• Por la Dra. Lívia Mandelli

Los sistemas avanza­dos procesan grandes volúmenes de infor­mación, reconocen patro­nes y presentan recomenda­ciones muy bien elaboradas. Sin embargo, las decisiones importantes casi nunca per­tenecen exclusivamente al ámbito de los datos. Implican intereses en conflicto, con­secuencias distribuidas de manera desigual, reputación, valores y riesgos que no pue­den reflejarse íntegramente en una hoja de cálculo. Aunque una previsión sea mejor que la intuición humana, alguien todavía debe decidir qué obje­tivos se perseguirán, qué cos­tes son aceptables y qué lími­tes no deberán sobrepasarse. La tecnología mejora la lectura del escenario, pero no pone fin a la dimensión humana de la elección.

Los estudios de Gary Klein sobre las decisiones en entor­nos reales ayudan a compren­der por qué la experiencia sigue siendo valiosa. Los especia­listas reconocen patrones y simulan rápidamente un posi­ble camino porque han cons­truido un repertorio a partir del contacto con situaciones concretas. No obstante, esa misma experiencia puede lle­varnos a interpretar un pro­blema nuevo por medio de categorías antiguas. La solu­ción no consiste en elegir entre la intuición del profesional y el análisis de la máquina. Con­siste en establecer una rela­ción en la que cada una revele las limitaciones de la otra: el sistema identifica patrones que escapan al especialista; el especialista percibe contextos, excepciones y cambios que los datos todavía no han captado.

El riesgo surge cuando confun­dimos una respuesta fluida con una respuesta fiable. Investi­gadores vinculados a Harvard Business School, la University of Washington y MIT Solve analizaron 3.002 decisiones tomadas por 228 evaluado­res experimentados sobre 48 propuestas reales de innova­ción social. Los participantes trabajaron con una evalua­ción exclusivamente humana, con la recomendación de un modelo sin justificación o con una recomendación acom­pañada de una explicación narrativa. Las explicaciones bien redactadas aumentaron la adhesión al sistema, pero no mejoraron las decisiones en la misma proporción. Por el con­trario, redujeron las ocasiones en las que los evaluadores con­tradecían correctamente una recomendación equivocada y aumentaron el rechazo de ideas prometedoras.

El hallazgo resulta provocador porque una mayor cantidad de explicaciones no siempre supone una mejor supervi­sión. Bajo presión, una narra­tiva coherente puede sustituir la verificación independiente. Por ello, las decisiones relevan­tes requieren cierta fricción: registrar la hipótesis humana antes de consultar el sistema, buscar evidencias que puedan refutar la recomendación y definir quién tendrá la función de cuestionarla. Puede pare­cer un paso adicional, pero esta pausa suele evitar la falsa velocidad que ahorra minutos durante la decisión y consume meses durante la corrección.

A medida que las perso­nas y los sistemas pasan a tomar decisiones conjunta­mente, aumenta el riesgo de 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. Todos participaron, pero nadie parece haber tomado la deci­sión. Esta brecha de respon­sabilidad, o accountability gap, no nació con la IA. La tecnología únicamente facilita la transferencia de agencia por­que ofrece recomendaciones complejas, con apariencia de objetividad y difíciles de cues­tionar.

Ningún sistema entra en la sala para responder por las conse­cuencias. No repara una con­fianza quebrantada, no explica a un equipo por qué se tomó una decisión determinada ni asume públicamente los valo­res incorporados en sus crite­rios. Esto no significa atribuir toda la responsabilidad a una sola persona, sino establecer claramente la cadena de deci­sión: 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. Contar con un «ser humano en el circuito» sirve de poco si este profesional no dispone de tiempo, conocimientos o auto­ridad efectiva para discrepar.

Liderar, en este contexto, sig­nifica preservar la autoría. El líder debe ser capaz de afirmar que consideró los datos, escu­chó a las personas, examinó la recomendación y asumió la decisión. La IA puede elevar la calidad del análisis y supe­rar el desempeño humano en determinadas partes del pro­ceso; lo que no puede hacer es funcionar como coartada. Cuanto mayor sea el impacto sobre las personas, más impor­tantes serán la trazabilidad, la posibilidad de impugnación y la reparación. La gobernanza no es únicamente un conjunto de normas en torno a la herra­mienta. Es la manera en que la organización distribuye el poder y mantiene visible la res­ponsabilidad.

En un artículo publicado en la Harvard Business Review en agosto de 2026, Leonid Sudakov y Nathan Furr llaman la aten­ción sobre una capacidad que puede debilitarse precisamente cuando las empresas empiezan a disponer de una mayor inte­ligencia: el original judgment, o juicio original. No se trata de decidir en solitario ni de buscar originalidad a cualquier precio. Es la capacidad de percibir aque­llo que la narrativa dominante no ha captado y construir una interpretación propia antes de adherirse al consenso, a la jerar­quía o a la recomendación del sistema. Cuando los profesio­nales consultan herramientas similares y reciben respuestas organizadas conforme a los mis­mos patrones, esta independen­cia se convierte en una ventaja estratégica.

