En la industria actual, las organizaciones destinan altos presupuestos a la adopción de modelos predictivos y sistemas generativos empleados para apoyar sus decisiones.
Sin embargo, a pesar de esta fuerte inversión, los resultados no siempre reflejan mejoras proporcionales en la rentabilidad, la eficiencia o la ventaja competitiva.
Esta diferencia entre la inversión y los resultados muestra que la capacidad de la IA para predecir el comportamiento humano sigue sujeta a limitaciones relacionadas con la calidad de los datos, los cambios en las condiciones y la complejidad de las decisiones humanas.
La inteligencia artificial procesa enormes volúmenes de datos sobre transacciones pasadas, pero ¿qué puede hacer ante el descontento de un cliente importante, la resistencia al cambio de un equipo de trabajo o las sutiles variaciones culturales que influyen en el éxito de una fusión corporativa?
En este artículo te presentamos qué aspectos del comportamiento humano la IA todavía no puede anticipar con precisión (o sólo puede hacerlo de forma limitada) y qué aporta la investigación del comportamiento para comprenderlos.
¿Cuáles son los límites actuales de la inteligencia artificial al intentar predecir la conducta de las personas?
Querer anticipar con exactitud las decisiones de compra de un cliente o el rendimiento futuro de la organización mediante modelos estadísticos y predictivos es aún muy optimista.
Las corporaciones son sistemas dinámicos en los que las emociones, la lealtad y el compromiso dependen de variables emergentes, subjetivas o difíciles de representar mediante indicadores observables y proxies (variable mediadora o un indicador sustituto) cuantificables.
Tratar de reducir esta volatilidad a meras proyecciones estadísticas simula control, pero debe reconocerse que los resultados dependerán en gran medida de cómo se hayan fijado y cuantificado variables exclusivamente humanas.
Para poder entender mejor las trabas, tenemos tres razones que hacen de la IA una predictora limitada de algunas conductas empresariales:
1. El comportamiento suele cambiar según el contexto, pero la IA aprende del pasado
Los instrumentos de aprendizaje automático estiman con base en correlaciones que forman a partir de datos previos. La dependencia de datos pasados dificulta la consideración de cambios culturales, sociales o psicológicos, lo que hará más imprecisa la predicción.
La capacidad de los modelos de lenguaje para reproducir patrones basándose en información disponible ha hecho que sean descritos como “máquinas de articulación media”. No obstante, aunque puedan sintetizar lo que se conoce, se ven obstaculizadas cuando los problemas son inéditos, tienen causas multifactoriales o se alejan de sus esquemas de entrenamiento.
2. La detección de patrones no basta para comprender las motivaciones humanas
Si bien los algoritmos detectan patrones en apenas una fracción del tiempo que usaría una persona, esto no equivale a que comprenda las causas o motivaciones que hayan llevado a una decisión.
Así, las predicciones en torno a la demanda o gestión del talento suelen ser menos precisas cuando cambian las condiciones en que los datos se recopilaron. Un patrón anterior puede dejar de representar el comportamiento si las circunstancias organizacionales o económicas se modifican.
3. Muchas variables comportamentales no pueden ser registradas como datos limpios
Varios aspectos de carácter subjetivo: entusiasmo laboral, estrés ante el entorno o compromiso a largo plazo, difícilmente pueden ser medidos o computados como información observable.
Además, como esas variables suelen medirse de forma indirecta, contextual o intermitente, los modelos predictivos pueden operar con una imagen incompleta del fenómeno.
Confiar decisiones importantes de una corporación solo a las proyecciones algorítmicas es arriesgado. La analítica automatizada ofrece un panorama incompleto al no capturar adecuadamente las fuerzas psicológicas, culturales y emocionales que también influyen en el mercado y los equipos de trabajo.
¿Qué ofrece la investigación del comportamiento cuando la IA resulta insuficiente para explicar la conducta humana?
La investigación del comportamiento aplicada a las empresas se alimenta de la psicología organizacional, la economía conductual, la sociología, la mercadotecnia y la teoría de las organizaciones.
Estas ciencias brindan teorías y métodos viables para medir distintos tipos de variables y analizar las relaciones entre las decisiones humanas y sus condiciones organizacionales.
Para obtener información utilizan entrevistas, etnografía y grupos focales, encuestas, escalas psicométricas, experimentos, estudios longitudinales, análisis estadístico, diseños cuasiexperimentales y métodos mixtos.
Estas herramientas permiten complementar los patrones identificados por la inteligencia artificial, evaluar qué factores explican realmente un comportamiento y estudiar cuatro dimensiones empresariales en las que las predicciones algorítmicas pueden ofrecer una representación incompleta:
1. Comprensión de la motivación, el bienestar y el desgaste del talento
Por un lado, los sistemas digitales registran indicadores observables (como la productividad, el ausentismo, la rotación de personal o la interacción con determinadas herramientas, entre otros).
