E

n 2008, Uber parecía una idea terrible. Los obstáculos regulatorios, un modelo de negocio no comprobado y la inquietante propuesta de llamar al coche de un desconocido desde una aplicación móvil hicieron que la mayoría de los inversionistas experimentados retrocedieran. Sobre el papel, no tenía sentido. Pero un puñado de patrocinadores iniciales sintió algo diferente. No certeza, sino claridad. Algo interno hizo clic.

En aquel entonces no podían explicarlo del todo, pero “simplemente lo sabían”.

Ese momento, ese destello de reconocimiento, es lo que muchas personas llaman “corazonada”. En el mundo de la toma de decisiones ejecutivas, a menudo se malinterpreta como algo impulsivo o emocional. Pero en realidad, es algo más matizado y poderoso: el resultado de un proceso llamado intuición.

A través de años de investigación en ciencias del comportamiento y de coaching independiente a líderes de alto nivel, he llegado a ver que, aunque la mayoría de los consejos de liderazgo se centran en tomar decisiones basadas en datos, los CEOs con mejor rendimiento en el mundo a menudo confían en algo completamente diferente: la intuición. Y los más eficaces no la tratan como un superpoder con el que nacieron, sino como una habilidad que han trabajado para perfeccionar.

Lo que (realmente) es la intuición

En mi investigación, defino la intuición como el proceso interno (a veces subconsciente) de integrar la experiencia y los datos. Es lo que sucede cuando su cerebro recurre a un vasto depósito de reconocimiento de patrones, memoria emocional y fluidez contextual para producir una sensación de dirección. Ese proceso interno culmina en una corazonada: el momento de claridad que siente cuando simplemente sabe qué hacer.

Estos dos conceptos a menudo se confunden. Pero la distinción es crítica:

— La intuición es el proceso.

— La corazonada es el resultado.

Cuando los CEOs experimentados dicen: “Confío en mi intuición”, lo que a menudo están haciendo (conscientemente o no) es confiar en la culminación de miles de microdecisiones, fracasos, patrones, ciclos de retroalimentación y modelos mentales que han construido con el tiempo. Como un algoritmo entrenado con datos profundamente personalizados, su intuición se refina constantemente, especialmente cuando reflexionan, recalibran y permanecen conscientes de sus límites.

Los mejores CEOs operan con éxito en entornos ambiguos: crisis globales, mercados emergentes, panoramas tecnológicos en evolución, volatilidad del talento. En estas situaciones, los datos pueden ser incompletos o contradictorios. Aun así, hay que tomar decisiones, a menudo con rapidez y bajo presión.

Por eso la intuición no es una habilidad blanda. Es un diferenciador.

Tener una buena intuición no significa ignorar los hechos. Significa saber cuándo los números dejan de hablar y es momento de escuchar hacia adentro.

Aprender a escuchar lo que susurra

Las narrativas de los medios, la presión del mercado, las expectativas sociales e incluso los modelos de IA claman por nuestra atención. Pero la toma de decisiones intuitiva es silenciosa e intencional. Está informada tanto por los datos que hemos procesado como por la experiencia que hemos acumulado.

El problema es que no estamos programados para escuchar lo que es silencioso. El ruido social es persistente y performativo. Pero la intuición no actúa. Señala. Da empujones. Surge. El reto es aprender a sintonizar con lo que susurra, porque esos susurros a menudo contienen la verdadera percepción.

Por qué algunos líderes tienen mejor intuición

No toda intuición es igual. Algunos ejecutivos tienen una brújula interna confiable. Otros confunden la ansiedad, el sesgo o el ego con discernimiento. La diferencia suele radicar en qué tan bien ha sido entrenada su intuición.

En mi trabajo, he encontrado cuatro condiciones clave que separan a los intuitivos eficaces del resto:

1. Volumen y variedad de experiencias. Los líderes que han presenciado una amplia gama de situaciones desarrollan un reconocimiento de patrones más profundo. Un CEO que ha atravesado múltiples recesiones económicas, reestructuraciones organizacionales o expansiones de mercado construye un archivo interno que alimenta sus futuros instintos.

