No todas las decisiones empresariales necesitan el mismo tipo de inteligencia artificial, y confundir IA analítica con IA generativa sale caro. Tu empresa toma dos tipos de decisiones —las que se pueden modelar con datos y las que solo se pueden acordar entre personas— pero casi siempre usa un único tipo de IA para las dos.

En resumen

• Hay decisiones que se pueden modelar. Otras solo se pueden acordar entre personas.
• Usar IA generativa para decidir cifras y IA analítica para decidir personas es un error que sale muy caro.
• El 88% de las empresas ya usa IA en algún proceso. Solo el 39% ve impacto real en el resultado (EBIT).
• En las empresas tecnológicas e industriales españolas, esta confusión es el día a día.
• Calibrar el tipo de IA a la decisión es una cuestión de criterio directivo, no de tecnología.

¿Qué diferencia hay entre una decisión de datos y una decisión de personas?

No recuerdo el año de aquella reunión, pero la sala se me quedó grabada.

Estábamos decidiendo qué proveedor entraba en la homologación de un componente crítico. Teníamos histórico de fallos, costes y plazos de entrega de cada candidato. En dos horas teníamos ganador. La discusión fue sobre datos, no sobre personas.

Tres semanas después, en la misma sala, con las mismas caras, intentamos decidir si reorganizábamos un área técnica entera. Saqué las mismas herramientas. Pedí cifras, un plan cerrado. Y me encontré con un silencio que no supe interpretar.

Tardé en entenderlo. Estaba tratando una decisión de personas como si fuera un problema de ingeniería, con cifras y un plan cerrado. Había gente que llevaba años trabajando junta y una cultura que se había formado sola, durante una década. Nada de eso se movía porque alguien firmara un organigrama nuevo.

Ahora que la inteligencia artificial ha entrado en las empresas, veo ese mismo error reproducirse. Solo que ahora parece más sofisticado. Un estudio publicado en mayo de 2026 en el MIT Sloan Management Review, firmado por Pedro Amorim, Amr Saleh y Ulrika Cederskog Sundling, le pone nombre a algo que llevo años viendo sin saber explicarlo del todo.

¿Qué pasa cuando se usa la misma IA para decisiones distintas, sin calibrar?

El error: una empresa de consumo sin calibrar

Antes de ver los dos casos que sí funcionaron, uno rápido que muestra lo que pasa cuando no se calibra. Una empresa de consumo usó IA generativa para dos decisiones muy distintas, sin pararse a pensar si encajaba en las dos, y las dos veces salió mal.

• Para decidir dónde abrir sus próximas tiendas necesitaba datos y un modelo que los cruzara. Lo que obtuvo fue una lista de argumentos que sonaban bien, pero sin ningún dato real detrás.
• Para decidir si giraba la marca hacia el bienestar necesitaba alinear al equipo directivo antes de anunciar nada. Obtuvo una presentación muy pulida que nadie en la sala se terminó de creer.

Fue la misma herramienta las dos veces, mal encajada las dos veces. El error fue no preguntarse antes qué tipo de decisión tenía delante.

El acierto: un banco europeo y una aseguradora global

Un banco europeo de retail quería reducir la fuga de clientes de alto valor. El objetivo era claro, medible en noventa días. Construyeron un modelo predictivo que estimaba la probabilidad de fuga de cada cliente y disparaba la acción de retención según el riesgo y el valor de la cuenta. La IA generativa entró después: convirtió quejas y conversaciones de atención al cliente en datos estructurados, y redactó los mensajes de contacto para cada segmento. El motor de la decisión siguió siendo ese modelo predictivo.

La IA analítica se define, en este caso, como el modelo que convierte datos históricos fiables en una probabilidad o una cifra concreta —como la probabilidad de fuga de cada cliente— y que dispara una acción según esa cifra.

Una aseguradora multinacional se planteaba pasar de una estructura por producto a una estructura por segmento de cliente. Esa decisión iba a cambiar líneas de reporte, incentivos, inversión en tecnología. Y también iba a tocar algo más difícil de nombrar: la identidad cultural de la compañía. Ahí ninguna cifra iba a resolver nada. Es el mismo tipo de reto que veo al reinventar una organización para la era de la IA generativa.

Usaron IA generativa para sintetizar el relato estratégico que la dirección llevaba tiempo contando, y cómo se habían vivido reorganizaciones anteriores. Cruzaron eso con casos externos del sector y con literatura de gestión del cambio. El resultado fue un puñado de escenarios coherentes que el equipo directivo pudo discutir con las mismas evidencias delante, no una recomendación automática.

La IA generativa se define, en este caso, como la tecnología capaz de sintetizar texto, relatos y argumentos a partir de información dispersa —como el relato estratégico de una reorganización o las quejas de atención al cliente— para que las personas discutan sobre una base común, no para decidir por ellas.

Las dos partían de la misma caja de herramientas de IA. La diferencia estaba en cómo la usaron, según el tipo de decisión que tenían delante.

¿Qué es la IA agéntica y cuándo entra en juego?

Junto a la IA analítica y la generativa, el estudio nombra una tercera modalidad: la IA agéntica. La IA agéntica se define como los sistemas que persiguen un objetivo por su cuenta, pero siempre con puntos de control y revisión humana en cada paso. Aparece sobre todo en decisiones amplias, como apoyo para reunir y organizar mucho material antes de decidir.

El estudio ofrece seis criterios para distinguir una decisión estrecha de una decisión amplia antes de decidir qué papel le das a la IA: claridad del objetivo, disponibilidad de datos, estabilidad causal, transparencia de fronteras, bucle de feedback y reversibilidad.

¿Qué seis criterios separan una decisión que se puede modelar de una que solo se puede acordar?

Estas son las seis preguntas que, en mi experiencia con equipos directivos de empresas tecnológicas e industriales españolas, marcan la diferencia entre calibrar bien la IA y no calibrarla en absoluto.

1. Claridad del objetivo: sin cifra, es solo un deseo

En ingeniería, un objetivo mal definido no llega ni a la fase de diseño. Se pide una tolerancia, un tiempo de respuesta concreto. Sin esa cifra, el diseño no arranca.

Ese mismo rigor desaparece en cuanto la decisión sube un nivel. He visto proyectos de IA arrancar con objetivos como mejorar la eficiencia o ser más competitivos, sin ninguna cifra detrás. El problema real es que nadie ha convertido esa aspiración en un número.

💡 Con cifra y plazo, el modelo puede con la mayor parte del trabajo. Sin ellos, hace falta alguien que se siente primero a decidir qué significa ganar.

2. Disponibilidad de datos: tener muchos datos no es lo mismo que tener los datos que hacen falta

Las plantas industriales españolas generan datos sin parar: sensores, paradas de línea, consumo, mantenimiento. Ese dato histórico, limpio y repetible es oro para un modelo predictivo.

El problema aparece en las decisiones sobre personas o sobre mercado. Ahí el dato suele ser anecdótico, disperso, contado por alguien en una reunión. Ninguna cantidad de entusiasmo con la IA convierte una anécdota en un conjunto de datos fiable.

Ahí la IA generativa tiene un papel legítimo, pero limitado. Puede ayudar a sacar a la luz el conocimiento de un ingeniero con veinte años en planta, el que nunca llegó a ningún manual. Lo que no puede hacer es convertir ese conocimiento en dato fiable solo porque el texto que genera suena convincente. Que algo esté bien redactado no significa que esté bien fundamentado.

💡 El origen del dato importa más que su volumen. Si viene de la experiencia de alguien y no de un registro, la decisión es amplia, se mire como se mire.

3. Estabilidad causal: lo que funcionó el año pasado no promete nada sobre el que viene

Un modelo de fatiga de materiales funciona porque la física no cambia de un año a otro. La relación entre esfuerzo y vida útil es estable. Eso es lo que permite confiar en el modelo.

En decisiones de negocio esa estabilidad no está garantizada. Un cambio regulatorio o la entrada de un nuevo competidor puede romper de un día para otro la relación que el modelo aprendió del pasado. En España ese riesgo pesa especialmente en decisiones ligadas a normativa europea o a cadenas de suministro.

💡 Un modelo que aprendió del pasado solo sirve mientras el pasado se parezca al presente. Si esa relación se rompe, la decisión que parecía estrecha se vuelve amplia. No des por hecho que el pasado se va a repetir.

4. Transparencia de fronteras: si el problema depende de quién manda, ningún algoritmo lo va a resolver por ti

Una vez, en un comité, pedimos a una herramienta de IA que priorizara proyectos entre departamentos, como si fuera un problema de optimización. En realidad era un problema político disfrazado de problema técnico.

Un problema técnico tiene fronteras claras: se sabe dónde empieza y dónde termina el componente que hay que optimizar, y eso se puede codificar en un modelo. Quién asume una responsabilidad o cómo se reparte un presupuesto entre áreas no tiene esas fronteras. Depende de relaciones de poder que nadie va a escribir en un documento.

💡 Si la frontera del problema depende de quién tiene más peso en la sala, no es una decisión estrecha aunque lo parezca en la diapositiva.

5. Bucle de feedback: si no vas a saber si acertaste hasta dentro de dos años, no finjas que decides con datos

Una decisión sobre una ruta de entrega se puede corregir la semana siguiente si el resultado no es bueno. El ciclo es corto.

Una decisión sobre el modelo organizativo de una empresa tarda meses en desplegarse y años en mostrar su efecto real. Para cuando se sabe si funcionó, media plantilla ha cambiado y las condiciones del mercado también.

Esa diferencia importa porque la IA analítica necesita ciclos cortos para mejorar. Sin ellos, no aprende, solo repite. En decisiones de ciclo largo, la IA generativa ayuda más a pensar la decisión inicial que a corregirla sobre la marcha.

💡 Pregúntate cuánto vas a tardar en saber si acertaste. Semanas apuntan a una decisión estrecha. Años, a una decisión amplia que necesita algo más que un modelo.

6. Reversibilidad: hay decisiones que se deshacen con un clic y otras que se llevan por delante a la gente

Despedir a un equipo o cerrar una línea de producto no se deshace con la misma facilidad que cambiar un parámetro en un modelo. Ahí el coste de equivocarse lo pagan personas concretas, durante mucho tiempo. Es el mismo riesgo del que hablo cuando delegar en la IA destruye el juicio que necesitas.

Cuanto más difícil de revertir es una decisión, más peso tiene que tener la deliberación humana frente a la recomendación de un algoritmo.

💡 Una decisión estrecha se deshace sin coste: deja que el modelo pruebe y ajuste. Una decisión amplia la paga gente durante mucho tiempo: ahí la firma sigue siendo tuya.

En resumen: decisión estrecha frente a decisión amplia

Una decisión estrecha se define como aquella que cumple estos seis criterios y admite un modelo. Una decisión amplia es la que no los cumple, y ahí el acuerdo humano pesa más que cualquier algoritmo.

Criterio	Señal de decisión estrecha	Señal de decisión amplia
Claridad del objetivo	Hay una cifra y un plazo concretos	El objetivo es una aspiración sin cifra
Disponibilidad de datos	Dato histórico, limpio y repetible (sensores, paradas, consumo)	Dato anecdótico, disperso, contado en una reunión
Estabilidad causal	La relación aprendida del pasado se mantiene estable	Un cambio regulatorio o competitivo puede romperla
Transparencia de fronteras	El problema tiene límites técnicos claros	Depende de relaciones de poder o política interna
Bucle de feedback	Se sabe si acertaste en semanas	Se tarda meses o años en ver el resultado
Reversibilidad	Se puede deshacer sin coste	La paga gente concreta durante mucho tiempo

¿Tu organización tiene estos patrones?

