«El proyecto estará listo el 30 de septiembre.» Frases así suenan seguras, pero nunca lo son. Una simulación de Monte Carlo sustituye la falsa precisión por una afirmación honesta: «Con un 80 por ciento de probabilidad, listo antes del 15 de octubre.» Esta guía explica cómo funciona la simulación y por qué supera a la ruta crítica.
Una estimación es una afirmación sobre el futuro. «Cinco días» suena preciso, pero oculta que la misma tarea dura ocho días en un mal día y tres en uno bueno. Quien planifica con un valor fijo, planifica con una ilusión. La simulación de Monte Carlo toma en serio esa ilusión y calcula la dispersión, en lugar de promediarla y eliminarla.
¿Qué es una simulación de Monte Carlo?
Una simulación de Monte Carlo modela la incertidumbre mediante un muestreo aleatorio repetido. En lugar de calcular con un valor fijo, por ejemplo «la tarea dura cinco días», trabaja con distribuciones de probabilidad y deja que el modelo se ejecute miles de veces. Cada pasada extrae valores aleatorios de esas distribuciones. Al final no hay una única estimación, sino una distribución de resultados posibles.
Con ello, la afirmación central se desplaza de raíz. De «El proyecto estará listo el 30 de septiembre» se pasa a «Con un 80 por ciento de probabilidad, listo antes del 15 de octubre». La diferencia es tangible. Lo uno es una promesa que no puede cumplir. Lo otro, una afirmación con la que un cliente puede planificar de verdad.
Monte Carlo en la gestión de proyectos: paso a paso
En la gestión de proyectos, la simulación sigue un proceso claro. Lo recorremos paso a paso, desde la tarea individual hasta la curva de probabilidad terminada.
Paso 1: cada tarea recibe un rango. En lugar de una única cifra, estima tres: optimista (O), si todo va sobre ruedas; probable (M) para el caso normal; y pesimista (P), cuando se atasca. A partir de estos tres puntos, el modelo construye una distribución de tres puntos. La mayoría de las extracciones caen cerca de M, pocas en los extremos. Quien profundiza, elige la forma a conciencia: una PERT-Beta pondera más la M, un triángulo es más tosco, pero más fácil de explicar.
Paso 2: una pasada sortea cada duración. Una pasada individual extrae para cada tarea exactamente una duración aleatoria de su distribución y calcula con ella un posible fin de proyecto. Es un futuro plausible, no un promedio, sino un escenario concreto, como una única tirada de dados para todo el proyecto. A veces salen 27 días, a veces 31. Por sí sola, una pasada dice poco. Es solo una de muchas.
Paso 3: decide la red, no la suma. Las duraciones no se suman sin más a lo largo de una línea. Las dependencias en el diagrama de red determinan el camino, y en un hito en el que confluyen varias rutas cuenta la más tardía, es decir, el máximo, no el promedio. Esa es la convergencia de rutas: aunque cada ruta individual sea casi siempre puntual, con cada ruta adicional crece la probabilidad de que al menos una llegue tarde. Imagine una carrera de relevos en la que el corredor más lento marca el tiempo.
Paso 4: 10.000 pasadas dan la probabilidad. Ahora repite la tirada de dados, por ejemplo 10.000 veces. Cada pasada entrega una fecha de fin; juntas forman exactamente la distribución de arriba. Si se ordenan las fechas de forma ascendente, surge la curva S acumulada, y en ella lee los niveles de confianza. P80 significa simplemente: en 80 de cada 100 mundos simulados está listo antes de esa fecha. Histograma y curva S son dos miradas sobre los mismos datos; sobre la curva S se compromete al final, cuando confirma una fecha.
Por qué Monte Carlo supera a la ruta crítica
Justamente la convergencia de rutas del paso 3 explica por qué la ruta crítica clásica subestima sistemáticamente la duración del proyecto. Calcula con duraciones fijas y solo considera la rama más larga, pero ignora cuán probable es que varias tareas se tuerzan a la vez. Por ello, las fechas son más frágiles de lo que sugiere un plan determinista.
