Gobernar la IA empieza por gobernar las decisiones del CEO

Las organizaciones creen que están evaluando una tecnología pero lo que están haciendo, y de manera muy evidente, es someterse a una prueba de estrés de gobierno corporativo. Y los resultados no son buenos, porque revelan que la IA no es el problema sino el instrumento que hace visibles los problemas que ya estaban, sobre todo en el vértice de la pirámide de la toma de decisiones.

La semana pasada Ford encabezó la clasificación de marcas generalistas en el J.D. Power U.S. Initial Quality Study 2026, su mejor resultado en calidad inicial desde 2010. La noticia ha circulado como una historia de recuperación industrial pero lo que no ha sido tan destacado es la explicación que han dado sus propios directivos de por qué habían caído tan bajo antes de recuperarse.

En rueda de prensa de finales de junio de 2026, Charles Poon, vicepresidente de ingeniería de hardware de vehículos de Ford, admitió que “erróneamente pensamos que con solo introducir inteligencia artificial e incorporar los requisitos de diseño que teníamos produciríamos un producto de alta calidad.” En los años posteriores a 2022 la compañía fue desplegando progresivamente sistemas automatizados de control de calidad a escala, mientras prescindía, en paralelo, de buena parte de sus ingenieros más experimentados. El problema es que asumieron que los sistemas automatizados podían sustituir el conocimiento tácito acumulado por esos ingenieros.

Tras la debacle, Ford no ha cuantificado cuánto costó exactamente esa decisión ni ha atribuido a la IA el deterioro de la calidad, lo que sí ha reconocido públicamente es que sobreestimó esa capacidad de sustitución y que corregir el error exigió cambiar el enfoque y reincorporar experiencia humana. En poco más de dos años comenzaron a reincorporar a cientos de ingenieros veteranos —los llamaron internamente “gray beards”—, lo cual contribuyó a recuperar cientos de millones de dólares en costes de garantía y a mejorar sustancialmente la calidad inicial de sus vehículos.

Y no, el problema no está en los mánagers

Durante la última década, a ojos teóricos y prácticos el principal obstáculo del cambio han sido y lo son los mandos intermedios. Resistencia, falta de capacidad digital, dificultad para desarrollar equipos, incapacidad para gestionar la incertidumbre… un diagnóstico ampliamente asumido que ha generado un mercado enorme de formación en liderazgo, programas de gestión del cambio y marcos de transformación cultural dirigidos, en su mayoría, a la capa media de las organizaciones.

Lo que estamos viendo ahora en la adopción de IA apunta más alto. La ejecución sigue siendo una fuente importante de fracaso en cualquier implantación tecnológica, pero en los casos de IA más documentados y más costosos emergen evidencias de un error anterior, un error de formulación y decisión estratégica que está recibiendo mucha menos atención que los problemas de implementación. Hablamos de que el fallo no nace cuando el manager ejecuta la decisión sino bastante antes, cuando el comité la aprueba sobre hipótesis que no ha contrastado con suficiente rigor.

Las migas de pan de los fracasos conocidos

Además del de Ford, otros dos casos están suficientemente documentados con declaraciones públicas de sus directivos. Son pocos para hablar de una regularidad consolidada, pero sí permiten formular una hipótesis consistente sobre dónde están apareciendo los errores más costosos.

Los dos casos remiten a decisiones estratégicas adoptadas en la alta dirección, la tecnología se limitó a funcionar exactamente como puede funcionar. El fallo fue anterior al despliegue, porque aunque se evidenciara en éste, estuvo siempre en el proceso que llevó a aprobarlo. En ambos casos existían indicios relevantes dentro de la organización —sobre los límites del sistema, sobre el trabajo real de las personas afectadas y sobre las consecuencias previsibles— que no terminaron incorporándose al proceso de decisión.

Si se sustituye IA por blockchain, por outsourcing masivo o por reingeniería de procesos, el patrón se repite. Lo que sugiere que el problema nunca es la tecnología concreta, sino el mecanismo por el que los comités de dirección convierten una narrativa tecnológica en una decisión estratégica. Y lo que ha hecho la IA es someter ese mecanismo a una presión mucho mayor.

Por qué un directivo racional toma estas decisiones

Un directivo inteligente, con acceso a información y con experiencia, toma decisiones sobre IA que en un número significativo de organizaciones acaban revisándose o corrigiéndose posteriormente. La respuesta no es la irresponsabilidad ni la ignorancia (aunque en cuestión de IA todos, hasta ellos, seamos noveles), y tiene mucho que ver con algo tan prosaico como la estructura de incentivos. Si un CEO anuncia que su empresa está adoptando IA a escala, la cotización sube, los accionistas aplauden y el comité valida. El coste de actuar deprisa es diferido y difuso porque se materializa en calidad de servicio, en conocimiento tácito perdido o en rotación que nadie proyectó, pero el coste de no actuar es inmediato y visible y no porque el problema sea únicamente el incentivo económico sino porque el reputacional pesa y mucho. Ningún consejo penaliza a un CEO por adoptar una tecnología que todo el mercado considera inevitable. En cambio, sí puede penalizarlo por quedarse aparentemente atrás. En esas condiciones, el riesgo profesional deja de ser equivocarse y pasa a ser parecer inmóvil.