Por otro lado, la investigación en ciencias del comportamiento permite estudiar variables subjetivas (la motivación intrínseca, el propósito, el reconocimiento percibido, etc.).
Así, es posible identificar factores de riesgo e intervenir para reducir el desgaste de los equipos, especialmente en aspectos que no siempre quedan adecuadamente representados en los indicadores operativos tradicionales.
El análisis puede combinar métodos como las escalas validadas de motivación, compromiso, satisfacción y desgaste profesional con entrevistas e indicadores de variables objetivas.
Los estudios longitudinales sirven para observar cambios graduales en las variables y los diseños experimentales contribuyen a sopesar los efectos de nuevas medidas o modelos organizacionales.
2. Entendimiento de las reacciones al cambio organizacional
La reestructuración corporativa y la adopción de tecnologías provocan respuestas colectivas que ponen a prueba las estrategias de cambio. La ciencia del comportamiento ayuda a detectar y gestionar resistencias con miras a promover un liderazgo óptimo y un ambiente de cooperación.
Las encuestas, entrevistas, análisis de redes, observación y comparación entre departamentos o equipos también son útiles para distinguir qué condiciones resultan propicias ante la innovación y cuáles tienden a generar resistencia.
3. Claridad sobre las compras basadas en emoción e identidad
Las decisiones de compra casi siempre están influidas por sesgos emocionales e identitarios, experiencias vividas y circunstancias determinantes.
Los investigadores pueden combinar distintos métodos cualitativos como uso de grupos focales, análisis de elección, pruebas A/B y modelos estadísticos para tener mayor claridad sobre estos aspectos y satisfacer las necesidades, inclinaciones psicológicas y criterios de los clientes respecto de una marca.
4. Evaluación causal en la toma de decisiones
El alcance de la investigación asimismo reside en el diseño de experimentos y modelos de inferencia causal que permiten evaluar si es que una modificación incide en el resultado que se ha obtenido, lo cual es crucial para decidir si sí o no vale la pena mantener o rechazar el cambio.
El papel del investigador empresarial frente a la IA
Las organizaciones se enriquecen con los perfiles que cuentan con capacidades para formular preguntas decisivas, interpretar comportamientos, conectar la evidencia cualitativa con la cuantitativa, así como convertir sus hallazgos en ajustes estratégicos.
En su relación con la inteligencia artificial, el directivo que posee formación científica robusta puede realizar tres funciones clave:
- Plantear hipótesis multicausales sobre un problema empresarial, de modo que la organización no esté limitada a la observación y pueda comprender cuáles son los factores que explican el verdadero origen del mismo.
- Revisar variables y supuestos con una mirada crítica, y valorar si la información que se emplea parar entrenar un modelo es fidedigna al fenómeno o, por el contrario, ignora factores relevantes.
- Especificar en qué decisiones se requiere supervisar la automatización, en especial cuando están involucrados dimensiones tan cruciales como la cultura empresarial, la administración de personal o la experiencia del consumidor.
La competencia con la inteligencia artificial no es parte de la misión del investigador en Ciencias Empresariales, sino volverla más útil y orientarla con más precisión a la realidad organizacional. Es aquí donde el valor de una formación doctoral puede integrar investigación, herramientas analíticas y toma de decisiones en un solo contexto que trasciende la simplicidad carente de estos conocimientos.
Domina la investigación empresarial con un doctorado en Administración
El Doctorado en Ciencias Empresariales de la Universidad Panamericana fortalece las capacidades necesarias para formular problemas de investigación, integrar métodos cualitativos y cuantitativos y producir conocimiento aplicable a decisiones empresariales complejas.
Sus líneas de investigación permiten desarrollar proyectos vinculados con estrategia empresarial, inteligencia de negocios, mercadotecnia y finanzas, áreas desde las que es posible estudiar críticamente la adopción de inteligencia artificial, el comportamiento de las organizaciones y sus efectos sobre clientes, colaboradores y mercados.
Consulta el plan de estudios y conoce cómo este programa puede prepararte para desarrollar investigación de alto nivel y convertir evidencia científica en soluciones aplicables a los desafíos de las organizaciones.
Más contenido de interés:
Referencias:
- McBride, R. (2026). Mean Articulation Machines. Strategy Science, 11(1), 31-54 https://pubsonline.informs.org/doi/epdf/10.1287/stsc.2025.0439
- National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework. https://doi.org/10.6028/NIST.AI.100-1
- Pearl. J. (2009). Causal inference in statistics: An overview. Statistics Survey, 3(1) 96–146. https://doi.org/10.1214/09-SS057
- Wellman, N., Tröster, C., Grimes, M., Roberson, Q., Rink, F., & Gruber, M. (2023). Publishing multimethod research in AMJ: A review and best-practice recommendations. Academy of Management Journal, 66(4), 1007–1015. https://doi.org/10.5465/amj.2023.4004
Pon tu comentario abajo.