Saque provecho de la curva de aprendizaje

La práctica hace al maestro. Siempre se puede hacer algo mejor, no solo la segunda vez sino cada vez que sigue intentándolo. Esto lo sabe todo el mundo. Pero, ¿cuántos saben que el patrón de mejora puede ser lo suficientemente regular como para ser predictivo? ¿Cuántos se dan cuenta de que esos patrones pueden caracterizar no solo el desempeño individual, sino también el desempeño compuesto de muchas personas organizadas para realizar una tarea común?

La curva de aprendizaje industrial cuantifica ese rendimiento. Ha evolucionado a partir de la experiencia en la fabricación de fuselajes, en la que se descubrió que el número de horas-hombre dedicadas a construir un avión disminuía a un ritmo regular en un amplio rango de producción. Esta mejora continua era tan común en la industria aeronáutica que se convirtió en la expectativa normal en la producción masiva de aviones en tiempos de guerra; por lo tanto, la producción y otros tipos de rendimiento se programaban habitualmente sobre la base de una mejora progresiva.

Pero esta no es la práctica en la industria en general. Aunque las curvas de aprendizaje se han reconocido en industrias distintas de la aeronáutica, no han tenido una aceptación tan amplia. En cambio, las predicciones se basan normalmente en suposiciones de nivel de rendimiento y costes constantes.

En este artículo argumentaré que esta práctica no solo es incorrecta sino costosa. Las personas aprenden y aprenden según un patrón generalmente predecible. Creo que la curva de aprendizaje es una característica natural subyacente de la actividad organizada, del mismo modo que la curva en forma de campana es una representación precisa de la distribución normal y aleatoria de cualquier cosa, desde el coeficiente intelectual humano hasta el tamaño de un tomate. Dondequiera que las personas se esfuercen por mejorar, se producen mejoras; de lo contrario, ¿cómo se produciría el progreso?

Al no aprovechar este fenómeno natural, los directivos no fomentarán la continuación de los esfuerzos una vez que se convenzan de que «no es posible seguir mejorando». Otras mejoras son siempre posible con el tiempo, siempre y cuando se anime, o incluso se ordene a la gente, a buscarlos. Por lo tanto, entender la curva de aprendizaje adquiere una importancia crucial para el director de la empresa.

Curva característica

Sin embargo, antes de demostrar su aplicación, es necesario aclarar lo que quiero decir con curva de aprendizaje.

Según se informa, el comandante de la Base de la Fuerza Aérea Wright-Patterson en Ohio observó por primera vez los patrones de aprendizaje en las operaciones de fabricación en 1925.1 Durante los años siguientes, los estudios definitivos del ensamblaje de las aeronaves mostraron el siguiente patrón: el cuarto avión solo necesitó 80% tanta mano de obra directa como el segundo; el octavo avión, solo 80% tanto como el cuarto; el centésimo, solo 80% tanto como el cincuenta; y así sucesivamente. Por lo tanto, se concluyó que el ritmo de aprendizaje a ensamblar aviones era del 80% entre cantidades duplicadas. En un gráfico aritmético, con coordenadas lineales, la relación es una curva que muestra un descenso inicial rápido que luego se reduce (consulte la figura I-A). Sin embargo, en un gráfico de doble logarítmico, se trata de una línea recta descendente que refleja una tasa de reducción constante (consulte el gráfico I-B). Esta relación en línea recta es más fácil de trazar y utilizar con fines de predicción.

Prueba I. La curva de aprendizaje del 80%

Si bien la curva de aprendizaje es un fenómeno universal, tiene muchas variaciones de forma; por ejemplo, hay grandes variaciones en el nivel en el que comienza la curva (es decir, el coste de la primera unidad). Esto se debe simplemente a los diferentes rangos de complejidad de los artículos. Sin embargo, la pendiente de la curva es común en una gran variedad de experiencias. De hecho, era el hallazgo habitual de la pendiente común de unos 80% para aviones de combate, bombarderos y transporte, lo que hizo que se especulara sobre una teoría general de las curvas de aprendizaje.2 Investigaciones adicionales mostraron que, aunque las operaciones que tienen esencialmente las mismas proporciones de contenido laboral tienen pendientes bastante comunes, otras operaciones difieren en sus características y en las correspondientes pendientes de la curva.

Por lo tanto, las operaciones a las que conducen las personas tienen pendientes más pronunciadas que las que siguen las máquinas. Por ejemplo:

• En la fabricación de fuselajes, tres cuartas partes de la mano de obra directa son de montaje; el resto lo representan hombres que trabajan con máquinas. En una operación tan a ritmo humano, un 80% la curva se encuentra comúnmente.

• Pero cuando la proporción del trabajo de ensamblaje es menor, la pendiente descendente de la curva no es tan pronunciada. Si la relación entre el ensamblaje y el trabajo de la máquina es de 50/50, la pendiente es de unos 85%. Si la relación es un cuarto de trabajo de ensamblaje y tres cuartos de trabajo de máquina, la operación se realiza en gran medida a ritmo de máquina y la pendiente ronda los 90%.

Estos resultados eran de esperar, ya que el aprendizaje está relacionado con las personas: cuanto menos personas, menor es la capacidad de aprendizaje.

Estos distintos porcentajes proporcionan un punto de partida en el que basar las predicciones. Estas predicciones, en general, han demostrado ser más válidas que las que se basan en el supuesto de un rendimiento nivelado, es decir, una condición de falta de aprendizaje.

Como muestra la prueba II, que muestra la experiencia de varias compañías de aviones, sería posible trazar una línea que se ajustara a los puntos sucesivos de una trama; no caerían directamente sobre ella, pero la mayoría de ellos podrían estar cubiertos por una banda centrada en la línea. Ambos definen una tendencia a la baja. La curva de aprendizaje es la línea que se ajusta a los puntos; y los límites de la banda son los límites superior e inferior dentro de los cuales las variaciones aleatorias hacen que caigan los puntos.

Prueba II. Datos que ilustran la curva de aprendizaje normal y algunas desviaciones Fuente: Miguel A. Reguero, «An Economic Study of the Military Airframe Industry», Base de la Fuerza Aérea Wright-Patterson, Ohio, Departamento de la Fuerza Aérea, octubre de 1957, págs. 231 y 235.

Siempre que los puntos superen estos límites, normalmente hay una causa asignable, igual que la hay para cualquier otra operación que «se sale de control». Por ejemplo, la prueba II indica:

• Puede producirse una «estabilización», o incluso una «aceleración», por ejemplo, al final de un contrato, cuando los trabajadores son trasladados a otras líneas de producción y las operaciones de cierre se vuelven ineficientes.