El juicio no es un patrimonio que se adquiere para siem­pre; se desarrolla mediante su ejercicio. Si transferimos a la tecnología la formulación del problema, la selección de las evidencias, la interpretación y la propuesta de decisión, gana­mos eficiencia, pero corremos el riesgo de convertirnos en edi­tores de respuestas prefabrica­das. La cuestión no consiste en utilizar o no la IA, sino en elegir entre emplearla para ampliar el pensamiento o permitir que sustituya el esfuerzo necesa­rio para configurar una inter­pretación propia. Recibir una segunda opinión es muy dife­rente de renunciar a la primera.

Sudakov y Furr presentan el método CAST como una disci­plina destinada a proteger este juicio. En esencia, propone bus­car información en las perife­rias, conectar señales que parecen inconexas, suspen­der las conclusiones prematu­ras y provocar interpretacio­nes alternativas. Consiste en mirar más allá de los paneles y los consensos para percibir al cliente atípico, la reclamación aislada, el conato de accidente, la voz ausente de la reunión y el dato tratado como ruido. Los grandes cambios rara vez lle­gan anunciándose; antes de convertirse en tendencia, cri­sis u oportunidad, suelen apa­recer en los márgenes.

Percibir estas señales es solo el comienzo. El líder debe traba­jar con hipótesis contrapues­tas, buscar evidencias que desa­fíen su interpretación preferida y mantener abierta la diferen­cia entre advertir un patrón y comprender su causa. “Tengo una hipótesis, todavía no tengo una conclusión” es una frase que demuestra madurez, no debilidad. Suspender el cierre no significa posponer indefini­damente la decisión. Significa mejorar el razonamiento antes de que la convicción se trans­forme en acción. Esto también depende de un entorno en el que una objeción bien funda­mentada no sea tratada como deslealtad.

Gran parte del debate sobre el futuro del trabajo intenta determinar qué es lo que la inteligencia artificial jamás será capaz de hacer. Esta puede ser una base frágil sobre la cual construir la relevancia profe­sional, porque las fronteras de la tecnología se desplazan rápi­damente. La pregunta más útil es otra: ¿qué no puede delegar un líder sin dejar de ejercer el liderazgo, incluso cuando la tecnología sea capaz de ejecu­tar partes cada vez mayores del trabajo? No puede tercerizar por completo el significado de una elección, la construcción de la confianza, la definición de los límites éticos ni la responsa­bilidad por las consecuencias.

Tal vez la IA nos ayude a retirar del liderazgo algunas caracte­rísticas que confundimos con su esencia. Disponer de más información, dominar todos los detalles y ofrecer la primera respuesta no son sinónimos de liderar. El liderazgo se mani­fiesta cuando existe incer­tidumbre, cuando intereses legítimos entran en conflicto y cuando los datos no ponen fin a la discusión. Se revela en la cali­dad de las preguntas, en el valor de escuchar una voz incómoda y en la capacidad de asumir una decisión difícil sin esconderse detrás del proceso.

Si la inteligencia estuviera disponible para todos, ¿por qué alguien elegiría seguirlo a usted? La respuesta estará menos relacionada con lo que el líder sabe y más con la experien­cia que las personas viven bajo su liderazgo. ¿Pueden comuni­car malas noticias antes de que se conviertan en crisis? ¿Pue­den cuestionar una recomen­dación aparentemente irrefuta­ble? ¿Comprenden los criterios de las decisiones que las afec­tan? ¿Encuentran orientación sin perder su propia capacidad de pensar? Estas preguntas desplazan el liderazgo desde el desempeño intelectual hacia la calidad de las relaciones y de las elecciones.

Un liderazgo a prueba de IA no es un liderazgo protegido frente a la tecnología. Es aquel cuya relevancia no depende de las limitaciones de la máquina. Utiliza toda la inteligencia dis­ponible, pero preserva la auto­ría; gana velocidad, pero sabe cuándo una pausa protege la calidad; acoge recomendacio­nes sofisticadas, pero no con­funde la fluidez con la verdad; distribuye el poder, pero no diluye la responsabilidad. La inteligencia artificial puede ampliar de manera extraor­dinaria aquello que una orga­nización es capaz de hacer. Seguimos siendo responsa­bles de decidir qué merece la pena hacer, en nombre de qué valores y con qué disposición para responder por las conse­cuencias. Cuanto más inteli­gentes se vuelven los sistemas, menos sentido tiene competir con ellos por las respuestas y más importante resulta formu­lar las preguntas que verdade­ramente importan.