempre resultó válido. De ahí que para Stacey ‘el éxito
continuado (surja) del no equilibrio, de la interacción creativa con el entorno, y no
del equilibrio adaptativo que simplemente se deriva de la insistencia en nuestros
puntos fuertes actuales’ (ob. cit., pág. 15). Dice Stacey (1992, pág. 68):
‘(..) un poderoso conjunto de fuerzas impulsa a los sistemas de control de todas las empre-
sas hacia un equilibrio estable de osificación, y otro poderoso conjunto de fuerzas la impulsa
hacia un equilibrio explosivo de desintegración. El éxito está entre esos estados, en el punto
en que la organización altera continuamente aspectos de su sistema de control para evitar la
atracción tanto hacia la desintegración como hacia la osificación. Por esta razón vemos a
todas las organizaciones empresariales en lo que parece un tiovivo permanente entre centra-
lización y descentralización.’
En resumen, para conseguir innovar, para que la organización sea creativa se

precisa de la irregularidad y de la inestabilidad. No se tratará, por tanto, de eliminar-
las sino de aprovecharlas.
125
Para Stacey la organización de éxito continuado es la organización que con-

vive en la zona fronteriza del caos, la organización que se encuentra en inestabilidad
limitada. Internamente, las organizaciones muestran un vaivén continuo entre dife-
renciación e integración, la dialéctica del sistema formal y el informal que las condu-
ce al estado de inestabilidad limitada. Y externamente, la naturaleza de las relacio-
nes entre la organización y el entorno producen la aparición tanto de círculos virtuo-
sos (el caso de la implementación del sistema de video VHS) como de ciclos vicio-
sos (como cuando Coca-Cola cambió ligeramente su sabor para hacerlo un poco
más dulce) que nutren esa posición de inestabilidad limitada de la organización. Se
tratará de saber sacar partido a esa inestabilidad.
Para finalizar, la organización en inestabilidad limitada tiene dos propiedades

a destacar (Stacey, 1993):
1. Es imprevisible intrínsecamente: el futuro de la organización a largo plazo es

imposible de predecir, aún cuando sí se puede predecir su futuro inmediato
por cuanto se precisa de cierto tiempo para que los pequeños cambios ad-
quieran grandes dimensiones, y también puede predecirse el patrón de re-
alimentación que sigue el sistema, debido al determinismo del caos. Lo ante-
rior nos lleva a la paradoja de que la organización sigue un desarrollo imposi-
ble de predecir a largo plazo y abierto en tanto que no hay un único futuro
hacia el que avance el sistema.
2. Tiene un modelo que es irregular: tiene un modelo por cuanto hay límites al
comportamiento organizativo que impiden una conducta errante o azarosa,
pero este modelo es más de carácter cualitativo, por cuanto dentro del abani-
co de valores posibles, cualquiera puede darse.
La segunda propiedad fundamental a la que aludía Stacey de la aplicación de

las ciencias de la complejidad a la organización es la de aparición de un orden
emergente, de una auto-organización espontánea. Stacey (1993, 1995) buen cono-
cedor de los trabajos de Stuart Kauffman con redes booleanas (ver capítulo anterior)
aplica dichos conocimientos a las organizaciones. Recordamos que Kauffman ha
demostrado que los sistemas en red con mecanismos de feed-back aleatorios a
niveles locales exhiben un orden emergente a niveles globales, orden que aparece
como emergente de las interacciones individuales y de manera espontánea.
Para Stacey esta propiedad proporciona una nueva visión acerca de la ges-
tión estratégica de las organizaciones, retomando antiguas ideas olvidadas en la
teoría sobre dinámica económica como los procesos de destrucción creativa de
Schumpeter (1934) o la autoorganización espontánea fruto de multitud de decisio-
nes económicas individuales de Hayek (1948). No vamos a desarrollar ahora esta
aportación dado que encaja mejor dentro de las aplicaciones a la gestión que des-
arrollaremos en un punto posterior. Baste ahora decir que, en cuanto a gestión estra-
tégica, se precisan organizaciones ricas en conectividad, en las que la información
circule con rapidez y por todas sus partes. Ello facilitará, junto con una posición de la
organización en el borde del caos, en inestabilidad limitada, el que aparezca un or-
126
den, una organización como emergente de las conductas individuales de todos los
miembros de la organización y no un orden intencionalmente impuesto. Según este
autor, la conducta de un sistema como el organizativo ‘no puede ni diseñarse, ni
controlarse, en cambio, la conducta emerge’ (1996a, págs. 67-68). Y ello ocurre
gracias a otros dos procesos importantes: la redundancia continua de la información
y las conductas de cooperación entre los componentes de la organización. Amplia-
remos más adelante estas ideas.
4.2.2.- La Organización como Sistema Dinámico No-Lineal.
R. A. Thiétart y B. Forgues, pertenecientes a la Universidad de Paris-

Dauphine, también se han acercado al entendimiento de la organización desde las
teorías del caos y de la complejidad. Para Thiétart y Forgues (1993) la organización
es un sistema dinámico no lineal debido a la dialéctica continua entre convergencia
y divergencia, entre estabilidad e inestabilidad, entre evolución y revolución, etcéte-
ra, a la que están sometidas todas las organizaciones. Por otro lado, los múltiples
actores que componen la organización, tanto internos como externos, se influyen
mutuamente de una manera dinámica, y raramente de manera directa e inmediata,
todo lo cual hace también complejo al fenómeno organizativo.
Las consecuencias de concebir la organización como sistema dinámico no

lineal son varias (ob. cit):
1. La previsión del comportamiento de las organizaciones es imposible, de ma-

nera especial a escalas globales y a largo plazo.
2. Sin embargo, a pequeñas escalas y pensando en el corto plazo es posible

separar las causas de sus efectos, de ahí que el proceder paso a paso per-
mita un cierto control en las acciones empresariales.
3. Las organizaciones son caóticas por naturaleza. Están sujetas a fuerzas ex-
ternas e internas a las cuáles son particularmente sensibles.
4. En tanto que sistemas disipativos, las organizaciones cambian recursos con

su ambiente. Para facilitar esta interacción, se crea intencionalmente diferen-
ciación interna, o desorden, a fin de responder a las diferentes demandas ex-
ternas. De cierta manera, las organizaciones son generadoras de caos, caos
que favorece una mejor adecuación a las diversas demandas del entorno.
Desarrollando aún más estas propiedades de los sistemas dinámicos no li-

neales, Thiétart y Forgues (1995) consideran que dichos sistemas pueden tener tres
tipos de equilibrio, tipos que ya nos resultarán familiares: primero, un equilibrio esta-
ble gracias a que el sistema está gobernado por feed-backs negativos. Segundo, un
‘equilibrio’, entrecomillado por lo propios autores, caracterizado por una situación de
inestabilidad explosiva dado la presencia preponderante de feed-backs de corte
127
positivo. Y tercero, cuando hay una presencia simultánea de feed-backs tanto nega-
tivos como positivos y en donde podemos encontrar tres nuevas situaciones: a) un
equilibrio fruto de una estabilidad periódica, b) una dinámica completamente erráti-
ca, azarosa, y c) una dinámica gobernada por un atractor extraño. Para los autores,
la organización sigue una dinámica de este último tipo al ser un sistema caótico.
En efecto, la organización es un sistema caótico en cuanto ‘tienen un conjun-

to de fuerzas y contra fuerzas en juego. Algunas de esas fuerzas conducen al sis-
tema hacia la estabilidad y el orden, como el caso de las fuerzas de la planifica-
ción, de la estructuración y el control. Otras conducen al sistema hacia la inestabi-
lidad y el desorden, como las fuerzas de innovación, de iniciativa y de experimen-
tación. El acoplamiento de todas esas fuerzas puede conllevar a una situación
altamente compleja: la organización caótica’ (1995, pág. 23). De alguna manera,
este juego de fuerzas encierra en sí mismo las semillas del orden y del caos. Y de
este modo se pone de relieve una serie consecuencias nada lógicas a la luz de la
teoría organizativa más clásica: el que la organización necesita de la inestabilidad
para experimentar, para innovar; el que en la organización aquellas actividades no
directamente relacionadas con la misión pueden ser vitales para el cambio organi-
zativo (cfr. Weick, 1977); el que la organización descubre, por medio de la experi-
mentación, las respuestas a sus problemas, y se auto-organiza del mejor modo po-
sible (cfr. Weick, 1977); el que las organizaciones tienen el poder de auto-
regenerarse de manera deliberada si crean inestabilidad interna que las conduzca a
un aprendizaje organizativo (cfr. Pascale, 1990). En resumen, nuevamente se nos
está invitando a contemplar la inestabilidad no cómo algo a evitar, sino como una
situación llena de oportunidades, la antesala de cualquier posibilidad de cambio y
desarrollo. El desorden lleva consigo la oportunidad para explorar nuevas formas de
hacer y actuar.
Para finalizar, Thiétart y Forgues (1995) proponen una serie de seis conjuntos
de proposiciones como caracterización general de la organización caótica, proposi-
ciones en las que habrá que profundizar la futura investigación en teoría organizativa.
Dichas proposiciones pueden verse en la tabla siguiente.
Tabla 7: Proposiciones derivadas de la aplicación de la teoría del caos a las organizaciones (Thiétart
y Forgues, 1995).
La organización como potencialmente caótica
Proposición 1 Las organizaciones son potencialmente caóticas

Proposición 1a A mayor número de fuerzas actuantes en una organización mayor la pro-
babilidad de encontrar caos
Proposición 1b A mayor número de fuerzas con diferentes patrones periódicos en la orga-
nización mayor probabilidad de encontrar caos
128
Proceso de bifurcación hacia el caos
Proposición 2 La dinámica organizativa va de un estado a otro mediante un proceso

discreto de bifurcación
Proposición 2a La organización puede estar en uno de los tres estados siguientes: equili-
brio estable, equilibrio periódico y caos
Proposición 2b El progresivo y continuo cambio de las relaciones entre dos o más varia-
bles organizacionales lleva a la organización, en un proceso discreto, de
la conducta estable a la caótica, pasando por la conducta periódica
Imposibilidad en la predicción
Proposición 3 La predicción es imposible, de manera especial a escalas globales y a

largo plazo
Proposición 3a En un estado caótico, ceteris paribus, el impacto de un cambio es impre-
decible a largo plazo
Proposición 3b En un estado caótico, ceteris paribus, el impacto de un cambio incremen-
tal puede ser predicho a corto plazo
Configuraciones organizacionales y atractores extraños
Proposición 4 En un estado caótico, la organización es atraída hacia una configuración

identificable
Proposición 4a En un estado caótico, la organización tiende más a adoptar una configu-
ración específica que no un patrón aleatorio
Proposición 4b A mayor apertura de una organización a su entorno, mayor la probabilidad
de adoptar una configuración determinada
Invarianza de escala en la organización
Proposición 5 En un estado caótico, la organización presenta generalmente una forma

fractal
Proposición 5a En un estado caótico, se encontrarán patrones de estructura similares en
los niveles de individuo, grupo, unidad y organización
Proposición 5b En un estado caótico, se encontrarán patrones de procesos similares en
los niveles de individuo, grupo, unidad y organización
Irreversibilidad de las acciones
Proposición 6 Acciones similares pueden no dar lugar a similares resultados en una

organización en estado caótico
Proposición 6a En un estado caótico, dos acciones idénticas en una misma organización
darán lugar a dos resultados distintos
Proposición 6b En un estado caótico, la misma acción en dos organizaciones dará lugar
a dos resultados distintos
4.2.3.- La Organización como Sistema en No-Equilibrio.
También Brenda Zimmerman de la Universidad de York, en Ontario, Canadá,

ha realizado interesantes propuestas sobre la organización en no-equilibrio. Aunque
sus aportaciones se ha centrado especialmente en una nueva visión de los procesos
de gestión estratégica que desarrollaremos en el apartado sobre complejidad y ma-
129
nagement, dicho trabajo descansa en una serie de asunciones acerca del fenómeno
organizativo que sí nos interesa resaltar ahora.
Zimmerman (1993) considera que los modelos de gestión tradicionales asu-

men que la organización es un sistema en equilibrio que tiende hacia un estado final
determinado. Los sistemas organizativos son sistemas teleológicos. Ese estado
final determinado no es más que el ajuste entre las metas perseguidas y la estructu-
ra organizativa requerida para ello. De ahí la importancia dada al concepto de equi-
finalidad con la aparición del paradigma de los sistemas abiertos por cuanto se po-
nía de relieve que para llegar a ese estado final era posible discurrir por diferentes y
múltiples caminos. Con diferentes estructuras o modos de organización se podrían
alcanzar las mismas metas. Zimmerman considera que la sensibilidad a las condi-
ciones iniciales mostrada en las teorías del caos contrasta con dicho concepto de
equifinalidad. La dependencia sensible a las condiciones iniciales supone, para
Zimmerman (1992, 1993), el que una pequeña diferencia en esas condiciones pue-
de arrastrar a una significativa diferencia en los efectos, el que dada una condición
inicial el futuro del sistema ya está determinado. De otra forma, que el ajuste entre
metas y estructura no se alcanza desde cualquier punto de partida, y que dos puntos
de partida muy similares pueden dar lugar a diferencias significativas en ese grado
de ajuste. Merece un pequeño comentario este desarrollo de Zimmerman.
Es cierto que un sistema caótico es sensible a sus condiciones iniciales. Lo

es por definición del propio término de caos. Pero también es cierto que los siste-
mas caóticos cuentan con atractores que rigen sus dinámicas que, también por defi-
nición, son estructuralmente estables. Como ya dijimos, los atractores extraños tie-
nen la peculiaridad de dar cuenta de fenómenos inestables y estables a un mismo
tiempo. Inestables por cuanto dos puntos tan cercanos como se quiera evoluciona-
rán en el tiempo de forma muy diferente (la sensibilidad a las condiciones iniciales
en la que se fija Zimmerman). Y estables por cuanto el atractor permanece confinado
en una serie de puntos o estados, de tal forma que los dos puntos iniciales que eran
próximos, y que poco tiempo después comenzaron a separarse de manera expo-
nencial, acabarán por pasar por los mismos estados, eso sí en tiempos totalmente
distintos. Es este segundo aspecto el que olvida la autora y el que cuestiona en cier-
ta medida lo apuntado por ella. Lo que sí pone de relieve esta aportación de Zim-
merman, y tiene un elevado interés, es que aunque el sistema pueda llegar a un
mismo resultado por diferentes vías unos caminos necesitan de menos desarrollo
temporal que otros.
Como consecuencia de la sensibilidad a las condiciones iniciales, las teorías

del caos rechazan las ideas de recursividad o reversibilidad en las que se basa el
modelo del equilibrio o teleológico de la organización y según el cual si la gestión es
equivocada basta con dar marcha atrás y volver a empezar, sin que al parecer surja
de ello ningún otro efecto (Zimmerman, 1993).
Otro aspecto relevante en el modelo de equilibrio y cuestionado desde el

caos es la posibilidad de predicción. Para los modelos de gestión clásicos los resul-
tados futuros de la gestión son predecibles por cuanto basta con ir dando los pasos
adecuados para alcanzarlos (determinismo que conduce a la predecibilidad). Pero
130
la teoría del caos no enseña que los sistemas a pesar de estar rigurosamente de-
terminados no son predecibles por la entrada en juego del azar como constitutivo
esencial de la propia dinámica. Por ello, aunque desde el caos no se rechace el de-
terminismo en su sentido más clásico, éste se muestra útil, es decir, capaz de pro-
porcionar la predicción, sólo en determinados momentos de la dinámica.
Finalmente, Zimmerman analiza un último aspecto que diferencia al modelo

del equilibrio del incipiente modelo surgido a partir de las teorías del caos. Al igual
que Stacey o Thiétart y Forgues, Zimmerman considera que el modelo de equilibrio
pone su énfasis en los mecanismos de feed-backs negativos que tienen la función
de suavizar fluctuaciones, de conseguir estabilidad para la organización, y ello a la
luz de que la inestabilidad es un estado ineficiente, que dificulta la supervivencia or-
ganizativa. Frente a ello, las teorías del caos inciden en los mecanismos de feed-
backs positivos los cuales, además de desestabilizar a la organización pueden ser
la espoleta para crear nuevas formas organizativas.
Tabla 8: Asunciones de los Modelos de Equilibrio y Teoría del Caos (Zimmerman, 1993, pág. 33).
Equilibrio No-Equilibrio
Teleología Teoría del Caos
Estados Finales Equifinalidad Dependencia sensible a las
condiciones iniciales
Temporalidad Recursividad No-recursividad
Reversibilidad Irreversibilidad
Predecibilidad Determinismo y predecibilidad Interacción entre azar y
determinismo
Feed-back Feed-backs negativos Feed-backs positivos
(amortiguan fluctuaciones) (amplifican fluctuaciones)
4.2.4.- La Organización Autorreferencial o Autopoiética.
Una última aportación que quisiéramos destacar como aplicación de las

ciencias de la complejidad a la teoría organizativa nace de la teoría de los sistemas
autopoiéticos. La aportación se centra ahora, no en la dinámica interior del sistema
organizativo y si ésta es estable o no, sino en el carácter de la relación que la orga-
nización mantiene con su entorno.
Ya hemos mencionado el trabajo de Kickert (1993) en el que recoge dos

aportaciones fundamentales de la teoría de los sistemas autopoiéticos a la ciencia
social en general: una nueva visión sobre las relaciones organización – ambiente y
las nuevas perspectivas abiertas con relación al auto-gobierno en un sistema auto-
poiético. Centrémonos ahora en el primero y dejemos el segundo para el apartado
en el que daremos cuenta las perspectivas abiertas en gestión o management (ver
punto 4.4).
131
Considerando la teoría de los sistemas autopoiéticos, se ha propuesto (Mor-

gan, 1986; Kickert, 1993) que las relaciones que la organización mantiene con su
entorno son autorreferenciales. En este sentido, Gareth Morgan (1986) ha formulado
las siguientes características como básicas de la organización autopoiética:
1. Cerrazón Autorreferencial: las organizaciones sólo interactúan con sus entor-

nos como si éstos fueran proyecciones de sí mismas, como si el entorno fue-
ra un espejo. Y ello por la razón ya apuntada de que todo sistema autopoiéti-
co no puede tener interacciones que no estén ya especificadas en su propia
organización. El entorno es representado entonces como una proyección de
la propia identidad o auto-imagen, con el objetivo de mantener y reproducir la
propia identidad.
2. Egocentrismo y sensatez: las organizaciones tienden a mantener su identidad

en contra del amenazador mundo externo. Enfatizan la importancia de sí
mismas minimizando, a su vez, la significación del entorno exterior. Y ello sin
caer en una insensatez que las conduzca a dejar de mirarse en el espejo que
constituye el entorno y saber reconocer, también, posibilidades de desarrollo.
3. Evolución auto-reflexiva: los procesos de cambio y desarrollo organizativos

pueden ser concebidos como una evolución de la auto-identidad con relación
al mundo externo.
Para Morgan, en definitiva, la autopoiesis, como metáfora, nos ayuda a ver

que las organizaciones están siempre intentando conseguir una forma autorreferen-
cial cerrada de organización en relación con el entorno, representando el entorno
como una proyección de su propia identidad o auto-imagen. El objetivo final de toda
organización no sería más que el de mantener su propia organización e identidad,
que es lo que las define como organizaciones diferentes de su entorno y del resto de
las organizaciones.
También Goldstein (1988) ha propuesto un modelo autorreferencial de orga-

nización como base para explicar el proceso común de la resistencia al cambio.
Goldstein considera que el carácter autorreferencial de la organización viene dado
por las relaciones que la identidad de la organización, el entorno, las asunciones y
las conductas mantienen entre sí, relaciones que se refuerzan mutuamente y que
generan un bucle cerrado.
El bucle que se produce entre asunciones y conductas es similar al bucle en-

tre actitud y conducta: un conjunto de asunciones favorecen determinadas conductas
las que a su vez refuerzan dichas asunciones. Igual es también el bucle entre identi-
dad y entorno: la organización interacciona con el entorno, o mejor con su proyección
del entorno, lo que refuerza la identidad de la propia organización. Un bucle de se-
gundo nivel se produce entre las asunciones o principios básicos de la organización
(valores, misión, etcétera) que son generadores de la identidad organizativa (¿quié-
nes somos?), esta identidad favorece ciertos comportamientos, comportamientos
que facilitarán las interacciones con el entorno como proyección de la propia identi-
132
dad e interacciones que, a su vez, reforzarán las asunciones iniciales. En este desa-
rrollo falta, a mi juicio, un elemento importante, quizás pasado por alto por su obvie-
dad: que el doble bucle consiga que la organización tenga éxito.
Figura 29: Modelo autorreferencial de organización de

Jeffrey Goldstein (1988, pág. 19).
En síntesis, se plantea que las relaciones que la organización mantiene con el

entorno funcionan como profecías que se cumplen a sí mismas (Goldstein, 1988).
Desde este modelo, la identidad del sistema es la única vía para organizarse,
y también la identidad determinará el ambiente percibido. Ante ello surge una nueva
explicación de la resistencia al cambio: debido a la naturaleza circular y autorrefe-
rencial de la relación organización – entorno surge la resistencia como inevitable. La
organización persigue mantener su identidad, mantener el conjunto de asunciones
que se ha formado (sobre el entorno, sobre la propia organización, etcétera) y el
cambio organizativo pasa entonces por el cambio de identidad. El cambio se con-
cebirá como amenazador para las asunciones y comportamientos relacionados con
la identidad de la organización. En esto radica el que los seres humanos seamos
especialmente poco tolerantes al cambio. Pero, por otra parte, y aquí se da una pa-
radoja, los seres humanos también estamos permanentemente envueltos en proce-
sos de desarrollo y cambio. Luego, como corolario podríamos decir que los seres
humanos, y por añadidura nuestras organizaciones, tenemos las necesidades de
cambiar y de proteger nuestra identidad a un mismo tiempo. Por esto Morgan
(1986) ha propuesto la evolución de la organización como la evolución de la auto-
identidad.
También se entiende mejor, desde este prisma, el énfasis puesto en los valo-
res nucleares o valores esenciales en la literatura más reciente sobre cambio orga-
nizativo (cfr. García y Dolan, 1997).
133
Finalmente, para Goldstein superar tal resistencia pasa por generar condicio-
nes de alejamiento del equilibrio bajo las cuales emergen nuevas reestructuraciones,
sugiriendo algunas vías para conseguir este alejamiento: aportar información y ge-
nerar altos niveles de conocimiento entre los miembros de la misma. En los puntos
4.3 y 4.4 referidos a la aplicaciones dentro del comportamiento organizativo y al ma-
nagement se presentarán más claramente procedimientos para generar condiciones
de alejamiento del equilibrio.
A modo de recapitulación, podemos ver como la organización autopoiética

mantiene unas relaciones con el entorno que cuestionan seriamente muchos de los
planteamientos tradicionales sobre estas relaciones y en los que se ha enfatizado la
propiedad de la organización de ajustarse (fit) a su entorno, de elegir la estrategia
en función de dicho entorno, sea éste objetivo o percibido, o la importancia de se-
leccionar el nicho adecuado (cfr. Bedeian, 1987). Para la organización autopoiética
el ambiente tendría un carácter similar al propuesto por Weick (1969), según el cuál
el ambiente se constituye en un ambiente percibido y el sólo adquiere significado en
un sentido retrospectivo. En el apartado sobre comportamiento organizativo (punto
4.3.) desarrollaremos estas ideas.
4.2.5.- Como conclusión: la Organización Compleja.
Uno de los adjetivos más repetidos que han acompañado a las organizacio-
nes dentro de la teoría organizativa ha sido el que éstas son complejas. Por ejemplo,
Morgan en sus Imágenes de la Organización (1986, pág. 310) argumentaba que:
‘Los directivos y los teóricos de la organización, a menudo tratan de hacer caso omiso de
esta complejidad, asumiendo que las organizaciones son, en último caso, un fenómeno ra-
cional, que debe ser entendido con referencia a sus metas y objetivos. Si verdaderamente se
desea comprender una organización, es mucho más exacto empezar desde la siguiente
premisa: que las organizaciones son complejas, ambiguas y paradójicas.’
Entre nosotros Quijano (1993, pág. 181) ha definido las organizaciones co-
mo:
‘Formaciones sociales complejas y plurales, compuestas por individuos y grupos, con lími-
tes relativamente fijos e identificables, que constituyen un sistema de roles, coordinado me-
diante un sistema de autoridad y de comunicación, y articulado por un sistema de <signifi-
cados compartidos> (que incluye interpretaciones de la realidad, normas y valores) en orden
a la integración del sistema y a la consecución de objetivos y fines. Estos fines, o el modo
de conseguirlos, no siempre son aceptados por todos sus miembros, por lo que deben ser
negociados o impuestos, lo que permite entender las organizaciones como coaliciones de
poder en lucha, a veces por el cómo conseguir los objetivos, y a veces por la fijación de los
objetivos mismos. De duración relativamente estable y continua, estas formaciones sociales
se hallan inmersas en un medio ambiente con el que mantienen mutuas relaciones de in-
fluencia.’
134
Con relación a aspectos ya apuntados a lo largo de este trabajo, Quijano con-

templa la complejidad y pluralidad organizativas en los aspectos de indefinición o
borrosidad de sus límites, en la integración mediante un la creación de un sistema
de significados compartidos, en la actividad política que acontece en el seno de to-
da organización y en las relaciones de mutua influencia que se mantienen con el en-
torno.
También Edgar Schein (1980) en su manual clásico sobre psicología de las

organizaciones presentaba cuatro fuentes básicas como originarias de dicha
complejidad:
1. La primera tenía que ver con las fronteras de la organización: es difícil definir
de manera apropiada el alcance de una organización, además, también es
difícil de determinar cuál es su medio más pertinente.
2. La segunda hacía referencia a las paradojas internas que acontecen en toda

organización: las organizaciones suelen perseguir varios fines y desempeñan
muchas funciones. Ocurre con frecuencia que, dichos fines o funciones pue-
den constituirse en exigencias conflictivas para la organización, por ejemplo,
entre el largo y el corto plazo, entre creatividad y eficiencia, entre competen-
cias clave y diversificación de las mismas, estabilidad y cambio, etcétera.
3. La tercera apuntaba a los roles: las organizaciones tienen dentro de ellas re-
presentantes del medio exterior. Un trabajador desempeña otros roles ade-
más del estrictamente organizativo, con lo que surgen exigencias, expectati-
vas y normas culturales que, a menudo, entran en conflicto con las normas in-
ternas de la organización para la que trabaja la persona.
4. Finalmente, el entorno: el entorno cambia muy rápidamente: se producen

cambios tecnológicos, económicos, sociopolíticos, legales, cambios en los
valores culturales, etcétera, que aportan nuevas exigencias a las organizacio-
nes.
Desde las ciencias de la complejidad podemos apuntar varias cosas en rela-

ción con las fuentes de complejidad anotadas por Schein. En primer lugar, que la
primera de las fuentes hace referencia al carácter borroso (fuzzy) de las fronteras de
la organización. Ya hemos mencionado como Munné (ver capítulo anterior) ha sabi-
do ver en la borrosidad una de las propiedades fundamentales en las que se mani-
fiesta la complejidad.
Segundo, que el carácter paradójico de las organizaciones es una manifesta-

ción clara de la no-linealidad de las mismas, en donde la consecución de un deter-
minado objetivo de calidad, por ejemplo, provoca efectos distintos pensando en el
corto o en el largo plazo. Y también que dicho carácter paradójico es una manifesta-
ción de la caoticidad de las organizaciones: que mayor paradoja que la que se pro-
duce entre orden y desorden de los sistemas caóticos.
135
Tercero, también hemos mencionado repetidamente el carácter autorreferen-

cial de las relaciones organización – entorno. Simplemente añadir, y remitiendo a un
desarrollo posterior, que el entorno que tradicionalmente es concebido en cuanto a
las exigencias que impone a las organizaciones, está conformado, a su vez, por
esas mismas organizaciones, de tal modo que, los cambios en el entorno pueden
contemplarse como los cambios que acontecen en las propias organizaciones que
lo configuran. De alguna forma, organización y entorno cambian, evolucionan, de
manera conjunta, co-evolucionan.
Finalmente, desde las ciencias de la complejidad, la principal y primaria fuen-

te de complejidad es interna al sistema. En este sentido, de las apuntadas por
Schein, la segunda sería la fuente de complejidad más interesante a considerar. La
existencia de múltiples paradojas en las organizaciones (ver tabla 9) es inevitable,
según las ciencias de la complejidad, dada su naturaleza no-lineal, caótica, alejada
del equilibrio. Incluso, al menos dos de las otras fuentes de complejidad menciona-
das por este autor pueden entenderse como consecuencias derivadas de esta
complejidad interna. En efecto, un sistema caótico genera como fruto de su dinámi-
ca atractores extraños o fractales. Éstos tienen, entre otras propiedades, unas fron-
teras que son, precisamente, borrosas: a mayor detalle que miremos en sus bordes
descubriremos nuevos aspectos que antes nos habían pasado desapercibidos.
Igualmente, los sistemas caóticos, complejos, son sistemas que tienen la propiedad
esencial de auto organizarse. Del fenómeno auto organizativo, y de la evolución y
desarrollo de los sistemas complejos en auto organizaciones cada vez más comple-
jas surgen los cambios continuados en el entorno.
Tabla 9: Algunas de las paradojas fundamentales a las que se enfrentarán las organizaciones en los
próximos años según Tetenbaum (1998).
Largo plazo – Corto plazo Personas – Productividad
Planificar – Experimentar Habilidades de relación – Habilidades de tarea
Bajar costos – Aumentar calidad Conflicto – Consenso
Centralización – Descentralización Competición – Cooperación
Creatividad – Eficiencia Estabilidad – Cambio
Competencias clave – Diversificación Simple – Complejo
Especialistas – Generalistas Regularidad – Irregularidad
Dirección – Liderazgo Predecible – Impredecible
Independencia – Interdependencia Orden – Desorden
Detengámonos en una caracterización de la organización como sistema

complejo que nos sirva, por una lado, de síntesis de las aportaciones de las ciencias
de la complejidad a la teoría organizativa, por otro, de elaboración propia sobre có-
mo entender la complejidad de la organización.
Desde el caos y la complejidad, las organizaciones se nos muestran como

sistemas alejados del equilibrio, sistemas caracterizados por su inestabilidad in-
herente y por la presencia de fenómenos autoorganizativos, sistemas en los que
predominan los procesos de carácter no lineal y en los que el azar juega un papel
importante en la determinación de sus futuros, futuros que son, por otra parte, im-
previsibles. Son, todos ellos, aspectos de la complejidad de las organizaciones,
aspectos en los que ésta se manifiesta.
136
Las organizaciones son sistemas alejados del equilibrio porque en el equili-

brio no hay organización posible. Tal afirmación, radical, se entiende mejor cuando
se tiene en mente que significa el equilibrio: estado de máxima entropía, de máximo
desorden molecular. La organización, como cualquier sistema alejado del equilibrio
conserva cierta diferenciación interna, una falta de homogeneidad. Además, los sis-
temas alejados del equilibrio necesitan del continuo intercambio con su entorno, con
ello pueden expulsar al sistema la entropía que generan en su interior. Si la interac-
ción con el entorno cesase, la organización se convertiría en un sistema en equili-
brio. Es la interacción con el entorno, la entrada de inputs desde éste y la salida de
outputs hacia él, lo que mantiene a la organización alejada de su posición de equili-
brio. El alejamiento del equilibrio es sinónimo de vitalidad organizativa.
Pascale (2000) nos ofrece un magnifico ejemplo, extraído de la ecología, de

que ocurre cuando las organizaciones son consideradas como sistemas en equili-
brio y las gestionamos de manera acorde con dicha visión. Durante décadas los
guardas del parque de Yellowstone habían impuesto un equilibrio en el bosque apa-
gando incendios allá donde éstos se producían. Gracias a ello el suelo del bosque
se fue llenando de una gruesa capa de desechos que suponían el almacenamiento
de un material altamente inflamable. Y así en 1992 se desarrollo un incendió que
acabó con el 25% del territorio ocupado por el parque. Al suprimir los incendios na-
turales por un periodo cercano a los cien años, los guardas de Yelowstone habían
impedido que dichos incendios limpiaran regularmente el bosque de la maleza que
se generaba. Tras un siglo de acumulación de materiales en el suelo, el fuego que
se generó fue más grande de lo habitual y fue capaz de quemar grandes árboles y
componentes vivos del subsuelo que de otro modo habrían sobrevivido.
Las organizaciones fallan cuando hacemos de ellas sistemas en equilibrio,

cuando las tratamos como si fueran máquinas en las que podemos ejercer control a
nuestro antojo. Por esto, mecanismos típicos de las burocracias profesionales como
la fragmentación de las tareas organizativas que persiguen el objetivo de someter a
un mayor control a los procesos acaban generando justo lo contrario cuando los en-
tornos son dinámicos y exigen flexibilidad a la organización: un mayor descontrol
debido a la confusión que se genera. Por decirlo con palabras más directas: que las
organizaciones, además de ser sistemas caóticos, no pueden gestionarse pensan-
do en controlar ese caos; el caos no es controlable.
Igualmente, las organizaciones son sistemas inestables en las que peque-

ñas perturbaciones pueden precipitarlas hacia nuevos estados o configuraciones.
Una muestra de ello nos lo brindan los numerosos ejemplos que en la literatura sobre
participación en el trabajo (cfr. Quintanilla, 1988) revelan como el mero hecho, por
ejemplo, de permitir que los trabajadores se organicen su propio trabajo provoca
efectos como la mejora en la solución de problemas, una mayor satisfacción laboral,
una mayor autorrealización, un mejor desempeño, menor absentismo, menor rota-
ción, una mejora en las actitudes ante el trabajo e, incluso en algunos casos, mejoras
en la producción. Otro ejemplo lo tenemos en las comunicaciones organizativas que,
por ejemplo, hace que una noticia genere un rumor con consecuencias completa-
mente desproporcionadas.
137
Dos comentarios a realizar sobre lo anterior. Primero, como hemos dicho,

pequeños acontecimientos pueden precipitar al sistema hacia nuevos estados. Ello
no quiere decir que siempre ocurra, dado que es necesario que dichas fluctuaciones
se amplifiquen. El modelo ofrecido por la criticalidad autoorganizada es relevante en
este sentido: muchos de los granos de arena dan lugar a pequeñas avalanchas
mientras que sólo unos pocos de los granos dan lugar a grandes avalanchas. Lo
cual tiene sentido por cuanto la organización no es un sistema en el que toda fluctua-
ción se amplifica más y más hasta dominar el sistema. Eso sería un sistema en
inestabilidad explosiva como los ha definido Stacey. Pero tampoco es un sistema
estable en el que no ocurra nada nuevo. Siguiendo con lo anterior, en las
organizaciones, a menudo, pequeños hechos producen avalanchas.
Y segundo, como puede apreciarse, desde el caos y la complejidad se pro-

pone que la inestabilidad es algo inherente a la organización, con lo cual no hay ne-
cesidad alguna de recurrir a la tan manida ‘turbulencia del entorno’ para explicar di-
cha inestabilidad. A lo sumo, las turbulencias en el entorno pueden añadir aún más
inestabilidad a la organización, pero, recuérdese también el carácter autorreferen-
cial de la relación que la organización mantiene con su entorno según las propuestas
de la organización autopoiética.
Como nos han enseñado diferentes autores (e.g. Stacey, Thiétart y Forgues,
Zimmerman) la inestabilidad está íntimamente relacionada con la creatividad y la
capacidad de renovación en la organización (lo veremos de manera más clara en el
apartado 4.3.- Complejidad y Comportamiento Organizativo). Nada nuevo puede
surgir de aquellos sistemas caracterizados por un alto grado de orden y estabilidad.
Por otro lado, sistemas azarosos y carentes de forma como una revuelta o una es-
tampida tampoco son capaces de materializarse en nada (Pascale, 2000). La orga-
nización compleja, como argumentaría Stacey, sólo es posible en la inestabilidad
limitada.
Un tercer aspecto en el que se manifiesta la complejidad de la organización

es en la predominancia de procesos de carácter no lineal en su interior. La despro-
porcionalidad entre causas y efectos, puesta de manifiesto en el ejemplo anterior
sobre la participación, es un ejemplo de esta no linealidad. Por otro lado, la no linea-
lidad también ha de interpretarse como que una acción puede tener diferentes con-
secuencias, o dicho de otra forma, que no necesariamente una determinada causa
produce un determinado efecto. La no linealidad abre un amplio abanico de posibili-
dades al futuro del sistema (Loye y Eisler, 1987). Veamos algunos ejemplos.
Cuando en nuestras organizaciones aplicamos herramientas de gestión que

se han mostrado como muy útiles en otras organizaciones y no obtenemos los resul-
tados esperados solemos argumentar haciendo mención de elementos modulado-
res que han podido incidir en la implantación de dichas herramientas. Un buen
ejemplo nos lo brinda la trasposición de los círculos de calidad a organizaciones
occidentales y las explicaciones que aducían que el contexto cultural, de la organiza-
ción o incluso del país, podían haber incidido en que en Occidente no hayan dado
tantos resultados como en su día generaron en Japón. La no linealidad de los pro-
138
cesos organizativos nos dice que no siempre habrá que buscar explicaciones exter-
nas ante estos hechos. Es posible que causas similares den lugar a efectos distin-
tos. Por ejemplo, no necesariamente al diseñar la retribución fija basándose en los
contenidos del puesto conseguiremos una percepción de equidad interna mayor en
los trabajadores; puede ocurrir que dicha medida sensibilice aún más las diferen-
cias acerca de la percepción del rendimiento de los otros con la consecuente dismi-
nución en la percepción de equidad interna.
Ambas lecturas de la no linealidad, desproporcionalidad y más de un efecto

posible, vienen a indicarnos que los sistemas no lineales tienen unas conexiones
débiles entre causas y efectos (Stacey, 1991, 1992; Pascale, 1990, 2000). Otro
ejemplo desde la ecología nos confrontará con las limitaciones de nuestro pensa-
miento lineal. Durante más de cien años los ganaderos y el servicio nacional de
pesca y caza de Estados Unidos han tratado de controlar la población de coyotes.
Para ello se colocaron infinidad de trampas, cebos envenenados, se procedió limi-
tando la fertilidad de las hembras, incluso, se contrató a cazadores mercenarios. El
resultado de todo ello ha sido, por el momento, el siguiente: el coyote que origina-
riamente y a principios de 1800 sólo poblaba doce estados del oeste americano se
encuentra hoy en cuarenta y nueve de los cincuenta estados, incluyendo barrios peri-
féricos de grandes ciudades como Nueva York o Los Ángeles, es un 20% mayor en
tamaño, y también parece ser bastante más listo que sus antepasados. ¿Cómo ha
podido ocurrir esto? Todo parece indicar que la intervención humana favoreció que
el coyote americano huyese al Canadá donde se mezcló con el lobo canadiense,
considerablemente más grande. Con el paso del tiempo, los nuevos coyotes, mayo-
res en tamaño, también acabaron mezclándose con los que poblaban Estados Uni-
dos y, gracias a sus nuevas cualidades, se adaptaron mucho mejor al terreno. Las
acciones del hombre han supuesto para el coyote un proceso de selección natural
cuyo resultado es un coyote mejor adaptado (Pascale, 2000).
En las organizaciones, las acciones tomadas para conseguir un determinado

objetivo pueden provocar problemas en otros sectores, no obteniendo, entonces, las
metas planteadas (Domínguez Machuca, 1989). Las sorpresas que este tipo de
hechos nos producen son debidas a las limitaciones de nuestros modelos mentales
que asocian la linealidad con la localidad presuponiendo que las cosas que ocurren
en un lugar y momento determinados deben estar causadas por lo que aconteció en
su proximidad espacial y temporal (Nieto de Alba, 1998).
Un resultado que se deriva de la débil conexión entre causa y efecto es que el

resultado final depende, en cierta medida, de la suerte, del azar. El azar, denostado,
rechazado por la ciencia más clásica, se vuelve importante para la comprensión de
la evolución de los sistemas complejos. El azar se torna importante en el desarrollo
de la organización. Como ya vimos en el capítulo anterior la noción de azar es multi-
forme (Mandelbrot, 1996). Frente al azar benigno que se somete a la ley de los
grandes números, el azar salvaje muestra pautas, tendencias, estructura interna.
Más adelante desarrollaremos algunas de las aplicaciones que desde la compleji-
dad se están realizando dentro del comportamiento organizativo. Allí quedará claro
cómo el azar se inmiscuye en el desarrollo de las organizaciones, por ejemplo en el
surgimiento de innovaciones. Adelantemos un ejemplo. Sería éste, en parte, el res-
139
ponsable de que el sistema operativo MS-DOS se acabase imponiendo a otros sis-

temas, desde un punto de vista informático superiores, como el desarrollado por el
gigante IBM.
El azar enfatiza ahora las posibilidades de la organización, no limitándose a

lo probable sino abriendo su campo de acción a lo posible.
Como consecuencia de la predominancia de los procesos no lineales, del

papel del azar, del potencial de inestabilidad, el desarrollo de las organizaciones
es, en gran medida, imprevisible. Quién iba a pensar que tecnologías con origen
militar, como en su día la radio o en nuestros días Internet, iban a convertirse en tec-
nologías usadas masivamente.
El desarrollo de la organización es imprevisible por diversas razones. Prime-

ro, porque en la organización predominan los procesos no lineales que dan lugar a
que las relaciones entre causas y efectos sean débiles. Lo hemos visto anteriormen-
te. Segundo, porque el tipo de azar que en ellas interviene. Ya lo sabemos: no es un
azar que responda a la probabilidad y que influye la mitad de las veces para bien y la
otra mitad para mal, por ejemplo. Se trata de un azar que presenta tendencias y, en
otras ocasiones, cambios bruscos. Y tercera, el desarrollo imprevisible es también el
fruto de la inestabilidad organizativa según la cual pequeñas acciones pueden per-
turbar seriamente a la organización. Por ejemplo, el Gobierno brasileño devalúa el
Real y pocas horas después las acciones de algunos bancos de nuestro país caen
un 13% (cfr. Domínguez Machuca, 1989).
También conviene remarcar, una vez más, que la impredecibilidad de la di-

námica organizativa es debida por la propia estructura de la organización, sin nece-
sidad de recurrir al constante cambio de mercados o tecnologías para su explica-
ción (Stacey, 1992).
Finalmente, las organizaciones son sistemas autoorganizados. Considera-

dos todos los aspectos característicos de la organización compleja comentados
hasta ahora, que nos muestran que la organización es un sistema alejado del equili-
brio, un sistema inestable y no lineal, un sistema cuya evolución imprevisible está en
deuda con el azar, pudiese dar la impresión de que no hay organización alguna po-
sible que se someta a dichas características. Pero ocurre justo lo contrario. Son di-
chas propiedades las que hacen posible la organización como fenómeno autoorga-
nizativo emergente. La organización es, entonces, una autoorganización emergente
de esas condiciones particulares.
Al igual que el orden emerge cuando el sistema químico es alejado de su po-

sición de equilibrio en los trabajos de Prigogine, al igual que también emerge en los
modelos aleatorios de redes tipo NK trabajados por Kauffman, o que los autómatas
celulares adquieren organización, capacidad de procesar información y capacidad
de reproducción en el borde del caos según los trabajos de Lagnton y Packard, la
140
organización emerge, como fenómeno autoorganizativo esencial, de estas condicio-

nes de alejamiento de equilibrio e inestabilidad.
En la tabla 10 presentamos, como síntesis final, la caracterización de la orga-

nización desde los dos modelos. El modelo de la organización en equilibrio y el mo-
delo de organización alejada del equilibrio o de la organización compleja.
La primera columna presenta a la organización en equilibrio estable. La orga-

nización de la teoría más clásica, desde Taylor hasta los enfoques contingentes. To-
dos ellos han tenido en mente la idea que la organización es un sistema en equilibrio
o, que al menos, debe gestionarse para que lo sea. Desde este modelo, las condi-
ciones de no equilibrio o de inestabilidad se han asociado con ineficacia para la
organización. La segunda columna presenta a la organización compleja. En ella ni
hay equilibrio ni predomina la estabilidad, pero no por ello deja de haber organiza-
ción. Al contrario, estas condiciones facilitan una auto-organización claramente su-
perior en complejidad, en capacidad de procesar información. Se trata de una posi-
ción más económica para la organización. Unas condiciones que facilitan una orga-
nización más flexible y ágil que co-evoluciona mejor junto al entorno como veremos
en el apartado siguiente.
Tabla 10: Dos marcos de referencia para el estudio de las organizaciones .
Tipo de Organización ... Organización ...

