El efecto Forer: por qué crees que ChatGPT te entiende

En pocas palabras. El efecto Forer es la tendencia a aceptar como propia una descripción que valdría para casi cualquiera. Cuando le pides a una IA que te describa, se juntan las condiciones que lo activan: esperas que hable de ti, la respuesta suena experta y tiende a darte la razón. Por eso parece tan certera.

Un experimento de 1948: 39 estudiantes, una sola descripción

En 1948, el psicólogo Bertram Forer pasó un test de personalidad a sus 39 estudiantes. Una semana después, cada uno recibió una descripción con su nombre, supuestamente elaborada a partir de sus respuestas.

Les pidió que puntuaran de 0 a 5 cuánto se parecía aquella descripción a su forma de ser. La media fue de 4,26 sobre 5.

Después les contó la verdad: todos habían recibido el mismo texto. Eran trece frases sacadas, en su mayoría, de un libro de astrología de quiosco. Algunas decían, más o menos, esto:

• «Tienes una gran necesidad de que los demás te aprecien y te admiren».
• «Hay momentos en que te abres y disfrutas de la gente, y otros en que te reservas y desconfías».
• «Tienes mucha capacidad que todavía no has aprovechado».

Forer lo publicó en 1949 con un título que lo resume todo: la falacia de la validación personal. Siete años después, el psicólogo Paul Meehl le dio el nombre con el que también se conoce, efecto Barnum, por el empresario de circo P. T. Barnum. Desde entonces el experimento se ha repetido muchas veces, con estudiantes y con profesionales.

Por qué te reconoces en lo que vale para todos

Una revisión de esa investigación (Dickson y Kelly, 1985) señala qué hace que una descripción genérica se sienta personal:

• Crees que está hecha para ti. La misma descripción se acepta más cuando te dicen que es tuya que cuando se presenta como algo general.
• Es favorable. Cuanto más halagadora, más fácil es darla por cierta.
• Viene de una fuente con autoridad. Un test, un profesional, un sistema que parece saber lo que hace.

A eso se suma la forma de las frases. Las del tipo «a veces… y otras veces…» describen a cualquiera, porque cualquiera ha vivido las dos cosas.

Y hay un ingrediente que pones tú. Para valorar una frase como «a veces dudas de si has tomado la decisión correcta», buscas en tu memoria un momento en que te pasó. Siempre lo encuentras. Los aciertos se quedan; lo que no encaja pasa sin hacer ruido.

Qué pasa cuando le pides a una IA que te describa

Quizá lo has probado: «dime qué sabes de mí», «descríbeme según nuestras conversaciones», «¿cuál crees que es mi mayor bloqueo?». Se lo puedes pedir a ChatGPT, a Claude o a Gemini, y la respuesta suele mezclar dos cosas.

La primera es lo que tú le has contado, devuelto bien ordenado y con buenas palabras. Si la IA tiene memoria, recoge también lo que le dijiste en otras conversaciones. Es información real, pero tiene un techo: es tu propia visión de ti. No puede ir más allá de lo que sabes de ti y de lo que has sabido explicarle.

La segunda son frases que valdrían para casi cualquiera, dichas como si fueran solo tuyas. Y ahí se cumplen las condiciones del efecto Forer:

• Has pedido una descripción de ti, así que esperas que sea personal.
• La respuesta llega bien escrita y con un tono seguro, que suena a análisis experto.
• Tiende a darte la razón. Un estudio de 2023 sobre los principales asistentes de IA (Sharma y otros) encontró que tienden a responder en línea con lo que la persona cree, aunque no sea lo más exacto. En parte, porque en su entrenamiento las personas que evalúan las respuestas tienden a preferir las que les dan la razón.

No es que la IA mienta ni que esté mal hecha. Es extraordinaria razonando, escribiendo y ordenando ideas. Pero para hablar de ti solo tiene dos fuentes: lo que tú le cuentas y lo que vale para casi todo el mundo. Lo que opera por debajo de lo que ves de ti, como tus motivadores ocultos o los patrones que repites en distintos contextos, no está en ninguna de las dos.

Cuatro preguntas para saber si una descripción habla de ti

Sirven para cualquier descripción: la de una IA, la de un test de personalidad o la de un horóscopo. También para la nuestra.

