El insulto resultó ser el futuro.

Hace unos años colaboramos con una de las big four en un proyecto de servicios financieros: inmersión y estrategia de experiencia de cliente. El reparto de responsabilidades era clarísimo, ellos llevaban la parte hard (los números, los modelos, los benchmarks) y nosotros en Uncommon la parte soft: el entendimiento del cliente, la cultura, la experiencia.

A unos días de terminar, revisando entregables, el socio que lideraba de su lado, catalogó nuestro trabajo con una frase que no se me olvida: “Esto son juicios de valor, no decisiones basadas en data.”

Lo dijo como crítica. Con ese tonito de quien cree que lo único que vale (lo único facturable) es lo que cabe en un Excel. Y en su mundo tenía lógica (sigue siendo una constante en el mundo corporativo): el dato era escaso y caro, y tenerlo era la ventaja. El juicio era lo blandito, lo debatible, lo que no se podía defender ante un comité.

Corte a hoy. La parte hard que ellos facturaban con ejércitos de analistas la resuelve un modelo en segundos, y está disponible para cualquiera con una suscripción. Los benchmarks son commodity. El deck de doscientas slides que justificaba el fee lo arma un AI con 4 prompts, y con mejores gráficas. Lo único de aquel proyecto que la AI sigue sin poder replicar: el juicio de valor, la lectura de contexto, el criterio humano.

El insulto resultó ser el futuro.

Hoy la frase de moda es diferente: “con AI todos vamos a tener los mismos insights; va a ganar quien ejecute”. Suena lógico hasta que lo piensas dos minutos. Si todos tienen los mismos modelos, la ejecución también se empareja: los mismos agentes, los mismos copilotos, las mismas automatizaciones para todos. Correr rápido en el mismo carril que tu competencia no es ventaja, es tráfico.

Lo que de verdad va a separar a unos de otros es justo lo que aquel socio despreciaba: saber qué importa, qué ignorar y qué apuesta vale la pena cuando el dato no alcanza. Y no lo digo yo por venganza, lo dice la evidencia dura.

Los economistas ya lo habían dicho

Hay tres economistas de la Universidad de Toronto (Agrawal, Gans y Goldfarb) que llevan años estudiando esto y redujeron todo el fenómeno de AI a una idea muy simple: lo que hace la inteligencia artificial es abaratar la predicción, eso es todo. Predicción barata, abundante, para todos.

Cualquier persona que haya llevado un curso de economía sabe qué pasa cuando un insumo se abarata: sube el valor de sus complementos. ¿Y cuál es el complemento de la predicción? El juicio. La máquina te dice qué tan probable es cada escenario, pero decidir qué vale cada resultado, o sea, qué quieres tú, qué estás dispuesto a sacrificar, eso es juicio, y eso no lo hace el modelo.

En sus libros Prediction Machines y Power and Prediction lo dicen tal cual: el juicio dentro de cualquier sistema de AI siempre viene de humanos. El que define los objetivos y las métricas es el verdadero tomador de decisiones, no el sistema. O sea que mientras más AI compres, más caro se vuelve el criterio que no tienes. Piénsalo dos veces antes de firmar la siguiente licencia.

Lo pusieron a prueba con 758 consultores

En 2023, Harvard Business School y BCG hicieron el experimento que todo mundo cita y casi nadie explora completo. Agarraron 758 consultores de BCG y les dieron GPT-4 para tareas reales de estrategia. El estudio se llama Navigating the Jagged Technological Frontier, de Dell’Acqua, Lakhani, Mollick y compañía.

La parte que sale en todos los posts de LinkedIn: con AI completaron 12.2% más tareas, 25% más rápido y con 40% más calidad. Impresionante, sí.

Pero la parte que casi nadie cuenta es la que importa. Los investigadores diseñaron a propósito una tarea donde la AI daba una respuesta convincente pero incorrecta. ¿Y qué pasó? Los consultores que trabajaron sin AI la resolvieron bien 84% de las veces. Los que usaron AI cayeron a entre 60 y 70%. La misma herramienta que te hace 40% mejor te puede hacer 20 puntos peor, ¿dónde sí y dónde no? A profesionales senior, no a becarios.

¿Y quiénes fueron los que mejor salieron en todo el estudio? No los que más le delegaron a la máquina. Los que sabían dónde confiarle y dónde meter su propio juicio. Todos tenían exactamente la misma herramienta. La diferencia fue el criterio. Fin de la teoría de “gana quien ejecute”.

Cuando intentas corregirla, te convence de vuelta

El mismo equipo publicó un seguimiento con un título que parece de película: GenAI as a Power Persuader (HBS Working Paper 26-021). Se metieron a revisar las conversaciones de más de 70 consultores que intentaron validar las respuestas de la AI justo en esa tarea donde fallaba.

