Amedida que la IA generativa juega un papel cada vez más relevante en nuestras vidas, a todos nos convendría desarrollar nuestros propios puntos de vista matizados sobre esta tecnología.

¿Cómo podemos entender qué están haciendo las personas con la IA? Hasta ahora, se han utilizado tres métodos principales:

1. Telemetría

Lo que hacen realmente los usuarios: los registros de uso a los que solo pueden acceder los propios LLM.

— Fortalezas: capta el comportamiento real, gran volumen de datos.

— Debilidades: se limita a plataformas individuales, excluye a usuarios que no han iniciado sesión y a quienes optan por no participar, carece de detalle contextual (debido a la privacidad) y es inaccesible para la mayoría de nosotros.

2. Encuestas

Lo que dicen los usuarios cuando se les pregunta.

— Fortalezas: permite preguntar cualquier detalle (por ejemplo, datos demográficos), es fácil de implementar.

— Debilidades: sesgo de autoselección, puede no reflejar el comportamiento real, bajo volumen de datos.

3. Escucha social

Lo que dicen los usuarios sin que se les pregunte.

— Fortalezas: veracidad (el anonimato proporciona seguridad psicológica), nivel de detalle, lo que más preocupa a las personas, reflexiones posteriores e impacto.

— Debilidades: bajo volumen de datos, sesgo hacia las fuentes, ausencia de datos demográficos.

Ningún método por sí solo lo captura todo. Pero, juntos, estos enfoques complementarios ayudan a formar una imagen funcional y útil de cómo mil millones de seres humanos ya están integrando la IA en su vida diaria.

Cuando distintos informes coinciden, probablemente haya una señal a la que conviene prestar atención. Y coinciden en muchas cosas.

No es sorprendente que el uso de los LLM esté creciendo rápidamente.

ChatGPT acaba de alcanzar aproximadamente 800 millones de usuarios activos semanales que, en conjunto, envían alrededor de 20 mil millones de mensajes por semana. Anthropic afirma que el 40% de los empleados reporta usar IA en el trabajo, el doble del porcentaje de hace apenas dos años.

Las tareas siguen una distribución de ley de potencia.

En una distribución de ley de potencia, unos pocos eventos son desproporcionadamente grandes, mientras que la mayoría son muy pequeños. OpenAI observa que el 78% de todos los mensajes encaja en sus tres categorías principales (orientación práctica, escritura y búsqueda de información). Anthropic señala que el 20% de las categorías de tareas representa el 87% del uso. En mi investigación, los 20 principales grupos de casos de uso representan más de la mitad del total de casos de uso. Esta concentración sugiere que los líderes deberían enfocar las inversiones en IA en un pequeño conjunto de casos de uso de alto impacto, en lugar de intentar hacerlo todo al mismo tiempo.

Usamos la IA de forma sustancial para escribir.

El informe de OpenAI indica que “la escritura es el caso de uso más común en el trabajo, y representa alrededor del 40% de los mensajes relacionados con el trabajo”. Anthropic en realidad no dice mucho sobre esto en su informe más reciente, pero en su informe de febrero de 2025, uno de los hallazgos principales fue que “el uso se concentra en el desarrollo de software y en tareas de redacción técnica”. Al menos 20 de los 100 principales casos de uso que analizo están directamente relacionados con la escritura. Esto tiene sentido, dado que el texto es el formato de salida que la IA generativa produce predominantemente. Dado cuánto domina la escritura el uso, las organizaciones podrían ver un retorno de inversión más rápido con herramientas que se mantengan más cerca de las palabras en presentaciones, informes y comunicaciones, que con aplicaciones más exóticas y ambiciosas.

El aprendizaje y la educación son una categoría importante.

Para Anthropic, el uso relacionado con educación creció de 9.3% a 12.4%. Para OpenAI, alrededor del 10% de todos los mensajes de ChatGPT son solicitudes de tutoría o enseñanza. En mi investigación, el 20% de mis casos de uso pertenece al grupo de aprendizaje y educación, lo cual no resulta sorprendente, dado que se trata de una tecnología “inteligente” diseñada para una especie cognitivamente avanzada, curiosa y neoténica.

La ampliación ya está aquí y la automatización está en camino.

Para Anthropic, las conversaciones directivas (automatización) pasaron del 27% al 39% en ocho meses, y entre las transcripciones de APIs empresariales, el 77% ya está dominado por la automatización. Para OpenAI, en el trabajo la mayoría de las tareas (56%) son de ejecución (en lugar de expresión o consulta). En las plataformas sociales que observo a diario, estoy viendo más publicaciones que nunca sobre el uso de agentes de IA.

L

a sabiduría predominante en inteligencia artificial sugiere que los modelos más grandes ofrecen mejores resultados. En nuestro trabajo para compañías de seguros de salud y administradores externos de planes de salud, hemos descubierto que esta suposición se sostiene en muchos casos, pero se desmorona cuando la IA pasa de tareas generales a dominios profesionales especializados.

En este artículo compartimos lo que hemos aprendido sobre cómo los ejecutivos que evalúan inversiones en IA para aplicaciones profesionales de resolución de problemas deben decidir entre modelos de IA generalistas y modelos especializados.

Cuando la escala ofrece el mayor valor

Las ofertas de IA generativa más conocidas como ChatGPT, Claude y Gemini, se basan en modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) y otras tecnologías de IA que se entrenan con texto e imágenes provenientes de innumerables dominios, y por lo tanto parecen capaces de responder prácticamente cualquier pregunta imaginable.

