La IA no mejora las decisiones: te hace más confiado en las malas

Una tendencia se viene acumulando desde mediados de 2026: los usuarios de IA que tomaron decisiones con asistencia de modelos terminaron más convencidos de sus respuestas... y más equivocados en ellas. No es intuición. Esta semana, un estudio controlado con cientos de participantes confirmó el patrón con datos: recibir consejo de IA elevaba la certeza percibida mientras la precisión objetiva caía. El experimento llega después de meses de señales acumulándose en el mercado —críticas al uso de IA en ingeniería de software, análisis de cómo la euforia por IA distorsiona el juicio colectivo— que apuntaban todas al mismo movimiento de fondo: la IA no está mejorando las decisiones, está encareciendo los errores.

El experimento que pone números al problema

El estudio es directo: cuando los participantes consultaban a un modelo de IA antes de decidir, su nivel de confianza en la respuesta subía. Pero la tasa de aciertos no seguía —bajaba. El mecanismo no es misterioso. Los LLMs están entrenados para responder con autoridad. Sus salidas suenan ciertas independientemente de si lo son. Un humano que recibe una respuesta fluida y bien redactada la procesa como más confiable que una respuesta dubitativa, aunque la dubitativa fuera más honesta sobre la incertidumbre real. El resultado es un sesgo sistemático: la IA actúa como un asesor que nunca duda, y los usuarios internalizan esa certeza como propia.

La consecuencia no buscada que nadie está midiendo

Esto importa más allá del experimento individual. La euforia por IA ya está erosionando los procesos de toma de decisiones a escala corporativa e institucional. Gobiernos que usan LLMs para procesar análisis de política, empresas que los usan para hacer previsiones financieras, equipos de producto que los usan para priorizar roadmaps —todos corren el mismo riesgo: la salida del modelo eleva la confianza del decisor sin elevar la calidad de la decisión.

La consecuencia no buscada es que las organizaciones que más adoptan IA pueden estar acumulando errores más rápido que las que no la usan, precisamente porque la velocidad decisional aumenta junto con la confianza en cada decisión individual. El patrón tiene una segunda dimensión que ya documentamos: la IA que acelera el trabajo también estrecha el espacio de ideas, reduciendo la diversidad cognitiva en los procesos de deliberación. La crítica no es nueva: ya en 2026, un análisis sobre IA en ingeniería de software documentó cómo los desarrolladores que delegan en modelos pierden gradualmente la capacidad de detectar los errores que esos mismos modelos cometen. El modelo genera código incorrecto con la misma fluidez que genera código correcto, y el desarrollador que lo aceptó acríticamente no tiene ya el músculo para distinguirlos.

Quién gana y quién pierde con este patrón

El beneficiario inmediato es el proveedor del modelo: más confianza del usuario implica más uso, más retención, más datos de feedback. La eficiencia percibida justifica la renovación de contratos enterprise. El perjudicado es el cliente que toma decisiones peores con más velocidad —y que tarda más en detectarlo porque la confianza subjetiva enmascara el problema.

Hay un segundo perjudicado que no es obvio: la organización que sí usa IA bien. Cuando la IA mania distorsiona los procesos de benchmarking y evaluación a nivel sectorial, el mercado no penaliza a quien la usa mal —el baseline comparativo también bajó. Esto crea el incentivo perverso de seguir adoptando, incluso si la adopción empeora los resultados en términos absolutos. En producción, los equipos que migran de modelo por costo antes que por calidad ya experimentan esta dinámica: el modelo más barato genera más output con el mismo nivel de confianza del usuario, sin que la organización tenga métricas para detectar la caída en precisión.

La tesis a testear y qué mirar

La predicción concreta: en los próximos 18 meses van a aparecer los primeros casos documentados y públicos de decisiones institucionales costosas directamente atribuibles a confianza excesiva en outputs de IA. No errores de implementación técnica, sino errores de juicio donde el modelo funcionó técnicamente bien y el humano creyó el resultado sin cuestionarlo.

Qué mirar: si los proveedores de IA enterprise empiezan a agregar funcionalidad de calibración de incertidumbre visible al usuario —un indicador de cuánto confía el modelo en su propia respuesta— como respuesta a presión regulatoria o de clientes. Si aparece esa funcionalidad, es señal de que el problema llegó al nivel donde los proveedores no pueden ignorarlo. Si en 18 meses no aparece, el mercado aún no lo está priceando como riesgo.

Para un decisor: el consejo práctico no es dejar de usar IA. Es construir el hábito institucional de documentar cuándo la organización difirió de la recomendación del modelo y qué pasó. Esa fricción deliberada es el único antídoto disponible que no requiere esperar que los proveedores resuelvan el problema.