Antes de decidir mejor, tenemos que aprender a interpretar mejor
Imaginemos una reunión de dirección en la que hay que tomar una decisión que cada vez más organizaciones tendrán que afrontar: cómo incorporar la Inteligencia Artificial a la compañía.
Durante las semanas anteriores se ha trabajado en el tema. Se han analizado casos de uso, costes, riesgos y posibles ganancias de productividad. Se ha estudiado qué están haciendo otras empresas del sector y se han identificado procesos internos en los que la IA podría tener un impacto relevante. Incluso se ha realizado un pequeño piloto en uno de los departamentos y los primeros resultados parecen prometedores.
Todos los miembros del comité han recibido la misma información, pero no todos están viendo la misma situación.
Para el director de tecnología, los resultados confirman algo que lleva meses defendiendo: hay que acelerar. Considera que esperar demasiado puede dejar a la compañía en desventaja frente a competidores que ya están incorporando estas herramientas.
Para la directora de Recursos Humanos, esos mismos resultados plantean otra cuestión. No duda del potencial de la tecnología, pero observa que muchos profesionales todavía no entienden cómo afectará a su trabajo y considera que una implantación demasiado rápida puede generar inseguridad, resistencia o simplemente un uso superficial de las herramientas.
El director financiero mira las cifras y llega a una conclusión diferente. Los beneficios potenciales son interesantes, pero todavía existen demasiadas estimaciones y pocas evidencias sobre el retorno real de la inversión. Para él, lo razonable sería avanzar con más prudencia.
Los datos están encima de la mesa y nadie los discute. Lo que cada uno cree que significan esos datos, sin embargo, es completamente diferente.
Y esa diferencia importa mucho más de lo que solemos reconocer.
Porque quizá uno de los errores más frecuentes cuando pensamos en la toma de decisiones consiste en imaginar que decidimos directamente sobre la información que tenemos delante.
En realidad, casi nunca lo hacemos.
Decidimos sobre el significado que atribuimos a esa información.
Los datos no llegan solos hasta una decisión
Cuando una organización se plantea incorporar Inteligencia Artificial, resulta lógico intentar mejorar la información disponible antes de decidir. Queremos saber cuánto puede aumentar la productividad, qué procesos podrían transformarse, cuánto costará, qué riesgos existen, qué están haciendo nuestros competidores o qué capacidades necesitaremos desarrollar.
Cuanta más información tengamos, mejores condiciones tendremos para decidir.
La lógica es correcta, pero incompleta.
Imaginemos que el piloto realizado por nuestra compañía muestra que los profesionales que han utilizado una determinada herramienta de IA han reducido un 25 % el tiempo necesario para realizar algunas tareas.
El dato es el mismo para todos. Sin embargo, el director de tecnología puede interpretarlo como una prueba de que existe una oportunidad para mejorar significativamente la productividad. La responsable de personas puede preguntarse qué harán los profesionales con ese tiempo liberado y cómo cambiarán sus funciones. El director financiero puede cuestionar si ese ahorro de tiempo se convertirá realmente en ahorro económico. Otro miembro del comité puede preguntarse si los resultados obtenidos en un pequeño piloto son extrapolables al resto de la organización.
Ninguna de esas conclusiones está contenida en el 25 %.
El dato describe algo que ha ocurrido. Somos nosotros quienes construimos su significado y, después, decidimos a partir de él.
Por eso el proceso real de una decisión se parece poco a la secuencia sencilla que muchas veces imaginamos:
Datos → Decisión
Entre ambos ocurren muchas más cosas:
Datos → Interpretación → Emociones → Comportamientos → Decisiones → Resultados
La interpretación ocupa un lugar especialmente importante en esa secuencia porque transforma la información en significado. Es el momento en el que dejamos de preguntarnos únicamente qué está ocurriendo y empezamos a construir una explicación sobre por qué ocurre, qué implica y qué deberíamos hacer al respecto.
Y esa explicación condicionará todo lo que venga después.
Una cifra puede producir decisiones completamente diferentes
Supongamos que, unas semanas después, el comité recibe un nuevo dato: solo el 30 % de los empleados que tienen acceso a la herramienta de Inteligencia Artificial la utiliza habitualmente.
Esta vez el resultado parece menos positivo. Pero antes de preguntarnos qué debería hacer la organización, conviene detenernos en algo que normalmente ocurre demasiado rápido.