Diagrama de tornado: el análisis de sensibilidad
Como efecto secundario, la simulación entrega un análisis de sensibilidad. Un diagrama de tornado muestra qué tareas contribuyen más a la incertidumbre total. Así, su gestión de riesgos sabe dónde debe actuar, en lugar de vigilar en todas partes a la vez.
Los tres componentes de la incertidumbre
Antes de simular, conviene una mirada al modelo mental. Hay tres tipos de incertidumbre, y no son variantes rivales de Monte Carlo entre las que deba elegir. Son tres fuentes que debe modelar, y un buen modelo las cubre todas. La pregunta, por tanto, no es «qué variante tomo», sino «qué incertidumbres encierra mi proyecto y cómo represento cada una».
Variabilidad: la dispersión cotidiana
Cada tarea dura unas veces más, otras menos. Es la banda de más-menos-X-por-ciento, el Monte Carlo clásico, en el que cada tarea recibe una distribución. Aquí mueve a conciencia todas las palancas a la vez, no una sola. La gracia está en que muchas dispersiones pequeñas se acumulan a través de la lógica del diagrama de red y se amplifican en las convergencias de rutas.
Riesgos de evento: eventos de riesgo discretos
El proveedor falla o no. El recurso está enfermo o no. Eso no es un «más-menos diez por ciento de duración», sino «con probabilidad p ocurre el evento X, y entonces Y se desplaza Z días». En lugar de una banda alrededor de cada valor, aquí coloca un interruptor de encendido/apagado en pocos puntos críticos: con probabilidad p ocurre el evento, de lo contrario no.
Riesgos estructurales: bifurcación y repetición
La tercera fuente no está en la duración de una tarea, sino en la cuestión de si esta llega siquiera a completarse como estaba previsto. Una recepción puede no superarse, una aprobación rechazarse, un paso de control no pasarse. Entonces la tarea no se cierra al primer intento, sino que arrastra un bucle de retrabajo: una tarea adicional que en el plan impecable ni siquiera aparece. Mientras que un riesgo de evento alarga una duración ya existente, un riesgo estructural altera el propio diagrama de red.
En la simulación, esto se representa como una bifurcación probabilística: en cada pasada, un interruptor aleatorio decide con probabilidad p si se inserta el bucle de repetición con su propia distribución de duración. A lo largo de 10.000 pasadas, esto se manifiesta como una segunda joroba a la derecha de la distribución, la firma típica de un riesgo de retrabajo. Justamente esos casos se le escapan a un plan que solo conoce la pasada sin contratiempos.
Los mejores modelos combinan los tres: un ruido de fondo en todas las tareas, unos pocos interruptores de riesgo discretos en los puntos donde algo puede realmente torcerse, y una bifurcación allí donde una tarea puede fallar y desencadenar retrabajo.
Correlación: la abrazadera en torno a las tres
Los tres componentes rara vez actúan de forma independiente, y justamente eso muestra el marco en la gráfica de arriba. El mal tiempo no retrasa una sola tarea exterior, sino todas a la vez; un proveedor sobrecargado afecta a cada pedido, no solo a uno. Eso es la correlación: un factor común que arrastra varias tareas en la misma dirección dentro de una misma ejecución.
La correlación no es un cuarto componente, sino una abrazadera en torno a los tres. Decide si muchas dispersiones pequeñas se compensan entre sí o se amplifican. Quien modela los riesgos erróneamente como independientes subestima de forma sistemática el rango, pues las desviaciones no correlacionadas se compensan en promedio, las correlacionadas no. En la práctica, esa es a menudo la mayor palanca hacia un P80 realista.
Los parámetros de ajuste de una simulación de Monte Carlo
Además de la pregunta «qué modelo», hay otros ejes en los que realmente decide.
Forma de distribución por tarea. El triángulo (O, M, P) es simple, intuitivo e ideal para explicar. La distribución PERT-Beta pondera más la duración probable y transcurre de forma más suave; es el estándar de facto en la gestión de proyectos y nuestra recomendación. La distribución uniforme encaja cuando realmente solo conoce el mínimo y el máximo. La lognormal es adecuada para duraciones con una cola larga hacia arriba, pues las tareas rara vez son mucho más rápidas, pero a veces notablemente más lentas.
