Image
¿Decides tú o decide la IA? El valor del criterio humano en la toma de decisiones empresariales en tiempos de la inteligencia artificial
Octubre 23, 2026

¿Hasta qué punto podemos confiar en los análisis que genera la inteligencia artificial? ¿Qué sucede cuando distintas herramientas arrojan conclusiones diferentes a partir de los mismos datos? ¿Y quién asume la responsabilidad cuando una recomendación automatizada acaba convirtiéndose en una decisión empresarial?


Estas preguntas marcaron el inicio de una nueva sesión de los Alumni Afterworks de EADA Business School, titulada «¿Decides tú o decide la IA?». El encuentro contó con la participación de Ignasi Alcalde, consultor, profesor, investigador y especialista en datos, visualización, data storytelling e inteligencia artificial generativa, quien invitó a reflexionar a las personas presentes, tanto en vivo como en línea, sobre los límites de la tecnología y la importancia de mantener el criterio humano en los procesos de decisión.


A través de ejercicios interactivos y un experimento con tres herramientas de IA, Alcalde demostró que el verdadero desafío consiste en desarrollar las capacidades necesarias para interpretar, cuestionar y validar los resultados.

Cuando tener más datos no significa comprender mejor

Uno de los puntos de partida de la conferencia fue una realidad habitual en las organizaciones: la acumulación de información, informes y cuadros de mando que permiten conocer prácticamente cualquier indicador del negocio, pero no siempre ayudan a entender qué sucede y, sobre todo, qué conviene hacer al respecto. Para Alcalde, el problema radica en la capacidad de transformar los datos en conocimiento útil. Entre disponer de una cifra y tomar una decisión fundamentada, hay un recorrido que exige interpretación, contexto y criterio.


Para ilustrarlo, presentó la pirámide del dato a la acción. Una cifra de ventas aislada constituye un dato. Cuando se compara con otros periodos o mercados, se convierte en información. Si el análisis permite identificar que la caída de las ventas se concentra entre los nuevos clientes, se obtiene un insight, un hallazgo relevante que ayuda a comprender el problema. A partir de ahí, es posible decidir una actuación concreta, ponerla en marcha y medir sus resultados.
 

Esta secuencia conecta directamente con el data storytelling, una disciplina que va mucho más allá de elaborar presentaciones atractivas o de representar la información mediante gráficos. Su finalidad es transformar evidencias en mensajes comprensibles que permitan interpretar una situación y actuar en consecuencia. En definitiva, ayudar a responder a tres preguntas esenciales para cualquier organización: qué está pasando, por qué está pasando y qué podemos hacer al respecto.

Tres inteligencias artificiales, un mismo Excel y diferentes respuestas

Uno de los momentos más reveladores de la sesión llegó con un experimento que puso a prueba la fiabilidad de las herramientas de IA en un contexto empresarial. Alcalde creó una empresa ficticia de servicios técnicos, con diferentes segmentos de clientes y un conjunto de datos sobre la evolución del negocio. La compañía presentaba una situación aparentemente contradictoria: los ingresos crecían, pero la satisfacción de los clientes disminuía y las bajas aumentaban. La pregunta parecía sencilla: ¿funcionaba mejor o peor la empresa?


Para responderla, el ponente sometió los mismos datos y la misma secuencia de instrucciones a ChatGPT, Claude y Gemini. El objetivo no era determinar cuál de ellas era mejor, sino observar cómo analizaban la información, identificaban problemas y formulaban recomendaciones. En una primera fase, las tres fueron capaces de realizar cálculos y detectar tendencias generales. Sin embargo, cuando se les pidió que profundizaran en las causas del deterioro y estimaran cuánto dinero podría recuperar la empresa si corrigiera el problema, comenzaron a surgir diferencias significativas.


Algunas respuestas atribuían la pérdida de clientes a problemas operativos que los datos disponibles no permitían demostrar. Otras presentaban estimaciones económicas aparentemente precisas, pero basadas en supuestos que no siempre resultaban claros. Incluso al analizar la misma variable, como la satisfacción de los clientes, podían obtenerse resultados distintos según se utilizara o no una media ponderada.


La paradoja era evidente: las tres herramientas podían generar respuestas convincentes, bien estructuradas y aparentemente rigurosas, aunque no todas sus conclusiones estuvieran suficientemente fundamentadas. «Una conclusión segura no es una conclusión demostrada», advirtió Alcalde.

El contexto cambia las respuestas, pero no elimina la necesidad de verificar

El experimento dio un paso más cuando el ponente incorporó información que no figuraba en el archivo original. Entre otros cambios, la empresa había modificado su sistema de atención a las pymes, introducido un asistente virtual, centralizado determinadas incidencias y revisado sus tarifas. Además, había destinado parte de sus recursos técnicos a la atención de grandes cuentas.


Con estos nuevos elementos, las herramientas pudieron reinterpretar los datos y ofrecer respuestas más matizadas. Aquello que inicialmente parecía deberse a una única causa, en realidad podía estar relacionado con varias decisiones empresariales.


El ejercicio mostró hasta qué punto la calidad de los análisis depende de la información que proporcionamos a la inteligencia artificial. Pero también puso de manifiesto un límite importante: incorporar contexto no convierte automáticamente una hipótesis en evidencia demostrada.