¿Qué significa exactamente ese 30 %?
El responsable tecnológico puede interpretarlo como resistencia al cambio. Desde su perspectiva, la tecnología funciona, pero una parte de la organización todavía no está dispuesta a modificar su forma de trabajar.
La directora de Recursos Humanos puede construir una explicación diferente: quizá los empleados no han recibido suficiente acompañamiento para comprender cómo integrar la herramienta en su trabajo cotidiano.
Otro directivo puede llegar a una conclusión más incómoda: quizá la herramienta simplemente no aporta suficiente valor en muchos de los procesos para los que se está utilizando. Y alguien puede pensar que el verdadero problema está en los mandos intermedios, que no están incorporando la IA a la forma en que organizan el trabajo de sus equipos.
Todos observan exactamente el mismo dato, pero cada interpretación conduce a una decisión diferente.
Si creemos que existe resistencia, probablemente trabajaremos sobre la gestión del cambio. Si creemos que falta conocimiento, invertiremos en formación. Si pensamos que los casos de uso no aportan suficiente valor, revisaremos la estrategia de implantación. Y si atribuimos el problema a los responsables de los equipos, probablemente actuaremos sobre el liderazgo.
El 30 % no ha cambiado.
Lo que ha cambiado es el significado.
Y con él ha cambiado la decisión.
Esta distinción parece sencilla, pero tiene una enorme importancia para el liderazgo. Muchas discusiones que aparentemente se producen porque dos personas no están de acuerdo sobre qué hacer esconden en realidad un desacuerdo anterior que nunca se ha hecho explícito: no están interpretando de la misma manera lo que está ocurriendo.
Intentamos resolver el desacuerdo sobre la decisión sin haber explorado primero el desacuerdo sobre el significado.
El problema empieza cuando confundimos hechos e interpretaciones
Interpretar no es un error. No podríamos decidir sin hacerlo.
Los datos nunca contienen toda la información necesaria para actuar. Necesitamos relacionarlos con el contexto, anticipar consecuencias, formular hipótesis y construir explicaciones sobre aquello que probablemente está ocurriendo.
El problema aparece cuando dejamos de distinguir entre el hecho y nuestra interpretación del hecho.
"Los empleados se resisten a utilizar la IA."
"La organización todavía no está preparada."
"Si no aceleramos ahora, llegaremos tarde."
"La productividad justificará la inversión."
Todas estas afirmaciones pueden ser correctas. Pero no son datos. Son interpretaciones.
Y cuando una interpretación adquiere apariencia de hecho ocurre algo especialmente peligroso: dejamos de sentir la necesidad de cuestionarla.
Si el comité acepta que "los empleados se resisten a utilizar la IA", probablemente empezará a buscar las causas de esa resistencia. Realizará encuestas sobre barreras al cambio, diseñará formación, pedirá a los responsables que impulsen la adopción y medirá la evolución del uso.
Todo ello puede tener sentido. Pero también puede reforzar una interpretación equivocada.
Quizá los empleados no estén resistiéndose a utilizar la tecnología. Quizá simplemente no hayan encontrado todavía suficientes situaciones en las que les resulte útil.
La diferencia es enorme, porque una organización puede dedicar meses a resolver perfectamente un problema que nunca existió.
Por eso una de las capacidades más importantes para decidir con criterio consiste en aprender a mantener una pequeña distancia entre aquello que observamos y aquello que creemos que significa.
Poder decir:
"Esto es lo que sabemos. Esto es lo que estamos interpretando a partir de ello."
Esa separación no elimina la incertidumbre, pero mejora enormemente la conversación.
La escalera que subimos sin darnos cuenta
Hay una manera especialmente útil de visualizar lo que le está ocurriendo a nuestro comité. El psicólogo organizacional Chris Argyris desarrolló hace décadas una idea que posteriormente sería popularizada como la escalera de inferencia.
La propuesta describe algo que hacemos constantemente.
Empezamos con datos observables: en nuestro caso, un 30 % de adopción. Pero no reaccionamos ante todos los datos disponibles. Seleccionamos algunos, les atribuimos significado, incorporamos supuestos basados en nuestra experiencia, extraemos conclusiones y terminamos construyendo creencias desde las que actuamos.
El recorrido puede producirse así:
Tenemos un 30 % de adopción.
Lo convertimos en "poca gente está utilizando la herramienta".
