El dilema exploración-explotación: cuándo probar cosas nuevas y cuándo redoblar la apuesta

En resumen. Elegir entre una opción buena y conocida y otra sin probar es un problema de exploración-explotación, y la investigación apunta a una sola variable: cuánto tiempo te queda para aprovechar lo que aprendas. En una tarea de laboratorio, las personas exploraban más cuando tenían por delante 6 elecciones que cuando solo les quedaba 1. En los datos de Estados Unidos, las personas nacidas en 1957-64 tuvieron 5,6 empleos entre los 18 y los 24 años y 2,2 entre los 45 y los 54, y un estudio clásico halló que los cambios de empleo explican al menos un tercio del crecimiento salarial en los diez primeros años de carrera. En 2.128 artistas, 4.337 directores de cine y 20.040 científicos, “explorar y después concentrarse” fue la única secuencia asociada a una mayor probabilidad de que empezara una racha de éxitos. La IA abarata las pruebas: en un documento de trabajo, los desarrolladores con acceso a GitHub Copilot aumentaron un 21,79 % su exposición a nuevos lenguajes de programación. La jugada del CEO: fija un presupuesto de exploración proporcional a tu horizonte y decide de antemano qué resultado te haría comprometerte. La jugada del estudiante: trata cada prueba como un experimento barato con una sola pregunta, un tope de coste y una fecha de cierre.

Este artículo aplica la Pila de Decisión Personal a la estrategia personal. Se sitúa junto a la opcionalidad como estrategia de carrera, sobre mantener puertas abiertas, y el individuo antifrágil, sobre sacar provecho de las sacudidas. La pregunta aquí es más acotada: cuándo probar cosas nuevas y cuándo redoblar la apuesta.

¿Qué es el dilema exploración-explotación, en términos sencillos?

Es la elección entre una recompensa que conoces y una opción que conoces menos y que podría ser mejor. La versión formal se llama problema del bandido multibrazo, por las máquinas tragaperras. En un estudio publicado en Nature en 2006, Nathaniel Daw y sus colegas pidieron a 14 sujetos sanos que eligieran repetidamente entre cuatro máquinas tragaperras cuyos pagos medios variaban de un ensayo a otro. Las imágenes cerebrales mostraron que la corteza frontopolar y el surco intraparietal se activaban más durante las elecciones exploratorias, mientras que partes del cuerpo estriado y de la corteza prefrontal ventromedial intervenían en las elecciones de explotación basadas en el valor.

En la investigación sobre gestión, el artículo de James March de 1991 en Organization Science planteó el aprendizaje organizativo como una tensión entre “la exploración de nuevas posibilidades y la explotación de viejas certezas”. Su resumen advierte de que los procesos adaptativos, como refinan la explotación más deprisa que la exploración, “probablemente resulten eficaces a corto plazo pero autodestructivos a largo plazo”. La misma trampa se aplica a una sola carrera: la habilidad que da dinero hoy se lleva la práctica, de modo que desplaza la búsqueda de la habilidad que daría dinero más adelante.

Una síntesis de 2015 publicada en Decision por Katja Mehlhorn y sus colegas rastreó este equilibrio en la investigación con humanos y animales y mostró que no tiene una respuesta fija: depende de las definiciones, de factores ambientales, sociales e individuales, y de la escala temporal. El concepto llegó al gran público a través del libro de 2016 Algorithms to Live By, de Brian Christian y Tom Griffiths.

¿En qué se diferencia de la regla del 37 %?

La regla del 37 % pertenece a otro problema, el de la parada óptima. En el clásico problema de la secretaria, los candidatos llegan de uno en uno, un candidato rechazado no puede recuperarse y el único éxito es elegir al mejor de todos. Los apuntes de clase de Thomas Ferguson sobre la parada óptima muestran que, con muchos candidatos, es aproximadamente óptimo dejar pasar el primer 36,8 % (una proporción de 1/e) y después quedarse con el siguiente candidato que supere a todos los vistos hasta entonces.

