IA y liderazgo: por qué una respuesta fluida no siempre es una respuesta fiable

Los sistemas avanzados de inteligencia artificial procesan grandes volúmenes de información, reconocen patrones y presentan recomendaciones muy elaboradas, pero las decisiones importantes rara vez se agotan en el terreno de los datos. Así lo plantea un análisis sobre liderazgo y tecnología difundido en dos partes, según el cual las elecciones relevantes involucran intereses en conflicto, consecuencias distribuidas de manera desigual, reputación, valores y riesgos que no pueden reflejarse íntegramente en una hoja de cálculo.

Uno de los respaldos que cita el texto es un estudio de investigadores vinculados a Harvard Business School, la University of Washington y MIT Solve, que analizaron 3.002 decisiones tomadas por 228 evaluadores experimentados sobre 48 propuestas reales de innovación social. Los participantes trabajaron en tres condiciones: una evaluación exclusivamente humana, la recomendación de un modelo sin justificación y una recomendación acompañada de una explicación narrativa. Los resultados indicaron que las explicaciones mejor redactadas aumentaron la adhesión al sistema, pero no mejoraron las decisiones en la misma proporción. Incluso redujeron las ocasiones en que los evaluadores contradecían correctamente una recomendación equivocada y aumentaron el rechazo de ideas prometedoras.

El hallazgo, señala el análisis, sugiere que una mayor cantidad de explicaciones no supone necesariamente una mejor supervisión: bajo presión, una narrativa coherente puede sustituir la verificación independiente. Por eso el texto sostiene que las decisiones relevantes requieren cierta fricción, que se traduce en registrar la hipótesis humana antes de consultar el sistema, buscar evidencias capaces de refutar la recomendación y definir quién tendrá la función de cuestionarla. Puede parecer un paso adicional, admite, pero esa pausa evita una falsa velocidad que ahorra minutos durante la decisión y consume meses durante la corrección.

El análisis también advierte sobre una “zona gris de autoría”. Cuando el resultado es positivo, todos celebran la colaboración; cuando algo sale mal, el ejecutivo afirma que siguió la recomendación, el comité sostiene que confió en el proceso y el área técnica recuerda que el sistema tenía una función meramente consultiva. Esa brecha de responsabilidad, o accountability gap, no nació con la inteligencia artificial, pero la tecnología facilita la transferencia de agencia porque ofrece recomendaciones complejas, con apariencia de objetividad y difíciles de cuestionar. De ahí que el texto plantee la necesidad de establecer una cadena de decisión clara: quién autoriza el uso, quién valida los datos, quién supervisa las desviaciones, en qué situaciones es obligatoria la revisión humana y quién puede interrumpir el sistema.

En otro tramo, el análisis recoge los estudios de Gary Klein sobre las decisiones en entornos reales, según los cuales la experiencia sigue siendo valiosa porque los especialistas reconocen patrones y construyen un repertorio a partir del contacto con situaciones concretas, aunque esa misma experiencia puede llevar a interpretar un problema nuevo mediante categorías antiguas. La propuesta no es elegir entre la intuición del profesional y el análisis de la máquina, sino establecer una relación en la que cada una revele las limitaciones de la otra: el sistema identifica patrones que escapan al especialista y el especialista percibe contextos, excepciones y cambios que los datos todavía no captaron.

El texto también cita un artículo publicado en la Harvard Business Review en agosto de 2026 por Leonid Sudakov y Nathan Furr, que llama la atención sobre el debilitamiento de una capacidad: el “juicio original”. Se trata, según los autores, de la capacidad de percibir aquello que la narrativa dominante no captó y construir una interpretación propia antes de adherirse al consenso, a la jerarquía o a la recomendación del sistema. Para protegerla, Sudakov y Furr presentan el método CAST, orientado a buscar información en las periferias, conectar señales que parecen inconexas, suspender las conclusiones prematuras y provocar interpretaciones alternativas.

Para el análisis, un liderazgo “a prueba de IA” no es el que se protege de la tecnología, sino aquel cuya relevancia no depende de las limitaciones de la máquina. La pregunta más útil, propone, no es qué será incapaz de hacer la inteligencia artificial, sino qué no puede delegar un líder sin dejar de ejercer el liderazgo: el significado de una elección, la construcción de la confianza, la definición de los límites éticos y la responsabilidad por las consecuencias.