Después suponemos que "si no la utilizan es porque no quieren cambiar su forma de trabajar".
Concluimos que "existe resistencia al cambio".
Y terminamos actuando sobre esa conclusión mediante formación, comunicación, presión sobre los mandos o programas de gestión del cambio.
Lo inquietante no es que alguno de esos pasos sea necesariamente incorrecto. Puede que realmente exista resistencia.
Lo inquietante es la velocidad con la que podemos recorrerlos sin advertir que hemos pasado de un dato a una interpretación y de una interpretación a una creencia.
En cuestión de segundos podemos pasar de una cifra a una explicación sobre cómo es nuestra organización. Y una vez que esa explicación se consolida, comienza a influir también en la información a la que prestamos atención. Buscamos señales de resistencia, interpretamos determinadas conductas como resistencia y terminamos acumulando evidencias que parecen confirmar aquello que ya habíamos concluido.
Volvamos a nuestro comité. El responsable tecnológico puede haber recorrido ese camino hasta concluir que existe resistencia al cambio. La directora de Recursos Humanos puede haber recorrido otro hasta concluir que falta acompañamiento. Ninguno de los dos está mintiendo ni actuando de mala fe. Simplemente han construido significados diferentes a partir del mismo hecho, y ninguno se ha detenido a mirar en qué peldaño está ni cómo ha llegado hasta ahí.
La escalera de inferencia nos ayuda así a visualizar algo fundamental: entre lo que ocurre y lo que creemos que ocurre existe un proceso de construcción que normalmente permanece invisible para nosotros mismos.
Por eso una de las preguntas más útiles que puede hacerse cualquier persona ante una decisión importante no es solo "¿en qué dato me estoy basando?", sino algo más incómodo:
¿En qué peldaño de mi propia escalera estoy, y qué supuestos tuve que dar por ciertos para llegar hasta aquí sin notarlo?
Ahí empieza a aparecer la Claridad Humana https://guidingplus.com/brujula/claridad-humana-como-decidir-con-criterio-en-la-era-de-la-ia. No en ninguno de los peldaños de la escalera —interpretar es inevitable—, sino en la capacidad de darnos cuenta de que la estamos subiendo, y de bajar deliberadamente hasta el peldaño en el que todavía podemos cambiar de opinión.
No interpretamos desde un lugar neutral
Todavía queda una pregunta importante.
Si todos interpretamos los datos, ¿por qué construimos significados diferentes ante la misma información?
Porque nunca interpretamos desde un lugar completamente neutral.
El director de tecnología lleva meses estudiando Inteligencia Artificial y ha defendido públicamente que la compañía debería avanzar con mayor rapidez. Cuando observa los resultados positivos del piloto, es razonable que preste especial atención a aquello que confirma la oportunidad que ya había identificado.
La directora de Recursos Humanos observa la misma transformación desde otro lugar. Su responsabilidad consiste, entre otras cosas, en anticipar cómo los cambios afectan a las personas, qué capacidades necesitan desarrollar y qué consecuencias puede tener una transformación mal gestionada.
El director financiero tiene otra responsabilidad. Está acostumbrado a exigir evidencias, comparar inversiones y evaluar retornos.
La organización necesita las tres perspectivas. No se trata de convertirlas automáticamente en sesgos que debamos eliminar.
El problema aparece cuando olvidamos que estamos mirando la situación desde ellas.
Nuestra experiencia, nuestra función, nuestras expectativas, aquello que hemos vivido anteriormente, las relaciones que mantenemos y las consecuencias que anticipamos influyen en las preguntas que hacemos y en el significado que atribuimos a las respuestas.
También lo hacen nuestras emociones.
No porque las emociones conviertan automáticamente nuestras decisiones en irracionales, sino porque pueden proporcionarnos información sobre algo diferente: desde dónde estamos interpretando.
Las emociones también contienen información sobre nuestra interpretación
Imaginemos que uno de los miembros del comité lleva veinte años siendo reconocido por su conocimiento en un área que ahora podría transformarse profundamente con la Inteligencia Artificial.
Durante la reunión defiende una implantación prudente. Habla de riesgos regulatorios, de la falta de evidencias suficientes y de anteriores tecnologías que prometieron transformaciones que después fueron mucho menores de lo esperado.
Todos sus argumentos pueden ser válidos.