La exploración-explotación es distinta: eliges repetidamente, recoges recompensas por el camino y normalmente puedes volver a una opción anterior. Repartir cada trimestre tus horas de aprendizaje entre tu habilidad principal y otras nuevas es un problema de bandido, y ese es el tema de este artículo.

¿Por qué tu horizonte temporal decide la mayor parte de la respuesta?

Porque la información solo tiene valor si queda tiempo para usarla. Robert Wilson y sus colegas (Journal of Experimental Psychology: General, 2014) resumen una teoría que se remonta al trabajo de John Gittins sobre los problemas de bandido en la década de 1970: “la información tiene un valor real en horizontes largos”. Su tarea Horizon lo puso a prueba. Cada partida empezaba con cuatro ensayos de elección forzada, tras los cuales los participantes hacían una sola elección libre (horizonte 1) o una secuencia de 6 (horizonte 6). Con el horizonte más largo, los 30 participantes del análisis principal mostraron las dos formas de exploración: una bonificación mayor para la opción menos conocida (exploración dirigida) y elecciones más ruidosas (exploración aleatoria). Un experimento paralelo no encontró diferencias entre horizontes de 6 y 11, lo que concuerda con un efecto que se activa en cuanto existe algún futuro en el que usar la información.

Alison Gopnik (Philosophical Transactions of the Royal Society B, 2020) sostiene que la larga infancia humana es un periodo evolucionado de búsqueda amplia “antes de que se impongan las exigencias de la explotación orientada a objetivos”, y señala que las soluciones al dilema comparten un rasgo: “el aprendiz debería empezar explorando y converger gradualmente hacia la explotación”.

En el otro extremo de la vida, Rui Mata, Andreas Wilke y Uwe Czienskowski (Frontiers in Neuroscience, 2013) compararon a adultos jóvenes y mayores en dos tareas de búsqueda de alimento, entre ellas una tarea de pesca con 150 participantes (75 jóvenes y 75 mayores). Informan de “una tendencia hacia una menor exploración a medida que aumenta la edad”: los adultos mayores permanecían más tiempo en una parcela antes de pasar a otra. Los autores sopesan una explicación adaptativa (queda menos futuro) frente al deterioro cognitivo, sin determinar cuál pesa más.

La lección práctica: el horizonte se fija por ámbito, no por fecha de nacimiento. Una persona de 50 años que espera usar una nueva herramienta de analítica durante 15 años tiene un horizonte largo en ese ámbito. Una de 25 que planea dejar un campo el año que viene tiene uno corto dentro de él.

¿Qué dicen los datos de carrera sobre explorar pronto?

La Oficina de Estadísticas Laborales de Estados Unidos (Bureau of Labor Statistics, BLS) sigue a las mismas personas durante décadas en la National Longitudinal Survey of Youth 1979 (NLSY79): 9.964 hombres y mujeres nacidos en 1957-64, entrevistados por última vez en 2022-23, con edades de 57 a 66 años. La Tabla 1 reúne sus cifras más recientes junto a la última publicación de Employee Tenure (antigüedad en el empleo).

Tabla 1. La curva de la carrera: cambios de empleo, salidas tempranas, crecimiento de los ingresos y antigüedad por edad (EE. UU.)

Franja de edad	Empleos tenidos en la franja (NLSY79)	Empleos por año de edad (cálculo de CEOtudent)	Empleos iniciados en la franja que terminaron en menos de 1 año	Crecimiento medio anual de los ingresos reales por hora	Antigüedad mediana con el empleador actual, enero de 2026
18-24	5,6	0,80	60,7 %	6,5 %	1,5 años (de 20 a 24 años)
25-34	4,5	0,45	41,7 %	3,3 %	3,0 años
35-44	2,9	0,29	25,3 %	1,9 %	4,7 años
45-54	2,2	0,22	21,4 %	0,1 %	7,0 años
55-58	1,3	0,33	23,8 %	0,7 %	9,6 años (de 55 a 64 años)