Organización en Equilibrio y alejada del Equilibrio
cerca del Equilibrio
Sistema Estable Sistema potencialmente

Inestable
Procesos Procesos Lineales Procesos No-Lineales

característicos
Intervención del Azar benigno: el azar no Azar salvaje: el azar puede

azar es relevante decidir el desarrollo
Evolución de la Previsible: un futuro de- Imprevisible: un futuro de

Organización terminado entre los posibles
Principio Diferenciación y Auto-organización

organizador coordinación racionales emergente
Teoría de la Teoría clásica Teoría emergente de la

Organización organización compleja
141
4.3.- Complejidad y Comportamiento Organizativo.
Diferentes son los tópicos clásicos dentro del comportamiento organizativo

en los que podemos encontrar aplicaciones de las ciencias de la complejidad. Quizá
el área más sensible a las nuevas aportaciones ha sido, en buena lógica, la temática
del cambio, bien en el nivel grupal, bien en el organizativo. Y en buena lógica porque,
primero, el caos y la complejidad han puesto un especial énfasis en comprender los
aspectos dinámicos de los sistemas. Como dice Prigogine, uno de los principales
objetivos de la ciencia moderna es comprender la dinámica del cambio. De alguna
manera el caos es esencial en el cambio de cualquier sistema ya que proporciona
flexibilidad y da pie a desarrollos del mismo con la aparición de nuevas estructura-
ciones (Masterpasqua y Perna, 1997). Y en segundo lugar, porque la teoría social en
general, y la organizativa en particular, están necesitadas de modelos que sean ca-
paces de integrar la tremenda paradoja existente entre el cambio y la estabilidad
(Leifer, 1989; Guastello, Dooley y Goldstein, 1995; Mathews, White y Long, 1999),
capaces de explicar la discontinuidad del cambio y la reconstrucción de sistemas
(Hallinan, 1997), de explicar el crecimiento y como las organizaciones se reproducen
a sí mismas (Pondy y Mitroff, 1979), de manejar el cambio y sus consecuencias a
largo plazo (Parker y Stacey, 1994).
Contamos ya con múltiples trabajos en esta línea de comprender las dinámi-

cas grupal y organizativa desde la complejidad. El caos y la complejidad están enfa-
tizando la naturaleza crítica de la relación dialéctica entre el sistema autoorganizati-
vo y su entorno (Domínguez Machuca, 1989; Perna y Masterpasqua, 1997). La apor-
tación más significativa se refiere a que los sistemas complejos, en su desarrollo y
cambio constante, no sólo se adaptan a sus entornos sino que, a menudo, se auto-
organizan rebelándose contra las condiciones que les impone dicho entorno. Nos
detendremos extensamente es esta idea.
Otras aportaciones de interés se han realizado en tópicos como la innovación

organizativa concebida como una dinámica que sigue patrones caóticos en sus fa-
ses iniciales, la motivación entendida también como proceso caótico, los procesos
de toma de decisiones desde una visión caótica de los mismos, etcétera. También
serán objetos de nuestro interés.
4.3.1.- El Cambio Grupal como la Amplificación de Fluctuaciones.
C. Smith y G. Gemmill (1991) han estudiado el cambio en grupos pequeños

aplicando el marco de referencia teórico de las estructuras disipativas de Prigogine
y la ampliación realizada por Jantsch sobre la auto-organización disipativa. Partien-
do del modelo lewiniano de cambio de tres fases (descongelamiento-cambio-
congelamiento), Smith y Gemmill consideran que dicho modelo es simplificado por
cuanto propone una dinámica discreta del cambio cuando, más bien, el cambio en
los grupos ocurre de manera continua con ajustes constantes. Tal y como han seña-
lado Guastello, Dooley y Goldstein (1995) el modelo de cambio lewiniano muestra un
proceso de cambio como si éste fuera un hecho puntual entre periodos de estabili-
142
dad, o de equilibrios cuasiestacionarios como los llamaba Lewin, cuando el cambio

parece ser una constante y algo inevitable. También hay que decir, en honor a la
verdad, que cuando Lewin (1952) hablaba de las tres fases de cambio pensaba en
el cambio planeado y en una estrategia de intervención en el mismo sirviéndose pa-
ra ello del grupo como mediador en la formación y cambio de actitudes (cfr. Gonzá-
lez y Cornejo, 1993; González, 1995).
Desde el paradigma de la auto-organización disipativa, Smith y Gemmill

(1991) proponen que el grupo se mantiene abierto a las influencias del entorno, ex-
perimentando continuamente y ajustándose a dichas influencias pero siempre de
manera autorreferencial, es decir, experimentando y tomando nuevos comporta-
mientos que sean acordes con la historia del grupo, con sus aprendizajes acumula-
dos.
De manera más detallada, el modelo propuesto tendría las siguientes fases a

modo de elementos clave a considerar:
1. Condición de no-equilibrio. Tomando como punto de partida un estado inicial

que podemos considerar de equilibrio, en el grupo comienzan a surgir fluc-
tuaciones externas e internas que lo conducen a un estado o condición de no-
equilibrio. Dichas inestabilidades son la norma en cualquier sistema vivo: en
el grupo, por ejemplo, es probable que tenga presiones externas como con-
seguir determinada productividad (caso de un grupo de trabajo), influencias
por el cambio rápido del entorno, por la competición de otros grupos, etcéte-
ra, e internamente también es fuente de inestabilidades: dinámicas interper-
sonales, posibles conflictos, reparto de roles, de recursos, etcétera. Dicho es-
tado de no-equilibrio es irreversible por cuanto es imposible la marcha atrás
volviendo al estado anterior de equilibrio y el único camino posible es integrar
las fluctuaciones surgidas.
2. Ruptura de simetrías. Basándose en los trabajos de Haken (1977) sobre si-

nergética en los que se muestra como los sistemas físicos y biológicos mues-
tran una fuerte tendencia a permanecer ‘esclavizados’ de una determinada
configuración estructural, Smith y Gemmill consideran que en el grupo deberá
producirse una ruptura de simetrías (‘quebrar el hábito’ que diría Lewin, 1947)
a fin de contrarrestar dicha tendencia. Las intervenciones en ruptura de sime-
trías pueden encaminarse con el cuestionamiento de las percepciones sobre
la situación, el cuestionamiento de los patrones de interacción, de las asun-
ciones sobre la autoridad, etcétera.
3. Experimentación. El siguiente paso consiste en experimentar un amplio aba-

nico de conductas posibles, alternativas a los hábitos adquiridos por el grupo.
En dicha experimentación tiene un papel importante el facilitar recursos e in-
formación sobre dichos comportamientos alternativos. La experimentación
creará variedad de nuevas configuraciones posibles, en las que, ahora sí,
podrán integrarse las inestabilidades surgidas. A partir de aquí cobrarán im-
portancia dos procesos que podrán actuar en paralelo para asentar el cam-
bio: la alineación con la estructura profundad y autorreferencia, por un lado, y
la resonancia, reparación y movimiento orquestado, por otro.
143
4. Alineación con la estructura profunda y autorreferencia. De entre las nuevas

configuraciones posibles que han surgido en la fase anterior, el grupo se
quedará finalmente con aquella que mejor alineamiento tenga con la naturale-
za del grupo y la historia que ha vivido. El cambio, en definitiva, es autorrefe-
rencial: las inestabilidades deben ser percibidas como tales desde el propio
grupo, se toma conciencia de los hábitos del grupo e intentan cuestionarse
los mismos desde el propio grupo, se experimenta en el grupo y, finalmente,
se elige la configuración que mejor se ajusta a la naturaleza del propio grupo.
5. Resonancia, reparación y movimiento orquestado. La resonancia significa

afinidad entre la nueva configuración y el grupo y sus miembros. Junto a este
proceso de resonancia será importante que se reparen las fronteras del gru-
po que, tras la inestabilidad, ruptura de simetrías y experimentación pueden
haberse dañado. Finalmente, el cambio del grupo se produce de una manera
conjunta, a modo de movimiento compacto y orquestado.
Figura 30: Elementos clave en el cambio grupal (Smith y Gemmill, 1991, pág. 704).
Estado inicial Estado de no-equilibrio Ruptura de las

de equilibrio debido a las fluctuaciones simetrías; derribo de las
externas e internas relaciones funcionales
Proceso de experimentación;
capacidad de auto renovación;
generación de variantes,
de estructuras alternativas
Resonancia, cuya afinidad de Alineamiento con la estructura

elementos crea un suficiente profunda y autorreferencia;
alineamiento para hacer posible el grupo elige configuraciones
una nueva configuración para re-estructurarse acordes
con su historia y naturaleza
Estructura disipativa,
reflejo del mejor ajuste entre
las restricciones internas y
externas, ganando en
simbiosis y autonomía
En resumen, este modelo de Smith y Gemmill pone de manifiesto que el ale-

jamiento del equilibrio puede desencadenar en el grupo un proceso de autoorgani-
144
zación cuyo resultado será una nueva organización grupal que ha crecido en comple-
jidad en relación con la organización previa. Es de suponer que esta nueva organi-
zación presentará ventajas adaptativas para el grupo, suposición que se verá con-
firmada, bajo ciertas condiciones, en un trabajo posterior de Smith y Comer (1994).
Así es, Smith y Comer comprueban como los grupos sociales que funcionan
dentro de condiciones turbulentas son más eficaces en la realización de una tarea
grupal cuando tienen diseños acordes con el modelo de la auto-organización disipa-
tiva (alta capacidad de experimentación, de autorreferencia y reparación de fronte-
ras). Además, encuentran que cuando las condiciones son más plácidas la presen-
cia de estas características auto-organizacionales no necesariamente correlacionan
con una alta eficacia. Los grupos estaban conformados por 70 alumnos, divididos en
10 grupos, que participaban en diferentes seminarios sobre gestión de la innova-
ción. La tarea que tenían que realizar los grupos era la presentación de un proyecto
final en relación con el seminario impartido.
El diseño utilizado en este trabajo es cuasi-experimental con las siguientes

condiciones: una, situación de turbulencia que se generaba mediante la intervención
del monitor en el grupo a fin de trabajar en el mismo los supuestos básicos de Bion,
y dos, situación plácida o estable en la que no se trabajaban dichos supuestos.
Además de inducir esta situación de turbulencia, se evaluaba la percepción de la
misma, antes y después de llevarse a cabo, mediante una medida de auto-informe
para comprobar su correcta inducción (apartado Opennes or Symmetry Breaking
en el cuestionario CDS, ver tabla 11). La pertenencia a cada una de las dos condi-
ciones se realizó de manera aleatoria.
Las capacidades de experimentación, autorreferencia y reparación de fronte-

ras conformaron la medida de diseño auto-organizativo, también utilizando una pro-
cedimiento de auto-informe (apartados Experimenting Behavior, Self-Reference, y
Boundary Reparation del cuestionario CDS).
Finalmente, la medida de eficacia del grupo se obtenía como combinación de

tres fuentes: primera, una nueva medida de auto-informe de los participantes (apar-
tado Coaction del cuestionario CDS), segunda, mediante el criterio de jueces exter-
nos basados en la eficacia global del grupo, la creatividad, implicación de los
miembros en el equipo, claridad y utilidad de la información presentada, y tercera,
las evaluaciones de un grupo de pares sobre la presentación del proyecto realizado.
En síntesis, este trabajo pone de manifiesto que ante condiciones turbulentas,

de no-equilibrio, los grupos realizan mejor la tarea de preparar un proyecto de traba-
jo cuando tienen un diseño caracterizado por un suficiente grado de apertura, por
una capacidad de experimentación alta, por una conciencia de la estructura profun-
da en cuanto a valores compartidos y visión, y cuando se preocupan por reparar sus
fronteras como grupo. De alguna manera se pone de manifiesto la máxima de que
en el caos se maximiza el procesamiento de información, al menos en ambientes
turbulentos. Como dicen Smith y Gemmill (1991, pág. 701): ‘la capacidad de proce-
sar información por parte de un grupo en ambientes turbulentos aumenta a medi-
da que el mismo funcione como una estructura disipativa’.
145
Tabla 11: Muestra de items del Coaction Diagnosis Scale de Smith y Comer (1994).
Openness or Symmetry Breaking
“Members openly express negative feelings”

“The group experiences a lot of uncertainty and ambiguity”
“Sometimes there is a feeling that everything in the group is falling apart”
Experimenting Behaviour
“Members are often playful in working on a task”

“Members are not overly cautions with each other”
“Members don’t seem afraid of experimenting and tasking risks”
Self-reference
“Members feel committed and have ownership in what the group does”
“Members have a vision of how they can effectively fulfil goals”
“Members of the group see themselves as able to be creative”
Boundary Reparation
“Members often seek each other’s help”

“Members are not apathetic or passive towards each other”
“Members express a real caring for each other”
Coaction
“We work together creatively and effectively as a group”

“We often act spontaneously as a whole without prior agreement or planning before-
hand”
“Members respect each other’s differences and creatively utilise these in the group”
Rango de escalas de 1 a 10: 1 = ‘Completely inaccurate’, 10 = ‘Completely accurate’.

Valores alpha de Cronbach de las diferentes subescalas: entre 0.88 y 0.97.
4.3.2.- El Cambio Organizacional: la dialéctica entre Adaptación y Auto-

organización.
Los propios Smith y Gemmill se han acercado a la comprensión del cambio a

escala organizativa utilizando un modelo muy similar al comentado en el punto ante-
rior y en el que aparecen cuatro elementos clave: el desequilibrio, la ruptura de sime-
trías, la experimentación y la reformulación (Gemmill y Smith, 1985). Dichos autores
consideran que de dicho modelo se derivan tres proposiciones que merecen de una
exploración detallada. La primera hace referencia a que la experimentación de un
cierto desorden y desequilibrio es una condición necesaria para desarrollar trans-
formaciones organizacionales. Además, desde la organización se ha de concebir
dicho desorden como una oportunidad para alcanzar nuevos estados de orden (po-
sibilidad de cambio), más que como una crisis que conduce a la auto-destrucción
(entropía). Segunda, para que una transformación organizacional sea exitosa, se
146
necesitan algún tipo de normas que den soporte a la experimentación del desorden
y que faciliten oportunidades para experimentar. Estas normas, unidas a conductas
de cooperación y una elevada comunicación entre los componentes de la organiza-
ción, favorecerán el terreno necesario para la emergencia de nuevos alineamientos
del sistema. Por último, el entendimiento del propio modelo de cambio de estructura
disipativa puede ayudar a los miembros de la organización a comprender lo que
están viviendo. No en el sentido de ofrecerles un mapa exacto de lo que está acon-
teciendo, pero sí en el sentido de ofrecerles un contexto en el que poder enmarcar
las inevitables frustraciones e inconsistencias.
También desde el marco de las estructuras disipativas, Leifer (1989) ha ex-

puesto como son las condiciones de no-equilibrio las que proporcionan oportunida-
des para la generación de nuevos órdenes en los que la organización aumenta su
capacidad para gestionar la complejidad.
Las fases de estabilidad y cambio son experimentadas por todas las organi-
zaciones. Los enfoques más tradicionales, por ejemplo el modelo racional, ha con-
cebido que el estado normal de la organización es el de estabilidad y equilibrio,
mientras que las situaciones de cambio eran transitorias a las que habría que res-
ponder a fin de reestablecer el equilibrio. También existe otra postura que argumen-
ta que lo normal es que las organizaciones se hallen en un continuo cambio atisbán-
dose por momentos algunas situaciones de equilibrio puntuado o estabilidad8. Esta
visión considera el cambio como lo natural e inevitable. Para Leifer entender la or-
ganización como una estructura disipativa nos ayuda a integrar ambas visiones.
Leifer propone un modelo de transformación organizacional en el que se pue-

den diferenciar cuatro componentes esenciales:
1. Un punto de singularidad o de bifurcación. Para Leifer, con el paso del tiempo

la organización, con su estructura y comportamiento habituales, deja de ser
eficaz en su ajuste con el entorno. Esta situación, que podemos calificar co-
mo alejada del equilibrio, tendrá efectos desencadenantes en la organización
ya que ésta necesitará, tarde o temprano, afrontar el entorno con una res-
puesta más adaptativa. Pero la organización podrá responder de dos mane-
ras: bien persistiendo en sus comportamientos habituales, bien comenzando
una transformación organizativa. La bifurcación se da entre estas dos opcio-
nes posibles. La primera dará lugar al declive de la organización en la medi-
da en que dicha respuesta sólo servirá para aumentar el desajuste con el en-
torno. La segunda dará pie al inicio de una transformación que podrá tener
como fruto una organización más adaptada a su entorno.
8
La idea del equilibrio puntuado ha sido propuesta por Eldredge y Gould (1972, Gould y Eldredge,
1977) en biología evolutiva para explicar como en la evolución son muy habituales los períodos de
estabilidad, en las que los cambios acontecen muy poco a poco y de manera incremental, inte-
rrumpidos por períodos muy turbulentos y en los que se producen gran cantidad de cambios, como
el caso del período cámbrico.
147
2. La transformación utilizando estrategias radicales. La bifurcación es un pro-

ceso que podrá dar lugar a una ruptura de simetrías (cfr. Gemmill y Smith,
1985; Smith y Gemmill, 1991) produciendo un cuestionamiento de las rela-
ciones funcionales, de los patrones de interacción, de las reglas, de los valo-
res, de los sistemas de creencias. Se trata del aprendizaje de doble bucle
tantas veces mencionado en las teorías de aprendizaje organizacional (e.g.
Argyris y Schon, 1978). La organización deberá resolver las contradicciones
que surjan de todo este proceso elaborando un nuevo marco, una nueva inte-
gración. En definitiva, una nueva organización.
3. La actuación ineficiente y la experimentación. La nueva organización deberá

experimentar la nueva estructura y comportamientos que, muy probablemen-
te, en un primer momento resulten inefectivos y consuman mucha energía de
la organización. Pero con el tiempo y gracias al aprendizaje, en este caso de
bucle sencillo, la organización comenzará a integrar comportamientos y es-
tructuras y a ser eficaz en su relación con el entorno.
4. La nueva síntesis. El resultado será una nueva situación de estabilidad y equi-

librio pero más adaptado al entorno, en donde la organización ha ganado en
capacidad de gestión del mismo. El resultado es una organización más pre-
parada en el afrontamiento de retos.
Figura 31: Modelo de transformación organizacional (Leifer, 1989, pág. 907).

baja Aumentando la diferencia entre demandas del entorno alta
Punto de singularidad, Denegación

de bifurcación o del cambio Persistencia en las
conductas actuales
y mecanismos adaptativos de la organización
evento desencadenante
Condiciones aleja- Re-enmarque y
das nueva visión Aumento del
ajuste inefectivo
Ajuste inefectivo Transformación Declive

organizacional
Estructuras
disipativas
Adaptación al cam-
bio
Experimentación
Estabilidad y
equilibrio
Nueva
síntesis
baja Disminuyendo la producción de entropía alta
Lógicamente, el ciclo se iniciará de nuevo una vez que la nueva organización

comience a mostrar los mismos defectos que la anterior: desajustes entre las de-
mandas del entorno y su capacidad de adaptación. De este modo, la evolución natu-
148
ral de una organización es una serie de transformaciones sucesivas, de un orden a

partir de las fluctuaciones que generan las situaciones de alejamiento del equilibrio.
Situaciones de alejamiento del equilibrio que, en el modelo propuesto por Leifer, son
el fruto de la progresiva desadaptación al entorno.
En nuestro país, Gómez Pallete (1995) ha realizado una aportación similar.

Tomando como base la diferencia entre cambios tipo I y tipo de II de Watzlawick et
al. (1974), y la visión de la evolución de las organizaciones según su ciclo vital de
origen-crecimiento-madurez-y declive, Gómez Pallete propone un modelo en donde
se producen tres evoluciones posibles para las organizaciones sociales de carácter
empresarial. Dicho modelo tiene también sus parecidos con el modelo propuesto
por Zuijderhoudt (1990) sobre el proceso de auto-organización.
La primera evolución posible, según Gómez Pallete, corresponde a los cam-

bios naturales o vegetativos. Este tipo de cambios ‘se dan’ en la organización, no se
provocan. Para la organización suponen el camino habitual por sus fases de creci-
miento, maduración y, finalmente, declive o muerte. Se trata de un tipo de cambio
que, por no ser provocado, se pasa con facilidad por alto, como en el caso del traba-
jo de Watzlawick et al. o el trabajo de Leifer comentado anteriormente.
La segunda evolución atañe a los cambios aparentes con el propósito de pro-

longar al máximo la llegada del declive pero ocurriendo que el problema ahora se
traslada del ciclo que se agota a la respuesta dada para prolongarlo. El problema lo
constituyen las soluciones que se implementan, el ‘más de lo mismo’, que impiden
un desarrollo genuino de la organización. Este camino supone para la organización
la petrificación, la pérdida de su capacidad de evolucionar.
Finalmente, la tercera son los cambios sorprendentes cuya aparición en el

sistema organizativo representa el cambio del sistema mismo. Se trata del camino
de la auténtica evolución por cuanto supone una revolución en el sistema, un desa-
rrollo hacia una mayor complejidad y mejor organización.
Gómez Pallete denomina a estos tres posibles cambios como cambios tipo
0, tipo 1 y tipo 2, correspondiéndose los dos últimos a los propuestos por Watzla-
wick et al. y los representa gráficamente como sigue (figura 32). De esta gráfica
conviene decir que las etiquetas dadas a los dos ejes nunca son puestas por dicho
autor, apareciendo éstos en blanco, pero dichas etiquetas sí que aparecen implíci-
tas en su trabajo.
Para Gómez Pallete el auténtico cambio organizativo se da cuando la organi-

zación es capaz de transitar desde el cambio tipo 1 al cambio tipo 2 (representado
por la flecha gruesa y gris del gráfico anterior) y las resistencias al mismo sobrevie-
nen de manera natural al percibir que, inicialmente, el cambio va a conllevar una más
pobre evolución y desarrollo (nótese que la curva del cambio tipo 2 parte de un lugar
más bajo que el transcurrir de las líneas del cambio tipo 0 ó 1). Esta visión genera
ansiedad y la tentación de volver a la situación anterior menos amenazadora.
149
Figura 32: La evolución de las organizaciones según Gómez Pallete (1995; gráfica obtenida de la
fusión de varias que aparecen en dicho trabajo).
Cambio 2
Evolución, Desarrollo CAMBIO

Madurez
Crecimiento
Declive
Resistencias
Nacimiento Cambio 1
Cambio 0
Tiempo
La evolución de las organizaciones puede concebirse entonces como la

combinación de los tres tipos de cambio y, en particular, de los cambios tipo 1 y tipo
2. En este último sentido, el autor recoge los trabajos del teórico de sistemas Ervin
Laszlo (1988) sobre evolución de sistemas y propone que la evolución de las organi-
zaciones puede entenderse como una mezcla de épocas estables y de épocas cru-
ciales, una combinación de periodos de determinación (representado por el cambio
tipo 1) y de periodos de indeterminación (cambio tipo 2). En las fases de determi-
nismo las organizaciones actuarían basándose en patrones bastante predecibles,
comportándose como sistemas cercanos al equilibrio. Mientras que en las fases de
indeterminismo la evolución organizacional manifestaría un comportamiento bási-
camente no predecible, comportándose las organizaciones como sistemas alejados
del equilibrio. Aquí se abre un abanico de trayectorias posibles y será la combina-
ción del azar y la necesidad la que decida sobre la evolución final.
Expresado de otro modo, y retomando ahora ideas de Wagensberg (1985)

también desde el campo de la teoría de sistemas, podríamos concebir la evolución
de las organizaciones como periodos de adaptación y periodos de autoorganiza-
ción que van entremezclándose.
Durante los periodos de adaptación las organizaciones se someten a las

condiciones que el entorno impone. Digamos que las organizaciones han de estruc-
turarse internamente para ser compatibles con el ambiente exterior. Y ello incluso
cuando los ambientes muestran cambios repentinos. Tomemos a un autor represen-
tativo de esta idea, por ejemplo, dice Nadler (1998, pág. 51):
150
‘De manera típica, los cambios discontinuos requieren de cambios dramáticos en la estrate-
gia y repentinos abandonos de los trabajos tradicionales, estructuras, enriquecimiento de los
puestos, culturas, que a la vez necesitan de una completa revisión de la organización’.
De este modo, en nuestro entorno actual, por ejemplo, las exigencias de cali-
dad conducen a muchas organizaciones a organizarse de manera distinta a fin de
conseguir alguno de los certificados de calidad al uso.
En este sentido, en los periodos de adaptación la evolución de las organiza-

ciones es predecible, predecible y única. Son las condiciones del entorno las que
determinarán cuál es la organización más apropiada. De este modo, la adaptación
supone una evolución estable para la organización pues basta con mantener un plá-
cido y constante intercambio con el entorno. Además esta evolución es estable por
cuanto cualquier inestabilidad interna, cualquier fluctuación, muere antes de trascen-
der dado que la evolución está regida por las imposiciones ambientales. Y si el en-
torno cambia, basta con responder con nuevas adaptaciones. En los periodos de
adaptación hay un predominio claro de mecanismos de feed-back negativos que
continuamente reconducen a la organización hacia el estado deseado.
El problema es que este proceso de adaptación no puede prolongarse de

manera indefinida. Y ello porque desde el entorno llegan requerimientos cada vez
mayores en complejidad y menores en el tiempo dado para adaptarse. Por ello, la
organización precisa de un segundo proceso: la autoorganización. Durante los pe-
riodos de autoorganización los sistemas se organizan internamente rebelándose
contra las condiciones del entorno. Un ejemplo magnífico nos lo brinda el caso de
VHS. Como sabemos cuando surgieron los aparatos de video domésticos se pre-
sentaron tres formatos posibles en función de las cintas de reproducción que éstos
utilizaban: el VHS, el Betamax, y el 2000. Las cintas de mayor calidad eran las tipo
Betamax de Sony que, además, eran de menor tamaño. Y las peor posicionadas
inicialmente eran las del formato 2000. Todos sabemos lo que ocurrió después. Pe-
se a la mayor calidad del formato Betamax, se impuso el formato VHS por ser capaz
de tomar una pequeña ventaja inicial y decisiva. VHS inició una política de contrata-
ción masiva de películas en su formato y distribuyó también masivamente dichas
películas. Así cuando uno iba a comprar o alquilar una película era muy fácil encon-
trársela en formato VHS y no tanto en otros formatos. Esta pequeña ventaja inicial
inició un ciclo virtuoso que llevó a dicho sistema a imponerse y a acabar con sus
competidores. Como dice Brian Arthur, economista del Instituto de Santa Fe:
‘(..) si varias firmas de tamaño similar entran en un mercado al mismo tiempo, pequeños
acontecimientos fortuitos –pedidos imprevistos, encuentros afortunados con compradores,
genialidades o fantasías empresariales- contribuirán a determinar quienes se hacían con las
primeras ventas y qué firma domina con el tiempo (..) y esos pequeños acontecimientos
‘aleatorios’ pueden acumularse y verse ampliados por retroacciones positivas que acabarán
determinando el resultado’ (Arthur, 1990, pág. 88).
En los periodos de autoorganización las organizaciones son inestables y la

fluctuación más tímida puede propiciar desarrollos inesperados. Las fluctuaciones
se amplifican más y más gracias a mecanismos de feed-back positivos. El futuro no
es ni único ni predecible, existiendo un abanico de posibilidades. Quién iba a pre-
151
decir que aquel pegamento de escasa consistencia descubierto accidentalmente

por 3M llegaría a convertirse en uno de sus productos estrella: las notas post-it.
Además, es interesante tener en cuenta que para que el sistema se auto or-
ganice, para que las fluctuaciones conduzcan a la organización a nuevos estados de
orden, se requiere de un cierto aislamiento con respecto al medio, ya que éste
siempre tiende a amortiguar y neutralizar dichas fluctuaciones (Prigogine, 1993).
La evolución de un sistema, como el organizativo, puede entenderse enton-

ces como ‘adaptaciones limitadas por bifurcaciones, determinismo continuo entre
intervenciones puntuales del azar’ (Wagensberg, 1985, pág. 146). Los periodos de
adaptación serían los cambios tipo 1 de Gómez Pallete, la parte inferior izquierda de
la rueda del modelo de Leifer en la figura 31, los aprendizajes de bucle sencillo de
Argyris y Schon o el aprendizaje a nivel de las reglas y de los insight de Swieringa y
Wierdsma (1992). Los periodos de autoorganización recogerían los cambios tipo 2
de Gómez Pallete y el resto de la rueda en el modelo de Leifer, los aprendizajes de
doble bucle, o el aprendizaje en el nivel de los principios.
Una matización antes de continuar. El diferenciar entre periodos de adapta-

ción y periodos de autoorganización no debe entenderse, en ningún caso, como que
unos corresponden a momentos evolutivos de fracaso, y los otros con momentos de
éxito para la organización. No adaptarse en nuestros tiempos con el cumplimiento
de normativas de calidad, conducirá a muchas organizaciones a su declive. Por otro
lado, no todas las innovaciones mejoran el funcionamiento o los resultados de las
organizaciones, como aquella ocasión en que Coca-Cola cambió ligeramente su
sabor a uno más dulce dando lugar a un círculo vicioso de pérdida de ventas. Se
trata, como ya hemos apuntado, de dos ingredientes básicos de la evolución organi-
zativa, que corresponden a dos procesos claramente distintos, con consecuencias
para la organización también distintas, al margen del éxito que pueda acarrear cada
uno de ellos.
Todavía hay algo más. De alguna manera, cuando las organizaciones se auto
organizan están siendo capaces de influir en sus entornos y permitir ciertas evolu-
ciones y cambios en éstos. Como diría Stacey (1992) adaptarse significa identificar
las necesidades de los clientes e intentar satisfacerlas lo mejor posible, innovar (au-
to organizarse) significa crear y modelar las necesidades en los futuros clientes. De
otra forma, cuando las organizaciones se auto organizan están contribuyendo a la
creación de un entorno más propicio. Utilizando un término de moda, las organiza-
ciones son capaces de co-evolucionar junto a sus entornos (cfr. Kauffman, 1995).
Con lo cual tenemos que, los cambios en los entornos organizativos son entendidos
como el producto de los procesos de autoorganización de las organizaciones que
conforman determinado nicho. Ello contrasta con algunas ideas muy implantadas en
la teoría organizativa.
152
Tabla 12: Adaptación & Autoorganización (adaptado libremente de Wagensberg, 1985).
Relación El sistema se organiza El sistema se organiza

Organización- internamente para ser internamente rebelándose contra
-Entorno compatible con el entorno. las condiciones del entorno.
Adaptación Co-evolución
Evolución de la Desarrollo previsible, hacia Desarrollo imprevisible. Mezcla

Organización estado estacionario. Si el feed-backs positivos y negativos.
entorno cambia, el sistema
puede responder con nuevas
adaptaciones. Predominio
feed-backs negativos.
Estados Estabilidad Inestabilidad, las pequeñas

característicos fluctuaciones pueden llevar al
sistema a nuevos estados.
Aparición de novedades.
La ADAPTACIÓN representa el La AUTOORGANIZACIÓN

comportamiento rutinario y representa el componente
previsible del desarrollo novedoso y no previsible del
organizativo. desarrollo organizativo.
Las formulaciones tradicionales de la teoría organizativa han estado domina-

das por la idea de que los cambios en éstas son originados por adaptaciones o
respuestas a los cambios del entorno (cfr. Bedeian, 1987). Es la receta que nos ha
proporcionado el enfoque contingente. Y cuando se apunta que la organización tam-
bién tiene una capacidad de reaccionar ante el entorno y modificarlo en alguna me-
dida (cfr. Quijano y Navarro, 1999) no se explica como es esta relación de influencia
recíproca. Como hemos visto, las ciencias de la complejidad cuestionan esta idea
básica de que los cambios organizativos sean la consecuencia de los cambios en el
entorno. Como argumentaría Goldstein (1994) el entorno no cambia el sistema or-
ganizativo, y la organización tampoco cambia unilateralmente al entorno; más bien
se trata de que el entorno desencadena unos mecanismos internos en la organiza-
ción que son la fuente del cambio.
Desde el caos y la complejidad se nos muestra que los sistemas se auto or-
ganizan rebelándose contra las condiciones del entorno, y desde los sistemas auto-
poiéticos se nos muestra que los sistemas vivos son organizaciones cerradas que
en sus interacciones con el entorno sólo se referencian a sí mismos. Las organiza-
ciones, como otros sistemas abiertos y complejos, muestran evoluciones crecientes
en complejidad y estructuración interna. Es este principio termodinámico en el que
descansan el resto de los cambios.
153
4.3.3.- Otras aportaciones dentro del Comportamiento Organizativo.
Otras áreas dentro del comportamiento organizativo que han sido objeto de
aplicaciones de las ciencias de la complejidad que consideramos interesantes son
los procesos de innovación organizacionales, los procesos de toma de decisiones y
el estudio de la dinámica de la motivación. Veamos cada uno de ellos de manera
breve.
En el área de la innovación, estudiando el desarrollo de dos innovaciones

biomédicas a lo largo de más de cien meses, Cheng y Van de Ven (1996) obtienen
resultados que indican que, en un primer momento, los cambios en las acciones
emprendidas y la evaluación subjetiva de los resultados de los equipos de innova-
ción siguen un patrón caótico y, luego, dicha dinámica se ordena sobreviniendo en
periódica o regular durante el periodo de implementación de la innovación en el
mercado. Además, estos autores comprueban que durante todo el proceso de inno-
vación, tanto al inicio como en las etapas finales, los sucesos exógenos al equipo o
sucesos del entorno producen en la dinámica de innovación movimientos aleatorios
caracterizados por el ruido blanco estadístico.
Estos resultados alteran, según los propios autores Cheng y Van de Ven, las
visiones tradicionales acerca de la dinámica de los procesos de innovación. Con
arreglo a los estudios más tradicionales, las innovaciones organizacionales son
consideradas a la luz de alguna de las dos dinámicas siguientes: o bien que la di-
námica se produce de manera ordenada y periódica, o bien que dicha dinámica
acontece como consecuencia de la aleatoriedad, del azar. En el primer caso se
considera la dinámica de innovación como determinista, en el segundo se otorga el
principal papel de la innovación al azar. Los resultados de Cheng y Van de Ven
muestran que, al menos en sus fases iniciales, los procesos de innovación no se
ajustan a dinámicas cíclicas ni tampoco a dinámicas aleatorias. Como señalan
Cheng y Van de Ven, este hecho tiene importantes implicaciones con vistas a la
gestión del proceso de innovación dado que la dinámica de dicho proceso se nos
está mostrando como determinista pero caótica. Desarrollar aquí dichas implicacio-
nes están fuera del objetivo de este trabajo, baste apuntar que la planeación tal y
como es entendida habitualmente como sucesión de pasos por los que seguir para
llegar a una innovación determinada final se presenta ahora como imposible. Como
dice Quinn, uno de los expertos actuales en la materia, ‘mis estudios revelan que
pocas, por no decir ninguna, de las grandes innovaciones tienen su origen en sis-
temas de planificación fuertemente estructurados’ (1986, pág. 53).
Por otra parte, los resultados de Cheng y Van de Ven (1996) vienen a reafir-
mar una línea de investigación desarrollada por el propio Van de Ven en otros traba-
jos (Garud y Van de Ven, 1992; Van de Ven y Polley, 1992) en lo que no se encontró
apoyo experimental al modelo lineal (cíclico) determinista en distintos estudios sobre
innovación. Igualmente, dichos resultados han sido confirmados por Dooley y Van de
Ven (1998) en un análisis más refinado de una de las innovaciones originalmente
154
estudiadas utilizando medidas del exponente de Lyapunov y la dimensión de corre-

lación entre otras.
De igual forma, estos resultados están en consonancia con el conocido

modelo sobre innovación propuesto por Koput (1997), con el estudio de Quinn
(1986) sobre las prácticas de gestión en empresas brillantes en innovación y con los
hallazgos de que la solución creativa de problemas en grupos muestra una dinámica
caótica, según el trabajo de Guastello (1998) en el que obtiene un exponente de
Lyapunov positivo de la serie generada sobre los datos de la productividad en
tareas creativas de un grupo de científicos. Y decimos que están en consonancia
con el trabajo de Guastello porque, a pesar de que Guastello haya trabajado con la
solución creativa de problemas, no con la innovación, los resultados obtenidos por
Cheng y Van de Ven ponen de relieve que el proceso de innovación organizativa
sería caótico en sus primeras fases, es decir, en sus fases más cercanas a la
creación que no en las fases últimas de implementación de la propia innovación.
También Nonaka (1990; Nonaka y Takeuchi, 1996) ha mostrado como algu-

nas de las principales empresas tecnológicas de Japón utilizan herramientas de
gestión que crean condiciones caóticas internas en la organización para facilitar una
elevada creación de información y de significados. Esta creación de información y
significado será vital en la gestación de innovaciones organizativas posteriores. Es
decir, y para nuestros intereses en este momento, en algunas empresas japonesas
se crean condiciones caóticas de manera intencionada porque se reconoce el papel
que juegan dichas condiciones en la generación de innovaciones, hecho que respal-
daría cuanto llevamos dicho aquí sobre el tema.
En el ámbito de los procesos de toma de decisión contamos con un trabajo

especialmente relevante para la psicología social realizado por Diana Richards de
la Universidad de Yale. Richards (1990) encuentra evidencia experimental y empíri-
ca de que los procesos de toma de decisiones pueden exhibir patrones caóticos.
Con el fin de solventar alguno de los problemas comunes en el estudio de

toma de decisiones, tales como que dichos procesos sólo son posibles de ser infe-
ridos de manera indirecta, las dificultades de llevar dicho proceso a una única medi-
da cuantitativa, o los requerimientos de largas series temporales en los estudios
sobre el caos, esta autora trabaja con tres procesos de toma de decisión distintos.
Uno generado experimentalmente y dos obtenidos de series empíricas ya existen-
tes.
En concreto, las series de datos con las que trabaja son: una generada de
manera experimental y utilizando el dilema del prisionero, con la que obtiene series
de más 120 interacciones, tras múltiples juegos al combinar a todos los participan-
tes entre sí, y en donde los datos recogidos representan las ganancias en el juego
de los participantes en cada partida; otra constituida por los gastos de defensa de
Estados Unidos en el periodo 1885-1985; y una tercera consistente en una nueva
serie de datos sobre el número de comunicaciones diarias, oficiales y escritas du-
rante el periodo de la crisis de los misiles en Cuba.
155
En los tres casos, Richards encuentra patrones claramente no lineales. Para

determinar si dichas series esconden patrones caóticos o no estudia la dimensión
de correlación de dichas series concluyendo que en todos los casos las series son
caóticas. En el caso de la serie obtenida experimentalmente encuentra caos en seis
de los ocho participantes en el juego.
Aunque no entra en el estudio del atractor subyacente de cada una de las se-
ries, ni en las dimensiones de los mismos, este trabajo es especialmente importante
de cara a mostrar que ‘las estructuras de interdependencia implican procesos no
lineales’ (pág. 219). Lo que unido a la interacción continua que se da en todos los
procesos de interacción interpersonal nos conduciría al caos.
Para Richards la clave de la no linealidad en los procesos de toma de deci-

sión está en que las decisiones individuales están basadas en las expectativas so-
bre las elecciones y acciones que realizarán las otras personas. Hay radica la com-
plejidad del entramado de relaciones interpersonales: en la dinámica no lineal que
conlleva. Esta explicación sería similar a la propuesta por Orléan (1991) para el en-
tendimiento de los desórdenes bursátiles.
Según Orleán la clave de dichos desórdenes está en los fenómenos de con-

tagio y de imitación que se producen entre los diferentes inversores. Como apunta
Orleán, esta dinámica tiene un marcado carácter autorreferencial en tanto que, por
ejemplo, los precios se analizan no como valores cuantitativos sino como la resultan-
te de los comportamientos de compra o venta, es decir, en términos de las conduc-
tas de otras personas (‘han comprado muchos’, por ejemplo). Entonces, las
cotizaciones bursátiles dependen fundamentalmente de la opinión colectiva de los
inversores sobre dichas cotizaciones. Y ello porque cada inversor utiliza las res-
puestas de los demás como una información valiosa. De este modo, la dinámica
bursátil muestra un parámetro esencial, parámetro que claramente recae dentro de
la psicología, que no de la economía: el nivel de confianza que cada agente concede
a su información personal. Este parámetro mostraría valores críticos más allá de los
cuáles se producirían las burbujas especulativas o las crisis bursátiles.
Otra área que ha producido ciertos desarrollos ha sido la motivación en la

que Stephen Guastello, de la Universidad de Marquette, en Milwaukee, ha realizado
diversos trabajos de interés (Guastello, 1981, 1987, 1995; Guastello et al. 1999).
Inicialmente, Guastello ha trabajado la motivación desde la teoría de las ca-

tástrofes, así ha propuesto, por ejemplo, un modelo teórico catastrófico sobre la
equidad en la que con la combinación de dos parámetros, control sobre los refuer-
zos y control sobre las inversiones, sabe explicar diferentes resultados individuales:
abandono, huelga, innovación, motivación, rendimiento, absentismo (Guastello,
1981). Aunque el modelo carece de validación empírica, es interesante por dos ra-
zones: primera, por situar en un mismo conjunto de conductas posibles de la perso-
na a comportamientos como el abandono, la huelga, la innovación, el rendimiento,
etcétera, que conforman el abanico de posibles respuestas, o al menos de respues-
tas más habituales, de la persona en su situación de trabajo. Y segunda, porque el
156
modelo propuesto pone de manifiesto que, con pequeños cambios en alguno de los
dos parámetros de control, la respuesta de la persona puede ser muy diferente. Así,
por ejemplo, cuando los costos percibidos son bajos, la relación entre refuerzos y
conductas es bastante lineal: a pocos refuerzos encontramos asociadas comporta-
mientos de abandono y similares mientras que a valores altos de refuerzos van aso-
ciados conductas de motivación y rendimiento. Pero cuando los costos son eleva-
dos, no hay tal relación lineal y encontramos puntos o valores muy determinados a
partir de los cuales la respuesta de la persona es cualitativamente distinta: de repen-
te se pasa de conductas de absentismo, por ejemplo, a conductas de abandono. Es
decir, las relaciones que se dan entre los dos parámetros de control y el conjunto de
respuestas posibles son no lineales.
En la misma línea, Guastello (1987) también ha desarrollado un modelo en el

que los cambios en los niveles de rendimiento, las tasas de absentismo y de aban-
dono son descritas por la interacción no lineal de cuatro parámetros de control: habi-
lidades del sujeto, factores motivacionales extrínsecos e intrínsecos, y variables de
clima organizacional. En este caso, Guastello ha propuesto un modelo de catástrofe
de mariposa con el que recoger los cambios discontinuos que pueden producirse
entre dichos elementos. Además, ha sometido este modelo a contrastación empíri-
ca en una muestra de 272 estudiantes de primer año de universidad y los resultados
son favorables al mismo ya que dicho modelo muestra un poder de explicación es-
tadísticamente significativo y, además, claramente mayor que un modelo de regre-
sión lineal.
En sus últimos trabajos, Guastello (1995; Guastello et al., 1999) ha comenza-

do a introducir elementos del caos y la complejidad, complementando con ello sus
primeras aproximaciones desde la teoría de las catástrofes. Así, junto a Johnson y
Rieke han trabajado en la descripción de la dinámica no lineal de la motivación.
En concreto, Guastello, Johnson y Rieke (1999) han trabajado con lo que de-
nominan flujo de motivación (motivational flow), entendido como la experiencia sub-
jetiva de la motivación intrínseca. Y a su vez la motivación intrínseca entendida como
el resultado de los niveles de reto y habilidades requeridas para una tarea particular.
Tomando como referencia los trabajos de Csikszentmihalyi sobre la expe-

riencia de flujo (flow experience) entendido como experiencia de completa implica-
ción de la persona en una actividad, y de la metodología propuesta por este autor
para su evaluación, Guastello et al. consideran que el flujo de motivación es un cons-
tructo relevante para explicar la implicación individual en el trabajo y en las activida-
des de ocio. Este flujo de motivación viene determinado, según los autores, por el
reto que supone la actividad que la persona afronta y por las habilidades exigidas en
dicha actividad. El flujo de motivación será elevado cuando las habilidades y retos
de la tarea sean altos, y será bajo en los otros casos.
Pues bien, pensando en términos dinámicos, Guastello et al. consideran que

el flujo de motivación debe presentar fluctuaciones a lo largo del tiempo de carácter
no lineal. Y comprueban dicha hipótesis en una muestra de 28 estudiantes universi-
tarios en los que evalúan el flujo de motivación producido en una serie de activida-
des diarias catalogadas a priori (por ejemplo, desayunar, cuidar los niños, cuidado
157
personal, trabajo de voluntariado, compras, estudio, ir de fiesta, etcétera). De todas

estas actividades, piden a los participantes en el experimento que lleven un diario en
el que anoten la actividad que realizan en cada momento, el reto que le supone di-
cha actividad (en una escala de 0=bajo a 9=alto) y el nivel de habilidades requerido
para dicha actividad (en igual escala que el anterior). La medida del flujo de motiva-
ción la obtienen de multiplicar retos por habilidades, primero, y dividir el resultado
por el producto de las desviaciones estándar de reto y habilidades. De este modo,
los 28 participantes generan series temporales sobre retos, habilidades y flujo a lo
largo de los 7 días que duró el experimento. Estos datos serán luego sometidos a
estudios de regresión no lineal y al cálculo del exponente de Lyapunov. Los resulta-
dos muestran que las series de flujo son caóticas para todos los participantes y que
una explicación no lineal, mediante la regresión no lineal, de la dinámica del flujo
presenta valores estadísticamente superiores a una explicación utilizando la regre-
sión lineal (valores de R2 de .22 y .02 respectivamente).
4.4.- Complejidad y Management: Cómo Gestionar Sistemas que se Auto-

organizan.
Teniendo presente todo lo desarrollado a lo largo de este capítulo, en espe-

cial en el punto 4.2 referido al nuevo modelo de organización que se está desarro-
llando desde la complejidad, parece bastante claro que las organizaciones son sis-
temas caóticos que tienen la propiedad fundamental de autoorganizarse. En este
sentido, una de las consecuencias que se derivan desde las teorías del caos y de la
complejidad es que esa autoorganización es posible de ser facilitada, o al menos no
obstaculizada.
Y decimos no obstaculizada porque reconocido el carácter autorreferencial

de la organización se hace difícil la gestión desde el marco de la dirección y el con-
trol. Al igual que en los sistemas biológicos ‘el mantenimiento de la organización (..)
no es –y no puede ser– asunto que realice una gestión centralizada; el orden sólo
puede mantenerse mediante autoorganización’ (Biebracher, Nicolis y Schuster,
1995; citado por Prigogine, 1997, pág. 78), la gestión de las organizaciones socia-
les, complejas, debe entenderse como una facilitación de procesos (Schein, 1987,
1988), o de servir de catalizador de procesos (Nonaka, 1988a, 1988b; Zimmerman,
1993). De otra forma, la gestión consistirá en poner todas las condiciones para que
la auto-organización ocurra y aprovechar luego sus ventajas. Por recurrir a nuestro
imaginario colectivo, podríamos decir que el gobierno, la gestión, de los sistemas
autoorganizativos tiene sus similitudes en aquél rey solitario de El Principito que
habitaba un planeta y tenía la potestad de que el sol saliera y se pusiera a su mer-
ced. Eso sí, dicho poder sólo podía ejercerlo a determinadas horas del día.
Son ya numerosos los autores que han puesto de manifiesto la necesidad de

gestionar de manera acorde a los principios del caos y la complejidad, y la conve-
niencia de apartarse de modelos de gestión tradicionales derivados del modelo ra-
cional y mecanicista con su énfasis en la predecibilidad y el control (e.g.- Brown y
Eisenhardt, 1998; Hurst, 1995; Merry, 1995; Nonaka, 1988a, 1988b, 1994; Nonaka y
158
Takeuchi, 1996; Goldstein, 1994; Gunter, 1995; Pascale, 1990, 2000; Stacey, 1991,
1992, 1996a, 1996b; Zimmerman, 1991, 1993; Zimmerman y Hurst, 1992).
Dos son los aspectos bajo los que pueden resumirse las aportaciones de
estos autores. Por un lado, un aspecto poco desarrollado pero de indudable interés
referente al diseño de la organización. Es decir, cómo diseñar organizaciones de
manera acorde con la concepción de la organización como un sistema complejo
para permitir y aprovechar las potencialidades del caos. Por otro lado, cómo gestio-
nar de forma que se facilite y promueva la autoorganización y el desarrollo continuo
hacia formas de organización más complejas. Este segundo aspecto ha sido am-
pliamente desarrollado como veremos.
4.4.1.- Estructura Organizativa: Diseñando Sistemas Auto-organizativos.
Concebida la organización como sistema complejo, se hace preciso unas

guías de diseño organizativo diferentes a las establecidas desde el modelo racional
y claramente mecanicistas. Desde las teorías del caos y de la complejidad se sos-
tiene que los sistemas en el límite del caos son capaces de maximizar el procesa-
miento de información. Ello tendría su traducción en el diseño organizativo: en prin-
cipio, y de manera universal, se requieren diseños que permitan la autoorganización
espontánea. Decimos de manera universal con la condición de que la organización
necesite maximizar su capacidad de procesamiento de información. Esto será es-
pecialmente relevante cuando la organización esté inmersa en ambientes caracteri-
zados por su ambigüedad (Galbraith, 1977).
Con esta premisa, cuando la organización necesite maximizar su capacidad

de procesar información, Warfield (1994) considera que son las propuestas realiza-
das desde el enfoque sociotécnico las que son más acordes con un diseño de la
organización caracterizada como compleja, dado que respetan muchos de los prin-
cipios generales propuestos en la Cibernética, por ejemplo, el principio de la varie-
dad requerida.
Los principios de diseño sociotécnico son bastante conocidos en nuestra

disciplina (cfr. Peiró, 1983), baste con hacer entonces una breve reseña a algunos
de los principios fundamentales de este enfoque para detenernos más en sus impli-
caciones referidas a la facilitación de la autoorganización. Podemos convenir que
los principales principios formulados desde el enfoque sociotécnico son la redun-
dancia de funciones, la variedad interna requerida, las especificaciones críticas mí-
nimas y los grupos autónomos.
La redundancia de funciones recordamos que hacia referencia a la prolifera-

ción de funciones dentro del grupo natural de trabajo, a la variedad de habilidades
que posee cada trabajador, a su polivalencia o policompetencia (Emery, 1967). La
redundancia de funciones reemplaza, por ampliación, al clásico principio de redun-
dancia de partes en la organización propuesto por Adam Smith o Frederik Taylor
según el cuál es conveniente la proliferación de individuos con el mismo tipo de fun-
159
ciones específicas dentro de la organización. En lugar de diseñar el trabajo median-

te tareas segmentadas, ahora se busca que el trabajador sea competente en la rea-
lización de tareas más amplias, con competencias múltiples y polivalencia.
La redundancia de funciones es una herramienta de uso común en nuestro

entorno empresarial. Es frecuente encontrarse con empresas que se marcan objeti-
vos de polivalencia. Con ello, los gestores pretenden que sus organizaciones sean
más adaptables y, a la vez, que sus trabajadores sean más valiosos para la empre-
sa. Con la redundancia de funciones se consigue una mayor flexibilidad organizativa,
mayor capacidad de adaptación a cambios rápidos y un mayor potencial de innova-
ción al estar el trabajador en contacto con un mayor número de áreas. Igualmente,
puede constituirse en una útil herramienta para propiciar un sentido de organización
al empleado al ponerlo en contacto con diferentes trabajos (Sérieyx, 1993). Por otro
lado, la redundancia de funciones también presenta sus ventajas para los propios
trabajadores. Primero, suele ser frecuente la mejora de la satisfacción laboral deri-
vada del enriquecimiento de puestos que la redundancia de funciones conlleva
(Emery, 1967; Hackman y Oldham, 1980). Y segundo, la redundancia de funciones
puede contribuir a una mejor formación de los trabajadores. Estar cualificado en
múltiples competencias es muy recomendable en mercados laborales, como el
nuestro, caracterizados por la alta flexibilidad laboral.
Por otro lado, no conviene obviar un uso perverso de la redundancia de fun-

ciones: preparar a un trabajador para que sea capaz de hacer el trabajo de dos al
coste de uno para la empresa. Es evidente que esta utilización no se halla en con-
cordancia con los principios de preservar y fomentar la calidad de vida laboral por la
que trabajaron los sociotécnicos.
El principio de variedad interna requerida propone que la organización debe

presentar una variedad interna que coincida, en variedad y complejidad, con la del
entorno con el que interactúa. Ya vimos en el capítulo 2 que este principio fue formu-
lado por Ashby (1956), y en el ámbito organizativo autores como Weick (1969) o
Morgan (1986) lo han recogido al proponer que las organizaciones deben presentar
una variedad funcional que sea pareja con la variedad y complejidad de los entornos
con los que mantiene intercambios. Todo elemento de la organización debe expre-
sar dimensiones críticas del entorno con el que debe interactuar.
Pensamos que este principio podría ser más efectivo si tomamos la variedad
requerida en su prescripción mínima. Es decir, consideramos que es mejor el tomar
la consideración del entorno en cuanto a marcar la variedad interna mínima requeri-
da. Un principio similar ha sido propuesto por Buckley (1968) en el ámbito de la bio-
logía. Si pensamos en la variedad interna requerida como variedad mínima requeri-
da dejamos abierta la posibilidad a que en la organización haya aún más variabili-
dad de la existente en sus entornos. Con ello, existirán funciones dentro de la organi-
zación que no tengan ningún referente exterior y que podrán trabajar y gestionar, por
ejemplo, la introducción de novedades en el propio entorno o en la misma organiza-
ción. De esta forma, la organización tiene la posibilidad de construir en cierta medi-
da su propio entorno y preparar una co-evolución junto a él. Los departamentos de
I+D encajan, en principio, perfectamente en este esquema.
160
La variedad interna mínima requerida proporciona una guía para la utilización

de la redundancia de funciones. El número y variedad de funciones vendrá determi-
nado, en su valor mínimo, por el entorno con el que interactúa la organización.
Un tercer principio clásico propuesto por los sociotécnicos es el de las espe-

cificaciones críticas mínimas. Éstas hacen referencia a la facilitación de la toma de
decisiones lo más cercana posible a los trabajadores afectados por dichas decisio-
nes. Desde la gestión sólo será necesario dar unas especificaciones mínimas sobre
la toma de decisión (Herbst, 1974). De otra forma, en lugar de marcar al trabajador
los métodos y los objetivos específicos a conseguir, es preferible señalar sólo su
misión y resultados más genéricos, dejando la operativa o forma de realizar el traba-
jo al propio trabajador.
Trasladado este principio de diseño a un principio de gestión, podríamos

pensar en las especificaciones críticas mínimas como una gestión por valores, di-
rección que es más eficaz que la dirección por objetivos o por instrucciones en en-
tornos turbulentos (García y Dolan, 1997). Aunque, como veremos en el próximo
apartado, la dirección por valores y el énfasis en la importancia de una visión com-
partida es un arma de doble filo (Stacey, 1992; Pascale, 2000).
Con las especificaciones mínimas se consigue crear unas condiciones per-

misivas tales que permiten a la organización encontrar su propia forma, que le per-
miten su autoorganización gracias a la experimentación de maneras de funcionar
(Thietart y Forgues, 1993). De igual manera, las especificaciones mínimas permiten
crear una gran flexibilidad interna gracias a que las directrices son suficientemente
amplias y borrosas (e.g.- calidad, profesionalidad, interés por el cliente). Esta borro-
sidad exige, y permite a la vez, un proceso de creación de significado y sentido de-
ntro de la organización, un proceso de interpretación de la ‘realidad’ del día a día
(Weick, 1969). Como dice Dee Hock, la organización es ‘un concepto en torno al
cual se reúnen las personas y los recursos para la consecución de una aspiración
que comparten’ (Durrance, 1997). La creación de información será uno de los prin-
cipios clave de la gestión compleja como veremos en el próximo apartado.
Por último, un cuarto principio sociotécnico de especial importancia para el

diseño organizativo desde una visión compleja es el trabajo en grupos autónomos.
El trabajo en grupos autónomos era pieza clave en el diseño sociotécnico (Emery,
1959; Trist, 1981). El grupo de trabajo, en sí mismo, permite complementar el
aspecto puramente técnico del trabajo con los contenidos sociales derivados de la
pertenencia. El grupo es indudablemente una entidad más cercana para la persona
que no la organización. Por otro lado, el grupo de trabajo autónomo ofrece
posibilidades de autogestión superando con ello en versatilidad al grupo de trabajo
que requiere supervisión externa. La supervisión externa puede corregir errores,
pero la supervisión interna puede prevenirlos (Trist, entrevista a Weisbord, 1989,
pág. 174). La autogestión puede entenderse como autogestión en la fijación de
estándares y metas, en la selección y formación de los propios miembros compo-
nentes, en la evaluación de los mismos, etcétera. También no conviene obviar que
161
de los mismos, etcétera. También no conviene obviar que los grupos de trabajo au-
tónomos ponen de relieve la potencialidad y beneficios mutuos que provee el trabajo
cooperativo (Weisbord, ob. cit). Es significativo la implantación actual en nuestras
empresas de círculos de calidad, equipos semi-autónomos, Kaizen, y similares (cfr.
Gil y Alcover, 2000, para una revisión sobre publicaciones existentes en nuestro país
sobre este aspecto).
Los grupos de trabajo deberán estar compuestos por miembros con un am-
plio conjunto de habilidades que faciliten la sensación de control a los miembros so-
bre la consecución de objetivos grupales, logros que producirán satisfacción entre
sus miembros (Fox, 1995).
Por otro lado, los grupos autónomos son como células en el gran entramada
de la organización. En estas células se tiene la oportunidad de compartir conoci-
mientos y formas de hacer, incluso puede aumentarse la eficacia organizativa si se
permite que las diferentes células o grupos interactúen entre sí (Coleman, 1999). La
comunidad científica, con sus equipos de investigación, funciona en gran medida de
esta manera.
Cuadro 4: Ejemplo de aplicación de los diferentes principios del diseño sociotécnico.