2. Reflexión estructurada. No es solo la experiencia lo que perfecciona la intuición, es la experiencia analizada. Los grandes líderes se toman el tiempo para revisar decisiones, aciertos y errores. Se preguntan: ¿Qué estaba sintiendo? ¿Qué percibí? ¿Qué malinterpreté? Esta conciencia metacognitiva agudiza las decisiones futuras.

3. Calibración contextual. Los líderes altamente intuitivos no aplican los mismos instintos a todos los contextos. Saben dónde su intuición es válida y dónde es vulnerable. Por ejemplo, una ejecutiva me dijo que nunca confía en su intuición al revisar contratos legales, pero sí al evaluar la compatibilidad de talento. La intuición es poderosa en los dominios donde tiene una profunda experiencia, pero peligrosa en aquellos donde no la tiene.

4. Escucha silenciosa. La intuición no grita. Susurra. Surge en la quietud mental entre reuniones, al caminar, escribir o reflexionar. En un mundo que recompensa el ruido y la velocidad, los líderes intuitivos aprenden a buscar la quietud y a escuchar la señal debajo del ruido.

Formas prácticas de desarrollar una mejor intuición

Si desea perfeccionar su intuición, empiece por tratarla como un músculo. Uno que se fortalece mediante entrenamiento deliberado. He aquí cinco prácticas que utilizo con ejecutivos de diversas industrias:

1. La “prueba de la calma”. Antes de actuar por un impulso fuerte, pregúntese: ¿Tomaría la misma decisión si me sintiera completamente en calma? Esta simple pregunta distingue la claridad de la urgencia emocional. Las emociones no son malas, pero no son lo mismo que la intuición.

2. Reflexión sobre decisiones. Después de cada decisión de alto impacto, anote lo que sintió, qué patrones observó y qué señales siguió. Revíselo semanas o meses después para evaluar su precisión. Con el tiempo, construirá su propia biblioteca de señales internas.

3. Nombre el proceso. Etiquete la etapa en la que se encuentra: “Estoy recopilando información”, “Estoy interpretando señales”, “Estoy conviviendo con la incertidumbre” o “He alcanzado la claridad”. Nombrar dónde se encuentra en el proceso intuitivo aumenta su conciencia y reduce la impulsividad.

4. Rodéese de personas que le den sentido a las cosas. Cree un círculo de colegas o asesores en quienes confíe, que desafíen sus suposiciones: no para darle respuestas, sino para ayudarle a escuchar con mayor claridad su propia intuición. A menudo, las mejores “pruebas de corazonada” provienen de personas que hacen mejores preguntas.

5. Aproveche las microdecisiones. Los mejores líderes también practican la toma de decisiones intuitivas en las pequeñas cosas: a quién promover, cómo responder en reuniones, cuándo guardar silencio. Cada microdecisión es un punto de datos para construir una brújula interna más precisa y segura.

La acción hace que la corazonada se sienta útil

Hay un elemento final, poco valorado, en la toma de decisiones intuitiva: la decisión en sí. El poder de la corazonada no solo reside en la percepción. Reside en la voluntad de actuar en consecuencia, con intención y rapidez.

Los primeros inversionistas de Uber no solo sintieron claridad: actuaron en consecuencia. Tradujeron esa señal silenciosa en una acción audaz, y luego trabajaron para hacer que fuera la decisión correcta mediante mentoría, recursos y dirección estratégica. Su decisión reforzó su señal interna y aumentó la calidad de sus futuras decisiones intuitivas.

En resumen, la corazonada no solo informa la decisión: puede moldear el resultado.

La intuición no es un atajo hacia el brillo. Es la suma de lo que usted ha visto, aprendido y vivido: condensado en una voz interna más silenciosa que el miedo, el ego o la presión. Pero siempre está allí.

Para los CEOs que han aprendido a perfeccionarla y aprovecharla, la intuición es su ventaja. En un mundo obsesionado con la predicción y el rendimiento, nos recuerda que no toda la sabiduría es ruidosa. No todas las señales están etiquetadas. Y no todas las buenas decisiones empiezan con una hoja de cálculo. A veces, comienzan con un susurro.

