Cuando el sistema cree primero: el sesgo de anclaje con IA

El efecto más importante de la IA en las decisiones ejecutivas no es una respuesta equivocada. Es una respuesta que llega demasiado pronto. Cuando una recomendación generada por IA llega al equipo directivo antes de que éste haya enmarcado la pregunta por sí mismo, su trabajo cambia sin que nadie lo note: deja de decidir qué problema está resolviendo y empieza a criticar una solución que le entregaron. Ese cambio es el sesgo de anclaje en la toma de decisiones con IA, y casi siempre favorece a la respuesta, porque la mayoría de las personas es mucho mejor para enmarcar un problema que para desarmar una respuesta segura de sí misma.

No es una historia sobre modelos deficientes. La recomendación puede ser sólida, estar bien documentada y bien argumentada. El problema es la secuencia. Quien habla primero en una decisión fija los términos dentro de los cuales discuten todos los demás, y hoy la IA habla primero con más frecuencia que cualquier persona en la sala. A continuación se describe cómo ocurre esto en una decisión de inversión real, por qué la crítica es una disciplina más débil que el encuadre y cómo el director general y el director de finanzas pueden devolver el orden del pensamiento a su lugar.

¿Qué es el sesgo de anclaje en las decisiones aumentadas por IA?

El anclaje es la tendencia, documentada desde hace décadas, a darle un peso desproporcionado a la primera información que aparece sobre la mesa. La primera oferta en una negociación, la primera estimación en un pronóstico, la primera cifra en una lámina: cada una arrastra los juicios posteriores hacia ella, incluso cuando las personas saben que el ancla es arbitraria.

La IA añade dos elementos que fortalecen el ancla. El primero es el momento. Una recomendación puede generarse durante la noche y estar esperando en el correo antes de la reunión donde se suponía que se discutiría la pregunta. El segundo es el acabado. El ancla ya no parece una primera aproximación. Llega con justificación, análisis de sensibilidad, riesgos y una opción recomendada, lo que la hace sentir como el final del análisis y no como su punto de partida.

Juntos, esos dos rasgos cambian la pregunta que responde el equipo. En lugar de “¿qué decisión tenemos enfrente?”, el equipo se pregunta “¿hay algo mal en esto?”. Son preguntas distintas, y la segunda es mucho más fácil de contestar con un “no”.

¿Por qué los líderes son peores para criticar que para enmarcar?

Enmarcar es generativo. Pregunta qué está pasando, qué significa para el negocio y qué problema vale realmente la pena resolver. Una buena conversación de encuadre hace surgir opciones que nadie había escrito, cuestiona la premisa de la solicitud y a veces concluye que la pregunta en la agenda es la equivocada.

Criticar es reactivo. Parte de una estructura que construyó alguien más y busca fallas dentro de ella. Las opciones ya están enlistadas. Los criterios ya están elegidos. Los riesgos ya están nombrados, lo que sugiere en silencio que los riesgos no nombrados son menores. Quien critica puede poner a prueba las cifras de un modelo; es mucho más difícil darse cuenta de que el modelo responde una pregunta que la empresa no debería estar haciendo.

También hay un costo social. Cuestionar una respuesta ya enmarcada implica argumentar contra algo que parece terminado, frente a colegas que están listos para avanzar. Quien dice “no estoy seguro de que ésta sea la pregunta correcta” parece menos preparado que quien sugiere ajustar un supuesto. Con el tiempo, los equipos aprenden qué tipo de contribución se premia. Como observa uno de los personajes de un libro reciente, los ejecutivos pueden abdicar no al aprobar un caso aislado, sino al aceptar el primer encuadre limpio que se les presenta.

¿Cómo se ve una respuesta prematura en una revisión de asignación de capital?

Pensemos en un caso compuesto. Una empresa manufacturera mediana celebra su revisión trimestral de asignación de capital un martes a las 10:00. A las 8:00, un análisis asistido por IA llega al correo de cada directivo. Compara tres propuestas de inversión, las ordena por rendimiento proyectado y periodo de recuperación, señala los riesgos principales y recomienda financiar la segunda: una ampliación de capacidad para la línea de producto de mayor crecimiento.

A las 10:00, todos lo han leído. La reunión arranca con la recomendación en pantalla. La discusión es seria y competente: el director de finanzas cuestiona un supuesto de capital de trabajo, el director de operaciones señala una restricción de un proveedor, y el orden se mantiene. Se aprueba la ampliación, sujeta a un calendario revisado.

Lo que no ocurrió fue la conversación para la que se había convocado la reunión. Nadie preguntó si la empresa debía añadir capacidad a su mezcla actual de productos, dado un cambio que el equipo comercial venía describiendo desde hacía dos trimestres. Nadie preguntó si la comparación correcta era entre tres propuestas o entre las tres y hacer algo distinto. Esas preguntas habrían surgido en una conversación de encuadre. No tenían un lugar natural en la crítica de una lista ordenada. El sistema había creído primero, y el equipo dedicó su mejor hora a revisar el trabajo del sistema.

¿Cómo protege la Progresión de Respuesta Significativa las decisiones frente a la primera respuesta?