Pero quizá exista también una preocupación que todavía no ha formulado: si una parte importante del conocimiento sobre el que ha construido su autoridad profesional deja de ser diferencial, ¿qué lugar ocupará él en la nueva organización?
Reconocer esa emoción no invalida su razonamiento ni demuestra que la empresa deba acelerar. Simplemente añade una información que antes no estaba disponible.
Ahora puede preguntarse si está evaluando determinados riesgos únicamente por su importancia objetiva o si una parte de ellos adquiere mayor peso debido a lo que personalmente está en juego.
El director de tecnología podría hacerse una pregunta equivalente. Quizá su entusiasmo procede de una lectura acertada de la oportunidad. Pero también puede reconocer que, después de meses defendiendo la necesidad de avanzar, existe una parte de él que necesita que el proyecto confirme que tenía razón.
Las emociones adquieren así un papel diferente. No nos dicen qué decidir. Nos ayudan a comprender desde dónde estamos atribuyendo significado a aquello que observamos y, con frecuencia, nos avisan de que hemos subido algún peldaño más rápido de lo que la evidencia justificaba.
Ese es el motivo por el que datos y emociones no pertenecen a mundos opuestos. Ambos contienen información relevante para comprender una situación, aunque nos informen de cosas diferentes.
Los datos pueden ayudarnos a comprender qué está ocurriendo fuera.
Las emociones pueden ayudarnos a explorar qué está ocurriendo en nosotros mientras intentamos comprenderlo.
El autoconocimiento deja de ser algo exclusivamente personal
Esta forma de entender la interpretación convierte el autoconocimiento en una capacidad mucho más estratégica de lo que normalmente suponemos.
Conocerse no consiste únicamente en saber cuáles son nuestras fortalezas, nuestros valores o nuestra forma habitual de comportarnos. En el contexto de una decisión significa algo más concreto: reconocer cómo nuestra manera de ser, nuestra experiencia y nuestra posición están influyendo en el significado que atribuimos a lo que ocurre.
El director de tecnología puede reconocer que su orientación hacia la innovación ha sido extraordinariamente valiosa para anticipar cambios, pero que esa misma característica puede llevarle en determinadas situaciones a infravalorar riesgos.
La responsable de Recursos Humanos puede reconocer que su sensibilidad hacia el impacto de los cambios en las personas le permite observar consecuencias que otros no ven, pero también preguntarse si determinadas experiencias anteriores están haciéndola anticipar resistencias que todavía no existen.
El director financiero puede reconocer que su disciplina para exigir evidencias protege a la compañía de decisiones basadas únicamente en expectativas, al tiempo que se pregunta si su preferencia por aquello que puede medirse fácilmente puede hacerle infravalorar oportunidades cuyo retorno todavía resulta difícil cuantificar.
Lo interesante es que ninguno necesita dejar de ser quien es.
Necesita saber desde dónde está mirando.
Porque las mismas características que enriquecen nuestra perspectiva pueden también delimitarla. Y cuando conseguimos reconocerlo aparece una posibilidad extraordinariamente valiosa: podemos revisar nuestra interpretación antes de convertirla en una posición que después tendremos que defender.
La Inteligencia Artificial puede ayudarnos a cuestionar nuestras interpretaciones
La Inteligencia Artificial introduce una posibilidad especialmente interesante en este proceso.
Nuestro comité puede utilizarla para analizar los resultados del piloto, contrastarlos con experiencias de otras organizaciones, identificar riesgos, construir escenarios o encontrar patrones que quizá ninguno de sus miembros había observado.
Pero también puede utilizarla para algo diferente: poner a prueba la interpretación que ya ha construido.
Si el comité interpreta que el 30 % de adopción significa resistencia, puede pedir a una IA que proponga explicaciones alternativas. Si considera que debe acelerar la implantación, puede pedirle que construya el argumento más sólido posible para no hacerlo. Si cree que el proyecto está funcionando, puede preguntarle qué evidencias deberían hacerle reconsiderar esa conclusión.
Hay incluso un tercer uso, menos evidente y quizá el más valioso: utilizarla no para analizar la situación, sino para analizar cómo la estamos analizando nosotros. Pedirle que reconstruya con nosotros el camino que hemos recorrido: ¿qué tendríamos que dar por cierto para concluir que un 30 % de adopción demuestra resistencia al cambio? ¿En qué punto de nuestro propio argumento hemos saltado de un hecho a una interpretación sin decirlo? ¿Qué otras explicaciones serían compatibles con exactamente el mismo dato?
