Volver a La Brújula
Human Decision Intelligence8 de octubre de 2026Por Carlos Casaus

Human Decision Intelligence: quién pone el criterio cuando la IA puede decidir

Cuando los sistemas dejan de proponer y empiezan a actuar, el criterio humano ya no puede ser solo el filtro final.

Human Decision Intelligence: quién pone el criterio cuando la IA puede decidir

Human Decision Intelligence: quién pone el criterio cuando la IA puede decidir

Durante toda esta temporada hemos dado por supuesta una secuencia que empieza a quedarse corta.

Preguntamos. La IA responde. Nosotros decidimos qué hacer con la respuesta.

En ese esquema el criterio humano llega al final: alguien revisa una recomendación y la aprueba, la rechaza o la matiza. Es una posición cómoda, porque siempre queda un último momento para intervenir.

Pero los sistemas basados en agentes pueden encadenar tareas, utilizar herramientas, coordinar procesos y ejecutar acciones dentro de unos objetivos y unos límites. McKinsey describe esta evolución como un desplazamiento hacia entornos donde personas, agentes y sistemas automatizados trabajan dentro de los mismos flujos, mientras parte de la contribución humana se mueve hacia la interpretación, el juicio, la definición de excepciones y la supervisión.

Eso cambia dónde tiene que estar el criterio. Mientras la IA solo propone, podemos aplicarlo después. Cuando puede actuar, una parte tiene que existir antes: qué objetivo debe perseguir, qué información puede utilizar, qué límites no debe superar, qué nivel de autonomía aceptamos y ante qué situaciones debe detenerse.

Pasamos del criterio como filtro al criterio como arquitectura.

Conviene matizar inmediatamente esta idea, porque podría parecer más nueva de lo que es. Las organizaciones llevan décadas diseñando arquitecturas de decisión, aunque rara vez las llamemos así. Un presupuesto determina qué puede comprometerse sin autorización. Una jerarquía establece quién decide qué. Un sistema de incentivos define qué comportamientos resultan razonables para quien los adopta. Una norma marca dónde se detiene la discrecionalidad de una persona. Todo eso son decisiones sobre decisiones, tomadas con antelación por alguien que no estará presente cuando llegue el momento concreto.

Lo que hace la Inteligencia Artificial no es inventar esa capa.

La vuelve explícita, y bastante más determinante.

Un presupuesto mal calibrado produce fricciones que alguien acaba detectando y corrigiendo sobre la marcha. Un agente que opera con un objetivo mal definido puede ejecutar cientos de veces una interpretación que nadie revisó, a una velocidad que no deja margen para que la fricción aparezca. Los supuestos que antes podíamos dejar implícitos —qué estamos optimizando, qué consecuencias priorizamos, qué riesgo aceptamos— tienen que escribirse.

Y escribirlos obliga a haberlos comprendido.

El marco de gestión de riesgos de IA del NIST insiste precisamente en eso: definir el contexto de uso, diferenciar las responsabilidades humanas y establecer el grado de supervisión en función del riesgo y de las consecuencias del sistema. No todas las aplicaciones requieren la misma intervención, porque no todas las decisiones tienen el mismo impacto.

La pregunta, por tanto, deja de ser cuánto podemos delegar.

Pasa a ser qué necesitamos comprender antes de delegarlo.

Tener más inteligencia no significa tener más criterio

Hay una distinción que recorre toda esta serie y que conviene nombrar del todo antes de seguir.

Podemos llamar inteligencia a la capacidad de reconocer patrones, relacionar información, formular hipótesis, anticipar escenarios o resolver problemas. Es, en buena medida, lo que la IA está ampliando a una escala extraordinaria.

El criterio empieza un poco después. Aparece cuando hay que decidir qué información importa realmente, qué interpretación merece confianza, qué consecuencias considerar, qué riesgo aceptar y qué responsabilidad asumir.

De ahí se sigue algo que me parece una de las ideas más importantes de esta temporada: la capacidad de decisión de una organización no crece necesariamente al mismo ritmo que su capacidad de análisis. Una empresa puede multiplicar la segunda en dieciocho meses, con herramientas que cualquiera puede contratar, y no mover la primera en absoluto. Puede disponer de sistemas extraordinarios y seguir decidiendo mal porque está resolviendo el problema equivocado, porque hay incentivos que nadie cuestiona o porque las personas evitan decir lo que incomoda.

Puede ocurrir incluso algo más inquietante: cuanto mayor es nuestra capacidad de producir análisis, más fácil resulta encontrar argumentos que justifiquen la interpretación que ya queríamos defender.

