Nota: Hacemos nuestro mejor esfuerzo por preservar el espíritu original y los matices de nuestros artículos. Sin embargo, nos disculpamos de antemano por cualquier falla de traducción que pueda notar. Agradecemos sus comentarios en reader_input@mckinsey.com
La inteligencia artificial (IA) está transformando el desarrollo de estrategias al acelerar la investigación, la interpretación, la síntesis, la simulación y la comunicación. Sin embargo, aunque la IA puede agilizar muchas de estas actividades, el juicio humano y la generación de consensos que permiten convertir los análisis en decisiones acertadas no pueden comprimirse de la misma manera. Esto significa que las ganancias en velocidad que aporta la IA a menudo no se traducen en decisiones estratégicas mejores o más rápidas.
Más perspectivas de McKinsey en Español
Mire nuestra colección de artículos en Español y suscríbase a nuestro newsletter mensual en Español.
Todo sistema está limitado, en última instancia, por su etapa más restrictiva. La toma de decisiones estratégicas no es una excepción. La IA puede recopilar datos, realizar análisis, sintetizar información y ayudar a interpretar los resultados con rapidez. Pero los líderes siguen necesitando tiempo para comprender las implicaciones, cuestionar los supuestos, sopesar las ventajas y desventajas y asumir la responsabilidad de la decisión. A medida que el análisis se acelera, el juicio se convierte en el nuevo cuello de botella.
Esta situación introduce nuevos riesgos en la toma de decisiones estratégicas. Si un equipo de estrategia acelera demasiado, las decisiones pueden tomarse sin una evaluación adecuada y es probable que se cometan errores. Si el equipo avanza demasiado despacio, las inversiones en IA podrían no generar beneficios. Delegar el trabajo analítico a la IA también elimina las tareas de nivel inicial que tradicionalmente han servido como campo de formación para quienes comienzan a tomar decisiones.
Un director de estrategia resumió la confusión de muchos al decirnos: “Cuando asumí mi nuevo cargo, pregunté al equipo cómo estaban usando la IA. Ellos me preguntaron cómo creía yo que deberían utilizarla. Ninguno de nosotros tenía una respuesta clara, pero sabíamos que el CEO nos preguntaría cuál era nuestro plan.” Sin embargo, había algo que tenía muy claro: “Necesitamos aprovechar la velocidad de la IA, pero teniendo en cuenta que la estrategia conlleva riesgos particulares y que, en este caso, el objetivo de la IA no es la eficiencia, sino obtener mejores resultados.”
Este artículo analiza dónde puede la IA acelerar la toma de decisiones estratégicas, dónde sigue siendo esencial el juicio humano y los riesgos que surgen cuando ambos operan a velocidades distintas. Concluye con tres formas en que las empresas pueden integrar eficazmente la velocidad de la IA con el juicio humano.
Un análisis más rápido no garantiza decisiones más rápidas ni mejores
La clave para obtener mejores rendimientos de las inversiones en IA es entender dónde aporta valor real, dónde las personas todavía deben asumir el liderazgo y cómo rediseñar el proceso para resolver el cuello de botella del juicio (gráfica).
Las empresas ahora pueden usar la IA para detectar rápidamente amenazas y oportunidades emergentes a una escala y velocidad que en el pasado habrían supuesto costos prohibitivos. La aceleración puede ser drástica: un ejecutivo con el que hablamos nos dijo que su equipo de estrategia ahora podía completar cinco semanas de análisis financiero en menos de dos días. Pero esa velocidad es un arma de doble filo.
El reloj rápido: Dónde aporta valor la IA
Observamos que la IA aporta el mayor valor en tres áreas del proceso de toma de decisiones estratégicas:
- Detectar tendencias emergentes. La IA puede analizar enormes cantidades de información —como patentes, actividades de startups, flujos de inversión, comunicaciones con inversionistas y lanzamientos de productos— a velocidades y costos que antes eran imposibles. También puede sintetizar la información para generar insights e identificar implicaciones, lo que brinda una visibilidad específica y prácticamente en tiempo real del contexto empresarial.