Esto es difícil de hacer en solitario, porque estamos, por definición, dentro de la interpretación que queremos examinar. Una IA no comparte nuestra historia con esa decisión ni la urgencia emocional que la acompaña, y puede devolvernos la pregunta que nosotros mismos no nos haríamos: ¿qué estarías viendo si no hubieras llegado ya a esta conclusión?
Utilizada de esta manera, la IA deja de ser únicamente una fuente de información y empieza a funcionar como un espejo de nuestro propio razonamiento. Puede ampliar el mapa de interpretaciones posibles y, además, ayudarnos a ver en qué peldaño de la escalera nos encontramos.
Pero conviene ser precisos sobre sus límites.
Si la IA propone que la baja adopción puede explicarse por falta de formación, mala selección de casos de uso, problemas de experiencia de usuario, escaso liderazgo, incertidumbre sobre las consecuencias laborales o simplemente falta de utilidad, el comité dispone ahora de más hipótesis. Sigue necesitando averiguar cuáles explican mejor lo que ocurre en su organización. Tendrá que comprender el contexto, hablar con las personas, contrastar evidencias y evaluar las consecuencias de actuar sobre cada interpretación.
Y seguirá teniendo que hacer algo que ninguna herramienta puede hacer por él: decidir si baja. Estar dispuesto a cuestionar en público una conclusión en la que quizá lleva semanas apoyándose, delante de un equipo que espera de él seguridad, sigue siendo una decisión genuinamente humana.
La IA puede ayudarnos a ver en qué peldaño estamos. No puede decidir por nosotros si bajar. Eso es criterio.
A medida que la IA mejore nuestra capacidad para obtener información, analizarla y generar explicaciones alternativas, esta distinción será cada vez más importante. La ventaja no estará únicamente en tener acceso a más respuestas o más posibilidades, sino en nuestra capacidad para comprender cuáles importan en el contexto concreto sobre el que tenemos que decidir.
Cinco preguntas para interpretar antes de decidir
Volvamos por última vez a nuestro comité.
Tiene que decidir si amplía el piloto, acelera la implantación, espera unos meses o modifica el enfoque. Podría seguir buscando información y seguramente encontraría más estudios, más benchmarks, más casos de éxito y más argumentos a favor y en contra.
Pero quizá antes necesite ordenar la información que ya tiene.
La primera pregunta sería ¿qué sabemos?
Aquí deberían aparecer únicamente aquellos hechos que podemos sostener razonablemente. El piloto ha reducido un 25 % determinados tiempos. El 30 % de los usuarios utiliza regularmente la herramienta. Sabemos cuánto ha costado, en qué tareas ha funcionado mejor y qué problemas han aparecido.
La segunda pregunta es ¿qué estamos interpretando?
Estamos interpretando que ese nivel de adopción significa resistencia, falta de formación o escaso valor. Estamos suponiendo que el ahorro de tiempo se convertirá en productividad. Estamos anticipando que los competidores avanzarán rápidamente. Estamos concluyendo que la organización está —o no está— preparada.
Separar ambas capas ya modifica la conversación.
La tercera pregunta es ¿qué estamos sintiendo?
No para decidir según esas emociones, sino para explorar qué pueden estar indicándonos sobre nuestra interpretación. ¿Existe miedo a quedarse atrás? ¿Miedo a equivocarse? ¿Entusiasmo? ¿Necesidad de demostrar que una posición anterior era correcta? ¿Preocupación por las consecuencias para determinadas personas?
La cuarta es ¿qué estamos haciendo como consecuencia de esa interpretación?
Quizá estamos acelerando, retrasando, buscando más datos, evitando determinadas conversaciones o prestando atención únicamente a la información que confirma nuestra posición.
Y entonces aparece la quinta pregunta:
¿Qué cambiaría en nuestra decisión si otra interpretación también pudiera ser cierta?
No significa que todas las interpretaciones tengan el mismo valor ni que debamos permanecer indefinidamente dudando.
Significa obligarnos a comprobar si estamos decidiendo sobre aquello que sabemos o sobre una explicación de la realidad que, en algún momento, hemos dejado de cuestionar.
La claridad empieza distinguiendo lo que vemos de lo que creemos que significa
Llegados a este punto, quizá podamos comprender de otra manera qué significa tener claridad ante una decisión.
