La recomendación que dejó de servir
Imagina que tienes que elegir entre cinco proveedores. Le das a la IA las cinco ofertas, con sus presupuestos, las condiciones y los correos intercambiados. Le pides que compare las propuestas y te recomiende una.
En pocos segundos recibes una tabla clara y estupenda. La recomendación parece sensata: el proveedor B ofrece el mejor equilibrio entre precio, plazo y garantías. Lees el razonamiento, compruebas un par de cifras y tomas la decisión.
Dos días después cambia una de las condiciones de partida: el proyecto va a tener que crecer mucho antes de lo previsto y, por tanto, ahora importa mucho más la flexibilidad del contrato.
Vuelves a la comparación y te das cuenta de que la recomendación anterior ya no sirve. Lo que no tienes tan claro es cómo rehacerla. ¿Qué peso había recibido el precio? ¿Cuánto valía realmente la rapidez? ¿Por qué la flexibilidad había quedado por detrás de las garantías?
Sí, las respuestas están en el análisis de la IA. Puedes volver a leerlas. Pero entonces descubres algo fastidioso con lo que no contabas: conocías la recomendación e incluso podrías repetir sus argumentos, pero no habías construido el criterio que permitía ordenarlos.
La decisión inicial podía ser perfectamente correcta, pero cuando cambió una variable y hubo que decidir de nuevo, apareció el problema.
En este ejemplo se ve lo que de verdad perdemos cuando dejamos de aplicar nuestro criterio: no perdemos la respuesta, perdemos la práctica de construirla.
Decidir también es aprender
Cuando decidimos, hacemos algo más que elegir una opción. También ordenamos las cosas que nos importan.
Volvamos a los cinco proveedores. Si hicieras la comparación por tu cuenta, tendrías que decidir cuánto pesa el precio frente al plazo, si una garantía mayor compensa su coste o cuánta flexibilidad necesita el proyecto. El criterio aparece justo ahí: cuando ninguna opción gana en todo y tienes que elegir lo que estás dispuesto a sacrificar.
Sí, la IA puede ahorrarte ese recorrido y seguramente hacerlo muy bien: ordena las variables, les asigna un peso y presenta una conclusión coherente. Puedes incluso entender sus razones y estar de acuerdo con ellas. Lo que quizá no sabes es si tú habrías dado el mismo peso a cada variable antes de conocer su recomendación.
Ahí está la diferencia entre comprender un razonamiento y haberlo construido. Esta es la clave. En el primer caso compruebas que las piezas encajan. En el segundo decides cómo deben encajar y descubres qué consideras importante, dónde dudas y qué tendría que cambiar para que eligieras otra opción.
La diferencia está entre comprender un razonamiento y haberlo construido.
Además, el aprendizaje continúa después de elegir. El proveedor cumple o se retrasa, el proyecto crece y el contrato responde o se queda pequeño. La siguiente vez recuerdas lo ocurrido y ajustas tus prioridades. Así se forma la experiencia: decidimos, observamos y corregimos.
Nada de esto exige preparar tablas a mano ni renunciar a la IA. La IA puede hacer los cálculos, buscar información y preparar una primera comparación. Eso sí, conviene conservar una “foto” del momento en que decides qué importa, qué riesgo aceptas y qué dato cambiaría tu opinión.
Volver a leer el análisis te devuelve las razones de aquella recomendación. No te devuelve la práctica de haber elegido cuáles importaban y cuánto pesaban.
Revisar sin una posición propia
Hay una forma más sutil de dejar de aplicar nuestro criterio. Ocurre incluso cuando revisamos la respuesta: la leemos, comprobamos algunos datos y hacemos algún cambio. Estamos revisando. O eso creemos.
Volvamos a la tabla de proveedores. Podemos verificar los precios, los plazos y las garantías. Pero toda la revisión parte de la comparación que la IA ya ha preparado y nuestra atención se queda en las variables que ha seleccionado.