- Evaluar escenarios de forma rápida y económica. La IA puede hacer más concretas las discusiones sobre situaciones hipotéticas al modelar las implicaciones de distintos escenarios. Contar con esos escenarios puede ayudar a las empresas a responder con mayor rapidez a medida que cambian las condiciones. También puede reducir los riesgos de la innovación o de los cambios de rumbo importantes del mercado al identificar y dimensionar los factores que tienen mayor impacto en el éxito de una iniciativa. Las empresas pueden entonces dar seguimiento a estos factores y, cuando sea posible, influir en ellos.
- Establecer factores desencadenantes de acciones. Las empresas pueden definir de antemano qué medidas tomarán si se presentan ciertas condiciones y utilizar la IA para alertar cuando estas condiciones se cumplan. La mayoría de los ejecutivos con los que hemos hablado usan estos factores desencadenantes solo como señales, y las personas conservan la responsabilidad de tomar la decisión final. Sin embargo, algunas organizaciones están debatiendo si determinadas decisiones podrían ejecutarse automáticamente una vez que se cumplan las condiciones predefinidas.
El reloj más lento: Dónde se requiere el juicio humano
En las decisiones estratégicas trascendentales, las personas aportan al proceso un conjunto distinto de fortalezas al proceso:
- Interpretar la evidencia y poner a prueba los supuestos. Los líderes de estrategia asimilan las opciones, examinan los supuestos y las fuentes de datos, concilian información contradictoria y plantean preguntas a medida que avanza el análisis. Mediante este proceso, evalúan los riesgos y asumen la responsabilidad de las decisiones.
- Reconocer lo que no se había previsto. Los líderes experimentados reconocen patrones que quizá no formaban parte de la hipótesis inicial, incluidas conexiones que un prompt o una habilidad de IA podrían no haber contemplado.
- Generar alineación en torno a las decisiones. Los líderes generan alineación entre personas con objetivos diferentes. En las decisiones trascendentales, llegar a una buena respuesta es solo una parte de la tarea; las personas responsables de ponerla en práctica también necesitan comprenderla y respaldarla.
- Movilizar a la organización para ejecutar. Lograr un impacto empresarial a partir de las decisiones estratégicas depende de la capacidad de una compañía para determinar ante qué señales debe actuar. Tampoco basta con decidir qué debe hacerse; las empresas deben estar preparadas para reasignar rápidamente personas y capital una vez tomada la decisión. En términos deportivos, una cosa es ver venir una bola rápida y otra es ser capaz de batearla.
Estas capacidades ayudan a explicar por qué algunas de las fricciones del proceso tradicional de formulación de estrategias cumplían un propósito. Si la IA asume una parte demasiado grande del proceso, los líderes pueden perder oportunidades de desarrollar su propia comprensión de la evidencia y generar alineación en torno a una decisión.
Por eso, un análisis más rápido no necesariamente conduce a decisiones estratégicas más rápidas y, en algunos casos, incluso puede ralentizarlas. En una empresa, un equipo júnior comenzó a utilizar la IA para producir resultados analíticos entre diez y 20 veces más rápido y evaluar entre tres y cinco veces más escenarios para una determinada iniciativa. Pero los ejecutivos descubrieron que necesitaban más tiempo para revisar los resultados, porque no siempre sabían qué supuestos y fuentes de datos los sustentaban. Tradicionalmente, los líderes conocían a los analistas y sabían qué tipo de decisiones podían confiarles para que las tomaran por su cuenta. Sin embargo, la IA puede dificultar mucho más la comprensión de las fuentes, los supuestos y la lógica detrás del análisis de un modelo, así como la confianza en sus resultados, lo que ralentiza tanto la toma de decisiones como su implementación.