La Organización Holográfica en la práctica.
Extraído de Gareth Morgan, 1986.
Consideremos, por ejemplo, una conocida firma de ordenadores que ha reorganizado muchas
de sus fábricas en la línea que refleja los principios del diseño holográfico. Por ejemplo, en una plan-
ta que emplea casi 200 personas, la organización ha sido dividida en equipos de 14 a 18 personas.
Estos grupos operativos tienen completa responsabilidad de la producción, desde la recepción de los
suministros en la planta hasta que el producto terminado está en el embraque. Cada uno de los em-
pleados certifican las veinte tareas necesarias para realizar un producto en su totalidad. Los equipos
se reúnen diariamente para tomar decisiones relativas a la producción, para dividir el trabajo y para
atender cuestiones especiales, tales como optimizar la distribución del trabajo, problemas del sumi-
nistro o del embarque, contratación de nuevo personal. Los miembros del equipo son responsables
del establecimiento propio del horario de trabajo, de la programación de la producción y de los
controles de calidad. Incluso gestionan los certificados de capacidad de sus colegas. Cada equipo
operativo tiene un director que actúa como recurso, instructor y gestor, teniendo una especial
preocupación por la identidad del grupo.
Además de los equipos operativos hay también administrativos y técnicos que proporcionan
sistemas de apoyo, servicio y materiales. La plantilla técnica también juega una función importante
ayudando a los equipos operativos a integrar nuevos productos, procesos y el equipamiento dentro
de las operaciones diarias para que la planta pueda mantenerse al frente de desarrollos tecnológicos.
El carácter general de la planta se caracteriza por una integración holográfica. La distribución

del trabajo fue estimulada por el deseo de crear relaciones holísticas entre el personal y su trabajo,
de manera que los empleados adquirieran un sentido de identidad con la empresa y con los produc-
tos. Todos y cada uno de los trabajadores conocen casi todo acerca de los productos y los procesos
con los están relacionados la planta, llegando a estar involucrados en los procesos de productividad
en el más amplio sentido. Los empleados están estrechamente relacionados en su esfuerzo común
a través de una formación exhaustiva y unos programas de orientación que les ayudan a desarrollar
programas comunes y un sentido de propósitos compartidos y son recompensados por sus logros en
función de niveles de cualificación. Los resultados han tenido éxito, mejorando la productividad, cali-
dad, innovación y calidad de vida laboral.
162
Integrando los cuatro principios comentados, redundancia de funciones, va-

riedad interna mínima requerida, especificaciones críticas mínimas y grupos auto-
gestionados, se consigue un diseño de la organización que permite una alta adap-
tabilidad y flexibilidad. Con este diseño celular de la organización (Miles, et al.,
1997), fractal si se permite, la organización gana en capacidad continua de regene-
ración, de autoorganización continua, facilitando los cambios evolucionarios y acep-
tando las disrupciones del entorno como oportunidades empresariales (Coleman,
1999). Con este tipo de diseño, se gana en capacidad de adaptación en condicio-
nes ambientales que exijan de un elevado procesamiento de información, al emer-
ger unos patrones estructurales y configuraciones más evolucionados.
Morgan (1986) ha propuesto unas guías, de lo que denomina diseño holográ-

fico, parecidas a las aquí apuntadas y añadiendo un último principio que denomina
de aprender a aprender consistente en la capacidad de aprendizaje de doble bucle
(cfr. Argyris y Schon, 1978). Por nuestra parte consideramos que este principio obe-
dece más a un principio gestión que no de diseño, por lo que nos referiremos a él en
el próximo apartado sobre los principios de gestión compleja. Si no interesa de este
autor rescatar un ejemplo empresarial del sector informático en el que se integran
los diferentes principios de diseño aquí propuestos (ver cuadro 4).
4.4.2.- Gestión Compleja de las Organizaciones.
Establecidos los principios de diseño acordes con las teorías del caos y de la
complejidad, la otra pieza clave en la que descansa la gestión compleja de las orga-
nizaciones son precisamente una serie de principios de gestión que han sido pro-
puestos por diferentes autores.
En esencia, estos principios de gestión, o de otra forma, la gestión compleja

de las organizaciones pretende facilitar y promover el desarrollo organizativo hacia
formas de mayor complejidad, siendo la complejidad, en última instancia, un criterio
de éxito organizativo. La complejidad puede traducirse en mayor capacidad de pro-
cesamiento de información y en mayor autonomía con respecto al medio, cuestiones
ambas claramente relacionadas con la excelencia organizativa.
Básicamente, podemos considerar cuatro los principios de la gestión com-

pleja de las organizaciones: la gestión de la incertidumbre, la gestión de la informa-
ción y de significados, el apoyo a la existencia de fuerzas contrapuestas en la orga-
nización y la utilización del conflicto positivo y, finalmente, la gestión centrada en va-
lores nucleares y borrosos. Veamos detenidamente cada uno de ellos.
4.4.2.1.- Gestión de la Incertidumbre.
La incertidumbre ambiental ha sido un aspecto ampliamente considerado en

la literatura organizativa y, de manera reiterativa, se ha presentado como una pro-
163
piedad del entorno la cual hay que absorber, controlar, o afrontar de alguna manera.
Por otra parte, la incertidumbre ambiental ha sido caracterizada por Duncan (1972)
en función de dos factores tales como la naturaleza cambiante del entorno y el núme-
ro de factores que conforman dicho entorno. Duncan comprobó que el aspecto de
inestabilidad del entorno era un factor más importante para determinar la percepción
de incertidumbre que el factor numérico.
La teoría contingente, sin duda la que más atención ha prestado a la incerti-

dumbre, ha insistido una y otra vez en que las organizaciones deben absorber la in-
certidumbre ambiental (cfr. Thompson, 1967; Perrow, 1967, 1970) creando un am-
biente negociado (Cyert y March, 1963) en el que el futuro sea más predecible, pro-
curando no depender tanto de los recursos que el entorno provee mediante, por
ejemplo, fusiones, reabsorciones, etcétera (Pfeffer y Salanick, 1978). Dos párrafos
de Perrow (1970) nos servirán de magnífica ilustración de cuan importante es ab-
sorber la incertidumbre para estos autores. El primero:
‘.. hemos sostenido que la forma burocrática es resultado de un intento exitoso de lograr lo
que todas las organizaciones procuran lograr –reducir al mínimo el impacto de las influencias
extrañas a la organización sobre los miembros; promover la especialización en alto grado pa-
ra estar seguros de tener eficiencia y competencia; y controlar hasta donde sea posible las
incertidumbres y la variabilidad del medio ambiente’ (pág. 251).
Y el segundo:
‘Pero cuando el medio ambiente cambia con demasiada rapidez para poder controlarlo o ni-
velarlo y cuando las tareas están demasiado mal definidas o son demasiado variables para
permitir una especialización de máximo nivel, no es posible disponer de un alto grado de bu-
rocracia ni de estructura. En lugar de ello, es necesario exponerse a la intrusión de influen-
cias extrañas a la organización, a la vez que procurar reducirlas al mínimo por medio del
costoso dispositivo de profesionalización del personal. Se pierden las ventajas de la especia-
lización para poder promover la flexibilidad y la solución de los problemas. No se pueden se-
llar las entradas y orificios de la organización para garantizar la capacidad de adaptación,
hay que dejar que penetre el medio ambiente. (..) Pero, según aducimos, el esfuerzo de las
organizaciones está dirigido hacia la rutinización, la estandarización y la burocracia. Dicha
tendencia es inherente a la naturaleza de una civilización industrial’ (pág. 252).
Una de las grandes aportaciones de las ciencia de la complejidad es que nos

presenta la necesidad que tenemos de cambiar nuestras actitudes hacia la incerti-
dumbre (Merry, 1995). Quizá por ello, sea frecuente encontrar en la actualidad lista-
dos de competencias de directivos en los que se da mucha importancia a un factor
generalmente denominado ‘tolerancia a la incertidumbre’ (e.g. Equipo Change Inte-
gration Price Waterhouse, 1996).
Los seres humanos somos poco tolerantes a la incertidumbre, tal y como se

demuestra perfectamente en los T-Groups o en los experimentos ideados por Gar-
finkel (1967) en sus Estudios de etnometodología. Quizá por eso, las personas im-
ponemos en nuestras organizaciones ‘atavíos militares como jerarquías y controles
escalonados para ocultar el desorden’ (Weick, 1969, pág. 48). Pero, por otro lado,
los seres humanos somos igual de intolerantes a la certidumbre. En el mundo de la
psicología de las organizaciones y del trabajo encontramos buenos ejemplos de
164
ambos extremos. La ambigüedad de rol y el conflicto de rol son dos de los principa-
les factores determinantes del estrés laboral. La incertidumbre en el desempeño del
rol llega a provocar malestar fisiológico en el organismo. En el otro extremo, el traba-
jo en cadenas de montaje en parte de nuestra industria sólo se mantiene gracias a
las altas retribuciones que se dan a cambio. La certidumbre, la rutina, genera tam-
bién disfunciones organísmicas: la persona se siente insatisfecha, poco motivada y
aliena a su tarea. Como diría Dee Hock, fundador de Visa, las máquinas deshuma-
nizan al trabajador (cfr. Durrance, 1997).
En relación con la incertidumbre Brenda Zimmerman (1991, 1993; Zimmer-

man y Hurst, 1992) ha planteado la siguiente cuestión. Aceptado el hecho de que las
organizaciones distan mucho de ser sistemas en equilibrio o sistemas estables,
aceptada su inestabilidad inherente, ¿por qué no gestionar las organizaciones aña-
diendo complejidad e incertidumbre? Como hemos mostrado más arriba, incluso
como algunos autores han comprobado empíricamente (e.g. Smith y Comer, 1994),
la inestabilidad es una valiosa fuente de creatividad, innovación, renovación y desa-
rrollo para la organización. La cuestión es entonces obvia: si la inestabilidad es in-
herente a la organización y, además, puede ser provechosa para la misma, ¿por qué
no aprovecharla?. De otra forma, Zimmerman nos invita a dar el paso de gestionar
intentando absorber la incertidumbre a gestionar la propia incertidumbre, lo que con-
llevará tanto tareas de absorción como de creación y de amplificación de la misma.
Zimmerman sostiene que los procesos de gestión estratégica, además de

poder ser concebidos como procesos que pretenden reducir la incertidumbre am-
biental al afrontarla, tal y como nos ha enseñado la literatura más clásica (e.g. Cyert
y March, 1963; Thopmson, 1967; Willianson, 1975; Andrews, 1980; Tichy, 1983),
pueden presentar otra cara muy distinta. Los procesos de gestión estratégica pue-
den constituirse en rutas, vías para aminorar los aspectos rutinarios de la organiza-
ción, a la vez que son útiles para añadir complejidad, incertidumbre y ambigüedad.
El orden se crea entonces a través de la autoorganización en el que el concepto de
ajuste, tan defendido en la teoría contingente, es autorreferencial (Zimmerman, 1991,
1993). En palabras más llanas, la gestión estratégica es un útil para dar vida a la
organización.
Este aspecto de la gestión de la incertidumbre, tradicionalmente olvidado,

aunque pudiese parecer sorprendente es ampliamente utilizado por numerosas em-
presas. Hay muchos directivos que utilizan de forma intencionada la inestabilidad
para introducir fluctuaciones a amplificar (Stacey, 1992; Goldstein, 1994). Hurst
(1995) considera que, a menudo, los gestores crean crisis intencionadamente, lo
que puede interpretarse como llevar a la organización al borde del caos. Con ello se
facilita los procesos de renovación organizativa. Para ello, señala Hurst, es también
importante hacer partícipes a las personas miembros de la organización. Nonaka
(1988a, 1988b; Nonaka y Takeuchi, 1996) ha descrito como numerosas empresas
japonesas introducen intencionadamente caos en sus organizaciones para generar
dinámicas de innovación mediante la creación de información (lo veremos detalla-
damente en el próximo punto). También Goldstein (1994) considera que la autoor-
ganización se facilita al llevar a la organización a estados de alejamiento del equili-
brio, algo que se consigue con este principio de gestión.
165
Pascale (2000) nos ofrece un ejemplo sencillo de esta gestión de la incerti-

dumbre y del cual encontraremos similitudes en empresas cercanas. Comenta este
autor el caso de Steve Miller cuando entró a formar parte del comité directivo de
Shell. Miller comenzó a trabajar directamente con el personal de atención al público,
algo que supuso la perturbación de un sistema altamente burocrático y de una cultu-
ra fuertemente impermeable como era Shell. Para Pascale, la solución de Miller fue
‘abrirse paso entre las barreras de la organización, colocar a los altos directivos en
contacto directo con el personal de base, fomentar iniciativas estratégicas, crear una
sensación nueva de urgencia y acabar con el antiguo régimen’ (pág. 63). Sin lugar a
dudas, fue una forma de perturbar la organización añadiendo complejidad e incerti-
dumbre en un sistema bastante osificado. Como dice Stacey (1992, pág. 71) ‘los
directivos de éxito utilizarán de forma positiva la inestabilidad limitada para provo-
car la innovación’.
Las entidades bancarias, por continuar con ejemplos más cercanos, trabajan
actualmente una cartera de productos claramente distinta en número y cualidad a la
de hace algunos años. Los clubes de fútbol obtienen hoy grandes ingresos por lo
que serían considerados atípicos tiempos atrás, tales como retransmisiones televi-
sivas, publicidad, contratos de imagen, etcétera. En todos estos casos, se manifies-
ta un desarrollo de las diferentes organizaciones hacia formas de mayor compleji-
dad. Y en todos estos casos, la forma de desarrollarse ha consistido en la incorpo-
ración de mayor complejidad a la organización. El señor o señora que antes debía
realizar los ingresos y pagos de cuentas a los clientes del banco, hoy, además de
eso, debe vender diversos servicios que el banco ofrece –seguros de diversos tipo,
préstamos, cuentas vivienda, etcétera-.
Zimmerman (1991) considera que una de las mejores formas de introducir

complejidad e incertidumbre en la organización es mediante la utilización de los
‘procesos humanos’, por ejemplo, facilitando las interacciones internas entre los
empleados –como en el caso anterior de Shell-, las interacciones externas con clien-
tes, con proveedores, etcétera. Este aspecto de potencial de inestabilidad y, por
tanto, de procesos evolucionarios, que tiene el factor humano sitúa a la gestión de
los recursos humanos como una de las áreas vitales de cualquier organización.
Dos formas más específicas de aumentar la complejidad y la incertidumbre

son mediante la creación permanente de información y de significados y mediante el
apoyo de fuerzas contrapuestas en la organización y la utilización del conflicto positi-
vo. Serán los dos siguientes principios de la gestión compleja que veremos.
4.4.2.2.- Gestión de la Información y de Significados.
Otra diferencia apuntada por Zimmerman (1991, 1993) entre las dos lecturas
posibles sobre los procesos estratégicos está en el papel otorgado a la información.
Zimmerman cree que la visión clásica de la gestión estratégica, al considerar la in-
166
certidumbre como una propiedad del ambiente, ha enfatizado el procesamiento de

la información como herramienta clave para que la organización asegure unos ajus-
tes adecuados con el ambiente. Por el contrario, cuando concebimos los procesos
estratégicos como formas de incorporar inestabilidad a la organización el énfasis
recae en la creación de información y de significados. El acento en el procesamien-
to de la información ha puesto de manifiesto las capacidades limitadas de las per-
sonas (Simon, 1960), mientras que el énfasis en la creación de información apunta
hacia las capacidades ilimitadas de las personas para dar sentido a sus acciones
(Nonaka, 1988a).
Un autor que ha trabajado ampliamente este aspecto ha sido Ikujiro Nonaka,

autor japonés que ha puesto de relieve como numerosas empresas de su país ges-
tionan la información como herramienta clave en los procesos de innovación y desa-
rrollo organizativos. Para Nonaka (1988a) la esencia de la creación de una organi-
zación lo constituye la creación de información de tipo semántico. Es decir, la crea-
ción de significados, la creación de conocimientos. Uno de los procesos típicos de
creación de información y de significados es el desarrollo de estrategias o, también,
el desarrollo de nuevos productos o servicios como veíamos en los ejemplos ante-
riores.
Nonaka (1988a; Nonaka y Takeuchi, 1996) concibe el proceso de creación

de información como un proceso en el que el conocimiento tácito se convierte en
conocimiento explícito, y considera que este proceso es posible de ser gestionado
de manera eficaz si consideramos algunos aspectos clave.
1. El primero de ellos hace referencia a la creación intencionada de caos dentro

de la organización. Por ejemplo, mediante la formulación de una visión desa-
fiante pero equívoca. Cuando la visión presenta una ambigüedad estratégica
facilita las fluctuaciones entre los puntos de vista de las personas de la orga-
nización y, por tanto, da pie a la creatividad dentro de la misma (el ‘Let’s
change the flow’, de Nissan sería un ejemplo de esta ambigüedad calculada).
También se puede crear caos mediante la amplificación de fluctuaciones
provenientes del entorno, de la tecnología o de otras organizaciones. Por
ejemplo, atendiendo demandas novedosas. Por último, una nueva herramien-
ta que sirva en la creación de ese caos la tenemos en la estructura y cultura
organizativa que permita, por ejemplo, la creación de conflictos creativos, la
capacidad de cambio de perspectivas (de doble bucle) acompañados por un
marcado énfasis en la acción y la experimentación. Como dice el fundador de
Sony, Masaru Ibuka, hacer algo, aunque fracases, es mejor que no hacer na-
da.
2. Un segundo aspecto clave hace referencia a la amplificación de fluctuaciones

y a la atención centrada en las contradicciones. Una vez generadas las fluc-
tuaciones, mediante las estrategias descritas anteriormente, hay que amplifi-
carlas. La amplificación es fácil de conseguir si centramos la atención en las
contradicciones generadas en la etapa anterior. En el extremo, la amplifica-
ción de las fluctuaciones puede generar una crisis. Las crisis suponen una
oportunidad para la organización. En términos de comportamiento humano, la
amplificación de fluctuaciones supondrá el cuestionamiento de la validez de
167
nuestras actitudes hacia el mundo. Gracias a la amplificación de las fluctua-

ciones, el orden antiguo puede ser reemplazado por uno nuevo. Luego, las
crisis han de tener un fuerte carácter creativo. Para que de la crisis emerja el
fenómeno de autoorganización, Nonaka (1988b) comenta que un número im-
portante de empresas japonesas forman grupos con los mandos intermedios
con la tarea de integrar las fluctuaciones. Es la interacción social la que gene-
ra el nuevo conocimiento necesario. Por ejemplo, se ha de seguir fabricando
determinado producto pero integrando determinadas propiedades exigidas
por los clientes. Los mandos intermedios son los agentes de cambio
principales en este proceso.
3. Un tercer aspecto se refiere a la cooperación dinámica para la resolución de

discrepancias. En todo el proceso anterior se ha generado mucha informa-
ción semántica, ahora se necesita recoger la mejor de esa información, los
mejores significados construidos y hacerla llegar al resto de la organización.
Es importante que la información esté disponible a través de toda la organi-
zación (Baskin, 1998). Algunas empresas crean para ello equipos formados
por miembros muy diversos de la organización, en cuanto a sus funciones,
que tienen la tarea de integrar discrepancias de significado y presentarse al
resto de la organización como el nuevo modelo de forma de organización.
4. Finalmente, un cuarto aspecto clave es la reestructuración del conocimiento

organizativo que conllevará la emergencia de un nuevo orden. Los tres proce-
sos anteriores han servido, sobre todo, para generar información, información
significativa a título individual o de grupos. Pero ahora se trata de encontrar
sentido como organización. Luego la organización deberá iniciar un proceso
–ya comenzado en las etapas anteriores– de aprendizaje organizativo que
concluya con la reintegración de las fluctuaciones que se amplificaron en un
nuevo orden organizativo.
Posteriormente Nonaka (1994 y Nonaka y Takeuchi, 1996) ha planteado dos

procesos que, al actuar en paralelo, potenciarán las capacidades del caos creativo
como generador de conocimiento descrito en los cuatro puntos anteriores. El prime-
ro es la redundancia. La redundancia de la información, del conocimiento ya que
estamos hablando de información con significado para la organización, hace refe-
rencia a la existencia de la información extra entre los miembros de la organización
más allá de que sea utilizada o no. La redundancia promoverá que el conocimiento
sea compartido y permite conectar a las personas con la organización a través de la
convergencia de significados. Por otro lado, la redundancia de la información es
fácil de conseguir con la utilización de la redundancia de funciones comentada en los
principios de diseño de la organización compleja. El segundo proceso hace referen-
cia a la variedad requerida, que también hemos comentado ampliamente, y que
ahora tiene la lectura de la necesaria diversidad organizativa como fuente esencial
en la generación de conocimiento.
Esta forma de gestión, habitual en el contexto de las grandes empresas tec-

nológicas de Japón (Sony, Canon, Honda o NEC, entre otras) es percibida como
168
radical en nuestros esquemas de gestión occidentales. Aunque, todo hay que decir-
lo, ya hay numerosos autores en occidente que comienzan a tener en cuenta la im-
portancia de la generación de significados en la gestión, como Marvin Weisbord
(1992) y sus seminarios de prospección de futuro como método de dirección estra-
tégica y en los que se pretende la generación de significados en la interacción mu-
tua de múltiples de miembros de la organización de diferentes niveles. Lo que sí
parece claro es que la organización no sólo procesa información, también la crea. Y
esta creación de información, creación de significados, es una herramienta vital pa-
ra facilitar un desarrollo organizativo complejo. Tras la creación masiva de informa-
ción, habrá que ofrecer interpretaciones válidas sobre las mismas, habrá que gene-
rar significados. Es ésta la esencia de la tarea de organizar (Weick, 1969).
En definitiva, la gestión de la información se muestra como una tarea central

en la gestión de la organización (Zimmerman y Hurst, 1992).
4.4.2.3.- Apoyo de Fuerzas Contrapuestas dentro de la organización y Utiliza-

ción del Conflicto Positivo.
Otra vía para crear información y, también, para generar complejidad e incer-
tidumbre, es mediante el uso del conflicto positivo en la organización y el apoyo de
fuerzas contrapuestas dentro de la misma.
Que el conflicto puede ser útil para favorecer cambios ha sido una idea ex-
tendida en la ciencia social en general (e.g. Thompson, 1965; Touraine, 1973; Dah-
rendorf, 1979) y también dentro de la psicología social en particular (e.g. Daümling
et al., 1982; Tjosvold, 1991; Ayestarán, 1997). Así Van Doorn (1956), por ejemplo,
ve en el conflicto la condición necesaria para que se produzca el progreso en las
organizaciones. Daümling et al. (1982) conciben el desarrollo de los grupos como
una continua sucesión de conflictos y de las resoluciones que se dan a los mismos.
Greiner (1972) veía la evolución de las organizaciones como una sucesión de evolu-
ciones y revoluciones. Para Ayestarán (1997) el conflicto permite en el grupo el
cuestionamiento y puesta en discusión de los propios valores, dando por ello pie a la
oportunidad de evolución hacia formas de funcionamiento más complejas. Nótese
también que toda esta literatura, al menos implícitamente, rompe con la idea de que
las organizaciones persigan equilibrios estables al reconocer la dinámica del cam-
bio como constitutiva de la organización.
Lo que es novedoso es pensar en la utilización del conflicto buscando sus

efectos positivos. Autores como Nonaka (1988a), Pascale (1990), Tjosvold (1991),
Stacey (1992), Zimmerman (1991, 1993), Van de Vliert y De Dreu (1994), Dee Hock
(cfr. Durrance, 1997) o De Dreu y Van de Vliert (1997) defienden las potencialidades
que puede tener la estimulación intencionada del conflicto dentro de la organización
por cuanto puede proveer de unos mejores resultados para la organización. Por
ejemplo, Van de Vliert y De Dreu (1994) comprueban como la estimulación del con-
flicto aumenta el rendimiento en una tarea de grupo que precisa de la interdepen-
dencia de los miembros, resultado que, por otro lado, no ocurre cuando el conflicto
se centra en la identidad de las partes en los que se produce una elevada tensión
169
emocional. Dos ejemplos empresariales más nos ilustrarán sobre la potencialidad

de la utilización del conflicto dentro de las organizaciones.
Zimmerman (1991, 1992) comenta el caso de FedMet, una importante em-

presa metalúrgica canadiense, en donde la dirección desestabilizaba la empresa
utilizando procesos como: a) crear y exponer diferencias o fuerzas contrarias en la
organización, b) reforzar esas diferencias, c) trabajar en la construcción sobre las
diferencias para crear vías de actuación conjunta y d) animar a la reflexión retrospec-
tiva sobre las diferencias iniciales. En una de las divisiones de FedMet el presidente
retaba a sus empleados a que ‘se atreviesen a ser diferentes’. El lema de esta em-
presa, ‘People Making a Difference’ refleja bien que una de las tareas de los gesto-
res es aprovechar las fluctuaciones que se producen en los recursos humanos.
Por otra parte, en empresas como Canon y Honda hay la tradición de fichar
directivos que se han formado profesionalmente en otras empresas con culturas dis-
tintas a las de Canon y Honda. Con esta estrategia de fichajes de directivos se bus-
ca la generación intencionada de contraculturas dentro de la misma organización, al
garantizar que haya fuerzas contrapuestas (Nonaka, 1988a; Syacey, 1992). En cas-
tellano diríamos que buscamos ‘sangre nueva’. Con esta estrategia se favorece la
generación de procesos de innovación.
Obviamente la clave radica entonces en la gestión que se haga del conflicto.

El modelo propuesto por Tjosvold (1991) pensamos que es muy válido en este sen-
tido. Recordamos que Tjosvold plantea que, primero, se ha de tener una actitud de
valorar las diferencias, reconociendo la diversidad y la necesidad de las opiniones
distintas. Como tantas veces se dice en formación de equipos de trabajo, ‘si en un
equipo dos personas están siempre de acuerdo, una de las dos sobra’. El segundo
paso es la búsqueda del beneficio mutuo, tomando conciencia de que no es lo mis-
mo tener diferencias que tener intereses opuestos; igualmente habrá que trabajarse
en la búsqueda de metas comunes o supraordinadas, tal y como propusiera en su
día Muzafer Sherif. En el tercer paso se ha de conferir poder a las personas en cuan-
to a que se les ha de facilitar que puedan expresar sus deseos y frustraciones. Fi-
nalmente, es necesaria una evaluación del proceso, a modo de reflexión de cómo se
está manejando el conflicto, formulando preguntas como ¿se están valorando las
diferencias?, ¿se expresan esas diferencias? o ¿se mantienen metas cooperati-
vas?. Esta fase produce retroalimentación a la primera de valoración de la diversi-
dad con lo que se reinicia el proceso.
4.4.2.4.- Gestión centrada en Valores Nucleares y Borrosos.
Un último aspecto que quisiéramos destacar como característico de la ges-

tión compleja de las organizaciones hace referencia a la gestión por valores, valores
que habrán de presentar una ambigüedad calculada como decíamos más arriba
cuando nos referíamos a la formulación de la estrategia.
Que la gestión por valores se constituye en una gestión más apropiada en

entornos de cambio rápido que otros tipos de gestión más clásicos como la direc-
170
ción por objetivos o la dirección por instrucciones ha sido claramente puesto de re-
lieve por García y Dolan (1997). Los valores tienen una mayor capacidad de absor-
ber incertidumbre. Con una gestión centrada en los valores nucleares de la organi-
zación permitimos una mayor tolerancia y puede que hasta una asunción creativa de
la complejidad e incertidumbre cada vez más presentes en los entornos empresaria-
les e, incluso, dentro de las propias organizaciones. Además, los valores pueden
permitir encauzar las acciones estratégicas de la empresa al proporcionar una vi-
sión.
Ahora bien, la visión y los valores en la organización son espadas de doble

filo (Pascale, 2000). Y ello porque los valores, al permitir una mayor absorción de la
incertidumbre, pueden muy bien cumplir la función de ‘defensas místicas contra esa
misma incertidumbre’ (Stacey, 1992, pág. 42). En primer lugar, hemos de tener
presente que la creación de una visión no es útil cuando el futuro no es posible de
conocer como ocurre en todos los sistemas caóticos. Al menos no es útil en cuanto
que no es capaz de proporcionarnos un mapa sobre el futuro (cfr. Stacey, 1992; Le-
vy, 1994). Otra cuestión es que tranquilice angustias. En segundo lugar, la gestión
compleja de la organización no sólo se centra en la absorción de la incertidumbre
sino que también considera la utilidad de crear esta incertidumbre en algunos casos.
Y tercero, la tradicional gestión que aconseja la formulación de visiones coloca una
carga pesada e irreal a las espaldas de los líderes, con lo que se perpetúa la idea
de que las organizaciones deben confiar en unas pocas personas extraordinaria-
mente dotadas para decidir qué hacer mientras el resto los sigue con entusiasmo.
Con ello se perpetúa también las culturas de dependencia y conformidad que impi-
den el natural cuestionamiento y cierran las posibilidades al aprendizaje complejo
fuente de la acción innovadora.
El caos y la complejidad nos conducen a ‘abandonar esas defensas y centrar

nuestra atención en el aprendizaje y la interacción política que constituyen la ver-
dadera gestión estratégica’ (Stacey, ob. cit).
La gestión compleja de la organización está interesada, por tanto, y de mane-

ra especial, por la faceta de ambigüedad que aportan los valores. Los valores se
caracterizan por su borrosidad. Valores como puedan ser “calidad”, “orientación al
cliente”, “profesionalidad”, etcétera, son claramente borrosos por cuanto permiten
una flexibilidad en sus interpretaciones. Es este el aspecto clave para la gestión
compleja de las organizaciones. Como veíamos en el punto anterior, la ambigüedad
en la formulación estratégica, su borrosidad, permite, y obliga dado la necesidad de
pregnancia de nuestro conocimiento social, la construcción de significados, la crea-
ción de información.
De cómo esta borrosidad es operativa para la gestión tenemos un ejemplo

magnífico en la regulación del tráfico. Frente a la utilización en un cruce de un semá-
foro que nos dice categóricamente “en rojo, prohibido el paso”, es posible facilitar la
auto-regulación del tráfico mediante el empleo de una rotonda en la cual los conduc-
tores seguimos un principio, más o menos aceptado y democrático, que nos indica
que “dejemos el paso al que circula por el interior y está cerca”. La borrosidad se
encuentra aquí en que significa “estar cerca” para cada uno de nosotros.
171
También conviene realizar otro apunte. Desde el popular trabajo de Peters y

Waterman ‘En busca de la excelencia’, se ha extendido la idea de la importancia de
las culturas fuertemente compartidas y basadas en unos valores ‘reales, comparti-
dos y profundamente sentidos para que tengan un impacto real sobre los comporta-
mientos’ de los miembros de la organización (Equipo Change de Price Waterhouse,
1996, pág. 39). Desde el caos y la complejidad estos beneficios de la presunta ar-
monía son claramente rechazados. En su lugar, la organización se centra en una ac-
tividad política extendida (cfr. Stacey) y en la promoción de condiciones que faciliten
el aprendizaje organizativo.
Como decíamos al exponer el principio de diseño fractal referido a las espe-

cificaciones mínimas críticas, la gestión centrada en los valores nucleares y borro-
sos permite dejar toda la operativa de objetivos e instrucciones a los propios grupos
autogestionados. Se crean con ello unas condiciones muy permisivas que, combi-
nadas con el resto de los principios de gestión y con los principios de diseño fractal,
darán lugar a fenómenos de autoorganización espontánea dentro de la organización.
En su versión más extrema, será la propia organización al completo la que se auto-
organice en una forma óptima de funcionamiento, en una forma que permite la
maximización en la capacidad de procesar información, en una forma que propor-
ciona autonomía a la organización con respecto al medio.
Figura 33: La gestión compleja de las organizaciones: principales principios de diseño y de

gestión.
Diseño Fractal Gestión Compleja
Redundancia de Funciones Gestión de la Incertidumbre
Variedad Interna Mínima Requerida Gestión de la Información
Especificaciones Críticas Mínimas Apoyo de Fuerzas Opuestas
Grupos Autogestionados Gestión centrada en Valores Borrosos
172
4.5.- Conclusión.
Sin entrar a fondo en las numerosas conclusiones que podemos extraer de

este capítulo, dado que éste será el tema concreto del capítulo 6, sin nos gustaría
ahora cerrar este capítulo con algunas breves notas de resumen.
Las teorías del caos y de la complejidad nos están ofreciendo un modelo de

organización distinto al de la teoría organizativa más clásica con su insistencia en la
estabilidad y en el equilibrio. A la luz del caos y de la complejidad, la organización es
claramente un sistema alejado del equilibrio, un sistema caótico y complejo. Ahora,
las inestabilidades organizativas no son comportamientos anómalos en la organiza-
ción sino que constituyen una característica esencial de dichos sistemas. La inesta-
bilidad, el alejamiento del equilibrio ha dejado de ser una aberración para convertir-
se en la norma de la organización. Y al ser constitutivas de las propias organizacio-
nes, la inestabilidad, la impredecibilidad no son propiedades que se deriven del en-
torno, más o menos cambiante, en el que se mueve la organización. La inestabili-
dad, la impredecibilidad, son intrínsecas al comportamiento habitual de la organiza-
ción. Son los productos de la no linealidad y de los mecanismos de realimentación
que operan en toda organización.
Con esta forma de concebir la organización, la cual sabe integrar la paradoja

existente entre el cambio y la estabilidad, la inestabilidad se nos presenta como un
potencial de cambio, de desarrollo y de evolución hacia formas de organización más
complejas. La cuestión será entonces, primero, no poner trabas a esta inestabilidad
y, segundo, aprovecharla.
Este capítulo ha presentado formas de gestión que consiguen generar ines-

tabilidad y, sobre todo, aprovecharla. Obviamente, también se producen fluctuacio-
nes, inestabilidades, aunque la gestión no las provoque. Y también estas fluctuacio-
nes pueden ser provechosas para la organización. Así Ciborra, Migliarese y Roma-
no (1984) han propuesto el ruido organizativo (organizational noise) o eventos no
codificados ni interpretados por la organización como una fuente de fluctuaciones.
Estos eventos no codificados ni interpretados, por ejemplo, cualquier tipo de fallo
repetido en el funcionamiento de la organización, pueden devenir en nueva informa-
ción, nueva información que representará una fluctuación aprovechable por la orga-
nización. El dicho en formación de ventas de que ‘un buen vendedor sacará de una
queja una oportunidad de venta’ representaría un ejemplo a nivel micro de ello.
Una gestión que pretenda aprovechar las fluctuaciones organizativas deberá

tener una serie de particularidades y, principalmente, apartarse del tan extendido
modelo mecanicista de organización con sus promesas de predicción y control del
comportamiento organizativo. Esa gestión deberá sospechar mucho de toda idea o
principio que presuponga beneficios por conseguir armonía en la organización. Al
contrario, el interés lo centrará en la actividad política, en la experimentación conti-
nua, en el cuestionamiento permanente de sus formas de hacer, de sus valores cultu-
rales.
173
Esa gestión buscará la manera de aprovechar el potencial de autogobierno

existente en los sistemas complejos, y obviará los esfuerzos antes dedicados al con-
trol para dedicarlos al progreso. En definitiva, la gestión estará, por encima de todo,
preocupada por facilitar la autoorganización.
174
5.- Estudio Empírico: la Motivación como Proceso Diná-
mico Complejo.
C
omo hemos visto en el capítulo anterior las teorías del caos y de la compleji-
dad han traspasado los ámbitos disciplinarios que las vieron nacer y co-
mienzan a realizar aportaciones de interés en las ciencias sociales. El caos
y la complejidad están configurando un nuevo paradigma enfatizando los aspectos
dinámicos de los sistemas objetos de estudio. En este sentido, es evidente que di-
chas teorías están en condiciones de hacer, al menos en lo teórico, aportaciones de
interés a cualquier tipo de proceso psicológico o psicosocial. Ya hemos visto, por
ejemplo, como se han propuesto modelos basados en estas teorías para algunos de
estos procesos (e.g. de cambio grupal u organizativo) y también como ya contamos
con estudios empíricos que han mostrado evidencia de patrones caóticos en otros
tantos procesos psicológicos o psicosociales (por ejemplo, en los procesos de toma
de decisiones, en las dinámicas de innovación, o en el flujo de motivación). En defi-
nitiva, como afirman Vallacher y Nowack (1994) los procesos psicosociales pueden
aprovechar las aportaciones realizadas por las ciencias de la complejidad.
Pues bien, abundando en esta línea, en el presente capítulo vamos a presen-

tar un estudio original sobre un proceso clásico en la psicología del trabajo y de las
organizaciones como es la motivación laboral sirviéndonos de dichas teorías.
Conviene primero hacer una advertencia. A pesar de que este capítulo se

constituya en la parte empírica de esta tesis no pretende ser el objetivo central de la
misma, sino sólo constituirse en una ilustración de cómo las teorías del caos y de la
complejidad pueden proporcionar ideas teóricas y procedimientos metodológicos
de sumo interés para el estudio de objetos propiamente psicosociales. Dicho esto,
la investigación que aquí desarrollaremos no pretende resolver alguna de las mu-
chas cuestiones puntuales y actuales que precisan de estudios más detallados de-
ntro del campo de la motivación laboral. Su objetivo es otro.
En esta introducción podemos decir brevemente que la investigación que

aquí presentaremos pretende poner de manifiesto como un modelo sencillo de moti-
vación, con la consideración de unas pocas variables, puede dar lugar a una diná-
mica de motivación sumamente compleja. En este sentido, sobre todo, el presente
175
capítulo pretende insistir en que una de las principales fuentes de complejidad de un

proceso psicológico como el motivacional, acaso la fuente principal, radica en la
complejidad de las relaciones entre algunas de sus variables constituyentes. Nos
interesará, por ello, realizar una caracterización de la motivación en tanto proceso
dinámico complejo. Ni que decir tiene que esta idea es extensiva a otros procesos
psicológicos y psicosociales.
La elección de un proceso como la motivación laboral para ilustrar algunas de

las capacidades de las teorías del caos y de la complejidad obedece a una doble
razón. La primera de naturaleza teórica. La motivación laboral es uno de los cons-
tructos clásicos en la psicología del trabajo y de las organizaciones y del que se han
realizado multitud de aportaciones teóricas y metodológicas en los últimos cincuenta
años. Es esperable, entonces, que hoy estemos en condiciones de conocer algunas
de las variables clave que inciden en este proceso. Considero que efectivamente
esto es así. Como en otros tantos tópicos de la ciencia psicosocial existen multitud
de teorías sobre la motivación en el contexto organizativo (ver una exposición deta-
llada en revisiones clásicas como las de Locke y Henne, 1986; Kanfer, 1990; Foster,
2000). Ahora bien, la mayoría de los especialistas estarían de acuerdo con la afir-
mación de que a) las variables más relevantes para entender qué es la motivación,
b) por qué la conducta humana puede ser una conducta motivada, y c) cómo son los
procesos más básicos que conducen a la motivación, son tres aspectos ampliamen-
te descritos. Esto es importante por cuanto para proponer un modelo complejo y
caótico de motivación que pretenda ser sensato, verosímil al menos, se han de co-
nocer algunas de las variables relevantes que intervengan en dicho proceso y el tipo
de relaciones que pueden mantener entre ellas.
La segunda razón de la elección de la motivación laboral es de tipo pragmáti-

co. Mi pertenencia al Equipo ASH, dirigido por el profesor Santiago D. de Quijano,
me ha puesto en contacto directo con un modelo de motivación laboral que ha sido
puesto a prueba en múltiples organizaciones. Gracias a ello contamos con datos
que nos ayuden en el establecimiento de las variables y relaciones (parámetros) que
conformen el modelo complejo de motivación que aquí se presentará. De esta for-
ma, el modelo complejo propuesto amén de basarse en algunas de las teorías clási-
cas de la motivación en el trabajo también se apoyará en los resultados de nuestras
propias investigaciones realizadas en nuestro contexto laboral más cercano, aspec-
to éste siempre importante de tener en cuenta dado la hegemonía de teorías y mo-
delos nacidos en el contexto norteamericano.
Una última cuestión que merece ser apuntada en esta introducción se refiere
al uso de la simulación como herramienta para probar el comportamiento del mode-
lo propuesto. Para la utilización de las teorías del caos y de la complejidad, la cien-
cia psicosocial tropieza con el impedimento de que se precisan de largas series
temporales a las que someter a los análisis propios de éstas (mapas de retardo,
cálculo de exponentes de Lyapunov, dimensión de correlación, etcétera). Los estu-
dios psicosociales son poco proclives a la realización de estudios longitudinales y
desde luego en pocos casos se obtienen series temporales con cientos de puntos.
Las razones son obvias. Ante este problema, la simulación informática del proceso
deseado es una alternativa. Como ya dijimos en el capítulo 2, la simulación juega el
papel de la experimentación frente a la teoría pudiendo ponerla en entredicho y su-
176
Estudio Empírico: la Motivación como Proceso Dinámico Complejo
gerir su revisión. La simulación sirve para explorar que tipo de relaciones individua-
les son compatibles con un comportamiento conocido de un todo o, de manera in-
versa, para, una vez conocidas ciertas reglas de actuación de los elementos del
modelo realizar ciertas predicciones sobre el comportamiento del todo (Wagens-
berg, 1985). Edward Lorenz, padre de las teorías del caos, utilizó la simulación para
poner de manifiesto el comportamiento complejo del clima (Lorenz, 1963). En otras
ciencias sociales, por ejemplo en economía, las simulaciones también son habitua-
les. Levy (1994) ha empleado esta técnica para ilustrar la aplicación de la teoría del
caos en un modelo dinámico sobre ventas y demandas a fin de mostrar la compleji-
dad de este aspecto económico y como puede constituirse en una herramienta útil
de gestión. También dentro de la psicología podemos encontrar, por ejemplo, diver-
sos trabajos que presentan modelos de reconocimiento de información de diverso
tipo (Ishii et al., 1996; Ryeu y Chung, 1996; Chang et al., 1998) en los que trabajan
con simulaciones informáticas de redes neuronales.
5.2.- La Motivación en el Trabajo.
La motivación es un constructo central tanto en la psicología general como en

la psicología del trabajo y de las organizaciones. Las razones de ello son evidentes.
Con sus orígenes, en nuestra disciplina, en la psicología conductista (concepto de
impulso o drive) la motivación siempre ha sido considerada como algo más que un
mero aspecto o faceta de la conducta. La motivación ha sido considerada como
aquello que mueve a la conducta dado su carácter de energetizador sobre la misma
(cfr. Arnau, 1974). Y es que los conductistas, por ejemplo Hull (1943), pronto obser-
varon que a igualdad de condiciones de refuerzos, la conducta presentaba rendi-
mientos más altos según las condiciones antecedentes de privación. De ahí que Hull
considerase al impulso, junto con el hábito, como los dos principales componentes
del rendimiento en tareas de aprendizaje.
De manera parecida, en la psicología del trabajo y de las organizaciones la

motivación adquiere especial relevancia en el desempeño laboral a igualdad de
otras condiciones influyentes. De este modo, Campbell y Pritchard (1976) por ejem-
plo, han propuesto que el desempeño es función de los siguientes aspectos: el nivel
de aptitudes, el nivel de destrezas, comprensión de la tarea, decisión de emplear
esfuerzo, decisión sobre el grado de esfuerzo a realizar, decisión de persistir y con-
diciones facilitadoras o inhibidoras fuera del control de la persona. Los aspectos
motivacionales quedarían recogidos en los citados en las posiciones cuarta a sexta
de la anterior formulación.
Más paladinamente podríamos decir que, retomando aquella clásica formula-

ción de que en el desempeño laboral influyen el saber, el poder y el querer, la moti-
vación quedaría recogida en este último aspecto. Además, este sencillo esquema
(ver figura 34), nos ilustra también del porqué la motivación se convierte en un as-
pecto clave en la gestión de recursos humanos de cualquier empresa. Tanto los as-
pectos relacionados al saber (habilidades de las personas, competencias, conoci-
mientos, etcétera) como los aspectos relacionados con el poder (condiciones de
trabajo adecuadas, disponibilidad de tecnologías, etcétera) son aspectos relativa-
177
mente fáciles de manejar desde la gestión de recursos humanos. Basta con selec-
cionar a las personas apropiadas, o formarlas adecuadamente, en el primer caso, y
disponer de los medios y tecnologías convenientes, en el segundo, para garantizar
unos buenos niveles en el desempeño que es afectado por ambos aspectos. A
igualdad de estas condiciones o, de otro modo, cuando estos aspectos han sido
cuidados por la gestión empresarial, el factor motivacional (el querer) se torna en el
factor clave. Pero, a diferencia de los dos aspectos anteriores, el querer no está tan
al alcance de la gestión de los recursos humanos dado que para conseguirla se ha
de contar con la participación activa de la persona. En esta peculiaridad, y dificultad
si se quiere, radica que la motivación se constituya en uno de los tópicos más clási-
cos en la gestión de los recursos humanos.
Saber
Desempeño
real
Poder Querer
Figura 34: Principales influencias en el desempeño laboral: el desempeño real como

función de lo que se sabe, lo que se puede y lo que se quiere.
El anterior esquema también nos sirve para abordar como va a ser entendida
la motivación en este trabajo. Estamos de acuerdo con Vroom (1964) y otros auto-
res (por ejemplo, Porter y Lawler, 1968; Campbell y Pritchard, 1976) en definir la
motivación laboral como el nivel de esfuerzo que las personas están dispuestas a
realizar y mantener en sus trabajos. Se trata de una definición operativa de la moti-
vación laboral por cuanto que el nivel de esfuerzo es observable en términos, por
ejemplo, de latencia -tiempo que tarda en iniciarse la conducta-, persistencia -
cantidad de tiempo empleado-, elección -entre diferentes opciones posibles-, ampli-
tud -intensidad de la conducta- o probabilidad de respuesta -cantidad de veces que
se produce la conducta- (Reeve, 1992).
Preferimos enfocar la motivación como nivel de esfuerzo obviando los mati-

ces relativos a la decisión introducidos por Campbell y Pritchard que provocan un
claro sesgo cognitivo en el proceso motivacional. La motivación no es una decisión.
178
Y no lo es porque es un proceso psicológico que no sólo se activa por mecanismos

de toma de decisión conscientes por parte de la persona. El psicoanálisis, el con-
ductismo y la psicología evolucionista, aunque sean corrientes denostadas en parte
de la psicología social oficial, tienen claras aportaciones para demostrar lo anterior.
Y es que no siempre somos conscientes de la base motivacional de nuestras con-
ductas (Reeve, 1992).
Por otra parte, al hablar de nivel de esfuerzo de la persona conviene contex-

tualizarlo, tanto en lo referente a la propia persona como en lo que implica a la orga-
nización. Ese nivel de esfuerzo ha de repercutir en la persona que lo lleva a cabo y
en la organización para la que trabaja. Primero, parece obvio que el nivel de esfuer-
zo estará condicionado por la satisfacción de alguna necesidad individual (Peiró,
1983; Robbins, 1996). Y segundo, no conviene pasar por alto que la motivación la-
boral, en tanto nivel de esfuerzo, ha de estar acorde con el contexto en el que ésta se
produce, es decir, con el contexto organizativo (Robbins, 1996).
O sea, la motivación laboral es el nivel de esfuerzo que las personas invierten

en sus trabajos, un nivel de esfuerzo que repercutirá de alguna forma en la propia
persona, por ejemplo, satisfaciendo alguna necesidad, y que también está en con-
sonancia con los objetivos del trabajo que deberán ser coherentes a su vez con los
de la organización. La motivación laboral es, por todo ello, un proceso psicológico
que interrelaciona lo individual con el contexto más amplio organizativo.
5.2.1.- Fundamentos Teóricos del Modelo de Motivación.
Sin pretender hacer un repaso exhaustivo de las principales aportaciones

teóricas realizadas hasta la fecha sobre la motivación en la psicología de las organi-
zaciones y del trabajo (ver Locke y Henne, 1986; Kanfer, 1990 o Foster, 2000; o en
nuestro país Salanova, Hontangas y Peiró, 1996) sí conviene detenernos en la expo-
sición detallada de los conceptos motivacionales que van a formar parte, de manera
directa o no, de nuestro modelo complejo.
De manera clásica las diferentes teorías sobre la motivación laboral han sido
agrupadas en teorías centradas en los contenidos motivacionales y teorías centra-
das en el proceso de motivación (Campbell, Dunnette, Lawler y Weick, 1970). Las
teorías centradas en los contenidos motivacionales se han interesado por el porqué
de la conducta motivada y han propuesto una serie de necesidades a cubrir o satis-
facer como las razones de dicha conducta. Por su parte, las teorías centradas en el
proceso de motivación se han preocupado más por el cómo la conducta es una
conducta motivada y por el estudio de los procesos cognitivos, conativos y emocio-
nales involucrados en la dirección, intensidad y persistencia de la misma.
Más recientemente Kanfer (1990) ha propuesto una clasificación algo distinta

de las teorías motivacionales tomando como criterio la proximidad o distancia a la
acción de los constructos propuestos por las diferentes teorías. Así las teorías dista-
les (distal theories) proponen una serie de constructos cuyo efecto es más bien indi-
179
recto con respecto a la acción o conducta, centrándose más en la elección de metas

y la intención de un esfuerzo futuro. Un ejemplo claro lo tendríamos en el concepto de
necesidad. Por su parte, las teorías proximales (proximal theories) proponen cons-
tructos más cercanos a la acción y relacionados más directamente con la iniciación
y ejecución de la conducta propiamente dicha. Un buen ejemplo lo constituirían los
objetivos o metas en el trabajo. Es importante señalar que, para Kanfer, ambos con-
juntos de constructos, distales y proximales, proporcionan un conocimiento distinto
pero complementario sobre la motivación, por lo que esta autora apunta a la necesi-
dad de combinar constructos de ambos enfoques para una explicación cabal de la
conducta motivada.
Tabla 13: Principales teorías motivacionales adaptadas al esquema distantes-próximas de Kanfer.
DISTALES Aproximación de las Necesidades-Motivos-Valores