La Progresión de Respuesta Significativa describe el orden de pensamiento que siguen las buenas decisiones: Sense-Making (¿qué está pasando?), Meaning-Making (¿qué significa esto?), Framing (¿qué necesitamos resolver?) y solo después Solving (¿cómo lo resolvemos?). Cada etapa depende de la anterior. Una solución construida sobre un encuadre no examinado puede ser excelente por dentro y aun así responder al problema equivocado.

Una recomendación temprana de IA salta directamente a Solving. No lo hace por mala intención; lo hace porque se le pidió una respuesta, y las respuestas son lo que produce. El riesgo es que el equipo directivo la siga hasta ahí y dé por hechas las tres primeras etapas porque el resultado parece como si alguien las hubiera recorrido.

Aplicada con intención, la misma disciplina ofrece a los líderes una prueba práctica. Antes de revisar cualquier recomendación generada por IA, el equipo debería poder expresar con sus propias palabras qué está pasando, por qué importa y qué problema decidió resolver. Si no puede hacerlo, no está listo para evaluar una respuesta, por buena que sea.

¿Cómo pueden el director general y el director de finanzas evitar que la IA ancle las decisiones importantes?

El remedio no es dejar a la IA fuera de las decisiones estratégicas. El análisis con IA puede ampliar las opciones, poner a prueba los supuestos y revelar patrones que ningún equipo encontraría a mano. El remedio es controlar cuándo entra la respuesta.

Enmarcar antes de generar. En las decisiones de mayor peso, realice una breve sesión de encuadre antes de producir o circular cualquier recomendación de IA. Ponga por escrito el problema que el equipo acordó resolver y los criterios que importan. Después pida al sistema que trabaje dentro de ese encuadre, y también en su contra.

Separar el análisis de la recomendación. Pida primero a las herramientas de IA la evidencia, los escenarios y las sensibilidades. Libere la opción recomendada más tarde, o no la libere, para que el equipo forme su propia opinión antes de ver la de la máquina.

Exigir el encuadre alternativo. Todo análisis asistido por IA de una decisión importante debe incluir al menos un encuadre distinto del problema, no solo opciones alternativas dentro del mismo encuadre.

Nombrar a un responsable del encuadre. Asigne a un directivo la responsabilidad explícita de preguntar si la pregunta en la agenda es la correcta. Rotar el papel evita que se convierta en la reputación de una sola persona.

Registrar lo que el equipo creía antes de ver la respuesta. Una nota de un párrafo con la postura inicial del equipo, escrita antes de abrir la recomendación, hace visible el anclaje en retrospectiva y ayuda al equipo a saber si está decidiendo o solo deferiendo.

Ninguna de estas prácticas retrasa mucho una buena decisión. Protegen la parte del liderazgo que no se puede delegar: decidir qué está tratando de resolver realmente la organización.

Preguntas frecuentes

¿La IA empeora el sesgo de anclaje en las decisiones de negocio? Puede hacerlo. Las recomendaciones de IA suelen llegar pronto y completamente terminadas, con justificación y riesgos ya expuestos. Esa combinación las convierte en anclas más fuertes que una estimación preliminar. Los equipos pasan entonces de enmarcar el problema a criticar la respuesta, y la crítica rara vez revierte una recomendación sólida y bien estructurada, aun con un encuadre equivocado.

¿Deben los directivos ver las recomendaciones de IA antes de las reuniones de estrategia? En decisiones rutinarias, sí; la lectura previa ahorra tiempo. En decisiones de peso, conviene liberar primero la evidencia y reservar la opción recomendada hasta que el equipo acuerde qué problema está resolviendo. Así el análisis sigue siendo útil y la respuesta de la máquina no fija los términos de la discusión.

¿Cuál es la diferencia entre enmarcar y criticar una decisión? Enmarcar define el problema: qué está pasando, qué significa y qué hay que resolver. Criticar evalúa una solución propuesta dentro de un encuadre que eligió alguien más. El encuadre puede concluir que la pregunta misma es incorrecta. La crítica casi nunca llega a esa conclusión, y por eso importa el orden en que el equipo hace ambas cosas.

¿Cómo se reduce el sesgo de anclaje en la asignación de capital asistida por IA? Acuerde la pregunta de inversión y los criterios de decisión antes de generar cualquier clasificación con IA. Pida escenarios y sensibilidades antes de una recomendación, exija al menos un encuadre alternativo y deje por escrito la postura inicial del equipo. Esos pasos mantienen el análisis de IA al servicio de la decisión, no al mando de ella.

---

Los equipos directivos que quieran examinar cómo la IA está cambiando la forma en que su organización enmarca las decisiones pueden iniciar una conversación con Anker Bioss sobre cómo gobernar el juicio y la responsabilidad en el trabajo mediado por IA. Lecturas relacionadas: La Progresión de Respuesta Significativa: dar sentido antes de resolver y El punto de dependencia.

Jose J. Ruiz es CEO y Managing Partner de Alder Koten y Presidente del Consejo de Anker Bioss. Desarrolla estas ideas a profundidad en AI in the Org Chart: A Leadership Guide to Implementing AI Without Losing Human Judgment, Accountability, and Trust, publicado por Elavant Press y disponible en Amazon.