Gestión De Proyectos
25 de septiembre de 2026
¿La IA acelera las respuestas; quién asume las decisiones?
La velocidad de la tecnología solo se convierte en una ventaja cuando va acompañada de la capacidad de comprender, verificar y asumir la responsabilidad de los resultados

Imagine un equipo que pasa a producir en una tarde los análisis que antes requerían una semana. El cambio parece justificar la inversión en inteligencia artificial. Pero, antes de contabilizar la ganancia, cabe preguntar quién examinó los resultados, qué información sustenta las conclusiones y cuánto tiempo será necesario para utilizarlas con seguridad. Si la producción se acelera y la evaluación permanece limitada, parte del trabajo solo ha cambiado de lugar.
Una de las cuestiones más importantes de la adopción de IA es lo que sucede cuando la capacidad de producir respuestas crece más rápidamente que la capacidad de verificarlas. Para los gerentes, esta diferencia puede aparecer en informes, proyectos, pronósticos y recomendaciones. El documento queda listo, pero la decisión aún exige a alguien capaz de responder por él.
Un debate reciente sobre las ecuaciones de Navier-Stokes ayuda a comprender esta situación. En septiembre, OpenAI anunció una propuesta de solución a un problema matemático relacionado con las ecuaciones que describen el movimiento de los fluidos. Según la empresa, aproximadamente 10.000 agentes de IA participaron en el esfuerzo que produjo la demostración en 88 horas. El anuncio indicó una capacidad relevante de investigación computacional, pero también generó cuestionamientos sobre el origen de las contribuciones y su reconocimiento (OpenAI, 2026).
Para las organizaciones, el punto más útil de este episodio radica en la distancia entre obtener un resultado y transformarlo en conocimiento confiable. Esta distancia debe incluirse en la evaluación de la productividad. Un equipo puede producir más y, aun así, acumular conclusiones que nadie ha podido examinar adecuadamente. La ganancia solo se completa cuando el resultado puede orientar una decisión.
La productividad necesita incluir la verificación
En la gestión, suele ser más fácil medir el tiempo de ejecución que la calidad del juicio. Es posible registrar cuántos informes se entregaron y cuántas horas se ahorraron. Evaluar si el equipo identificó una hipótesis inadecuada, evitó una interpretación precipitada o se dio cuenta de que faltaban datos exige un seguimiento más cuidadoso. Con la IA, es importante dar más visibilidad a este segundo trabajo.
Piense en un análisis de demanda que recomiende reducir el inventario de un producto determinado. El sistema puede organizar los datos y presentar una justificación convincente. Antes de actuar, sin embargo, alguien necesita verificar si el historial incluye una rotura de stock: las ventas bajas pueden reflejar la falta de mercancía, y no la falta de clientes. La decisión depende de conocer el negocio y examinar el significado de los números.
Este ejemplo muestra por qué el responsable de la validación debe participar desde la definición de la tarea. Necesita saber qué se evaluará, qué datos están disponibles y qué evidencia justificaría aceptar la conclusión. Dejar esta responsabilidad para el final favorece una revisión apresurada, especialmente cuando la presentación ya parece completa y el plazo se ha consumido por la expectativa de entrega.
El esfuerzo de verificación también debe seguir la consecuencia de la decisión. Un borrador de comunicación interna puede pasar por una revisión simple. Una recomendación que altera un proyecto de ingeniería o compromete recursos exige pruebas, documentación y evaluación especializada. Aplicar el mismo procedimiento a todo desperdicia tiempo en algunas situaciones y deja otras insuficientemente examinadas.
Terence Tao ofrece una contribución útil a esta discusión al distinguir la producción de las demostraciones de su verificación, explicación e incorporación al conocimiento colectivo. Su argumento ayuda a percibir que acelerar una etapa puede aumentar la demanda sobre las etapas siguientes (Tao, 2026). En las empresas, esta reflexión recomienda evaluar el proceso completo: tiempo hasta la decisión, retrabajo, errores identificados y capacidad de explicar la conclusión.
En este sentido, se entiende como necesaria una adopción exigente de la IA. La herramienta puede asumir tareas extensas, explorar alternativas y ayudar a conferir resultados. Corresponde a la organización crear condiciones para aprovechar esta capacidad, incluyendo tiempo y personas para evaluar lo que se ha producido. La verificación debe estar prevista en el proyecto y en el presupuesto.