Quizá han quedado fuera elementos que nos importan: la dependencia de un subcontratista, la capacidad real del proveedor para asumir el crecimiento o el coste de romper el contrato. Y, claro, lo que no aparece en la tabla resulta mucho más difícil de revisar.
Para revisar de verdad necesitamos algún punto de apoyo fuera de la respuesta. Basta una pregunta, una prioridad o una sospecha: ‘este proyecto seguramente crecerá’, ‘los retrasos me preocupan más que el precio’ o ‘no quiero depender de un único proveedor’. Ahora sí tenemos algo propio con lo que contrastar la recomendación.
Sin ese punto de apoyo nos limitamos a comprobar que el razonamiento de la IA es coherente, y seguramente lo es. Todas las piezas encajan dentro de una comparación que quizá solo contiene una parte de lo que más nos importa.
Ahí actúa nuestro criterio: decide qué variables merecen entrar en la comparación. A veces esa decisión importa más que la puntuación final de cada alternativa.
Podemos comprobar todos los datos y dejar sin revisar cuáles merecían entrar.
El coste oculto del acierto
Esta pérdida resulta difícil de ver porque puede convivir con decisiones correctas. Si la IA fallara con frecuencia, desconfiaríamos de ella y revisaríamos más. Pero suele ayudarnos y cada acierto reduce un poco la necesidad de comprobar el siguiente.
Normalmente medimos la decisión por su resultado inmediato: el proveedor funcionó, ahorramos tiempo y el trabajo salió. Todo parece indicar que hemos ganado. Lo que no medimos es si todavía podríamos reconstruir la decisión, adaptarla cuando cambien las condiciones o discrepar de la próxima recomendación.
Así crece la deuda de criterio. No suele anunciarse mediante una cadena de errores. Puede crecer mientras todo funciona y nosotros dejamos de practicar una parte del trabajo.
La deuda de criterio puede crecer mientras todo funciona y nosotros dejamos de practicar una parte del trabajo
El aviso llega más tarde, cuando cambia el contexto, falla la recomendación o alguien nos pide que expliquemos por qué decidimos así. Entonces tenemos que recuperar deprisa una práctica que llevábamos tiempo sin utilizar.
Podemos acertar hoy y estar menos preparados para decidir mañana. Las dos cosas pueden ocurrir al mismo tiempo.
Tres líneas antes de la respuesta
¿Cómo podemos conservar nuestro criterio sin repetir todo el trabajo que hace la IA?
Antes de pedirle una recomendación a la IA, hazte estas preguntas y respóndelas en tres líneas:
Qué quieres conseguir.
Qué estás dispuesto a sacrificar.
Qué condición te haría rechazar una opción.
No hace falta preparar otro análisis. En el caso de los proveedores podría bastar con esto: ‘el proyecto debe poder crecer sin renegociar el contrato’, ‘acepto pagar algo más por esa flexibilidad’ y ‘descarto una oferta si depende de un único subcontratista’.
Ahora sí tenemos algo con lo que contrastar la recomendación de la IA. Si coincide con nuestra posición, sabremos por qué. Si no coincide, la diferencia nos mostrará dónde están las prioridades que debemos revisar.
Estas tres líneas no garantizan una buena decisión, pero evitan que lleguemos a la respuesta con las manos vacías. La IA puede añadir información, descubrir una variable que no habíamos visto o hacernos cambiar de opinión. Nuestro criterio entra en la conversación y también puede mejorar.
Una respuesta correcta resuelve el problema de hoy. El criterio te permite volver a decidir mañana.
PIENSAS TÚ · 3 de 4
Este es el tercer capítulo de PIENSAS TÚ, una serie sobre lo que ocurre cuando dejamos que la IA haga cada vez más partes de nuestro razonamiento.
En el cuarto y último capítulo trasladaremos la pregunta a la empresa: qué sucede cuando esta forma de decidir se convierte en una rutina compartida, cómo se acumula deuda de criterio y qué pierde una organización cuando ya no sabe reconstruir, discutir o corregir sus propias decisiones.