Aprendiendo mientras implementamos: una reflexión desde DemocráTICa

Por Agustina Ascani

Learning & Knowledge

Hay un concepto que encuentro particularmente útil al reflexionar sobre el proceso de Conocimiento y Aprendizaje en DemocráTICa: el Kaizen, la idea de la mejora continua a través de la iteración.

No lo utilizo para sugerir que DemocráTICa fue diseñado en torno al Kaizen. Más bien, ofrece una lente útil para describir algo que se volvió cada vez más evidente a lo largo de la implementación: el programa estaba en constante evolución, y nuestra comprensión de lo que estaba aprendiendo tuvo que evolucionar con él.

Esto quedó particularmente claro cuando comenzamos a consolidar el aprendizaje del programa. La tarea inicial parecía simple: identificar las principales lecciones, organizar la evidencia y articularlas. En la práctica, fue mucho más compleja. El aprendizaje no estaba en un solo lugar esperando ser recolectado. Estaba distribuido entre mecanismos, equipos, actores, conversaciones, decisiones, adaptaciones y relaciones. Parte de él se capturó mediante datos de monitoreo y encuestas; parte, mediante entrevistas y evaluaciones cualitativas; y parte permaneció integrada en el conocimiento tácito de quienes estaban más cerca de la implementación.

El desafío, por lo tanto, no fue simplemente recolectar el aprendizaje, sino hacerlo visible: destilar lecciones y buenas prácticas de una iniciativa compleja en conocimientos claros y valiosos que puedan orientar futuros programas de escala y complejidad similares.

Hacer visible el aprendizaje

Esto implicó preguntar repetidamente: ¿Qué pasó? ¿Qué nos dice eso? ¿Y qué deberíamos hacer con ese conocimiento?

El aprendizaje generado a lo largo de DemocráTICa fue mucho más amplio de lo que cualquier conjunto de lecciones podría abarcar. Las diez lecciones destacadas aquí son una selección de conocimientos que ayudan a contar una historia más amplia sobre cómo el programa fue diseñado, implementado, adaptado y aprendido a lo largo del tiempo.

Las diez lecciones destacadas pueden entenderse como interconectadas más que aisladas:

Primero, la arquitectura y el diseño del programa importan. Uno de los principales aprendizajes fue que la complementariedad funciona cuando los mecanismos tienen roles claros. El Fondo, la Red y POLIS operaron de manera autónoma, cada uno con su propio diseño operativo, criterios de participación y herramientas, mientras contribuían de forma complementaria a la arquitectura general del programa. Sus funciones diferenciadas generaron valor cuando se conectaron de manera intencional, en lugar de tratarse como intervenciones aisladas. La experiencia también mostró que el tiempo es un recurso crítico del programa: la participación significativa, la construcción de confianza, el fortalecimiento de capacidades y la colaboración no siempre pueden comprimirse en ciclos de implementación cortos. Finalmente, el proceso de co-creación reforzó el valor de las voces diversas en el diseño e implementación del programa, ya que distintos actores aportaron conocimiento contextual y perspectivas que ayudaron a que el programa se mantuviera receptivo a medida que evolucionaban las necesidades y condiciones.

Segundo, la implementación reveló que el apoyo necesita ir más allá de la intervención inicial. El Fondo demostró que el apoyo financiero puede funcionar como un habilitador, más que como una simple transferencia de recursos. El financiamiento pudo abrir caminos hacia el acompañamiento técnico, administrativo, legal y programático, creando condiciones para que los actores abordaran barreras más allá de la subvención en sí. Esta fue una distinción importante frente a un modelo más transaccional de cooperación internacional. La experiencia también mostró que los modelos de apoyo necesitan evolucionar a medida que la implementación revela nuevas necesidades: las Clínicas, por ejemplo, se expandieron más allá de su enfoque inicial centrado en tecnología hacia formas más amplias de acompañamiento. La adaptación continua es, por lo tanto, una capacidad del programa, no simplemente una respuesta a los problemas. La colaboración también requirió más que reunir a los actores. El programa puso en evidencia lo que puede entenderse como latencia relacional: los actores pueden conocerse entre sí e incluso compartir agendas, pero esto no necesariamente se traduce en una colaboración activa. Las relaciones necesitan confianza, tiempo, espacios intencionales y estructurados, y oportunidades de intercambio para volverse significativas. El aprendizaje, entonces, no fue simplemente que las redes importan, sino que los programas pueden ayudar a crear las condiciones para que el potencial relacional existente se convierta en colaboración.

