Un sistema estable funciona como una pelota en un cuenco: un empujón y rueda de vuelta al fondo. La dispersión de las posibles trayectorias —la incertidumbre— se comprime con el tiempo. Pero la velocidad depende de la pendiente de las paredes. En los sistemas complejos, este 'cuenco' tiene zonas de distinta inclinación. Antes, el tiempo de retorno se evaluaba a partir del punto más llano: una sobreprecaución que inflaba la predicción. El nuevo método calcula la pendiente media allí donde el sistema realmente se encuentra.
Los autores mostraron que si reemplazamos un regulador simple por uno no lineal (el equivalente a una suspensión inteligente), los empujes aleatorios se atenúan mejor. Aunque la dureza máxima sea la misma, la forma del cuenco se modifica y retorna al sistema a la normalidad con mayor vigor. Esto optimiza los algoritmos de aprendizaje automático, donde importa llegar antes a los datos necesarios.
Como una peonza de juguete que primero se tambalea cada vez más y luego, de repente, se aquieta, el error de modelado crece hasta un pico y cae en picado... y el momento de ese pico se puede calcular con antelación conociendo la pendiente media.
En los cuentos de Isaac Asimov, los robots obedecen leyes que garantizan su previsibilidad, de manera similar a como la teoría de la contracción promete que el sistema volverá a la normalidad tras cualquier fallo.