Mejores Preguntas Antes de Mejores Respuestas: Toma de Decisiones con IA y Datos
Mejores preguntas antes de mejores respuestas: toma de decisiones con IA y datos
En el artículo anterior de esta serie sobre GSX 2026, compartí las ideas de Peter H. Diamandis sobre la velocidad a la que la inteligencia artificial avanza y transforma nuestro entorno.
La siguiente pregunta es más práctica: cuando la IA nos ofrece respuestas más rápidas, ¿cómo nos aseguramos de que tomamos mejores decisiones?
Cassie Kozerkov, primera Chief Decision Scientist de Google y una de las voces más reconocidas en inteligencia de decisiones, abordó esta pregunta en su sesión de GSX, titulada "Upgrading Your Decision-Making with AI and Data". Su mensaje fue sencillo, pero importante: antes de pedirle una respuesta a la IA, debemos definir qué queremos lograr.
La IA puede analizar información a una velocidad extraordinaria. Puede resumir reportes, identificar patrones, mostrar posibilidades y apoyar en tareas complejas. Pero no puede definir nuestro propósito. No puede decidir qué concesiones estamos dispuestos a aceptar. Tampoco puede determinar qué cosas nunca deberían ocurrir.
Esas siguen siendo decisiones de liderazgo.
La pregunta antes de la tecnología
Muchas conversaciones sobre IA comienzan con la pregunta: ¿qué herramienta debemos usar?, ¿qué podemos automatizar?, ¿qué puede hacer un agente?
Kozerkov propuso un punto de partida diferente:
¿Qué vale la pena lograr?
La pregunta puede parecer abstracta, pero es muy práctica. Obliga a una organización a tener claridad sobre sus prioridades antes de asignar recursos tecnológicos a un problema.
En seguridad, esto puede significar preguntarnos:
- ¿Qué decisión queremos mejorar?
- ¿Qué resultado buscamos?
- ¿Qué nivel de riesgo estamos dispuestos a aceptar?
- ¿En qué información confiamos?
- ¿Quién es responsable de la acción final?
- ¿Qué no debe ocurrir, aun si la tecnología parece eficiente?
Sin esa claridad, una herramienta de IA puede acelerar un proceso poco definido. Puede generar más reportes, más recomendaciones y más actividad, sin mejorar realmente el resultado.
La calidad de la respuesta depende, en gran medida, de la calidad de la pregunta.
El juicio viene antes de la decisión
Kozerkov hizo una distinción muy útil entre el juicio y la toma de decisiones.
Tomar una decisión es elegir entre opciones. El juicio es el trabajo que ocurre antes de esa elección: definir el propósito, establecer los criterios, identificar los límites y decidir cómo luce el éxito.
Ella lo demostró con una pregunta aparentemente simple: ¿un animal es un gato o no lo es?
Al principio, la respuesta parecía evidente. Pero dejó de serlo cuando se cambió el propósito del sistema de clasificación. ¿El objetivo es identificar cualquier felino? ¿Una mascota doméstica? ¿Un animal adulto al que sea seguro acercarse? La respuesta correcta depende del contexto.
El mismo principio se aplica a la IA en seguridad.
Antes de pedirle a un sistema que priorice incidentes, detecte anomalías, resuma la actividad de video, evalúe riesgos o recomiende una acción, debemos definir el propósito de la tarea. Necesitamos saber qué información es importante, qué estándar se utilizará y qué acción se puede seguir.
De lo contrario, el sistema puede ser técnicamente correcto, pero no resultar útil desde el punto de vista operativo.
La IA es el genio, no la estrategia
Kozerkov utilizó una analogía que me pareció muy clara: la IA es como un genio.
El modelo es el genio. Puede ser poderoso, capaz y cada vez más accesible para todos. Pero el genio no es la parte más importante de la historia.
La “lámpara” representa los controles en torno a la tecnología: políticas, permisos de acceso, pruebas, procesos de aprobación, monitoreo y procedimientos operativos. Estos controles importan porque determinan cómo se utilizará la tecnología.
