Apenas hace unos días, en una competencia global de pronósticos donde participan los mejores especialistas del mundo, la IA tomó el primer, segundo y quinto lugar. Un desarrollador independiente, con menos de 150 horas de trabajo y unos cuantos miles de dólares en cómputo, venció a 4 startups que habían levantado más de 15 millones de dólares entre ellas. Otro convirtió 35 dólares en 1.94 millones en 7 meses apostando donde su modelo encontraba que el mercado estaba equivocado. Lo que antes limitaba el proceso de decisión era el alcance a una red de datos para analizar y la capacidad de cómputo con el algoritmo que lo permitiera. La información disponible nunca era suficiente, nunca a tiempo, siempre filtrada por quién la recopilaba y con qué sesgos se interpretaba. Ahora la información sobra, el análisis toma horas y las conexiones entre variables que un equipo tardaría semanas en mapear aparecen en minutos.
Esto en conjunto, cambia la naturaleza del acto de decidir. Si el algoritmo analiza con profundidad y pronostica con mayor precisión, ¿qué nos queda? Mi apuesta es por decidir mejor y una certeza soportada en el análisis sobre qué vale la pena hacer. Para ello lo primero es saber qué y por qué decidir. Puede sonar demasiado obvio, pero siempre se ha premiado la velocidad de respuesta sobre la calidad de las preguntas.
Las herramientas clásicas de planeación estratégica —los análisis SWOT, las matrices de Eisenhower, los marcos de fuerzas competitivas, las matrices de Ishikawa, etc.— se diseñaron simples porque eran todo lo que un equipo podía mapear en un pizarrón durante una sesión de trabajo. La racionalidad acotada de quienes deciden —atención finita, memoria limitada, capacidad de procesar un cúmulo de datos por proceso— moldeó los límites de las herramientas: 4 cuadrantes, matrices de 2 por 2, exactamente 5 fuerzas. No porque la realidad competitiva tenga esas dimensiones sino para hacer accesibles los conceptos, y sencilla su ejecución. Esa limitación ya no es necesaria porque el binomio del analista-explorador con la asistencia de IA puede pensar con mayor alcance y profundidad.
El paso definitivo es analizar los “que” antes de pedirle algo al sistema. No sentarte frente al agente en blanco esperando que la herramienta te diga qué hacer. Llegar con un trabajo previo que te permita formular la dirección: entender qué estás buscando, qué contexto tiene el problema que los datos solos no van a capturar. Sin ese previo, ejecutar un prompt tendrá respuestas pero carecerá de dirección, técnicamente impecable pero estratégicamente hueco porque nadie le dio la orientación que necesitaba para producir algo útil por diferenciable. He visto equipos que llegan a sus sesiones de planeación con el análisis del agente ya hecho y pasan dos horas discutiendo los resultados sin haberse preguntado si las preguntas que formularon eran las correctas. Durante 40 años pudimos compensar esa falta de preparación porque las herramientas de planeación simplificaban la realidad hasta hacerla manejable; ahora que se puede operar con la complejidad en su amplitud, llegar sin propósito y dirección es más costoso que nunca. El análisis previo no es para estructurar mejor la secuencia de instrucciones. Es para que cuando se pida algo ese algo se evaluado en el contexto real que ya se exploró.
El segundo movimiento es dimensionar las restricciones sin matar la ambición de la búsqueda. Toda decisión opera dentro de límites: presupuesto, tiempo, capacidades reales de la organización, contexto de mercado, restricciones regulatorias. Esos límites son necesarios porque sin ellos la búsqueda devuelve posibilidades que no se pueden ejecutar. Pero dentro de esos límites tiene que haber suficientes grados de libertad para que la exploración sea ambiciosa, para que se alcance territorios donde tú no habrías buscado porque tu experiencia te ancla a lo conocido. Un ciclo típico de planeación estratégica genera quizá una docena de ideas y las reduce a 2 o 3 finalistas, no porque solo existan esas alternativas sino porque no se tienen los recursos ni capacidad para evaluar y ejecutar más. El espacio de lo posible se descarta antes de conocerse. Como ejemplo, una empresa que buscaba otras como candidatas para ser adquiridas escaneó una base de más de 40 millones de posibles opciones, filtró más de 500 en menos de un día y cerró 3 adquisiciones en un proceso de meses. Eso es un cambio exponencial en el modelo de fusiones y adquisiciones.
El tercer movimiento y creo que el más difícil es decidir qué hacer y qué no hacer, con la claridad de que lo que decides no hacer es igualmente importante. Parece trabalenguas peor no lo es. En un mundo donde la herramienta te permite una multiplicidad de caminos—todos bien argumentados, todos con datos que los sostienen, todos con un caso de negocio que se ve razonable— la tentación es perseguir más opciones, o al menos más de las que puedes ejecutar con calidad y atención al detalle. Ponderar una multitud no es elegir. Cuando todos tienen acceso a los mismos análisis generados por la misma herramienta, la tendencia natural es buscar el acuerdo y el acuerdo diluye la decisión. En un experimento con más de 700 profesionales trabajando en tareas reales de innovación, individuos apoyados con IA igualaron la calidad de equipos multidisciplinarios, y los equipos con IA fueron más rápidos y probables de producir soluciones. Lo revelador no es la velocidad: es que la IA redujo el efecto silo entre funciones. Eso significa que el argumento de que necesitamos más gente en la mesa para tener más perspectivas ya no sostiene. Lo que se necesita es claridad sobre quién decide, con qué información, bajo qué criterios y asumiendo qué consecuencia. No más decisiones de comité donde nadie es responsable del resultado.
Decidir qué no hacer requiere un tipo de fortaleza a la que rara vez nos exponemos: soltar una oportunidad que se ve buena porque no es la mejor dado lo que puedes ejecutar, renunciar a un proyecto que ya tiene inercia porque las condiciones cambiaron y seguir invirtiendo en él es más costoso que dejarlo ir, decirle no a un mercado que te atrae porque no tienes las capacidades para competir en él sin destruir lo que ya funciona. Esas decisiones no las toma un algoritmo porque no dependen de datos sino de conocer tu organización, tu gente y tus limitaciones reales con una honestidad que los reportes no capturan. Experiencia y astucia.
La IA quita la excusa de la falta de información. Durante décadas, las organizaciones podían justificar malas decisiones diciendo que no tenían los datos, que el análisis era insuficiente, que el mercado era impredecible. Ahora los datos están, el análisis se genera con una profundidad que antes resultaba onerosa y el mercado, aunque sigue siendo complejo, se puede modelar con una granularidad que no existía. Lo que queda expuesto es si la organización sabe realmente qué quiere, si tiene la claridad para orientar la búsqueda, la disciplina para acotar sin sofocar y la fortaleza para elegir sabiendo que elegir es también renunciar.