El conocimiento también está en el camino recorrido
El caso de Navier-Stokes añade otra dimensión. El matemático Tristan Buckmaster, que trabajaba en problemas relacionados con Levent Alpöge, informó haber utilizado herramientas de IA e introducido borradores en Codex. Cuestionó una posible influencia de estas interacciones en el resultado de OpenAI, aunque declaró no saber si sus datos habían sido utilizados (Buckmaster, 2026).
La empresa respondió que una investigación interna había excluido la influencia de los prompts de Buckmaster de los dos meses anteriores, incluido el entrenamiento. Esta respuesta debe acompañar la presentación de la sospecha, preservando la diferencia entre una alegación y la conclusión divulgada por la organización involucrada (OpenAI, 2026).
Independientemente del resultado de esta controversia, veo una cuestión práctica para la gestión del conocimiento. Una investigación o un proyecto contiene valor antes de la entrega final. Hipótesis, pruebas fallidas, criterios de elección y soluciones descartadas revelan lo que el equipo aprendió. Cuando este material pasa por herramientas externas, la organización necesita decidir qué información puede ser utilizada, en qué condiciones y cómo se registrará el recorrido.
La autoría también debe seguir este camino. En un proyecto asistido por IA, alguien formula el problema, selecciona información, establece restricciones e interpreta resultados. Estas contribuciones deben permanecer visibles. Registrar solo quién solicitó la última respuesta puede borrar una parte importante del trabajo del equipo y dificultar la identificación de responsabilidades.
Considere un sistema desarrollado con apoyo de IA que funciona durante la presentación, pero presenta fallas después de la implementación. Para corregirlo, el equipo necesita conocer las decisiones de diseño, las condiciones de las pruebas y los límites conocidos. Un historial de instrucciones puede ayudar, pero necesita ser acompañado de documentación que permita a otro profesional comprender y continuar el trabajo.
Por ello, una entrega debe incluir la explicación necesaria para su continuidad. Esta práctica protege la inversión de la organización y reduce la dependencia de una persona o herramienta. El ahorro de tiempo en la ejecución pierde parte de su valor si el mantenimiento requiere reconstruir todo lo que se ha hecho.
Formar personas para asumir responsabilidad
Como profesor de Ingeniería de Computación, considero especialmente importante la relación entre resultado y aprendizaje. Una actividad puede estar concluida sin que quien la entregó consiga explicar las elecciones realizadas. La formación precisa crear oportunidades para identificar esa diferencia, porque el profesional será llamado a decidir ante situaciones que no estaban previstas en el ejercicio.
Esto exige revisar lo que se pide y lo que se evalúa. Además de presentar una solución, se puede solicitar al estudiante que justifique sus hipótesis, compare alternativas y explique en qué condiciones cambiaría de decisión. El uso de IA puede integrar este proceso, siempre que su participación sea explícita y el trabajo permita evaluar el razonamiento desarrollado.
En las empresas, la misma preocupación debe orientar la formación de profesionales principiantes. Si todas las tareas de análisis se delegan a la herramienta, será necesario preservar otras oportunidades para aprender a reconocer problemas. La capacidad de revisión depende del conocimiento técnico y del contacto con las consecuencias de las elecciones. No basta con nombrar a un revisor sin ofrecerle las condiciones para que desarrolle este juicio.
Para universidades y empresas brasileñas, existe espacio para la cooperación en proyectos que combinen el uso de IA y la validación en situaciones reales. Trabajar con un problema delimitado, definir previamente los criterios de éxito y comparar los resultados con datos observados puede producir ganancias más útiles que adoptar herramientas solo por la repercusión de sus anuncios. También permite discutir confidencialidad, crédito y responsabilidad antes de que surjan conflictos.
El potencial de la tecnología es significativo, y aprovecharlo exige cambios en la organización del trabajo. Los profesionales capaces de formular buenas preguntas, reconocer límites y explicar decisiones tendrán un papel central en este proceso. Su contribución debe ser valorada incluso cuando se manifiesta como una conclusión menos optimista, una revisión de plazo o la decisión de realizar una prueba más.
El caso de Navier-Stokes ayuda a poner esta elección en perspectiva. La capacidad de producir resultados está avanzando, y las instituciones necesitan desarrollar formas de incorporarlos con confianza. Para un gerente, una pregunta debería acompañar cada promesa de aceleración: ¿quién tiene la capacidad de explicar y asumir la decisión que vendrá después? La respuesta indica cuánto de la tecnología contratada se está transformando en capacidad de la organización.
| Para tener acceso a las referencias de este texto haga clic aquí |
Quién publicó esta columna
Maurício Acconcia Dias