Fuentes: U.S. Bureau of Labor Statistics, Number of Jobs, Labor Market Experience, Marital Status, and Health for Those Born 1957-1964 (NLSY79; publicado el 26 de agosto de 2025 y reeditado el 21 de julio de 2026), aspectos destacados y tablas 2 y 5; U.S. Bureau of Labor Statistics, Employee Tenure in 2026 (24 de septiembre de 2026), tabla 1. Los empleos por año de edad dividen el número de empleos de cada franja entre los años de edad que abarca (7 para la franja de 18-24, 10 para las franjas intermedias y 4 para la de 55-58). La columna de antigüedad es una instantánea de 2026 de todos los asalariados de EE. UU., no de la cohorte NLSY79, y sus franjas más joven y de mayor edad son distintas. El texto de la publicación de la BLS atribuye la cifra del 0,1 % de crecimiento de los ingresos a las edades de 45 a 55 años.

Destacan tres patrones. Esta cohorte tuvo 12,9 empleos entre los 18 y los 58 años, más del 40 % de ellos antes de los 25; por año de edad, las personas de 18 a 24 años iniciaron unas 3,6 veces más empleos que las de 45 a 54. Los primeros empleos terminan pronto: el 60,7 % de los empleos iniciados entre los 18 y los 24 años terminó en menos de un año, frente al 21,4 % entre los 45 y los 54. Y los ingresos reales por hora crecieron un 6,5 % anual entre los 18 y los 24 años, frente al 0,1 % entre los 45 y los 54.

Una cohorte más joven muestra la misma forma. La publicación de la NLSY97 de mayo de 2026 abarca a personas nacidas en 1980-84: tuvieron 9,4 empleos desde los 18 hasta los 38 años, 5,1 de ellos entre los 18 y los 23, y el 61 % de los empleos iniciados entre los 18 y los 24 años terminó en menos de un año, frente al 32 % de los iniciados entre los 25 y los 38. En los datos de antigüedad de enero de 2026, la antigüedad mediana de los trabajadores de 55 a 64 años (9,6 años) fue más del triple que la de los trabajadores de 25 a 34 años (3,0 años).

Robert Topel y Michael Ward siguieron las carreras de hombres jóvenes durante hasta 15 años con los Longitudinal Employee-Employer Data (NBER Working Paper 2649, 1988, publicado después en el Quarterly Journal of Economics). Durante los 10 primeros años en el mercado laboral, “un trabajador joven típico trabajará para siete empleadores”, unos dos tercios de todos los empleos que tendrá, y las subidas salariales al cambiar de empleo “explican al menos un tercio del crecimiento salarial al inicio de la carrera”. En su descomposición, las transiciones entre empleos explicaron el 40 % del crecimiento acumulado del logaritmo del salario en los diez primeros años. Concluyen que el cambio de empleo temprano parece desordenado, pero es la forma en que los trabajadores llegan a emparejamientos estables.

Una advertencia: los despidos, las mudanzas y los acontecimientos familiares también están dentro de estas cifras, y las medias no dicen nada sobre un cambio concreto.

¿Compensa explorar antes de especializarse?

Ofer Malamud aprovechó un experimento natural en las universidades británicas. Los estudiantes ingleses eligen un solo campo antes de entrar en la universidad; los escoceses suelen ser admitidos en una facultad amplia y estudian varios campos durante sus dos primeros años. Si la universidad sirviera sobre todo para construir habilidades específicas de un campo, los escoceses que se especializan tarde deberían cambiar más de campo tras graduarse, porque renuncian a menos formación. Los datos mostraron lo contrario. En la estimación preferida, los titulados con estudios escoceses tenían aproximadamente 6 puntos porcentuales menos de probabilidad de pasarse a una ocupación sin relación con su campo, frente a una tasa de cambio escocesa de alrededor del 42 % (NBER Working Paper 15522). Probar varios campos ayudó a los estudiantes a encontrar un mejor encaje.