El patrón de fracaso que describen los casos referidos es el que revelan la mayoría de los estudios:

• La encuesta anual de McKinsey sobre el estado de la IA, publicada en noviembre de 2025, concluye que casi dos tercios de las organizaciones todavía no han comenzado a escalar la IA más allá de pilotos, y que solo el 39% atribuye algún impacto medible en el EBIT a sus iniciativas de IA.
• BCG, en su informe AI Radar, añade que mientras alrededor del 75% de los directivos sitúan la IA entre sus tres prioridades estratégicas, solo uno de cada cuatro obtiene un valor significativo de esas iniciativas.
• Ambas comparten el diagnóstico común de que la adopción avanza mucho más deprisa que la capacidad de las organizaciones para convertirla en valor de negocio.
• Los porcentajes más específicos sobre decisiones de plantilla proceden de la encuesta anual de Orgvue, proveedor de software especializado en planificación estratégica de plantillas, cuya investigación, teniendo sesgo de mercado propio, constituye una de las pocas series periódicas que analiza específicamente cómo están tomando decisiones sobre IA los equipos directivos en relación con la plantilla, y con resultados consistentes a lo largo de tres años consecutivos.

De los casos disponibles emergen al menos dos patrones recurrentes:

• El primero es de causalidad: la organización asume que si la IA puede hacer X, puede sustituir al humano que hacía X. El error está en que X nunca era todo lo que hacía ese humano. IBM lo descubrió en ese 6% de solicitudes que el sistema no pudo gestionar: los casos éticos, las situaciones límite, las decisiones que requerían juicio sobre contexto que no estaba en ningún dataset.
• El segundo patrón es de alcance: los despidos tienen efectos que no entran en las presentaciones al consejo: pérdida de conocimiento tácito, deterioro del clima entre quienes no fueron despedidos pero entendieron el mensaje, rotación adicional que nadie ha proyectado… Según Orgvue, el 34% de las organizaciones que realizaron despidos por IA perdieron empleados adicionales por renuncia voluntaria a continuación. Ese coste no salía en el ROI proyectado.

Responsabilidad sin nombre

Lo llamativo es cómo se narra el fracaso de estas decisiones. Klarna “dio marcha atrás”, IBM “ajusta su estrategia”, Ford “reorienta su enfoque de calidad”. Los verbos son impersonales, los sujetos son las empresas, no las personas que tomaron las decisiones. Es una gramática diseñada para que la responsabilidad se diluya.

Los directivos de Ford son toda una excepción: Poon lo reconoció en rueda de prensa, con nombre y sin eufemismos. Pensó que la IA produciría calidad por sí sola, se equivocó y lo admitió. Lo habitual es que las decisiones erróneas sobre IA se reencuadren como “aprendizajes del proceso de transformación”, que es otra forma de decir que nadie responde.

La regulación —desde la Directiva europea sobre Despidos Colectivos hasta el Reglamento de IA— resolverá parte de la cuestión pero cuando parte del daño ya esté hecho, porque no puede actuar donde realmente se falla: en el proceso de toma de decisiones dentro de las organizaciones, donde con frecuencia no existen mecanismos para que alguien diga “no tenemos los datos suficientes para tomar esta decisión”, ni responsabilidad interna cuando la hipótesis no se cumple.

Antes de aprobar un proyecto de IA

Las condiciones que siguen no son específicas de la IA ni nuevas para cualquier inversión de impacto comparable sobre plantilla y capacidades. La realidad es que raramente se aplican porque hacerlas obligatorias ralentiza una decisión que el entorno presiona para tomar deprisa. Y esa es exactamente la razón por la que deberían ser condiciones, no recomendaciones:

1. Calidad del problema. El problema de negocio está formulado con independencia de la solución tecnológica y existe evidencia de que esa solución concreta funciona en las condiciones reales de esta organización, no en la demo ni en el caso de referencia de la consultora. Si la justificación comienza con «la competencia lo está haciendo», no es una justificación estratégica, es gestión de legitimidad.
2. Calidad de la evidencia. Se ha mapeado el trabajo real de las personas afectadas —incluyendo lo que no aparece en las descripciones de puesto— y las consecuencias secundarias están dentro del modelo: el conocimiento tácito que desaparecerá, la confianza que se deteriorará, la rotación que se generará entre quienes no son despedidos pero entienden el mensaje. El 34% de las organizaciones que despidieron por IA perdieron empleados adicionales por renuncia voluntaria. Que ese coste no estuviera en el modelo no significa que fuera imprevisible; significa que nadie quiso contemplarlo.
3. Responsabilidad sobre la hipótesis. Hay un responsable nombrado, un criterio de éxito definido y un plazo de revisión explícito antes de aprobar la decisión. Sin eso, más que una decisión estratégica es una apuesta con gramática corporativa.

El riesgo se ha desplazado — y seguirá desplazándose

Durante décadas, el principal riesgo empresarial estuvo en la ejecución: en hacer mal lo que se había decidido bien. Ahora, la IA parece estar desplazando una parte creciente de ese riesgo hacia la decisión previa, a qué preguntas se consideran obligatorias, qué evidencias se exigen y quién tiene autoridad para decir que una hipótesis no está suficientemente contrastada.

Lejos de revertirse, este desplazamiento se va a acelerar al mismo ritmo al que la IA aumenta la velocidad a la que se pueden tomar decisiones, la complejidad de los sistemas sobre los que éstas operan y la opacidad de sus efectos reales. Decidir bien bajo incertidumbre deja de ser una buena práctica directiva para convertirse en una capacidad competitiva que diferenciará a las organizaciones de forma creciente.

Las herramientas para hacerlo no son nuevas ni complejas: el premortem —imaginar que la decisión ya ha fallado y rastrear por qué—, los equipos de red team con mandato explícito para refutar la hipótesis central, la figura del devil’s advocate institucionalizado en el proceso de aprobación, las revisiones independientes antes de escalar de piloto a despliegue. Ninguna de estas prácticas garantiza que la decisión sea correcta. Todas garantizan que ha pasado por un nivel de escrutinio que la gran mayoría de proyectos de IA aprobados en los últimos dos años no ha conocido.