En contraste, los modelos de IA generativa especializados no solo comprenden qué información recuperar, sino también cómo opera esa información dentro del marco de toma de decisiones de un dominio específico. Estas tecnologías de IA generativa agregan datos de entrenamiento altamente contextualizados y metodologías a las capacidades fundamentales de las tecnologías de IA generalistas.

Una arquitectura híbrida como camino hacia el futuro

Nuestra experiencia sugiere que el futuro de la implementación de IA generativa empresarial radica no solo en elegir entre modelos generalistas y especializados, sino también en estrategias de implementación híbrida bien pensadas. Los enfoques más eficaces aprovechan los modelos generalistas para las tareas en las que se destacan, mientras dependen de proveedores especializados para el razonamiento y la toma de decisiones específicas del dominio.

Cómo elegir un proveedor de IA y evitar errores comunes

Dado el buen desempeño que tienen actualmente los mayores LLM en tareas que no son críticas para la misión, es difícil que los líderes empresariales cometan errores graves al elegir entre ellos para tales propósitos. Sin embargo, eso no ocurre cuando se evalúan modelos de IA más especializados. Hemos desarrollado varias preguntas clave que los líderes empresariales pueden formular durante las evaluaciones de proveedores de IA especializada para evitar los errores más comunes:

— ¿Puede el proveedor demostrar claramente la lógica detrás de su IA y hacer que su razonamiento sea transparente?

La pregunta crítica no es si la IA puede procesar información más rápido que los humanos, sino si puede usar esa información de maneras en que sus principales expertos en el dominio puedan confiar, comprender y aprovechar. Busque soluciones que integren marcos de juicio profesional, no solo árboles de decisión, y que puedan explicar por qué priorizan ciertas evidencias.

— ¿El proveedor mantiene una colaboración continua con expertos en su campo? ¿Cómo maneja las prácticas en evolución?

Esto requiere una profunda colaboración entre los desarrolladores de IA y los expertos del dominio, no solo para recopilar datos de entrenamiento, sino también para comprender los marcos subyacentes que guían la toma de decisiones profesionales. Esta pregunta garantiza que su proveedor pueda adaptarse conforme cambian los estándares profesionales, mientras mantiene acceso a la experiencia en el dominio que impulsa la mejora continua.

— ¿La solución propuesta por el proveedor puede abordar la integración entre dominios y la expansión de alcance, o su oferta solo funcionará como una solución puntual?

La clave para captar todo el potencial de la IA radica en comprender y abordar las barreras organizacionales y culturales que enfrentan las iniciativas de IA, en lugar de simplemente desplegar modelos generales más potentes. Esta pregunta ayuda a los líderes a elegir proveedores que anticipan cómo se interconectan las decisiones profesionales entre dominios, y que amplíen sus capacidades conforme evolucionan las necesidades de la organización.

En entornos empresariales de alto riesgo, la experiencia especializada supera a la inteligencia general. Nuestro recorrido desarrollando IA específica para el sector salud nos enseñó que el camino hacia una IA profesional efectiva no radica simplemente en elegir modelos más grandes, sino también en seleccionar soluciones más inteligentes que comprendan cómo piensan, deciden y actúan realmente los profesionales.

E

n las primeras etapas de la innovación, las empresas enfrentan un dilema familiar: ¿Qué ideas merecen más inversión? La solución tradicional, la investigación de mercado centrada en el ser humano, puede proporcionar ideas valiosas, pero a menudo es lenta, costosa y limitada en alcance. Ahora, la IA generativa ofrece una nueva y fascinante herramienta: usuarios sintéticos.

Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés), como ChatGPT y Gemini, han captado la atención por su capacidad para generar contenido e ideas. Pero una frontera menos explorada es su potencial para simular respuestas de clientes ante conceptos de productos y características. Nuestra investigación muestra que los LLM, usados con cuidado, pueden funcionar como grupos focales sintéticos, generando información temprana sobre las preferencias del cliente en una fracción del tiempo y costo de los estudios realizados con humanos.

De generador de texto a simulador de mercado

Los LLM se entrenan con enormes conjuntos de datos que incluyen reseñas de productos, discusiones y patrones de comportamiento expresados en lenguaje natural. Esto los hace sorprendentemente hábiles para responder preguntas estructuradas basadas en opciones sobre productos.

En nuestros estudios, utilizamos un programa para solicitar directamente a los LLM comparaciones de productos que imitan encuestas de investigación de mercado realizadas con humanos.

Para evaluar las respuestas de los LLM, también realizamos estos estudios de análisis conjunto con muestras humanas. ¿Los resultados? Los LLM produjeron preferencias realistas y direccionalmente precisas para muchos atributos conocidos.

En múltiples categorías de productos, los LLM generaron consistentemente clasificaciones de preferencias que se alineaban con los resultados obtenidos de humanos. Como herramienta de prueba previa, el potencial es claro: los LLM pueden identificar ideas débiles desde el principio y priorizar direcciones prometedoras antes de que comience la investigación formal.

Pero existen límites, y son importantes

A pesar de estos resultados prometedores, los LLM “listos para usar” no son simuladores perfectos. De hecho, tienden a sobreestimar el interés en características novedosas o inusuales.

Los LLM están preentrenados, y sin datos adicionales proporcionados por el investigador o acceso a internet, pueden revelar preferencias estáticas y no ajustarse dinámicamente a las condiciones actuales del mercado, proporcionando así información irrelevante.

Usando nuestras metodologías, actualmente los LLM pueden aproximarse a señales promedio del mercado, pero no pueden ofrecer información específica por segmento. Para cualquier cosa más allá de la detección de tendencias generales en etapas tempranas, la investigación humana sigue siendo esencial.