Un artículo complementario puso precio al cambio. Los titulados que pasaron a una ocupación sin relación con su campo sufrieron una pérdida salarial en el primer año de alrededor de 7 puntos porcentuales. Hubo más cambios en Inglaterra, donde los estudiantes se especializan pronto, pero “el mayor crecimiento salarial de quienes cambian elimina la diferencia salarial al cabo de varios años” (NBER Working Paper 15943). En conjunto: explorar antes de comprometerse reduce los desajustes, y corregir un desajuste más tarde tiene un coste real pero temporal para quienes aún tienen suficiente horizonte por delante.

¿Qué ocurre justo antes de una racha de éxitos en la carrera?

Lu Liu, Dashun Wang y sus colegas (Nature Communications, 2021) rastrearon la obra de 2.128 artistas (más de 800.000 imágenes de obras de arte), 4.337 directores de cine (79.000 películas) y 20.040 científicos, y usaron aprendizaje profundo y métodos de redes para medir cuán variada fue la producción de cada persona a lo largo del tiempo. En los tres ámbitos, las personas tendían a explorar estilos o temas diversos antes de una racha de éxitos y se volvían notablemente más concentradas una vez que esta empezaba.

El resultado clave tiene que ver con la secuencia. La exploración que no iba seguida de concentración se asociaba a una probabilidad de que empezara una racha de éxitos inferior a la de referencia, y lo mismo ocurría con la explotación que no iba precedida de exploración. La exploración seguida de explotación fue la única combinación con un aumento positivo de la probabilidad de que empezara una racha de éxitos: un 20,5 % por encima de la referencia en los artistas, un 13,8 % en los directores y un 19,2 % en los científicos. Los autores sugieren que la exploración, una estrategia arriesgada que amplía el abanico de resultados, aumenta la probabilidad de encontrar una idea prometedora, y que después la explotación la desarrolla.

Los autores subrayan que la evidencia es correlacional. No demuestra que concentrarse cause el éxito, pero ofrece una forma: el movimiento que importa es el paso de explorar a concentrarse.

¿Cómo cambia la IA el coste de explorar?

Explorar es caro sobre todo porque las primeras semanas en un área nueva son lentas. La evidencia inicial sugiere que la IA generativa reduce ese coste. Manuel Hoffmann y sus colegas (Harvard Business School Working Paper 25-021, sin revisión por pares; dos de los cinco autores trabajan en Microsoft y GitHub) usaron el umbral de elegibilidad de un programa en un diseño de regresión discontinua para estudiar el acceso gratuito a GitHub Copilot entre 50.032 desarrolladores destacados de código abierto. Los desarrolladores elegibles se desplazaron hacia la programación, con un aumento de 5,4 puntos porcentuales como proporción de toda su actividad, y se alejaron de la gestión de proyectos, con un descenso de 10 puntos porcentuales. También exploraron más: participaron de media en 15 repositorios nuevos adicionales en comparación con sus pares no elegibles y aumentaron un 21,79 % su exposición acumulada a nuevos lenguajes de programación, mientras que las visitas repetidas a repositorios conocidos disminuyeron. Los autores lo describen como “un aumento de las actividades de exploración en lugar de explotación”.

Un segundo estudio sugiere por qué. Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron un asistente de IA para agentes de atención al cliente. La versión publicada (Quarterly Journal of Economics, 2025), que abarca a 5.172 agentes, informa de que el acceso aumentó de media un 15 % las incidencias resueltas por hora, y de que los trabajadores con menos experiencia y menos cualificados mejoraron tanto la rapidez como la calidad de su trabajo. En la versión de 2023 en documento de trabajo, los agentes tratados con dos meses de antigüedad rendían tanto como los agentes no tratados con más de seis meses. Sobre esa curva, los autores dicen que no pueden distinguir el aprendizaje del simple seguimiento de las recomendaciones de la herramienta, pero los datos de las caídas del software, cuando la herramienta no ofrecía sugerencias, seguían mostrando mejoras respecto al nivel de los trabajadores antes de la IA, lo que los autores interpretan como prueba de un aprendizaje duradero.