E

l lanzamiento del modelo R1 de DeepSeek a finales de enero de 2025 provocó un fuerte descenso de las valoraciones del mercado en toda la cadena de valor de la IA, afectando tanto a los desarrolladores de modelos como a los proveedores de infraestructura. Los inversionistas vieron en R1 un competidor poderoso (y económico) frente a los modelos de IA estadounidenses, lo que puso en duda las proyecciones de crecimiento extraordinario que habían justificado las valuaciones elevadas. Sin embargo, para aquellos que han estado atentos, la llegada de DeepSeek (o algo parecido) era inevitable.

Aun así, este es un momento útil para reflexionar sobre hacia dónde se dirige la IA. Más que considerar a DeepSeek R1 como un punto de inflexión, es más útil verlo como un indicador de dónde estamos realmente ahora, y un presagio de lo que está por venir.

He aquí cinco lecciones que los líderes empresariales deberían extraer de este momento.

1. Del reconocimiento de patrones a la resolución de problemas

Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) se robaron el protagonismo en 2023 y 2024, pero en 2025 quedaremos asombrados por los sistemas de IA capaces de razonar, planificar y operar de manera autónoma. Esto se debe a que dos tendencias interrelacionadas dominarán el panorama de la IA este año: el auge de los modelos de razonamiento y la llegada de agentes de IA listos para el uso generalizado. Estas capacidades dependen en gran medida del aprendizaje por refuerzo (RL, por sus siglas en inglés), un método para entrenar a un agente inteligente para que tome una secuencia de decisiones óptimas. Piense en ello como aprender a jugar un videojuego: Cuando acierta en el blanco, salta sobre un abismo o adivina una palabra, gana puntos. A medida que juega, aprende a realizar acciones que son recompensadas.

La última generación de modelos, como GPT-4, era asombrosa para identificar patrones: Se entrenaban con enormes volúmenes de información, la contextualizaban y nos dejaban sin palabras con sus predicciones precisas del siguiente término en una conversación.

DeepSeek R1 es un modelo de razonamiento gratuito, al igual que los modelos ChatGPT o3-mini de OpenAI y Copilot o1 de Microsoft. Estos modelos representan un cambio crucial de la simple predicción de la siguiente palabra a la resolución metódica de problemas que se basa en gran medida del aprendizaje por refuerzo. Gracias a esta capacidad de razonamiento, estos modelos pueden desempeñarse mucho mejor que sus predecesores en tareas específicas, como resolver problemas matemáticos.

Con la capacidad de desglosar y razonar los problemas, los agentes de IA son capaces de aprender a navegar dinámicamente por flujos de trabajo complejos, adaptándose a nueva información a medida que surge en el proceso de realización de tareas, en lugar de limitarse a scripts rígidos y predefinidos. Esto es justo lo que hacemos los humanos en nuestro trabajo diario, como cuando los agentes de servicio al cliente responden consultas, los empleados administrativos organizan horarios y planifican viajes, o los analistas de datos recopilan información, la analizan y redactan un informe.

2. El punto de inflexión económico de la IA

Uno de los grandes titulares en torno a DeepSeek R1 es su supuesto costo de desarrollo de 5.5 millones de dólares. Esta cifra es engañosa. Probablemente solo refleje el costo de una única prueba de entrenamiento, sin incluir los gastos de infraestructura, ingeniería e implementación. Una cifra total que incluyera esos gastos sería mucho más alta, aunque significativamente inferior a las estimaciones de los costos de desarrollo de OpenAI, Anthropic, Google y otros modelos con los que compite R1.

En lugar de centrarnos únicamente en estas cifras, deberíamos prestar más atención a los costos de inferencia, es decir, los gastos asociados al uso real de los modelos una vez que han sido entrenados. El entrenamiento requiere una inversión inicial sustancial, pero los costos de inferencia son cruciales para las aplicaciones empresariales. DeepSeek R1 y otros modelos recientes, incluida la serie de modelos Llama de Meta, han logrado reducciones significativas en estos costos.