El poder de los datos propios

Uno de los hallazgos más contundentes de nuestra investigación es cuán mejor funcionan los LLM cuando se afinan con los datos históricos de clientes de una empresa.

El afinamiento implica ajustar los parámetros del modelo basándose en estas respuestas de encuestas pasadas. Este proceso mejora la capacidad del LLM para simular preferencias humanas, incluso para características que no ha visto antes.

Las empresas que construyen y afinan sus propios “simuladores de clientes” internos usando LLM y datos históricos de encuestas pueden desbloquear perspectivas más precisas en etapas tempranas.

Costo, velocidad y el embudo de innovación ampliado

Los estudios tradicionales de análisis conjunto pueden costar decenas de miles de dólares y tomar semanas en diseñarse, ejecutarse y analizarse. Nuestros estudios basados en LLM se realizaron en cuestión de horas, a una fracción del costo. Pudimos generar miles de respuestas simuladas e iterar rápidamente.

Esta velocidad permite un proceso de innovación diferente. En lugar de desarrollar solo unas pocas ideas para probar, los equipos ahora pueden explorar docenas, o incluso cientos, de conceptos iniciales, empleando usuarios sintéticos como filtro.

Aumento, no reemplazo

Es tentador imaginar un futuro en el que los usuarios sintéticos reemplacen por completo a la investigación humana. Ese futuro aún no ha llegado, y puede que nunca lo haga.

Aunque los LLM pueden generar conocimientos iniciales creíbles, todavía carecen del matiz, la inteligencia emocional y la variabilidad de las personas reales.

Si se usan de manera responsable, los LLM deben aumentar, no reemplazar, la investigación de mercado.

H

oy en día, tenemos acceso a más información que nunca. YouTube y TikTok pueden proporcionarnos oportunidades de aprendizaje en profundidad de forma gratuita. Los modelos de lenguaje de gran tamaño como ChatGPT y Gemini han demostrado que pueden responder casi cualquier pregunta que se le ocurra con un nivel de precisión cada vez mayor.

Con tantos datos al alcance de la mano, cada vez más personas empiezan a preguntarse: ¿Por qué invertir tiempo y dinero en un título universitario cuando puedo reunir información y desarrollar habilidades en línea?

El problema con esta pregunta es que plantea a la universidad únicamente como una guardiana de la información. Para muchos, la educación superior ofrece mucho más: un viaje transformador en el que los estudiantes pueden establecer contactos y desarrollar habilidades blandas transferibles (como el pensamiento crítico, la comunicación, la resolución de problemas, la inteligencia emocional y la creatividad).

Para aquellos que creen que una educación universitaria puede ofrecer ventajas, aquí le presentamos cómo maximizar los beneficios de la educación superior mientras navega por el cambiante panorama tecnológico.

1. Aprenda las innovaciones más recientes a través de cursos.

La tecnología evoluciona a diario y no muestra señales de desaceleración. Para mantenerse al día con el ritmo del cambio, piense en complementar las habilidades blandas que ya está desarrollando en la universidad con las habilidades duras relevantes para su industria.

Comprender cómo el panorama tecnológico está impactando su campo puede ser parte de su educación universitaria, y un número cada vez mayor de instituciones están proporcionando a sus estudiantes oportunidades para que así sea.

2. Haga networking, networking y más networking.

Construir una red profesional sólida es esencial para su desarrollo profesional. Muchas universidades ofrecen a sus estudiantes oportunidades únicas para hacerlo: oportunidades que son difíciles de recrear a través de las redes sociales y las plataformas de aprendizaje en línea.

Mientras esté en la universidad, participe activamente en estas oportunidades, así como en talleres, seminarios y reuniones estudiantiles. Aproveche el acceso que tiene a personas que pueden abrirle puertas y hacer que su transición al mundo laboral sea menos estresante.

3. Aproveche las oportunidades de trabajo en equipo y resolución de problemas.

Participar en el aprendizaje basado en proyectos y en competencias puede mejorar significativamente su capacidad para resolver problemas del mundo real, los cuales a menudo requieren que trabaje con diferentes personalidades y personas de diversas disciplinas.

En la universidad, probablemente tendrá la oportunidad de trabajar con sus compañeros de esta manera, para resolver problemas bajo una cierta presión de tiempo. Si bien los avances tecnológicos están transformando varias industrias, su capacidad para comunicarse y colaborar eficazmente con los demás seguirá siendo invaluable. Para entrevistas de trabajo, presentaciones laborales y proyectos en equipo, necesitará las habilidades blandas que la universidad proporciona: la capacidad para comunicarse de manera persuasiva, compartir su perspectiva e ideas, y comprender las experiencias de sus colegas.

4. Complemente su educación con otros recursos.

Para complementar aún más su formación académica, puede ser útil buscar pasantías y proyectos comunitarios que le proporcionen experiencia práctica en el mundo real. Este trabajo le permitirá poner en práctica las habilidades y tecnologías más recientes en su industria. La red que construya mientras esté en la universidad puede ayudarle a conectarse con este tipo de oportunidades.

Además de buscar pasantías y trabajos voluntarios, usted puede obtener una ventaja competitiva en el mercado laboral al complementar su educación universitaria con cursos en línea, talleres y certificaciones adicionales en su área de interés. Dependiendo de sus intereses, puede encontrar talleres gratuitos o con descuentos para estudiantes en su localidad.