La implicación: la IA reduce el coste de cada prueba y de la fase de novato, de modo que el mismo presupuesto compra más pruebas. No alarga tu horizonte ni te dice cuándo parar, lo que hace más importante una regla de parada.

¿Qué dice la evidencia sobre cuándo compensa explorar?

Tabla 2. Análisis de CEOtudent de once estudios y publicaciones estadísticas: cuándo compensa explorar

Contexto (fuente)	Muestra	Hallazgo verificado	Qué sugiere sobre el momento
Tarea de elección en laboratorio (Wilson et al., 2014)	30 participantes en el análisis principal	Más exploración dirigida y aleatoria con 6 elecciones por delante que con 1; sin diferencias entre 6 y 11	Explora siempre que haya un futuro en el que usar la información
Infancia (Gopnik, 2020)	Teoría y revisión de la evidencia	Las soluciones tienden a empezar explorando y a converger hacia la explotación	La búsqueda amplia corresponde al inicio de cualquier curva de aprendizaje
Envejecimiento (Mata et al., 2013)	150 adultos en la tarea de pesca	Tendencia a una menor exploración con la edad	La exploración disminuye a medida que se acorta el horizonte, quizá también por deterioro
Inicio de la carrera (Topel y Ward, documento de trabajo de 1988)	Hombres jóvenes seguidos hasta 15 años	Siete empleadores en los 10 primeros años; los cambios de empleo explican al menos un tercio del crecimiento salarial inicial	Probar empleos al principio es una fuente principal del crecimiento salarial temprano
Datos de cohortes de EE. UU. (BLS NLSY79 y NLSY97)	9.964 personas nacidas en 1957-64; unas 9.000 nacidas en 1980-84	5,6 empleos entre los 18 y los 24 años frente a 2,2 entre los 45 y los 54; crecimiento de los ingresos del 6,5 % frente al 0,1 % anual	La mayor parte de los cambios, y del crecimiento de los ingresos, ocurre pronto
Especialización universitaria (Malamud, documentos de trabajo de 2009 y 2010)	Titulados británicos	Quienes se especializan tarde tienen unos 6 puntos menos de probabilidad de cambiar de campo; la brecha salarial del primer año de quienes cambian se cierra al cabo de varios años	Probar antes de comprometerse reduce los desajustes
Carreras creativas (Liu et al., 2021)	26.505 carreras	Solo la exploración seguida de explotación elevó la probabilidad de que empezara una racha de éxitos (entre un 13,8 % y un 20,5 % por encima de la referencia)	El paso a la concentración es el movimiento que importa
Herramientas de IA (Hoffmann et al., documento de trabajo; Brynjolfsson et al., 2025)	50.032 desarrolladores; 5.172 agentes	Un 21,79 % más de exposición a nuevos lenguajes; los novatos son los que más ganan con la ayuda de la IA	El coste por prueba está cayendo; el horizonte, no

Fuentes: las citadas en cada fila; referencias completas más abajo. La columna sobre el momento es una interpretación editorial de CEOtudent, no un hallazgo de los estudios.

Se repiten tres condiciones: la exploración vale más cuando el horizonte es largo, cuando una prueba revela información real sobre el encaje y cuando le sigue un paso deliberado a la concentración. La herramienta siguiente se apoya en ellas.

La herramienta de asignación exploración-explotación de CEOtudent

Este es un marco editorial de CEOtudent, no un instrumento validado, y no tiene tasas de éxito. Valora cualquier habilidad, puesto, proyecto paralelo o herramienta candidata con tres preguntas:

1. Horizonte restante. ¿Durante cuánto tiempo podrías usar lo que te enseñaría esta prueba? Largo significa varios años de uso después de alcanzar la competencia.
2. Reversibilidad. Si sale mal, ¿puedes deshacerlo en cuestión de semanas con un coste que puedas asumir?
3. Información por prueba. ¿Una prueba pequeña y acotada produciría una señal que cambie tu siguiente decisión?