Tercero, el aprendizaje y la evidencia requieren tanto sistemas como interpretación colectiva. El programa tuvo que navegar la tensión entre alcance y profundidad: involucrar a un ecosistema amplio a la vez que brindaba un apoyo más sostenido a un número menor de actores. Esto requirió decisiones deliberadas sobre dónde la profundidad podía generar más valor y cómo los conocimientos derivados de ese trabajo podían informar al programa en su conjunto. También reforzó la importancia de diseñar los sistemas de Monitoreo y Evaluación (M&E) y de Conocimiento y Aprendizaje (K&L) desde el inicio, creando una base para que la evidencia se fuera acumulando a lo largo de la implementación. El programa operó dentro de un modelo de gobernanza distribuida, en el que el liderazgo y la toma de decisiones se compartían entre socios, mecanismos y equipos, en lugar de concentrarse en una única estructura. En este modelo, el aprendizaje también tuvo que moverse entre niveles, informando decisiones más allá del punto donde se generó. Un modelo así requirió una orquestación activa para conectar perspectivas y mantener la coherencia, al tiempo que se preservaba la autonomía y los roles diferenciados de cada parte del programa.

Finalmente, cómo pueden entenderse el valor y la escala. El valor no se limita a los resultados inmediatos ni a lo que ocurre dentro de una intervención individual. El programa generó formas de capacidad que permanecieron, conocimiento que circuló, metodologías que fueron adaptadas y relaciones que crearon nuevas oportunidades. Mirar estas dimensiones permite preguntarse no solo qué entregó una intervención, sino qué hizo posible más allá del punto inicial de apoyo. La escala no se trata solo de llegar a más actores; también puede significar crear condiciones para persistir y trasladarse a través del ecosistema.

Al mirar hacia atrás el proceso de hacer visibles estas lecciones, lo que resalta es que el aprendizaje no ocurrió después de la implementación: ocurrió a través de la implementación.

El proceso, por lo tanto, implicó más que documentar lo sucedido. Significó distinguir experiencias individuales de patrones más amplios del programa, y productos (outputs) de conocimientos que pudieran ser significativos más allá de un contexto específico. No todo aprendizaje necesitaba convertirse en una recomendación; algunos fueron valiosos porque cuestionaron supuestos, plantearon preguntas o mostraron a qué deberían prestar atención antes futuros programas. Para K&L, el trabajo consistió, en última instancia, en pasar de la experiencia a los patrones, y de los patrones a conocimientos que pudieran utilizarse más allá del propio programa.

Construir para el aprendizaje

Este proceso también puso de relieve que el aprendizaje necesita permanecer conectado a la implementación, en lugar de convertirse en un ejercicio separado al final de un programa. A medida que se acumulaba evidencia, K&L tuvo que ayudar a conectar los conocimientos emergentes con las preguntas, decisiones y adaptaciones que ya estaban teniendo lugar. Esto requirió crear espacio no solo para documentar lo que había sucedido, sino para revisar supuestos, poner a prueba interpretaciones emergentes e identificar qué conocimientos podían ser relevantes más allá de una experiencia específica.

Es quizás aquí donde la idea del Kaizen resulta más útil. La mejora continua depende no solo de hacer que la siguiente iteración sea mejor, sino de retener y hacer uso de lo aprendido en la anterior. Para programas de esta escala y complejidad, el aprendizaje se convierte en parte de lo que el programa deja atrás: no como un modelo fijo, sino como un conjunto de conocimientos, prácticas y preguntas puestas a prueba que pueden orientar la acción futura.