El dato que abre casi todos los cursos de gestión de proyectos es que alrededor del 70% de los proyectos fracasa. Viene del CHAOS Report del Standish Group, publicado desde 1994 y citado en todas partes.
En 2010 Jan Eveleens y Chris Verhoef publicaron en IEEE Software un análisis de ese informe titulado, sin rodeos, ascenso y caída de las cifras del CHAOS. Su objeción principal tiene que ver con las definiciones. Según los criterios Standish un proyecto tiene “éxito” solo si respeta las estimaciones iniciales de tiempo, coste y funcionalidad. Lo que significa que un proyecto entregado por debajo del presupuesto se clasifica como problemático, y que mejorar tu capacidad de estimar empeora tu puntuación si las estimaciones iniciales estaban infladas. Añaden que la muestra es autoseleccionada y no representativa, y que los datos brutos nunca se han hecho verificables.
Lo cual no significa que los proyectos vayan bien. Significa que para saber cómo van hay que mirar en otro sitio.
El número real: 16.000 proyectos
Bent Flyvbjerg, que estudia grandes proyectos desde hace treinta años, primero en Oxford y luego en Copenhague, ha construido la base de datos más amplia disponible: más de 16.000 proyectos en más de veinte sectores y más de cien países, de la construcción a la informática y a los Juegos Olímpicos.
Los números que extrae, publicados en 2023 en el libro escrito con Dan Gardner, son estos:
| Criterio | Porcentaje de proyectos que lo cumple |
|---|---|
| Dentro del presupuesto | ~48% |
| Dentro del presupuesto y del plazo | ~8,5% |
| Presupuesto, plazo y beneficios esperados | ~0,5% |
Uno de cada doscientos. Es un número que conviene tener presente antes de convencerse de que el propio retraso es una culpa personal.
Por qué fallas las estimaciones, y por cuánto
El fenómeno tiene un nombre preciso, acuñado por Kahneman y Tversky: falacia de la planificación. Es la tendencia sistemática a subestimar tiempos y costes de una tarea incluso sabiendo que tareas parecidas se pasaron en el pasado.
La demostración más limpia es de Roger Buehler, Dale Griffin y Michael Ross, publicada en 1994 en el Journal of Personality and Social Psychology. Preguntaban a estudiantes universitarios cuándo terminarían su tesis. La estimación media era de unos 34 días. El tiempo real medio fue de unos 55. Solo alrededor del 30% había terminado en la fecha que había indicado como más probable. Y la parte más interesante: cuando se les pedía formular un escenario del peor caso posible, menos de la mitad terminaba en esa fecha.
No es optimismo genérico. Es una distorsión concreta: cuando planificamos construimos un escenario desde dentro, los pasos de este proyecto, e ignoramos la estadística de cómo fueron los proyectos parecidos.
A gran escala los números están documentados. Flyvbjerg, Holm y Buhl analizaron en 2002, en el Journal of the American Planning Association, 258 proyectos de infraestructuras de transporte en 20 países, cubriendo setenta años:
- Sobrecoste en 9 de cada 10 proyectos.
- Ferrocarriles: unos +45% de media. Puentes y túneles: unos +34%. Carreteras: unos +20%.
- Ninguna mejora medible a lo largo de setenta años, pese a que las herramientas de planificación han mejorado enormemente.
Ese último punto es el más importante y el más ignorado: el problema no se resuelve con mejor software.
El único remedio con evidencia
El remedio que propone Flyvbjerg se llama previsión por clase de referencia, y deriva directamente de la distinción de Kahneman entre visión interna y visión externa. El procedimiento es trivial de describir e incómodo de aplicar:
- Identifica la clase de proyectos parecidos al tuyo.
- Encuentra la distribución real de resultados de esa clase (tiempos, costes).
- Sitúa tu proyecto en esa distribución y corrige tu estimación en consecuencia.
La estimación deja de nacer del plan y nace de los datos históricos. El método se ha adoptado de forma institucional: el Ministerio de Transporte británico y el Green Book del Tesoro británico prescriben incrementos obligatorios por “optimism bias” calibrados precisamente sobre distribuciones históricas.
Tu proyecto no es especial. Es un caso de su clase, y la clase tiene una distribución conocida.
¿Lo resuelve el agile?
Aquí es honesto decir que la evidencia es más débil de lo que sugiere el marketing. Muchas de las comparaciones agile-contra-waterfall más citadas vienen de los mismos informes que acabamos de poner en duda.
El trabajo cuantitativo independiente más sólido es de Pedro Serrador y Jeffrey Pinto, publicado en 2015 en el International Journal of Project Management, sobre una muestra de 1.002 proyectos en varios sectores y países. El resultado: el uso de enfoques ágiles e iterativos estaba positivamente correlacionado tanto con la eficiencia como con la satisfacción de los stakeholders. El efecto era positivo y estadísticamente significativo, pero moderado, lejos del orden de magnitud que se cuenta en las presentaciones.
Hay una razón teórica por la que la iteración ayuda igualmente: acorta el tiempo entre decisión y verificación. No elimina la falacia de la planificación, pero reduce el coste de cada error de estimación.