En el caso de decisiones incrementales con información de entrada, salvaguardas y ventajas y desventajas claramente definidas, la IA puede encargarse de gran parte del proceso con una intervención humana mínima. Sin duda, se necesita el juicio humano para establecer esas salvaguardas y gestionar el mayor volumen de resultados, pero estas decisiones requieren menos atención continua por parte de los ejecutivos.
Tres modos de fallo
Ante un ritmo de producción de resultados que el liderazgo no puede asimilar, algo tiene que ceder. Hemos observado tres modos de fallo que están surgiendo. En primer lugar, las organizaciones aplican una “mentalidad de eficiencia” a la toma de decisiones estratégicas en lugar de rediseñar el proceso para obtener mejores resultados, lo que eleva el riesgo de que las iniciativas fracasen. En segundo lugar, las empresas usan la IA para generar más análisis y con mayor rapidez, lo que puede sepultar a los líderes bajo una avalancha de decisiones y desviar su atención de problemas más importantes. Y, en tercer lugar, a medida que la IA asume más trabajo analítico, los empleados júnior dejan de adquirir la experiencia práctica que tradicionalmente les permitía desarrollar su juicio de manera orgánica, lo que representa un riesgo para las empresas a la hora de formar a su próxima generación de líderes.
La mayoría de las empresas no elige deliberadamente entre velocidad y escrutinio. Tienden a favorecer la velocidad porque las ganancias de un análisis más rápido son visibles e inmediatas, mientras que los costos de un juicio insuficiente pueden no hacerse evidentes hasta que algo sale mal.
Hace una década surgió un desajuste similar entre velocidades —y una solución definitiva— con la TI de dos velocidades, lo que ofrece una lección útil sobre cómo las empresas pueden abordar este problema hoy (vea el recuadro “Una lección de la TI de dos velocidades”).
Priorizar la eficiencia sobre la calidad
Muchas empresas consideran la IA desde la perspectiva de la eficiencia o la productividad. Para mantenerse al ritmo del volumen de resultados analíticos de la IA, a veces se omiten la interpretación y las pruebas de riesgo, o se delegan en colaboradores júnior que carecen de la experiencia necesaria para emitir ese tipo de juicios. Un ejecutivo describió así el problema: “Antes podía darle orientación a uno de mis equipos un lunes y disponer de una semana completa antes de que volvieran a necesitar mi intervención. Ahora me responden en cuestión de horas y me piden que revise lo que han hecho. No tengo capacidad para revisarlo todo.”
Las noticias ofrecen ejemplos de lo que puede suceder cuando el trabajo generado por IA se somete a una supervisión humana insuficiente: escritos jurídicos que citan casos inexistentes, agentes de atención al cliente que inventan políticas para apaciguar a los clientes o soluciones de IA que “concilian” fuentes de datos contradictorias eliminando una de ellas. Especialmente en las primeras etapas de adopción de la IA, sus decisiones pueden avanzar a lo largo del proceso con errores que una persona experimentada podría haber detectado.
Los líderes abrumados también pueden recurrir a la IA no solo para producir análisis, sino también para interpretarlos. A medida que aumenta el volumen de resultados, la IA puede utilizarse cada vez más para evaluar su propio trabajo, con una menor intervención del juicio humano y menos pruebas de riesgo en el camino. Con el tiempo, los análisis generados por IA pueden ser interpretados por otro modelo y retroalimentar trabajos posteriores, lo que crea un ciclo en el que aumenta la actividad mientras disminuyen la comprensión y la rendición de cuentas humanas.
A este riesgo se suma el sesgo de automatización: la tendencia a confiar en un resultado simplemente porque lo produjo una máquina. A medida que la IA asume más tareas de análisis e interpretación, las personas pueden estar menos dispuestas a cuestionar sus conclusiones. Evitar este sesgo plantea un nuevo desafío de mentalidad: las personas deben estar dispuestas a cuestionar y, cuando esté justificado, discrepar de las conclusiones generadas por IA.