• También se puede producir un aumento de la curva a mitad de un contrato, debido a una interrupción sustancial (como la que se produce al introducir cambios en un modelo, al trasladar las operaciones a un nuevo edificio o al detener las operaciones durante un tiempo para que se olvide). Poco después de que se reanuden las operaciones y se adquiera habilidad para gestionar los cambios, la curva desciende rápidamente hasta acercarse a la antigua pendiente. Esa ruptura en la curva se produce con la suficiente frecuencia como para haber adquirido el término descriptivo «vieira». De hecho, si, en lugar de simplemente hacer un cambio, se introduce un nuevo modelo o se pone en producción un nuevo tipo de artículo, la vieira se produce inicialmente y la curva, básicamente, comienza de nuevo. Por lo tanto, la mano de obra directa vuelve a ser la misma que cuando se puso en producción el primer artículo del tipo anterior (suponiendo que los dos artículos fueran de tipo y configuración similares).

Este rendimiento de la curva de aprendizaje era tan común en el ensamblaje de aviones que se hizo esperar de forma natural. Y hoy en día se sigue utilizando de forma coherente como base para proyectar los costes, pronosticar las necesidades de mano de obra, calificar al personal, programar la producción y negociar contratos multimillonarios.

Barreras de aceptación

Si bien se han registrado curvas de aprendizaje para las operaciones en otros sectores (especialmente por parte del personal que ha emigrado de compañías aéreas), su aparición parece considerarse la excepción y no la regla. ¿Por qué una técnica utilizada durante tanto tiempo y validada en un sector no se ha adoptado en el comercio en general? Estas son algunas de las posibles razones:

• No se sabe que los patrones de mejora se pueden cuantificar razonablemente bien. Aunque todo el mundo ha tenido la experiencia de mejorar su habilidad mediante la repetición, esta experiencia generalmente se evalúa de forma cualitativa. Las mejoras pueden parecer irregulares y fluctuantes en el momento en que se producen. En consecuencia, no es obvio que, a largo plazo, estas tambaleantes mejoras puedan estar trazando una tendencia definible. Los estudios de estimaciones basados en las tendencias empíricas de la industria aeronáutica indican que las curvas de mejora en realidad se acercan a una fiabilidad comparable a la observada con las estimaciones de ingeniería y construcción.

• El escepticismo de que la mejora pueda continuar puede ser otro factor que haya limitado la aceptación más general de esta técnica. Después de arduas horas o meses de esfuerzo para lograr un aumento de avance, es natural sentir que se ha extraído la última pizca de mejora de una operación. Como resultado, la expectativa de una mejora aún mayor parece poco realista.

• Muchas empresas creen que «nuestro negocio es diferente» y, en consecuencia, que esas curvas no se aplican a sus operaciones. Las observaciones de algunos profesionales experimentados dan crédito a esta conclusión y esperan que la curva de aprendizaje sea inaplicable o que tenga poco valor en industrias como la química básica, los plásticos y la refinación de petróleo.3 Por supuesto, cada negocio es diferente de los demás. Sin embargo, dado que es una experiencia universal que, a la larga, un método puede siempre mejorar en los tiempos venideros intentándolo, hay una base para creer que la mejora progresiva del rendimiento se puede lograr de manera universal mediante un esfuerzo efectivo.

• Es posible que muchas personas no reconozcan las curvas de aprendizaje que ya se están produciendo. Con los 80% curva de aprendizaje que caracteriza la combinación de tres cuartos de trabajo de ensamblaje y un cuarto de trabajo de máquina que se encuentra comúnmente en la fabricación de fuselajes, la mejora fue tan rápida que las horas de mano de obra directa del décimo avión fabricado fueron menos de la mitad de las requeridas para el primero. Un declive tan marcado prácticamente llamó la atención sobre ello. Sin embargo, pasaron 11 años entre 1925, cuando se observó por primera vez el rendimiento de la curva de aprendizaje en los aviones, y 1936, cuando el director de la planta de Buffalo de Curtiss-Wright Corporation lo informó públicamente.4 En consecuencia, cabe esperar que otras industrias con relaciones mucho más pequeñas entre el trabajo de ensamblaje y el mecanizado sean menos susceptibles de mejora y, por lo tanto, tengan curvas con menos pendiente. La menor cantidad de mejora podría quedar ocultada por fuerzas mayores o compensarse con efectos opuestos como la inflación. La mejora también puede pasar desapercibida si se produce durante más tiempo o se puede atribuir a otras causas.

• Por último, es posible que también no se dé cuenta de que la curva de aprendizaje puede describir el desempeño grupal e individual, y que cualquier grupo puede estar compuesto no solo por trabajadores directos sino también por personas entre bastidores que buscan deliberadamente mejorar en el proceso. En la fabricación de fuselajes, por ejemplo, estos grupos pueden incluir ingenieros de herramientas que diseñan nuevas plantillas y accesorios. En otros tipos de fabricación, puede haber grupos de personal que trabajen en diferentes combinaciones de condiciones de operación para mejorar el rendimiento o diseñen instrumentos para mejorar el control.

El último punto es particularmente importante. Sin embargo, la mayoría de los directivos no han reconocido que el progreso tecnológico es una especie de aprendizaje. Asignar especialistas para que busquen mejoras técnicas y las incorporen a las operaciones obviamente ayuda a lograr mejoras. Por lo tanto, la curva de aprendizaje industrial abarca más que la creciente habilidad de una persona mediante la repetición de una operación simple. En cambio, describe un organismo más complejo: los esfuerzos colectivos de muchas personas, algunas en la fila y otras en puestos de personal, pero todas con el objetivo de cumplir una tarea común de forma progresiva y más eficiente.

Este concepto más amplio puede ser la razón por la que el fenómeno tiene muchos nombres: «función de progreso de la fabricación», «relación costo-cantidad», «curva de costes», «curva de experiencia», «curva de eficiencia», «curva de aceleración de la producción», «curva de mejora» y «curva de rendimiento». Estos términos se utilizan más por escrito que en las conversaciones, donde predomina el término «curva de aprendizaje». Parece preferible conservar el nombre general, pero recuerde que se puede dividir en términos significativos y más específicos.

Probando la aplicabilidad

Si el rendimiento de la curva de aprendizaje es una característica natural, ese rendimiento debería encontrarse no solo para más tipos de actividades que ya se hayan reconocido como responsivas, sino también para operaciones poco probables, como las que no se informó anteriormente o que no se consideraron susceptibles. La refinación de petróleo ofrece un buen ejemplo del tipo de industria a la que podría pensarse que la curva de aprendizaje es inaplicable. Se caracteriza por las grandes inversiones en equipo pesado y está tan automatizado que se cree que el aprendizaje no existe o es demasiado pequeño para tener valor. Veamos qué tan cierta es esta creencia.