Tabla 3. Marco editorial de CEOtudent: herramienta de asignación exploración-explotación

Horizonte	¿Reversible?	Información por prueba	Postura	Ejemplo
Largo	Sí	Alta	Explora ya con pruebas pequeñas; el lugar principal de tu presupuesto de exploración	Probar unas cuantas herramientas de IA en tareas semanales reales
Largo	Sí	Baja	Rediseña la prueba para obtener respuesta más rápida antes de invertir en ella	Convertir un curso sin proyecto en un curso más un miniproyecto entregado
Largo	No	Alta	Explora primero mediante un sustituto reversible	Un contrato corto o un proyecto paralelo antes de un cambio de carrera
Largo	No	Baja	Espera; consigue información por otra vía y mantén abierta la opción	Hablar con varios profesionales antes de un título de varios años
Corto	Sí	Alta	Prueba rápida solo si puede amortizarse dentro del horizonte	Una prueba de una semana de un cambio en el flujo de trabajo
Corto	Sí	Baja	Explota; trátalo como curiosidad, no como estrategia	Probar una herramienta de moda que no usarás en el trabajo
Corto	No	Alta	Explota, salvo que se hayan activado los criterios de abandono de la opción actual	Cambiar de empleador poco antes de una salida planificada
Corto	No	Baja	Explota con firmeza y redobla la apuesta	Terminar una certificación casi completa

El horizonte decide si merece la pena explorar, la información decide si merece la pena hacer una prueba y la reversibilidad decide cómo hacerla. Para elegir qué habilidad recibe tu próximo bloque de esfuerzo concentrado, usa la matriz de decisión de habilidades de cuatro factores; esta herramienta decide cuánto esfuerzo se dedica a probar frente a profundizar.

¿Qué tamaño debería tener tu presupuesto de exploración?

Ningún estudio ofrece una proporción correcta para una carrera individual, así que esta regla y sus cifras son puntos de partida editoriales, no valores derivados de la investigación.

1. Presupuesta primero el tiempo y después el dinero. Elige una cantidad que podrías perder por completo sin perjudicar tu trabajo principal.
2. Ajusta la proporción a tu horizonte en el ámbito. Franjas editoriales: horizonte largo (más de 5 años de uso previsto), 25-35 % del tiempo de desarrollo discrecional; medio (2-5 años), 15-25 %; corto (menos de 2 años), 0-10 %.
3. Divide el presupuesto en pruebas, cada una con una sola pregunta, un tope de coste y una fecha de cierre.
4. Revisa en una fecha fija. Cada prueba termina en comprometerse, prorrogar una vez o parar.
5. Promueve las pruebas ganadoras. Una prueba en la que te comprometes pasa a tu trabajo principal y el presupuesto se rellena con pruebas nuevas.

Ejemplo práctico (ilustrativo, no son datos). Una analista de producto dispone de 8 horas semanales para su desarrollo y espera trabajar en analítica durante muchos años, así que toma el extremo inferior de la franja de horizonte largo, el 25 %: 2 horas semanales, o 26 horas en un trimestre de 13 semanas. Hace tres pruebas de unas 8,7 horas cada una: un flujo de trabajo con un agente de IA para los informes semanales, el paso de un análisis recurrente de hojas de cálculo a Python y un breve sprint de entrevistas con clientes. Las otras 6 horas semanales, 78 horas por trimestre, profundizan en su habilidad principal. En la revisión, el flujo con el agente le ahorró tiempo todas las semanas, así que se compromete. El paso a Python no dio una señal clara porque su pregunta era vaga, así que lo prorroga una vez con una pregunta más acotada. El sprint de entrevistas no mostró nada que fuera a cambiar su puesto, así que lo detiene.

La parte del estudiante de la regla es un registro de pruebas: pregunta, tope de coste, fecha de cierre, resultado y decisión.

El test de comprometerse o parar

Plantea estas cinco preguntas en la fecha de cierre de cada prueba. Convierten la lógica exploración-explotación en una decisión tomada de antemano, en el espíritu de los criterios de abandono.