Teorías basadas en las Necesidades
1. Jerarquía de necesidades de Malsow (1943, 1954)
2. Teoría ERG de Alderfer (1969)
Teorías basadas en los Motivos
3. Teoría de la evaluación cognitiva de Deci (1975, 1976,
1980)
4. Teoría de las características del puesto de Hackman y
Oldham (1976, 1980)
Teorías basadas en los Valores
5. Teoría de la inequidad de Adams (1963, 1965)
Aproximación de la Elección Cognitiva

6. Teoría de la motivación de logro de Atkinson (1957)
7. Teoría de la valencia-instrumentalidad-expectativa (Vroom,
1964)
8. Teoría de la atribución de Weiner (1974, 1985, 1986)
Aproximaciones Metacognitivas de la Auto-regulación

9. Teoría del establecimiento de metas (Locke, 1968; Locke et
al., 1970; Locke y Henne, 1986)
10. Teoría social cognitiva (Bandura, 1977a, 1977b, 1986)
11. Teoría de la auto-regulación de Carver y Scheier (1981,
PROXIMALES 1985; Carver, 1979)
Ante tal cúmulo de teorías, y otras tantas más no mencionadas (por ejemplo,
la teoría X e Y de McGregor, la aportación de Herzberg de los factores de higiene y
los factores motivadores, las tres necesidades de Mclelland, las modificaciones de
Porter y Lawler a la VIE original, etcétera), es lógico que hayan aparecido numero-
sas propuestas con la elaboración de modelos integrados sobre la motivación labo-
ral en un intento de acotamiento y concreción del fenómeno, por un lado, y de inte-
gración en un modelo más verosímil, por otro. Dado que en este capítulo vamos a
elaborar un modelo propio de motivación con pretensiones de dar cuenta de la
180
complejidad del proceso motivacional, nos interesa ahora exponer, aunque sea bre-
vemente, alguno de estos modelos.
La propia Kanfer (1990) expone varios de estos intentos de integración entre

los que destacamos el de Katzell y Thompson (1988). Estos autores proponen un
modelo que recoge los catorce constructos siguientes: el ambiente de trabajo, las
disposiciones personales, las normas, las actitudes, la equidad, instrumentalidad,
refuerzo, metas, esfuerzo, desempeño, recursos, expectativas y compromiso. Todos
estos constructos son relacionados mediante un entramado complicado de influen-
cias. Katzell y Thompson han puesto a prueba dicho modelo en una muestra de 350
personas pertenecientes a tres organizaciones distintas y han hallado un buen ajuste
del modelo utilizando procedimientos lineales típicos del LISREL. Kanfer destacará
de este modelo su incorporación de conceptos tanto distales como proximales.
Figura 35: Modelo integrado de motivación laboral de Katzell y Thompson (1988). Tomado de Kanfer
(1990, pág. 140).
181
También Robbins (1996) ha propuesto un modelo teórico que integra algunas

de las principales teorías contemporáneas de motivación y cuyo eje fundamental
descansa en la teoría VIE en sus formulaciones de Vroom (1964) y Porter y Lawler
(1968). Junto a los constructos propios de esta teoría, Robbins incorpora otros como
la oportunidad y habilidad, el sistema de evaluación del desempeño y sus criterios,
los refuerzos, las necesidades de la persona, la equidad y la alta necesidad de reali-
zación o logro. Aunque es un modelo teórico, también podría destacarse del mismo
su combinación de constructos más y menos cercanos a la acción o conducta.
Por otra parte, y a diferencia del modelo de Katzell y Thompson, conviene

destacar del modelo de Robbins su aspecto más integrado al tomar como vertebra-
dor la teoría VIE, una de las de más prestigio dentro de la comunidad científica
(Munduate, 1994; Robbins, 1996) y mostrar como añadidos el resto de constructos
en un intento de recoger aportaciones que enriquezcan aún más la potencialidad de
la VIE. El modelo de Katzell y Thompson transmite más una sensación de amalgama
de constructos, tal y como lo califica Kanfer (1990), al no vertebrarlos adecuadamen-
te bajo fundamentación teórica alguna.
Figura 36: Modelo integrado de motivación laboral de Robbins (1996, pág. 234).
182
Un último aspecto que merece subrayarse del modelo de Robbins es su ca-

rácter auto-realimentado ya que las metas personales acaban nuevamente influyen-
do en el esfuerzo individual (las metas dirigen el comportamiento) con lo que se re-
inicia el proceso. Con la inclusión de esta relación, Robbins otorga un carácter di-
námico a su modelo. La motivación se concibe entonces claramente como un pro-
ceso.
Finalmente, hemos de recoger la aportación realizada en nuestro país por

Quijano y Navarro (1998). Estos autores han presentado un modelo de motivación
laboral que tiene la pretensión de integrar las principales aportaciones de las teorías
de contenido y procesos. Al igual que la propuesta de Robbins, este modelo presen-
ta dos propiedades fundamentales. Primero, es integrado por cuanto recoge algu-
nas de las aportaciones más relevantes realizadas hasta la fecha sobre la motiva-
ción laboral y las integra siguiendo, en principio, la teoría VIE pero complementándo-
la. Y segundo, al presentar varias relaciones de retroalimentación facilita una visión
dinámica del proceso de motivación. Como el modelo complejo de motivación que
vamos a proponer parte de este modelo originario es preciso que el primero de los
aspectos antes mencionados sea expuesto de manera detallada.
Como decimos, el modelo de Quijano y Navarro recoge inicialmente la teoría

VIE pero introduce modificaciones sobre la misma y complementos de tal forma que
en el modelo final propuesto por estos autores el único constructo de aquella teoría
que permanece es el de instrumentalidad. Más detalladamente, el modelo parte de
que las personas tenemos un conjunto de necesidades que orientan nuestros com-
portamientos hacia acciones con los que consigamos satisfacerlas. Estas necesi-
dades proporcionan la energía potencial primera que activa el proceso de motiva-
ción, y es un aspecto que, clásicamente, ha sido recogido por las teorías de conte-
nido de la motivación. El siguiente aspecto básico que recoge el modelo es la ex-
pectativa de instrumentalidad de Vroom (1964), es decir, la percepción subjetiva de
que determinados niveles de ejecución conducirán a la consecución de resultados o
recompensas esperadas. De otro modo, la instrumentalidad en este modelo es la
percepción de conexión entre el trabajo bien hecho y la satisfacción de las necesi-
dades anteriores.
El modelo obtiene un primer indicador de la combinación entre activación de

necesidades y percepción de instrumentalidad para cada una de las necesidades
que se denomina IMEs o Índice de Motivación Esperada (para detalles ver Quijano y
Navarro, 1998).
Para la obtención de un indicador final de motivación o IMEf (Índice de Moti-

vación Efectiva) el IMEs es ponderado por diferentes procesos motivacionales. El
primero, y más relevante, es la autoeficacia de Bandura (1977b, 1986) o creencia
personal en la capacidad propia de dar respuestas eficaces a los retos y demandas
del puesto de trabajo. El concepto de autoeficacia pone su énfasis, amén de cen-
trarse en el nivel individual, no en las capacidades de la persona para hacer frente a
determinada situación, sino en la creencia que la persona tiene acerca de sus capa-
cidades. Se trata, por tanto, de una expectativa de eficacia personal. Los autores
sostienen que la autoeficacia sustituye de forma eficaz, y de manera más profunda y
183
general, al concepto de expectativa de Vroom (1964) relativa a la percepción de que

el esfuerzo dará lugar al desempeño.
El segundo aspecto que introducen como modulador en la transformación del

IMEs en IMEf es la percepción de equidad, trabajada por Adams (1963, 1965), y
entendida como la percepción de equilibrio entre los esfuerzos que realiza la perso-
na y las recompensas que recibe por parte de la organización, en comparación con
la relación esfuerzos-recompensas de otros miembros de la organización con los
que el sujeto establece las bases para la comparación social. Los autores conside-
ran que la percepción de equidad sólo influye como elemento desmotivante, es de-
cir, que cuando la persona tiene percepciones de inequidad se ponderará negati-
vamente en el IMEs, y cuando la persona tiene percepciones de equidad neutras o a
su favor la ponderación en el IMEs no supone ningún cambio en el mismo.
Figura 37: Modelo integrado de motivación laboral de Quijano y Navarro (1998, pág. 199).
Trabajo
Exigencias del Puesto
IMEs
Percepción de
Instrumentalidad
Conexión trabajo bien hecho
con satisfacción de
necesidades
Motivación
Decisión de Esfuerzo:
IMEf
Autoeficacia
Necesidades +
Activadas
Habilidades y
(Energía Estados Psicológicos
Conocimientos
Motivacional Críticos: Conciencia,
Potencial) Responsabilidad y
Significado
Equidad
Satisfacción de
Desempeños y
Necesidades
Resultados
Segundos resultados:
Primeros resultados:
recompensas de la
trabajo bien hecho
Comparación con organización
terceros
Por último, también se incluyen otros tres procesos psicológicos que ponde-
rarán en el IMEs como son los estados psicológicos críticos del modelo de las ca-
184
racterísticas del puesto de Hackman y Oldham (1976, 1980): la conciencia sobre los
resultados o conocimiento por parte del trabajador de los resultados que obtiene con
su trabajo, la conciencia de responsabilidad sobre esos resultados o el grado en la
persona se siente responsable de dichos resultados y, finalmente, el significado
percibido o el grado en que la persona considera significativo su trabajo en cuanto a
que lo perciba como una actividad importante, reconocida por las personas de su
entorno y cuyos resultados tienen impacto sobre otras personas de dentro o de fuera
de la organización.
Con la combinación de todos estos elementos, el modelo integrado obtiene

una medida final de la motivación laboral o IMEf.
Como puede apreciarse en la figura anterior, el modelo también incluye otros

aspectos complementarios al propio proceso motivacional, como son las habilida-
des y conocimientos y el desempeño y resultados, a fin de dibujar una imagen com-
pleta del proceso. Aunque dichos aspectos no son evaluados, por el momento, en
los instrumentos desarrollados por estos autores.
En efecto, Quijano y Navarro (1998), dentro del Equipo ASH de la Universi-

dad de Barcelona, han desarrollado un instrumento, el Cuestionario ASH-MOT, para
evaluar los principales constructos detallados anteriormente de dicho modelo y han
puesto a prueba diferentes versiones del mismo en una muestra total de 578 perso-
nas de una decena de empresas diferentes. Los resultados psicométricos de dicho
instrumento han sido positivos en cuanto a fiabilidad y validez de los diferentes cons-
tructos evaluados utilizando metodología factorial exploratoria y análisis de corres-
pondencias múltiples (en la referencia citada pueden consultarse resultados del ins-
trumento con una muestra de 144 personas pertenecientes a 6 empresas diferen-
tes).
Una particularidad del instrumento creado es que permite la adaptación de

las necesidades motivacionales que interese indagar a cada organización sin que
ello repercuta en la estructura global del modelo. En efecto, el instrumento parte de
un conjunto de diez necesidades (ver tabla 14) con lo que cada organización puede
seleccionar cuáles son las necesidades más relevantes para explorar la motivación
de su personal.
Tabla 14: Listado de necesidades contempladas en el Cuestionario ASH-MOT.

1. Obtener la retribución económica
2. Posibilidades de mejorar la retribución gracias al esfuerzo
3. Condiciones físicas de trabajo
4. Proteger la salud e integridad física
5. Seguridad y estabilidad en el empleo
6. Relaciones con los compañeros de trabajo
7. Apoyo y respeto por parte de los superiores
8. Reconocimiento por el trabajo bien hecho
9. Puesta en juego de habilidades y conocimientos
10. Desarrollo profesional
185
Finalmente, al igual que ocurriera con las propuestas de Katzell y Thompson y

la de Robbins, el modelo integrado de Quijano y Navarro también recoge construc-
tos de teorías tanto distales como proximales según la terminología empleada por
Kanfer.
5.2.2.- La Motivación como Proceso Dinámico Complejo: Planteamiento Ge-

neral del Estudio Empírico.
El encabezado de este apartado, y del propio capítulo en el que estamos,

bien puede dar la sensación de redundancia entre los conceptos de proceso y di-
námico. Expliquemos la razón de este énfasis.
Una propiedad clara de los dos últimos modelos comentados en el apartado

anterior es su carácter auto-realimentado con lo que se recoge la idea de la motiva-
ción como proceso. Ahora bien, esta propiedad que debiera ser fundamental en
cualquier modelo de un proceso como la motivación es una propiedad no estudiada
en la gran mayoría de los casos, ni tan siquiera en los anteriormente descritos. Y ello
porque la psicología del trabajo y de las organizaciones, al igual que la psicología
social y al igual que otras muchas disciplinas, apenas contempla el factor tiempo
como relevante en la explicación de sus objetos de estudio. De otra forma, en psico-
logía de las organizaciones y del trabajo hablamos de procesos psicológicos (e.g. la
motivación, el conflicto y ambigüedad de rol) y psicosociales (e.g. liderazgo o con-
flicto) con una visión muy estática de los mismos, realizando, en el mejor de los ca-
sos, algún path analysis que incluye alguna relación de retroalimentación. Para con-
templar una auténtica visión procesual de los mismos deberíamos considerarlos
como procesos dinámicos que cambian a lo largo del tiempo.
Permítase un matiz antes de seguir para evitar malos entendidos. Cuando

hablamos de tiempo no hablamos del tiempo externo medido en segundos, minutos
u horas. Al contrario, hablamos de un tiempo interno recogido en la idea de iteración
vista en el capítulo tercero de esta tesis. Hablamos del ritmo de cambio, de estirado
y plegado en el sistema que se caracterice como dinámico.
Y, además, modelamos sin tener en cuenta las posibles relaciones no lineales

que puedan existir entre las diferentes variables del modelo. El modelo de Katzell y
Thompson (1988) nos sirve de ejemplo ya que lo han puesto a prueba utilizando el
LISREL. Con ello se consigue un modelo en el que las relaciones entre las variables
quedan expresadas en unos coeficientes de influencia, a modo de coeficientes de
determinación de los típicos análisis de regresión, que, al no poder cambiar de valor
en función de los valores previos de la variable, otorgan al modelo una clara visión
estática. Es decir, conseguimos con ello una foto fija del mismo, pero no logramos
describir su dinámica.
Para caracterizar cabalmente la motivación como proceso dinámico habrá

necesariamente que tener en cuenta estos dos aspectos. Primero, que las relacio-
nes entre el modelo propuesto no necesariamente han de ser lineales. Segundo, el
186
modelo habrá de ser iterativo, es decir, los resultados que produzca habrán de
revertir de alguna manera en él mismo, con alguna posibilidad de cambio en el
patrón de relaciones.
Estos dos aspectos son fundamentales para obtener una visión dinámica de
los procesos son también dos aspectos tradicionalmente olvidados en la literatura
psicosocial. Acaso el trabajo de Guastello, Johnson y Rieke (1999) que vimos en el
capítulo anterior sobre el flujo motivacional sea el único que se ha acercado a este
abordaje. También Seijts (1998), desde un plano teórico, ha puesto de manifiesto la
importancia de considerar aspectos relacionados con el factor tiempo, como la ca-
pacidad de prever y anticipar, como aspectos relevantes a la hora elaborar planes o
planificarse las metas futuras. Por ello, estos dos aspectos de no-linealidad y de ite-
ración serán el objeto de interés de este trabajo empírico. Con ello pretendemos
mostrar que la no-linealidad y la iteración introducen un elemento de complejidad
fundamental en el proceso motivacional.
En definitiva, podemos concretar el punto de partida de este trabajo en dos

hipótesis genéricas:
§ Primera, que la motivación puede caracterizarse como un proceso dinámi-

co.
Es de sentido común una concepción de un proceso psicológico y psicoso-

cial como la motivación en función del dinamismo en donde la motivación o el nivel
de motivación no es siempre igual ni sigue un patrón de cambio sencillo (ya ha sido
puesto de manifiesto en el trabajo citado de Guastello y cols.). Como hemos apunta-
do, es aquí donde radica la diferencia con respecto a abordajes clásicos. Por todo
ello, si se es capaz de modelar la motivación contando también con su dimensión
temporal se aportará mayor realismo al entendimiento de la misma.
§ Y segunda, en tanto que proceso dinámico, la motivación podrá ser estu-

diada teniendo en cuenta las aportaciones de las teorías del caos y de la
complejidad, vistas en los capítulos precedentes.
De este modo, podemos plantear como dos sub-hipótesis de la anterior:
1. que la dinámica motivacional sea caótica, por cuanto no es pensable que

siga una sencilla dinámica de punto fijo o repetitiva de ciclo límite, ni tam-
poco que sea una dinámica aleatoria, y
2. que en la dinámica motivacional podrán hallarse atractores extraños pro-

pios de las dinámicas caóticas.
No tendría ningún sentido que la motivación estuviese regida por atractores

sencillos (de punto fijo o ciclo límite). Por todos es calificada la motivación como un
187
proceso complejo (cfr. Peiró, 1983) y, en este trabajo sostendremos que dicha com-
plejidad viene dada en buena medida por su compleja dinámica. Por otro lado, me-
nos sentido tendría aún que la motivación siguiese un proceso puramente aleatorio:
¿cómo justificaríamos entonces su interés científico? Es a medio camino entre am-
bos extremos donde la motivación adquiere su sentido de proceso complejo (no un
proceso sencillo continuamente repetitivo) y de proceso con estructura (no un proce-
so aleatorio). Se trata de estudiar si ese intermedio puede ser asimilado a una si-
tuación caótica.
5.3.- Propuesta de un Modelo Complejo de Motivación.
5.3.1.- Planteamiento de un Primer Modelo.
Como dijimos vamos a partir del modelo de Quijano y Navarro (1998) para
proponer un modelo complejo de la motivación en el trabajo. Para ello hemos de
reducir considerablemente dicho modelo y considerar sólo algunos de sus construc-
tos centrales así como reformular en alguna medida las relaciones que éstos man-
tengan entre sí.
Tal y como ya hemos explicado el modelo, tal cual ha sido puesto a prueba
utilizando el Cuestionario ASH-MOT, se centra en cinco constructos motivacionales
básicos: necesidades de la persona en su entorno laboral, percepción de instrumen-
talidad o de conexión entre el trabajo bien hecho y la satisfacción de necesidades,
percepción de autoeficacia, percepción de equidad y los tres estados psicológicos
críticos. En la figura 38 presentamos un esquema básico de las relaciones propues-
tas entre estos constructos.
Conviene remarcar algunas de las propiedades más destacadas de este

modelo. Primero, se trata de un modelo relativamente sencillo por cuanto con sólo
siete variables (necesidades, conexión entre necesidades y percepción de instru-
mentalidad, percepción de autoeficacia, percepción de equidad, conciencia de re-
sultados, responsabilidad sobre los resultados y significado percibido) se determina
el nivel final de motivación. Segundo, el modelo como ya hemos apuntado es estáti-
co pues sólo es útil para fijar las influencias entre las variables consideradas. Terce-
ro, es un modelo no lineal ya que incorpora la técnica de los parches borrosos (Kos-
ko, 1993) para modelar algunas de las relaciones entre sus variables (posteriormen-
te expondremos esta técnica). Cuarto, es un modelo sin realimentación. Aunque el
modelo general expuesto en la figura 45 incluye varias relaciones que retroalimentan
al modelo ninguna de éstas ha sido estudiada empíricamente todavía. Por fin, se
trata de un modelo predictivo por cuanto una vez conocidos los valores de las siete
variables que lo conforman se conocerá el modelo en el nivel de motivación.
188
Figura 38: Esquema de constructos motivacionales y sus relaciones del modelo integrado de Quijano
y Navarro (1998) y que son evaluadas por el Cuestionario ASH-MOT.
conexión Percepción de
Necesidades
Instrumentalidad
IMEs o Base
Motivacional
Percepción de
Autoeficacia
Estados Psicológicos
Críticos
Percepción de
Equidad
IMEf o Nivel
de Motivación
Junto a este modelo vamos a trabajar con la teoría de la valencia-

instrumentalidad-expectativa (VIE) en las formulaciones de Vroom (1964) y los aña-
didos de Porter y Lawler (1968). Según estos autores las personas nos motivamos y
ejercemos unos altos niveles de esfuerzo cuando percibimos relación o conexión
entre los siguientes elementos:
1. Relación entre el esfuerzo y el desempeño, es decir, la percepción de que

el esfuerzo empleado dará lugar a determinados niveles de desempeño.
Es lo que se denomina en esta teoría la expectativa de resultados.
2. Relación entre el desempeño y las recompensas, es decir, la percepción

de que los niveles de desempeño alcanzado anteriormente conllevará la
consecución de algún resultado deseado. Es lo que se denomina percep-
ción de instrumentalidad.
3. Y la relación entre las recompensas y las metas personales, es decir, la

percepción de que las recompensas obtenidas anteriormente satisfacen
alguna necesidad o meta personal. Es lo que se denomina valencia.
El entramado relacional y los constructos propuestos por la VIE pueden ob-

servarse mejor en la figura siguiente.
189
Figura 39: Esquema de conexiones y constructos motivacionales de la teoría VIE.
Esfuerzo Individual
Expectativa
Desempeño Individual
Instrumentalidad
Recompensas de la Organización
Valencia
Metas Personales
Trabajaremos con los dos modelos expuestos (figuras 38 y 39) intentando la

elaboración de un modelo propio, de momento provisional, que recoja los principa-
les argumentos de ambos. El objetivo final será la elaboración de un modelo en el
que no haya más de tres o cuatro variables, con lo que necesariamente habremos
de renunciar a algunos de los constructos expuestos antes.
Un buen punto de partida puede ser incorporar el concepto de necesidad al

modelo de la VIE. Si algo se echa en falta en este modelo es la idea de que en el
inicio de la conducta motivada no se apele a ningún concepto y sólo se trabaje con
la idea de meta personal pero como el constructo final en el proceso de la motiva-
ción, como atractor si se quiere de la conducta. Parece más lógico pensar que di-
chas metas sean precisamente las iniciadoras de la conducta orientada hacia su
consecución o logro. De este modo, proponemos que las necesidades o motivos
que tiene la persona son las que inician los comportamientos orientados a satisfa-
cerlas de algún modo.
Antes de continuar conviene realizar varias aclaraciones requeridas por el

uso de los conceptos de necesidad y motivo. El primero referido a nuestra utilización
del concepto de necesidad. Aunque debiera ser un apunte innecesario, cuando
hablamos de necesidades no estamos pensando en éstas como si fueran exclusi-
vamente de origen biológico. En la propia jerarquía de Maslow hay necesidades
claramente psicosociales y psicológicas (afiliación, autoestima y autorrealización).
Es más, como se verá más adelante, son este otro tipo de necesidades las que más
nos interesan. Por otra parte, el que el concepto de necesidad muestre estas conno-
taciones biologicistas con lo que se apunta a su origen innato en el hombre es un
tema fuera del interés del modelo que plantearemos. Para nuestros propósitos es
indiferente que las necesidades sean innatas o aprendidas. Por último, aunque to-
memos el concepto de necesidad no vamos a mantener que sea la necesidad más
insatisfecha, la más saliente, la que determine únicamente la conducta motivada. Ya
190
en el modelo de Quijano y Navarro (1998) se trabaja con diferentes necesidades

activadas a un mismo tiempo como las determinantes de la motivación. Y, además,
tampoco mantendremos que una necesidad satisfecha ya no es una necesidad que
conlleve una conducta motivada. Esto es así en las necesidades fisiológicas (e.g. el
hambre) pero no en las necesidades psicológicas y psicosociales en las que parece
funcionar un cierto mecanismo de retroalimentación (e.g. cuando nos motiva la con-
secución de determinado logro y lo conseguimos alcanzar este resultado incide en
nuestra posterior necesidad de logro con lo que nos marcaremos logros algo mayo-
res para próximas ocasiones).
Y en segundo lugar, utilizaremos el concepto de motivo en su significado ex-

tenso de lo que mueve, al margen de que esté o no al alcance del control de la per-
sona. Con esto nos apartamos del uso que hace de dicho concepto Kanfer (1990) al
hablar de las teorías centradas en los motivos en referencia a aquellas teorías que
se han centrado en el estudio de la motivación intrínseca (e.g. evaluación cognitiva
de Deci o el modelo de las características del puesto de Hackman y Oldham). Esta-
ríamos, por tanto, más cerca de la concepción de Atkinson cuando concibe los moti-
vos como una disposición latente hacia un particular estado-meta y objetivo (Atkin-
son y Reitman, 1955). Esta aportación de Atkinson y Reitman muestra una clara co-
nexión entre las metas y los motivos, conexión que es particularmente interesante
por cuanto muestra la ligazón entre dos aportaciones teóricas, la teorías de las ne-
cesidades y las teorías del establecimiento de metas, que tradicionalmente han sido
contrapuestas entre sí (por ejemplo, por la propia Kanfer al referirse a las primeras
como que formulan la idea de necesidad como constructo lejano a la acción y al re-
ferirse a las segundas como teorías más cercanas a la acción al hablar de las metas
que la persona desea conseguir).
Con la inclusión de las necesidades o motivos en el esquema de la VIE vol-

teamos el esquema original al pasar las metas personales (concepto muy similar al
de necesidades o motivos) al inicio del proceso de motivación en lugar de constar
como el objetivo final de la conducta motivada (ver figura 39).
El segundo constructo que consideramos relevante de mantener es el de au-

toeficacia incluido en el modelo de Quijano y Navarro. Consideramos que, efectiva-
mente, este concepto sustituye adecuadamente al de expectativa de la teoría VIE.
Se trata de un constructo más amplio relacionado con la percepción global sobre la
capacidad personal en conseguir determinados niveles de desempeño adecuados
al trabajo a realizar. Y nos interesa la autoeficacia en su sentido general, no especí-
fico. Es decir, la percepción que la persona tiene sobre su capacidad de responder
adecuadamente a las exigencias de su trabajo, sin particularizar en tareas concretas
ni tan siquiera en trabajos concretos. De otra manera, y como veremos más adelan-
te, en relación con la problemática de la medida de la autoeficacia macro o micro,
nos situaremos a medio camino de ambas consideraciones.
El tercer constructo que contemplará nuestro modelo es el de instrumentali-

dad recogido en ambas aportaciones. Casi nos atreveríamos a decir que la percep-
ción de instrumentalidad es un constructo clave en cualquier teoría sobre motivación
en el trabajo. El percibir que las necesidades o motivos que ponen en marcha la
conducta pueden ser satisfechas o no en el contexto laboral es un factor claramente
191
regulador del nivel de esfuerzo. Si la persona cree que su desempeño individual irá
acompañado de las recompensas que necesita o desea lógicamente se sentirá mo-
tivada a esforzarse adecuadamente para conseguir ese desempeño. Y al contrario,
si la persona percibe que por muy bien que se desempeñe no conseguirá satisfacer
sus necesidades pronto dejará de emplear esfuerzo trabajando a mínimos.
Estos tres serán los constructos clave de nuestro modelo complejo de moti-
vación. Necesidades o motivos, percepción de autoeficacia y percepción de instru-
mentalidad. Aún nos queda perfilar a qué necesidades-motivos o tipo de necesida-
des-motivos nos referiremos. Lo haremos más adelante. Un primer esquema del
modelo combinado que hemos formulado se puede ver en la figura 39. Comparado
con el esquema de la teoría VIE (figura 39) hemos volteado como decíamos los tér-
minos, comenzando con las metas, ahora necesidades o motivos, para finalizar en
las recompensas obtenidas que, y esto también es nuevo al esquema de la VIE,
acaban repercutiendo nuevamente en las necesidades-motivos. De esta forma el
modelo se realimenta a sí mismo con lo que nos proporciona una primera descrip-
ción del proceso de motivación laboral.
Figura 40: Modelo combinado; primera propuesta.
Necesidades o Motivos
Comportamiento
Comportamiento
orientado
orientado para
para
satisfacerlas
satisfacerlas
Esfuerzo Individual
Percepción de
Autoeficacia
Desempeño Individual
Percepción de
Instrumentalidad
Recompensas de la Organización
El modelo combinado de la figura 40 aún puede ser simplificado. Por ejem-

plo, si hemos argumentado que utilizaremos la percepción de autoeficacia para eva-
luar como la persona cree que su esfuerzo dará lugar a ciertos niveles de desempe-
ño, podemos obviar estos dos conceptos últimos y quedarnos sólo con la percep-
ción de autoeficacia. Igualmente, podemos desprendernos del desempeño y las re-
compensas que le irán asociadas si utilizamos sólo el concepto de instrumentalidad.
Es decir, debemos de estar en condiciones de presentar un modelo en el que sólo
se recojan los tres constructos antes mencionados: necesidades o motivos, percep-
ción de autoeficacia y percepción de instrumentalidad.
Replanteemos pues el modelo combinado. Partiendo de que las personas

tenemos una serie de necesidades o motivos que orientan nuestro comportamiento
192
para satisfacerlas, estas necesidades o motivos están relacionadas, distalmente,

con la propia conducta motivada que en términos organizativos es claro que pode-
mos concebir como niveles de ejecución en el trabajo.
En la conversión de las necesidades o motivos en ejecución conseguida

hemos de contar con la influencia moduladora de la percepción de instrumentalidad.
La percepción de que las necesidades o motivos pueden ser satisfechos o no en el
contexto laboral incidirá en la conducta motivada, es decir, en la ejecución final.
Finalmente, para que se produzca la percepción de instrumentalidad es re-

quisito previo la percepción de autoeficacia. Esta idea, recogida ya en uno de los
primeros trabajos de Quijano sobre el Cuestionario ASH-MOT (ver Masip, Quijano y
Navarro, 1997) y, si se quiere, también en el modelo de la VIE al situar la percepción
de expectativa de resultados antes que la percepción instrumentalidad, nos apunta a
la importancia de la autoeficacia como variable cognitiva que hará posible, o no, la
percepción de otras conexiones importantes en el proceso de motivación. De alguna
forma, sin percepción de autoeficacia el proceso de motivación, tal cual es plantea-
do por los esquemas de las figuras 38 y 39, se bloquea. Un posible argumento po-
dría ser que sin percepción de autoeficacia no hay percepción de instrumentalidad
dado que no se ha alcanzado el desempeño para comprobar que, efectivamente, en
un contexto laboral determinado si trabajas bien conseguirás satisfacer tus necesi-
dades o motivos. Aunque, por otro lado, la persona puede observar en otros si hay o
no conexión entre el trabajo bien hecho y la satisfacción de necesidades. Y ello, sin
necesidad de experimentarlo en primera persona. Como vamos a tener datos de
ambos constructos podremos volver sobre esta polémica para encontrar una posible
solución.
A diferencia de las necesidades y motivos, tanto la percepción de instrumen-

talidad como la percepción de autoeficacia son dos constructos más proximales al
comportamiento motivado.
Por fin, el nivel de ejecución obtenido repercutirá tanto en las necesidades

como en la misma percepción de autoeficacia. La ejecución influirá en las necesi-
dades o motivos. Como dicen Mayor y Tortosa (1990) los motivos son procesos di-
námicos que cambian, entre otras cosas, por efecto del propio comportamiento. Y,
si tomamos necesidades superiores, es claro que esta influencia realimentará posi-
tivamente a dichas necesidades. Como argumentábamos más arriba si a la persona
le mueve cierto logro (necesidad, motivo) cuando lo consiga (ejecución) esto mismo
influirá en la propia necesidad para marcarse un logro mayor (retroalimentación po-
sitiva de la necesidad o motivo). Igualmente, la ejecución influirá positivamente en la
percepción de autoeficacia. Es obvio que la principal influencia en la percepción de
autoeficacia es la ejecución (cfr. Garrido, 2000).
193
Figura 41: Modelo combinado; segunda propuesta.
Necesidades o
Motivos
Percepción
Percepción de
de
Autoeficacia
Percepción
Percepción de
de
Instrumentalidad
Ejecución
conseguida
Quizá la mayor crítica que pueda suscitar este modelo representado en la

figura 41 vaya referida a la inclusión de la variable ejecución conseguida. Sin duda
es cierto que en la ejecución conseguida intervienen más factores que la mera acti-
vación de necesidades o motivos, la percepción de autoeficacia y la percepción de
instrumentalidad. Si las críticas van en la línea de que en la ejecución conseguida
intervienen decisivamente otros factores como las competencias o habilidades de la
persona o las tecnologías que se utilicen, la defensa es fácil. Estamos presentando
un modelo de motivación laboral, no de desempeño. Como ya hemos apuntado más
arriba la motivación no lo es todo (Robbins, 1996) a la hora de determinar el des-
empeño real de la persona en su trabajo. Cuentan también el saber y el poder. Pero
es claro que aquí nos estamos interesando por la ejecución conseguida que es fruto
del querer. Por otra parte, si las críticas se dirigen a la no inclusión de otras varia-
bles motivacionales relevantes hemos de insistir en que pretendemos construir un
modelo complejo de motivación con sólo unas pocas variables. Lo hemos argumen-
tado muchas veces a lo largo de este trabajo: la complejidad es una cuestión de re-
lación no de número.
5.3.2.- Estimación de Parámetros.
Podemos considerar las siguientes propiedades del modelo propuesto (figu-

ra 41). Primero, es un modelo relativamente sencillo dado que incluye sólo tres va-
riables: necesidades o motivos, percepción de autoeficacia y percepción de instru-
mentalidad. El nivel de ejecución, aunque sea una cuarta variable, a efectos de esti-
mación de parámetros su valor viene determinado por el valor de las otras tres va-
riables. Segundo, es un modelo dinámico. Como ya hemos dicho el nivel de ejecu-
ción acaba revirtiendo en las necesidades o motivos y en la percepción de autoefi-
194
cacia. Tercero, es un modelo no lineal dado que las relaciones establecidas serán
también modelizadas mediante parches borrosos. Y cuarto, es un modelo predictivo
a priori. Hay que decir que para comprobar este último aspecto es necesario la
puesta aprueba del mismo mediante la realización de simulaciones informáticas.
Para esto, para poner a prueba del modelo, es necesario estimar primero los
parámetros del mismo. Es decir, hay que clarificar el tipo de relaciones entre las va-
riables consideradas. Precisaríamos de crear un instrumento que midiese las cuatro
variables que intervienen en el modelo y hacer posteriormente un estudio de relacio-
nes entre las mismas. El Cuestionario ASH-MOT, ya mencionado, mide tres de es-
tas variables: necesidades o motivos, percepción de autoeficacia y percepción de
instrumentalidad. Luego, nos podemos servir del mismo y de algunas de las aplica-
ciones que ya se han realizado. Pero, hemos de salvar el escollo de tomar alguna
medida, aunque sea indirecta, del nivel de ejecución.
De manera ideal, el nivel de ejecución conseguido debiera ser evaluado me-

diante algún sistema de evaluación de desempeños y rendimientos (Quijano, 1992).
Como esta es una información de la que no disponemos, habremos de buscar algu-
na medida indirecta que, de algún modo, nos sirva de indicador de la ejecución con-
seguida por parte de la persona en su trabajo. Y, lógicamente, esta medida no podrá
ser un constructo de carácter motivacional para evitar posibles tautologías en el mo-
delo. La solución que vamos a proponer es la utilización de una medida de compro-
miso con la organización. Aunque es una solución discutible, son numerosos los au-
tores que han mostrado una clara relación entre el compromiso y variables tales co-
mo el rendimiento en el trabajo, la satisfacción laboral, el absentismo o la rotación
del personal (e.g. Morrow, 1983; Bateman y Strasser, 1984; Reichers, 1985; Griffin y
Bateman, 1986; Mathieu y Zajanc, 1990; Randall, Fedor y Longenecker, 1990; Meyer
y Allen, 1991). Por otro lado, pensamos que es mejor tomar este criterio para esta-
blecer las relaciones que involucren al nivel de ejecución que no dejarlo a criterio de
experto.
5.3.2.1.- Medidas de las Variables del Modelo.
Tal y como hemos dicho las variables necesidades o motivos, percepción de

autoeficacia y percepción de instrumentalidad son evaluadas por el Cuestionario
ASH-MOT (Quijano y Navarro, 1998). Por su parte, el compromiso con la organiza-
ción, nuestro sustitutivo del nivel de ejecución, es evaluado por el Cuestionario ASH-
ICI (Quijano, Navarro y Cornejo, 2000). Presentaremos ahora en detalle de qué for-
ma son evaluados cada uno de estos constructos y las propiedades psicométricas
de los instrumentos utilizados. A fin de no cargar excesivamente este capítulo con
información estadística remitiremos a menudo a los anexos que acompañan esta
tesis. Allí también pueden encontrarse las versiones de los Cuestionarios ASH-MOT
y ASH-ICI que se han empleado (anexos I y II).
En primer lugar hemos de exponer como son evaluadas las necesidades o

motivos como elemento energético iniciador de la conducta motivada. Las necesi-
195
dades que las personas tienen en sus trabajos, o lo que es lo mismo, lo que les mo-
tiva, son medidas mediante la combinación de las dos escalas siguientes:
1. Una primera escala (Escala A) de comparación por pares de necesidades

similar en formato a las secciones 1 y 7 de la forma A del JDS de Hackman y
Oldham (versión española de Fuertes, Munduate y Fortea, 1994). En esta
primera escala se plantea a la persona la elección entre dos trabajos que sa-
tisfacen una u otra necesidad del par en juego. Y, lógicamente, se realizan to-
das las comparaciones posibles entre sí. En total la escala cuenta con 21
items fruto de la comparación de siete necesidades distintas entre sí.
Algunos ejemplos de ítems de esta escala son presentados a continuación:
En cada una de las siguientes preguntas se describen brevemente dos tipos diferen-
tes de trabajo. Por favor, indique, marcando con una X o rodeando con un círculo, cuál
de los dos preferiría, si tuviera que elegir entre ellos, utilizando la siguiente escala:
Puesto A Puesto B
1--------------------2----------------------3--------------------4---------------------5
Prefiero A Prefiero A Neutral Prefiero B Prefiero B

rotundamente más que B más que A rotundamente
Un puesto en que le Un puesto con unas buenas

paguen el sueldo convenido condiciones físicas de trabajo
1--------------------2----------------------3--------------------4---------------------5
Un puesto que le ofrezca Un puesto en que su

seguridad y estabilidad cara superior le felicite
al futuro cuando lo merezca
1--------------------2----------------------3--------------------4---------------------5
2. Y una segunda escala tipo Likert (Escala B) en la que se pregunta a la perso-

na por el grado de importancia que tiene cada una de las necesidades estu-
diadas por separado. Esta escala cuenta con siete items correspondientes a
las siete necesidades evaluadas. Algunos ejemplos de ítems de esta escala
se presentan a continuación:
196
¿Hasta qué punto es importante para usted en su trabajo cada uno de los siguien-
tes aspectos? Marque con una X o rodeando con un círculo según la escala:
1. Nada importante
...
5. Muy importante
Nada Muy
importante importante
1 2 3 4 5
Que sus superiores le apoyen
Que pueda poner en juego todo lo que usted es

1 2 3 4 5
capaz de hacer
Por tanto, mientras en la primera escala el sujeto debe priorizar entre sus ne-
cesidades (determinar su valor relativo entre ellas), en la segunda se le ofrece la
oportunidad de valorar cada una de estas necesidades por separado (matizar su
valor absoluto lo cual también es importante, por ejemplo, aun cuando para una per-
sona sea más importante el crecimiento personal que el sueldo, éste también puede
ser muy importante para ella). Como hemos dicho, la medición de necesidades se
obtiene de la combinación de ambas escalas, obteniéndose un rango de medida
para cada necesidad que oscila entre 2 y 10.
En total, trabajaremos inicialmente con las siguientes siete necesidades o

motivos:
1. Retribución económica
2. Condiciones físicas del entorno de trabajo
3. Seguridad y estabilidad en el empleo
4. Relaciones con los compañeros de trabajo
5. Apoyo y respeto de los superiores
6. Reconocimiento del superior por el trabajo bien hecho
7. Desarrollo personal en el trabajo
La distribución de frecuencias de estas necesidades puede verse en el anexo

IV, así como las características principales de la muestra en la que se aplicó el
Cuestionario ASH-MOT (anexo III). Como puede apreciarse, en general las diferen-
tes necesidades presentan distribuciones asimétricamente negativas, excepto en el
caso de la necesidad sexta (reconocimiento del superior por el trabajo bien hecho).
De otro modo, sus distribuciones tienden hacia los valores altos tal y como se refleja
en los histogramas. Pormenorizando más en este aspecto, un análisis de normali-
dad revela que sólo la sexta necesidad antes mencionada presenta una distribución
normal según el estadístico Z de Kolmogorov-Smirnov. Este aspecto habrá de ser
tenido en cuenta en posteriores análisis.
197
También nos interesa recoger la correlación media entre ambas escalas de

medición de necesidades (correlación entre las Escalas A y B). Dichas correlacio-
nes oscilan entre valores de 0,149 para la necesidad de retribución económica a
0,461 para la de buenas condiciones físicas de trabajo (ver anexo IV). En todos los
casos estas correlaciones son significativas al 99% de confianza. El promedio se
sitúa en el valor 0,3367, valor similar al encontrado en otros estudios (ver Fortea y
Fuertes, 1997).
En segundo lugar, el Cuestionario ASH-MOT indaga la conciencia que las

personas tienen de conexión entre el trabajo bien hecho y la satisfacción de sus ne-
cesidades. De otro modo, su percepción acerca de que si trabajan bien conseguirán
aquello que les motiva y lograrán satisfacer sus necesidades. Es decir, su percep-
ción de instrumentalidad (Vroom, 1964). Algunos ejemplos de ítems de esta parte
del cuestionario se presentan a continuación:
¿Cuál es la probabilidad de que le ocurra cada una de estas cosas a usted si realiza
bien su trabajo? Marque con una X o rodeando con un círculo, utilizando la siguiente escala:
1. Muy improbable
2. Improbable
3. Tal vez ocurra, puede ocurrir
4. Probable
5. Muy probable
Si usted realiza bien su trabajo en su empresa:
Muy Muy
improbable probable
Mantendrá y protegerá su salud física 1 2 3 4 5
Recibirá elogios por parte de su jefe 1 2 3 4 5
Tendrá unas buenas relaciones con los compañeros

de trabajo 1 2 3 4 5
Dado que el cuestionario ASH-MOT evalúa siete tipos de necesidades distin-

tos, también indaga sobre sus correspondientes percepciones de instrumentalidad.
Es decir, también habrá siete percepciones de instrumentalidad distintas, cada una
correspondiente a una necesidad distinta. Y cada una de ellas es evaluada con dos
items. Con lo que generamos siete tipos de instrumentalidad con valores que oscilan
entre 2 y 10.
Para acercarnos al estudio de la fiabilidad y validez de constructo de esta

escala es conveniente la realización de un análisis factorial exploratorio para estu-
diar si la solución resultante es acorde con la diferenciación en siete tipos de nece-
198
sidades. En el anexo VI se presenta dicho análisis. La solución factorial, junto a otro

análisis de correlaciones entre items, nos dan pie a dar por buena la medición de
cada una de los siete tipos de instrumentalidad como la suma de los dos items ini-
cialmente propuestos.
Igualmente presentamos en un anexo, el VII, los estadísticos descriptivos más

relevantes de cada una de los siete tipos de instrumentalidad.
Y en tercer lugar, hemos tomado del cuestionario ASH-MOT la evaluación de

la percepción de autoeficacia entendida, como ya hemos apuntado, como la creen-
cia en la capacidad personal de dar respuestas eficaces a los retos y demandas del
puesto de trabajo. El cuestionario ASH-MOT se ha basado en la escala de autoefi-
cacia general de Jerusalem y Schwarzer (1992) y de la adaptación española reali-
zada por Baessler y Shwarzer (1996) de la cual se han tomado items y se han adap-
tado para nuestros objetivos. Un tema de interés a añadir ahora es la generalidad
de la percepción de autoeficacia, es decir, la variabilidad en cuanto a áreas de fun-
cionamiento en las que la persona se percibe autoeficaz. Los ítems referidos a au-
toeficacia pretenden situarse en un nivel de generalidad en el que es el puesto de
trabajo el objeto sobre el que las personas pueden sentirse autoeficaces o no. Aun-
que una medida micro-analítica sería más eficaz a la hora de evaluar la percepción
de autoeficacia, es prácticamente imposible de formular un enfoque de medida en el
que se sondee la percepción de autoeficacia con respecto a habilidades específi-
cas que la persona deba poner en juego en su trabajo.
Algunos ejemplos de los ítems incluidos en esta parte del cuestionario pue-
den verse a continuación:
Marque con una X o rodeando con un círculo, el número que indica su grado de acuerdo o
desacuerdo con cada una de las afirmaciones siguientes, utilizando la escala que se indica a
continuación:
1. Totalmente en desacuerdo (TD)

2. En desacuerdo
3. Ni de acuerdo, ni en desacuerdo
4. De acuerdo
5. Totalmente de acuerdo (TA)
TD TA
Puedo resolver problemas difíciles de mi trabajo si

1 2 3 4 5
me esfuerzo lo suficiente
Venga lo que venga, por lo general soy capaz de

manejarlo 1 2 3 4 5
Al tener que hacer frente a un problema de mi traba-

jo, generalmente se me ocurren varias alternativas
1 2 3 4 5
sobre cómo resolverlo
199
La fiabilidad y validez de la escala de autoeficacia han sido descritas en Qui-

jano y Navarro (2000). Los resultados de un análisis factorial exploratorio de factor
común único pueden verse en el anexo VIII. Igualmente, y dado que en este caso
contamos con cuatro items, se presenta un análisis factorial confirmatorio utilizando
el método de máxima verosimilitud. Como puede verse en ambos casos los resulta-
dos son satisfactorios. Finalmente, y ya que aquí utilizaremos un índice de autoefi-
cacia como fruto sumativo de los cuatro items que componen la escala (suma de los
cuatro items y dividido por dos para obtener un rango de 2 a 10, rango similar a to-
dos los obtenidos hasta ahora) hemos de decir que la correlación de este índice
generado con el factor obtenido en el análisis es de 0,934 lo que justifica claramente
el uso del mismo.
Los estadísticos descriptivos del índice generado de autoeficacia se presen-

tan en el anexo IX.
Por último, el compromiso con la organización ha sido evaluado utilizando

algunos de los items del Cuestionario ASH-ICI (Quijano et al., 2000), cuestionario
que recoge, adapta y trabaja sobre aportaciones realizadas anteriormente por dife-
rentes autores (Buchanon, 1974; Porter et al., 1974; O’Reilly y Chatman, 1986; Mael
y Ashforth, 1992). En concreto, nos hemos quedado con cuatro items que han sido
aplicados a la misma muestra a la cual también se aplicó el Cuestionario ASH-MOT
(ver anexo II). Algunos ejemplos de los ítems incluidos en este cuestionario pueden
verse a continuación:
Indique su grado de acuerdo o desacuerdo con cada una de las afirmaciones siguientes:
1. Totalmente en desacuerdo (TD)