Pero incluso la lámpara no es suficiente.
La parte más importante es la persona o la organización que formula el deseo.
En otras palabras, el valor de la IA depende de que quienes la usan puedan expresar con claridad lo que quieren lograr y los límites dentro de los cuales debe operar la tecnología.
Esto cobra mayor importancia a medida que las organizaciones comienzan a utilizar IA agéntica. Un chatbot sencillo puede producir un borrador que una persona revisa antes de actuar. Un agente puede acceder a datos, planificar pasos, interactuar con sistemas y ejecutar acciones con menos supervisión directa.
Esto crea oportunidades, pero también aumenta las consecuencias de tener objetivos poco claros y controles débiles.
La pregunta no es si una herramienta de IA es impresionante. La pregunta es si la organización está preparada para utilizar esa capacidad de manera efectiva.
Los objetivos y los límites son el lenguaje de la IA
Durante muchos años, interactuamos con la tecnología dándole instrucciones. Le explicábamos a un sistema cada paso que debía seguir y, con frecuencia, podíamos rastrear el resultado hasta esas instrucciones.
La IA generativa cambia esa relación. Nos permite describir un objetivo en lenguaje cotidiano y pedirle al sistema que nos ayude a determinar el camino.
Esto parece sencillo, pero exige una habilidad diferente.
Las organizaciones deben aprender a expresarse con claridad en el lenguaje de los objetivos y los límites:
- ¿Qué queremos que logre este proceso?
- ¿Qué estándar de calidad se requiere?
- ¿Qué información puede utilizarse?
- ¿Qué información debe protegerse?
- ¿Qué acciones requieren aprobación humana?
- ¿Qué decisiones deben escalarse?
- ¿Qué condiciones deben detener el proceso?
Los profesionales de la seguridad ya estamos acostumbrados a pensar de esta manera. La gestión de riesgos exige definir la exposición, establecer controles, identificar rutas de escalamiento y comprender las consecuencias de una falla.
Esta experiencia puede ayudar a las organizaciones a adoptar la IA con mayor disciplina. Seguridad puede contribuir no solo a identificar riesgos, sino también a ayudar a los equipos a definir las barreras de protección que hacen posible un uso responsable.
Establecer los criterios antes de revisar los datos
Una de las lecciones más valiosas de la sesión fue el riesgo del sesgo de confirmación.
El sesgo de confirmación puede hacernos interpretar la misma información de manera diferente, según lo que ya deseamos creer. Un número puede parecer preocupante cuando respalda un cambio que favorecemos, o poco importante cuando cuestiona una decisión que ya tomamos.
La solución es establecer los criterios antes de conocer el resultado.
Antes de revisar un tablero de control, solicitar un análisis o pedirle a la IA que evalúe alternativas, debemos definir qué resultado conduciría a una acción. ¿Qué umbral justificaría una inversión? ¿Qué combinación de factores requeriría una escalada? ¿Qué resultado indicaría que un proceso debe cambiar?
Esto es especialmente importante cuando las decisiones involucran múltiples datos. Si no establecemos los criterios de antemano, será fácil elegir únicamente la información que respalda la conclusión que preferimos.
Los datos deben ayudarnos a poner a prueba nuestro razonamiento. No deben servir simplemente para que una opinión existente parezca más objetiva.
Usar IA para proteger la atención humana
La IA también abre la oportunidad de replantear cómo utilizamos la atención humana.
No todas las tareas requieren el mismo nivel de experiencia ni el mismo tiempo. El trabajo repetitivo y de bajo riesgo puede ser adecuado para la automatización, la delegación o el apoyo de la IA. Si ese trabajo puede realizarse de manera confiable, las personas pueden dedicar más esfuerzo a las decisiones que requieren experiencia, contexto, creatividad y responsabilidad.