L

a inteligencia artificial se ha convertido en una asistente invisible que moldea silenciosamente la manera en que buscamos, navegamos, compramos y trabajamos. A medida que las empresas integran cada vez más la IA en sus productos y servicios, surge una pregunta crítica, pero que a menudo se pasa por alto: ¿Por qué algunas personas adoptan la IA con entusiasmo mientras que otras parecen más reacias?

Comprender quién adopta la IA (y por qué) tiene implicaciones para una amplia gama de decisiones empresariales, incluidas las estrategias de adopción organizacional, el diseño de productos y el marketing. He aquí cómo puede aplicarlas.

Evalúe la cultura general sobre IA entre gerentes y empleados

Los gerentes y empleados pueden verse influenciados por su nivel de alfabetización en IA. Una baja alfabetización en IA puede hacer que estén más abiertos a utilizarla en distintas funciones empresariales como contratación, contabilidad, diseño de productos y marketing, incluso si no es necesariamente la solución más óptima. En contraste, aquellos con una mayor alfabetización en IA pueden tener una visión más informada y menos emocional sobre la IA, lo que puede llevar a una mayor cautela o incluso desinterés, no porque piensen que la IA es peor, sino porque les resulta menos novedosa o transformadora.

Al comprender tanto su propia alfabetización en IA como la de sus equipos, los gerentes pueden calibrar mejor cómo abordar la adopción de la IA, evitando el exceso de entusiasmo y la infrautilización.

No asuma que los usuarios más expertos en tecnología son los más receptivos

Si usted está desarrollando o comercializando herramientas impulsadas por IA, nuestros hallazgos deberían hacerlo reflexionar. Estos sugieren que las personas en su mercado objetivo que son más sofisticadas técnicamente, como aquellas con títulos relacionados con la IA, pueden no ser las más receptivas. Especialmente en áreas como la creatividad o el coaching, los clientes objetivo con menor alfabetización en IA pueden ser quienes adopten la tecnología con más entusiasmo.

Adapte su marketing al nivel de alfabetización de su audiencia

Para adaptar el mensaje de manera efectiva, las empresas primero deben evaluar el nivel de alfabetización en IA de su audiencia. Esto puede hacerse a través de encuestas, entrevistas con clientes o indicadores de comportamiento. Herramientas como las nuestras también pueden ayudar a medir rápidamente la alfabetización en IA y ofrecer orientación para la segmentación.

Algunos casos de uso de la IA encajan de forma natural con consumidores expertos en IA. Si sus clientes objetivo dominan la IA, no dependa del factor «sorpresa» para fomentar la adopción. En su lugar, resalte su capacidad, rendimiento o ética. En cambio, si su audiencia objetivo para un producto con IA es el consumidor promedio y su propuesta de valor incluye generar asombro, no desmitifique la tecnología brindando explicaciones técnicas detalladas.

Diseñe productos teniendo en cuenta los diferentes niveles de alfabetización

Usted podría asumir que sus usuarios tienen un sólido conocimiento tecnológico y que pueden manejar diseños de experiencia de usuario sofisticados, o que sus clientes desean la máxima autonomía al usar IA. Pero muchos usuarios simplemente desean simplicidad, claridad y orientación. Un proceso de incorporación efectivo y una experiencia de usuario intuitiva son claves. El éxito de ChatGPT, por ejemplo, tuvo menos que ver con su tecnología subyacente y más con cuán accesible se sintió para los usuarios cotidianos.

Sea transparente y honesto

No interprete nuestros hallazgos como un llamado a mantener a los consumidores desinformados. El uso sostenible y responsable de la IA requiere informar a los consumidores sobre las compensaciones implicadas cuando la IA se utiliza para apoyar o reemplazar el juicio humano, especialmente en ámbitos de alta importancia como la contratación, la atención médica o la educación. Esto incluye saber que los sistemas de IA pueden reflejar o amplificar sesgos existentes, que sus resultados están moldeados por los datos con los que fueron entrenados, y que «automatizado» no significa infalible ni neutral. Depender demasiado de las impresiones intuitivas sobre la IA puede llevar a un uso indebido, una confianza equivocada y a faltas éticas. Las empresas deben asegurarse de que los consumidores estén informados sobre cualquier factor que pueda afectar su bienestar.

C

omprender cómo las empresas están aprovechando la IA para contratar es fundamental para conseguir su próximo empleo. He aquí cinco formas de prepararse para un proceso de contratación basado en IA, desde su currículum hasta las entrevistas.

Solicitudes, currículums y cartas de presentación

1. Cambie su narrativa. Al actualizar su currículum, desarrolle una narrativa sólida que muestre a los reclutadores y gerentes de contratación sus capacidades únicas y resistentes a la IA. Comience por trazar un mapa de su trabajo actual. Determine qué tareas podrían realizarse mediante IA y automatización, o si todo su trabajo podría volverse obsoleto.

2. Comprenda los filtros de currículum asistidos por IA. Aunque no se espera que la IA reemplace por completo a los reclutadores, muchas organizaciones están utilizando sistemas de seguimiento de candidatos impulsados por IA para filtrar a los posibles candidatos en función de sus habilidades aplicables. Sistemas como Workday, Oracle HCM y Greenhouse seleccionan candidatos calificados de fuentes de talento, tanto internas como externas, y luego evalúan y clasifican a esos candidatos según su nivel de adecuación.

Con un 83% de las empresas informando que están utilizando funciones de IA para filtrar currículums, si su currículum no incorpora casi todas las palabras clave de la descripción del puesto, es posible que nunca sea visto.