Magnitud objetivo de la simulación. La pregunta más frecuente es el plazo (Schedule Risk): cuándo está listo. Junto a ello está el riesgo de costes (Cost Risk): qué cuesta el proyecto al final. Ambos se pueden acoplar, pues el retraso genera sobrecostes, como penalizaciones o costes de almacenamiento. Eso responde exactamente a una pregunta como la comparación de proveedores, en la que plazo y precio se contraponen.
Queda el tercer eje: de dónde provienen los números para estas distribuciones, es decir, la incertidumbre de entrada. Aquí se decide si la simulación se apoya en datos sólidos o en una corazonada.
De dónde procede la incertidumbre de entrada. Los más sólidos son los datos de experiencia, es decir, la frecuencia empírica, por ejemplo un historial de entregas. Junto a ello está la valoración de expertos, la clásica estimación O/M/P cuando no hay datos. Y existe la comparación plan/real de Merlin Project: Merlin mantiene valores plan y real por tarea. En un proyecto en curso, mide la dispersión típica a partir de la desviación de tareas pasadas, en lugar de estimarla. Así su simulación se nutre de datos reales del proyecto y se vuelve más sólida con cada tarea completada.
Una palanca avanzada la dejamos aquí fuera a conciencia, porque sobrecargaría una guía introductoria:
- Latin Hypercube Sampling cubre el rango de valores de forma más uniforme y converge por ello más rápido que el muestreo aleatorio ingenuo. Bien explicado en el artículo de Wikipedia.
De la teoría a la práctica
Hasta hace poco, una simulación de Monte Carlo era laboriosa y quedaba reservada a herramientas especializadas, junto con estimaciones de tres puntos mantenidas a mano. Con el servidor MCP en Merlin Project, una IA lee directamente su plan de proyecto y calcula la simulación a petición. Pide a Claude en una frase que simule 10.000 trayectorias de proyecto a partir de su plan, y recibe de vuelta la curva S con P50, P80 y P90 explicados. De una herramienta especializada con mantenimiento de datos propio, se pasa a una frase a Claude.
Cómo se ve esto en concreto, desde la configuración pasando por los prompts de ejemplo hasta dos casos de ejemplo calculados, lo muestra la parte práctica: Así simula Monte Carlo con Merlin Project y el servidor MCP.
Lo provechoso que resulta una gestión de riesgos estructurada en el proyecto lo muestra además nuestro artículo sobre Riskology, el método de Monte Carlo del Atlantic Systems Guild.
Si tiene alguna pregunta sobre este artículo del blog o desea debatirlo, esperamos su contribución en nuestro foro.
Preguntas frecuentes
¿Cuántas pasadas necesita una simulación de Monte Carlo?
Para obtener valores estables en P50, P80 y P90, en la práctica suelen bastar de 5.000 a 10.000 pasadas. Más pasadas suavizan aún más la curva, pero apenas cambian el mensaje principal.
¿PERT-beta o distribución triangular, cuál elijo?
El triángulo es el más fácil de explicar; la PERT-beta pondera con más fuerza el valor más probable y es el estándar de facto en la gestión de proyectos. En caso de duda, use la PERT-beta.
¿Debo comprometerme con P50, P80 o P90?
P50 es una fecha 50/50, más pensada para la planificación interna. Para un compromiso fiable hacia fuera, comunique P80 o P90, según su apetito de riesgo y las penalizaciones.
¿En qué se diferencia Monte Carlo de la ruta crítica?
La ruta crítica trabaja con duraciones fijas y subestima sistemáticamente la duración del proyecto por la convergencia de rutas. Monte Carlo incorpora la dispersión y entrega una probabilidad en lugar de una sola fecha.
¿Necesito datos históricos para una simulación de Monte Carlo?
No. Puede empezar con estimaciones de expertos de un valor optimista, más probable y pesimista. Con datos reales de plan/real, por ejemplo de Merlin Project, la simulación se vuelve bastante más fiable.
¿Debo tener en cuenta las correlaciones entre tareas?
Si un riesgo afecta a varias tareas a la vez, por ejemplo el mal tiempo a todos los trabajos exteriores, sí. Las desviaciones no correlacionadas se compensan en promedio, las correlacionadas no. Quien ignora la correlación subestima el rango y, con ello, el riesgo de plazo.