En las unidades de procesamiento

La refinación de petróleo comprende operaciones de proceso como la destilación, el craqueo y la reforma. De vez en cuando, aparecen observaciones dispersas en la literatura en el sentido de que la capacidad de algunas de las unidades que realizan estas operaciones es mayor que su capacidad de diseño. En 1951, la capacidad de diseño instalada en todo el mundo de las unidades de craqueo catalítico de fluidos era de 1 200 000 barriles por día de flujo; sin embargo, el rendimiento real era aproximadamente un tercio mayor, ¡hasta 1 600 000 barriles por día de flujo! Este agregado se compone del rendimiento de las unidades de craqueo individuales en un momento dado. No muestra cómo han cambiado con el tiempo.

Pero al trazar el rendimiento de las unidades individuales en un momento dado en función de su edad en esa época, obtenemos una idea de este patrón; consulte el Anexo III. Los puntos son las relaciones entre la capacidad alcanzada y la capacidad de diseño, determinadas a partir de las tabulaciones publicadas. Los puntos seleccionados de la prueba III se calcularon a partir de estos datos. Por ejemplo, la primera unidad (A) de la época de esta investigación, 1958, tenía un año y medio y para entonces ya había alcanzado aproximadamente 116% de capacidad de diseño. La segunda unidad (B) en el momento de esta investigación tenía cuatro años y había obtenido unos 125% de capacidad de diseño. En general, como muestran las unidades más antiguas (C, D, E, F, G y H), el rendimiento mejoró rápidamente en los primeros años y siguió a un ritmo más lento en los últimos años.

Prueba III. Capacidad alcanzada por diferentes unidades de craqueo catalítico fluido de varias edades (en 1958)

El gráfico IV muestra que los puntos anuales sucesivos de una unidad de craqueo individual indican que el crecimiento se produce de forma escalonada, de modo que los puntos se dispersan en una banda en lugar de formar una curva suave. El patrón de mejora indicado por la línea de color, que es la misma curva que la del gráfico III, se parece a la inversa de una curva de aprendizaje en un gráfico aritmético. Si se cambian los parámetros para representar el número de días necesarios para procesar 100 000 barriles en función del rendimiento acumulado en un gráfico logarítmico, se puede trazar una línea recta descendente que atraviese los puntos (consulte el gráfico V). La línea tiene una «pendiente» de unos 90%, como cabría esperar de una operación a ritmo de máquina que implica comparativamente poca mano de obra directa.

Prueba IV. Rendimiento de una unidad individual de craqueo catalítico fluido

Prueba V. Curva de aprendizaje: diagrama de la actuación correspondiente a la prueba IV

¿A qué se debe esta mejora en el rendimiento? Los márgenes de seguridad de los equipos críticos se incluyen durante las etapas de diseño del proyecto para garantizar el rendimiento requerido (de diseño). Por lo tanto, el rendimiento real puede y debe ser superior al objetivo de diseño. Los operadores aprenderán pronto a aprovechar los márgenes de seguridad integrados. Sin embargo, los equipos que no se consideran críticos en su diseño y sin márgenes de seguridad adicionales pueden limitar el rendimiento inicial al objetivo de diseño. Obviamente, la eliminación de ese cuello de botella puede resultar en una mejora notable. Pero a medida que pasa el tiempo, quedan cada vez menos cuellos de botella por descubrir, por lo que el progreso se ralentiza.

Estas circunstancias explican un crecimiento inicial relativamente rápido y una posterior desaceleración gradual, ya que se necesita cada vez más capital e ingenio para eliminar nuevos cuellos de botella. En este sector, que depende en gran medida de la maquinaria, la curva de mejora parece reflejar el ingenio tecnológico. Por lo tanto, parece razonable creer que esta habilidad técnica seguirá traduciéndose en esos patrones de mejora mientras aumente la demanda u otros incentivos que impulsen la búsqueda de mejoras, y siempre y cuando esté respaldada por el nivel actual de los esfuerzos de investigación e ingeniería.

En operaciones de puesta en marcha

Pero si el aprendizaje es mejor cuando hay más personas involucradas, la curva de aprendizaje debería revelarse con mayor claridad en las operaciones de refinería, que tienen un alto contenido de mano de obra. Una de esas circunstancias sería la puesta en marcha de las unidades después de los períodos de parada por reparaciones. Hay especialistas disponibles para garantizar el correcto funcionamiento de los instrumentos. Se asignan tripulantes adicionales para atender las emergencias. Hay más supervisores presentes para dar orientación. La tripulación habitual se dedica especialmente a enrutar los flujos, abrir y cerrar las válvulas, alinear los componentes del sistema y operar los controles manuales antes de que se interrumpan los automáticos. Los trabajadores por turnos a veces pueden «duplicar».

Este contenido relativamente alto de actividad humana de las empresas emergentes sugiere que las personas involucradas deberían ser susceptibles a un grado significativo de aprendizaje. Y la experiencia real lo confirma. Durante un período de diez años, el tiempo necesario para poner en funcionamiento una unidad de craqueo fluido de la refinería de Whiting de la American Oil Company se redujo a menos de la mitad del tiempo necesario inicialmente.

En mantenimiento

En vista de la naturaleza repetitiva de gran parte de los trabajos de mantenimiento y de los continuos esfuerzos que se realizan para organizarse y lograr una mayor eficiencia, cabe esperar que el desempeño de un departamento de mantenimiento en su conjunto muestre un aprendizaje progresivo. Y, como muestra la prueba VI, esta expectativa es sólida. Los puntos de la exposición muestran una tendencia a la baja de las horas-hombre de mano de obra productiva en tareas de mantenimiento y paradas durante los años 1949 a 1956. Al final de ese período, la trama parece estar estabilizándose. Si la dirección hubiera especulado entonces sobre esta curva, habría pensado que se había estancado, que el mantenimiento había aprendido la mejor manera de hacer las tareas necesarias para que no se produjera una nueva caída, al menos durante un tiempo. Pero en realidad, como muestra el punto de 1958 (trazado en forma de cruz), la tendencia continuó y terminó aproximadamente donde debería haber sido de esperar.