2. En desacuerdo
4. De acuerdo
5. Totalmente de acuerdo (TA)
TD TA
Me siento orgulloso de trabajar para esta empresa 1 2 3 4 5
Cuando alguien alaba esta empresa lo siento como

un cumplido personal 1 2 3 4 5
Los análisis factoriales, exploratorio y confirmatorio de máxima verosimilitud

(anexo X), de esta escala muestran unos resultados adecuados. Y al igual que en el
caso anterior del índice de autoeficacia, el índice de compromiso generado (suma-
torio de los cuatro items dividido por dos) muestra una elevada correlación con el
factor obtenido en el análisis factorial de factor común único (valor de 0.994). Por fin,
los estadísticos descriptivos de este índice de compromiso pueden verse en el
anexo XI.
200
5.3.2.2.- Establecimiento de las Relaciones entre las variables.
Una vez que hemos visto como son evaluadas cada una de las variables que
intervienen en nuestro modelo, el siguiente paso consiste en determinar cuáles se-
rán el tipo de relaciones que mantendrán las variables entre sí.
Hemos insistido en que, para construir un modelo complejo como pretende-

mos, estas relaciones deberán ser no lineales. Para conseguir esto nos basaremos
en una técnica derivada de la lógica borrosa: los parches borrosos (Kosko, 1993).
Los parches borrosos son una técnica relevante para el modelado de relaciones
entre variables consistente en el establecimiento de un conjunto de reglas del tipo
‘si.., entonces...’. Por ejemplo, ‘si la autoeficacia tiene un valor de 3, entonces la ins-
trumentalidad tendrá un valor de 3’, o ‘si la autoeficacia tiene un valor de 7, entonces
la instrumentalidad podrá tener cualquier valor’.
Una cuestión que se plantea entonces es cómo establecer ese conjunto de

reglas ‘si.., entonces...’. Kosko (1993) y otros autores (por ejemplo, Martínez y Re-
quena, 1986, dentro del modelado en dinámica de sistemas) han propuesto el si-
guiente método. Primero hay que elaborar un gráfico de puntos que recoja la rela-
ción entre las dos variables, es decir, habrá que realizar un diagrama de dispersión
entre las dos variables. Segundo, habrá que buscar una línea, no necesariamente
recta, que ajuste lo más fielmente posible los datos. La mejor solución es utilizar la
línea generada por la media móvil que integre al mayor número de datos posible. Y
tercero, se parcheará esa línea con un número determinado de parches, a criterio
del experto, de tal forma que esos parches asociarán conjuntos de valores de una
variable con otro conjunto de valores de la otra variable.
Para tal proceder, contamos en estos momentos con un obstáculo. Y es que

no tenemos una sola medida de la variable necesidad o motivos. Luego habrá que
crearla de algún modo. Una solución posible sería quedarse sólo con una necesi-
dad. Otra solución, más integradora, nos invitaría a buscar posibles tipos de necesi-
dades y a estudiar si pueden agruparse bajo algún criterio teórico y métrico. Es esta
segunda solución por la que vamos a optar.
La tabla de correlaciones entre las dos escalas de medición de necesidades

(ver anexo V) nos invita a pensar sobre la clásica diferenciación de Herzberg (1968)
entre factores de higiene o ergonómicos y factores motivadores, diferenciación ésta
que aunque muy discutida (ver, por ejemplo, House y Wigdor, 1967; Vroom, 1964;
Howell, 1979) suele confirmarse en sus versiones más generales (Munduate, 1984;
Robbins, 1996). Parece claro que las tres primeras necesidades (retribución eco-
nómica, condiciones físicas de trabajo y seguridad y estabilidad) funcionan de ma-
nera distinta a las otras necesidades (relaciones compañeros, apoyo y respeto su-
perior, reconocimiento y desarrollo personal). Quizás, de éstas últimas, la que ofrece
más dudas en su funcionamiento es la necesidad de relaciones con los compañeros
que el mismo Herzberg calificaba de factor ergonómico. Así, si queremos basarnos
en la aportación de este autor deberíamos diferenciar entre las tres primeras nece-
sidades a la que incluiríamos la necesidad cuarta de relaciones con los compañeros
frente a las tres necesidades últimas o auténticos motivadores.
201
Otra aportación teórica que consideramos relevante para la selección de las

necesidades a estudiar e integración en una única medida nos la ofrecen Katz y
Khan (1966) y su diferenciación entre diferentes tipos motivacionales. Para estos
autores, es posible diferenciar las pautas motivacionales que producen el compor-
tamiento de la persona en su lugar de trabajo. Así, un primer tipo de pauta hace refe-
rencia a la aceptación de las prescripciones del rol y de las órdenes organizativas ya
que se consideran que emergen de una autoridad legítima. El segundo tipo se refie-
re a la inducción de la motivación mediante el empleo de recompensas o satisfac-
ciones instrumentales. El tercer tipo de pauta recoge las pautas interiorizadas de
autodeterminación o expresión de sí mismo. Se trata de pautas que movilizan por
cuanto conllevan la satisfacción de haber logrado algo o la expresión de talento o
capacidad propia. Finalmente, el cuarto tipo recoge la incorporación de los objetivos
organizativos al autoconcepto de la propia persona. Se trataría del máximo nivel de
compromiso organizativo.
Esta tipología de pautas motivacionales de Katz y Khan muestra sus conso-

nancias con la diferenciación anterior de Herzberg. Los factores de higiene se co-
rresponderían, en gran medida, con las pautas tipo dos, y los factores de motivación
serían, esencialmente, pautas de tipo tres e, incluso, cuatro. Pero la razón por la cual
retomemos esta propuesta de tipos motivacionales es porque nos pone en la pista
de estudiar si la mayor o menor activación de cada una de nuestras necesidades
está relacionada, y de qué modo, con el mayor o menor compromiso manifestado
con la organización. Si Katz y Khan están en lo cierto, debemos encontrar diferen-
cias en las relaciones entre cada una de las necesidades y el compromiso organiza-
tivo.
En el anexo XII recogemos los diagramas de dispersión de las siete necesi-

dades estudiadas cruzadas con el índice de compromiso organizativo. Como puede
apreciarse las tres últimas necesidades (apoyo y respeto del superior, reconoci-
miento por el trabajo bien hecho y desarrollo personal) son las únicas que presentan
una clara relación positiva con el compromiso organizativo. En todas ellas, a mayor
activación de la necesidad, es decir, a mayor importancia otorgada por la persona,
mayor es también el compromiso que manifiesta con la organización. Por el contra-
rio, las necesidades que podríamos denominar de higiene (retribución económica,
condiciones físicas del trabajo, seguridad y estabilidad en el empleo y relaciones
con los compañeros) parecen no mostrar relación significativa con el compromiso
organizativo y, lo que es más interesante, en todos los casos las personas que mani-
fiestan una alta activación de estas necesidades son las que muestran también un
menor compromiso con la organización.
202
Gráfico 1: Relación entre el tipo motivacional conformado por las necesidades de higiene y el com-
promiso con la organización.
12
10
8
NIVEL DE COMPROMISO
0
2 3 4 5 6 7 8 9 10
NECES. HIGIENE (nec1+nec2+nec3+nec4)
Gráfico 2: Relación entre el tipo motivacional conformado por las necesidades motivadoras y el com-
promiso con la organización.
12
10
8
NIVEL DE COMPROMISO
0
2 3 4 5 6 7 8 9 10
NECES. MOTIVACIÓN (nec5+nec6+nec7)
203
Este hecho nos ha llevado a separar ambos conjuntos de necesidades y a

generar una medida única para ambos casos consistente en el sumatorio de todas
las necesidades y reescalada a un rango 2-10. La relación que ambos tipos motiva-
cionales (de higiene y motivador) mantienen con el compromiso organizativo queda
reflejado en los dos gráficos anteriores (gráficos 1 y 2). Además, y recogiendo la
aportación de Herzberg (1968) nos quedaremos con la combinación de aquellas
necesidades que se han mostrado como auténticamente motivadoras y relaciona-
das con el compromiso. Con todo ello, justificamos nuestro uso de una única medida
de necesidades derivada de la combinación de las tres necesidades superiores ya
mencionadas.
Aclarado el cómo utilizaremos una única medida de necesidades o motivos,

procedamos al establecimiento de los parches borrosos o conjuntos de reglas ‘si ..,
entonces ...’. Retomando nuestro modelo combinado de la figura 49 podemos ver
que tendremos que establecer cinco conjuntos de reglas. Las que unen las variables
necesidades o motivos con ejecución conseguida (1), percepción de autoeficacia
con percepción de instrumentalidad (2), percepción de instrumentalidad modulando
la relación entre necesidades y ejecución (3), ejecución conseguida con percepción
de autoeficacia (4) y ejecución conseguida con necesidades o motivos (5). Proce-
damos a modo de ejemplo con el establecimiento del segundo conjunto de reglas y
desarrollaremos en los anexos el resto.
Cruzando la percepción de autoeficacia con la percepción de instrumentali-

dad (lógicamente de las tres necesidades estudiadas al final y elaborando una me-
dida similar a cómo hemos procedido anteriormente con las necesidades) el resul-
tado se recoge en el siguiente gráfico.
Gráfico 3: Relación entre percepción de autoeficacia y percepción de instrumentalidad.
12
Instrume = (instrum5 + instrum6 + instrum7) / 3
10
0
2 4 6 8 10 12
AUTOEFICACIA
204
Si consideramos la escala de respuesta de ambos índices podemos deter-

minar que es a partir de un valor igual a 8 cuando se da percepción de autoeficacia
y también cuando se produce la percepción de instrumentalidad. Con estos datos, el
gráfico anterior nos depara una lectura interesante anticipada en el desarrollo teóri-
co previo. En general, las personas con baja percepción de autoeficacia tampoco
tienen percepción de instrumentalidad (de ahí que el cuadrante superior izquierdo
del gráfico aparezca sin puntos). Por otra parte, las personas con una alta percep-
ción de autoeficacia pueden mostrar tanto valores altos como medios o bajos en
percepción de instrumentalidad.
Para el establecimiento de los parches borrosos debemos cubrir la línea de

ajuste de datos con parches. Procedamos a ello.
Gráfico 4: Relación entre percepción de autoeficacia y percepción de instrumentalidad: estableci-

miento de los parches borrosos.
12
Instrume = (instrum5 + instrum6 + instrum7) / 3
10
0
2 4 6 8 10 12
AUTOEFICACIA
Hemos dibujado cuatro parches que recubren bien la línea de ajuste de los
datos. Siempre trabajaremos con la media móvil como línea que mejor ajusta los
datos. El número de parches que hemos utilizado queda a criterio subjetivo. A mayor
número de parches mejor cubrimiento de la línea de ajuste. Hemos de tener presen-
te que luego deberemos pasar los parches a reglas borrosas y éstas a programa-
ción para la simulación informática del modelo. Considerando que no conviene es-
tablecer demasiadas reglas más allá de un buen cubrimiento de la línea de ajuste,
cuatro parches nos han parecido convenientes en este caso.
205
Para el establecimiento del conjunto de reglas hemos de tener con lo siguien-

te. La percepción de cierta autoeficacia es requisito previo sin la cuál no se produci-
rá la percepción de instrumentalidad. Aunque está claro que ambas son variables
independientes en el proceso motivacional. Luego la percepción de autoeficacia
impone ciertos límites para que se produzca la percepción de instrumentalidad, pero
una vez que la persona tiene un cierto nivel de percepción de autoeficacia el valor en
su percepción de instrumentalidad es independiente de la misma. Aquí intervienen
otros factores. Teniendo esto en cuenta podemos establecer el siguiente conjunto de
reglas:
Si la autoeficacia tiene un valor entre 0 y 5,99, la instrumentalidad tendrá un valor no superior a

5.
Si la autoeficacia tiene un valor entre 6 y 7, la instrumentalidad tendrá un valor no superior a
5,5.
Si la autoeficacia tiene un valor entre 7,01 y 8, la instrumentalidad podrá tener cualquier valor.
El resto de los parches establecidos para las otras relaciones pueden verse
en el anexo XIII. El conjunto completo de reglas establecidas que surgen de los mis-
mos quedan recogidas en la tabla siguiente.
Tabla 15: Conjunto de reglas establecidas para el modelado posterior.

Relación entre: Casilla correspondiente en la hoja de cálcu-
lo:
Autoeficacia – Instrumentalidad Instrumentalidad (atf)
Si la autoeficacia tiene un valor entre 0 y 5,99, la instrumentalidad tendrá un valor no superior a
5.
Si la autoeficacia tiene un valor entre 6 y 7, la instrumentalidad tendrá un valor no superior a
5,5.
Necesidades – Ejecución Ejecución (nec)

Si las necesidades tienen un valor entre 0 y 3,5, el nivel de ejecución tendrá un valor igual a las
necesidades.
Si las necesidades tienen un valor entre 3,51 y el nivel de ejecución tendrá un valor de 4,5.
4,25,
Si las necesidades tienen un valor entre 4,26 y 5, el nivel de ejecución tendrá un valor de 5.
Si las necesidades tienen un valor entre 5,01 y 6, el nivel de ejecución tendrá un valor de 6.
Si las necesidades tienen un valor entre 6,01 y el nivel de ejecución tendrá un valor de 7.
10,
206
Instrumentalidad – Necesidades & Ejecución Ejecución (nec & ins)

Si la instrumentalidad tiene un valor entre 0 y 2, el nivel de ejecución se ponderará por un valor de
0,8.
Si la instrumentalidad tiene un valor entre 2,01 y el nivel de ejecución se ponderará por un valor de
4, 1.
6, 1,2.
8, 1,4.
10, 1,6.
Ejecución – Autoeficacia Autoeficacia (a partir de la casilla B2)

Si la ejecución tiene un valor entre 0 y 3,99, la autoeficacia se ponderará por 0,8.
Si la ejecución tiene un valor entre 4 y 5,99, la autoeficacia se ponderará por 0,85.
Si la ejecución tiene un valor entre 6 y 6,99, la autoeficacia se ponderará por 1.
Si la ejecución tiene un valor entre 7 y 8, la autoeficacia se ponderará por 1,15.
Si la ejecución tiene un valor entre 8,01 y 9, la autoeficacia se ponderará por 1,175.
Si la ejecución tiene un valor entre 9,01 y 10, la autoeficacia se ponderará por 1,2.
Ejecución – Necesidades Necesidades (a partir de la casilla A2)

Si la ejecución tiene un valor entre 0 y 6,99, las necesidades se ponderarán por 0,85.
Si la ejecución tiene un valor entre 7 y 8,99, las necesidades se ponderarán por 1.
Si la ejecución tiene un valor entre 9 y 10, las necesidades se ponderarán por 1,15.
De la tabla anterior hay que hacer varias aclaraciones. Como sabemos, nues-
tro modelo consta de cuatro variables: autoeficacia, instrumentalidad, necesidades y
nivel de ejecución. De estos cuatro parámetros, el nivel de ejecución viene determi-
nado por el resto. Luego, a la hora de introducir datos en el modelo para simularlo
bastará con tres valores iniciales (a las variables autoeficacia, instrumentalidad y
necesidades) y esperar que el modelo opere obteniendo, gracias a las reglas que le
hemos introducido, el valor en nivel de ejecución y las modificaciones de los valores
iniciales de necesidades y autoeficacia fruto de las dos realimentaciones que tiene
el modelo (ver figura 41).
Teniendo esto en cuenta, es obvio que la relación entre autoeficacia e instru-

mentalidad deberá proporcionar un conjunto de reglas que a) según el valor en per-
cepción de autoeficacia, b) se matice el valor posible en percepción de instrumenta-
lidad. De ahí que el primer conjunto de reglas (autoeficacia – instrumentalidad) im-
ponga límites pero no determine un valor concreto en la percepción de instrumentali-
dad.
La relación que se establece entre necesidades y ejecución es de otro tipo.

No se imponen límites al nivel de ejecución, que es un valor inicialmente no conocido
y fruto del resto de variables, sino que se determina este valor. Y ese valor en el nivel
de ejecución vendrá determinado por la menor o mayor activación de las necesida-
des o motivos (primero) y por la ponderación que establece la percepción de instru-
mentalidad en las necesidades estudiadas (segundo). Para la generación de la me-
dida de instrumentalidad que hemos utilizado en el establecimiento de los parches
207
no se ha operado con la percepción de instrumentalidad de las tres necesidades

estudiadas. Esa hubiera sido una medida burda. Se ha construido una medida (nir o
necesidades instrumentalizadas y recodificadas) que recoge: 1) si la persona está
motivada o no por cada uno de las tres necesidades, estableciendo el punto de cor-
te, no estar motivado o sí por la necesidad, en el cruce de la línea de ajuste de datos
con la línea horizontal que recoge el valor promedio en la necesidad de los diagra-
mas de dispersión expuestos en el anexo XII; 2) si la persona percibe o no instru-
mentalidad para cada una de las tres necesidades estudiadas, siendo el punto de
corte en este caso el que establece la propia escala de respuesta; y 3) se ha opera-
do finalmente con la suma de las necesidades activadas en las que, además, se
tiene percepción de instrumentalidad, menos la suma de las necesidades activadas
en las que no hay percepción de instrumentalidad. El programa SPSS detallado con
el que se ha trabajado la construcción de esta medida puede verse en el anexo XIV.
De manera similar, el resultado final en el nivel de ejecución modelará me-

diante ponderaciones los valores iniciales de autoeficacia y necesidades o motivos.
En todas las relaciones en las que se establecen reglas que ponderan sobre
un valor inicial se han establecido los coeficientes de ponderación siguiendo el si-
guiente criterio. Se ponderará por 1, es decir, dejar igual, cuando el parche recoja
aquellos valores que se sitúan en el valor medio de la variable que se pondera. Por
ejemplo, en la relación entre nivel de ejecución y percepción de autoeficacia se pon-
dera por 1 cuando el parche recoge unos valores que claramente recogen el prome-
dio en autoeficacia. A partir de aquí, y establecido el valor promedio, se sube dos
décimas de punto en la ponderación (1,2) por aumento en un número en la escala de
la variable a ponderar (cuando la línea de ajuste de datos se sitúa un punto por en-
cima del valor promedio). Y se pondera por dos décimas menos (0,8) por descenso
en un número (cuando la línea de ajuste se sitúa un punto por debajo del valor pro-
medio). El manejar cambios de dos décimas es una decisión subjetiva. Lo más im-
portante es que, una vez establecido cuanto se ha de subir o bajar por cada punto
de cambio en la escala, se mantenga este criterio a la hora de parchear toda la línea
y establecer las relaciones entre las variables.
Establecidos el conjunto completo de reglas, el siguiente paso es la introduc-

ción de estas reglas en un programa informático. En nuestro caso, y dado la relativa
sencillez, en número de variables y número y tipo de relaciones establecidas, de
nuestro modelo, podemos servirnos de una simple hoja de cálculo. En el anexo XV
puede verse una muestra, con un desarrollo concreto partiendo de unos valores altos
en necesidades, autoeficacia e instrumentalidad, de la hoja de cálculo que se ha
preparado para tal efecto. También puede verse como son introducidas las reglas
anteriores en un formato reconocible por la hoja de cálculo (en la barra de fórmulas
puede verse el empleo de los parches previamente establecidos, en este caso entre
las necesidades y la ejecución, utilizando una fórmula del tipo ‘si la casilla A2 tiene
un valor X, entonces esta casilla tendrá un valor Y’). A partir de aquí nos interesará
dar cuenta detallada del funcionamiento de dicho modelo.
208
5.3.3.- Resultados de la Simulación.
Es interesante acercarse al estudio del comportamiento que nos brinda el

modelo combinado de motivación realizado primero algunas predicciones básicas,
casi requisitos, que éste ha de cumplir. Realicemos, por tanto, dos predicciones
elementales:
1. Si la persona tiene unas necesidades o motivos muy activados, tienen una al-
ta percepción de autoeficacia y también tiene una alta percepción de instru-
mentalidad, su nivel de ejecución será alto.
2. Si la persona tiene unas necesidades o motivos apenas activados, es decir,

apenas presenta un elemento energético inicial que active su conducta moti-
vada, su nivel de ejecución será bajo. Y ello independientemente de los valo-
res de las otras variables del modelo combinado (percepción de autoeficacia
y percepción de instrumentalidad).
Figura 42: Tres desarrollos de la simulación del modelo combinado.
La confirmación de ambas predicciones puede verse en el extracto anterior

de la hoja de cálculo. En el primero, se inicia la simulación con valores altos en los
tres parámetros iniciales (valores de 8 para las casillas de necesidades, autoefica-
cia e instrumentalidad; casillas marcadas en gris). Como puede verse, el nivel de
ejecución que se acaba consiguiendo es el máximo según las relaciones estableci-
209
das (un valor inicial de 7 proveniente de la alta activación de necesidades, pondera-

do por un valor de 1,6 según la elevada percepción de instrumentalidad). El nivel de
ejecución alcanzado es de 11,2 después de una iteración o realimentación del mo-
delo. Por su parte, cuando las necesidades inician con un valor bajo acaban
repercutiendo en un valor final también bajo en el nivel de ejecución, y ello
independientemente de los otros valores que se tengan en la percepción de
autoeficacia y en la percepción de instrumentalidad. Como puede verse el nivel de
ejecución acaba tomando un valor más pequeño cada vez.
En la figura anterior también hemos recogido un tercer desarrollo en el que se

inicia el modelo con valores medios en los tres parámetros (necesidades = 6, auto-
eficacia = 5 e instrumentalidad =5). En este caso, el nivel de ejecución parece au-
mentar poco a poco. Para confirmar esta tendencia deberíamos realizar un número
mayor de iteraciones del modelo. Si realizamos dichas iteraciones comprobaremos
que, efectivamente el nivel de ejecución acaba aumentando progresivamente con lo
que se realimentan positivamente las necesidades y la percepción de autoeficacia, y
también, en alguna medida, la propia percepción de instrumentalidad. Con ello se
consigue aumentar algo los valores de estos parámetros lo que a su vez acaba re-
percutiendo en un nuevo aumento en el nivel de ejecución. Y se genera una realimen-
tación positiva que acaba por instalar al nivel de ejecución en su valor máximo de
11.2.
Este hecho nos pone en la pista de que el modelo, en realidad, sólo presenta
dos tipos de comportamientos posibles: primero, todas las variables comienzan a
aumentar en sus valores dado la realimentación positiva continua que hay entre to-
dos ellos, y este aumento es cada vez mayor salvo para aquellas variables en las
que se han limitado los valores máximos (el caso del nivel de ejecución que puede
alcanzar el valor máximo de 11.2); y segundo, todas las variables comienzan a dis-
minuir progresivamente hasta llegar a valores prácticamente nulos. Nuevamente sal-
vo en aquellos casos en los que se han limitado los valores mínimos (en este caso la
percepción de instrumentalidad).
Esta característica de la dinámica del modelo combinado de motivación es

debida a la realimentación continua. Es fruto de haber considerado el factor tiempo,
como decíamos. Y ocurre que, teniendo en cuenta la iteración continua entre las va-
riables que, en el plano teórico parecían tan sensatas, el modelo muestra un
comportamiento de lo más inverosímil. O bien aumenta sin cesar, o bien disminuye
hasta anularse. Ambos desarrollos posibles pueden verse en las gráficas siguientes.
Los resultados numéricos de ambos casos pueden consultarse en el anexo XV.
210
Gráfico 5: Simulación partiendo de valores altos.
Simulación de 200 iteracciones comenzando con valores altos en

los parámetros iniciales
4,5E+16
4E+16
Valor en las variables
3,5E+16
3E+16
2,5E+16
2E+16
1,5E+16
1E+16
5E+15
0
10
19
28
37
46
55
64
73
82
91
100
109
118
127
136
145
154
163
172
181
190
199
1
Número de iteracciones
Necesidades Autoficacia Instrumentalidad Ejecución (nec&ins)
Gráfico 6: Simulación partiendo de valores bajos.
Simulación de 200 iteracciones comenzando con valores bajos en

los parámetros iniciales
2,5
Valor en las variables
1,5
0,5
0
1
11
21
31
41
51
61
71
81
91
101
111
121
131
141
151
161
171
181
191
Número de iteracciones
Necesidades Autoficacia Instrumentalidad Ejecución (nec&ins)
211
5.4.- Redefinición del Modelo: Propuesta Definitiva.
Los resultados anteriores nos conducen a replantearnos de algún modo nues-

tro modelo combinado dado sus resultados al someterlo a iteraciones sucesivas.
Hasta ahora contamos con un modelo que, o bien, muestra una dinámica explosiva
de crecimiento ilimitado en las variables, o bien, muestra una dinámica implosiva de
anulación de muchas de las variables que lo conforman. De otra forma, hemos cons-
truido un modelo que, o bien muestra un comportamiento de estiramiento continuo, o
bien se repliega más y más sobre sí mismo. En definitiva, el modelo no es estable.
Precisamos entonces de alguna modificación en el mismo que nos permita:

uno, que cuando los parámetros alcancen valores muy elevados de algún modo
desciendan y re-equilibren el modelo, y dos, que cuando los parámetros alcancen
valores mínimos de algún modo asciendan para conseguir un nuevo equilibramiento.
Para realizar esta modificación precisamos de una construcción, primero teórica de
la idea, y segundo, métrica. Comencemos por la primera.
El modelo propuesto cuenta con dos relaciones de realimentación. La prime-

ra de ellas recoge que el propio nivel de ejecución acabará incidiendo en la menor o
mayor activación de necesidades. Y en gran media es cierto que si, por ejemplo,
nos motiva el conseguir determinado nivel de logro, la consecución o no del mismo
acabará nuevamente incidiendo en nuestra propia necesidad de logro. La necesi-
dad de logro no será la misma en la próxima ocasión. Lo que ocurre es que en el
modelo propuesto no hemos sabido captar la compleja dirección de los cambios
que se producen en esta realimentación. Un ejemplo nos servirá para poner de ma-
nifiesto este hecho. Si nos motiva nuestra necesidad de logro por recorrer 100 me-
tros en menos de 15 segundos, cuando consigamos repetidamente ese logro con-
creto dejará de motivarnos y en su lugar nos sentiremos motivados por un logro ma-
yor, por recorrer, por ejemplo, esa distancia en menos de 12 segundos. Y al revés, si
nos motiva conseguir recorrer los 100 metros en menos de 12 segundos y nuestros
repetidos intentos no obtengan esos resultados, es lógico que bajemos nuestro lis-
tón personal y nos conformemos con conseguir recorrer la distancia en menos de 15
segundos. Esta relación compleja no está incluida en nuestro modelo.
Es obvio que el nivel de aspiración o grado de dificultad de la meta hacia la

que la persona se está esforzando (Lewin, 1951) será un nivel en continuo cambio
en función, en gran medida, de los éxitos que se consigan alcanzar. De este modo, a
mayores éxitos mayor será el nivel de aspiración, luego mayores serán las metas
que nos pondremos, y al revés, a menores éxitos bajaremos también nuestro nivel
de aspiración. El nivel de aspiración si se quiere, también nos remite a aquella idea
de avance en la jerarquía a medida que se satisfacen las necesidades (Maslow,
1954) y regresión en la jerarquía como consecuencia de la frustración en la satisfac-
ción de necesidades (Alderfer, 1969). Ambos fenómenos nos apuntan a una fijación
del nivel de aspiración con unas elevadas dosis de realismo según el contexto en el
que éste se produce y de nuestras propias capacidades.
Si concebimos que el nivel de aspiración viene determinado por, entre otros,

lograr el objetivo máximo posible y por la prevención y evitación de las consecuen-
212
cias negativas de un posible fracaso (Lewin, 1951), dicho nivel de aspiración puede
ser incluido en nuestro modelo de la siguiente forma. Cuando la persona vaya consi-
guiendo altos niveles de ejecución éste incidirá positivamente en aumentar la varia-
ble necesidades, hasta un punto en el que las necesidades mismas cambien y ya no
sean las mismas que anteriormente activaban nuestra conducta motivada. Por ello,
hemos de incluir algún tipo de mecanismo que haga bajar dicho valor en las necesi-
dades por cuanto las propias necesidades ya no son las mismas (ya no nos motiva
correr los 100 metros en menos de 15 segundos, nuestra necesidad es más exigen-
te y, por tanto, más difícil de satisfacer). De manera inversa, cuando la persona no
consiga unos adecuados niveles de ejecución éste acabará repercutiendo en un
descenso en el valor de la variable necesidades, hasta el punto en que las necesi-
dades cambiarán hacia otros valores que garanticen una cierta ejecución que evite
las sensaciones de fracaso. Nuevamente, hemos de incluir algún mecanismo que
haga subir dicho valor en las necesidades por cuanto las propias necesidades tam-
poco son las mismas (al no poder conseguir correr los 100 metros en menos de 12
segundos, flexibilizamos nuestro listón personal conformándonos con algo más sen-
sato).
El mecanismo al que hemos aludido, que haga subir el valor de las necesida-
des cuando éstas bajen en exceso y que baje su valor cuando suban demasiado,
puede perfectamente ser recogido por un modelo de ecuación logística de las que
estudiamos en el capítulo tercero. Recordemos ahora su formulación:
xn+1 = N xn (1 - xn) (9)
También sabemos que para conseguir el efecto buscado la tasa N deberá

sobrepasar el valor de 3.57. Es ésta una formulación que será capaz de recoger e
incorporar el nivel de aspiración a nuestro modelo, configurando un bucle entre las
propias necesidades que favorecerán una dinámica de cambio de necesidades
compleja.
Por último, hay que decir que el nivel de aspiración no constituye la incorpo-
ración de una nueva variable en nuestro modelo, sino que lo que introducimos es un
patrón de cambio en una de las variables que ya teníamos: las necesidades o moti-
vos.
En la figura 43 presentamos el nuevo modelo complejo de motivación en el

trabajo. Ahora sólo bastará comprobar si, en las simulaciones, conseguimos el efec-
to buscado.
213
Figura 43: Modelo Complejo de Motivación en el Trabajo.
Nivel de
Aspiración
Necesidades o
Motivos
Percepción
Percepción de
de
Autoeficacia
Percepción
Percepción de
de
Instrumentalidad
Ejecución
conseguida
5.5.- Resultados de la Simulación con el Modelo Complejo de Motivación en el

Trabajo.
Hemos procedido nuevamente a la simulación del modelo partiendo de valo-

res bajos, medios y altos en los tres parámetros iniciales. En el anexo XVI incluimos
tres simulaciones con 50 y 200 iteraciones en cada caso. Cuando el modelo parte
de unos valores iniciales bajos en necesidades, percepción de autoeficacia y per-
cepción de instrumentalidad las iteraciones sucesivas dan como resultado: primero,
un bajo nivel de ejecución como era esperable, segundo, este bajo nivel de ejecu-
ción repercute en las propias necesidades bajando su valor un poco más, tercero, el
nivel de aspiración entra en acción y las necesidades suben de valor como conse-
cuencia de la bajada en el nivel de aspiración, cuarto, esta subida en las necesida-
des incide en un aumento en la ejecución, lo que a su vez, quinto, incide en subir el
valor de las necesidades, y, sexto, el nivel de aspiración ahora interviene bajando el
valor alto de las necesidades. El resultado es, en definitiva, un vaivén continuo y re-
petitivo entre valores medios y altos para la variable necesidades y una oscilación
en torno a los valores medios para el nivel de ejecución. Por su parte, la percepción
de instrumentalidad se instala en un valor constante y la percepción de autoeficacia
desciende hasta un valor prácticamente nulo. Por todo ello, bajo estos parámetros
iniciales el modelo elaborado muestra un comportamiento anómalo. Acaso habría
que preguntarse, por otro lado, si es real una situación de este tipo (tener unos bajos
niveles de necesidades, autoeficacia e instrumentalidad).
Cuando el modelo parte de unos valores medios (valor de 5 en los tres casos)
la dinámica generada es mucho más interesante. Ahora los gráficos nos muestran
una evolución compleja de las cuatro variables estudiadas. Las subidas y bajadas
214
son continuas y queda por estudiar si dichas series esconden patrones caóticos.
Lógicamente es esperable que así sea dado que estamos trabajando con un mode-
lo que incluye entre sus elementos a la ecuación logística. Es interesante comprobar
en esta simulación como los valores altos en las distintas variables se asocian en
iteraciones sucesivas, y los valores más bajos de esas variables también se corres-
ponden con iteraciones sucesivas. Y es que, al margen de que hayamos incluido la
ecuación logística, el modelo sigue dando explicación de que a valores altos en ne-
cesidades, instrumentalidad y autoeficacia van asociados unos altos valores en eje-
cución y a valores bajos en necesidades, instrumentalidad y autoeficacia van aso-
ciados unos valores bajos en ejecución.
Gráfico 7: Simulación del Modelo Complejo partiendo de unos valores iniciales medios.
Simulación del Modelo Complejo (50 iteracciones)

(valores iniciales: necesidades = 5, autoeficacia = 5 e instrumentalidad = 5)
12
10
Valor de las variables
0
1
10
13
16
19
22
25
28
31
34
37
40
43
46
49
Nº de iteraciones
Necesidades Autoefic. Instrumen. (atf) Ejecución (nec&ins)
Finalmente, con unos valores en los parámetros iniciales altos (valor de 8 pa-
ra los tres casos) la dinámica muestra un comportamiento más regular presentando
una dinámica cíclica para las variables necesidades y ejecución. Por el contrario, las
percepciones de autoeficacia e instrumentalidad parecen aumentar sin cesar con
este tipo de parámetros.
Con todo esto tenemos que, cuando los niveles en necesidades y ejecución
son muy regulares (casos 1 y 3 de los anteriormente mencionados) el desarrollo de
la dinámica de las cuatro variables no es verosímil. En el primer caso tenemos que
la percepción de autoeficacia tiende a 0 y la percepción de instrumentalidad se hace
constante. En el tercer caso ambas percepciones, de instrumentalidad y de autoefi-
cacia, parecen aumentar hasta el infinito. Es justo cuando las variables necesida-
des y ejecución siguen una serie más desordenada cuando el modelo parece ser
verosímil. Queda por estudiar, entonces, la posible caoticidad de estas variables
en esta situación.
215
Para estudiar si las variable necesidades y ejecución son caóticas o no, pro-
cederemos a mostrar sus respectivos mapas de retardo y comprobar si el modelo
es sensible a las condiciones iniciales de las que parte. Esto último podría realizar-
se con el cálculo del exponente de Lyapunov como ya sabemos. Pero dada el des-
conocimiento de este procedimiento concreto en nuestra disciplina preferimos
trabajar con un procedimiento gráfico para mostrar como la dinámica generada es
distinta con sólo variar de manera mínima la condición inicial.
Los mapas de retardo de las variable necesidades y nivel de ejecución mues-

tran que estamos ante dos variables que no presentan una dinámica al azar sino que
se tratan de dinámicas con claros atractores subyacentes (ver gráficos 8 y 9).
Gráfico 8: Atractor en la variable necesidades del modelo complejo de motivación.
Mapa de Retardo de la variable Necesidades (500 iteraciones)
14
12
10
8
Xt+1
0
-2 0 2 4 6 8 10 12 14
-2
Xt
216
Gráfico 9: Atractor en la variable ejecución del modelo complejo de motivación.
Mapa de Retardo de la variable Ejecución (500 iteraciones)
12
10
6
Xt+1
0
-2 0 2 4 6 8 10 12
-2
Xt
También puede observarse que ambos atractores son muy parecidos. Ello es
debido a que, en gran medida, el nivel de ejecución viene determinado por las nece-
sidades. Nos queda por estudiar ahora si el modelo muestra dependencia sensible
de las condiciones iniciales. Para ello estudiaremos como el partir de valores muy
similares en la variable necesidades acaba generando niveles de ejecución clara-
mente distintos.
En el gráfico 10 mostramos el nivel de ejecución en tres simulaciones realiza-

das las cuales han partido de un valor inicial en la variable necesidades ligeramente
diferentes. Puede verse como, efectivamente, el modelo complejo que hemos pre-
sentado presenta la propiedad de sensibilidad a las condiciones iniciales propia de
los sistemas caóticos. Así, ante dos puntos de partida tan similares como comenzar
con un valor en las necesidades de 4,5 o comenzar con un valor en las necesidades
de 4,6, el nivel de ejecución acaba divergiendo claramente al cabo de sólo 7 itera-
ciones. Igualmente, cuando comparamos dos condiciones iniciales aún más próxi-
mas entre sí, el partir de un valor en las necesidades de 4,6 o partir con un valor de
4,6001, vemos que el nivel de ejecución permanece por un poco de más tiempo con
valores similares en ambos desarrollos pero, en la iteración 14, acaban divergiendo
nuevamente.
217
Gráfico 10: Diferentes simulaciones con valores iniciales muy parecidos.
Diferentes simulaciones del modelo y sus resultados en el nivel de

ejecución
12
10
Nivel de Ejecución
0
1
10
13
16
19
22
25
28
31
34
37
40
43
46
49
Nº iteraciones
Nec = 4,5 Nec = 4,6 Nec = 4,6001
5.6.- Primeras Conclusiones sobre el Modelo Complejo de Motivación en el

Trabajo.
A modo de conclusiones preliminares, y para dar fin a este capítulo, hemos

elaborado un modelo de motivación en el trabajo que presenta las siguientes pro-
piedades.
En primer lugar, se trata de un modelo eminentemente dinámico. Las varia-

bles que se han presentado como sustanciales para la comprensión de la motiva-
ción en el trabajo muestran unas dinámicas complejas, cuyos patrones de cambio no
son sencillos de describir.
En segundo lugar, el modelo ha mostrado una dinámica compleja cuando la

variable necesidades o motivos presenta una dinámica caótica. Con esta condición
el modelo ofrece una visión de la dinámica motivacional verosímil. Cuando el cam-
bio en las necesidades o motivos es muy regular conlleva como consecuencia un
comportamiento en otras variables del modelo como la anulación de alguna de ellas
o el crecimiento desorbitado de las mismas.
Finalmente, y en tercer lugar, se ha comprobado que, efectivamente la diná-

mica seguida por el modelo complejo propuesto es caótica tal y como se ha puesto
de relieve en el mapa de retardo correspondiente a la variable necesidades o moti-
218
vos y al nivel de ejecución, y en la dependencia sensible mostrada por el nivel de

ejecución en función de las condiciones iniciales de la variable necesidades o moti-
vos.
219
6.- Discusión y Conclusiones.
N
umerosas son las conclusiones en las que debemos detenernos en este
último capítulo de esta tesis. La mayor parte de ellas irán referidas a la
consideración que hemos establecido de la organización como sistema
complejo, como sistemas alejados del equilibrio, como sistemas caóticos. Y ello
en consonancia con el argumento principal defendido en este trabajo. Por otro
lado, también nos detendremos en algunas conclusiones derivadas del modelo
de motivación que hemos propuesto en el capítulo precedente. Para ello, en un
primer momento discutiremos sobre la consideración de la organización como
sistema alejado del equilibrio y sistema complejo, y en un segundo lugar afronta-
remos la aportación realizada en el terreno de la motivación laboral.
Con relación al objetivo principal, este trabajado ha defendido una doble

tesis. Primero que las organizaciones son sistemas complejos y que una de las
principales fuentes originadoras de esa complejidad es el caos. O de otra for-
ma, que las organizaciones son sistemas caóticos. Y segundo que el caos su-
pone el funcionamiento más económico y natural para toda aquella organiza-
ción que persiga la supervivencia entre sus fines.
El paradigma predominante en teoría organizativa, con base en un modelo

racional de la organización, sostiene que la organización se adapta consciente-
mente a sus fines y necesidades (Peiró, 1990). Este paradigma ha enfatizado en
exceso los conceptos de equilibrio y estabilidad, llegando a proponer casuísticas
acerca de cuáles son las estructuras organizativas más eficaces en función del
entorno en el que se mueva la organización, siendo ese entorno externo y ajeno a
la propia organización. Este paradigma comienza a tambalearse debido a la in-
fluencia cada vez mayor de diferentes frentes. Uno de ellos muy estudiado es la
aparición progresiva de un paradigma político de la organización. Otro, el que
aquí hemos mostrado, procede de nuevos desarrollos sistémicos, y surge cuando
en la literatura organizativa un tópico aparece con cada vez mayor frecuencia: la
turbulencia.
220
Discusión y Conclusiones
La turbulencia, propiedad del ambiente en la primera literatura organizati-

va, comienza a manifestarse como un aspecto demasiado genérico de los entor-
nos actuales y también, poco a poco, de nuestras propias organizaciones. Y es
que, el modelo racional no consigue explicar bien el porqué las organizaciones
están envueltas en procesos de permanente cambio, a veces incluso cambios
radicales. Como dice Weick (1979), uno de los primeros autores con los que co-
mienza una nueva visión de la organización alejada del paradigma racional, ‘en
lugar de estabilidad, el cambio es la regla de cualquier organización’ (pág. 118).
La turbulencia, la incertidumbre, parecen ser endémicas a las organizacio-

nes. Quizás por ello se ha enfatizado tanto la necesidad de control en la teoría
organizativa imponiendo jerarquías y controles con la pretensión de ocultar el
desorden (Weick, 1979). Pero como el propio Weick nos enseña, las materias
primas con las que trabaja toda organización son datos informativos ambiguos,
inciertos y confusos, lo que viene a decirnos que raramente se necesita de una
certidumbre absoluta para que la organización actúe.
Es cierto que los seres humanos no toleramos bien la incertidumbre, pero,

y como hemos dejado claro en este trabajo, igual de cierto es que los seres
humanos no soportamos la certidumbre. Lo primero genera sentimientos de an-
gustias dada nuestra necesidad de controlar nuestro ambiente (aspecto clara-
mente enfatizado por las teorías de la atribución en psicología social). Lo segun-
do, anomia dada nuestra naturaleza creativa. Los seres humanos necesitamos
experimentar del cambio, de la novedad, tener la vivencia de la sorpresa. Psicó-
logos humanistas como Moreno supieron ver muy bien como la espontaneidad
creadora es una capacidad fundamental de todo ser humano relacionada, incluso,
con la noción de salud (cfr. González, 1987).
Contemplada la organización como sistema complejo, la estabilidad deja

de ser una meta a conseguir por la organización y la inestabilidad deja de ser un
estado no deseable. La organización compleja es una organización que nunca
alcanza el estado de equilibrio prometido por el modelo racional. En su lugar, la
organización compleja permanece envuelta en procesos de cambio, sufre inesta-
bilidades y en ella los pequeños cambios a menudo introducen importantes nove-
dades de comportamiento organizativo. La organización compleja encuentra su
mejor manera de funcionamiento de manera emergente y espontánea, fruto de
una actividad política extendida y no del control impuesto por las jerarquías.
La organización compleja es una organización que no alcanza, ni lo pre-

tende, un estado de equilibrio, es una organización caracterizada por su inestabi-
lidad inherente y por la presencia de fenómenos autoorganizativos, es una organi-
zación en la que predominan los procesos de carácter no lineal y en los que el
azar juega un papel importante en la determinación de su evolución, es una orga-
nización en la es imposible prever su evolución, es una organización en la que
conviven permanentes paradojas.
Y es precisamente por todas estas características por las que la organiza-

ción, como resultado fundamental de la tarea de organizar, se hace posible. El
alejamiento del equilibrio, la no linealidad, la inestabilidad, el azar salvaje, la im-
221
predecibilidad del futuro, la existencia de paradojas, son fuentes de la ambigüe-

dad necesaria para poner en marcha la tarea de organizar. Como dice Weick
(1979, pág. 3) ‘organizar es coordinar acciones interdependientes dentro de se-
cuencias perceptibles que generan buenos resultados’. La organización sólo es
posible gracias al caos previo.
Pero, además, aquí hemos sostenido que aunque la tarea de organizar

consista en reducir esa ambigüedad, la clave no está en eliminarla sino en ges-
tionarla. En el fondo, la organización compleja tiene un reconocimiento explícito
de que la ambigüedad es necesaria para la organización, de que el caos es im-
prescindible para la aparición del orden, y por eso incluso se propone la conve-
niencia de introducir ambigüedad cuando la organización se anquilosa. Y esta
idea está en consonancia con la filosofía fundamental que se desprende del texto
de Weick sobre la tarea de organizar.
En efecto, para Weick organizar consiste en un proceso reductor de ambi-

güedad. Otros autores han tomado esta idea de Weick, por ejemplo entre noso-
tros Peiró (1990), para proponer una aproximación al estudio del procesamiento
de la información en las organizaciones, quedándose esencialmente con esta
idea de reducción de la ambigüedad, cuando, más bien, el propio Weick parece
enfatizar no la idea de reducción sino de gestión de la ambigüedad. Por esto que
llegue incluso a proponer su idea de acoplamiento flojo o también de que si el
entorno en el que se mueve la organización es caótico, los procesos organizati-
vos también deberán serlo para un mejor ajuste organización-entorno.
La nueva organización es realmente compleja además de que también

pueda ser complicada.
En efecto, un aspecto repetido en la literatura organizativa más clásica ha

sido el que las organizaciones son complejas. Pero, en el paradigma racional de
organización la complejidad organizativa ha quedado reducida a un aspecto me-
ramente cuantitativo. Por ejemplo, la complejidad suele ser referida ‘a la multitud
de unidades estructurales en las que se agrupan los miembros de una organiza-
ción’ (Peiró, 1990, pág. 199). De la misma manera, también es común referirse a
la complejidad ambiental como dimensión del entorno organizativo y entendida
como el número de factores relevantes existentes en ese entorno en el que opera
la organización (Child, 1972). Hemos repetido en varias ocasiones a lo largo de
este trabajo que la complejidad tiene poco que ver con el número y mucho con la
relación. Baste recordar la dinámica infinitamente compleja que genera una
ecuación con una sola variable como es el caso de la ecuación logística.
Un aspecto muy destacado de la organización compleja es su reconoci-

miento explícito de la importancia de la no linealidad, reconociendo también las
limitaciones de nuestro pensamiento lineal y no pretendiendo ajustar aquélla a
éste. Al contrario, para entender los efectos de los procesos no lineales introduce
el factor temporal, a modo de las iteraciones continuas, y se sirve de la experien-
cia acumulada y de la posibilidad de construcción de modelos y simulación de los
222
mismos para entrever posibles desarrollos dinámicos en cualquier proceso orga-

nizativo.
Hemos mostrado que la no linealidad introduce comportamientos cualitati-

vos radicalmente nuevos. Ahora tenemos argumentos para defender que los pro-
cesos no lineales no pueden estudiarse desde abordajes lineales. Hemos puesto
numerosos ejemplos de cómo la gestión basada en nuestro razonamiento lineal
tropieza con la complejidad de la no linealidad y se torna inútil como herramienta
de gestión de sistemas complejos. Para gestionar sistemas complejos habrá que
echar mano de la propia complejidad.
También hemos mostrado como la relación que la organización mantiene

con el ambiente es bastante más compleja de lo que el paradigma racional nos
ha mostrado. Las organizaciones no sólo se adaptan a sus entornos, sometién-
dose a las condiciones que éstos les imponen y sufriendo repetidamente los vai-
venes de los mismos. Precisamente para evitar esto, y como complemento al
proceso de adaptación, las organizaciones también se auto-organizan rebelán-
dose contra las condiciones del entorno, proceso que está claramente emparen-
tado con el de clausura operacional propuesto por la teoría de los sistemas auto-
poiéticos. De otra forma, que la evolución de toda organización consiste en una
sucesión continua de periodos de adaptación y periodos de autoorganización
que van entremezclándose, siendo éstos últimos el recurso para que las peque-
ñas fluctuaciones organizativas se amplifiquen y consigan favorecer nuevos pro-
cesos auto-organizativos que den lugar a nuevas formas de organización.
También hemos argumentado que para que las fluctuaciones conduzcan a

la organización a nuevos estados de orden, se requiere de un cierto aislamiento
con respecto al medio, ya que éste siempre tiende a amortiguar y neutralizar di-
chas fluctuaciones.
Con el doble proceso evolutivo de adaptación y auto-organización las rela-

ciones entre entorno y organización se complejizan. De un lado, el entorno influye
en la organización y le exige un proceso adaptativo. Del otro, la organización es
capaz de auto-sostenerse en sus propios límites, delimitando internamente su
organización e influyendo en el propio ambiente, con lo que muestra una capaci-
dad para co-evolucionar con el ambiente organizativo. Con este proceso las or-
ganizaciones son capaces de modificar en cierta medida su entorno para hacerlo
más propicio a sus intereses.
Las formulaciones más tradicionales de la teoría organizativa han olvidado