3. Utilice IA… con moderación. El hecho de que las empresas estén utilizando IA para seleccionar candidatos no significa que usted deba depender de la IA para redactar desde cero su currículum y carta de presentación. Las empresas son cada vez más conscientes del contenido generado por IA, lo cual podría no jugar a su favor.

Aunque las herramientas como Gemini, ChatGPT o Copilot pueden ser útiles para crear puntos clave concisos, no conocen sus logros y pueden generar un lenguaje similar para cualquier persona que postule al mismo puesto. Por lo tanto, solo debería apoyarse en herramientas de IA para alinear su currículum ya redactado con las palabras clave de carreras específicas.

Entrevistas

4. Prepárese para las entrevistas asistidas por IA. Muchas empresas están utilizando tecnología de IA como HireVue, VidRecruiter, CodeSignal y Brazen para preseleccionar candidatos a través de preguntas escritas y en video. Estos programas evalúan las respuestas para identificar a los mejores candidatos para los reclutadores. Pero el simple hecho de recibir una solicitud para una entrevista en video no significa necesariamente que usted esté en el proceso de contratación: algunas empresas envían estas preguntas a todas las personas que postularon al empleo o a una selección de personas cuyos currículums fueron filtrados por software de selección con IA.

Las preguntas de selección generadas por IA tienden a ser básicas, por lo que debe preparar sus respuestas a las preguntas más comunes con anticipación. Piense en:

— ¿Qué lo hace único?

— ¿Puede hablarnos un poco sobre usted?

— ¿Por qué es usted la persona adecuada para el puesto?

— ¿Por qué quiere trabajar aquí?

A continuación, practique responder estas preguntas por adelantado y grábese. Las herramientas de IA como Interview Prep AI, Interview AI, Huru e Interview Warmup le hacen preguntas comunes de entrevista y luego evalúan sus respuestas en cuanto a completitud y uso de palabras clave. Algunas herramientas incluso pueden ofrecer retroalimentación sobre su lenguaje corporal y forma de hablar.

5. Pregunte sobre el progreso en materia de IA. Debido a que el panorama tecnológico sigue cambiando rápidamente, una vez que tenga la oportunidad de entrevistarse con un humano, querrá comprender si la empresa está utilizando IA y cómo lo está haciendo.

Comprender el progreso de una organización en la implementación de la IA puede brindarle información sobre cómo podría lucir su éxito a largo plazo allí. Si determina que está postulando a una empresa que ya implementa IA, es posible que tenga menos temor de que su trabajo desaparezca en uno o dos años, ya que la empresa ya está buscando nuevas competencias para complementar sus programas de IA. Las empresas que aún no están innovando en el campo de la IA podrían estar contratando conjuntos de habilidades para seguir operando mientras debaten las implementaciones de IA, lo cual podría poner en riesgo su puesto de trabajo en el futuro.

M

uchas organizaciones están priorizando la integración de herramientas de IA en el lugar de trabajo. Pero, ¿cómo se comporta la IA como aliada en la toma de decisiones de alto riesgo?

Para probar esto, realizamos un experimento simple. Le pedimos a más de 300 gerentes y ejecutivos que hicieran predicciones bursátiles después de revisar tendencias pasadas. A la mitad se le dio la oportunidad de consultar con sus colegas, mientras que la otra mitad pudo consultar con ChatGPT. Luego, los participantes podían revisar sus predicciones.

Los resultados fueron sorprendentes. Descubrimos que ChatGPT hizo que los ejecutivos fueran significativamente más optimistas en sus pronósticos, mientras que las discusiones entre pares tendían a fomentar la cautela. Además, descubrimos que los ejecutivos que usaron ChatGPT hicieron peores predicciones (basadas en cifras bursátiles reales) que las que habían hecho antes de consultar la herramienta. En este artículo compartimos lo que hicimos, lo que descubrimos, qué lo explica y por qué esto importa para cualquier líder que esté integrando IA en su proceso de toma de decisiones.

El experimento

Nuestro estudio tuvo lugar durante una serie de sesiones de educación ejecutiva sobre IA entre junio de 2024 y marzo de 2025. Los participantes eran gerentes y ejecutivos de diversas empresas que participaban en un ejercicio de clase.

Primero, se le pidió a cada participante que hiciera un pronóstico individual: ¿Cuál creía que sería el precio de las acciones de Nvidia un mes en el futuro? Este estimado inicial fue entregado de manera privada. Luego, dividimos aleatoriamente a los participantes en dos grupos para un breve período de consulta:

— Discusión entre pares (grupo de control): Estos ejecutivos discutieron sus pronósticos en pequeños grupos durante unos minutos.

— Consulta con ChatGPT (grupo de tratamiento): Estos ejecutivos podían preguntarle a ChatGPT lo que quisieran sobre las acciones de Nvidia.

Después de esto, todos hicieron un pronóstico revisado del precio de Nvidia con un mes de anticipación, y recopilamos esas respuestas.

Los resultados

La IA condujo a pronósticos más optimistas.

Antes de cualquier discusión o consulta con IA, los dos grupos de ejecutivos tenían pronósticos estadísticamente indistinguibles para Nvidia.

Sin embargo, después del período de consulta, descubrimos que los ejecutivos que usaron ChatGPT se volvieron más optimistas en sus pronósticos. En promedio, el grupo de ChatGPT aumentó sus estimaciones de precio a un mes en aproximadamente 5.11 dólares.

La discusión entre pares generó pronósticos más conservadores.