Kozerkov sugirió hacer una revisión honesta de cómo estamos usando la IA. ¿Qué les estamos pidiendo a estas herramientas? ¿Nuestros prompts, flujos de trabajo y agentes reflejan nuestras prioridades reales?
Este es un ejercicio útil para cualquier organización.
¿Estamos usando IA para mejorar un proceso importante, eliminar trabajo innecesario o fortalecer una decisión? ¿O simplemente estamos encontrando maneras más rápidas de generar actividad que no mejoran significativamente el resultado?
El objetivo no debería ser automatizar todo. Debe ser invertir nuestra mejor atención donde tenga mayor valor.
Aprender de las sorpresas, no solo de los resultados
Un buen resultado no siempre demuestra que una decisión fue bien tomada. A veces, un proceso sólido produce un resultado difícil debido a circunstancias que nadie podía controlar. En otras ocasiones, un resultado favorable puede deberse en gran parte a la suerte.
Esto se conoce como sesgo de resultado: evaluar la calidad de una decisión únicamente por lo que ocurrió después.
En cambio, las organizaciones deberían documentar las decisiones importantes en el momento en que se toman. Registrar la información disponible, los supuestos, las alternativas consideradas, el resultado esperado y las razones de la elección.
Más adelante, una de las fuentes más valiosas de aprendizaje suele ser la sorpresa.
¿Qué ocurrió que no esperábamos? ¿Qué información omitimos? ¿Qué supuesto debemos revisar? ¿Qué debemos incluir en el próximo proceso de decisión?
Este enfoque ayuda a las organizaciones a fortalecer su juicio con el tiempo. Convierte la toma de decisiones a partir de una serie de reuniones y opiniones aisladas en una capacidad organizacional que puede revisarse, mejorarse y reutilizarse.
Un rol creciente para los profesionales de seguridad
Los profesionales de la seguridad estamos acostumbrados a trabajar en entornos complejos. Consideramos simultáneamente a las personas, las instalaciones, la tecnología, las operaciones, los datos, el riesgo y la continuidad del negocio. Entendemos que no todas las decisiones pueden reducirse a un número o a una métrica simple.
Esa perspectiva sistémica es valiosa a medida que las organizaciones incorporan más IA en sus operaciones.
Los líderes de negocio necesitarán personas que puedan traducir objetivos en controles prácticos, identificar consecuencias no intencionales, definir rutas de escalamiento y ayudar a los equipos a actuar responsablemente cuando la información es incompleta y lo que está en juego es real.
Esta es una oportunidad para que los profesionales de la seguridad contribuyamos más allá de los sistemas y los incidentes. Podemos ayudar a las organizaciones a pensar con mayor claridad sobre cómo se toman las decisiones, dónde debe apoyar la tecnología y dónde debe mantenerse visible la responsabilidad.
Cinco preguntas antes de pedirle una respuesta a la IA
Antes de utilizar IA para apoyar una decisión importante, considere estas cinco preguntas:
- ¿Qué decisión estamos tratando de mejorar?
Defina la decisión, su responsable y la acción a seguir. - ¿Qué resultado estamos tratando de lograr?
Tenga claridad sobre el propósito, no solo sobre la tarea. - ¿Cuáles son los criterios y los límites?
Establezca el riesgo aceptable, las expectativas de calidad, los umbrales y los aspectos no negociables antes de revisar la información. - ¿Qué debe hacer la IA y qué requiere revisión humana?
Use la tecnología donde agregue valor, manteniendo clara la responsabilidad. - ¿Cómo aprenderemos de la decisión después?
Documente los supuestos, el razonamiento y los resultados esperados para que el equipo pueda aprender de las sorpresas y no solo del resultado final.
El primer artículo de esta serie nos invitó a reconocer la velocidad del cambio tecnológico. Este nos invita a desarrollar la disciplina necesaria para utilizar esa tecnología de manera efectiva.
La IA puede ayudarnos a obtener respuestas más rápido. Las mejores preguntas, los objetivos claros y los procesos de decisión bien estructurados son los que nos ayudan a obtener las respuestas correctas.