La portada del número de noviembre-diciembre de 2026 de Harvard Business Review lo plantea sin rodeos: los empleados más capaces de una empresa son, con frecuencia, los primeros en anular sistemas de inteligencia artificial que funcionan mejor que ellos. El artículo central, de Das Narayandas, profesor de la Harvard Business School, documenta algo que cualquier gerente que haya implementado un modelo de puntaje, un sistema de precios dinámicos o un asistente de decisión reconocerá de inmediato: la resistencia no nace de la desconfianza en la tecnología, sino de la desconfianza en la propia organización.
¿Por qué un equipo ignora una herramienta que, en promedio, decide mejor que ellos? Porque la empresa transfirió la recomendación, pero no transfirió la autoridad ni la responsabilidad. Mientras el gerente de cobranza, el analista de riesgo o el jefe de planta siga siendo el único nombre que aparece cuando algo sale mal, apartarse del sistema —incluso cuando el sistema tiene razón con más frecuencia— es un acto de autoprotección perfectamente racional. El problema, en otras palabras, no es de modelos ni de datos: es de diseño organizacional.
El patrón no es nuevo: ya pasó con el ERP y con el scoring de crédito
Narayandas señala, y la literatura de gestión lo respalda desde hace dos décadas, que este ciclo se repite cada vez que llega una herramienta que promete decidir mejor que las personas. Pasó con los sistemas ERP cuando pedían seguir un flujo de aprobación que el supervisor consideraba más lento que su criterio. Pasó con el credit scoring en la banca, cuando el analista seguía anulando el puntaje automático en los casos límite. Pasó con los sistemas de revenue management en aerolíneas y hoteles, cuando el gerente de ingresos ajustaba manualmente un precio que el algoritmo ya había optimizado. En todos los casos la herramienta funcionaba razonablemente bien; lo que fallaba era el reparto de autoridad alrededor de ella.
Lo que cambia ahora, y lo que hace que el problema sea más urgente que en ciclos anteriores, es que la inteligencia artificial empieza a actuar de forma agéntica: ya no solo recomienda, en muchos procesos ejecuta. Un sistema que aprueba un crédito, reordena una ruta logística o responde a un cliente sin pasar por una persona multiplica el costo de un derecho de decisión mal escrito, porque el error —o el acierto ignorado— ocurre a una velocidad que ninguna revisión humana posterior puede corregir a tiempo.
La investigación académica sobre este fenómeno es consistente desde hace años: existe tanto el riesgo de la aversión al algoritmo (rechazar sistemas que, en promedio, deciden mejor que una persona) como el riesgo opuesto, el sesgo de automatización (aceptar sin cuestionar una recomendación automatizada incluso cuando es claramente errónea). Un estudio reciente publicado en Academy of Management Perspectives propone precisamente una rutina de calibración de confianza para que los equipos sepan cuándo conviene anular a la IA y cuándo conviene seguirla sin más. Ninguno de los dos extremos —ignorar siempre o seguir siempr— es gestión; ambos son la ausencia de ella.
¿Cómo se escribe un derecho de decisión en la empresa?
El punto de partida evergreen, el que sigue siendo válido más allá de qué modelo de IA esté de moda este año, es tratar cada decisión relevante como un objeto que hay que diseñar, no como algo que “ya decidirá la tecnología”. Un derecho de decisión bien escrito responde tres preguntas para cada tipo de decisión:
Lee también: Atención al cliente con IA: cuándo pasar a un humano
- ¿Qué decide el sistema solo, sin intervención humana? Casos de bajo riesgo, alto volumen y resultado reversible: aprobación de compras rutinarias por debajo de un umbral, reabastecimiento de inventario, respuestas estándar a consultas de servicio al cliente.
- ¿Qué decide el sistema, pero con revisión humana antes de ejecutar? Casos de riesgo medio o reputacional: una renegociación de crédito, un descuento fuera de política, una recomendación de despido o de ascenso.
- ¿Qué nunca decide el sistema sin que una persona lo apruebe explícitamente? Decisiones irreversibles, con implicaciones legales, laborales o de seguridad, o que afectan de forma desproporcionada a una persona identificable.
Esta clasificación, que recuerda a los marcos clásicos de toma de decisiones bajo presión que ya se enseñan en cualquier programa de gerencia, no es un ejercicio técnico de datos: es un ejercicio de gobierno corporativo que debe revisarse en el comité de dirección, no delegarse por completo al equipo de tecnología.
El incentivo que nadie ajustó: el bono que depende de algo que ya no se controla
Hay un detalle que casi siempre se pasa por alto cuando una empresa automatiza una decisión: el esquema de incentivos del gerente responsable rara vez cambia al mismo tiempo que la herramienta. Si el bono del jefe de cobranza en México o del gerente comercial en Colombia sigue atado al resultado final —la mora recuperada, la venta cerrada—, pero la decisión de a quién llamar primero o a qué cliente ofrecerle una excepción ya la toma un sistema, ese gerente tiene un incentivo directo para intervenir y “corregir” al sistema cada vez que su instinto no coincide con la recomendación, sin que eso implique necesariamente que el sistema esté equivocado.