En contraste con el grupo de IA, el grupo de discusión entre pares redujo sus estimaciones de precio, en promedio, en alrededor de 2.20 dólares. Además, este grupo fue más propenso que el grupo de ChatGPT a mantener su estimación original.

La consulta con IA hizo peores predicciones.

Después de realizar nuestro estudio, esperamos un mes y luego comparamos las predicciones que los ejecutivos habían hecho con los datos reales de Nvidia. Descubrimos que ambos grupos fueron demasiado optimistas, en promedio. Sin embargo, también descubrimos que quienes usaron ChatGPT hicieron predicciones aún peores después de su consulta.

¿Por qué la IA generó exceso de confianza y optimismo?

¿Por qué consultar una herramienta de IA conduciría a estimaciones infladas y exceso de confianza, mientras que las discusiones entre pares provocaron mayor humildad y conservadurismo? Hemos identificado cinco razones:

1. Extrapolación y “subirse a la tendencia”

ChatGPT puede haber fomentado el sesgo de extrapolación. El conocimiento de la IA se basa en datos históricos, por lo que simplemente podría haber extendido la reciente tendencia al alza de Nvidia hacia el futuro. La orientación de la IA, basada puramente en patrones de datos pasados, puede haberse inclinado hacia el optimismo por defecto.

2. Sesgo de autoridad y sobrecarga de detalles

Muchos ejecutivos en la condición de ChatGPT informaron estar impresionados por el nivel de detalle y el tono confiado de la respuesta de la IA. En las discusiones posteriores al experimento, algunos participantes señalaron que ChatGPT proporcionó una gran cantidad de datos y razonamientos tan minuciosos y seguros, que hicieron que, en comparación, sus propias estimaciones iniciales parecieran inadecuadas.

3. Emoción (o falta de ella)

Los humanos tienen emociones e instintos que pueden actuar como freno ante pronósticos extremos. Un ejecutivo que observe un gráfico bursátil meteórico podría sentir un matiz de cautela y una voz interna que diga: “Si está en su punto máximo, podría desplomarse”. En nuestras sesiones, sospechamos que la cautela emocional jugó un papel en las discusiones entre pares.

ChatGPT, por otro lado, no tiene esa emoción ni intuición. No siente vértigo como una persona al ver un gráfico de precios en ascenso. Los usuarios que confían únicamente en los resultados de la IA no se benefician de esa revisión cautelosa.

4. Calibración entre pares y dinámicas sociales

El acto de discutir con colegas introdujo otro conjunto de sesgos y comportamientos, que generalmente conducían hacia la cautela y el consenso. En una discusión grupal, las personas escuchan puntos de vista diversos y a menudo descubren que las expectativas de otros difieren de las propias. En nuestros grupos de pares, esta dinámica a menudo condujo a moderar puntos de vista extremos y encontrar un punto medio.

5. Ilusión del conocimiento

Las investigaciones han demostrado que cuando las personas tienen acceso a grandes volúmenes de información (como internet), es más probable que caigan en la ilusión de saberlo todo. Una cantidad significativamente grande de participantes mostró el efecto de esta ilusión cuando recurrieron a ChatGPT, una de las tecnologías más inteligentes con acceso a vastos recursos.

¿Cómo usar la IA de manera inteligente en las decisiones ejecutivas?

Nuestros hallazgos ofrecen lecciones importantes para líderes y organizaciones que están integrando herramientas de IA en sus procesos de toma de decisiones:

1. Sea consciente de los sesgos de la IA y de la ilusión del conocimiento.

Consultar ChatGPT (o modelos de IA generativa similares) puede inclinar sutil pero significativamente sus expectativas y generar una confianza excesiva en ellas. Si usted usa IA para informar pronósticos o decisiones estratégicas, recuerde que puede impresionarlo con detalle mientras carece de la perspectiva cautelosa que los humanos aportan de forma natural.

2. No abandone la discusión humana, aprovéchela.

Sí, la IA puede proporcionar análisis e información a gran velocidad, pero aún hay sabiduría en la sala. Sus colegas pueden aportar datos nuevos, contexto y una revisión de la realidad sobre ideas que suenan demasiado buenas para ser verdad, o simplemente demasiado precisas en su pronóstico. En la práctica, el mejor enfoque puede ser combinar la aportación de la IA con el diálogo humano.

3. El pensamiento crítico es clave, sin importar la fuente.

Ya sea que el consejo venga de una IA o de un colega, los ejecutivos deben aplicar su propio pensamiento crítico. Haga preguntas sobre la base de un pronóstico. En el caso de ChatGPT, uno podría indagar: ¿En qué datos se basa este pronóstico? ¿Podría haber factores recientes que esté pasando por alto? Entre pares, uno podría preguntar: ¿Estamos siendo demasiado conservadores porque todos estamos inseguros? Trate a la IA como un punto de partida para la investigación, no como la última palabra.

4. Entrene y establezca directrices para el uso de la IA en los equipos.

Si su organización está implementando asesores o asistentes de IA, haga saber que la IA podría fomentar el exceso de confianza. Su organización necesita directrices sobre cómo manejar la IA. Por ejemplo, antes de obtener un pronóstico generado por IA, exija una ronda de discusión entre pares o una revisión de los peores escenarios antes de consultar con la IA.

La IA está cambiando la forma en que se toman las decisiones, pero el juicio humano sigue siendo crucial. La lección para los líderes de nuestro experimento es tener presente de dónde viene el consejo. Si proviene de la IA, inyecte algo de sentido común humano; si proviene de humanos, incluso podría usar la IA para asegurarse de que no se está perdiendo una perspectiva externa.