esta segunda faceta constitutiva de todo desarrollo organizativo. Al centrarse en
el proceso de adaptación, se ha argumentado repetidamente que los cambios en
las organizaciones son originados por las respuestas que éstas dan, o han de
dar, a los cambios del entorno. Ya hemos visto como las ciencias de la compleji-
dad cuestionan esta idea básica. El entorno no cambia unilateralmente a la orga-
nización y la organización tampoco cambia unilateralmente al entorno; más bien
se trata de que el entorno desencadena unos mecanismos internos en la organi-
223
zación que son la fuente del cambio y, a su vez, los cambios internos de la organi-
zación son capaces de incidir en el propio entorno organizativo.
Por otra parte, hemos visto como desde el caos y la complejidad los sis-
temas se auto organizan rebelándose contra las condiciones del entorno y como
desde los sistemas autopoiéticos los sistemas vivos son organizaciones cerra-
das que en sus interacciones con el entorno sólo se referencian a sí mismos. Esta
segunda idea aportada por la teoría de los sistemas autopoiéticos es de gran
relevancia, y vienen a incidir fuertemente en la importancia de las dinámicas inter-
nas de la organización, en el carácter cerrado de los procesos organizativos, que
no conviene confundir con que, además, la organización permanezca abierta a la
información exterior. La organización autopoiética enfatiza la importancia de los
procesos internos, con lo que el tan manido tema de la turbulencia del entorno
adquiere otra lectura. La turbulencia no sólo está en el entorno, está en dentro de
las propias organizaciones que conforman dicho entorno.
El propio Weick (1979) había enfatizado también que los ambientes son
creados por las organizaciones y que los ambientes devienen en significativos
una vez que ya están bastante avanzados los procesos de organización. ‘El am-
biente (dice Weick) es visto como un dato de salida en vez de como un dato de
entrada’ (pág. 230).
Hemos argumentado que la principal razón de la complejidad organizativa

radica en un nuevo principio termodinámico que, como también hemos dicho, no
es reconocido por parte de la ciencia oficial, pero que ahí está. Las organizacio-
nes, como otros sistemas abiertos y complejos, muestran evoluciones crecien-
tes en complejidad y estructuración interna. De alguna, parece como si el vivir
para un sistema abierto sólo tuviera una dirección posible. O toma la dirección de
la complejización progresiva o involuciona hasta convertirse en un sistema cerra-
do y, por consiguiente, en un sistema muerto.
Un tema de elevado interés una vez que se han concebido las organizacio-
nes como sistemas que se auto-organizan y que dicha propiedad es natural y ven-
tajosa con vistas a una mejor evolución con respecto al medio hace referencia a
cómo gestionar sistemas auto-organizativos. La cuestión se referirá, por tanto, a
como facilitar esta capacidad auto-organizativa. Hemos presentado una propues-
ta en este sentido consistente en ofrecer unas guías de diseño organizativo, por
una parte, y unos principios complejos de gestión, por otra.
Con relación al primero, las guías de diseño organizativo propuestas son

las mismas que propusieran el enfoque sociotécnico. Son guías de diseño clara-
mente compatibles con una concepción de la organización compleja. También se
podrían haber propuesto otras como las organizaciones como anarquías de
Weick o algunas aportaciones de la teoría crítica. Lo que ocurre es que, al menos
en mi conocimiento, dichas propuestas apenas están formalizadas ni trabajadas.
224
Mayor interés tienen los principios de gestión propuestos. Y ello en parte

por lo novedosos que resultan a los ojos del paradigma tradicional y, a la vez, lo
realistas que resultan a los ojos de la gestión cotidiana. Los cuatro principios pro-
puestos, la gestión de la incertidumbre, la gestión de la información y de signifi-
cados, el apoyo a la existencia de fuerzas contrapuestas en la organización y la
utilización del conflicto positivo y la gestión centrada en valores nucleares y borro-
sos, son ampliamente trabajados por numerosas empresas de nuestros entornos
más cercanos. Quizá lo más coherente en todos ellos sea el olvido definitivo de la
concepción de la gestión como control.
Junto al abandono de la pretensión de control, la gestión compleja recono-

ce que el futuro a largo plazo es intrínsecamente impredecible, que a menudo es
difícil atribuir un efecto observado a una causa o conjuntos de causas concretas,
que las irregularidades en el rendimiento son una propiedad fundamental del sis-
tema.
Como diría Stacey (1992) para operar en la nueva frontera del caos los
directivos, en su estrategia, deben priorizar el entendimiento de la organización
como un todo interconectado, y no operar y comprender las partes aisladas del
mismo; deben anclarse en el aquí y el ahora, en lugar de posicionarse temporal-
mente en un futuro; y centrarse en los procesos más que en los resultados.
Un aspecto que se podría criticar tanto a las guías de diseños como a los
principios de gestión compleja que se han propuesto es la ausencia de límites en
los mismos. Es cierto, hemos convenido en la importancia de crear incertidumbre,
de potenciar el conflicto positivo, etcétera, pero, ¿hasta qué grado? En ausencia
de investigación al respecto, sólo cabe echar mano del sentido común y dejarse
guiar por la máxima de conseguir y mantener los mejores niveles de calidad de
vida para los miembros de la organización.
Para finalizar, y continuando con algunas reflexiones como la anterior, es

preciso realizarse algunas preguntas. ¿Son todas las organizaciones caóticas?
Aquí hemos defendido que sí, independientemente del tipo de las mismas. Pare-
ce como si las propuestas realizadas en este trabajo fuesen más congruentes con
organizaciones de cierto tipo, por ejemplo, con organizaciones pertenecientes al
sector tecnológico. Pero quizá sería más conveniente visualizar el caos como un
continuo, de menor a mayor caos o complejidad, de este modo, en las grandes
burocracias profesionales los momentos de caos son menores y casi puntuales
entre grandes períodos de estabilidad. Por el contrario, en empresas de sectores
como el informático o ligados a lo que se ha dado en llamar ‘nueva economía’ los
momentos de caos parecen tener una mayor prevalencia que los momentos de
estabilidad.
¿Qué influencia puede ejercer la cultura organizativa en la gestión compleja

de la organización? Indudablemente en la formación de la cultura organizativa
habrá influido sobremanera el cómo se ha afrontado la gestión de la complejidad.
225
En consecuencia, la cultura organizativa será un factor de primer orden en la facili-

tación, o no, de una gestión que pretenda ser compleja de la organización.
¿Cómo vivirán las personas la gestión compleja? En consonancia con los

principios de diseño propuestos, la gestión compleja será vivida tal y como está
siendo vivida otras herramientas de gestión como, por ejemplo, el enriquecimien-
to de puestos. Muy positivamente en aquellas personas que tienen la necesidad
de que sus trabajos tengan un sentido y que les proporcione una vivencia signifi-
cativa. Y bastante mal en todos aquellos casos en donde las personas sólo pre-
tenden recibir del trabajo una contraprestación.
Pero hay algo más. Es bastante probable que la gestión compleja de las
organizaciones sólo sea aceptada de pleno cuando, como contrapartida, las per-
sonas cuenten con ciertas dosis de estabilidad en, por ejemplo, otras facetas de
sus vidas, como puedan ser buenas relaciones de apoyo familiares y redes de
apoyo social consistentes.
II
A fin de acompañar la tesis con un estudio empírico original en el que po-

der mostrar algunas de las ventajas del nuevo enfoque, hemos trabajado en la
caracterización de la motivación laboral entendida desde una visión claramente
dinámica.
Si algo se echa en falta de los diferentes modelos integrados de motiva-

ción laboral, algunos de los cuales han sido presentados, y de las diferentes teo-
rías sobre motivación laboral, es el escaso énfasis dado al factor tiempo. Y ello
pese a haber calificado a la motivación laboral como un proceso.
En este trabajo hemos propuesto dos características elementales del pro-

ceso motivacional. Primero, su carácter no lineal que hemos recogido en las rela-
ciones entre las variables del modelo propuesto. Segundo, su carácter iterativo
recogido en las relaciones de realimentación propuestas en el modelo. Con estas
dos características esenciales, la motivación laboral ha sido caracterizada como
un proceso dinámico complejo.
Y la puesta a prueba del modelo nos ha conducido a una sorpresa. Resulta

que con las convenciones habituales de establecer unas relaciones entre las va-
riables que conforman el modelo complejo y proponiendo mecanismos de reali-
mentación, cuando dicho modelo es simulado presenta unos comportamientos
claramente anómalos. O la motivación crece sin parar o se extingue hasta alcan-
zar un valor nulo. En ambos casos se trata de desarrollos inconcebibles.
Es sólo cuando se introduce una ecuación no lineal, tipo la ecuación logís-

tica, que proporciona un patrón de cambio complejo en las necesidades o moti-
vos que tenemos las personas, cuando las personas tenemos un patrón de cam-
bio de necesidades caótico cuando conseguimos que el modelo complejo pre-
226
sentado muestre una dinámica estable y con sentido. Como hemos visto, ha sido
con la inclusión de la ecuación logística, sustentada en el concepto teórico de ni-
vel de aspiración, cuando se ha permitido conseguir un efecto que podría haber
calificado a priori de antinatura: resulta que es con la inclusión de una formulación
caótica como conseguimos que el modelo presente una dinámica que podemos
calificar de verosímil. Es justo cuando la dinámica es caótica cuando aparece la
autoorganización emergente reflejada en el atractor encontrado. El nivel de aspi-
ración consigue la autorregulación de la conducta en función del cambio de me-
tas.
Hemos de tener presente que, para magnificar el resultado anterior, todas

las relaciones del modelo han sido establecidas utilizando un claro procedimiento
gráfico y descriptivo partiendo de unos datos reales sobre las variables medidas.
Luego, las relaciones encontradas entre estas variables y los valores de las
propias variables sólo mantienen una dinámica temporal sensata cuando el
patrón de cambio en las necesidades o motivos es caótico.
Por otra parte, la elaboración de un modelo no lineal de motivación consti-

tuye claramente una novedad. Tras una búsqueda en bases de datos de psicolo-
gía, como el PsycLit y el Psicodoc, no se encontró ninguna referencia sobre algún
modelo de este tipo. Si añadimos que el caos y la complejidad nos han puesto de
manifiesto que la no linealidad no puede ser estudiada cabalmente desde plan-
teamientos lineales, el hecho anterior adquiere suma importancia.
El estudio empírico aquí presentado, en definitiva, y sin pretender ser rele-

vante de cara a qué aspectos son claves para el estudio de la motivación en el
trabajo, sí pretende ser relevante en cambio en el cómo estudiar cualquier proce-
so psicosocial. Creemos haber dado razones suficientes para mostrar que en el
estudio de un proceso contar con el factor temporal y con la no linealidad es fun-
damental. Como tantas veces hemos dicho la no linealidad no puede ser estu-
diada desde planteamientos lineales.
El modelo complejo elaborado ha mostrado comportamientos caóticos en

dos de sus variables fundamentales, las necesidades y el nivel de ejecución. Ello
ha sido puesto de relieve en el mapa de retardo correspondiente de ambas va-
riables. Igualmente, el modelo muestra dependencia sensible a las condiciones
iniciales de la variable necesidades o motivos. Esto último nos lleva a la imposibi-
lidad de predecir el nivel de ejecución a largo plazo aunque conozcamos muy bien
el nivel en las otras variables influyentes. Como decíamos en el capítulo 3 deter-
minismo y predecibilidad han dejado de ir de la mano.
Otro aspecto manifestado por el modelo complejo de motivación es el si-

guiente. No necesariamente la complejidad de un proceso psicosocial como la
motivación en el trabajo obedecerá a causas complejas. Resulta que con pocas
variables iniciales, necesidades, autoeficacia e instrumentalidad, a las que aña-
dimos una cuarta, nivel de ejecución, pero que recordamos es fruto de las tres
227
anteriores, generamos una dinámica de motivación complejísima (ver gráficos 9 y

10 del capítulo anterior). Y otra cuestión, dicha complejidad es de carácter pura-
mente interno. Por decirlo con otras palabras, no hay que recurrir necesariamente
a factores exógenos a la motivación para entender que la motivación en el trabajo
ya es un proceso complejo de por sí.
Y en relación con la complejidad, creemos haber mostrado con suficientes

argumentos que la complejidad de un proceso psicosocial puede ser captada sin
la necesidad de considerar todos sus elementos constituyentes. En este sentido,
resulta revelador como un modelo como el propuesto en este trabajo, y que sólo
cuenta con tres variables, es capaz de mostrar una dinámica de la motivación en
tanto proceso complejo que es, mientras que los modelos propuestos en el inicio
del capítulo anterior, caracterizados por su completud de las variables considera-
das son incapaces de manifestar este tipo de comportamiento.
Para finalizar, hemos de realizar dos sugerencias que mejorarían presumi-

blemente el modelo complejo de motivación propuesto. En primer lugar, el mode-
lo complejo ha trabajado con la incorporación de la ecuación logística. Queda por
estudiar que otro tipo de funciones no lineales podrían incluirse que recogieran
bien el nivel de aspiración tal y como aquí lo hemos considerado. Es decir, pue-
den existir otras funciones no lineales que recojan mejor el nivel de aspiración que
la ecuación logística.
Otra cuestión de sumo interés sería trabajar este modelo complejo utiliza-
do la metodología que proporciona las redes neuronales. Y redes neuronales que,
por supuesto, permitan la inclusión de relaciones mediante parches borrosos en-
tre las variables y que permitan la realimentación continua.
228
Conclusiones.
Para concluir retomaremos las hipótesis iniciales de partida y las conclu-

siones a las que hemos arribado en cada una de ellas. Estas hipótesis han sido
presentadas en el capítulo primero (página 7) y las hipótesis más específicas re-
lacionadas con el trabajo desarrollado sobre motivación laboral que han sido ex-
puestas en el capítulo quinto (página 187).
1.- En primer lugar, y con relación a la primera hipótesis señalada en el capítulo 1

(que las organizaciones son sistemas abiertos alejados del equilibrio), hemos
demostrado como un modelo complejo, caótico, alejado del equilibrio de la orga-
nización logra dar mejor cuenta de la tarea de organizar en cuanto a la generación
de significados. Desde esta visión, no sorprenden los vaivenes y el permanente
cambio en el que se hallan envueltas las organizaciones. Desde esta visión se
comprende y reconoce la importancia de la incertidumbre como elemento a ges-
tionar, no a absorber.
2.- En relación con nuestra segunda hipótesis de trabajo (en el desarrollo de toda
organización interviene un doble proceso de adaptación y auto-organización)
hemos mostrado como un modelo de desarrollo organizativo adaptativo no es
capaz de dar cuenta del propio cambio organizacional. Hemos mostrado que las
organizaciones además de adaptarse a sus entornos son capaces de innovar en
los mismos y crear nuevos entornos. Esta capacidad de innovación organizativa
es un exponente claro de cómo las organizaciones no sólo cumplen con los requi-
sitos que sus entornos les exigen sino que, además, desoyendo al propio entorno
se encierran sobre sí mismas y se auto-organizan como condición elemental para
que se produzca el proceso de innovación.
3.- Finalmente, con relación a la tercera hipótesis propuesta en el capítulo primero

(que la complejidad que observamos en muchos de los procesos psicosociales
que estudiamos dentro de la organización puede obedecer a causas muy senci-
llas) hemos demostrado como un modelo sencillo de motivación laboral, com-
puesto por tres variables (necesidades, percepción de instrumentalidad y per-
cepción de autoeficacia) es capaz de producir una dinámica de la motivación y
del nivel de ejecución caótica y compleja (ver gráfico 7, 8 y 9 del capítulo 5). Esta
idea, el que la complejidad puede ser fruto de causas sencillas, es claramente
aplicable a otro tipo de procesos psicosociales y psicológicos (procesos de in-
fluencia social como el liderazgo, procesos de negociación, conflicto y ambigüe-
dad de rol, etcétera).
Particularizando más en esta hipótesis, también hemos demostrado que:
4.- La motivación puede caracterizarse como un proceso dinámico (primera hipó-

tesis explicitada en la página 187). Hemos comprobado como los modelos inte-
grados de motivación laboral propuestos hasta la fecha no son dinámicos ya que
no tienen en cuenta el factor temporal. Hemos comprobado como la iteración con-
tinua introduce un elemento realmente dinámico olvidado por la literatura más clá-
sica que, por otro lado, pretende estudiar procesos.
229
5.- Que en cuanto proceso dinámico la motivación laboral puede estudiarse des-
de el paradigma de la complejidad (segunda hipótesis de la página 187), de tal
forma que hemos elaborado un modelo complejo de motivación laboral. Y ello
partiendo de una abordaje clásico en el estudio de la motivación (estudiándola
mediante el uso de cuestionarios) y proponiendo un modelo que se simula en el
ordenador para comprobar si el mismo muestra un comportamiento verosímil con
las relaciones encontradas empíricamente.
En relación con esto, hemos comprobado que la dinámica motivacional del

modelo es caótica (sub-hipótesis primera de la página 187) tal y como ha queda-
do puesto de relieve en el gráfico 10 del capítulo anterior en el que se detecta la
sensibilidad a las condiciones iniciales. Y también que en dicha dinámica pueden
hallarse atractores extraños (sub-hipótesis segunda de la página 187) que han
sido encontrados mediante el uso de mapas de retardo y que pueden verse en
los gráficos 8 y 9 del capítulo precedente.
230
Referencias Bibliográficas
7.- Referencias Bibliográficas.
De la primera parte: Sistemas, Caos y Complejidad.
AA.VV. (1990): Orden y Caos. Barcelona: Prensa Científica.

ABRAHAM, Ralph y SHAW, Christopher D. (1987): Dynamics: a visual
introduction. En F. Eugene YATES (Ed.) (1987): Self-Organizing systems. The
emergence of order. New York: Plenum Press.
ABRAHAM, Ralph y SHAW, Christopher D. (1987): Dynamics: the geometry of
behaviour. 4 vols. Santa Cruz: Aerial Press.
ACKOFF, Russell L. (1959): Game, decisions and organization. General
Systems, 4, 145-150.
ACKOFF, Russell L. (1994): Systems thinking and thinking systems. System
Dynamics Review, 10, 2-3, 175-188.
AIHARA, Kazayuki (1991): Chaos in neural networks. En GREBOGI, Celso y
YORKE, James A. (Eds.): The impact of chaos on science and society. Tokio:
The United Nation University.
ALTAN, Henri (1981): Hierarchical self-organization in living. Noise and meaning.
En M. ZELENY (Ed.): Autopoiesis: a theory of living organization. New York:
North Holland Publishers.
ARACIL, Javier (1983): Introducción a la dinámica de sistemas. Madrid: Alianza.
ARACIL, Javier (1986): Prólogo. En S. MARTÍNEZ y A. REQUENA: Dinámica de
sistemas. 1. Simulación por ordenador. 2. Modelos. Madrid: Alianza (2 vols.).
ASHBY, W. Ross (1956): An introduction to cybernetics. London: Chapman and
Hall.
ASHBY, W. Ross (1960): Design of brain. London: Chapman & Hall Ltd.
ATKINS, P. W. (1984): La segunda ley. Barcelona: Prensa Científica, 1992.
ATLAN, Henri (1981): Hierarchical self-organization in living systems. Noise and
meaning. En Milan ZELENY (Ed.): Autopoiesis. A theory of living organization.
New York: North Holland.
BABLOYANTZ, A., SALAZAR, J. M. y NICOLIS, C. (1985): Evidence of chaotic

dynamics of brain activity during the sleep cycle. Physics Letters, A111, 152-
156.
BAK, Per y CHEN, Kan (1991): Criticalidad auto-organizada. Investigación y
Ciencia, 174, marzo, 18-25.
BASCOMPTE, Jordi (1995): Buscant l’ordre ocult dels sistemes biològics. En
Jordi BASCOMPTE y Jordi FLOS (Eds.): Ordre i caos en ecologia. Barcelona:
Publicacions Universitat de Barcelona.
BERGÉ, P., DUBOIS, M., MANNEVILLE, P. y POMEAU, Y. (1980): Intermittency
in Raleygh-Bénard convection. J. Phys. Lett., 41, L341-345. (También en
CVITANOVIC, P., 1989).
BERGÉ, P., POMEAU, Y. y VIDAL, C. (1984): Order within chaos: towards a
deterministic approach to turbulence. New York: Wiley.
232
Referencias bibliográficas.
BERGER, J. M. y MANDELBROT, Benoît B. (1963): A new model for the

clustering of errors on telephonic circuits. IBM Journal of Research and
Development, 7, 224-236.
BERTALANFFY, Ludwig von (1940): El organismo considerado como sistema
físico. En L. von BERTALANFFY (1968): Teoría general de los sistemas.
México: Fondo de Cultura Económica, 1976.
BERTALANFFY, Ludwig von (1945): Consideración matemática elemental de
algunos conceptos de sistema. En L. von BERTALANFFY (1968): Teoría
general de los sistemas. México: Fondo de Cultura Económica, 1976.
BERTALANFFY, Ludwig von (1955): El significado de la teoría general de los
sistemas. En L. von BERTALANFFY (1968): Teoría general de los sistemas.
BERTALANFFY, Ludwig von (1962): Progresos en la teoría general de los
sistemas. En L. von BERTALANFFY (1968): Teoría general de los sistemas.
BERTALANFFY, Ludwig von (1968): Teoría general de los sistemas. México:
Fondo de Cultura Económica, 1976.
BERTALANFFY, Ludwig von (1972): Perspectivas en la teoría general de
sistemas. En G. J. KLIR (Ed.): Tendencias en la teoría general de sistemas.
Madrid: Alianza Universidad, 1978. (También recogido en L. von
BERTALANFFY (1975): Perspectivas en la teoría general de sistemas.
Madrid: Alianza Universidad, 1979).
BERTI, Enrico (1996): Ordre et désordre des grecs à Galilée et de Galilée aux
temps modernes. En B. PULLMAN (Ed.): The emergence of complexity in
mathematics, physics, chemistry and biology. Proccedings of Plenary Session
of the Pontifical Academy of Sciences. Vatican City: Pontificia Academia
Scietarum.
BIEBRACHER, C. K., NICLOIS, G. y SCHUSTER, P. (1995): Self-Organization in
the physicochemical and life sciences. Informe EUR 16546, Comisión
Europea (citado por I. PRIGOGINE, 1997).
BOLTZMAN, Luwig (1909): Wissenschaftliche abhandlungen von Ludwig
Boltzman. (Compilación de Fritz HAVENOHRL, 3 vols.). Leipzig: Barth.
BOUCHAUD, Elisabeth, DE ARCAGELIS, Lucilla, LAPASSET, Gilles y PLANÈS,
Jerôme (1991): Los fractales en la rotura de materiales. Mundo Científico, 116,
902-903.
BOULDING, Kenneth E. (1956a): The image. AnnArbor: Universiy of Michigan
Press.
BOULDING, Kenneth E. (1956b): General systems theory-the skeleton of science.
Management Science, 2, 197-208 (reimpreso en W. BUCKLEY (Ed.) (1968):
Modern Systems Research for the Behavioral Scientist. Chicago: Aldine
Publishing Company).
BRIGGS, John y PEAT, F. David (1989): Espejo y reflejo: del caos al orden. Guía
ilustrada de la teoría del caos y la ciencia de la totalidad. Barcelona: Gedisa,
1994 (2ª ed.).
BRILLOUIN, Leon (1951): Maxwell’s demon cannot operate: information and
entropy. I. Journal of Applied Physics, 22, 334-357.
233
BROCK, W., DECHERT, W. D. y SCHEINKMAN, J. (1987): A test for

independence based on the correlation dimension. SSRI Working Paper No.
8702, Economics, University of Wisconsin – Madison.
BUCKLEY, Walter (1967): Sociology and Modern System Theory. Englewood
Cliffs, NJ: Prentice-Hall.
BUCKLEY, Walter (Ed.) (1968): Modern Systems Research for the Behavioral
Scientist. Chicago: Aldine Publishing Company.
CANALS, M., OLIVARES, R., LABRA, F. CAPUTO, L., RIVERA, A. y NOVOA, F.

F. (1998): Caraterización de la geometría fractal del árbol bronquial en
mamíferos. Rev. Chil. Anat., 16, 2, 237-244.
CARENA, A. y CASTELLI, S. (1993): System dynamics: new applications and
perspectives in work psychology. Abstract of the Sixth European Congress on
Work and Organizational Psychology. Alicante, Spain.
CAVALERI, Steven y STERMAN, John D. (1997): Towards evaluation of systems
thinking interventions: a case study. System Dynamics Review, 13, 2, 171-186.
CLAUSIUS, Rudolf J.E. (1850): On the motive power of heat, and on the laws
which can be deduced from it for the theory of heat. Annalen der Psysik, 84,
368-500.
CLAUSIUS, Rudolf J.E. (1865): Annals of Physics, CXXV, 353.
COVENEY, Peter y HIGHFIELD, Roger (1990): La flecha del tiempo. La
organización del desorden. Barcelona: Plaza & Janes, 1992.
CRUTCHFIELD, J. P.; FARMER, J. D.; PACKARD, N. H. y SHAW, R. S. (1987):
Caos. En AA.VV. (1990): Orden y Caos. Barcelona: Prensa Científica.
CVITANOVIC, Predrag (1989): Universality in chaos. Bristol: Adam Hilger, 2nd.
ed. (Primera edición de 1984).
CHAITIN, G. J. (1988): Aritmética y azar. En AA.VV. (1990): Orden y Caos.

Barcelona: Prensa Científica.
CHAVAS, Jean-Paul y HOLT, Matthew T. (1991): On nonlinear dynamics: the case
of the pork cycle. American Journal of Agricultural Economics, 73, 3, 819-828.
DEVANEY, Robert L. (1989): An introduction to Chaotic Dynamical Systems.

Reading, Mass.: Addison-Wesley, 2nd edition.
DING, Mingzhou, GREBOGI, Celso y YORKE, James A. (1997): Chaotic
dynamics. En GREBOGI, Celso y YORKE, James A. (Eds.): The impact of
chaos on science and society. Tokio: The United Nation University.
DUBOIS, Monique, AFTEN, Pierre y BERGÉ, Pierre (1987): El orden caótico.
Mundo Científico, 7, 68, 428-439.
DVORAK, I. y SISKA, J. (1986): On some problems encountered in the estimation
of the correlation dimension of the EEG. Physics Letters, A118, 63-66.
ECKMANN, J. P. (1981): Roads to turbulence in dissipative dynamical systems.

Rev. Mod. Phys., 53, 643-654. (También en CVITANOVIC, P., 1989).
ECKMANN, J. P. y MASHAAL, M. (1991): La física del desorden. Mundo
Científico, 11, 115, 722-730.
234
ELDREDGE, N. y GOULD, S.J. (1972): Punctuated equilibrium: an alternative to

phyletic graudalism. En J.M. SCHOPF (Ed.): Models in paleobiology. San
Francisco: Freeman, Cooper and Company.
EPSTEIN, Irving R., KUSTIN, Kenneth, DE KEPPER, Patrick y ORBÁN, Miklós
(1990): Reacciones químicas oscilantes. En AA.VV. (1990): Orden y Caos.
ESPEJO, Raul (1994): What is systemic thinking? System Dynamics Review, 10,
2-3, 199-212.
ESSEX, Christopher et al. (1987): Nature, 326, 64.
FARMER, J. Doyne, OTT, Edward y YORKE, James A. (1983): The dimension of

chaotic attractors. Physica 7D, 153-180.
FAUVE, Stéphane (1982): Los caminos de la turbulencia. Mundo Científico, 2,
15, 612-615.
FEIGENBAUM, Mitchell J. (1978): Quantitative universality for a class of nonlinear
transformations. Journal of Statistical Physics, 19, 1, 25-52.
FEIGENBAUM, Mitchell J. (1979): The universal metric properties of nonlinear
transformations. Journal of Statistical Physics, 21, 6669-6706.
FEIGENBAUM, Mitchell J. (1980): Universal behavior in nonlinear systems. Los
Alamos Science, 1, 4-27. (También en CVITANOVIC, P., 1989).
FEIGENBAUM, Mitchell J. (1991): The impact of chaos on physics. En GREBOGI,
Celso y YORKE, James A. (Eds.): The impact of chaos on science and
society. Tokio: The United Nation University.
FEIGENBAUM, Mitchell J. (1995): Entrevista concedida a El País, lunes 24 de
abril de 1995.
FELL, J., RÖSCHKE, J. y BECKMANN, P. (1993): Deterministic chaos and the
first positive Lyapunov exponent: a nonlinear analysis of the human
electroencephalogram during sleep. Biological Cybernetics, 69, 139-146.
FERNÁNDEZ RAÑADA, Antonio (1986): Movimiento caótico. En AA. VV.: Orden
y Caos. Barcelona: Prensa Científica.
FERNÁNDEZ RAÑADA, Antonio (1990). Introducción. En AA. VV.: Orden y
Caos. Barcelona: Prensa Científica.
FORRESTER, Jay W. (1961): Industrial dynamics. Cambridge, Mass.: MIT Press
(trad. en Buenos Aires: El Ateneo, 1972).
FORRESTER, Jay W. (1968): Principles of systems. Wright-Allen Press.
FORRESTER, Jay W. (1969): Urban dynamics. Cambridge, Mass.: MIT Press.
FORRESTER, Jay W. (1971): World dynamics. Wright-Allen Press.
FORSYTHE, Karen P. et al. (1988): Phil. Trans. Roy. Soc. B321, 485.
FRAEDRIC H, Klaus (1986): Journal of Atmospheric Science, 43, 419.
FROEHLING, Harold, CRUTCHFIELD, J. P., FARMER, Doyne, PACKARD, N. H.
y SHAW, Rob (1981): On determining the dimension of chaotic flows. Physica
3D, 605-617.
GLANSDORFF, P. y PRIGOGINE, Ilya (1971): Thermodynamics, structure,

stability and fluctuations. New York: Wiley.
GLEICK, James (1987): Caos. La creación de una ciencia. Barcelona: Seix
Barral, 1988.
235
GOLDBERGER, Ary L., BHARGAVA, Valmik, WEST, Bruce J. y MANDELL,

Arnold J. (1985): On a mechanism of cardiac electrical stability: the fractal
hypothesis. Biophysics Journal, 48, 525.
GOLDBERGER, Ary L., RIGNEY, David R. y WEST, Bruce J. (1990). Caos y
fractales en la fisiología humana. Investigación y Ciencia, abril, 30-38.
GOLLUB, Jerrey P. y SWINNEY, Harry L. (1975): Onset of turbulence in an rotating
fluid. Physical Review Letters, 35, 927-929. (También en CVITANOVIC, P.,
1989).
GOODWIN, Brian (1994): Las manchas del leopardo. La evolución de la
complejidad. Barcelona: Tusquets, 1998.
GOODWIN, Brian (1998): Forma y transformación: la lógica del cambio evolutivo.
En WAGENSBERG, Jorge y AGUSTÍ, Jordi (Eds.): El progreso. ¿Un concepto
acabado o emergente? Barcelona: Tusquets.
GOODWIN, Richard M. (1990): Chaotic economic dynamics. Oxford: Clarendom
Press.
GOULD, S.J. y ELDREGE, N. (1977): Punctuated equilibria: the tempo and mode
of evolution reconsidered. Paleobiology, 3, 115-151.
GRAHAM, Alan K. y SENGE, Peter M. (1990): Computer-based case studies and
learning laboratory projects. System Dynamics Review, 6, 1, 100-105.
GRASSBERGER, Peter y PROCACCIA, Itamar (1983): Characterization of
strange attractors. Physical Review Letters, 50, 5, 346-349.
GREBOGI, Celso, OTT, Edward y YORKE, James A. (1983): Crises, sudden
changes in chaotic attractors, and transient chaos. Physica 7D, 181-200.
GUEVARA, Michael R., GLASS, Leon y SCHRIER, Alvin (1981): Phase locking,
period-doubling bifurcations, and irregular dynamics in periodically stimulated
cardiac cells. Science, 214, 1350.
HACKING, Ian (1990): La domesticación del azar. La erosión del determinismo y

el nacimiento de las ciencias del caos. Barcelona: Gedisa, 1995.
HAKEN, Hermann (1977): Synergetics: nonequilibrium phase transitions and
self-organization in physics, chemistry and biology. New York: Springer.
HAKEN, Hermann y WUNDERLIN, Arne (1990): El caos determinista. Mundo
Científico, 10, 108, 1210-1217.
HALL, A.D. y FAGEN, R.E. (1956): Definition of system. General Systems, I, 18-
28 (reimpreso en W. BUCKLEY (Ed.) (1968): Modern Systems Research for
the Behavioral Scientist. Chicago: Aldine Publishing Company).
HALL, Roger I.; AITCHISON, Peter W. y KOCAY, William L. (1994): Causal policy
maps of managers: formal methods for elicitacion and analysis. System
Dynamics Review, 10, 4, 337-360.
HANSKI, I., TURCHIN, E., KORPIMAKI, E. y HENTTONEN, H. (1993): Population
oscilations of boreal rodents: regulation by mustelid predators leads to chaos.
Nature, 364, 232-235.
HAWKING, Stephen W. (1988): Historia del tiempo. Del big bang a los agujeros
negros. Barcelona: Planeta-De Agostini, 1992.
HAYLES, N. Katherine (1990): La evolución del caos. El orden dentro del
desorden en las ciencias contemporáneas. Barcelona: Gedisa, 1993.
236
HÉNON, Michel (1976): A two-dimensional mapping with a strange attractor.

Commun. Math. Phys., 50, 69-77. (También en CVITANOVIC, P., 1989).
HÉNON, Michel (1989): La dispersión caótica. Mundo Científico, 9, 92, 620-628.
HODGE, B. J., ANTHONY, W. P. y GALES, L. M. (1998): Teoría de la
organización. Un enfoque estratégico. Madrid: Prentice-Hall.
HOFSTADTER, Douglas R. (1982): Temas metamágicos. Investigación y
Ciencia, 64, enero, 103-113.
HORGAN, John (1995): De la complejidad a la perplejidad. Investigación y
Ciencia, agosto, 71-77.
HUDSON, J. L. y MANKIN, J. C. (1981): Chaos in the Belousov-Zhabotinskii
reaction. J. Chem. Phys., 74, 6171-6177. (También en CVITANOVIC, P.,
1989).
ISHII, Shin, FUKUMIZU, Kenji y WATANABE, Sumio (1996): A network of chaotic

elements for information processing. Neural Networks, 9, 1, 25-40.
JANTSCH, Erich (1980): The unifying paradigm behind autopoiesis, dissipative

structures, hyper- and ultracycles. En M. ZELLENY (Ed.): Autopoiesis,
dissipative structures, and spontaneous social orders. Boulder, CO: Westview
Press.
JANTSCH, Erich (1981): Autopoiesis: a central aspect of dissipative self-
organization. En M. ZELLENY (Ed.): Autopoiesis: a theory of living
organization. New York: North Holland Press.
JOU, David (1995): El caos i els aspectes físics de la naturalesa. En Jordi
BASCOMPTE y Jordi FLOS (Eds.): Ordre i caos en ecologia. Barcelona:
JOU, David y LLEBOT, Josep Enric (1989): Introducción a la termodinámica de
procesos biológicos. Barcelona: Labor.
KADANOFF, Leo P. (1983): Roads to chaos. Physics Today, december, 46-53.

KADANOFF, Leo P., LIBCHABER, Albert, MOSES, Elisha y ZOCCHI, Giovanni
(1991): Turbulencia en una caja. Mundo Científico, 115, julio-agosto, 786-794.
KAUFFMAN, Stuart A. (1992): Anticaos y adaptación. Investigación y Ciencia,
enero, 46-53.
KAUFFMAN, Stuart A. (1993): The origins of order. Self-organization and
selection in evolution. Oxford: Oxford University Press.
KAUFFMAN, Stuart A. (1995): At home in the universe. The search for laws of
self-organization and complexity. New York: Oxford University Press.
KEPPENNE, Christian y NICOLIS, Catherine (1989): Journal of Atmospheric
Science, 46, 2356.
KHALIL, Elias L. y BOULDING, Kenneth (Eds.) (1996): Evolution, order and
complexity. New York: Routledge.
KIM, Daniel H. y SENGE, Peter M. (1994): Putting systems thinking into practice.
System Dynamics Review, 10, 2-3, 277-290.
KOYRÉ, Alexandre (1968): Etudes newtoniennes. París: Gallimard.
237
LALANDE, A. (1962): Vocabulaire technique et critique de la philosophie. Paris:

PUF, 9ª ed. 1ª edición de 1926.
LANDSBERG, Peter T. (1986): La búsqueda de la certeza en un universo
probabilístico. En Jorge WAGENSBERG (Ed.): Proceso al azar. Barcelona:
Tusquets.
LANGTON, Christopher G. (1986): Studying life with cellular automata. Physica
22D, 120-149.
LANGTON, Christopher G. (1990): Computation at the edge of chaos: phase
transitions and emergent computation. Physica D, 42, 12-37.
LASKAR, Jacques y FROESCHLÉ, Claude (1991): El caos en el sistema solar.
Mundo Científico, 11, 115, 732-740.
LASZLO, Ervin (1988): Evolución: la gran síntesis. Madrid: Espasa Calpe.
LEWIN, Roger (1992): Complejidad. El caos como generador del orden.
Barcelona: Tusquets, 1995.
LI, Tien-Yien y YORKE, James (1975): Period three implies chaos. American
Mathematical Monthly, 82, 985-992.
LIBCHABER, Alfred (1982): Experimental study of hydrodynamic instabilities.
Rayleigh-Bernard experiment: helium in a small box. En T. RISTE (Ed.):
Nonlinear phenomena at phase transitions ans instabilities. New York:
Plenum.
LIBCHABER, A. y MAURER, J. (1982): A Rayleigh Bénard experiment: helium in a
small box. Proccedings of the NATO Advanced Studies Institute on Nonlinear
Phenomena at Phase Transitions and Instabilities, págs. 259-186. (También
en CVITANOVIC, P., 1989).
LOMI, Alessandro, LARSEN, Erik R. y GINSBERG, Ari (1997): Adaptive learning
in organizations: a system dynamics-based exploration. Journal of
Management, 23, 4, 561-582.
LORENZ, Edward N. (1963): Deterministic nonperiodic flow. Journal of
Atmospheric Science, 20, 130-141. (También en CVITANOVIC, P., 1989).
LORENZ, Edward N. (1972): El efecto mariposa. En E. N. LORENZ (1993): La
esencia del caos. Madrid: Debate, 1995.
LORENZ, Edward N. (1993): La esencia del caos. Madrid: Debate, 1995.
LOVÁSZ, Lászlo (1996): Information and complexity (how to measure them?). En
B. PULLMAN (Ed.): The emergence of complexity in mathematics, physics,
chemistry and biology. Proccedings of Plenary Session of the Pontifical
Academy of Sciences. Vatican City: Pontificia Academia Scietarum.
LUHMANN, Niklas (1980): Sistemas sociales. Lineamientos para una teoría
general. Barcelona: Anthropos, 1998.
LUHMANN, Niklas (1995): Introducción a la teoría de Sistemas. México:
Universidad Iberoamericana.
MANDELBROT, Benoît B. (1975): Los objetos fractales: forma, azar y

dimensión. Barcelona: Tusquets Editores, 1993.
MANDELBROT, Benoît B. (1977, rev. 1983): La geometría fractal de la
naturaleza. Barcelona: Tusquets Editores, 1997.
MANDELBROT, Benoît B. (1996): Del azar benigno al azar salvaje. Investigación
y Ciencia, diciembre, 14-20.
238
MANDELBROT, Benoît B., PASSOJA, Dann E. y PAULLAY, Alvin J. (1985):

Fractal character of fracture surfaces of metals. Nature, 308, 721.
MANDELL, Arnold J. y SELZ, Karen A. (1991): Is the EEG a strange attractor?
Brain stem neuronal discharge patterns and electroencephalographic rhytmcs.
En GREBOGI, Celso y YORKE, James A. (Eds.): The impact of chaos on
science and society. Tokio: The United Nation University.
MARGALEF, Ramón (1986): Intervención en el Primer debate general.
Determinismo e indeterminismo en la ciencia moderna. En Jorge
WAGENSBERG (Ed.): Proceso al azar. Barcelona: Tusquets.
MARKUS, Mario (1995): Los diagramas de Lyapunov. Investigación y Ciencia,
septiembre, 70-77.
MARTINEZ, Silvio y REQUENA, Alberto (1986): Dinámica de sistemas. 1.
Simulación por ordenador. 2. Modelos. Madrid: Alianza (2 vols.).
MARUYAMA, Magoroh (1963): The second cybernetics: deviation-amplifying
mutual causal processes. American Scientist, 51, 164-179 (reimpreso en W.
BUCKLEY (Ed.) (1968): Modern Systems Research for the Behavioral
Scientist. Chicago: Aldine Publishing Company).
MATURANA, Humberto R. (1981): Autopoiesis. En M. ZELENY (Ed.):
Autopoiesis: a theory of living organization. New York: North Holland
Publishers.
MATURANA, Humberto R. (1994): Prefacio a la segunda edición. En Humberto R.
MATURANA y Francisco J. VARELA (1973): De máquinas y seres vivos.
Autopoiesis: la organización de lo vivo. Santiago de Chile: Editorial
Universitaria (4ª edición de 1994).
MATURANA, Humberto R. (1995): La realidad: ¿objetiva o construida? I.
Fundamentos biológicos de la realidad. Barcelona: Anthropos.
MATURANA, Humberto R. (1996): La realidad: ¿objetiva o construida? II.
Fundamentos biológicos del conocimiento. Barcelona: Anthropos.
MATURANA, Humberto R. y VARELA, Francisco J. (1973): De máquinas y seres
vivos. Autopoiesis: la organización de lo vivo. Santiago de Chile: Editorial
MATURANA, Humberto R. y VARELA, Francisco J. (1980): Autopoiesis and
cognition. The realization of the living. Boston: Reidel Publishing Company.
MATURANA, Humberto R. y VARELA, Francisco J. (1990): El árbol del
conocimiento. Las bases biológicas del conocimiento humano. Madrid:
Debate.
MAXWELL, James C. (1860): Illustrations of the dynamical theory of gases.
Philosophical Magazine, 19, 21-37.
MAXWELL, James C. (1890): Scientific papers of James Clerk Maxwell.
(Compilación de W. D. NIVEN (1952), 2 vols.). New York: Dover.
MAY, Robert M. (1974): Biological populations with nonoverlapping generations:
stable points, stable cycles, and chaos. Science, 186, 645-646.
MAY, Robert M. (1976): Simple mathematical models with very complicated
dynamics. Nature, 261, 5560, 459-467.
MAY, Robert M. (1991): El caos en biología. Mundo Científico, 115, 11, 746-754.
MERTEN, Peter P. (1988): The simulation of social system evolution with spiral
loops. Behavioral Science, 33, 2, 131-157.
239
MILLER, James G. (1955): Toward a general theory for the behavioral sciences.
American Psychologist, 10, 513-531.
MILLER, James G. (1965): Living systems: basic concepts. Behavioral Science,
10, 193-237.
MILLER, James G. (1978): Living systems. New York: Wiley.
MILLER, Jessie L. y MILLER, James G. (1992): Greather than the sum of its parts.
I. Subsystems which process both matter-energy and information. Behavioral
Science, 37, 1-9.
MOLINER, María (1984): Diccionario de uso del español. Madrid: Gredos.
MORAGREGA, J. L. y CONTRERAS, M. (1994): La frecuencia cardíaca como un
fenómeno caótico. Revista Latina de Cardiología. 15, 6, 179-187.
MORIN, Edgar (1990): Introducción al pensamiento complejo. Barcelona:
Gedisa, 1994.
MUNNÉ, Frederic (1989): Entre el individuo y la sociedad. Marcos y teorías
actuales sobre el comportamiento interpersonal. Barcelona: PPU, 2ª ed. de
1993.
MUNNÉ, Frederic (1993): La teoría del caos y la psicología social. En I.
FERNÁNDEZ JIMÉNEZ y M. F. MARTÍNEZ (Comp.): Epistemología y
procesos psicosociales básicos. Sevilla: EUDEMA.
MUNNÉ, Frederic (1994a): Complejidad y caos: más allá de una ideología del
orden y del desorden. En M. MONTERO (Coord.) (1994): Conocimiento,
realidad e ideología. Caracas: Avespo.
MUNNÉ, Frederic (1994b): Del pluralisme teoric a la complexitat. Annuari de
Psicologia, 1, 100-111.
MUNNÉ, Frederic (1995a): Las teorías de la complejidad y sus implicaciones en
las ciencias del comportamiento. Revista Interamericana de Psicología, 29, 1,
1-12.
MUNNÉ, Frederic (1997a): Entrevista com Frederic Munné: “Psicologia social e
epistemologia: questão complexa ou complicada?”. Psicologia & Sociedade,
9, 1/2, 5-30.
MUNNÉ, Frederic (1997b): Pluralismo teórico y comportamiento social.
Psicologia & Sociedade, 9, 1/2, 31-46.
NICOLIS, Catherine (1991): ¿Puede bascular el clima? Mundo Científico, 11,

115, 742-745.
NICOLIS, Catherine y NICOLIS, Grégoire (1987): Irreversible phenomena and
dynamical systems analysis in geoscience. Dordrecht: Reidel.
NICOLIS, Grégoire y PRIGOGINE, Ilya (1977): Self-organization in
nonequilibrium systems. From dissipative structures to order through
fluctuations. New York: Wiley-Interscience.
NICOLIS, Grégoire y PRIGOGINE, Ilya (1987): La estructura de lo complejo. En el
camino hacia una nueva comprensión de las ciencias. Madrid: Alianza, 1994.
OLSEN, L. F. y SCHAFFER, W. M. (1990): Chaos versus noisy periodicity:

alternative hypotheses for childhood epidemics. Science, 249, 499-504.
240
OLSEN, L. F., TRUTY, G. L. y SCHAFFER, W. M. (1988): Oscillations and chaos

in epidemics: a nonlinear dynamics study of six childhood diseases in
Copenhagen, Denmark. Theoretical Population Biology, 33, 344-370.
PACKARD, Norman H. (1988): Adaptation toward the edge of chaos. CCSR-88-

5. Center for Complex Systems Research. University of Illinois.
PACKARD, Norman H., CRUTCHFIELD, James P., FARMER, J. Doyne y SHAW,
Robert S. (1980): Geometry from a time series. Physical Review Letters, 45, 9,
712-716.
PETERSON, Ivars (1999): El reloj de Newton: caos en el sistema solar. Madrid:
Alianza.
POMEAU, Y. y MANNEVILLE, P. (1980): Intermittent transition to turbulence in
dissipative dynamical systems. Comm. Math. Phys., 74, 189-197.
POMEAU, Y., ROUX, J. C., ROSSI, A., BACHELART, S. y VIDAL, C. (1981):
Intermittent behaviour in the Belousov-Zhabotinsky reaction. J. Phys. Lett., 42,
L271-273. (También en CVITANOVIC, P., 1989).
PONDY, Louis R. y MITROFF, Ian L. (1979): Beyond open system models of
organization. Research in Organizational Behavior, 1, 3-39.
PRIGOGINE, Ilya (1945): Bull. Acad. Roy. Belg. Cl. Sci., 31, 600.
PRIGOGINE, Ilya (1972): La termodinámica de la vida. En Ilya PRIGOGINE
(1983): ¿Tan sólo una ilusión? Una exploración del caos al orden. Barcelona:
Tusquets Editores.
PRIGOGINE, Ilya (1980): From being to becoming. Time and complexity in the
physical sciences. New York: W. H. Freeman and Company.
PRIGOGINE, Ilya (1982): Tan sólo una ilusión. En Ilya PRIGOGINE (1983): ¿Tan
sólo una ilusión? Una exploración del caos al orden. Barcelona: Tusquets
Editores.
PRIGOGINE, Ilya (1983): ¿Tan sólo una ilusión? Una exploración del caos al
orden. Barcelona: Tusquets Editores.
PRIGOGINE, Ilya (1986): Enfrentándose con lo irracional. En Jorge
WAGENSBERG (Ed.): Proceso al azar. Barcelona: Tusquets.
PRIGOGINE, Ilya (1988): El nacimiento del tiempo. Barcelona: Tusquets, 1991.
PRIGOGINE, Ilya (1993): Las leyes del caos. Barcelona: Crítica, 1997.
PRIGOGINE, Ilya (1997): El fin de las certidumbres. Madrid: Taurus.
PRIGOGINE, Ilya y STENGERS, Isabelle (1975): Naturaleza y creatividad. En Ilya
PRIGOGINE (1983): ¿Tan sólo una ilusión? Una exploración del caos al
orden. Barcelona: Tusquets Editores.
PRIGOGINE, Ilya y STENGERS, Isabelle (1979): La nueva alianza. Metamorfosis
de la ciencia. Madrid: Alianza, 1983.
PRITCHARD, W. S. y DUKE, D. W. (1992): Dimensional analysis of no-task
human EEG using the Grassberger-Procaccia method. Psychophysiology, 29,
182-192.
RAPPOPORT, Anatol (1985): General Systems Theory. Cambridge: Abacus

Press.
241
RASMUSSEN, S., STURIS, J. y MOSEKILDE, E. (1987): Dynamics of the first

catalytic RNA-based genetic systems. Workshop on Artificial Life. Los Alamos,
National Laboratory.
RICHTER, Peter H. (1996): Harmony and complexity. Order and chaos in
mechanical systems. En B. PULLMAN (Ed.): The emergence of complexity in
mathematics, physics, chemistry and biology. Proceedings of Plenary
Session of the Pontifical Academy of Sciences. Vatican City: Pontificia
Academia Scietarum.
ROSENSTEIN, Michael T., COLLINS, James J. y De LUCA, Carlo (1993): A
practical method for calculating largest Lyapunov exponents from small data
sets. Physica D, 65, 117-134.
RÖSSLER, Otto E. (1976): An equation for continuous chaos. Physics Letters,
57A, 5, 397-398.
ROUX, J. C., ROSSI, A., BACHELART, S. y VID AL, C. (1980): Representation of
a strange attractor from an experimental study of chemical turbulence. Phys.
Lett., 77ª , 391-393. (También en CVITANOVIC, P., 1989).
RUELLE, David (1989): Chaotic evolution and strange attractors. The statistical
analysis of time series for deterministic nonlinear systems. Cambridge:
Cambridge University Press.
RUELLE, David (1991): Azar y caos. Madrid: Alianza Universidad, 1993.
RUELLE, David y TAKENS, Floris (1971): On the nature of turbulence.
Communications in Mathematical Physics, 20, 167-192.
RUELLE, David y TAKENS, Floris (1980): La Recherche, 108, 132. (febrero
1980)
RUMER, Y. B. y RYVKIN, M. S. (1980): Thermodinamics, Statistical Physics, and
Kinetics. Moscow: Mir.
RYEU, Jin-Kyung y CHUNG, Ho S. (1996): Chaotic recurrent neural networks and
their application to speech recognition. Neurocomputing: An International
Journal, 13, 2-4, 281-294.
SANDER, Leonard M. (1987): Crecimiento fractal. En AA. VV.: Orden y Caos.