Y conviene no dar por hecho que la calidad del análisis se traslada automáticamente a la calidad del juicio sobre ese análisis. Una investigación publicada en Scientific Reports en febrero de 2026, con 295 participantes, examinó cómo utilizamos recomendaciones atribuidas a sistemas de IA y observó que una actitud más positiva hacia la IA podía asociarse, en determinadas condiciones, con un peor desempeño al discriminar información correcta e incorrecta. Los autores lo sitúan dentro de un problema conocido desde hace décadas: el automation bias, nuestra tendencia a confiar en exceso en recomendaciones procedentes de sistemas automatizados.

No es un argumento para desconfiar de la IA. Es un argumento para no asumir que mejorar la herramienta mejora por sí solo la decisión que tomamos con ella.

Lo que hemos ido aprendiendo, en cinco preguntas

Si esta temporada tiene una conclusión práctica, es que el criterio no es un rasgo de carácter: es un conjunto de movimientos que pueden entrenarse. Cada artículo ha aportado uno, y vale la pena recogerlos juntos, porque son también cinco preguntas que caben en una reunión.

¿En qué peldaño de la escalera estamos? Subimos de un dato a una creencia en segundos, sin advertir los escalones intermedios. Separar lo que sabemos de lo que estamos interpretando es el primer movimiento, y el que hace posibles todos los demás.

¿Qué tendría que ser cierto para que estuviéramos equivocados? Una explicación no se convierte en hecho por ser coherente. Poner a prueba nuestra interpretación es distinto de buscar más información: no preguntamos qué más podríamos saber, sino qué haría que lo que creemos dejara de sostenerse.

¿Qué estamos sintiendo y cómo está influyendo? No para decidir según la emoción ni para eliminarla, sino porque nos informa de desde dónde estamos mirando. Y porque a veces se disfraza de método: pedir otro informe parece rigor y puede ser necesidad de seguridad.

¿Qué está viendo el otro que yo no estoy viendo? Reunir perspectivas no es usarlas. Escuchar bien no consiste en cambiar de opinión, sino en permitir que lo escuchado pueda cambiarla. Y criterio compartido no es conclusión compartida: podemos comprender juntos una situación y seguir discrepando sobre qué hacer.

¿Hemos alcanzado suficiencia decisional? No cuando han desaparecido las dudas, sino cuando lo que falta por saber ya no cambiaría la alternativa, el momento, el alcance, las condiciones ni el riesgo que aceptamos.

Ninguna de las cinco garantiza acertar. Esa no puede ser la promesa: podemos comprender bien una situación y obtener un mal resultado porque hay variables que no controlamos. La claridad no elimina la incertidumbre; nos permite decidir dentro de ella con menos confusión.

Lo que esas preguntas exigen de una organización

Hay una trampa en presentarlas como una lista individual, y conviene nombrarla.

Las cuatro primeras dependen de que alguien pueda formularlas en voz alta. Si cuestionar una interpretación tiene coste político, nadie preguntará en qué peldaño estamos. Si el desacuerdo se lee como falta de compromiso, la perspectiva que faltaba no entrará en la reunión. Y si la organización juzga las decisiones solo por su resultado, pedir un análisis más seguirá siendo perfectamente racional para quien lo pide, aunque haya perdido todo valor decisional y conserve únicamente valor defensivo.

Por eso el criterio no es solo una capacidad personal. Una empresa puede contratar a gente extraordinariamente inteligente y decidir mal si sus conversaciones no permiten que aparezca la información que ya existe dentro de ella.

Y todo esto se vuelve más exigente cuando parte de la ejecución pasa a sistemas que actúan. Definir los límites dentro de los cuales un agente puede operar obliga a hacer explícitas cuestiones que muchas organizaciones nunca han tenido que responder por escrito, porque hasta ahora se resolvían una a una, en cada decisión, por la persona que estaba delante.

Human Decision Intelligence: qué cambia cuando se desarrolla

En Guiding llamamos Human Decision Intelligence a la capacidad de integrar datos, emociones y contexto para comprender mejor una situación y decidir con criterio.

No es una alternativa a la Inteligencia Artificial; adquiere más importancia precisamente gracias a ella. La IA puede ampliar nuestra capacidad para observar patrones, generar opciones, contrastar argumentos y anticipar escenarios. Human Decision Intelligence trabaja sobre otra pregunta: qué hacemos las personas y las organizaciones con toda esa inteligencia cuando llega el momento de interpretar, elegir y asumir consecuencias.

La pregunta útil, llegados aquí, no es qué es sino qué cambia. Qué diferencia hay entre una organización que ha desarrollado esta capacidad y otra que simplemente tiene buenos profesionales y buenas herramientas.

Yo señalaría tres diferencias.

Las decisiones se vuelven explicables. No solo puede decirse qué se decidió, sino qué información se consideró, qué prioridades se aplicaron y qué riesgos se aceptaron. Eso parece una cuestión de transparencia y es en realidad una cuestión operativa: una decisión que puede explicarse puede ejecutarse por gente que no estuvo en la sala, y puede revisarse cuando cambian las condiciones.