Prueba VI. Horas-hombre de mano de obra productiva en una refinería para mantenimiento y paradas

Esto no es difícil de explicar. El desempeño del departamento es una combinación de muchas tareas individuales. Y si es un reflejo del aprendizaje, las operaciones de mantenimiento individuales deberían seguir las curvas de aprendizaje establecidas. Esta expectativa se confirma no solo en la refinería sino también en otras grandes plantas de fabricación. La prueba VII muestra un registro de la ejecución de una operación de mantenimiento repetitivo realizada por General Electric Company en su planta de AEC de Richmond-Washington. Demuestra que el tiempo necesario para sustituir un grupo de piezas durante las paradas se redujo a lo largo de un 76% curva.

Prueba VII. Curva de aprendizaje de mantenimiento en una planta de General Electric Fuente: Carl A. Bennett, Aplicación de una curva de aprendizaje a un problema de mantenimiento, segundo simposio anual de control de calidad de la sección de Dallas-Fort Worth, ASQC, 16 de marzo de 1957.

En construcción

La construcción de nuevos objetos de equipo pesado también parece caracterizarse por el aprendizaje. La refinería de 245 000 barriles de Fawley (Inglaterra), que entró en funcionamiento a principios de la década de 1950, podría haberse duplicado 5 años después, con 70% del coste original. Esta disminución del coste representa una tasa de disminución de alrededor del 7%% por año. Los costes de inversión por barril de las unidades para algunos procesos individuales (craqueo térmico, polimerización, craqueo catalítico y reformado catalítico) también disminuyen progresivamente. En el caso del craqueo térmico, la disminución continuó durante 33 años.

La observación de que el acero necesario y el coste de inversión en 1955 se estimaron en un tercio de los necesarios para duplicar la capacidad de la planta original de fluidos de flujo descendente, que se construyó en 1942, sugiere una curva de aprendizaje para medir la tasa de disminución de las unidades de craqueo catalítico con fluido. Durante los años transcurridos desde entonces, se construyeron unos 3 millones de barriles de capacidad de craqueo fluido. Cuando, como en el gráfico VIII, estos dos puntos de coste se representan en una escala logarítmica con respecto a la capacidad de diseño acumulada instalada de las plantas de craqueo catalítico de fluidos y se conectan mediante una línea recta continua, la pendiente de esa línea descendente (en negro) resulta ser de unos 80% (en dólares constantes).

Prueba VIII. Aprendizaje sobre la construcción de unidades de craqueo catalítico fluido

Tenga en cuenta que las subidas de precios pueden distorsionar el panorama. Si se aplicara el «índice de costes de construcción de una refinería de Nelson» para los equipos de refinación de petróleo, el coste real en dólares en 1955 de construir una unidad de 1942 habría sido 2,2 veces mayor que en 1942.5 Tras tener en cuenta la tecnología que permitió duplicarla en 1955 por un tercio del coste, llegamos a un coste unitario en 1955 dólares de 2,2 × 33,3% o 73% del coste en 1942 dólares. Sobre esta base, la reducción de costes en un período de 13 años corresponde a una pendiente del 94%%, y se representa con la línea negra de la prueba VIII. El hecho es que el verdadero beneficio tecnológico se mide con el 80%% curva (la línea coloreada.)

Puede parecer sorprendente descubrir que la construcción de unidades de procesamiento multimillonarias, que son comparativamente pocas y se construyen por encargo, se caracteriza por los mismos 80% pendiente que se encuentra comúnmente en la fabricación de muchos artículos diferentes en grandes cantidades en las líneas de producción. Sin embargo, dado que esa construcción consiste en gran medida en trabajos de ensamblaje, este hallazgo es coherente con la experiencia general de la curva de aprendizaje: es decir, las operaciones con proporciones similares entre el ensamblaje y el trabajo de la máquina tienen pendientes de curva de aprendizaje similares.

Esta disminución se debe al aprendizaje de los trabajadores de la construcción sobre cómo construir para reducir los costes unitarios, y del personal de investigación, ingeniería y operación sobre qué construir. Da una idea de las contribuciones relativas del capital y de la tecnología al rendimiento de la curva de aprendizaje. El hecho de que una planta construida para duplicar el rendimiento de una original pueda construirse con un tercio del acero indica que el qué construir las contribuciones de la tecnología mejorada progresivamente incorporada en las sucesivas plantas superan con creces las cómo construir contribuciones de capital para las mejores herramientas y equipos empleados en su construcción.

Tres estudios recientes han demostrado hasta qué punto la tecnología puede dominar sobre la inversión. Cubren períodos de tiempo algo diferentes, pero cada uno de ellos concluye de forma independiente que alrededor de 90% del crecimiento de la producción por hora-hombre en EE. UU. se debe al cambio tecnológico, y solo unos 10% al aumento de la inversión en bienes de capital.6

La tecnología también contribuye a construir plantas más grandes con las consiguientes economías, ya que los costes de construcción no aumentan proporcionalmente con el tamaño. Duplicar la capacidad de una planta no necesariamente duplica el coste. Más bien, lo aumenta en una cantidad menor, que se puede representar con un exponente del tamaño. Una planta el doble de grande puede costar unos 20.7 o 1,6 veces más que el tamaño de la base. Si este exponente de costes del 0,7 se aplica a las plantas de craqueo con fluidos, los costes de inversión por barril de varios múltiplos de tamaño disminuyen, como muestra la columna de cruces del lado derecho del gráfico IX. Dado que las plantas se han construido dos o más veces más grandes de lo previsto originalmente, las economías de tamaño derivadas de los avances en la investigación y la ingeniería también han contribuido a compensar los efectos de la inflación.

Prueba IX. Aprendizaje sobre la construcción de unidades de craqueo catalítico fluido de varios tamaños

En este caso, el progreso tecnológico redujo los costes más de lo que la inflación los aumentó. Esta circunstancia podría sugerir que las asignaciones de depreciación han sido más que adecuadas para proporcionar el capital necesario para reemplazar las unidades cuando se retiren. De hecho, la rápida obsolescencia va acompañada de un rápido progreso tecnológico. Una empresa de la competencia con una nueva unidad de bajo coste tiene la ventaja de reducir los gastos de capital para sus productos y, por lo tanto, puede venderlos de forma rentable a precios más bajos. Para sobrevivir ante tanta competencia, es posible que las empresas se vean obligadas a sustituir las unidades existentes antes de que se amorticen por completo y antes de que las reservas de amortización aumenten lo suficiente como para pagar las sustituciones. Y esto es particularmente cierto para las unidades depreciadas por la línea recta y otros métodos necesarios para los equipos instalados antes de 1954.

Desempeño en el sector

Una industria es un conjunto de componentes. Podemos pensar que si el aprendizaje en los componentes está muy extendido, debería reflejarse en el rendimiento agregado. Un gráfico logarítmico (en la figura X) de horas-hombre por barril frente a los barriles acumulados de petróleo crudo refinados en los Estados Unidos desde 1860 da como resultado el tipo de caída bastante regular que tal razonamiento nos hace esperar.