1. ¿Respondió la prueba a su pregunta? Si no, ¿estaba mal diseñada (prorrógala una vez, más acotada) o la señal fue negativa (detenla)?
2. ¿La elegirías frente a tu mejor opción actual si empezaras hoy? La novedad no cuenta; solo cuenta el valor esperado frente a tu mejor opción actual.
3. ¿Tu horizonte restante es lo bastante largo para recuperar el coste de arranque? Quienes cambiaron de campo en el estudio de Malamud recuperaron su brecha salarial, pero solo al cabo de varios años.
4. ¿Estás preparado para acotar? Comprometerse significa recortar otras pruebas; los datos sobre las rachas de éxitos vinculan las mejoras al paso a la concentración, no a acumular opciones.
5. ¿Puedes comprometerte por etapas? Prefiere un primer compromiso reversible, como un proyecto definido o un puesto a tiempo parcial.

Regla de decisión. Comprométete si las respuestas a las preguntas 1, 2 y 3 son todas sí. Prorroga una vez si la pregunta 1 no está clara por el diseño de la prueba y la pregunta 2 sigue siendo plausible. Detente si la respuesta a la pregunta 2 es no. Anota el motivo y júzgalo por su razonamiento y no por su resultado, como se describe en cómo pensar en apuestas.

Lo que esto no significa

• No significa “explora siempre cuando seas joven”. Los datos de carrera describen medias, y la investigación sobre las rachas de éxitos vincula las mejoras a la exploración seguida de concentración, no a la exploración por sí sola.
• No significa que la exploración termine a cierta edad. El horizonte se fija por ámbito.
• No significa que cambiar de empleo cause un salario más alto. Las personas que cambian pueden ser distintas de las que se quedan.
• Solo información general. Esto describe hallazgos de investigación y un marco editorial, no asesoramiento personalizado de carrera ni financiero.

Preguntas frecuentes

¿Qué es el dilema exploración-explotación?
La elección entre una opción conocida con una recompensa fiable y una opción menos conocida que podría ser mejor.

¿Existe una proporción óptima entre explorar y explotar?
No para una carrera individual. La investigación indica que explorar vale más cuanto más tiempo queda para usar lo que aprendes, así que la proporción debería reducirse a medida que se acorta tu horizonte. Las franjas anteriores son puntos de partida editoriales.

¿Es la regla del 37 % la respuesta a cuándo dejar de explorar?
Solo para elecciones únicas en las que no se puede recuperar una opción rechazada. La mayoría de las decisiones de carrera se repiten y permiten volver a opciones anteriores.

¿Es alguna vez demasiado tarde para empezar a explorar?
El horizonte en el ámbito importa más que la edad. Si vas a usar una habilidad nueva durante muchos años, sigue habiendo motivos para probarla.

¿Significa la IA que deberías explorar más?
Ahora cada prueba cuesta menos, así que el mismo presupuesto compra más pruebas. La IA no te dice cuándo comprometerte, así que una regla de parada por escrito importa más.

¿Cómo sabes cuándo redoblar la apuesta?
Cuando una prueba ha respondido a su pregunta, supera a tu mejor opción actual en valor esperado y te queda horizonte suficiente para recuperar el coste de arranque.