E

n su cuento “The Evitable Conflict”, publicado hace 75 años, el escritor de ciencia ficción Isaac Asimov describió cómo las máquinas podrían dirigir industrias enteras. Hoy en día, cada vez hay más pruebas de que la IA puede superar a los humanos en muchas tareas cognitivas individuales. Un experimento realizado por un equipo de la Universidad de Cambridge sugiere que los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) pueden superar a los humanos en la mayoría de las tareas, incluyendo el diseño de productos, el control de costos y la inteligencia de mercado.

Si bien estos resultados son impresionantes, los estudios que conocemos se han realizado en condiciones de laboratorio artificiales. Los ejecutivos en el mundo real enfrentan desafíos indefinidos y cambiantes, a menudo con datos insuficientes o inexactos.

¿Qué sucede si sacamos la IA del laboratorio y la llevamos a una empresa real? Durante el último año, nos unimos a una serie de reuniones del equipo ejecutivo de Giesswein, una empresa austriaca con ingresos de 85 millones de dólares, que vende zapatillas ecológicas de lana orgánica. Nuestra idea era experimentar con diferentes formas de integrar la IA en sus reuniones ejecutivas para comprender qué funciona y cómo.

La IA en la sala de juntas

Diseñamos tres tipos de intervenciones y realizamos al menos dos variaciones diferentes de cada una para probar su replicabilidad. Después de cada intervención, realizamos entrevistas de seguimiento con los dos hermanos que dirigen la empresa familiar para recopilar sus percepciones sobre la efectividad.

Nuestro primer tipo de intervención consistió en alimentar la agenda del equipo ejecutivo en ChatGPT 4.0 durante varias reuniones, pidiendo sugerencias sobre qué preguntas y temas discutir. El resultado se compartió con el equipo durante la reunión a medida que se abordaban los puntos de la agenda. También desarrollamos indicaciones para generar recomendaciones más específicas. Por ejemplo, cuando la cuestión de la subcontratación estaba en la agenda, solicitamos argumentos a favor y en contra. Sabíamos que la empresa ya estaba subcontratando parte de su producción en China, por lo que pedimos a ChatGPT que explorara qué debía tener en cuenta si quería externalizar toda la producción. A continuación, se compartieron los resultados durante la reunión ejecutiva.

En un segundo tipo de intervención, escribimos indicaciones relacionadas con los puntos discutidos por los ejecutivos durante la reunión y luego compartimos los resultados. Por ejemplo, un posible factor decisivo en la decisión de subcontratación era la infrautilización de la línea de producción, lo que hacía que los costos fijos fueran un problema mayor. Mientras discutíamos esto en vivo, pedimos a ChatGPT que generara una lista de productos alternativos que podrían lanzarse utilizando el mismo material que la empresa ya producía.

Un tercer tipo de intervención se llevó a cabo después de las reuniones del equipo ejecutivo, con ChatGPT respondiendo preguntas específicas que tenía la dirección, por ejemplo, sobre opciones de entrada al mercado en EE. UU. Probamos dos versiones de esto: en la primera, entablamos una conversación prolongada con ChatGPT, usando nuestro propio criterio para guiar la herramienta de IA. En la segunda versión, simplemente formulamos las preguntas de los ejecutivos sin ninguna interpretación o iteración adicional.

Aumento, no sustitución

En general, nuestros experimentos con la junta directiva demostraron que la IA podría ser valiosa para guiar y enriquecer las discusiones ejecutivas, pero solo con una gestión activamente involucrada.

El uso no supervisado de la IA no funcionó bien, ya que proporcionó resultados que no eran lo suficientemente específicos para que los ejecutivos los encontraran útiles. Por el contrario, las aplicaciones supervisadas, complementadas con las habilidades de un asesor humano sin un conocimiento especial de la empresa, pero con experiencia en el desarrollo de estrategias, fueron percibidas como altamente beneficiosas por los ejecutivos. Observamos tres implicaciones específicas:

1. Ventaja de la torpeza

Parece contradictorio, pero la mayor ventaja de ChatGPT fue interrumpir el flujo natural de las reuniones. Esperábamos que la torpeza, la incomodidad y la demora que introducía fueran una gran molestia, pero los ejecutivos apreciaron que los hiciera detenerse y reflexionar.

El equipo era consciente de que, después de décadas de trabajar juntos, estaban muy alineados en muchos temas y podían casi completar las frases del otro. También sabían que su experiencia compartida y sus rutinas bien ensayadas creaban puntos ciegos de manera natural. Como nos dijo el CEO Markus Giesswein, aceptó este experimento porque esperaba “un apoyo equilibrado y estructurado, ya que muchas decisiones en nuestro rango de tamaño se toman en función de la intuición y las emociones”.

La tendencia de ChatGPT a proporcionar listas exhaustivas llevó al equipo a considerar opciones que de otro modo no habrían considerado, pero el verdadero valor radicó en romper y ralentizar los patrones de pensamiento e interacción existentes, permitiendo la discusión de nuevos elementos.

2. Ilusión de completitud

La amplitud de las sugerencias de LLM también tuvo un inconveniente. A medida que el equipo se acostumbró a que la herramienta les señalara problemas que de otro modo habrían pasado por alto, observamos una creciente dependencia de ella para no omitir nada importante.

Por ejemplo, en una de las reuniones se discutió un próximo anuncio. ChatGPT ofreció un amplio conjunto de factores que debían abordarse antes del anuncio, pero omitió posibles implicaciones legales que debían considerarse. En circunstancias normales, los ejecutivos podrían haber planteado las cuestiones legales, pero la IA había creado la ilusión de una completitud infalible en la que comenzaron a confiar.