Prueba X. Horas-hombre por barril refinado en la industria petrolera

Otros sectores muestran descensos similares, como lo ilustran la prueba XI para la industria de la energía eléctrica estadounidense y la prueba XII para la industria estadounidense del acero básico.

Prueba XI. La industria eléctrica estadounidense: sugiere reducir la curva de aprendizaje Fuente: John E. Ullman, «Economics of Nuclear Power», Science, 4 de abril de 1958, pág. 140.

Prueba XII. Horas-hombre por unidad de producción en la industria siderúrgica básica de EE. UU.: sugiere una disminución de la curva de aprendizaje entre 1935 y 1955 Fuente: Boletín 1200, Washington, Departamento de Estadísticas Laborales de los Estados Unidos, septiembre de 1956, y otras fuentes.

Estos aumentos de la productividad agregada reflejan el efecto conjunto de muchas influencias interrelacionadas. Entre ellos se encuentran el avance tecnológico, el aumento de la inversión de capital, mejores métodos de gestión, el aumento de la salud y la educación de los trabajadores y la mejora de las comunicaciones. Sin embargo, su objetivo general es el progreso, y esos descensos pueden considerarse el resultado de aprender a hacer mejor las cosas.

Dado que las operaciones de construcción, mantenimiento, procesamiento y puesta en marcha son comunes en la industria en general, y dado que las curvas de aprendizaje pueden caracterizar esas actividades en la industria petrolera (donde anteriormente no se había informado ni se esperaba que fueran significativas), parece razonable creer que actividades de componentes similares también pueden seguir los patrones de la curva de aprendizaje en otras áreas y, de hecho, es posible que ya estén contribuyendo al progreso que se está produciendo. La credibilidad de esta generalización se ve reforzada por la comprensión de los elementos del aprendizaje y las prácticas que lo promueven.

Implicaciones importantes

¿Qué parece sumar todo esto? Básicamente esto. Hay dos factores principales que afectan al aprendizaje: (1) la susceptibilidad inherente de una operación a mejorar y (2) el grado en que se aprovecha esa susceptibilidad. En detalle:

1. La susceptibilidad inherente está relacionada con el contenido humano de una operación. Se refleja en la relación entre el ensamblaje y el trabajo de la máquina. Cuanto mayor sea el contenido humano, mayor será la susceptibilidad a la mejora.

2. El grado en que se explota la susceptibilidad está relacionado con el contenido dinámico del entorno: el impulso y el ingenio de la dirección y su habilidad para estimular a los supervisores y técnicos a ser creativos y a los trabajadores a ser productivos. Cuanto mayor sea el contenido dinámico del entorno, mayor será la explotación de la susceptibilidad inherente.

Efecto de la fe

Uno de los factores que afectan al contenido dinámico del entorno es la fe. Si el progreso es creyó posible, es probable que se busque; y si se busca, hay alguna posibilidad de que lo encuentre. Por el contrario, si las mejoras se consideran poco probables, habrá pocas ganas de buscarlas. Se puede generar una filosofía derrotista que debilite tanto un esfuerzo que ayude a producir las mismas condiciones que asume. Los ingenieros industriales saben desde hace tiempo que, una vez que se impone un objetivo cuantitativo a una organización, se crean fuerzas poderosas para cumplir el objetivo. Hay varios estudios que muestran que el progreso se detuvo cuando la unidad de tiempo real alcanzó el tiempo estimado originalmente para el trabajo.

Pensemos, por ejemplo, en la experiencia de una empresa con un subcontrato de «coste adicional» con una empresa de aviones:

Esta empresa esperaba que los costes comenzaran en un nivel alto, pero que bajaran durante un período inicial de adquisición de familiaridad y, luego, se estabilizaran. Esto es lo que ocurrió realmente y el subcontratista quedó satisfecho.

Sin embargo, la empresa de aviones presionó para que siguiera reduciendo los costes unitarios. Para su gente, el rendimiento de la curva de aprendizaje era un fenómeno tan común que inicialmente no se lo explicaron al subcontratista como base de sus expectativas. Sin embargo, cuando los costes unitarios dejaron de disminuir, los niveles más bajos de la compañía de aviones hablaron con los niveles más bajos del subcontratista, quien demostró no estar familiarizado con la experiencia de la curva de aprendizaje y no la creyó. Cuando la falta de progreso continuó, la alta dirección de la compañía de aviones habló con su homóloga de la empresa subcontratista y descubrió que ese nivel era igualmente desconocido e incapaz de entender por qué la reducción de costes ya lograda no era satisfactoria. Por último, la empresa aeronáutica insistió en que los costes unitarios podían y debían disminuir y que si la empresa subcontratista no sabía cómo reducirlos, se lo mostraría. Un equipo de aeronáuticos explicó la curva de aprendizaje y mostró cómo obtener los resultados que producen un progreso continuo. A partir de entonces, la disminución se produjo a lo largo de la curva de aprendizaje que esperaba originalmente el contratista principal.

Expectativas indefinidas

El efecto limitante de la «psicología de los techos» también se refleja en el rendimiento esperado de los nuevos equipos. Si está diseñado para funcionar a un ritmo determinado y no funciona como se esperaba, se harán grandes esfuerzos para que alcance el objetivo. Se da por sentado que se puede alcanzar un rendimiento nominal o específico. Pero una vez que se alcanza ese nivel, se demuestra que las expectativas están justificadas y la atención se centra en otra parte, en el supuesto de que la producción nominal es el límite de la capacidad.

Esas fueron las circunstancias del siguiente ejemplo:

Una máquina nueva tenía una capacidad nominal determinada, pero la producción inicial era inferior a la mitad de esa capacidad. Algunos funcionarios de la empresa se opusieron a la selección de este equipo con el argumento de que no creían que la calidad y la cantidad fueran aceptables. Su rendimiento inicial respaldó su creencia y recomendaron que sustituyeran la máquina por la que ellos preferían.

Sin embargo, los que habían seleccionado el original seguían convencidos de que podía funcionar adecuadamente y pidieron más tiempo. El consultor de ingeniería de gestión de la empresa los apoyó; había observado la aparición de alguna mejora en la línea que sugería «aprender». La máquina se conservó para volver a probarla y la producción aumentó gradualmente hasta alcanzar su capacidad nominal en unas cuatro semanas.