1. ¿La firmaría otra persona? Lee cada frase pensando en alguien a quien conoces bien. Si también le encaja, no habla de ti: habla de las personas en general.
2. ¿Tiene dos caras? «A veces eres muy exigente contigo y otras te cuesta ponerte en marcha» cubre a casi todo el mundo. Una descripción útil elige.
3. ¿Solo dice cosas cómodas? Que algo te guste no lo hace cierto. Cuanto más halagadora es una descripción, más fácil es aceptarla sin mirarla de cerca.
4. ¿Te dice algo que no sabías y que puedes comprobar? Una descripción precisa se puede poner a prueba: en qué situaciones te bloqueas, qué tipo de instrucción te funciona y cuál no, qué te hace perder el impulso. La semana siguiente puedes ver si se cumple.

Ojo: que una descripción salga de un test no la libra del efecto. Los estudiantes de Forer creían precisamente eso. Lo que marca la diferencia es de dónde salen los datos y si lo que dice se puede comprobar en tu día a día.

Qué necesitaría una IA para no caer en el efecto Forer

Si una IA solo tiene dos fuentes para hablar de ti, lo que le cuentas y lo que vale para casi todos, no basta con pedirle que se esfuerce más. Tendría que trabajar de otra manera:

Buscar patrones, no rasgos. Un rasgo es «eres perfeccionista». Un patrón es la estructura que se repite en tu trabajo, en tus relaciones y en tus decisiones aunque cambie el escenario: desde dónde decides, hacia dónde pones la atención, qué reglas sigues por el camino y cómo das por bueno un resultado. Cuando una de esas piezas está mal calibrada, el bucle se repite y vuelves al mismo sitio. El análisis tiene que señalar cuál es.

Leer las palabras como una red. Cada palabra con la que hablas de ti está conectada con recuerdos, emociones y reglas. Una frase suelta dice poco. La red que se repite detrás deja ver qué te frena y qué te pone en marcha.

Llegar a la regla, no a la etiqueta. Casi nunca falta capacidad. Lo que falla es la regla que decide cuándo, cómo y con quién se activa. Una regla no dice «a veces… y otras veces…». Dice «cuando pasa esto, haces esto», y la puedes comprobar la semana siguiente.

Estar diseñada para este uso concreto. Una IA general está hecha para todo y, como hemos visto, tiende a darte la razón. Esta tendría que evitar las etiquetas diagnósticas y no añadir interpretaciones que no salgan de lo que has dicho.

Es la base del método que usamos en UniversInside, la Genialidad Estructural, y de Pattern IA®, la tecnología que lo aplica desde 2018 con más de 300 casos reales. En el Camino del Descubrimiento, tres pruebas online construyen tu mapa, y Genius, tu asistente de IA personal, trabaja cada día a partir de él.

Lo contamos con detalle en la página de Genius, el asistente IA personal calibrado a tu mapa cognitivo.

La diferencia entre «te entiendo en general» y «te entiendo a ti».

Preguntas frecuentes

¿Qué es el efecto Forer?

Es la tendencia a aceptar como una descripción precisa de uno mismo un texto general que valdría para casi cualquiera. Lo demostró el psicólogo Bertram Forer en 1948: sus 39 estudiantes puntuaron con un 4,26 sobre 5 una descripción que era la misma para todos.

¿Es lo mismo que el efecto Barnum?

Sí. Son dos nombres para el mismo fenómeno. El de «efecto Barnum» lo propuso el psicólogo Paul Meehl en 1956.

¿Entonces ChatGPT no sirve para conocerse?

Sirve para ordenar lo que ya sabes de ti, preparar una conversación difícil o pensar en voz alta. Lo que no puede es darte sobre ti información que no esté en lo que le has contado. Para eso hace falta buscar los patrones que se repiten en ti, no pedirte que te describas.

Fuentes

• Forer, B. R. (1949). The fallacy of personal validation: A classroom demonstration of gullibility. Journal of Abnormal and Social Psychology, 44(1), 118–123. doi.org/10.1037/h0059240
• Meehl, P. E. (1956). Wanted: a good cookbook. American Psychologist, 11(6), 263–272. doi.org/10.1037/h0044164
• Dickson, D. H. y Kelly, I. W. (1985). The «Barnum effect» in personality assessment: A review of the literature. Psychological Reports, 57(2), 367–382. doi.org/10.2466/pr0.1985.57.2.367
• Sharma, M., Tong, M. y otros (2023). Towards understanding sycophancy in language models. Presentado en ICLR 2024. arxiv.org/abs/2310.13548