3. Ventaja en velocidad y costos

Una última serie de ventajas de introducir la IA en estas reuniones fue la velocidad y la reducción de costos. Las discusiones en la sala de juntas suelen dar lugar a preguntas que requieren más investigación. ChatGPT permitió al equipo recopilar datos y hacer recomendaciones inmediatas, lo que agilizó la adopción de medidas.

Por ejemplo, cuando Giesswein consideró el futuro de su planta en Eslovaquia, surgió una pregunta importante: el posible costo de renovar la instalación si decidían conservarla. ChatGPT fue capaz de proporcionar estimaciones lo suficientemente rápidas y precisas que permitieron a los ejecutivos avanzar en esta cuestión.

En algunos casos, el uso de la IA también puede reducir los costos de exploración adicional. Por ejemplo, una de las decisiones que tomó el equipo requería emitir un comunicado de prensa. En el pasado, habrían contratado a una agencia para redactar y publicar el comunicado, pero ChatGPT produjo una declaración que se ajustaba a su propósito. Este beneficio también fue evidente cuando utilizamos ChatGPT en el análisis posterior a la reunión.

Un nuevo tipo de interacción para equipos ejecutivos

Hasta ahora, gran parte de la conversación sobre el valor de la IA generativa se ha centrado en la precisión de la información que proporciona. Nuestra participación de un año en Giesswein sugiere que el valor radica en otro lugar, específicamente en el proceso de interacción en sí mismo. Los ejecutivos son conscientes de que la herramienta ocasionalmente tendrá alucinaciones; también están acostumbrados a trabajar con información incompleta o defectuosa.

Lo que hace que la IA sea un miembro valioso del equipo ejecutivo es que es diferente de los humanos. Esto interrumpe y, por lo tanto, amplía las consideraciones, en algunos casos proporcionando información para avanzar rápidamente. Pero para que esto funcione, necesita a un humano que opere la herramienta. La inteligencia colectiva de la combinación entre humanos y herramientas ofrece algo nuevo y emocionante.

A

todos nos han hablado de la importancia de encontrar un mentor a medida que construimos nuestra carrera profesional. Pero la realidad es que los líderes sénior que tienen el tiempo y el interés para apoyarlo son escasos, por lo que puede ser difícil saber por dónde empezar. Si aún no tiene un mentor, ¿cómo puede obtener la orientación que necesita?

A través de nuestro trabajo asesorando a empresas en el desarrollo de líderes emergentes, hemos descubierto que los jóvenes profesionales a menudo tienen oportunidades abundantes, pero fácilmente pasadas por alto, para lo que llamamos micromentoría: consejos breves y prácticos que pueden marcar una diferencia tangible.

He aquí cuatro formas en las que puede expandir sus posibilidades y obtener la claridad profesional que necesita utilizando el enfoque de micromentoría.

1. Identifique a los “mentores ocultos”

A menudo tenemos más «conexiones ligeras» con experiencia profesional relevante de lo que creemos. Profesores, antiguos asistentes de enseñanza, amigos de la familia, colegas de prácticas pasadas y conocidos lejanos pueden brindar consejos puntuales que podrían resultar transformadores.

2. Consiga consejos de la multitud

Encontrar formas de obtener perspectivas más amplias de personas interesantes y reflexivas puede ser tan crucial como las interacciones con los mentores ocultos que ya conoce. Usar su red extendida en LinkedIn o la base de datos de exalumnos de su escuela puede permitirle encontrar una variedad de personas a quienes pedirles aportes específicos sobre sus objetivos profesionales. También es útil mantenerse abierto a interacciones espontáneas. Un colega nuestro recibió un consejo profesional que le cambió la vida de una mujer que estaba sentada a su lado en un avión.

3. Abrace la autorreflexión

Los micromentores pueden llenar el vacío de mentoría, pero cuando recibe consejos de alguien que no lo conoce como individuo, sus recomendaciones pueden ser útiles en general, pero no necesariamente apropiadas para su situación personal. Por eso, es importante equilibrar esos consejos con su propia autorreflexión.

Cuando construye una red de micromentores, debe confiar en su intuición y en su autoconocimiento, en lugar de simplemente seguir la palabra de alguien más experimentado. Se verá obligado a escucharse a sí mismo y aprender a confiar en sus propios instintos, habilidades esenciales que debe cultivar desde el inicio de su carrera. Con el tiempo, la capacidad de entender qué es lo correcto para usted (y descartar lo que no lo es) puede convertirse en una ventaja competitiva crítica a la hora de tomar decisiones profesionales. 

4. Aproveche las oportunidades digitales

Así como aprendemos mucho de personas que no conocemos en persona, también podemos obtener consejos de líderes de opinión que admiramos a través de las tecnologías digitales. Las ideas e historias que comparten en sus redes sociales pueden ayudar a generar preguntas o ideas útiles. Si realizan sesiones virtuales de preguntas y respuestas o «Ask Me Anything», podría tener la oportunidad de interactuar con ellos directamente o ver sus respuestas a las preguntas que otros les hacen.

También hemos descubierto que la tecnología de IA, como ChatGPT, puede ayudarle a imaginar cómo una persona que admira podría pensar o responder ante un desafío.

Puede parecer complicado si no tiene un mentor que guíe su desarrollo profesional de forma continua. Sin embargo, la micromentoría puede ser tan beneficiosa como cultivar una única relación de mentoría que pueda desarrollar una perspectiva fija sobre usted o su trayectoria profesional.