La claridad no consiste en eliminar la incertidumbre hasta estar completamente seguros de qué debemos hacer. Muchas decisiones importantes nunca ofrecen esa posibilidad.
Tampoco consiste únicamente en disponer de más información. Podemos tener una enorme cantidad de datos y seguir confundiendo aquello que sabemos con aquello que estamos suponiendo.
La claridad empieza cuando somos capaces de distinguir mejor esas capas: qué está ocurriendo, qué significado le estamos atribuyendo, qué estamos sintiendo ante ello y cómo todo eso está influyendo en nuestra forma de actuar. En términos de la escalera, empieza cuando somos capaces de mirarla desde fuera en lugar de vivir instalados en su último peldaño.
Eso es especialmente importante en decisiones como la implantación de Inteligencia Artificial, donde todavía existe una enorme incertidumbre y donde conviven oportunidades reales, riesgos reales, expectativas exageradas y transformaciones cuyo alcance todavía no conocemos.
No necesitamos esperar a que desaparezca esa incertidumbre.
Necesitamos aprender a comprender mejor dentro de ella.
Human Decision Intelligence: comprender antes de decidir
A medida que la Inteligencia Artificial amplíe nuestra capacidad para acceder a información, analizarla y generar alternativas, probablemente tendremos que prestar más atención a algo que hasta ahora permanecía muchas veces en segundo plano: la interpretación.
Dos organizaciones pueden disponer de las mismas herramientas. Dos directivos pueden leer los mismos informes. Dos equipos pueden recibir exactamente los mismos datos y, sin embargo, decidir de manera completamente diferente.
La diferencia no estará necesariamente en aquello que saben.
Puede estar en el significado que atribuyen a aquello que saben, y en qué peldaño de su propia escalera se han detenido a mirar antes de actuar.
En Guiding llamamos Human Decision Intelligence a la capacidad de integrar datos, emociones y contexto para comprender mejor una situación y decidir con criterio.
Desde esta perspectiva, mejorar nuestras decisiones no consiste únicamente en incorporar más información al proceso. También significa aprender a reconocer cómo estamos interpretando esa información, qué elementos del contexto estamos considerando, qué estamos sintiendo ante las posibles consecuencias y desde qué lugar estamos construyendo nuestra explicación de lo que ocurre.
La Inteligencia Artificial puede ayudarnos enormemente en ese proceso. Puede analizar más información de la que nosotros podríamos procesar, mostrarnos patrones, cuestionar nuestras hipótesis y ofrecernos perspectivas que no habíamos considerado. Puede incluso ayudarnos a ver, con más claridad de la que tendríamos solos, en qué peldaño de nuestra propia escalera nos encontramos.
Pero disponer de más perspectivas no elimina la responsabilidad de comprender.
La hace más importante.
Porque quizá una de las grandes competencias de la era de la Inteligencia Artificial no sea únicamente saber encontrar mejores respuestas. Será aprender a distinguir entre lo que ocurre y lo que creemos que significa lo que ocurre.
Volvamos entonces a nuestra reunión de dirección.
El comité sigue teniendo delante los mismos datos sobre la implantación de Inteligencia Artificial. El 25 % de mejora sigue siendo el mismo. El 30 % de adopción también.
Lo que puede haber cambiado es la manera de mirarlos.
Quizá ahora, antes de discutir qué debería hacer la compañía, alguien formule una pregunta diferente:
¿En qué peldaño de la escalera estamos cada uno, y qué hemos dado por hecho para subir hasta ahí?
Puede parecer una pregunta pequeña. Pero es la diferencia entre discutir sobre conclusiones que ya nadie recuerda haber construido, y volver a bajar juntos hasta los datos que las originaron.
Es ahí donde convertimos información en significado. Y es ese significado, no el dato aislado, el que empieza a orientar nuestras conversaciones, nuestros comportamientos y finalmente nuestras decisiones.
Los datos pueden ser los mismos.
Lo que hacemos con ellos depende de qué escalera hemos subido para llegar hasta la decisión.
Y en un mundo en el que la Inteligencia Artificial nos permitirá acceder cada vez a más información, más análisis y más respuestas, nuestra capacidad para comprender cómo estamos construyendo ese significado será todavía más importante.
Porque tener más información no garantiza que comprendamos mejor.
Y antes de decidir mejor, tendremos que aprender a mirar en qué peldaño estamos.