Fuentes

1. Daw ND, O’Doherty JP, Dayan P, Seymour B, Dolan RJ. Cortical substrates for exploratory decisions in humans. Nature 441(7095): 876-879, 2006 (manuscrito del autor en PMC).
2. March JG. Exploration and exploitation in organizational learning. Organization Science 2(1): 71-87, 1991 (solo el resumen, vía RePEc/IDEAS).
3. Mehlhorn K, Newell BR, Todd PM, Lee MD, Morgan K, Braithwaite VA, Hausmann D, Fiedler K, Gonzalez C. Unpacking the exploration-exploitation tradeoff: a synthesis of human and animal literatures. Decision 2(3): 191-215, 2015.
4. Christian B, Griffiths T. Algorithms to Live By: The Computer Science of Human Decisions. Henry Holt and Company, 2016 (solo el registro bibliográfico, Open Library).
5. Ferguson TS. Optimal Stopping and Applications, Chapter 2: Finite Horizon Problems. Apuntes de clase, Department of Mathematics, University of California, Los Angeles.
6. Wilson RC, Geana A, White JM, Ludvig EA, Cohen JD. Humans use directed and random exploration to solve the explore-exploit dilemma. Journal of Experimental Psychology: General 143(6): 2074-2081, 2014 (manuscrito del autor en PMC).
7. Gopnik A. Childhood as a solution to explore-exploit tensions. Philosophical Transactions of the Royal Society B 375(1803): 20190502, 2020.
8. Mata R, Wilke A, Czienskowski U. Foraging across the life span: is there a reduction in exploration with aging? Frontiers in Neuroscience 7: 53, 2013.
9. U.S. Bureau of Labor Statistics. Number of Jobs, Labor Market Experience, Marital Status, and Health for Those Born 1957-1964 (NLSY79). Comunicado de prensa USDL-25-1322, 26 de agosto de 2025, reeditado el 21 de julio de 2026, con las tablas 2 y 5.
10. U.S. Bureau of Labor Statistics. Labor Market Experience, Education, Partner Status, and Health for Those Born 1980-1984 (NLSY97). Comunicado de prensa USDL-26-0684, 5 de mayo de 2026.
11. U.S. Bureau of Labor Statistics. Employee Tenure in 2026. Comunicado de prensa USDL-26-1532, 24 de septiembre de 2026, con la tabla 1.
12. Topel RH, Ward MP. Job Mobility and the Careers of Young Men. NBER Working Paper 2649, 1988; publicado en Quarterly Journal of Economics 107(2): 439-479, 1992. Cifras citadas del documento de trabajo.
13. Malamud O. Discovering One’s Talent: Learning from Academic Specialization. NBER Working Paper 15522, 2009; publicado en ILR Review 64(2): 375-405, 2011. Cifras citadas del documento de trabajo.
14. Malamud O. Breadth vs. Depth: The Timing of Specialization in Higher Education. NBER Working Paper 15943, 2010; publicado en Labour 24(4): 359-390, 2010. Cifras citadas del documento de trabajo.
15. Liu L, Dehmamy N, Chown J, Giles CL, Wang D. Understanding the onset of hot streaks across artistic, cultural, and scientific careers. Nature Communications 12: 5392, 2021.
16. Hoffmann M, Boysel S, Nagle F, Peng S, Xu K. Generative AI and the Nature of Work. Harvard Business School Working Paper 25-021, 2024 (documento de trabajo).
17. Brynjolfsson E, Li D, Raymond LR. Generative AI at Work. Quarterly Journal of Economics 140(2): 889-942, 2025 (solo el resumen, vía Crossref); y NBER Working Paper 31161, abril de 2023, revisado en noviembre de 2023.

Nota sobre el análisis original: la Tabla 1 combina tablas de la Oficina de Estadísticas Laborales (BLS) y añade un cálculo de CEOtudent (empleos por año de edad). La Tabla 2 es un análisis de CEOtudent de once estudios y publicaciones. La Tabla 3, la regla del presupuesto de exploración y sus franjas, el ejemplo práctico y el test de comprometerse o parar son un marco editorial de CEOtudent sin tasas de éxito medidas. Se ha descartado deliberadamente: la regla del 37 % aplicada a carreras o parejas sin sus supuestos; las afirmaciones populares sobre cuántos empleos o carreras tiene una persona a lo largo de su vida que no se pudieron rastrear hasta una fuente primaria; la cifra destacada del 14 % de la versión en documento de trabajo de Brynjolfsson, Li y Raymond, sustituida por el 15 % publicado; y cualquier contenido del texto completo de March (1991), que no se consultó.

---

Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.

This post is also available in: