Nunca fue tan fácil conseguir un análisis. Le preguntás a una herramienta de IA y en segundos tenés proyecciones, comparativos, escenarios. El acceso a la información dejó de ser el problema y, sin embargo, muchas organizaciones siguen tomando las mismas decisiones de siempre, con la misma calidad de siempre.

Lo vemos con frecuencia en proyectos de consultoría: si bien hay equipos que producen trabajo técnico sólido (modelos de pricing, simulaciones de promociones, proyecciones de demanda), cuando llegamos a la sala donde se toma la decisión, ese análisis raramente está sobre la mesa. Marketing mira la salud de la marca, ventas mira el trimestre, finanzas mira el margen. Entonces el análisis termina siendo un ejercicio que nadie discute realmente, y los decisores actúan bajo la presión del corto plazo sin haber revisado las recomendaciones.

El problema no es la calidad del análisis. Es que el sistema que conecta ese análisis con las decisiones nunca fue diseñado.

En Decision Analysis existe un concepto que lleva décadas siendo enseñado en los mejores programas de decisión del mundo: el valor de la información. La premisa es directa: la información solo tiene valor si puede cambiar una decisión. Si el análisis no mueve ninguna aguja, su valor es literalmente cero, independientemente de su sofisticación, su costo o el tiempo que tomó producirlo.

El fundamento matemático viene de lejos. El reverendo Thomas Bayes, en su ensayo de 1763, estableció la lógica por la cual nueva evidencia debería actualizar lo que sabemos y, por lo tanto, lo que deberíamos decidir. Claude Shannon, dos siglos después, formalizó algo complementario: el valor informativo de un mensaje es proporcional a su capacidad de sorprender. Lo que ya sabemos con certeza no porta información relevante.

La consecuencia práctica es directa: nadie debería pagar nada por información sobre algo de lo que ya está seguro. Cuanto más incierto es el punto de partida, más valor potencial tiene el análisis. Pero esa regla solo funciona si quien decide está genuinamente abierto a que el análisis cambie su posición. Y ahí aparece el verdadero problema.

Existe una tendencia humana bien documentada a buscar información que confirme lo que ya creemos, a prestarle más atención a los datos que respaldan nuestra posición y a desestimar los que la contradicen. El sesgo de confirmación no es una falla de inteligencia sino de disposición. Y en entornos organizacionales, donde las opiniones fuertes se asocian con liderazgo y la duda con indecisión, ese sesgo se amplifica.

A esto se suma el exceso de confianza, uno de los sesgos más estudiados en psicología de decisiones: la tendencia sistemática a subestimar la incertidumbre real de una situación y a sobreestimar la calidad del propio juicio.

El resultado es que mucho análisis en las organizaciones no informa decisiones sino que las decora. Se pide para validar, no para aprender. Y si eso es lo que ocurre, más análisis no mejora las decisiones, las justifica.

Hay una pregunta que sirve como prueba de fuego antes de encargar cualquier análisis: ¿qué tendría que mostrarme el resultado para que cambie de opinión? Si la respuesta es «nada», el análisis no tiene valor de información. En cambio, si la respuesta es genuina, el análisis puede valer mucho.

La irrupción de la inteligencia artificial generativa cambió el problema de superficie, pero no de fondo. Ahora cualquier directivo puede tener cualquier análisis en treinta segundos. La abundancia analítica dejó de ser un privilegio de las organizaciones con grandes equipos de datos. Pero el cuello de botella sigue siendo el mismo.

Si llegás a una herramienta de IA con una decisión bien definida, con claridad sobre qué estás eligiendo, entre qué alternativas y con qué criterios, tenés el mejor analista que tu organización tuvo jamás. Uno que no se cansa, no tiene agenda y puede explorar escenarios en minutos.

Si llegás sin saber qué decisión estás tratando de tomar, o peor, buscando confirmación, la IA te ofrece algo igualmente poderoso y mucho más peligroso: distracción infinita a velocidad sin precedentes.

La tecnología no cambió la pregunta. La hizo más urgente.

El cambio no es tecnológico, es de punto de partida.

Antes de abrir cualquier herramienta, antes de encargar cualquier análisis, vale la pena detenerse en tres preguntas concretas:

¿Qué estoy eligiendo? No «quiero entender el mercado» sino «estoy decidiendo si aumentamos el precio en este segmento, y en qué magnitud.»

¿Cuáles son las alternativas reales? Definir las opciones concretas es parte de enmarcar bien el problema, no un paso previo a él.

¿Qué consecuencias importan para evaluar cada alternativa? Volumen, margen, participación de mercado, reputación de marca. La respuesta define qué análisis tiene valor y cuál no.

Con eso claro, la pregunta a la IA cambia completamente. No es «dame un análisis de pricing». Es «si aumentamos el precio un 10% en el segmento premium, ¿qué rango de impacto en volumen deberíamos anticipar, y qué variables son las más sensibles?» La primera pregunta produce un informe; la segunda produce un insumo para decidir.

Las organizaciones que incorporan este orden, decisión primero y análisis después, desarrollan algo que no se compra con tecnología ni se replica instalando un software: la capacidad de hacer mejores preguntas. Y esa capacidad, a diferencia de un modelo o un dashboard, no se copia: se construye.

En un mundo donde ejecutar el análisis lo puede hacer cualquiera, lo escaso es saber qué querés lograr y qué decisiones pueden llevarte ahí. Eso no lo hace la IA.

Según Gartner, para 2028 el 25 % de las declaraciones de visión de los Chief Data and Analytics Officers (CDAO) estarán “centradas en las decisiones” y superarán a los eslóganes “basados en datos”, cuando los comportamientos de toma de decisiones humanos se modelen para mejorar el valor del D&A[1]. El cambio de fondo ya empezó.

Ernesto Weissmann
Socio de Tandem
ew@tandemsd.com

[1] Gartner, «Más de 100 previsiones de análisis de datos e IA hasta 2030», junio de 2024.