Con la producción «normal» alcanzada, no se esperaba ninguna mejora adicional y los esfuerzos concertados estaban a punto de cesar. Sin embargo, el consultor señaló que el patrón de mejora había seguido trazando una curva de aprendizaje. Pensó que el progreso podría continuar y, por lo tanto, los ingenieros siguieron asignados a la máquina. El resultado fue un nuevo aumento hasta el triple de la capacidad nominal en cuatro meses.

Por lo tanto, no poner un límite a las expectativas puede permitir que las mejoras continúen. También puede traducirse en un ritmo de mejora más rápido. Algunas empresas afirman que progresan más rápido cuando la fuerza operativa no está informada del tipo objetivo.

Por el contrario, si no se cree posible mejorar, se reduce el incentivo para buscar mejoras y se fomenta un ambiente de mantenimiento del status quo. Los trabajadores de ensamblaje desaprueban los aumentos como una reducción de tarifas, y los ingenieros que tienen ideas para posibles mejoras pueden dudar en presionarlos si se interpretan como «sacudir las aguas» o si el fracaso corre el riesgo de ser censurado.

Si hay un límite en el aprendizaje, cabe esperar que se alcance después de bastante tiempo, durante el cual la habilidad y la tecnología habrían mejorado el rendimiento hasta el máximo nivel. Esto es lo que parece ocurrir con frecuencia en una planta establecida. Sin embargo, en un estudio de la Universidad de Cornell, se descubrió que dos elementos distintos que se pensaba que habían alcanzado un nivel de rendimiento mostraban un aprendizaje continuo al ser transferidos a otra empresa.7

Hay pruebas de que la mejora puede persistir durante muchos años y en muchos millones de artículos. En una operación a ritmo humano que implicaba el montaje de cajas de caramelos, por ejemplo, se descubrió que la curva de aprendizaje se había mantenido durante los 16 años anteriores, durante los cuales una persona montó 16 millones de cajas.8 En una operación a ritmo de máquina, el progreso también ha seguido aumentando con la producción de decenas de millones de unidades.

Aunque el porcentaje de mejora en estos casos se reduce después de un período prolongado, el beneficio puede seguir siendo sustancial si el número de unidades implicadas es grande.

Progreso por casualidad

La suposición de que se puede producir un progreso continuo también puede crear una atmósfera que fomente el descubrimiento de ideas o el reconocimiento de las mismas cuando se tropieza con ellas. He aquí un ejemplo de esta posibilidad:

En una operación automática para forjar llaves, se forja una pieza de metal caliente en la forma adecuada en un troquel. Con el uso repetido, el troquel se «desgasta» o se hace más grande, por lo que, al final, las dimensiones de la llave superan las especificaciones y hay que sustituir el troquel. La experiencia indica el número mínimo de piezas forjadas que se pueden fabricar antes de que sea necesario sustituirlas y también el número máximo.

En el turno de noche en una empresa, las dimensiones de las piezas forjadas empezaron a variar de forma errática, lo que indicó la necesidad de cambiar los troqueles mucho antes de lo habitual. La investigación reveló que había un hombre nuevo trabajando y que estaba jugando con la temperatura del horno. Cuando se detuvo el retoque, el dado siguió funcionando satisfactoriamente. El asunto podría haber terminado ahí con la habitual amonestación al empleado para que siguiera las instrucciones.

Sin embargo, el investigador observó que se habían obtenido algunos resultados buenos y malos. Al estudiar el tema, descubrió que el acero utilizado podía forjarse a temperaturas mucho más altas que las especificadas sin quemar ni destruir las propiedades del metal. Posteriormente, los nuevos troqueles se hicieron más pequeños y el metal se forjó primero a la temperatura mínima práctica. A medida que el troquel se desgastaba (se hacía más grande), aumentaban las temperaturas de forja. Las piezas forjadas más calientes se encogían más al enfriarse y, de esta manera, seguían dentro de los límites de tolerancia. Esta práctica permitía a un dado producir el triple de la producción normal.

Por lo tanto, incluso con las operaciones automáticas, puede que haya períodos transitorios en los que el rendimiento sea mejor de lo normal. Si estas situaciones se pueden reconocer y estudiar con el mismo celo y convicción que se aplica a un rendimiento por debajo de lo normal, tal vez sea posible hacer que la mejora persista. Un clima de investigación optimista podría, de esta manera, fomentar el progreso por casualidad, es decir, hacer descubrimientos felices e inesperados por accidente.

Ojalá no fuera suficiente

El conocimiento general de la omnipresencia del aprendizaje y de la experiencia real de haberlo tenido, a veces en los lugares más inesperados, debería llevar a la convicción de que puede, tendrá y debe ocurrir. Sin embargo, incluso las empresas que tienen mucha experiencia con el aprendizaje informan de ocasiones en las que el aprendizaje no se ha producido como se había previsto. ¿Por qué? La explicación es que el mero hecho de esperar progreso no basta para lograrlo.

Una empresa de aviones afirma categóricamente que si un capataz no obtiene la mejora esperada, lo despiden. Pero el capataz no controla todo su entorno. Si se le proporcionan herramientas inadecuadas, un presupuesto insuficiente o una asistencia de personal insuficiente (en otras palabras, si el sistema no es correcto), es la dirección, según algunos, la que debería sustituirse.

Tal vez en reconocimiento de esta circunstancia, el director general de otra empresa de fuselajes tomó medidas diferentes cuando los costes de un modelo determinado no disminuían como se esperaba:

En una conferencia con su personal, se explicó que los numerosos cambios exigidos por el gobierno se debían a la falta de avances satisfactorios. Sin embargo, una investigación más profunda indicó que, junto con cada cambio exigido por el gobierno, el propio personal de ingeniería de la planta estaba realizando cambios adicionales para mejorar el funcionamiento con el argumento de que, mientras la interrupción se produjera de todos modos, los cambios adicionales podrían incorporarse sin ningún coste ni desventaja adicionales.

La acción del director general fue pedir 15% de los ingenieros de diseño y herramientas que se transferirán a otro contrato. A pesar de que hubo fuertes protestas porque esa acción haría imposible realizar el trabajo necesario, mantuvo su edicto. Como resultado, el trabajo se acumuló delante del resto de las personas, por lo que no tuvieron tiempo suficiente para embellecerlo. Después de 30 días, el número de cambios adicionales generados por el departamento de ingeniería se redujo a cuatro por cada cambio iniciado por el gobierno y la curva de costes comenzó a disminuir. Al mes siguiente, la transferencia de 15 adicionales% de los ingenieros provocó una nueva disminución de los costes unitarios. Se realizaron tres transferencias de este tipo y los cambios adicionales generados se redujeron a una media de unos dos y medio por cada cambio exigido por el gobierno. Al mismo tiempo, la curva de coste unitario estableció una caída en la trayectoria esperada.

No se ha explicado por qué el número de transferencias se detuvo en tres. Quizás la experiencia previa del director general, que lo convenció de que se podía avanzar, también le enseñó que, con el funcionamiento de su planta e industria, cualquier ganancia adicional introduciría sanciones compensatorias, por lo que no habría más beneficios netos.

Resultado de la necesidad

Esta circunstancia ilustra que el mero hecho de esperar progreso no lo logra. No lo ordena el destino llegar a tiempo, sino que hay que buscarlo de forma continua, vigorosa e ingeniosa. Ese impulso suele ser el resultado de la necesidad. En el caso de los animales, la necesidad suele ser el hambre, el deseo de sobrevivir. Se ha descubierto que conduce a curvas de aprendizaje para toda una gama de organismos de complejidad: amebas, hormigas, caracoles, ratas y monos.

Esta misma necesidad subyace al progreso nacional e industrial. Se ha dicho que la civilización viaja en el carruaje de armas, que la amenaza a la supervivencia en una guerra es tan grande como tan evidente que las masas populares se esfuerzan con esfuerzos que de otro modo no harían para lograr avances que, de otro modo, no se traducirían.

La supervivencia también es el impulso de la industria. El propietario de un nuevo negocio trabajará muchas horas para que su empresa se ponga en marcha y las amenazas a las ganancias estimularán los esfuerzos en una empresa establecida. Si una empresa se hunde, pierde terreno; y si sigue cayendo, se enfrenta a la quiebra. La amenaza de extinción económica es como cualquier otra amenaza de muerte. Incita a la empresa a esforzarse por lograr las mejoras y los avances necesarios para continuar. Cuando deben producirse mejoras para sobrevivir, la cuestión de si puede ocurrir se vuelve trivial. El problema pasa a ser descubrir qué tiene estar allí.

Los conceptos no son nuevos

Estos conceptos son muy conocidos. Se reflejan en el lema «El progreso es nuestro producto más importante» y en el eslogan «El petróleo promueve el progreso». Son la base de las conocidas frases: «la necesidad es la madre de la invención» y «la práctica hace al maestro». Es la experiencia universal resumida en esos proverbios la que hace razonable esperar que cualquier actividad relacionada con la vida orgánica sea susceptible de mejorar la curva de aprendizaje.

La contribución de los estudios de la curva de aprendizaje ha consistido en validar esta expectativa mediante la búsqueda de curvas de aprendizaje para organismos simples y complejos y para varios niveles de actividad organizada. Estos estudios han centrado más el concepto y lo han colocado en un marco más significativo y útil al introducir una medida de cuantificación que antes solo existía una expectativa cualitativa.

Estos resultados se pueden resumir en la doctrina de la curva de aprendizaje:

1. Donde hay vida, puede haber aprendizaje.

2. Cuanto más compleja sea la vida, mayor será el ritmo de aprendizaje. Las operaciones a ritmo humano son más susceptibles de aprender o pueden ofrecer mayores tasas de progreso que las operaciones a ritmo de máquina.

3. El ritmo de aprendizaje puede ser lo suficientemente regular como para ser predictivo. Las operaciones pueden desarrollar tendencias que son características de sí mismas. Proyectar esas tendencias establecidas es más válido que suponer un nivel de rendimiento o ningún aprendizaje.

4. El aprendizaje está relacionado con el contexto dinámico del entorno. La fe y los incentivos estimulan el progreso y proporcionan el impulso necesario para ejercitar la energía, el ingenio, la habilidad y la persistencia necesarios para lograrlo. Por el contrario, la «psicología del techo» y la tendencia a mantener el status quo, o no a sacudir las aguas, inhiben el aprendizaje.

Aplicaciones prácticas

Enunciar estos fundamentos a un gerente que descubre que ha estado aprendiendo en algunas de sus operaciones puede parecer como esperar que se sorprenda al enterarse de que ha estado escribiendo prosa toda su vida. Pero aquí hay más que un simple etiquetado de lo que está sucediendo. Supongamos que detallamos algunas de estas solicitudes.

1. Si el aprendizaje se ha producido, es razonable creer que puede continuar, si el contenido dinámico del entorno sigue siendo el mismo. Es prudente incluir este potencial de las operaciones existentes para seguir mejorando en los planes de expansión y otras previsiones a largo plazo. Reflejarlo en los planes de gastos de capital podría influir en el tamaño del próximo incremento de capacidad o aplazar el incremento y, por lo tanto, permitir que eventualmente se incorpore más tecnología en evolución y, entretanto, generar otros beneficios con los gastos de capital.

2. Otra aplicación consiste en elegir entre modernizar las plantas existentes o sustituirlas. Parece razonable esperar que haya más posibilidades de mejora en las nuevas unidades de equipo que en las existentes, a las que se les han eliminado la mayoría de los cuellos de botella. Esta diferencia de potencial es una ventaja con respecto a la alternativa de reemplazo, que generalmente se considera intangible. Ahora se puede evaluar.

3. También existe un incentivo para que la empresa perfeccione sus prácticas a fin de capitalizar más plenamente el potencial inherente a sus operaciones diarias. Si se dispone de datos históricos para trazar, pueden proporcionar una base de experiencia para predecir nuevas mejoras. Incluso si estuvieran disponibles (no en términos de unidad de mano de obra requerida frente a la producción acumulada, sino de costes en función del tiempo u otros parámetros), los datos históricos pueden seguir siendo útiles si definen una tendencia, ya que, una vez establecida, la tendencia tiende a persistir.

Como los registros anteriores reflejan las prácticas anteriores, solo deben utilizarse como punto de partida. El aumento de la atención de la dirección, el aumento del esfuerzo, los mayores incentivos, la aplicación de un mayor nivel de ingenio y creatividad u otros cambios en el contenido dinámico del entorno pueden llevar a un ritmo de progreso más rápido. Si el objetivo de un mejor desempeño se establece en un marco de objetivos que contienen una perspectiva realista de mejora, se pueden buscar formas de lograr mejoras que de otro modo no se buscarían. Estos objetivos pueden constituir un verdadero desafío para la capacidad del grupo de cumplirlos. Y de esta manera, la expectativa puede ayudar a lograr la mejora. Dos ejemplos muestran que este enfoque puede ser fructífero. Originalmente no se informó que fueran de aprendizaje, pero reflejan la aplicación de la doctrina de la curva de aprendizaje. Por lo tanto:

• En la fábrica petroquímica Sabine River de Du Pont, de 1000 acres y 1800 personas, en Orange (Texas), la producción a finales de 1955 había alcanzado el nivel más alto de la historia de la planta, con una media anual de 25% por encima de la de 1954. El tamaño de la planta había aumentado un 13%% durante los dos años anteriores. Sin embargo, ante el aumento de la carga de mantenimiento, «los objetivos establecidos teniendo debidamente en cuenta el aumento de la productividad» ayudaron a reducir los costes generales de mantenimiento, a pesar del aumento de los salarios, el aumento de los precios de los materiales y el aumento de las prestaciones para los empleados.

La relación entre los costes de mantenimiento y la inversión en la planta se redujo de 5,9 en 1953 a 5,0 en 1954 y a 4,3 en 1955. En el mismo período, el número de personas necesarias para la operación de mantenimiento se redujo en más de 12% (126 hombres de un total de 975); el capital invertido en piezas de repuesto y maquinaria adicional se redujo en un tercio; no se hizo ningún sacrificio en materia de mantenimiento o normas de mantenimiento y, lo que es de suma importancia, no se produjo ningún daño con consecuencias graves.9

• Aquí, los resultados de Henry Ford con su Modelo T. Ford proporcionan más pruebas de que ese ritmo continuo, respaldado por un esfuerzo continuo, puede conducir a una mejora continua:

«Como tenemos una política firme de reducción constante de los precios, siempre hay presión… nunca hemos considerado ningún coste como fijo. Por lo tanto, primero reducimos el precio hasta un punto en el que creamos que se generarán más ventas. Luego procedemos e intentamos fijar el precio. No nos preocupan los costes. El nuevo precio hace bajar los costes… Aunque se puede calcular lo que es un coste,… nadie sabe lo que debe ser un coste. Una de las formas de descubrir cuál debe ser un coste es poner un precio tan bajo que obligue a todos los presentes a alcanzar el punto más alto de eficiencia. El bajo precio hace que todo el mundo busque beneficios. Hacemos más descubrimientos sobre la fabricación y la venta con este método forzado que con cualquier método de investigación pausado… Siempre hemos obtenido beneficios a los precios que hemos fijado».10

Los resultados de esta política se reflejaron en el precio del Modelo T. En 1910, cuando se fabricaron 12.292 coches, el precio era$ 950. Para 1926, cuando se habían fabricado 15 000 000 de coches, el precio era de solo$ 270. Mientras tanto, el índice de precios mayoristas había subido de 70 en 1910 a 100 en 1926, por lo que el precio en dólares constantes podía estimarse en aproximadamente$ 200. Una línea que conecta estos dos puntos de un gráfico logarítmico doble tiene una pendiente de aproximadamente 86% , lo que concuerda con las expectativas de la curva de aprendizaje para una operación que consistía en gran medida en el ensamblaje, sobre todo porque el precio no es el parámetro habitual en una gráfica de curvas de aprendizaje.

El hecho de que la producción del Modelo T comenzara en 1909, más de una generación antes de que se publicara el primer artículo sobre la curva de aprendizaje en 1936, subraya una observación que hizo una vez el filósofo George Santayana: «Los que olvidan el pasado… están condenados a repetirlo».

Conclusión

El aprendizaje es una propiedad de todos los organismos vivos. Pueden rastrear los patrones de mejora que se caracterizan por sí mismos. Dado que los grupos organizados pueden considerarse entidades vivientes, cabe esperar que muestren aprendizaje y tracen esos patrones. En la industria aeronáutica, por ejemplo, lo hacen normalmente.

Esa actuación no ocurre por casualidad. Es el resultado de una búsqueda continua y un esfuerzo ingenioso. El estudio de una serie de operaciones que son componentes importantes de las principales industrias revela que han rastreado los patrones de mejora con las características de la curva de aprendizaje.

En cierto modo, estos hallazgos no deberían sorprender. La competencia incesante ha supuesto un incentivo continuo para que las empresas busquen nuevas y mejores formas de hacer las cosas, y las mejoras progresivas resultantes no son más que coherentes con la experiencia común de que siempre se puede hacer algo de manera más eficiente cada vez que lo intenta.

Sin embargo, descubrir ese desempeño para operaciones que antes se consideraban insensibles proporciona pruebas tangibles adicionales de que el aprendizaje puede ser una característica natural y subyacente de la actividad organizada. No se limita a ampliar el catálogo de curvas de aprendizaje. En cambio, puede ayudar a fomentar la convicción de que ese rendimiento debe encontrarse en otros lugares y, por lo tanto, llevar no solo a analizar todas las operaciones para ver qué otras son susceptibles, sino a suponer que todas las operaciones tienen un potencial de curva de aprendizaje y a idear formas de hacer realidad este potencial. Por lo tanto, es prudente reflejar el potencial de aprendizaje en los planes y las previsiones.

Los ingredientes más importantes del rendimiento de la curva de aprendizaje son la visión y el liderazgo. La mejora continua es una cadena de influencias que comienza con la convicción de que el progreso es posible, continúa con la creación de un entorno y el apoyo al trabajo que lo promuevan, y se traduce en flexibilidad y voluntad de cambiar las prácticas establecidas por otras más eficientes a medida que evolucionan continuamente. Fomentar esta cadena forma parte de la práctica de la dirección. En consecuencia, la curva de aprendizaje puede considerarse una herramienta principal de la gestión.

1. Miguel A. Reguero, Un estudio económico de la industria de fuselajes militares, Base de la Fuerza Aérea Wright-Patterson, Ohio, Departamento de la Fuerza Aérea, octubre de 1957, pág. 213.

2. Véase Frank J. Andress, «La curva de aprendizaje como herramienta de producción», HBR de enero a febrero de 1954, pág. 96.

3. Ibíd.

4. T. P. Wright, «Factores que afectan al coste de los aviones», Revista de Ciencias Aeronáuticas, Febrero de 1936, págs. 122 a 128.

5. Revista de petróleo y gas, publicado mensualmente.

6. Para ver un análisis de estos estudios, consulte «La fuerza del crecimiento que no se puede pasar por alto», Semana de los Negocios, 6 de agosto de 1960, pág. 68.

7. Richard W. Conway y Andrew Schultz, Jr., «La función de progreso de la fabricación», Revista de Ingeniería Industrial, Enero—febrero de 1959, p. 48.

8. Glen E. Ghormley, «La curva de aprendizaje», Industria occidental, Septiembre de 1952, pág. 34.

9. Philip S. Skaff, «El desafío del mantenimiento en una planta petroquímica», Conferencia de ingeniería mecánica petrolera de la ASME, Dallas, Texas, septiembre de 1956, documento 56-PET-2, pág. 9.

10. Mi vida y mi obra (Nueva York, Doubleday, Page and Company, 1932), págs. 146 a 147.