Los desacuerdos se vuelven útiles. Dejan de ser un obstáculo que retrasa y pasan a ser una señal de que hay información que todavía no se ha integrado. Una organización que sabe distinguir entre un desacuerdo sobre los hechos y un desacuerdo sobre los criterios deja de intentar resolver el segundo con más datos.

Los resultados se convierten en aprendizaje. Y aquí está, probablemente, la diferencia más importante. Una organización no aprende de sus decisiones observando únicamente sus resultados. Aprende cuando es capaz de reconstruir el criterio con el que decidió: qué sabía entonces, qué daba por supuesto, qué alternativas descartó y por qué.

Esa reconstrucción es lo que permite distinguir una decisión mal tomada de una decisión razonable con mal resultado. Sin ella, cada resultado negativo produce la misma conclusión —deberíamos haber analizado más— y cada resultado positivo confirma que se hizo bien, aunque nadie recuerde por qué.

Con ella, una decisión que salió mal puede enseñar algo. Y eso es exactamente lo que la vuelve una capacidad acumulativa en lugar de una cualidad que algunas personas tienen y otras no.

Esa capacidad, vista desde la persona que está delante de la decisión, es lo que a lo largo de esta serie hemos llamado Claridad Humana: comprender qué importa realmente en una situación para actuar con criterio, incluso cuando sigue existiendo incertidumbre.

Human Decision Intelligence es el marco; la Claridad Humana es lo que aparece cuando ese marco funciona. No saberlo todo, sino comprender suficientemente bien qué está ocurriendo, qué importa y desde dónde estamos decidiendo.

Volvamos a una decisión concreta

Imaginemos una organización que lleva meses con un proyecto que consideraba estratégico. La inversión ha sido importante, varias áreas están implicadas y parte de la dirección lo ha defendido públicamente. Los resultados no son los esperados.

Un sistema de IA analiza la evolución, compara con iniciativas similares, proyecta escenarios y evalúa el coste de oportunidad. Su recomendación es clara: reducir la inversión y redimensionar el proyecto. El análisis es correcto, los escenarios razonables.

Y aun así la decisión no está tomada, porque la recomendación responde a una pregunta —qué opción tiene mejor relación entre riesgo y retorno— que no es exactamente la pregunta de la organización. Finanzas ve riesgo acumulado. Tecnología ve conocimiento que se perdería. Operaciones ve otras prioridades bloqueadas. Recursos Humanos ve un equipo agotado. Y quien tiene que decidir lleva meses defendiendo el proyecto, lo que significa que no está evaluando solo una inversión.

Supongamos que el comité hace el trabajo. Separa lo que sabe de lo que interpreta. Pregunta qué tendría que ser cierto para que la recomendación estuviera equivocada. Nombra lo que cada uno teme perder, incluida la persona que lo ha defendido. Integra las cuatro perspectivas sin buscar que coincidan. Y reconoce que la información que falta ya no cambiaría la elección.

La decisión podría ser esta: continuar tres meses más, con una inversión acotada, con dos indicadores pactados de antemano y una fecha fija de revisión.

No es la recomendación del sistema ni la posición de ninguna de las áreas. No garantiza acertar: puede salir mal. Pero expresa un criterio que puede explicarse a quien no estuvo en la reunión, que incorpora lo que cada área vio, y que define por adelantado qué haría cambiar de opinión a quien decidió.

Dentro de tres meses, esa organización podrá hacer algo que la mayoría no puede: revisar no solo si acertó, sino si su razonamiento era adecuado con lo que sabía entonces.

Cierre de temporada

Durante décadas, mejorar nuestras decisiones significó disponer de más información y desarrollar nuestra capacidad para analizarla. La Inteligencia Artificial está transformando esa realidad a una velocidad que cuesta seguir: cada vez podremos analizar más, contrastar más hipótesis, explorar más escenarios y delegar más acciones.

Eso no reduce la importancia del criterio. La aumenta. Porque cuando las respuestas dejan de ser escasas, la ventaja ya no está en encontrarlas, sino en comprender cuál merece nuestra atención, qué significa dentro de nuestro contexto y qué estamos dispuestos a hacer con ella.

Y cada vez más a menudo tendremos que haber decidido eso antes, no después.

Quizá sea esa la paradoja más interesante de esta etapa: cuanta más inteligencia podamos poner al servicio de nuestras decisiones, más tendremos que aprender sobre nuestra propia forma de decidir.

Relacionado con Human Decision Intelligence

Este artículo forma parte del modelo Human Decision Intelligence desarrollado por Guiding.

➡ Descubre el modelo completo