Por regla general, la caída de los precios tiende a estimular la competencia y a impulsar la adopción por parte de los usuarios. Basta pensar en la caída de los precios ajustados al rendimiento en mercados de productos electrónicos (teléfonos inteligentes, televisores, ordenadores portátiles) impulsada por el aumento de la eficiencia en la producción de semiconductores. Esta es la Ley de Moore, que impulsa la caída de los precios y el aumento de las tasas de adopción de demasiados productos finales. Lo mismo está sucediendo en la IA.

3. La IA de código abierto y la propietaria coexistirán

Una de las razones por la que deberíamos haber anticipado un desarrollo como DeepSeek R1 es la lógica económica del software de código abierto. Históricamente, los proyectos de código abierto han desafiado a las soluciones propietarias al reducir significativamente los costos, como sucedió con Unix/Linux en la informática empresarial, Android en los sistemas operativos móviles, MySQL en las bases de datos y, por supuesto, Llama en la IA. La ventaja en costos del software de código abierto está bien documentada. Era predecible que la IA siguiera una trayectoria similar.

Las empresas como OpenAI, Alphabet y Anthropic siguen estando a la vanguardia en cuanto a capacidades multimodales, seguridad (parece fácil vulnerar DeepSeek R1) y otros puntos de referencia. Aun así, los modelos de código abierto como DeepSeek R1 han reducido la brecha en el razonamiento basado en texto y han demostrado una eficiencia notable. Su potencial para aplicaciones empresariales se refleja en la decisión inmediata de Microsoft de integrar DeepSeek R1 en Azure. Dado su menor costo y mayor flexibilidad, los modelos abiertos como DeepSeek R1 serán muy atractivos para los usuarios, al igual que los modelos de lenguaje más pequeños como Phi-4 de Microsoft, que han demostrado un gran rendimiento en muchos casos de uso.

Por ahora, todo apunta a un mercado con una amplia gama de participantes, en lugar de un escenario donde un solo actor domine casi todo.

4. La escasez de chips impulsa la innovación algorítmica

Otro aspecto de la reacción ante DeepSeek R1 se ha centrado en la “sorprendente” noticia de que China parece haber alcanzado a Estados Unidos en cuanto a modelos de IA de vanguardia. Las restricciones estadounidenses a la exportación pretendían limitar el acceso chino a los semiconductores más avanzados y preservar el liderazgo estadounidense en la investigación de IA. El hecho de que este enfoque no haya tenido un éxito total no debería ser una gran sorpresa. La necesidad es la madre de la invención. Las limitaciones de chips han llevado a los investigadores chinos a priorizar la eficiencia algorítmica sobre la potencia bruta de cálculo, una estrategia que podría resultar profética a medida que se dispara el consumo de energía de los centros de datos.

5. DeepSeek R1 no lo cambió todo

Dicho todo esto, los principales laboratorios de IA y los gigantes tecnológicos de Occidente (incluidos Microsoft, Meta, Alphabet y Amazon) seguirán invirtiendo a niveles vertiginosos, asegurando que la demanda de GPU e infraestructura de IA de última generación siga siendo alta. Los modelos abiertos no reemplazarán por completo a los propietarios, y es probable que sigamos viendo un consumo inmenso de recursos computacionales en el entrenamiento e inferencia de modelos. Como resultado, la carrera por desarrollar los sistemas de IA más avanzados continuará impulsando la demanda de chips de alto rendimiento e infraestructura en la nube a gran escala, a pesar de que en estos momentos los costos de inversión superan con creces los ingresos de muchas empresas del sector.

Además, los grandes compradores de infraestructura de Occidente están indudablemente preocupados por el riesgo de suministro, ya que la mayoría de los semiconductores avanzados se fabrican en una planta de TSMC ubicada en Taiwán.

Podría decirse que el ritmo del avance de la IA, así como la importancia social y económica de este conjunto de tecnologías, no tiene precedentes históricos. Con el aprendizaje por refuerzo que permite avances en los modelos de razonamiento y los agentes de IA, que a su vez darán lugar a innumerables aplicaciones nuevas, 2025 estará repleto de momentos “DeepSeek”. Se esperan avances continuos, un aumento de los casos de uso en el mundo real y el verdadero inicio de una transformación económica a escala sísmica.