SCHAFFER, William M. (1984): Stretching and folding in lynx fur returns: evidence
for a strange attractor in nature? Am. Nat., 124, 796-820.
SCHAFFER, William M. y KOT, Mark (1985): Nearly one dimensional dynamics in
an epidemic. Journal of Theoretical Biology, 112, 403-427.
SCHOLZ, Christopher H. (1982): Scaling laws for large earthquakes. Bulletin of
the Seismological Society of America, 72, 1-14.
SCHRÖDINGER, Erwin (1944): Què és la vida? L’aspecte físic de la cèl.lula
viva. Barcelona: Edicions 62, 1984.
SCHUSTER, Heinz Georg (1984): Deterministic chaos. An introduction.
Weinheim: VCH Publishers, 2nd. ed.
SENGE, Peter M. (1990): La quinta disciplina. El arte y la práctica de la
organización abierta al aprendizaje. Barcelona: Granica, 1992.
SENGE, Peter M. y STERMAN, John D. (1992): System thinking and
organizational learning: acting locally and thinking globally in the organization of
the future. European Journal of Operational Research, 59, 1, 137-150.
242
SHANNON, Claude E. (1948): A mathematical theory of communication. Bell

Systems Technical Journal, 27, 379-423 y 623-656.
SHANNON, Claude E. y WEAVER, Warren (1949): The mathematical theory of
communication. Urbana: University of Illinois Press.
SHAW, Robert (1981): Strange attractors, chaotic behavior, and information
theory. Zeitschrift für Naturforschung, 36a, 79-112.
SIMOYI, R.H., WOLF, A. y SWINNEY, H. L. (1982): One-dimensional dynamics in a
multicomponent chemical reaction. Phys. Rev. Lett., 49, 245-247. (También en
CVITANOVIC, P., 1989).
SMALE, Stephen (1967): Differentiable dynamical systems. Bulletin of the
American Mathematical Society, 747-817.
SOKAL, Alan y BRICMONT, Jean (1998): Imposturas intelectuales. Barcelona:
Paidós, 1999.
SOLÉ, Ricard V. (1994): Vida en el filo del caos. El País, miércoles 16 de
noviembre de 1994.
SOLÉ, Ricard V. (1995): Caos espaciotemporal en ecosistemes. En Jordi
BASCOMPTE y Jordi FLOS (Eds.): Ordre i caos en ecologia. Barcelona:
SOLÉ, Ricard V. y BASCOMPTE, Jordi (1993): Chaotic Turing structures.
Physics Letters, A179, 325-331.
SOLÉ, Ricard V. y BASCOMPTE, Jordi (1994): Ecological chaos. Nature, 367,
418.
SOLÉ, Ricard V.; BASCOMPTE, Jordi; DELGADO, Jordi; LUQUE, Bartolo y
MANRUBIA, Susanna C. (1996): Complejidad en la frontera del caos.
Investigación y Ciencia, mayo, 14-21.
STEPHAN, G. (1992): Entropie, Umweltschutz und Rohstoffverbrauch: ein
thermodynamischer Ansatz in der Umweltökonomik. En M. von HAUFF y U.
SCHMID (Eds.): Ökonomie und Ökologie. Sttutgart: Schaeffer-Pöschel.
STERMAN, John D. (1989a): Misperceptions of feedback in dynamic decision
making. Organizational Behavior and Human Decision Processes, 43, 3, 301-
335.
STERMAN, John D. (1989b): Modeling managerial behavior: misperceptions of
feedback in a dynamic decision-making experiment. Management Science,
35, 3, 321-339.
STERMAN, John D. (1994): Learning in and about complex systems. System
Dynamics Review, 10, 2-3, 291-330.
STEWART, Ian (1989): ¿Juega Dios a los dados? La nueva matemática del
caos. Barcelona: Grijalbo Mondadori, 1991.
SUGIHARA, George y MAY, Robert, M. (1990): Nonlinear forecasting as a way of
distinguishing chaos from measurement error in time series. Nature, 344, 734-
741.
SWANSON, G. A.; BAILEY, Kenneth D. y MILLER, James G. (1997): Entropy,
social entropy and money: a living systems theory perspective. Systems
Research and Behavioral Science, 14, 1, 45-65.
SZILARD, Leo (1929): On the reduction of entropy as a thermodynamic system
caused by intelligent beings. Zeitschrift für Physik, 53, 840-856.
243
TAKENS, Floris (1981): Detecting strange attractor in turbulence. En D. A. RAND

y L. S. YOUNG (Eds.): Lecture Notes in Physics. Berlin: Springer-Verlag.
THOM, René (1977): Estabilidad estructural y morfogénesis. Barcelona: Gedisa,
1987.
THOM, René (1980): Parábolas y catástrofes. Entrevista sobre matemática,
ciencia y filosofía a cargo de Giulio Giorello y Simona Morini. Barcelona:
Tusquets, 1985.
THOM, René (1986): Determinismo e innovación. En Jorge WAGENSBERG
(Ed.): Proceso al azar. Barcelona: Tusquets.
TILMAN, D. y WEDIN, D. (1991): Oscillations and chaos in the dynamics of a
perennial grass. Nature, 353, 653-655.
TORRES NAFARRETE, Javier (1995): Introducción. Invitación a la lectura de la
obra de Maturana. En H. MATURANA (1995): La realidad: ¿objetiva o
construida? I. Fundamentos biológicos de la realidad. Barcelona: Anthropos.
TSONIS, A. A. y ELSNER, J. B. (1988): The weather attractor over very short
timescales. Nature, 333, 545-547.
TSONIS, Anastasios A. (1992): Chaos. From theory to applications. New York:
Plenum Press.
TURCHIN, P. (1993): Chaos and stability in rodent population dynamics: evidence
from nonlinear time-series analysis. Oikos, 68, 167-172.
VACOUVER, Jeffrey B. (1996): Living systems theory as a paradigm for

organizational behavior: understanding humans, organizations, and social
processes. Behavioral Science, 41, 3, 165-204.
VARELA, Francisco J. (1994): Prefacio a la segunda edición. En Humberto R.
MATURANA y Francisco J. VARELA (1973): De máquinas y seres vivos.
Autopoiesis: la organización de lo vivo. Santiago de Chile: Editorial
VARELA, Franciso J. (1981): Describing the logic of the living. En Milan ZELENY
(Ed.): Autopoiesis. A theory of living organization. New York: Columbia
University.
WAGENSBERG, Jorge (1981): La necesidad del azar. Mundo Científico, 1, 1,

32-43.
WAGENSBERG, Jorge (1982): El azar creador. Mundo Científico, 2, 12, 316-
323.
WAGENSBERG, Jorge (1985): Ideas sobre la complejidad del mundo.
Barcelona: Tusquets Editores.
WAGENSBERG, Jorge (1998): El progreso. ¿Un concepto acabado o
emergente? En WAGENSBERG, Jorge y AGUSTÍ, Jordi (Eds.): El progreso.
¿Un concepto acabado o emergente? Barcelona: Tusquets.
WAGENSBERG, Jorge (Ed.) (1986): Proceso al azar. Barcelona: Tusquets
Editores.
WAGENSBERG, Jorge y AGUSTÍ, Jordi (Eds.) (1998): El progreso. ¿Un
concepto acabado o emergente? Barcelona: Tusquets.
WALDROP, M. Mitchell (1992): Complexity. The emerging science at the edge
of order and chaos. New York: Touchstone.
244
WARFIELD, John N. (1994): A science of generic design. Managing complexity

through systems design. Iowa State University Press.
WEAVER, Warren (1948): Science and complexity. American Scientist, 36, 536-
644.
WIENER, Norbert (1948): Cybernetics: or control and communication in the
animal and the machine. Cambridge, MA: Technology Press (Trad. en
Tusquets).
WITTEMAN, G. J., REDFEARN, A. y PIMM, S. L. (1990): The extent of complex
population changes in nature. Evolutionary Ecology, 4, 173-183.
WOLF, A., SWIFT, J. B., SWINNEY, H. L. y VASTANO, J. A. (1985): Determining
Lyapunov exponents from a time series. Physica D, 16, 285-317.
WOLFRAM, Stephen (Ed.) (1986): Theory and applications of cellular automata.
Singapore: World Scientific.
ZADEH, Lofti A. (1965): Fuzzy sets. Information and Control, 8, 338-353.

ZEEMAN, E. C. (1977): Catastrophe theory: selected papers 1972-1977.
Reading, MA: Addison-Wesley.
ZELENY, Milan (1981): What is autopoiesis? En M. ZELENY (Ed.): Autopoiesis: a
theory of living organization. New York: North Holland Publishers.
De la segunda parte: Organizaciones y Complejidad.
AA. VV. (1998): Psicología social. Una visión crítica e histórica. Antrhopos.
Huellas del conocimiento, 1998, nº 177.
ABRAHAM, Frederick D. y GILGEN, Albert R. (1995): Chaos theory in
psychology. Westport, CT: Praeger Publishers.
ADAMS, John S. (1963): Toward understanding of inequity. Journal of Abnormal
and Social Psychology, 67, 422-436.
ADAMS, John S. (1965): Inequity in social exchange. En L. BERKOWITZ (Ed.):
Advances in experimental social psychology. New York: Academic Press.
AHMAD, Syed (1991): Capital in economic theory. Neo-classical, Cambridge
and chaos. Vermont: Edward Elgar Publishing.
ALDERFER, C. P. (1969): An empirical test of a new theory of human needs.
Organization and Human Performance, 4, 142-175.
ALLPORT, Floyd H. (1962): A structuronomic conception of behavior: individual
and collective. I. Structural theory and the master problem of social psychology.
Journal of Abnormal and Social Psychology, 64, 3-30.
ANDREWS, K. R. (1980): The concept of corporate strategy. New York: Dow
Jone Irwin.
ARGYRIS, Chris (1957): Personality and organization. New York: Harper & Row.
ARGYRIS, Chris y SCHON, D. (1978): Organizational learning: A theory of action
perspective. Reading, Mass.: Addison-Wesley Publishing.
ARNAU, Jaume (1974): Motivación y conducta. Barcelona: Fontanella.
ARTHUR, W. Brian (1990): La retroacción positiva en economía. Investigación y
Ciencia, abril, 86-93.
245
ATKINSON, J. W. (1957): Motivational determinants of risk-taking behavior.

Psychological Review, 64, 359-372.
ATKINSON, J. W. y REITMAN, (1955) recogido en Arnau 1974
AYESTARÁN, Sabino (1997): El manejo de los conflictos en las organizaciones.
Comunicación presentada al VI Congreso Nacional de Psicología Social,
San Sebastián.
BAESSLER, J. y SCHWARZER, R. (1996): Evaluación de la autoeficacia.

Adaptación española de la Escala de Autoeficacia General. Ansiedad y
Estrés, 2, 1, 1-8.
BAILEY, Kenneth D. (1984): Beyond functionalism: towards a nonequilibrium
analysis of complex social systems. The British Journal of Sociology, 35, 1, 1-
18.
BAILEY, Kenneth D. (1990): Social entropy theory. Albany, NY: State University of
New York Press.
BAILEY, Kenneth D. (1997): The autopoiesis of social systems: assessing
Luhmann’s theory of self-reference. Systems Research and Behavioral
Science, 14, 2, 83-100.
BANDURA, Albert (1977a): Social learning theory. Eglewood Cliffs, NJ: Prentice-
Hall.
BANDURA, Albert (1977b): Self-efficacy: toward a unifying theory of behavioral
change. Psychological Review, 84, 191-215.
BANDURA, Albert (1986): Social foundations of thought and action: a social
cognitive theory. Eglewood Cliffs, NJ: Prentice-Hall.
BARNARD, Chester I. (1938): The functions of the executives. Cambirdge,
Mass.: Harvard University Press.
BARNETT, William A., GEWEKE, John y SHELL, Karl (1989): Economic
complexity: chaos, sunspots, bubbles and nonlinearity. Proceeding of the
Fourth International Symmposium in Economic Theory and Econometrics.
Cambridge: Cambirdge University Press.
BASKIN, Ken (1998): Corporate DNA. Learning from life. Oxford: Butterworth-
Heinemann.
BATEMAN, T. y STRASSER, S. (1984): A longitudinal analysis of the antecedents
of organizational commitment. Academy of Management Journal, 27, 95-112.
BEDEIAN, Arthur G. (1987): Organization theory: current controversies, issues,
and directions. International Review of Industrial and Organizational
Psychology, 1-33.
BEGUN, J.W. (1994): Chaos and complexity: frontiers of organizational science.
Journal of Management Inquiry, 3, 4, 329-338.
BIGELOW, John (1982): A catastrophe model of organizational change.
Behavioral Science, 27, 26-42.
BINSWANGER, Mathias (1993): From microscopic to macroscopic theories:
entropic aspects of ecological and economic processes. Ecological
Economics, 3, 209-334.
BLANCK, Steven C. (1991): “Chaos” in futures markets? A nonlinear dynamical
analysis. The Journal of Futures Markets, 11, 6, 711-728.
246
BORREGO, A., QUERALT, R. A. y VÁZQUEZ, F. J. (1998): Análisis de no

linealidad en series financieras. Revista Europea de Dirección y Economía de
la Empresa, 7, 2, 51-62.
BREHMER, B. (1989): In one word: not from experience. Acta Psychologica, 45,
223-241.
BROCK, W. y SAYERS, C. (1988): Is the business cycle characterized by
deterministic chaos? Journal of Monetary Economics, 22, 1, 71-90.
BROCK, William, HSIEH, David A. y LeBARON, Blake (1991): Nonlinear
dynamics, chaos and instability: statistical theory and economic evidence.
Cabridge: The MIT press.
BROWN, Shona L. y EISENHARDT, Kathleen M. (1998): Competing on the edge.
Harvard Business School Press.
BUCHANON, B. (1974): Building organizational commitment: the socialization of
managers in work organizations. Administrative Science Quarterly, 19, 533-
546.
BURNS, T. y STALKER, G. M. (1961): The management of innovation. Londod:
Tavistock Publications.
BUTZ, M. R. (1997): Chaos and complexity: implications for psychological theory
and practice. Bristol, PA: Taylor & Francis.
BUTZ, M. R. y CHAMBERLAIN, L. L. y McCOWN, W. G. (1996): Strange
attractors: chaos, complexity, and the art of the family. New York: Wiley.
CAMPBELL, J. P. y PRITCHARD, D. (1976): Motivation theory in industrial and

organizational psychology. En M. D. DUNNETTE (Ed.): Handbook of industrial
and organizational psychology. Chicago: Rand McNally.
CAMPBELL, J. P., DUNNETTE, M. D., LAWLER, E. E. y WEICK, K. (1970):
Managerial performance and effectiveness. New York: McGraw-Hill.
CARVER, C. S. (1979): A cybernetic model of self-attention processes. Journal of
Personality and Social Psychology, 37, 1251-1281.
CARVER, C. S. y SCHEIER, M. F. (1981): Attention and self-regulation: a control
theory approach to human behavior. New York: Springer-Verlag.
CARVER, C. S. y SCHEIER, M. F. (1985): A control systems approach to the self-
regulation of action. En J. KUHL y J. BECKMANN (Eds.): Actino control: from
cognition to behavior. New York: Springer-Verlag.
CIBORRA, Claudio, MIGLIARESE, Piero y ROMANO, Paolo (1984): A
methodological inquirí of organizational noise in sociotechnical systems.
Human Relations, 37, 8, 565-588.
CODINA, Núria (2000): Una aproximación cualitativa a la complejidad del self.
Comunicación presentada al VII Congreso Nacional de Psicología Social,
Oviedo, 26-29 de septiembre.
COLEMAN, Henry J. Jr. (1999): GAT enables self-organizing behavior in
businesses. Emergence, 1, 1, 33-48.
CREEDY, John y MARTIN, Vance L. (Eds.) (1994): Chaos and non-linear models
in economics. Vermont: Edward Elgar Publishing.
CYERT, R. M. y MARCH, James G. (1963): A behavior theory of the firm.
Englewood Cliffs, NJ: Prentice-Hall.
247
CHAMBERLAIN, L. y BUTZ, M. (1997): Clinical chaos: a therapist’s guide to

nonlinear dynamics and terapeutic change. Bristol, PA: Taylor & Francis.
CHANG, Hug J., FREEMAN, Walter J., BURKE, Brian C. (1998): Optimization of
olfactory model in software to give 1/fpower spectra reveals numerical
instabilities in solution governed by aperiodic (chaotic) attractors. Neural
Networks, 11, 3, 449-466.
CHENG, Yu Ting y VAN DE VEN, Andrew H. (1996): Learning the innovation
journey: order out of chaos? Organization Science, 7, 6, 593-614.
CHILD, J. (1972): Organization structure, environment and performance. The role
of strategic choice. Sociology, 6, 1-22.
DAHRENDORF, R. (1979): Las clases sociales y su conficto en la sociedad

industrial. Madrid: Rialp.
DAÜMLING, A. M., FENGLER, J., NELLESSEN, L. y SVENSSON, A. (1982):
Dinámica de grupos. Madrid: Anaya.
DAVIS, Gerald F. y POWELL, Walter W. (1992): Organization-environment
relations. En M. D. DUNNETTE y L. M. HOUGH (Eds.): Handbook of Industrial
and Organizational Psychology. Vol 3, 2nd ed. Palo Alto, CA: Consulting
Psychlogists Press.
DE DREU, C. K. y VAN DE VLIERT, E. (Eds.) (1997): Using conflict in
organizations. London: Sage.
DECI, E. L. (1975): Intrinsic motivation. New York: Plenum.
DECI, E. L. (1976): Notes on the theory and metatheory of intrinsic motivation.
Organizational Behavior and Human Performance, 15, 130-145.
DECI, E. L. y RYAN, R. M. (1980): The empirical exploration of intrinsic
motivational processes. En L. BERKOWITZ (Ed.): Advances in experimental
social psychology. New York: Academic Press.
DECHERT, W. Davis (Ed.) (1996): Chaos theory in economics. Methods,
models and evidence. Cheltenham, UK: Edward Elgar Publishing.
DOMÍNGUEZ MACHUCA, José A. (1989): Complejidad actual en la dirección de
empresas. Una llamada de atención. Alta Dirección, 147, 305-312.
DOOLEY, Kevin y VAN DE VEN, Andrew H. (1998): A primer on diagnosis
dynamics organizational processes. Documento conseguido en Internet y
actualmente sometido a revisión en Organization Science.
DUNCAN, Robert B. (1972): The characteristics of organizational environments
and perceived environmental uncertainty. Administrative Science Quarterly, 17,
3, 313-327.
DURRANCE, Bonnie (1997): La visión evolutiva de Dee Hock del caos al orden.
Trainning and Development Digest, noviembre, 10-20.
EFTEKHAR, Nassereddin, STRONG, Douglas R. y HAWALESKHA, Ostap

(1997): Dynamic modellin of learning system to aid system re-engineering. En
Don HARRIS (Ed.): Engineering psychology and cognitive ergonomics. Vol.
2. Job design and product design. Aldershot: Ashgate Publishing Co.
EMERY, Fred E. (1959): Characteristics of socio-technical systems. London:
Tavistok Institute of Human Relations.
248
EMERY, Fred E. (1967): The next thirty years: concepts, methods and
anticipations. Human Relations, 20, 199-237.
Equipo Change Integration de Price Waterhouse (1996): Las paradojas de la
dirección. Madrid: IRWIN.
ETZIONI, Amitai (1964): Modern organizations. Englewood Cliff, N. J.: Prentice-
Hall.
EVE, Raymond E., HORSFALL, Sara y LEE, Mary E. (1997): Chaos, complexity
and sociology. Newbury Park: Sage.
FERNÁNDEZ, Andrés (1994): La economía de la complejidad. Economía

dinámica caótica. Madrid: McGraw-Hill.
FORTEA, Miguel A. y FUERTES, Francisco (1997): Validez de constructo de la
necesidad de autorrealización en el marco del modelo motivacional de las
características de las tareas. Comunicación presentada al VI Congreso
Nacional de Psicología Social, septiembre-octubre, San Sebastián.
FOSTER, Jeremy J. (2000): Motivation in the workplace. En N. CHMIEL et al.
(Ed.): Introduction to work and organizational psychology: a european
perspective. Malden, MA: Blackwell Publishers.
FOX, William M. (1995): Sociotechnical system principles and guidelines: past
and present. Journal of Applied Behavioral Science, 31, 1, 91-105.
FRANK, Murray, GENCAY, Ramazan y STENGOS, Thanasis (1988): International
chaos? European Economic Review, 32, 1569-1584.
FREEMAN, W. (1991): The physiology of perception. Scientific American, 266,
78-85.
FRIEDNMANN, G. (1971): El objeto de la sociología del trabajo. En G.
FRIEDMANN y P. NAVILLE (Eds.): Tratado de sociología del trabajo. México:
FCE.
FUCHS, S. (1988): Translation and introduction. In Luhmann N., Tautology and
paradox in the self-descriptions of modern society. Sociological Theory, 6, 21-
37.
FUERTES, Francisco, MUNDUATE, Lourdes y FORTEA, Miguel A. (1994):
Análisis y rediseño de puestos (adaptación española del cuestionario Job
Diagnostic Survey –JDS-). Col.leció Material Docent. Publicacions de la
Universitat Jaume I.
GALBRAITH, Jay R. (1977): Organization design. Reading, Mass.: Addison-

Wesley.
GALERA PERAL, Francisco (1992): Modelos económicos de dinámica
compleja. Barcelona: Ediciones Internacionales Universitarias.
GARCÍA, Salvador y DOLAN, Simón L. (1997): La dirección por valores. Madrid:
McGraw-Hill.
GARFINKEL, Harold (1967): Studies in ethnometodoly. Englewood Cliffs, NJ:
Prentice-Hall.
GARRIDO, Eugenio (2000): Autoeficacia en el mundo laboral. Apuntes de
Psicología, 18, 1, 9-38.
GEMMILL, Gary y SMITH, Charles (1985): A dissipative structure model of
organization transformation. Human Relations, 38, 8, 751-766.
249
GERTH, H. y MILLS, C. W. (1961): Carácter y estructura social. Buenos Aires:

Paidós.
GIL, Francisco y ALCOVER de la HERA, Carlos Mª (2000): La psicología de los
grupos en España: medio siglo de desarrollos. En A. OVEJERO (Ed.): La
psicología social en España al filo del año 2000: balance y perspectivas.
Madrid: Biblioteca Nueva.
GOLDSTEIN, Jeffrey (1988): A far-from-equilibrium systems approach to
resistance to change. Organization Dynamics, autumn, 16-26.
GOLDSTEIN, Jeffrey (1994): The unshackled organization: facing the challenge
of unpredictibility through spontaneus reorganization. Portland, OR:
Productivity Press.
GÓMEZ PALLETE, Felipe (1993): Estrategia empresarial ante el caos. Madrid:
Rialp.
GÓMEZ PALLETE, Felipe (1995): La evolución de las organizaciones. Madrid:
Noesis.
GONZÁLEZ, Mª Pilar (1987): Orientación sociométrica. En Mª . Pilar GONZÁLEZ
y Esteve VENDRELL (Dirs.): El grupo de experiencia como instrumento de
formación. Barcelona: PPU.
GONZÁLEZ, Mª Pilar (1995): Orientaciones teóricas fundamentales en
psicología de los grupos. Barcelona: EUB.
GONZÁLEZ, Mª Pilar y CORNEJO, José Manuel (1993): Los grupos: núcleos
mediadores en la formación y cambio de actitudes. Psicothema, 5 suplemento,
213-223.
GREGERSEN, Hal y SAILER, Lee (1993): Chaos theory and its implications for
social science research. Human Relations, 46, 7, 777-802.
GREINER, L. E. (1972): Evolución y revolución a medida que crecen las
organizaciones. En J. Mª ANZIZU (1975): Las funciones directivas. Barcelona:
Labor.
GRIFFIN, R. y BATEMAN, T. (1986): Job satisfaction and organizational
commitment. International Review of Industrial and Organizational
Psychology. John Wiley and Sons Ltd.
GROSS, B. M. (1968): Organizations and their managing. New York: Free Press.
GUASTELLO, Stephen J. (1981): Catastrophe modeling of equity in
organizations. Behavioral Science, 26, 63-74.
GUASTELLO, Stephen J. (1987): A butterfly catastrophe model of motivation in
organizations: academic performance. Journal of Applied Psychology, 72, 1,
165-182.
GUASTELLO, Stephen J. (1995): Chaos, catastrophe, and human affairs:
applications of nonlinear dynamics to work, organizations, and social
evolution. Hillsdale, NJ: Lawrence Erlbaum.
GUASTELLO, Stephen J. (1998): Creative problem solving groups at the edge of
chaos. Journal of Creative Behavior, 32, 1, 38-57.
GUASTELLO, Stephen J., DOOLEY, Kevin J. y GOLDSTEIN, Jeffrey A. (1995):
Chaos, organizational theory, and organizational change. En F.D. ABRAHAM y
A.R. GILGEN (Eds.): Chaos theory in psychology. Westport, CT: Praeger
Publishers.
250
GUASTELLO, Stephen J., JOHNSON, Elizabeth A. y RIEKE, Mark L. (1999):

Nonlinear dynamics of motivational flow. Nonlinear Dynamics, Psychology,
and Life Sciences, 3, 3, 259-273.
GUNTER, Helen (1995): Jurassic management. Chaos and management
development in educational institutions. Journal of Educational Administration,
33, 4, 5-20.
HACKMAN, J. Richard y OLDHAM, Greg R. (1976): Motivation through the design

of work: test of a theory. Organizational Behavior and Human Performance,
16, 250-279.
HACKMAN, J. Richard y OLDHAM, Greg R. (1980): Work redesign. Reading,
Mass.: Addison-Wesley.
HALL, Roger I. (1976): A system pathology of an organization: the rise and fall of
the old Saturday Evening Post. Administrative Science Quarterly, 21, 185-211.
HALL, Roger I. (1989): A training game and behavioral decision making research
tool: an alternative use of system dynamics simulation. En P. MILLING y E.
ZAHN (Eds.): Computer based management of complex systems. Berlin:
Springer-Verlag.
HALLINAN, Maureen T. (1997): The sociological study of social change. American
Sociological Review, 62, 1, 1-11.
HAYEK, F. A. (1948): Individualism and economic order. Chicago, IL: University
of Chicago Press.
HERBST, P. G. (1974): Socio-Technical design. London: Tavistok.
HERZBERG, Frederik (1968): Una vez más: ¿cómo motivar a los empleados?
Harvard-Deusto Business Review, 1980, 7-18. Edición especial sobre
Motivación preparada bajo la dirección de J. M de ANZIZU.
HOLAND, John H. (1987): The global economy as an adaptive process.
Conferencia presentada en un workshop organizado por el Instituto de Santa
Fe en septiembre de 1987. Recogido por Waldrop, 1992.
HOUSE, T. J. y WIGDOR, L. A. (1967): Herzberg’s dual-factor theory of job
satisfaction and motivation: a review of the evidence and a cristicisme.
Personnel Psychology, 20, 4, 369-389.
HOWELL, W. C. (1979): Psicología industrial y organizacional. Sus elementos
esenciales. México: El Manual Moderno, 1979.
HULL, Clark L. (1943): Principles of behavior. New York: Appleton-Century-Crofts.
HURST, David K. (1995): Crisis and renewal. Meeting the challenge of
organizational change. Harvard Business School Press.
IBAÑEZ, Tomás (1982): Aspectos del problema de la explicación en psicología

social. Revista de Psicología General y Aplicada, 37, 1, 161-171.
JERUSALEM, M. y SCHWARZER, R. (1992): Self-efficacy as a resource factor in

stress appraisal proceses. En R. SCHWARZER (Ed.): Self-efficacy: thought
control of action. Washington: Hemisphere.
JOHNSON, J.L. y BURTON, B.K. (1994): Chaos and complexity theory for
management: caveat emptor. Journal of Management Inquiry, 3, 4, 320-328.
251
KANFER, Ruth (1990): Motivation theory and industrial and organizational

psychology. En M. DUNNETTE y L. M. HOUGH (Eds.): Handbook of Industrial
and Organizational Psychology. Palo Alto, CA: Consulting Psychologist Press,
2nd ed., vol. 1.
KAST, Fremont E. y ROSENZWEIG, James E. (1973): Contingency views of
organization and management. Science Research Associates Inc.
KATZ, Daniel y KHAN, Robert L. (1966): Psicología social de las organizaciones.
México: Trillas, 1977.
KATZELL, R. A. y THOMPSON, D. E. (1988): An integrative theory of work
motivation. Manuscrito no publicado. Recogido por KANFER, 1990.
KICKERT, Walter J. M. (1993): Autopoiesis and the science of (public)
administration: essence, sense and nonsense. Organization Studies, 14, 2,
261-278.
KIEL, L. Douglas y ELLIOTT, Euel (Eds.) (1997): Chaos theory in the social
sciences. Foundations and applications. Ann Arbor: The University of Michigan
Press.
KLEINMUNTZ, D. (1985): Cognitive heuristics and feedback in a dynamic
decision environment. Management Science, 31, 6, 680-702.
KOPUT, Kenneth W. (1997): A chaotic model of innovative search: some answers,
many questions. Organization Science, 8, 5, 528-542.
KOSKO, Bart (1993): Pensamiento borroso. La nueva ciencia de la lógica
borrosa. Barcelona: Crítica, 1995.
LATHAM, G. P. y LOCKE, E. A. (1991): Regulation through goal setting.

Organizational Behavior and Human Decision Processes, 50, 212-247.
LAVOIE, Marc (1983): Loi de Minsky et loi d’entropie. Economie Apliquee, 36, 2-
3, 287-331.
LAWRENCE, Paul R. y LORSCH, Jay W. (1969): Organizaciones y ambiente.
Barcelona: Labor, 1975.
LAWRENCE, Paul R. y LORSCH, Jay W. (1973): Desarrollo de organizaciones:
diagnóstico y acción. Wilmington, Delaware: Addison-Wesley Interamericana,
1991.
LEIBESTEIN, H. (1960): Economic theory and organizational analysis. New York:
Harper Row.
LEIFER, Richard (1989): Understanding organizational transformation using a
dissipative structure model. Human Relations, 42, 10, 899-916.
LEVY, David (1994): Chaos theory and strategy: theory, application, and
managerial implications. Strategic Management Journal, 15, 167-178.
LEWIN, Kurt (1947): Frontiers in group dynamics. En Kurt LEWIN (1951): Field
theory in social science. New York: Harper & Row (traducción en Paidós,
1978).
LEWIN, Kurt (1951): Field theory in social science. New York: Harper & Row
(traducción en Paidós, 1978).
LEWIN, Kurt (1952): Group decision and social change. En G. E. SWANSON, T.
N. NEWCOMB y E. L. HARTLEY (Eds.): Reading in social psychology. New
York: Holt.
252
LISSACK, Michael R. (1999): Complexity: the science, its vocabulary, and its
relation to organizations. Emergence, 1,1, 110-126.
LITTERER, J. A. (1965): The analysis of organizations. New York: Wiley.
LOCKE, E. A., CARTLEDGE, N. y KNERR, C. S. (1970): Studies of the
relationships between satisfaction, goal setting, and performance.
Organizational behavior and Human Performance, 5, 135-158.
LOCKE, Edwin A. (1968): Toward a theory of task motivation and incentives.
Organizational behavior and Human Performance, 3, 157-189.
LOCKE, Edwin A. y HENNE, Douglas (1986): Work motivation theories. En C. L.
COOPER y I. ROBERTSON (Eds.): International Review of Industrial and
Organizational Psychology. New York: John Wiley & Sons Ltd.
LOUÇA, Francisco (1997): Turbulence in economics. An evolutionary appraisal
of cycles and complexity in historical processes. Cheltenham, UK: Edward
Elgar Publishing.
LOYE, David y EISLER, Riane (1987): Chaos and trnasformation: implications of
nonequilibrium theory for social science and society. Behavioral Science, 32,
53-65.
MAEL, F. y ASHFORTH, B. E. (1992): Alumni and their alma mater: a partial test
of the reformulated model of organizational identification. Journal of
Organizational Behavior, 13, 2, 103-123.
MAINZER, Klaus (1996): Thinking in complexity. The complex dynamics of
matter, mind, and mankind. Berlin: Springer-Verlag, 2nd edition (1st ed. 1994).
MARCH, James G. y SIMON, Herbert A. (1958): Organizations. New York: Wiley
and Sons.
MARCH, James G. y SIMON, Herbert A. (1977): Teoría de la organización.
Barcelona: Ariel.
MASIP, Ricard, QUIJANO, Santiago D. de y NAVARRO, José (1997): Un modelo
integrado de la motivación en el trabajo: conceptualización y medida.
Comunicación presentada al VI Congreso Nacional de Psicología Social,
septiembre-octubre de 1997, San Sebastián.
MASLOW, Abraham H. (1943): A theory of human motivation. Psychological
Review, 50, 370-396.
MASLOW, Abraham H. (1954): Motivation and personality. New York: Harper &
Row.
MASTERPASQUA, F. y PERNA, P. A. (Eds.) (1997): The psychological
meaning of chaos: traslating theory into practice. Washington: American
Psychological Association.
MATEU, Melchor (1984): La nueva organización del trabajo. Alternativas
empresariales desde una óptica psicosociológica. Barcelona: Hispano
Europea.
MATHEWS, K. Michael, WHITE, Michael C. y LONG, Rebecca G. (1999): Why
study the complexity sciences in the social sciences? Human Relations, 52, 4,
439-462.
MATHIEU, J. E. y ZAJANC, D. M. (1990): A review and meta-analysis of the
antecedents, correlates, and consequences of organizational commitment.
Journal of Applied Psychology, 108, 171-194.
253
MAYFIELD, E. Scott y MIZRACH, Bruce (1992): On detrmining the dimension of

real-time stock-price data. Journal of Business & Economic Statistics, 10, 3,
367-374.
MAYNTZ, Renate (1963): Sociología de la organización. Madrid: Alianza, 1972.
MAYO, Elton (1933): The human problems of an industrial civilization. New York:
Macmillan.
MAYOR, Luís y TORTOSA, Francisco (1990): Problemática de la motivación y
aplicaciones. En L. MAYOR y F. TORTOSA (1990): Ámbitos de aplicación de
la psicología motivacional. Bilbao: Desclée de Brouwer.
MEDIO, Alfredo (1992): Chaotic dynamics: theory and applications to economic.
Cambridge: Cambridge University Press.
MERRY, Uri (1995): Coping with uncertainty. Insigths from the new sciences of
chaos, self-organization, and complexity. Westport, CT: Praeger.
MEYER, J. y ALLEN, N. (1991): A three-component conceptualization of
organizational commitment. Human Resource Management Review, 1, 61-89.
MILES, R. E., SNOW, C. C., MATHEWS, J. A., MILES, G. y COLEMAN, H. J.
(1997): Organizing in the knowledge age: anticipating the cellular form.
Academy of Management Executive, 11, november, 7-24.
MILLER, D. (1990): The Icarux paradox: how excellent companies bring about
their own downfall. London: Harper Collins.
MINTZBERG, Henry (1979): The structuring of organizations. A synthesis of the
research. Englewood Cliffs: Prentice Hall.
MOONEY, J. D. (1947): The principles of organizations. New York: Harper.
MORGAN, Gareth (1986): Imágenes de la organización. Madrid: RA-MA, 1990.
MORROW, P. (1983): Concept redundacy in organizational research: the case of
work commitment. Academy of Management Review, 8, 486-500.
MUNDUATE, Lourdes (1984): Motivación en el trabajo. Madrid: Ministerio de
Trabajo y Seguridad Social.
MUNDUATE, Lourdes (1994): Motivación y compromiso en el trabajo. En J. Mª .
PEIRÓ y J. RAMOS (Dirs.): Intervención psicosocial en las organizaciones.
Barcelona: PPU.
MUNDUATE, Lourdes (1997): Psicología social de la organización. Las
personas organizando. Madrid: Pirámide.
MUNNÉ, Frederic (1995b): Las teorías psicosociales y el análisis e intervención
en las organizaciones. Comportamiento Organizacional e Gestão, 1, 1, 37-48.
NADLER, David A. (1998): Champions of change. San Francisco, CA: Jossey-

Bass.
NAVARRO, José y MUNNÉ, Frederic (2000): Teorías del caos: ámbitos de
aplicación en psicología social. Comunicación presentada al VII Congreso
Nacional de Psicología Social, Oviedo, 26-29 de septiembre.
NEFTICI, S. (1984): Are economic time series asymmetric over the business
cycle? Journal of Political Economy, 92, 307-328.
NIETO DE ALBA, Ubaldo (1998): Historia del tiempo en economía. Predicción,
caos y complejidad. Madrid: McGraw-Hill.
NISBET, Robert A. (1972): Social change. New York: Harper & Row.
254
NONAKA, Ikujiro (1988a): Creating organizational order out chaos: self-renewal in

japanese firms. California Management Review, spring, 57-73.
NONAKA, Ikujiro (1988b): Toward middle-up-down management: accelerating
information creation. Sloan Management Review, spring, 9-18.
NONAKA, Ikujiro (1990): Redundant, overlapping organization: a japanese
approach to managing innovation. California Management Review, 32, 3, 27-
38.
NONAKA, Ikujiro (1994): Dynamic theory of organizational knowledge creation.
Organization Science, 5, 1, 14-37.
NONAKA, Ikujiro y TAKEUCHI, Hirotaka (1996): The knowledge-creating
company. How japanese companies create the dynamics of innovation. New
York: Oxford University Press.
O’REILLY, C. y CHATMAN, J. (1986): Organizational commitment and

psychological attachment. The effects of compliance, identification, and
internalization on prosocial behavior. Journal of Applied Psychology, 71, 492-
499.
ORLÉAN, André (1991): Los desórdenes bursátiles. Mundo Científico, 117, 11,
980-984.
PARKER, David y STACEY, Ralph (1995): Chaos, management and economics.

The implications of non-linear thinking. London: Institute of Economic Affairs.
PASCALE, Richard T. (1990): Managing of the edge: how successful companies
use conflict to stay ahead. London: Viking Penguin.
PASCALE, Richard T. (2000): Equilibrios al borde del caos. Harvard Deusto
Business Review. Parte I en nº 94, 56-63, y Parte II en nº 95, 86-93.
PEIRÓ, José Mª . (1983): Psicología de la organización. 2 vols. Madrid: UNED.
PEIRÓ, José Mª . (1990): Organizaciones: nuevas perspectivas
psicosociológicas. Barcelona: PPU.
PERNA, Phyllis A. y MASTERPASQUA, Frank (1997): Future directions. En F.
MASTERPASQUA y P. A. PERNA (Eds.): The psychological meaning of
chaos. Traslating theory into practice. Washington, DC: American
Psychological Association.
PERROW, Charles (1967): A framework for the comparative analysis of
organizations. American Sociological Review, 32, 2, 194-208.
PERROW, Charles (1970): Análisis de la organización. Aspecto sociológico.
México: CECSA, 1972.
PETERS, Edgar (1994): Fractal market analysis. Applying chaos theory to
investment and economics. New York: John Wiley Sons.
PETERS, Thomas J. y WATERMAN, Robert H. (1982): En busca de la
excelencia. Barcelona: Ediciones Folio, 1994.
PFEFFER, Jeffrey y SALANICK, Gerald R. (1978): The external control of
organizations: a resource dependence perspective. New York: Harper and
Row.
PFIFFNER y SHERWOOD (1961): Organización administrativa. México: Herrero
hnos.
255
PORTER, L., STEERS, R., MOWDAY, R. y BOULIAN, P. (1974): Organizational

commitment, job satisfaction, and turnover among psychiatric technicians.
Journal of Applied Psychology, 59, 603-609.
PORTER, Lyman W. y LAWLER, Edward E. (1968): Managerial attitudes and
performance. Homewood, IL: Dorsey Press.
PORTER, Lyman W., LAWLER, Edward E. y HACKMAN, J. Richard (1975):
Behavior in organizations. Englewood Cliffs, N. J.: Prentice-Hall.
PRESTHUS, Robert V. (1958): The organizational society. New York: Knopf.
PUDDIFOOT, John E. (2000): Some problems and possibilities in the study of
dynamical social processes. Journal for the Theory of Social Behaviour, 30, 1,
79-95.
QUIJANO, Santiago D. de (1987): Introducción a la psicología de las

organizaciones. Barcelona: PPU.
QUIJANO, Santiago D. de (1992): Sistemas efectivos de evaluación del
rendimiento: resultados y desempeños. Barcelona: PPU.
QUIJANO, Santiago D. de (1993): La psicología social de las organizaciones:
fundamentos. Barcelona: PPU.
QUIJANO, Santiago D. y NAVARRO, José (1998): Un modelo integrado de la
motivación en el trabajo: conceptualización y medida. Revista de Psicología
del Trabajo y de las Organizaciones, 14, 2, 193-216.
QUIJANO, Santiago D. y NAVARRO, José (1999): El ASH (Auditoría del Sistema
Humano), los modelos de calidad y la evaluación organizativa. Revista de
Psicología General y Aplicada, 52, 2-3, 301-328.
QUIJANO, Santiago D. y NAVARRO, José (2000): La autoeficacia y la motivación
en el trabajo. Apuntes de Psicología, 18, 1, 159-177.
QUIJANO, Santiago D., NAVARRO, José y CORNEJO, José M. (2000): Un
modelo integrado de compromiso e identificación con la organización: análisis
del cuestionario ASH-ICI. Revista de Psicología Social Aplicada, 10, 2, 27-61.
QUINN, James B. (1986): La gestión de la innovación: un caos controlado.
Harvard-Deusto Business Review, primer trimestre, 43-56.
QUINTANILLA, Ismael (1988): La participación en las organizaciones.
Fundamentos teóricos y conceptuales. Valencia: Promolibro.
RANDALL, D. M., FEDOR, D. B. y LONGENECKER, C. O. (1990): The behavioral

expression of organizational commitment. Journal of Vocational Behavior, 36,
210-224.
REEVE, John M. (1992): Motivación y emoción. Madrid: McGraw-Hill, 1994.
REICHERS, A. E. (1985): A review and reconceptualization of organizational
commitment. Academy of Mangement Review, 10, 465-476.
RICHARDS, Diana (1990): Is strategic decision making chaotic? Behavioral
Science, 35, 219-232.
RICHARDSON, George P. y ROHRBAUGH, John (1990): Decision making in
dynamic environments: exploring judgments in a system dynamics model-based
game. En Katrin BORCHERDING, Oleg I. LARICHEV (Eds.): Contemporany
issues in decision making. Amsterdam: North-Holland.
256
ROBBINS, Stephen P. (1996): Comportamiento organizacional. Teoría y

práctica. México: Prentice-Hall Hispanoamericana, 7ª ed., 1996.
ROBERTSON, Robin y COMBS, Allan (Eds.) (1995): Chaos theory in psychology
and the life sciences. Mahwah, NJ: Lawrence Erlbaum Ass.
ROETHLISBERGER, F. J. y DICKSON, W. J. (1939): Management and the
worker. Cambridge, MA: Harvard University Press.
ROSSER, J. Barkley Jr. (1991): From catastrophe to chaos: a general theory of
economic discontinuities. Boston: Kluwer Academic Publishers.
SALANOVA, Marisa, HONTANGAS, Pedro M. y PEIRÓ, José Mª . (1996):

Motivación laboral. En J. Mª . PEIRÓ y F. PRIETO (Dirs.): Tratado de
psicología del trabajo. Volumen I: actividad laboral en su contexto. Madrid:
Síntesis.
SCOTT, W. G. (1961): Organization theory: an overview and appraisal. Journal
Academy Management, 7-26.
SCOTT, W. R. (1964): Theory of organizations. En R. E. L. FARIS (Ed.):
Handbook of modern sociology. Chicago: Rand McNally.
SCHEIN, Edgar H. (1970): Organizational psychology. Englewood Cliffs.: N. J.:
Prentice-Hall.
SCHEIN, Edgar H. (1980): Psicología de la organización. México: Prentice-Hall,
1982 (3ª edición en inglés).
SCHEIN, Edgar H. (1987): Consultoría de procesos. Recomendaciones para
gerentes y consultores. Wilmington: Addison-Wesley Iberoamericana, 1988.
SCHEIN, Edgar H. (1988): Consultoría de procesos. Su papel en el desarrollo
organizacional. Wilmington: Addison-Wesley Iberoamericana, 1990 (2ª
edición).
SCHEPER, Willem J. y SCHEPER, Gert C. (1996): Autopsies on autopoiesis.
Behavioral Science, 41, 1, 3-12.
SCHUMPETER, J. A. (1934): The theory of economic development. Cambridge,
MA: Harvard University Press.
SEIJTS, Gerard H. (1998): The importance of future time perspective in theories of
work motivation. Journal of Psychology, 132, 2, 154-168.
SÉRIEYX, Hervé (1993): El big bang de las organizaciones. Barcelona:
Ediciones B, 1994.
SERLETIS, Apostolos (1996): Is there chaos in economic time series? Canadian
Journal of Economics, avril, s210-s212
SERLETIS, Apostolos y DORMAAR, Paul (1994): Chaos in East European
black-market exchanges rates. Mimeo: University of Calgary.
SIMON, Hebert A. (1952): Comments on the theory of organization. American
Political Sicence Review, december.
SIMON, Hebert A., SMITHBURG, D. W. y THOMPSON, V. A. (1950): Public
administration. New York: Macmillan.
SIMON, Herbert A. (1945): Administrative behavior. New York: Macmillan.
SIMON, Herbert A. (1960): The new science of management decisions. New
York: Harper & Row.
SIMON, Herbert A. (1973): Las ciencias de lo artificial. Barcelona: ATE.
257
SMITH, Charles y COMER, Debra (1994): Self-organization in small groups: a

study of group effectiveness within non-equilibrium conditions. Human
Relations, 47, 5, 553-581.
SMITH, Charles y GEMMILL, Gary (1991): Change in the small group: a
dissipative structure perspective. Human Relations, 44, 7, 697-716.
SMITH, R. David (1995): The inapplicability principle: what chaos means for social
science. Behavioral Science, 40, 22-40.
SOROKIN, Pitirim A. (1941): Social and cultural dynamics. Volume IV. New York:
American Book Company.
STACEY, Ralph D. (1991): The chaos frontier: creative strategic control for
business. Oxford: Butterworth-Heinemann.
STACEY, Ralph D. (1992): Gestión del caos. Estrategias empresariales
dinámicas para un mundo impredecible. Barcelona: Ediciones S.
STACEY, Ralph D. (1993): Strategy as order emerging from chaos. Long Range
Planning, 26, 1, 10-17.
STACEY, Ralph D. (1995): The science of complexity: An alternative perspective
for strategic change processes. Strategic Management Journal, 16, 6, 477-
495.
STACEY, Ralph D. (1996a): Complexity and creativity in organizations. San
Francisco, CA: Berrett-Koehler Publishers.
STACEY, Ralph D. (1996b): Strategic management and organisational
dynamics. London: Pitman, 2nd ed.
STROTHER, G. B. (1963): Problems in the development of a social science of
organization. En H. J. LEAVITT (Ed.): The social science of organization.
Englewood Cliffs, N. J.: Prentice-Hall.
SWIERINGA, Joop y WIERDSMA, André (1992): La organización que aprende.
Wilmington, Delaware: Addison-Wesley Iberoamericana, 1995.
TAYLOR, Frederik W. (1911): Principles of Scientific Management. New York:

Harper & Brothers.
TETENBAUM, Toby J. (1998): Shifting paradigms: from Newton to chaos.
Organizational Dynamics, spring, 21-32.
THIÉTART, Raymond-Alain y FORGUES, Bernard (1993): La dialectique de
l’ordre et du chaos dans les organisations. Revue Française de Gestion, mars-
avril-may, 5-15.
THIÉTART, Raymond-Alain y FORGUES, Bernard (1995): Chaos theory and
organization. Organization Science, 6, 1, 19-31.
THOMPSON, James D. (1967): Organizations in action. New York: McGraw-Hill.
THOMPSON, V. A. (1965): Bureaucracy and innovation. Administrative Science
Quarterly, 10, 1-20.
TICHY, Noel W. (1983): Managing strategic change: technical, political and
cultural dynamics. New York: John Willey & Sons.
TJOSVOLD, D. (1991): El conflicto positivo en la organización. Cómo estimular
la diversidad y crear unidad. Willmington, Delaware: Addison-Wesley
Iberoamericana.
TOURAINE, A. (1973): Production de la société. Paris: Seuil.
258
TRIPPI, Robert R. (Ed.) (1995): Chaos & Nonlinear dynamics in the financial
markets. Theory, evidence and applications. Chicago: Irwin.
TRIST, Eric L. (1950): The relations of social and technical systems in coal-
minig. Trabajo presentado en la British Psychological Society.
TRIST, Eric L. (1981): The evolution of socio-technical systems: a conceptual
framework and action research program. Ontario: Ontario Quality of Working
Life Center.
TRIST, Eric L. y BAMFORD, K. W. (1951): Some social and psychological
consequences of the long-wall method of coalgetting. Human Relations, 4, 3-
38.
TURNER, J. H. (1978): The structure of sociological theory. Homewood, Ill.:
Dorsey.
VALLACHER, Robin R. y NOWAK, Andrzej (Eds.) (1994): Dynamical systems in

social psychology. San Diego, CA: Academic Press.
VAN DE VLIERT, E. y DE DREU, C. K. (1994): Optimizing performance by conflict
stimulation. The International Journal of Conflict Management, 5, 3, 211-222.
VENNIX, Jac A: M. (1995): Bulding consensus in strategic decision making:
system dynamics as a group support system. Group Decision and Negotiation,
4, 4, 335-355.
VROOM, Victor H. (1964): Work and motivation. New York: Wiley.
WATZLAWICK, Paul, WEAKLAND, John H. y FISCH, Richard (1974): Cambio.