Cuatro reglas para estimar y terminar
- Escribe qué significa “terminado” antes de empezar. Una definición verificable, no un adjetivo. La mayoría de los proyectos que no terminan nunca no han tenido nunca una condición de fin.
- Usa la visión externa para estimar. ¿Cuánto tardó lo último parecido? Si no lo sabes, el primer trabajo es medirlo, no planificar mejor.
- Aplica un incremento explícito, no un margen escondido. Declarar “añado un 30% porque la clase de referencia lo dice” es defendible. Inflar cada tarea en silencio no.
- Reduce el lote. Entregar algo cada dos semanas no hace correctas las estimaciones, hace pequeños los errores.
- Mantén una sola lista de prioridades. Si hay tres prioridades “máximas”, no hay ninguna. Es el punto donde la gestión de proyectos se encuentra con la gestión del tiempo.
- Haz visible el estado sin pedir actualizaciones. Un tablero actualizado elimina la mitad de las reuniones. Vale aún más trabajando en remoto.
- Haz retrospectivas con datos, no con opiniones. Estimado contra real, para cada bloque. Así construyes tu clase de referencia para la próxima vez.
Lo que pienso: la competencia más descuidada es decir que no
Creo que la parte más infravalorada del papel es decir que no, y que es también la menos enseñada. En los cursos se dedica mucho tiempo a diagramas de Gantt y matrices de responsabilidad, y casi nada a cómo se le comunica a alguien que su petición no entra en este trimestre.
También tengo la impresión de que la obsesión por las herramientas es en parte una forma de aplazamiento. El dato de Flyvbjerg sobre los setenta años sin mejoras sugiere que el cuello de botella nunca fue tecnológico. Pero es más fácil evaluar software que revisar cómo se asumen compromisos.
Por último, una hipótesis que no puedo verificar: muchos proyectos no van mal por ejecución. Van mal porque nadie se había puesto de acuerdo en cuál era el resultado, y la ambigüedad emerge solo al final, cuando cuesta más.
Preguntas frecuentes
¿El 70% de fracasos es falso? Es una cifra que depende de definiciones discutidas y de una muestra no verificable. Los datos de Flyvbjerg, sobre una base mucho más amplia, dan un cuadro distinto pero no más tranquilizador.
¿Hace falta una certificación tipo PMP? En algunos sectores y países es un requisito formal y abre puertas. Como predictor del éxito del proyecto, la evidencia es mucho más débil de lo que sugiere el precio. He escrito sobre ello en qué certificaciones valen.
¿Cómo hago la clase de referencia si no tengo datos históricos? Empieza a recogerlos ahora, aunque sea de forma tosca: fecha prevista, fecha real, para cada entrega. Después de diez elementos ya tienes más información que cualquier estimación intuitiva.
¿Añadir personas acelera un proyecto retrasado? Fred Brooks sostuvo que no ya en 1975, por el coste de comunicación y formación. Es un argumento conceptual más que un experimento, pero lleva cincuenta años en pie.
¿Agile o waterfall? La pregunta está tan mal planteada como la de hard y soft skills. En los datos de Serrador y Pinto el enfoque iterativo ayuda, con efecto moderado. Cuenta mucho más tener una definición de terminado y una estimación honesta.
Fuentes
- Eveleens, J. L., & Verhoef, C. (2010). The Rise and Fall of the Chaos Report Figures. IEEE Software, 27(1), 30-36. El análisis crítico de las definiciones Standish.
- Flyvbjerg, B., & Gardner, D. (2023). How Big Things Get Done. Currency. La base de datos de más de 16.000 proyectos y los porcentajes de cumplimiento de presupuesto, plazos y beneficios.
- Flyvbjerg, B., Holm, M. S., & Buhl, S. (2002). Underestimating Costs in Public Works Projects: Error or Lie? Journal of the American Planning Association, 68(3), 279-295. Los 258 proyectos de transporte en setenta años.
- Flyvbjerg, B. (2006). From Nobel Prize to Project Management: Getting Risks Right. Project Management Journal, 37(3), 5-15. La previsión por clase de referencia.
- Buehler, R., Griffin, D., & Ross, M. (1994). Exploring the “Planning Fallacy”: Why People Underestimate Their Task Completion Times. Journal of Personality and Social Psychology, 67(3), 366-381. El estudio sobre las tesis.
- Kahneman, D., & Tversky, A. (1979). Intuitive Prediction: Biases and Corrective Procedures. TIMS Studies in Management Science, 12, 313-327. El origen de la distinción entre visión interna y externa.
- Serrador, P., & Pinto, J. K. (2015). Does Agile Work? A Quantitative Analysis of Agile Project Success. International Journal of Project Management, 33(5), 1040-1051. Los 1.002 proyectos.
- Brooks, F. P. (1975). The Mythical Man-Month: Essays on Software Engineering. Addison-Wesley. El argumento sobre añadir personas.
- HM Treasury (2022). The Green Book: Central Government Guidance on Appraisal and Evaluation. Los incrementos obligatorios por optimism bias en la práctica institucional británica.
Este artículo se ha escrito siguiendo el proceso descrito en cómo escribimos. Si encuentras un dato mal reportado, escríbeme: lo corrijo y lo señalo al final del artículo.



