Investigación: ¿Podría el aprendizaje automático ayudar a las empresas a seleccionar mejores consejos de administración?

Jens Magnusson/Getty Images

Desde que Adam Smith publicó La riqueza de las naciones en 1776, los observadores se lamentaron de que las juntas directivas fueran ineficaces como supervisores y asesores de la dirección. Como un CEO suele controlar eficazmente el proceso de selección de directores, tenderá a elegir directores que es poco probable que se opongan a él y que es poco probable que ofrezcan las diversas perspectivas necesarias para maximizar el valor de la empresa. Los inversores institucionales suelen criticar la influencia de los directores ejecutivos en los consejos de administración y se han esforzado por ayudar a las empresas a mejorar su gobierno. Sin embargo, las tablas siguen siendo muy imperfectas.

¿Podría ayudar la tecnología? Los avances en el aprendizaje automático han llevado a innovaciones que van desde el software de reconocimiento facial hasta los coches autónomos. Estas técnicas están cambiando rápidamente muchos sectores. ¿Podrían mejorar también el gobierno corporativo?

Para explorar esa cuestión, realizamos un estudio de cómo se podría utilizar el aprendizaje automático para seleccionar a los directores del consejo de administración y en qué se podrían diferenciar los directores seleccionados de los seleccionados por la dirección. Nuestra intención es demostrar cómo un modelo de aprendizaje automático podría ayudar a los inversores ayudando a las empresas a seleccionar mejores directores.

El primer desafío de un estudio de este tipo es determinar qué hace que un director sea «mejor» o «peor». La mayoría de las acciones de los directores se producen en la privacidad de la sala de juntas, donde no pueden ser observadas por personas ajenas. Además, la mayor parte de lo que hacen los directores se produce dentro de la estructura del consejo de administración, por lo que no podemos aislar sus contribuciones individuales.

Herramientas relacionadas

• 

  Las últimas investigaciones: IA y aprendizaje automático

  Tecnología y operaciones Libro

  49.95

  View Details

A pesar de esas complicaciones, hay una medida clara del desempeño de los directores que está a disposición del público: la fracción de votos que recibe un director en las reelecciones anuales de los accionistas. Aunque el CEO suele influir en la elección de la persona nominado al consejo de administración y los accionistas prácticamente no tienen control sobre la elección de los directores, los accionistas votan anualmente en su reelección. Estas votaciones reflejan el apoyo que el director personalmente cuenta con los accionistas y, en teoría, deberían incorporar toda la información disponible públicamente sobre el desempeño del director. Nuestra elección de la medida del desempeño también está motivada por el hecho de que la decisión de contratar a un director corporativo no es diferente a cualquier otra decisión de contratación: se trata fundamentalmente de predecir el desempeño futuro de la persona. Como el mandato del consejo de administración es representar los intereses de los accionistas, los votos de los accionistas destacan como una métrica natural del rendimiento.

El segundo desafío al que nos enfrentamos es que solo tenemos esa medida del desempeño de los directores para los directores que son realmente seleccionados para unirse al consejo. El aprendizaje automático tiene que ver con la predicción, pero si tan solo tratamos de predecir cómo seleccionado a los directores les irá bien en las elecciones de accionistas, solo estamos abordando la mitad del problema. Lo ideal es que también deseemos predecir cómo les habría ido a los posibles directores que no fueron nominados en última instancia si hubieran tenido la oportunidad de unirse a la junta.

Abordamos este tema creando un grupo de posibles directores para cada vacante en el consejo de administración entre aquellos que, por esa época, acepten un puesto de dirección en una empresa cercana más pequeña. Suponemos que estas personas se habrían sentido atraídas por un puesto de director en una empresa vecina más grande. Para los fines de nuestro estudio, utilizamos la fracción de votos que estas personas recibieron en la empresa en la que llegan a ser directores como medida de su desempeño potencial.

Entrenamos un algoritmo de aprendizaje automático para predecir el desempeño de los directores, utilizando un conjunto de datos de grandes empresas estadounidenses que cotizan en bolsa entre 2000 y 2011. Usamos un método de aprendizaje automático llamado aumento de gradiente y, a continuación, evaluó los resultados utilizando un conjunto de datos de pruebas independiente con directores que se incorporaron a firmas entre 2012 y 2014 y que el algoritmo no observó durante este «período de formación». El algoritmo permitía identificar qué directores tenían probabilidades de ser impopulares entre los accionistas. A los directores que realmente se contrataron, pero que nuestro algoritmo predijo que serían impopulares entre los accionistas les fue mucho peor que a otros candidatos disponibles. Por el contrario, a los directores contratados que nuestro algoritmo predijo que les iría bien, de hecho, les fue mejor que a otros candidatos disponibles. (Nuestro modelo de aprendizaje automático funcionó sustancialmente mejor que un modelo econométrico estándar, como el de mínimos cuadrados ordinarios).

Las diferencias entre los directores sugeridos por el algoritmo y los que realmente seleccionan las firmas nos permiten evaluar las características que están sobrevaloradas en el proceso de nominación de directores. Descubrimos que las firmas tienden a elegir directores que tienen muchas más probabilidades de ser hombres, que tienen una gran red, que tienen mucha experiencia en consejos de administración, que actualmente forman parte de más consejos y que tienen experiencia en finanzas.

En cierto sentido, el algoritmo nos dice exactamente lo que los accionistas institucionales llevan mucho tiempo diciendo: que los directores que no son viejos amigos de la dirección y provienen de diferentes orígenes hacen un mejor trabajo en la supervisión de la gestión y, a menudo, se les pasa por alto.

A la luz de nuestras conclusiones, vale la pena preguntarse: ¿Por qué las firmas del mundo real nombran directores que podrían predecir que serán impopulares entre los accionistas? Creemos que hay al menos dos posibles razones. En primer lugar, podría ser que los directores ejecutivos no quiero directores efectivos en sus consejos de administración. Desde la publicación en 1932 de Adolph Berle y Gardiner Means La empresa moderna y la propiedad privada, los economistas han argumentado que los directivos son capaces de mantener el control sobre sus firmas al influir en el proceso de selección de directores para garantizar que los consejos de administración sean favorables a la dirección.

Alternativamente, podría ser que por sesgos conductuales, la dirección no es capaz para seleccionar directores efectivos, así como un algoritmo. En su libro Pensar, rápido y despacio, Daniel Kahneman describe una larga historia de investigaciones psicológicas que documenta que, en muchas circunstancias, las reglas simples pueden conducir a mejores resultados que permitir que las personas tengan discreción en las decisiones. Los modelos de aprendizaje automático, que son mucho más sofisticados que las reglas sugeridas por los psicólogos en sus experimentos, representan una forma potencialmente valiosa de poner en práctica la idea de que las reglas, más que la discreción, pueden mejorar la toma de decisiones en el mundo real.

¿Cómo deberían aplicarse nuestras conclusiones en la práctica? Los algoritmos que presentamos deberían tratarse como enfoques de «primer paso»; es de suponer que los modelos más sofisticados predecirían el desempeño del director incluso mejor que los presentados en este artículo. Además, nuestros algoritmos se basan en los datos disponibles públicamente; si se tuviera datos privados más detallados sobre los antecedentes de los directores, el rendimiento, etc., se podría mejorar aún más la precisión del algoritmo. Si algoritmos como estos se utilizan en la práctica en el futuro, como sospechamos que lo harán, los profesionales sin duda tendrán acceso a datos mucho mejores que los nuestros y deberían poder predecir el desempeño de los directores con mayor precisión que en el artículo.

Los algoritmos de aprendizaje automático no están exentos de defectos. También son propensos a sesgar, según los datos que se les suministren y los resultados para los que se optimicen.

Sin embargo, para el propósito de nuestro estudio, está claro que los algoritmos no son propensos a los conflictos entre las agencias ni a los sesgos que se producen cuando los consejos de administración y los directores ejecutivos se reúnen para seleccionar nuevos directores. Es probable que los inversores institucionales encuentren este atributo particularmente atractivo y que alienten a los consejos de administración a confiar en un algoritmo para la selección de directores en el futuro. Qué tan bien recibirá la dirección este enfoque de selección de directores es una cuestión abierta.