• ☐ ¿Tienes una cifra concreta detrás del objetivo?
• ☐ ¿De dónde sale el dato que vas a usar, de un registro o de la opinión de alguien en una reunión?
• ☐ ¿Sigue siendo válida hoy la relación que aprendió el modelo del pasado?
• ☐ ¿Las fronteras del problema son técnicas, o dependen de quién tiene más peso en la sala?
• ☐ ¿Cuánto vas a tardar en saber si acertaste?
• ☐ ¿Esta decisión se puede deshacer sin coste?
• ☐ ¿Estás usando el mismo tipo de IA para todas tus decisiones, sin diferenciar?

Preguntas frecuentes sobre IA analítica y IA generativa en decisiones empresariales

¿Qué diferencia hay entre IA analítica e IA generativa a la hora de decidir?

La IA analítica convierte datos históricos fiables en una cifra o una probabilidad, y funciona bien en decisiones con objetivo claro y datos limpios, como estimar la fuga de clientes. La IA generativa sintetiza texto, relatos y argumentos dispersos, y ayuda más cuando la decisión depende de personas o consenso, como una reorganización.

¿Qué es la IA agéntica y cuándo se usa?

La IA agéntica son sistemas que persiguen un objetivo por su cuenta, siempre con puntos de control y revisión humana en cada paso. Aparece sobre todo en decisiones amplias, como apoyo para reunir y organizar mucho material antes de que las personas decidan.

¿Cómo sé si una decisión es «estrecha» o «amplia»?

Se evalúa con seis criterios: claridad del objetivo, disponibilidad de datos, estabilidad causal, transparencia de fronteras, bucle de feedback y reversibilidad. Una decisión estrecha cumple estos criterios y admite un modelo; una amplia no los cumple y necesita acuerdo humano.

¿Por qué el 88% de las empresas usa IA pero solo el 39% ve impacto real?

Según la encuesta State of AI de McKinsey (2025), el 88% de las empresas ya usa IA de forma habitual en al menos una función, pero solo el 39% reporta impacto real en el EBIT a nivel de toda la empresa. El artículo del MIT Sloan Management Review señala esta brecha como consecuencia directa de no calibrar el tipo de IA al tipo de decisión: usar IA generativa para decidir cifras, o IA analítica para decidir sobre personas, es un error que sale muy caro y ayuda a explicar por qué la adopción no se traduce en resultado.

¿Qué pasa si uso IA generativa para una decisión que necesita datos, o al revés?

Sale mal las dos veces, como le ocurrió a la empresa de consumo del artículo: usar IA generativa para elegir ubicaciones de tienda dio argumentos sin datos reales detrás, y usarla para alinear al equipo directivo en un giro de marca dio una presentación pulida en la que nadie confió.

Calibrar bien no es una cuestión de tecnología, es criterio directivo

En HR4TechTeam ayudamos a equipos directivos de empresas tecnológicas e industriales a distinguir qué decisiones se pueden modelar y cuáles necesitan acuerdo real entre personas, antes de decidir qué papel le dan a la inteligencia artificial en cada una. Es el mismo criterio que aplicamos cuando ayudamos a medir el impacto real de la IA más allá del titular.

Si te has visto en alguno de los patrones de este artículo, hablarlo tiene sentido.

👉 Solicita un diagnóstico inicial en hr4techteam.com/coaching-ejecutivo
👉 Consulta los recursos y formaciones en payhip.com/SkillCraftTeam

💙💬🔁 Si este artículo te ha hecho pensar en tu propia empresa, coméntalo o compártelo — es la mejor forma de que le llegue a quien más lo necesita.

Referencia académica: Pedro Amorim, Amr Saleh y Ulrika Cederskog Sundling, «Calibrate AI Use to the Decision at Hand«, MIT Sloan Management Review, mayo de 2026. Dato de adopción e impacto: McKinsey, «The state of AI in 2025».

Sobre el autor

Alberto Marauri — Fractional & Interim CHRO. Hago que las cosas pasen con tus HR en empresas (Tech + Ingeniería). Desarrollo directivo, formación en soft skills y consultoría de RRHH, con IA de serie.