La solución pasa por mover la rendición de cuentas junto con la autoridad: si una decisión queda en manos del sistema, el indicador de desempeño de la persona debe medir la calidad de la supervisión (¿detectó a tiempo los casos en los que el sistema se equivocaba?) y no solo el resultado final que ya no controla por completo. Empresas de retail en Chile y de banca en Perú que han avanzado en precios dinámicos y en scoring de cobranza han tenido que reescribir, en paralelo, los esquemas de comisión de sus equipos comerciales; quienes no lo hicieron terminaron con un sistema caro que el equipo saboteaba de forma sistemática, aunque nadie lo llamara sabotaje en voz alta.
De la desobediencia a la información: cómo documentar una anulación
Una anulación del sistema no debería tratarse como un incidente que hay que amonestar ni como algo que se esconde en una nota al margen. Debería tratarse como un dato. Cada vez que una persona decide contradecir la recomendación de un sistema, la empresa debería registrar, de forma simple, tres cosas: cuál era la recomendación, cuál fue la decisión final y qué información tenía la persona que el sistema no tenía (o que tenía y no supo ponderar). Con el tiempo, ese registro permite responder la pregunta que de verdad importa: ¿las anulaciones mejoran el resultado en promedio, o lo empeoran?
Si las anulaciones mejoran el resultado, el problema no está en las personas: está en el modelo, que necesita más variables o más contexto. Si las anulaciones lo empeoran de forma sistemática, el problema es de confianza, de incentivos o de capacitación, y ninguna mejora técnica al algoritmo lo va a resolver por sí sola. Lo que no funciona, en ningún caso, es seguir anulando o seguir aceptando sin medir cuál de las dos cosas está ocurriendo.
Las señales de que tiene un sistema caro que nadie usa
Tres indicadores sencillos permiten detectar a tiempo si una inversión en inteligencia artificial se está quedando como un adorno costoso:
- Tasa de anulación. Si el equipo se aparta de la recomendación en más de un tercio de los casos, de forma sostenida, el sistema no está decidiendo: está siendo consultado por cortesía.
- Tiempo de revisión. Si cada recomendación tarda más en ser revisada y corregida de lo que tardaría una persona en decidir desde cero, la herramienta añadió un paso, no quitó trabajo.
- Resultados comparados. Sin comparar el desenlace de los casos anulados contra los casos aceptados, de forma periódica, la empresa no tiene manera de saber si está pagando por una mejora real o por la ilusión de una.
Estos tres indicadores son más baratos de implementar que el propio sistema de inteligencia artificial, y sin embargo son los que con más frecuencia faltan en el tablero de control de la gerencia. El resultado de esa omisión, en muchas empresas de la región, es exactamente el que describe Narayandas: una inversión tecnológica considerable que convive, sin que nadie lo audite, con el criterio informal de siempre.
¿Qué cambia según el tipo de empresa?
El reparto de autoridad no se diseña igual en todas partes, pero el principio es el mismo en cualquier sector o país. En logística en Argentina, una ruta sugerida por un sistema de optimización puede chocar con el conocimiento del despachador sobre un cliente difícil o una vía en mal estado; el derecho de decisión correcto no es “el sistema siempre gana” ni “el despachador siempre gana”, sino un umbral claro de cuándo se escala la diferencia. En el sector financiero en España, donde la regulación ya exige trazabilidad de las decisiones automatizadas que afectan a clientes, documentar la anulación no es solo buena gestión: es, cada vez más, una obligación de cumplimiento. En empresas de servicio al cliente que atienden al mercado hispano de Estados Unidos, la pregunta de cuándo un sistema de IA debe ceder el paso a una persona —algo que ya se analizó al estudiar qué medir antes de automatizar un proceso— es, en el fondo, el mismo problema de diseño organizacional visto desde otro ángulo.
Lo que tienen en común estos ejemplos es que ninguno se resuelve comprando una mejor herramienta. Se resuelven con una conversación que le corresponde a la gerencia, no al proveedor de tecnología: quién decide, con qué información, con qué margen de corrección y quién responde cuando la decisión —humana o automatizada— resulta equivocada.
La conclusión que importa para 2027
La inteligencia artificial agéntica va a seguir llegando a más procesos, y la tentación de medir el éxito de esa llegada solo por la precisión del modelo va a seguir siendo un error. La precisión es necesaria, pero no es suficiente: un sistema que acierta el ochenta por ciento de las veces y que la organización ignora el cincuenta por ciento de las veces no está rindiendo el ochenta por ciento de su valor, está rindiendo mucho menos, y encima genera la falsa sensación de estar “ya en la era de la IA”.
El trabajo que de verdad diferencia a las empresas que sacan provecho de estas herramientas de las que acumulan licencias sin usar no es un trabajo de ciencia de datos. Es, otra vez, el trabajo de toma de decisiones de siempre: escribir con claridad quién decide, mover la responsabilidad junto con la autoridad, medir si las anulaciones ayudan o estorban, y revisar el reparto cada vez que cambie la capacidad real del sistema. Las empresas que resuelvan esa pregunta de gobierno —y no solo la pregunta de cuánto invertir en inteligencia artificial— serán las que conviertan la inversión en una ventaja, en lugar de en una línea de gasto que nadie termina de usar del todo.
¿Tiene experiencia en gerencia y algo útil que contar? Escriba para deGerencia →