Crear cuellos de botella del juicio
En disrupciones tecnológicas anteriores, surgieron nuevos cuellos de botella cuando se aceleró una parte del proceso sin rediseñar el resto para gestionar el nuevo ritmo y volumen. En su momento, esto se describió con términos como “sobrecarga de datos” y “parálisis por análisis”. La IA está creando una nueva versión de este mismo desafío. Al acelerar gran parte del análisis y la síntesis que antes requerían mucho tiempo y esfuerzo, la IA ha trasladado el cuello de botella a la capacidad de los líderes para tomar decisiones al respecto.
Los líderes que reciben un gran volumen de información para la toma de decisiones procedente de fuentes que funcionan como cajas negras pueden incluso tomar decisiones con más lentitud que antes. Esto se debe a que, cuando un ejecutivo no sabe en qué partes del análisis puede confiar, quizá necesite verificarlo todo. Incluso en un escenario ideal en el que todos los análisis y las síntesis sean correctos y confiables, las decisiones de gran envergadura tienden a avanzar a la velocidad tradicional. Las organizaciones que invierten en IA con la esperanza de ganar eficiencia en su proceso de toma de decisiones estratégicas a menudo no logran este objetivo.
Permitir que la IA reduzca el desarrollo del juicio
Hoy en día, los empleados júnior utilizan cada vez más la IA para realizar los análisis y las síntesis que en su momento contribuyeron a forjar el juicio de los líderes actuales. Pero las personas desarrollan el juicio mediante la práctica activa, la retroalimentación, la repetición y la corrección de errores en situaciones de bajo riesgo, no mediante el consumo pasivo de respuestas terminadas. El trabajo a distancia ya había comenzado a ejercer presión sobre los modelos orgánicos de aprendizaje práctico, pero la IA está sometiendo al sistema a una presión aún mayor. Las investigaciones emergentes sugieren que depender de la IA para completar el trabajo puede reducir las oportunidades de desarrollar habilidades, a menos que los usuarios interactúen activamente con sus resultados y los verifiquen.1
Sin intervenciones proactivas que reemplacen esta fuente de experiencia, es posible que los futuros líderes no tengan las oportunidades de práctica repetida para desarrollar el juicio y la profundidad de comprensión que necesitan. Un líder de unidad de negocio comentó: “Normalmente, le preguntaría a un analista júnior de mi equipo cuáles son los supuestos del modelo: cosas básicas, como si se trata del PIB nominal o si se incluyó el fondo de comercio en el cálculo. Ahora la gente no lo sabe. Y eso es solo lo básico, por no hablar de los supuestos y modelos más detallados que sustentan los escenarios.”
Paradójicamente, la IA reduce las oportunidades mediante las cuales los empleados desarrollan su juicio, al tiempo que produce más análisis que requieren ese juicio. A medida que aumenta el volumen de resultados, es posible que se pida cada vez más a los empleados con menos experiencia que tomen decisiones para las que carecen de los conocimientos especializados. Las empresas también pueden enfrentar un problema a largo plazo en su semillero de talento si no logran formar a su próxima generación de líderes de estrategia.
Tres formas de conciliar la velocidad de la IA y el juicio humano
Las empresas pueden adoptar tres medidas para integrar con éxito la IA en sus procesos de toma de decisiones estratégicas y evitar los riesgos descritos en este artículo.
Ampliar la capacidad de juicio
Trate la atención de los altos directivos como el recurso escaso que es. Los enfoques tácticos pueden ayudar a los líderes a concentrar su atención en las partes de un análisis que requieren su juicio. Por ejemplo, en lugar de pedir a los ejecutivos que revisen un informe completo, los equipos pueden destacar los supuestos clave, las incertidumbres y las preguntas del tipo “qué tendría que creer usted” que requieren su intervención.
Las empresas también pueden filtrar qué decisiones llegan a la alta dirección, reservando su atención para aquellas que más requieren el juicio humano. Las decisiones pueden clasificarse en tres niveles, en los que la importancia del juicio humano aumenta junto con la incertidumbre, lo que está en juego y la necesidad de rendir cuentas:
- Las decisiones rutinarias, de gran volumen y con parámetros claros a menudo pueden automatizarse, con salvaguardas que establezcan las reglas y los límites dentro de los cuales puede actuar la IA. Algunos ejemplos son la fijación dinámica de precios y promociones, la previsión de la demanda y la distribución del inventario, y las decisiones sobre fraude y crédito en tiempo real.