Para el experto, el proceso requiere formular preguntas sucesivas, contrastar resultados y exigir que las herramientas diferencien claramente entre lo que muestran los datos, las interpretaciones que elaboran y los supuestos utilizados para construir escenarios. La mejor recomendación resultó ser aquella que reconoció las incertidumbres y propuso comprobar determinadas hipótesis antes de tomar una decisión definitiva.

De producir análisis a supervisarlos: el nuevo papel de los profesionales

La irrupción de la inteligencia artificial está transformando la distribución de tareas en las organizaciones. Actividades que tradicionalmente requerían horas de trabajo, como preparar datos, identificar anomalías, elaborar gráficos o redactar informes, ahora pueden realizarse con mucha mayor rapidez. Sin embargo, esta capacidad de producción no elimina la necesidad de conocimiento especializado. En realidad, desplaza el valor de determinadas competencias hacia la revisión, la interpretación y la supervisión.


Alcalde explicó que la IA resulta especialmente útil para explorar grandes conjuntos de datos, detectar patrones, proponer hipótesis y generar borradores adaptados a diferentes públicos. Pero sigue correspondiendo a las personas decidir qué preguntas merecen ser formuladas, qué información resulta relevante y cuáles son las implicaciones reales de cada alternativa. Esta transformación plantea un desafío: si dejamos de comprender los procesos analíticos por confiar plenamente en su automatización, corremos el riesgo de perder precisamente las capacidades necesarias para verificar los resultados.


De ahí que Alcalde resumiera este cambio como un desplazamiento del trabajo de ejecución al de revisión. La IA puede actuar como un copiloto que ayuda a avanzar más rápido, pero alguien debe marcar el destino, supervisar el recorrido y responsabilizarse del resultado.

Las trampas de una IA que parece tener siempre la respuesta adecuada

A partir de los resultados del experimento, Alcalde identificó cuatro riesgos que pueden comprometer la calidad de las decisiones empresariales apoyadas en la inteligencia artificial.


El primer riesgo de estos es el de las alucinaciones, que ocurren cuando una herramienta presenta afirmaciones sin suficiente respaldo en los datos. El segundo es el de los sesgos, que pueden condicionar las conclusiones cuando la información de partida es incompleta o poco representativa. La pérdida de contexto constituye una tercera dificultad: una IA puede detectar un cambio en un indicador determinado sin conocer las circunstancias empresariales que lo expliquen. Finalmente, el ponente alertó sobre la falsa sensación de seguridad que transmiten determinadas respuestas. La fluidez del lenguaje y la aparente precisión de los resultados pueden generar una confianza injustificada, especialmente cuando las herramientas construyen narrativas convincentes a partir de hipótesis no verificadas.


Para evitar estas trampas, recomendó utilizar la propia IA como instrumento de contraste. En lugar de pedirle únicamente respuestas, conviene solicitarle que cuestione sus conclusiones, identifique debilidades en sus argumentos o actúe como un comité crítico que evalúe una propuesta.


En este contexto también introdujo el concepto de workslop, que describe contenidos generados con inteligencia artificial que aparentan ser trabajos de calidad, pero carecen de la profundidad necesaria para aportar valor. Producir más informes y presentaciones no siempre significa trabajar mejor, especialmente si el esfuerzo de interpretarlos y verificarlos recae en quienes los reciben.

De la pregunta al aprendizaje: decidir mejor con IA

Como parte de su investigación doctoral y del trabajo recogido en su libro sobre data storytelling con inteligencia artificial, Alcalde presentó una metodología estructurada en seis etapas para integrar estas herramientas en los procesos de análisis y de toma de decisiones.


El recorrido comienza con la pregunta, que permite definir qué queremos comprender y por qué resulta relevante. Continúa con la evidencia, mediante la recopilación y verificación de datos, y su interpretación, lo que exige identificar patrones, contrastar hipótesis y aplicar el conocimiento del negocio.
La cuarta etapa corresponde a la decisión, en la que la inteligencia artificial puede presentar alternativas, pero la elección y sus consecuencias deben recaer en la responsabilidad humana. Después llega la narrativa, fundamental para comunicar los hallazgos de manera comprensible y adaptada al público destinatario. Finalmente, el proceso se completa con el aprendizaje, evaluando los resultados de las actuaciones y utilizando esa experiencia para mejorar las decisiones posteriores.


De esta manera, su metodología propone una colaboración estructurada en la que la IA aporta velocidad y capacidad analítica, mientras las personas mantienen el control del contexto, la validación y la responsabilidad.

Saber preguntar, comprender y decidir, el verdadero valor humano

Al finalizar la conferencia, Alcalde recuperó una de las preguntas que había planteado a los participantes al inicio de la sesión: si una inteligencia artificial analiza los datos, identifica un problema y recomienda una solución, ¿quién está tomando realmente la decisión?


Tras los ejercicios y las votaciones realizadas durante el encuentro, la reflexión adquiría una nueva dimensión. La inteligencia artificial puede intervenir en gran parte del proceso, pero delegar el análisis no equivale a delegar la responsabilidad, ya que, en un entorno en el que acceder a herramientas capaces de producir informes y recomendaciones es cada vez más sencillo, el valor diferencial de los profesionales se desplaza hacia capacidades como entender el negocio, formular preguntas relevantes, cuestionar los resultados, interpretar las evidencias y asumir las decisiones.


Alcalde sintetizó este planteamiento con una reflexión final: «Si la IA puede generar respuestas, tu valor está en saber qué preguntar, qué significa la respuesta y qué decisión tomar».