¿Qué encontraron? Que cuando los consultores la cuestionaban (le señalaban errores, le pedían reconsiderar) la AI no decía “tienes razón, no sé”. Al contrario: escalaba, se disculpaba, “corregía”, y luego volvía a defender su recomendación equivocada con más datos y argumentos mejor estructurados. La gente no cayó por floja, cayó porque la máquina es persuasiva por diseño.

La conclusión de los autores es la parte que le debería importar a cualquier CEO: no basta con pedirle a tu equipo que “valide” lo que dice la AI. Necesitas flujos de trabajo donde el análisis humano venga antes de consultar a la máquina, y donde el borrador asistido esté separado del juicio final. El criterio no es una habilidad que le exiges a las personas en su evaluación anual, es arquitectura, se diseña.

Y hay otro problema que casi nadie está viendo

Hay algo más que está pasando, y que hace todo esto más urgente: las señales mismas se están contaminando.

Cada vez más del contenido que circula en plataformas, reseñas, foros y redes lo generan agentes autónomos. Datos sintéticos hablando con datos sintéticos. Y tu AI —(la misma que te da los insights) se alimenta de ese caldo. El problema de hace dos años era que todos veían lo mismo. El problema que viene es peor: ya nadie sabe si lo que ve es real.

O sea que el criterio no solo se encarece porque la predicción se abarató. Se encarece porque alguien tiene que decidir qué señal merece confianza antes de que entre a tu estrategia. Las máquinas generan el ruido, alguien tiene que diseñar los filtros, y ese alguien no es otra máquina.

Y aquí es donde mi industria tiene que retarse

Aquel socio no era una excepción, era el sistema funcionando exactamente como fue diseñado. La consultoría tradicional construyó su autoridad sobre la promesa de sacar el juicio de la ecuación. “Los datos dicen.” “El benchmark indica.” “El modelo proyecta.” Vender objetividad fue siempre el negocio, porque la objetividad tiene una gran ventaja: no se responsabiliza. Si la recomendación salió mal, fueron los datos, no el consultor.

(Namedropping de académicos) Mintzberg lleva décadas diciendo que dejarle todo a la data es una trampa: dirigir una empresa no es una ciencia de datos, es un oficio que se ejerce con experiencia y contexto. Y Christensen lo veía desde otro ángulo que me encanta: la estrategia real de una empresa no está en lo que declara, está en cómo asigna sus recursos. Y asignar recursos es, literalmente, un juicio de valor. Decidir qué financias y qué matas es decir quién quieres ser.

La industria que se especializó en esconder el juicio detrás de los datos es la más expuesta ante una tecnología que procesa datos mejor, más rápido y más barato que cualquier analista. Si tu valor era el análisis defendible, la AI ya te rebasó. Lo que no puede hacer (porque por diseño no puede) es querer algo. Definir qué importa, firmar una decisión y cargar con las consecuencias.

Entonces, ¿qué se hace con esto?

Ni resistirte a la AI ni rendirte ante ella. La división del trabajo ya está clara en la evidencia: la máquina predice, el humano juzga. El punto es que el juicio no aparece por arte de magia, se construye con cosas que ningún modelo tiene.

Con experiencia vivida: saber qué se siente cuando un lanzamiento muere en el comité, qué señales precedieron la última crisis, qué promesas de proveedor nunca se cumplen. Con lectura cultural: entender por qué esa estrategia funcionó en São Paulo y se estrelló en Monterrey aunque el Excel decía lo mismo en las dos. Y con valores explícitos: tener claro qué estás dispuesto a sacrificar y qué no, antes de que la predicción te ponga la tentación enfrente.

Una cosa más que aprendí a la mala: el juicio tiene que dejar huella. No basta con decir “aquí decidimos con criterio”. Cada decisión (qué lanzaste, qué pausaste, qué cancelaste y por qué) debería quedar registrada con sus criterios, para poder revisarla seis meses después. El criterio que no se puede auditar es solo opinión con buen marketing.

Las organizaciones que van a ganar no son las que más AI compren ni las que más rápido ejecuten. Son las que construyan la arquitectura donde el criterio humano y la capacidad de la máquina se amplifican mutuamente. La AI extiende el alcance de tu criterio. Tu criterio decide dónde la AI merece confianza y dónde no. Eso no viene en ninguna licencia. Se diseña.

En Uncommon estamos trabajando con empresas para instalar el sistema humano y técnico de criterio humano amplificado con AI, conoce más sobre cómo lo hacemos aquí.