Formación y solución de los problemas humanos. Barcelona: Herder, 1992,
7ª ed.
WEBER, Max (1947): The theory of social and economic organization. Glencoe,
Ill.: Free Press.
WEICK, Karl E. (1969): The social psychology of organizing. Reading, Mass.:
Addison-Wesley Publishing Co. Inc.
WEICK, Karl E. (1977): Organization design: organizations as self-designing
systems. Organizational Dynamics, 6, 31-46.
WEICK, Karl E. (1979): Cognitive processes in organization. En B. M. STAW
(Ed.): Research in organizational behavior. Greenwich, Con.: Jai Press.
WEINER, B. (1974): An attributional interpretation of expectancy-value theory. En
B. WEINER (Ed.): Cognitive views of human motivation. New York: Academic
Press.
WEINER, B. (1985): An attributional theory of achievement, motivation, and
emotion. Psychological Review, 92, 548-573.
WEINER, B. (1986): An attributional theory of motivation and emotion. New York:
Springer-Verlag.
WEISBORD, Marvin R. (1989): Productive workplaces. Organizing and managing
for dignity, meaning and community. San Francisco: Jossey-Bass.
WEISBORD, Marvin R. (1992): Discovering common ground. How futures search
conferences bring people together to achive breakthrough innovation,
empowerment, shared vision, and collaborative action. San Francisco:
Berrett-Koehler Publishers.
WEISS, R. S. (1956): Process of organization. University of Michigan.
259
WEXLEY, K. N. y YUKL, G. A. (1977): Organizational behavior and personnel

psychology. Irwin.
WILLEY, Thomas (1991): Testing for nonlinear dependence in daily stock indices.
Journal of Economics and Business, 44, 1, 63-76.
WILLIANSON, O. E. (1975): Markets and hierarchies: analysis and antitrust
implications. New York: The Free Press.
ZIMMERMAN, Brenda (1991): The inherent drive towards chaos. Paper presented
at the Strategic Processes: state of the Art Conference, Oslo, Norway, june 19-
22.
ZIMMERMAN, Brenda (1993): Chaos & Nonequilibrium: the flip side of strategic
processes. Organization Development Journal, 11, 1, 31- 38.
ZIMMERMAN, Brenda y KURST, David K. (1992): Breaking the boundaries: the
fractal organization. Paper submitted for SMJ special issue on Corporate
Restructuring.
ZUIJDERHOUDT, Robert W. L. (1990): Chaos and the dynamics of self-
organization. Human Systems Management, 9, 4, 225-238.
260
Anexos
ANEXOS
ANEXOS ...................................................................................................................262
ANEXO I: CUESTIONARIO ASH-MOT (VERSIÓN 2).................................................263
ANEXO II: CUESTIONARIO ASH-ICI (VERSIÓN ADAPTADA PARA ESTE TRABAJO)..270
ANEXO III: CARACTERÍSTICAS MÁS RELEVANTES DE LA MUESTRA .......................271
ANEXO IV: ESTADÍSTICOS DESCRIPTIVOS DE LAS DIFERENTES NECESIDADES
EVALUADAS. ............................................................................................................272
ANEXO V.- CORRELACIONES ENTRE LAS DOS ESCALAS DE MEDICIÓN DE
NECESIDADES (E SCALAS A Y B). ..........................................................................280
ANEXO VI.- FIABILIDAD DE LA ESCALA DE INSTRUMENTALIDAD.............................282
ANEXO VII.- ESTADÍSTICOS DESCRIPTIVOS DE LOS DIFERENTES TIPOS DE
INSTRUMENTALIDAD.................................................................................................287
ANEXO VIII.- FIABILIDAD DE LA ESCALA DE AUTOEFICACIA ...................................294
ANEXO IX.- ESTADÍSTICOS DESCRIPTIVOS DEL ÍNDICE DE AUTOEFICACIA ............297
ANEXO X.- FIABILIDAD DE LA ESCALA DE COMPROMISO......................................298
ANEXO XI.- ESTADÍSTICOS DESCRIPTIVOS DEL ÍNDICE DE COMPROMISO. ..........301
ANEXO XII.- DIFERENCIACIÓN ENTRE LAS NECESIDADES: TIPOS MOTIVACIONALES.
.................................................................................................................................302
ANEXO XIII.- ESTABLECIMIENTO DE PARCHES BORROSOS...................................306
ANEXO XIV.- PROGRAMA SPSS DE GENERACIÓN DE LA MEDIDA NIR................308
ANEXO XV.- MODELO COMBINADO DE MOTIVACIÓN TRABAJADO EN UNA HOJA DE
CÁLCULO..................................................................................................................309
ANEXO XVI.- SIMULACIONES CON EL MODELO COMPLEJO DE MOTIVACIÓN EN EL
TRABAJO..................................................................................................................311
262
Anexos
Anexo I: Cuestionario ASH-MOT (versión 2).
Cuestionario de Nivel de Motivación Profesional (ASH-MOT)
En cada una de las siguientes preguntas se describen brevemente dos tipos

diferentes de trabajo. Por favor, indique, marcando con una X o rodeando con
un círculo, cuál de los dos preferiría, si tuviera que elegir entre ellos, utilizando la
siguiente escala:
Puesto A Puesto B
1--------------------2----------------------3--------------------4---------------------5

Por ejemplo, si prefiere muy claramente un puesto que le ofrezca estabilidad y

seguridad cara a su futuro frente a un puesto en el que su superior le felicite cuan-
do lo merezca, marcaría:
Un puesto que le ofrezca Un puesto en que su

seguridad y estabilidad cara superior le felicite
al futuro cuando lo merezca
1--------------------2----------------------3--------------------4---------------------5
Comience ahora a contestar según la escala:
Puesto A Puesto B
1--------------------2----------------------3--------------------4---------------------5

1. Un puesto que le ofrezca es- Un puesto en que su superior le

tabilidad y seguridad cara al respete
futuro
1--------------------2----------------------3--------------------4---------------------5
263
2. Un puesto en que le paguen el Un puesto con unas buenas

sueldo convenido condiciones físicas de trabajo
1--------------------2----------------------3--------------------4---------------------5
3. Un puesto en que le paguen el Un puesto en el que su superior

sueldo convenido le felicite cuando lo merezca
1--------------------2----------------------3--------------------4---------------------5
4. Un puesto en el que sus Un puesto en que su superior le

compañeros le respeten apoye
1--------------------2----------------------3--------------------4---------------------5
5. Un puesto en que le paguen el Un puesto en el que pueda poner

sueldo convenido en juego todo lo que usted es
capaz de hacer
1--------------------2----------------------3--------------------4---------------------5
6. Un puesto que le ofrezca es- Un puesto en el que su superior

tabilidad y seguridad cara al le felicite cuando lo merezca
futuro
1--------------------2----------------------3--------------------4---------------------5
7. Un puesto con unas buenas Un puesto en el que sus

condiciones físicas de trabajo compañeros le respeten
1--------------------2----------------------3--------------------4---------------------5
8. Un puesto con unas buenas Un puesto que le ofrezca

condiciones físicas de trabajo estabilidad y seguridad cara al
futuro
1--------------------2----------------------3--------------------4---------------------5
9. Un puesto en que le paguen el Un puesto en el que sus

sueldo convenido compañeros le respeten
1--------------------2----------------------3--------------------4---------------------5
264
Anexos
10. Un puesto en el que sus Un puesto en el que pueda poner

compañeros le respeten en juego todo lo que usted es
capaz de hacer
1--------------------2----------------------3--------------------4---------------------5
11. Un puesto en que le paguen Un puesto que le ofrezca

el sueldo convenido estabilidad y seguridad cara al
futuro
1--------------------2----------------------3--------------------4---------------------5
12. Un puesto con unas buenas Un puesto en el que pueda poner

condiciones físicas de trabajo en juego todo lo que usted es
capaz de hacer
1--------------------2----------------------3--------------------4---------------------5
13. Un puesto con unas buenas Un puesto en el que su superior

condiciones físicas de trabajo le felicite cuando lo merezca
1--------------------2----------------------3--------------------4---------------------5
14. Un puesto que le ofrezca Un puesto en el que pueda poner

estabilidad y seguridad cara al en juego todo lo que usted es
futuro capaz de hacer
1--------------------2----------------------3--------------------4---------------------5
15. Un puesto en que su supe- Un puesto en el que su superior

rior le apoye le felicite cuando lo merezca
1--------------------2----------------------3--------------------4---------------------5
16. Un puesto en que le paguen Un puesto en que su superior le

el sueldo convenido apoye
1--------------------2----------------------3--------------------4---------------------5
17. Un puesto con unas buenas Un puesto en que su superior le

condiciones físicas de trabajo apoye
1--------------------2----------------------3--------------------4---------------------5
265
18. Un puesto en que su supe- Un puesto en el que pueda poner

rior le apoye en juego todo lo que usted es
capaz de hacer
1--------------------2----------------------3--------------------4---------------------5
19. Un puesto en el que sus Un puesto que le ofrezca

compañeros le respeten estabilidad y seguridad cara al
futuro
1--------------------2----------------------3--------------------4---------------------5
20. Un puesto en el que sus Un puesto en el que su superior

compañeros le respeten le felicite cuando lo merezca
1--------------------2----------------------3--------------------4---------------------5
21. Un puesto en el que su su- Un puesto en el que pueda poner

perior le felicite cuando lo me- en juego todo lo que usted es
rezca capaz de hacer
1--------------------2----------------------3--------------------4---------------------5
266
Anexos
¿Hasta qué punto es importante para usted en su trabajo cada uno de los
siguientes aspectos? Marque con una X o rodeando con un círculo según la esca-
la:
1. Nada importante
...
5. Muy importante
Nada Ni poco Muy

importante ni importan-
mucho te
22. Que sus superiores le apoyen 1 2 3 4 5

23. Que su jefe le felicite cuando lo me-
rezca 1 2 3 4 5
24. Que su puesto de trabajo tenga unas

buenas condiciones físicas 1 2 3 4 5
25. Que su trabajo le ofrezca estabilidad

y seguridad cara al futuro 1 2 3 4 5
26. Que le paguen el sueldo convenido 1 2 3 4 5
27. Que pueda poner en juego en su

trabajo todo lo que usted es capaz de 1 2 3 4 5
hacer
28. Que sus compañeros le respeten 1 2 3 4 5
267
¿Cuál es la probabilidad de que le ocurra cada una de estas cosas a usted

si realiza bien su trabajo? Marque con una X o rodeando con un círculo, utili-
zando la siguiente escala:
1. Muy improbable
2. Improbable
3. Tal vez ocurra, puede ocurrir
4. Probable
5. Muy probable
Si usted realiza bien su trabajo en su empresa:

Muy Improbable Tal vez Probable Muy
Improbable ocurra, Probable
puede
ocurrir
29. Tendrá unas buenas condiciones físicas 1 2 3 4 5

de trabajo
30. Recibirá elogios por parte de su jefe 1 2 3 4 5

31. Podrá poner en juego todo lo que usted es
capaz de hacer 1 2 3 4 5
32. Recibirá su retribución económica 1 2 3 4 5

33. Será más respetado con los compañeros
con los que trabaja 1 2 3 4 5
34. Sus superiores le apoyarán 1 2 3 4 5
35. Será felicitado por su jefe 1 2 3 4 5

36. Conseguirá unas buenas condiciones
físicas en el trabajo 1 2 3 4 5
37. Tendrá unas buenas relaciones con los
compañeros de trabajo 1 2 3 4 5
38. Le pagarán el sueldo convenido 1 2 3 4 5

39. La empresa confiará más en usted y, por
tanto, obtendrá mayor seguridad para el 1 2 3 4 5
futuro en su puesto de trabajo
40. Sus superiores le respetarán 1 2 3 4 5

41. Podrá poner en juego todos sus conoci-
mientos y habilidades 1 2 3 4 5
42. Obtendrá mayor seguridad y estabilidad
en su puesto de trabajo 1 2 3 4 5
268
Anexos
Marque con una X o rodeando con un círculo, el número que indica su grado de
acuerdo o desacuerdo con cada una de las afirmaciones siguientes, utilizan-
do la escala que se indica a continuación:
1. Totalmente en desacuerdo
2. En desacuerdo
4. De acuerdo
5. Totalmente de acuerdo
Totalmente En Ni de De Totalmente
en desacuer- acuerdo, ni acuerdo de acuerdo
desacuerdo do en
desacuer-
do
43. Puedo resolver problemas difíciles de mi 1 2 3 4 5

trabajo si me esfuerzo lo suficiente
44. Cuando me encuentro en dificultades,

puedo realizar mi trabajo tranquilo/a por-
que cuento con las habilidades necesa- 1 2 3 4 5
rias para manejarme en situaciones difíci-
les
45. Venga lo que venga, por lo general soy

capaz de manejarlo 1 2 3 4 5
46. Al tener que hacer frente a un problema
de mi trabajo, generalmente se me ocu- 1 2 3 4 5
rren varias alternativas sobre cómo resol-
verlo
269
Anexo II: Cuestionario ASH-ICI (versión adaptada para este trabajo).
Cuestionario de Compromiso con la Organización (ASH-ICI)
Indique su grado de acuerdo o desacuerdo con cada una de las siguientes

afirmaciones:
Totalmente En Ni de De Totalmente
en desacuer- acuerdo, ni acuerdo de acuerdo
desacuerdo do en
desacuer-
do
47. Me siento orgulloso de trabajar para 1 2 3 4 5

esta empresa
48. Cuando alguien alaba esta empresa

lo siento como un cumplido personal 1 2 3 4 5
49. Siento que existe una gran similitud

entre mis valores personales y los va- 1 2 3 4 5
lores de mi empresa
50. El éxito de esta empresa es mi éxito 1 2 3 4 5
270
Anexos
Anexo III: Características más relevantes de la Muestra.
Tiempo que lleva en la Em- Puesto que desempeña

presa
Menos de 1 año 21 Directivo 5
Entre 1 y 3 años 28 Mandos Intermedios 34
Entre 3 y 5 años 30 Técnicos y asesores 25
Entre 5 y 10 años 60 Personal de base 128
Más de 10 años 58 valores perdidos 79
valores perdidos 74 total 271
total 271
Nivel de estudios
Área de la Organización Sabe leer y escribir 5
Producción 79 Estudios primarios 49
Administración 43 FP 43
Comercial 37 BUP 41
Serv. de Asistencia 8 Titulación media 16
I+D 7 Titulación superior 16
Calidad 37 Universitarios sin obtención de títu- 10
lo
Logística 19 valores perdidos 91
Otros 44 total 271
total 271
Tipo de contrato
Fijo 198
Otros 33
valores perdidos 40
total 271
La muestra total es de 271 personas pertenecientes a once PyMES de los

sectores metalúrgico (cuatro de ellas), químico (tres), comercio al por menor
(una), funcionaros públicos (dos) y cooperativas agrarias (una). La mayor de las
empresas contaba con 400 empleados y la menor con 15.
El elevado número de valores perdidos en algunas de las variables de

segmentación tiene su explicación en que no fue una información pedida en dife-
rentes empresas dado el pequeño tamaño de las mismas. De este modo ofre-
cíamos más confianza a las personas con vistas a garantizar su anonimato.
271
Anexo IV: Estadísticos Descriptivos de las diferentes Necesidades eva-

luadas.
Statistics
RETRIBUCIÓN ECONÓMICA
N Valid 271
Missing 0
Mean 7.3106
Median 7.5000
Mode 8.00
Std. Deviation 1.3333
Variance 1.7778
Skewness -1.015
Std. Error of Skewness .148
Kurtosis 1.625
Std. Error of Kurtosis .295
Minimum 2.67
Maximum 10.00
60
50
40
30
20
Frequency
10 Std. Dev = 1.33

Mean = 7.31
0 N = 271.00
2.50 3.50 4.50 5.50 6.50 7.50 8.50 9.50
3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00
272
Anexos
Statistics
CONDICIONES FISICAS TRABAJO

N Valid 271
Missing 0
Mean 7.0437
Median 7.3333
Mode 8.00
Variance 2.9616
Skewness -.667
Kurtosis .015
Minimum 2.00
Maximum 10.00

50
40
30
20
Frequency
10 Std. Dev = 1.72

Mean = 7.04
0 N = 271.00
2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00
2.50 3.50 4.50 5.50 6.50 7.50 8.50 9.50
273
Statistics
SEGURIDAD Y ESTAB. EMPLEO
N Valid 271
Missing 0
Mean 7.8143
Median 8.3333
Mode 9.00
Variance 2.4129
Skewness -1.310
Kurtosis 1.564
Minimum 2.00
Maximum 10.00

60
50
40
30
20
Frequency
10 Std. Dev = 1.55

Mean = 7.81
0 N = 271.00
2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00
2.50 3.50 4.50 5.50 6.50 7.50 8.50 9.50
274
Anexos
Statistics
RELACIONES COMPAÑEROS
N Valid 271
Missing 0
Mean 7.1525
Median 7.3333
Mode 8.00
Variance 1.5507
Skewness -.836
Kurtosis .737
Minimum 3.00
Maximum 9.67
60
50
40
30
20
Frequency
10 Std. Dev = 1.25

Mean = 7.15
0 N = 271.00
3.00 4.00 5.00 6.00 7.00 8.00 9.00
3.50 4.50 5.50 6.50 7.50 8.50 9.50
275
Statistics
APOYO Y RESPETO SUPERIOR

N Valid 271
Missing 0
Mean 6.9139
Median 7.1667
Mode 7.67a
Variance 2.1053
Skewness -.821
Kurtosis .477
Minimum 2.33
Maximum 10.00
a. Multiple modes exist. The smallest value is shown

50
40
30
20
Frequency
10 Std. Dev = 1.45

Mean = 6.91
0 N = 271.00
2.50 3.50 4.50 5.50 6.50 7.50 8.50 9.50
3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00
276
Anexos
Statistics
RECONOCIMIENTO SUPERIOR
N Valid 271
Missing 0
Mean 5.5381
Median 5.5000
Mode 5.50
Variance 2.7817
Skewness .134
Kurtosis -.300
Minimum 2.00
Maximum 10.00
50
40
30
20
Frequency
10 Std. Dev = 1.67

Mean = 5.54
0 N = 271.00
2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00
2.50 3.50 4.50 5.50 6.50 7.50 8.50 9.50
277
Statistics
DESARROLLO PERSONAL
N Valid 271
Missing 0
Mean 7.6476
Median 8.0000
Mode 8.67
Variance 2.3557
Skewness -.858
Kurtosis .403
Minimum 3.00
Maximum 10.00
DESARROLLO PERSONAL
60
50
40
30
20
Frequency
10 Std. Dev = 1.53

Mean = 7.65
0 N = 271.00
3.00 4.00 5.00 6.00 7.00 8.00 9.00 10.00
3.50 4.50 5.50 6.50 7.50 8.50 9.50
DESARROLLO PERSONAL
278
Anexos
Prueba de Normalidad de Kolmogorov-Smirnov: medición de Necesida-

des.
RETRIBU- CONDICIO- SEGURIDAD RELACIONES APOYO Y RECONOCI- DESARRO-

CIÓN ECO- NES FISICAS Y ESTAB. COMPAÑE- RESPETO MIENTO LLO PERSO-
NÓMICA TRABAJO EMPLEO ROS SUPERIOR SUPERIOR NAL
N 271 271 271 271 271 271 271
Normal Mean 7.3106 7.0437 7.8143 7.1525 6.9139 5.5381 7.6476
Parameters
Std. Devia- 1.3333 1.7209 1.5534 1.2453 1.4510 1.6678 1.5348
tion
Most Ex- Absolute .098 .099 .171 .099 .101 .051 .126
treme Dif-
ferences
Positive .066 .051 .102 .064 .080 .051 .066
Negative -.098 -.099 -.171 -.099 -.101 -.038 -.126
Kolmo- 1.612 1.628 2.818 1.627 1.660 .847 2.072
gorov-
Smirnov Z
Asymp. Sig. .011 .010 .000 .010 .008 .470 .000
(2-tailed)
279
Anexo V.- Correlaciones entre las dos Escalas de Medición de Necesida-

des (Escalas A y B).
nec1b nec2b nec3b nec4b nec5b nec6b nec7b

nec1a .149** -.146** .010 -.153** -.204** -.176** -.166**
.002 .002 .846 .002 .000 .000 .001
nec2a .066 .461** .081 .083 -.066 -.079 -.029
.175 .000 .096 .086 .168 .091 .547
nec3a .133** .057 .442** -.033 -.065 -.097* -.093
.007 .230 .000 .503 .176 .038 .055
nec4a -.081 -.040 -.112* .245** -.052 -.031 -.113*
.101 .405 .023 .000 .283 .515 .021
nec5a -.142** -.137** -.131** -.007 .284** .024 -.014
.004 .004 .008 .890 .000 .614 .769
nec6a -.100* -.159** -.171** -.055 .052 .331** -.017
.040 .001 .000 .258 .279 .000 .727
nec7a -.053 -.057 -.154** -.001 .142** .060 .445**
.280 .235 .002 .977 .003 .198 .000
Cada casilla recoge el coeficiente tau_b de Kendall y su correspondiente significación.
Coeficiente de correlación promedio: 0.3367
Tamaño de la muestra: N=271.
Listado de necesidades estudiadas:
nec1 Retribución económica

nec2 Condiciones físicas del entorno de trabajo
nec3 Seguridad y estabilidad en el empleo
nec4 Relaciones con los compañeros de trabajo
nec5 Apoyo y respeto de los superiores
nec6 Reconocimiento del superior por el trabajo bien hecho
nec7 Desarrollo personal en el trabajo
Se ha empleado el coeficiente de correlación de Kendall, medida no paramétrica

de asociación para variables ordinales, ya que es menos sensible al incumpli-
miento del requisito de normalidad.
Hemos marcado en la tabla con diferentes colores para poner de relieve:
1. La correlación entre las dos formas de medir necesidades. Así las casillas
grises recogen la correlación entre las dos escalas.
2. Las correlaciones de signo negativo, en color naranja, entre diferentes ne-

cesidades evaluadas también de manera distinta (Escalas A y B).
3. Y las correlaciones de signo positivo, en color verde-agua, entre diferentes

necesidades evaluadas también de manera distinta (Escalas A y B).
280
Anexos
Como puede observarse, las necesidades medidas mediante la primera escala

(necA) y evaluadas mediante la segunda escala (necB) van correlacionando de tal
forma que los mayores valores se corresponden a la misma necesidad evaluada
de las dos formas diferentes (casillas correspondientes a la diagonal y marcadas
en gris). Esto ocurre en todos los casos salvo para la necesidad 1. Igualmente, en
general y tomando en cuenta incluso las casillas no marcadas en color, las nece-
sidades 1, 2 y 3 presentan unas correlaciones entre sí positivas y unas correla-
ciones negativas con respecto a las necesidades 4, 5, 6 y 7. De manera similar,
las necesidades 4, 5, 6 y 7 presentan, en general, unas correlaciones entre sí po-
sitivas y unas correlaciones negativas con respecto a las necesidades 1, 2 y 3.
Por todo lo anterior, debemos dar por buena la medida de las distintas necesida-
des como la suma de las dos escalas, tal y como ya han sido recogidas en el
anexo IV.
281
Anexo VI.- Fiabilidad de la Escala de Instrumentalidad.

Análisis factorial exploratorio.
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

.806
Bartlett's Test of Sphericity Approx. Chi-Square 1579.184

df 91
Sig. .000
Communalitiesa
Initial Extraction
TENDRÁ UNAS BUENAS
CONDICIONES FISICAS .271 .254
TRAB.
RECIBIRA ELOGIOS POR
.663 .801
PARTE DE SU JEFE
PODRA PONER EN
JUEGO TODO LO QUE .567 .569
VD ES CAPAZ DE HACER
RECIBIRA SU
RETRIBUCION .352 .156
ECONOMICA
SERA MAS RESPETADO
.313 .403
POR LOS COMPAÑEROS
SUS SUPERIORES LE
.575 .575
APOYARAN
SERA FELICITADO POR
.685 .777
SU JEFE
CONSEGUIRA UNAS
.267 .331
BUENAS COND. FISICAS
TENDRA UNAS BUENAS
RELACIONES CON LOS .352 .398
COMPAÑEROS DE T.
LE PAGARAN EL
.325 .163
SUELDO CONVENIDO
OBTENDRA SEGURIDAD
PARA EL FUTURO EN SU .568 .734
PUESTO
SUS SUPERIORES LE
.494 .487
RESPETARAN
PONER EN JUEGO
.637 .976
CONOC. Y HABILID.
OBTENDRA MAYOR
SEGUR. Y ESTAB. EN SU .582 .655
PUESTO
Extraction Method: Maximum Likelihood.
a. One or more communalitiy estimates greater than 1.0
were encountered during iterations. The resulting
solution should be interpreted with caution.
282
Anexos
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
% of Cumulative % of Cumulative % of Cumulative
Factor Total Variance % Total Variance % Total Variance %
1 4.998 35.701 35.701 3.657 26.120 26.120 2.217 15.839 15.839
2 1.844 13.173 48.875 1.456 10.399 36.519 1.780 12.717 28.556
3 1.336 9.544 58.419 1.317 9.404 45.923 1.762 12.589 41.145
4 1.011 7.220 65.638 .847 6.053 51.975 1.516 10.831 51.975
5 .888 6.344 71.982
6 .773 5.520 77.502
7 .682 4.874 82.376
8 .518 3.700 86.076
9 .485 3.461 89.538
10 .411 2.934 92.472
11 .349 2.492 94.964
12 .273 1.947 96.911
13 .262 1.872 98.783
14 .170 1.217 100.000
283
Rotated Factor Matrixa
Factor
1 2 3 4
RECIBIRA ELOGIOS POR
.871 .111 8.151E-02 .153
PARTE DE SU JEFE
SERA FELICITADO POR
.837 .190 4.202E-02 .197
SU JEFE
SUS SUPERIORES LE
.574 .393 .207 .221
APOYARAN
OBTENDRA SEGURIDAD
PARA EL FUTURO EN SU .210 .790 .179 .186
PUESTO
OBTENDRA MAYOR
SEGUR. Y ESTAB. EN SU .155 .694 .292 .252
PUESTO
SUS SUPERIORES LE
.392 .482 .236 .211
RESPETARAN
SERA MAS RESPETADO
7.457E-02 .118 .616 6.042E-02
POR LOS COMPAÑEROS
TENDRA UNAS BUENAS
RELACIONES CON LOS 1.633E-02 4.947E-02 .613 .138
COMPAÑEROS DE T.
CONSEGUIRA UNAS
-2.82E-02 2.551E-02 .543 .184
BUENAS COND. FISICAS
TENDRÁ UNAS BUENAS
CONDICIONES FISICAS .111 .174 .437 .143
TRAB.
LE PAGARAN EL
8.822E-02 .162 .350 -7.58E-02
SUELDO CONVENIDO
RECIBIRA SU
RETRIBUCION .118 .181 .330 3.205E-03
ECONOMICA
PONER EN JUEGO
.281 .297 .133 .890
CONOC. Y HABILID.
PODRA PONER EN
JUEGO TODO LO QUE .295 .211 .217 .624
VD ES CAPAZ DE HACER
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 6 iterations.
De este análisis conviene realizar diversos comentarios. Primero, el coeficiente

KMO presenta un valor de 0.806 que puede considerarse como bueno e indicati-
vo de una adecuada muestra para el análisis factorial al que se la somete. Se-
gundo, la tabla de comunalidades nos advierte que durante la iteración de la ma-
triz se ha sobrepasado el valor de 1 con lo cual habrá de ser cautos a la hora de
interpretar la solución factorial. De esta tabla de comunalidades también pode-
mos decir que, salvo los items referidos a la instrumentalidad 2 relativa a las con-
diciones físicas en el trabajo, el resto presentan unos valores aceptables. Tercero,
la solución factorial utilizando el método de máxima verosimilitud obtiene cuatro
factores que dan cuenta del 65% de la varianza total. Por último, la solución facto-
284
Anexos
rial rotada, aunque mezcla instrumentalidades, mantiene en buena medida juntos

aquellos items que se corresponden con la misma instrumentalidad. De este mo-
do, el primer factor recoge los items de la instrumentalidad 6 (reconocimiento su-
perior) y un item de la instrumentalidad 5 (apoyo y respeto superior). El otro item
de esta última instrumentalidad, aunque ha quedado recogido en el segundo fac-
tor presenta también una elevada carga factorial en el primero. El segundo factor
recoge los items de la instrumentalidad 3 (seguridad y estabilidad) y el anterior
mencionado referido al respeto de los superiores. El tercer factor es el que pre-
senta una mayor confusión ya que recoge a los items de la instrumentalidad 4 (re-
laciones compañeros), instrumentalidad 2 (condiciones físicas) e instrumentali-
dad 1 (retribución económica). Finalmente, el factor cuarto recoge los items de la
instrumentalidad 7 (desarrollo personal).
A fin de indagar más sobre el comportamiento conjunto del par de items que eva-
lúan cada una de los siete tipos de instrumentalidad presentaremos la matriz de
correlaciones entre dichos items.
Correlaciones entre items.
ins1(38) ins2(36) ins3(42) ins4(37) ins5(40) ins6(35) ins7(41)

ins1(32) .492** .132** .188** .095 .124** .081 .130**
.000 .009 .000 .060 .014 .107 .010
ins2(29) .214** .335** .232** .165** .202** .132** .239**
.000 .000 .000 .001 .000 .009 .000
ins3(39) .188** .183** .618** .153** .497** .323** .430**
.000 .000 .000 .003 .000 .000 .000
ins4(33) .142** .299** .253** .428** .213** .068 .161**
.006 .000 .000 .000 .000 .184 .002
ins5(34) .149** .158** .393** .145** .553** .533** .419**
.004 .002 .000 .005 .000 .000 .000
ins6(30) .065 .035 .235** .069 .380** .727** .359**
.202 .491 .000 .176 .000 .000 .000
ins7(31) .085 .199** .339** .193** .346** .310** .644**
.097 .000 .000 .000 .000 .000 .000
Cada casilla recoge el coeficiente tau_b de Kendall y su correspondiente significación.
Coeficiente de correlación promedio: 0.5424
Tamaño de la muestra: N=271.
Listado de tipos de instrumentalidad estudiadas:
ins1 Retribución económica

ins2 Condiciones físicas del entorno de trabajo
ins3 Seguridad y estabilidad en el empleo
ins4 Relaciones con los compañeros de trabajo
ins5 Apoyo y respeto de los superiores
ins6 Reconocimiento del superior por el trabajo bien hecho
ins7 Desarrollo personal en el trabajo
285
Hemos recogido entre paréntesis el número de items tal y como quedan recogi-
dos en el Cuestionario ASH-MOT (ver anexo I).
Como puede observarse, también aquí encontramos que cada item muestra un
coeficiente de correlación mayor cuando se cruza con su pareja correspondiente
(casillas en diagonal y en gris). De ahí que las parejas de items que conforman
cada tipo de instrumentalidad se hayan respetado en la solución hallada por el
análisis factorial. Este hecho, junto con los elevados valores de los coeficientes,
nos deben servir para tomar como buena la formación de las medidas de los dife-
rentes tipos de instrumentalidad como la suma de los dos items que en el plano
teórico se han propuesto.
286
Anexos
Anexo VII.- Estadísticos Descriptivos de los diferentes tipos de Instrumen-

talidad.
Statistics
RETRIBUCION ECONÓMICA
N Valid 271
Missing 0
Mean 7.3432
Median 8.0000
Mode 8.00
Variance 4.4855
Skewness -.568
Kurtosis -.322
Minimum 2.00
Maximum 10.00
80
70
60
50
40
30
20
Frequency
Std. Dev = 2.12

10
Mean = 7.3
0 N = 271.00
2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
287
Statistics
CONDICIONES FÍSICAS TRABAJO

N Valid 271
Missing 0
Mean 7.3321
Median 8.0000
Mode 8.00
Variance 3.7263
Skewness -.631
Kurtosis .024
Minimum 2.00
Maximum 10.00

60
50
40
30
20
Frequency
10 Std. Dev = 1.93

Mean = 7.3
0 N = 271.00
2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
288
Anexos
Statistics

N Valid 271
Missing 0
Mean 7.1993
Median 7.0000
Mode 8.00
Variance 3.7157
Skewness -.457
Kurtosis -.124
Minimum 2.00
Maximum 10.00

80
60
40
20
Frequency
Std. Dev = 1.93

Mean = 7.2
0 N = 271.00
2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
289
Statistics
N Valid 271
Missing 0
Mean 6.9446
Median 7.0000
Mode 8.00
Variance 2.8747
Skewness -.423
Kurtosis .015
Minimum 2.00
Maximum 10.00
80
60
40
20
Frequency
Std. Dev = 1.70

Mean = 6.9
0 N = 271.00
2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
290
Anexos
Statistics

N Valid 271
Missing 0
Mean 6.6790
Median 7.0000
Mode 8.00
Variance 3.3966
Skewness -.475
Kurtosis .003
Minimum 2.00
Maximum 10.00

80
60
40
20
Frequency
Std. Dev = 1.84

Mean = 6.7
0 N = 271.00
2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
291
Statistics
N Valid 271
Missing 0
Mean 5.1550
Median 6.0000
Mode 6.00
Variance 4.2648
Skewness .027
Kurtosis -.829
Minimum 2.00
Maximum 10.00
80
60
40
20
Frequency
Std. Dev = 2.07

Mean = 5.2
0 N = 271.00
2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
292
Anexos
Statistics
DESARROLLO PERSONAL
N Valid 271
Missing 0
Mean 6.8524
Median 7.0000
Mode 8.00
Variance 4.0522
Skewness -.529
Kurtosis -.161
Minimum 2.00
Maximum 10.00
DESARROLLO PERSONAL
80
60
40
20
Frequency
Std. Dev = 2.01

Mean = 6.9
0 N = 271.00
2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
DESARROLLO PERSONAL
293
Anexo VIII.- Fiabilidad de la Escala de Autoeficacia.


.679

df 6
Sig. .000
Communalities
Initial Extraction
PUEDO RES. PROB. SI
ME ESFUERZO .122 .139
ANTE DIF., TRABAJO
TRANQUILO PUES
TENGO HABILIDADES .207 .264
NECESARIAS
VENGA LO QUE VENGA,
SOY CAPAZ DE .369 .599
MANEJARLO
AL HACER FRENTE A UN
PROB., SE ME
OCURREN VARIAS .340 .499
ALTERNATIVAS DE
RESOL.
Initial Eigenvalues Extraction Sums of Squared Loadings

% of Cumulative % of Cumulative
Factor Total Variance % Total Variance %
1 2.066 51.643 51.643 1.501 37.522 37.522
2 .815 20.387 72.031
3 .692 17.307 89.338
4 .426 10.662 100.000
294
Anexos
Factor Matrix a
Factor
1
VENGA LO QUE VENGA,
SOY CAPAZ DE .774
MANEJARLO
AL HACER FRENTE A UN
PROB., SE ME
OCURREN VARIAS .706
ALTERNATIVAS DE
RESOL.
ANTE DIF., TRABAJO
TRANQUILO PUES
.514
TENGO HABILIDADES
NECESARIAS
PUEDO RES. PROB. SI
.373
ME ESFUERZO
a. 1 factors extracted. 5 iterations required.
Goodness-of-fit Test
Chi-Square df Sig.
7.003 2 .030
Aunque la solución factorial obtenida recoge unos valores en las cargas factoria-
les muy elevados para todos los items que conforman la escala, así como el mo-
delo en general parece tener un buen ajuste, el coeficiente KMO nos insta a ser
cautos con la solución. En gran medida, el valor bajo de este coeficiente viene
determinado por la no normalidad de los items de autoeficacia que claramente
presentan una simetría negativa (para detalles ver Quijano y Navarro, 2000). Por
esta serie de motivos, hemos realizado también un nuevo análisis factorial en es-
te caso confirmatorio con método de máxima verosimilitud.
295
Análisis factorial confirmatorio.
,066
item43 ,373
,065
,514
item44
autoeficacia
,706
,066
item45
,774
,066
item46
Este modelo obtiene un índice de bondad de ajuste (Goodness of fit index) igual
a 0,990, un índice ajustado (Adjusted goodness of fit index) de 0,950 y un valor
promedio del cuadrado de los residuos (Root mean square residual) de 0,028.
Todos estos valores son suficientemente positivos para tomar como buena la es-
cala de autoeficacia.
296
Anexos
Anexo IX.- Estadísticos descriptivos del Índice de Autoeficacia.
Statistics
AUTOEFICACIA
N Valid 271
Missing 0
Mean 7.9373
Median 8.0000
Mode 8.00
Variance 1.6127
Skewness -.382
Kurtosis -.084
Minimum 4.00
Maximum 10.00
AUTOEFICACIA
100
80
60
40
Frequency
20
Std. Dev = 1.27
Mean = 7.9
0 N = 271.00
4.0 5.0 6.0 7.0 8.0 9.0 10.0
AUTOEFICACIA
297
Anexo X.- Fiabilidad de la Escala de Compromiso.


.724

df 6
Sig. .000
Communalities
Initial Extraction
SIENTO QUE EXISTE
SIMILITUD ENTRE MIS
.274 .311
VALORES Y LOS DE MI
ORG
ME SIENTO ORGULLOSO
DE TRABAJAR PARA
.410 .548
ESTA EMPRESA
CUANDO ALGUIEN
ALABA, COMO .363 .473
CUMPLIDO PERSONAL
EL EXITO DE ESTA
.388 .496
EMPRESA ES MI EXITO
Initial Eigenvalues Extraction Sums of Squared Loadings

% of Cumulative % of Cumulative
Factor Total Variance % Total Variance %
1 2.356 58.894 58.894 1.828 45.696 45.696
2 .737 18.433 77.328
3 .516 12.894 90.222
4 .391 9.778 100.000
298
Anexos
Factor Matrixa
Factor
1
ME SIENTO ORGULLOSO
DE TRABAJAR PARA
.740
ESTA EMPRESA
EL EXITO DE ESTA
.704
EMPRESA ES MI EXITO
CUANDO ALGUIEN
ALABA, COMO .688
CUMPLIDO PERSONAL
SIENTO QUE EXISTE
SIMILITUD ENTRE MIS
.557
VALORES Y LOS DE MI
ORG
a. 1 factors extracted. 5 iterations required.
Goodness-of-fit Test
Chi-Square df Sig.
16.679 2 .000
Al igual que ocurría con los cuatro items de autoeficacia, aquí también la solución
factorial obtenida recoge unos valores en las cargas factoriales adecuados para
todos los items que conforman la escala de compromiso, así como un buen ajuste
en el modelo en general. Pero el coeficiente KMO no es tan elevado como sería
conveniente. Nuevamente procederemos a la realización de un análisis factorial
confirmatorio empleando el método de máxima verosimilitud.
299
Análisis factorial confirmatorio.
,061
item47 ,740
,062
,688
item48
compromiso
,557
,068
item49
,704
,062
item50
Este modelo obtiene un índice de bondad de ajuste (Goodness of fit index) igual
a 0,967, un índice ajustado (Adjusted goodness of fit index) de 0,836 y un valor
promedio del cuadrado de los residuos (Root mean square residual) de 0,046.
Todos estos valores son lo suficientemente positivos como para tomar como
buena la escala de compromiso.
300
Anexos
Anexo XI.- Estadísticos Descriptivos del Índice de Compromiso.
Statistics
NIVEL DE COMPROMISO
N Valid 240
Missing 31
Mean 6.6813
Median 6.7500
Mode 7.00
Variance 3.0601
Skewness -.391
Kurtosis -.108
Minimum 2.00
Maximum 10.00
NIVEL DE COMPROMISO
60
50
40
30
20
Frequency
10 Std. Dev = 1.75

Mean = 6.7
0 N = 240.00
2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
NIVEL DE COMPROMISO
301
Anexo XII.- Diferenciación entre las Necesidades: Tipos Motivacionales.

Diagramas de dispersión entre cada uno de las necesidades y el índice de
compromiso.
12
10
8
NIVEL DE COMPROMISO
0
2 4 6 8 10 12
12
10
8
NIVEL DE COMPROMISO
0
0 2 4 6 8 10 12
302
Anexos
12
10
8
NIVEL DE COMPROMISO
0
0 2 4 6 8 10 12
12
10
8
NIVEL DE COMPROMISO
0
2 3 4 5 6 7 8 9 10
303
12
10
8
NIVEL DE COMPROMISO
0
2 4 6 8 10 12
12
10
8
NIVEL DE COMPROMISO
0
0 2 4 6 8 10 12
304
Anexos
12
10
8
NIVEL DE COMPROMISO
0
2 4 6 8 10 12
DESARROLLO PERSONAL
305
Anexo XIII.- Establecimiento de Parches Borrosos.
12
10
8
NIVEL DE COMPROMISO
0
2 3 4 5 6 7 8 9 10
NECES. MOTIVACIÓN (nec5+nec6+nec7)
12
10
8
NIVEL DE COMPROMISO
0
-2 0 2 4 6 8 10
nir = (ni5 + ni6 + ni7) - (nni5 + nni6 + nni7)
306
Anexos
12
10
6
AUTOEFICACIA
2
0 2 4 6 8 10 12
NIVEL DE COMPROMISO
10
NECES. MOTIVACIÓN (nec5+2*nec6+3*nec7)
2
0 2 4 6 8 10 12
NIVEL DE COMPROMISO
307
Anexo XIV.- Programa SPSS de generación de la Medida NIR.
IF ((nec5 > 7) and (instrum5 > 7)) ni5 = nec5 + instrum5 .

VARIABLE LABELS ni5 '((nec5 > 7) & (instrum5 > 7)) ni5 = nec5 + instrum5'.
IF ((nec6 > 6) and (instrum6 > 7)) ni6 = nec6 + instrum6 .
VARIABLE LABELS ni6 '((nec6 > 6) & (instrum6 > 7)) ni6 = nec6 + instrum6'.
IF ((nec7 > 7.5) and (instrum7 > 7)) ni7 = nec7 + instrum7 .
VARIABLE LABELS ni7 '((nec7 > 7.5) & (instrum7 > 7)) ni7 = nec7 + instrum7'.
IF ((nec5 > 7) and (instrum5 <= 7)) nni5 = nec5 - instrum5 .

VARIABLE LABELS nni5 'IF ((nec5 > 7) & (instrum5 <= 7)) nni5 = nec5 - instrum5'.
IF ((nec6 > 6) and (instrum6 <= 7)) nni6 = nec6 - instrum6 .
VARIABLE LABELS nni6 'IF ((nec6 > 6) & (instrum6 <= 7)) nni6 = nec6 - instrum6'.
IF ((nec7 > 7.5) and (instrum7 <= 7)) nni7 = nec7 - instrum7 .
VARIABLE LABELS nni7 'IF ((nec7 > 7.5) & (instrum7 <= 7)) nni7 = nec7 - instrum7'.
RECODE
ni5 ni6 ni7 nni5 nni6 nni7 (MISSING=0) .
*CONSTRUCCIÓN DE LA MEDIDA NIR .

COMPUTE ni = (ni5 + ni6 + ni7).
VARIABLE LABELS ni 'ni = (ni5 + ni6 + ni7)'.
COMPUTE nni = (nni5 + nni6 + nni7).
VARIABLE LABELS nni ' nni = (nni5 + nni6 + nni7)' .
*RE-ESCALAMIENTO A RANGO 0-10 DEL NIR .

COMPUTE nirec = ((ni - nni)+ 24) / 8.4 .
VARIABLE LABELS nirec ' nir = (ni5 + ni6 + ni7) - (nni5 + nni6 + nni7)' .
EXECUTE .
Claves:
nec5 necesidad 5: apoyo y respeto del superior

nec6 necesidad 6: reconocimiento por el trabajo bien hecho
nec7 necesidad 7: desarrollo personal
instrum5 percepción de instrumentalidad de la necesidad 5
308
Anexos
Anexo XV.- Modelo Combinado de Motivación trabajado en una hoja de

cálculo.
Simulación con valores iniciales altos.
309
Simulación con valores iniciales bajos.
310
Anexos
Anexo XVI.- Simulaciones con el Modelo Complejo de Motivación en el

Trabajo.

9
8
7
6
5
4
3
2
1
0
1
10
13
16
19
22
25
28
31
34
37
40
43
46
49
Nº de iteraciones

9
8
7
6
5
4
3
2
1
0
1
10
19
28
37
46
55
64
73
82
91
100
109
118
127
136
145
154
163
172
181
190
199
Nº de iteraciones
311

12
10
0
1
10
13
16
19
22
25
28
31
34
37
40
43
46
49
Nº de iteraciones

12
10
0
105
113
121
129
137
145
153
161
169
177
185
193
1
9
17
25
33
41
49
57
65
73
81
89
97
Nº de iteraciones
312
Anexos

25
20
15
10
0
1
10
13
16
19
22
25
28
31
34
37
40
43
46
49
Nº de iteraciones

35
30
25
20
15
10
0
105
113
121
129
137
145
153
161
169
177
185
193
1
9
17
25
33
41
49
57
65
73
81
89
97
Nº de iteraciones
313
View publication stats

Las Organizaciones Como Sistemas Abiertos Alejados Del Equilibrio

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Las Organizaciones Como Sistemas Abiertos Alejados Del Equilibrio

Încărcat de

Drepturi de autor:

Formate disponibile

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Las Organizaciones como Sistemas Abiertos Alejados del Equilibrio

Thesis · June 2001

Team Adaptation View project

The user has requested enhancement of the downloaded file.

División de Ciencias de la Salud

Las Organizaciones como

Autor: Ldo. José Navarro Cid

Directores: Dr. Frederic Munné Matamala

Tutor: Dr. Federico Javaloy Mazón

2.- TEORÍA GENERAL DE SISTEMAS Y DINÁMICA DE SISTEMAS: SU

3.- TEORÍAS DEL CAOS Y CIENCIA DE LA COMPLEJIDAD. NUEVOS

4.- COMPLEJIDAD, EQUILIBRIO Y ORGANIZACIONES. 115

5.- ESTUDIO EMPÍRICO: LA MOTIVACIÓN COMO PROCESO

6.- DISCUSIÓN Y CONCLUSIONES. 220

7.- BIBLIOGRAFÍA. 232

8.- ANEXOS. 261

A la Dra. Mª . Pilar González, todo lo que sé sobre el comportamiento de las per-

A los Dres. Lourdes Munduate y Francisco Fuertes por su amable recibimiento y

A Mari Carmen, por tu cariño y comprensión.

A mi hermano Antonio, mi capacidad de pensar te la debo a ti.

Ser y devenir. Parménides y Heráclito. Posteriormente, y también en la misma

El trabajo que aquí comienza trata también sobre la aplicación de conceptos

establecimiento de metas de Locke y Latham, en la lógica de la distribución comer-

Este trabajo pretende huir de cualquiera de estas imposturas (Sokal y Bric-

En primer lugar, y fue mi puerta de entrada e interés al mundo de las teorías

La lectura anterior, clásica en el campo estadístico y metodológico, sería cer-

Por todo esto, cuando a mi disconformidad inicial se le abrió la puerta del

Para mi compresión del mundo, siempre ha sido importante la no-linealidad.

La respuesta a esta pregunta tradicionalmente suele ser doble. De un lado,

Las teorías del caos y de la complejidad ponen de relieve que la no-linealidad

En tercer lugar, y finalmente, también es uno de los objetivos de este trabajo

Con el conocimiento de las teorías por un lado, y la disponibilidad de datos

Planteado el reto de intentar un diálogo genuino entre teorías del caos y de la

La tesis está dividida en dos grandes secciones. En la primera, titulada De la

En un segundo capítulo, Teorías del Caos y Ciencia de la Complejidad.

La segunda sección de la tesis se adentra en la aplicación que de las teorías

El primero de ellos, Complejidad y Organizaciones, es el capítulo central de

teoría organizativa y otra más emparentada con el comportamiento organizativo. La

Abundando en este último aspecto, el siguiente capítulo Estudio empírico: la

Por fin, en el último capítulo Discusión y Conclusiones, se discute y presen-

Objetivo de la investigación e Hipótesis de trabajo.

El objetivo final de esta tesis es presentar las posibilidades que ofrece el

2.- En el desarrollo de toda organización interviene un doble proceso de adapta-

Nuevamente, el olvido de la literatura más clásica ha sido el concebir el desa-

3.- Que la complejidad que observamos en muchos de los procesos psicosociales

Y para estudiar esta hipótesis elemental derivada de la nueva ciencia de la

A partir de la aplicación de la primera a la Teoría Organizativa, la caracteriza-

2.2.- Teoría General de Sistemas.

2.2.1.- El concepto de Sistema.

Podríamos definir un sistema como un ‘complejo de elementos interactuan-

De este modo, podemos hablar de tres características estructurales básicas

Los teóricos de sistemas coinciden en que el concepto de sistema no está

El interés por la concepción de sistemas y su estudio nace en forma de disci-

Por otra parte, la Teoría General de Sistemas halla su objeto de estudio en

no organizada, arraigada en las leyes del azar y la probabilidad y en la segunda ley

Más que exponer otros aspectos de la Teoría General de Sistemas, es de

2.2.2.- Pensamiento de Sistemas2.

En primer lugar, la Teoría General de Sistemas contempla cualquier fenó-

En segundo lugar, se ha de remarcar el interés de la Teoría General de Sis-

En tercer lugar, el pensamiento de sistemas enfatiza la aparición de propie-

El pensamiento de sistemas se opone, en este sentido, al pensamiento analí-

Además, acontece que estas propiedades emergentes acaban influyendo en