- Las decisiones que implican mayor incertidumbre o cambios deben seguir siendo lideradas por personas, con el apoyo de la IA. Estas pueden incluir la entrada en un nuevo mercado, el reajuste de precios ante una disrupción o la planeación de escenarios cuando los patrones históricos ya no sean una guía confiable.
- Las decisiones de alto impacto deben permanecer firmemente en manos de líderes que asuman la responsabilidad de ellas. Algunos ejemplos son las grandes operaciones de fusiones y adquisiciones y las desinversiones, los despidos y las reestructuraciones, y las decisiones que implican riesgos significativos de seguridad o de responsabilidad legal.
Desarrollar el juicio de manera proactiva
Las empresas necesitan cerrar deliberadamente la brecha de experiencia que está generando la IA mediante programas de aprendizaje práctico más estructurados. Si bien muchas compañías brindan capacitación básica en IA, gran parte de ella se centra en cómo utilizar las herramientas y en los fundamentos de la seguridad de los datos. La capacitación también debe enseñar a los empleados a entender y validar lo que hay dentro de la caja negra de los análisis generados por IA, incluidos los supuestos y las decisiones estratégicas que sustentan los resultados, para evitar que el control de calidad se acumule en los niveles directivos superiores.
Por ejemplo, una organización pide a los equipos que usan escenarios y modelos generados por IA que hagan que la herramienta muestre explícitamente las fórmulas, los datos, los cálculos y los supuestos detrás de cada paso. Después, se espera que los integrantes del equipo comprendan el trabajo lo suficientemente bien como para responder preguntas al respecto. Esto permite a los empleados observar cómo la IA pasa de los datos y cálculos subyacentes a una conclusión, lo que les ofrece la oportunidad de practicar la comprensión y el cuestionamiento de su trabajo, en lugar de limitarse a aceptar los resultados, y de sentirse responsables de las decisiones que se derivan de ellos.
Combatir la erosión de responsabilidad sobre los resultados generados por IA
Algunos líderes ya están observando una erosión de responsabilidad en sus equipos respecto al trabajo generado por IA. Cuando la IA realiza una mayor parte del trabajo analítico, los integrantes del equipo pueden sentirse menos dueños de los resultados y menos responsables de las decisiones y acciones que estos sustentan.
En las decisiones trascendentales, sigue siendo fundamental asignar la responsabilidad a una persona con la experiencia necesaria para cuestionar los supuestos, evaluar los riesgos y, en última instancia, asumir la responsabilidad de la decisión. Las verificaciones basadas en IA pueden complementar la revisión humana. Por ejemplo, algunas empresas utilizan agentes de IA independientes para examinar un análisis desde diferentes perspectivas, como las de un gestor de riesgos, un emprendedor, un matemático o un abogado del diablo. El objetivo es detectar errores, supuestos cuestionables e interpretaciones alternativas antes de que el análisis llegue a la persona encargada de tomar la decisión.
Un análisis más rápido también puede permitir a las empresas revisar sus decisiones estratégicas con mayor frecuencia. Por ejemplo, algunas compañías están aumentando la frecuencia de las revisiones de asignación de recursos de anual a trimestral, o de trimestral a mensual.
En muchos usos de la IA, más rápido es simplemente mejor. Sin embargo, en el caso de las decisiones estratégicas, un análisis más rápido puede generar más riesgos o aportar menos beneficios de los que las empresas esperan de sus inversiones en IA. Las organizaciones ganadoras no serán las que automaticen más decisiones. Serán aquellas que aprovechen mejor la velocidad de la IA y, al mismo tiempo, protejan el juicio humano que la IA no puede reemplazar.