IA en la estrategia empresarial: evitar respuestas iguales

Categoría: Decisión | IA y estrategia

Tiempo de lectura: 7 minutos

La IA en la estrategia empresarial ha entrado en las organizaciones con una promesa clara: acelerar los análisis, generar alternativas y apoyar decisiones complejas.

Pero existe un riesgo del que se habla menos. Cuando diferentes organizaciones utilizan herramientas similares, formulan preguntas parecidas y carecen de un proceso deliberado de cuestionamiento, pueden terminar considerando respuestas más similares de lo que imaginan.

El problema no es que la inteligencia artificial produzca una respuesta equivocada. Es que produzca una respuesta plausible, rápida y suficientemente buena como para impedir que la organización busque alternativas menos evidentes.

En este artículo utilizo la expresión isomorfismo algorítmico para describir este riesgo: la posibilidad de que el uso estandarizado de la IA reduzca el repertorio de hipótesis estratégicas consideradas por diferentes organizaciones.

Cuando la IA acelera la respuesta, pero no mejora la pregunta

Existe una diferencia importante entre producir más rápido y pensar mejor.

Una organización puede utilizar la IA para resumir mercados, diseñar propuestas de valor, identificar segmentos, crear planes de crecimiento o generar escenarios estratégicos. Todo ello puede ser útil. El problema aparece cuando la petición es demasiado previsible y el resultado se acepta como punto de llegada, en lugar de utilizarse como punto de partida.

En términos prácticos, pedir a varias herramientas una «estrategia de crecimiento», una «propuesta de valor diferenciadora» o un «plan de retención del talento» sin cuestionar los supuestos suele producir soluciones reconocibles: mejorar procesos, invertir en liderazgo, conocer al cliente, reforzar la comunicación, automatizar tareas y crear indicadores.

Nada de esto es necesariamente incorrecto. Pero tampoco constituye, por sí solo, una estrategia distintiva.

¿Qué es el isomorfismo algorítmico?

El concepto de isomorfismo describe la tendencia de las organizaciones a volverse similares con el paso del tiempo. En la teoría institucional, esta convergencia resulta de presiones regulatorias, profesionales e imitativas: las organizaciones observan aquello que parece legítimo, adoptan prácticas reconocidas y se aproximan a las formas dominantes de su sector.

La IA generativa puede añadir un mecanismo complementario. Organizaciones que no se observan entre sí pueden, aun así, recibir respuestas cada vez más similares cuando utilizan herramientas parecidas con peticiones semejantes.

Esto no significa que todas las estrategias se vuelvan iguales. Significa que la forma de interrogar a la IA influye en la variedad de hipótesis, acciones y perspectivas que llegan al debate estratégico.

El isomorfismo algorítmico es, por tanto, una perspectiva para analizar un riesgo contemporáneo: la convergencia puede dejar de depender únicamente de la imitación entre empresas y pasar también por la forma en que los sistemas de IA generan respuestas probables.

Qué encontró un estudio exploratorio

En el marco de mi doctorado en Gestión en la Universidad de Évora, desarrollé un estudio exploratorio sobre la convergencia del contenido estratégico generado por IA.

Se produjeron 40 propuestas estratégicas para la misma empresa ficticia, utilizando dos modelos de IA y dos condiciones de formulación de prompts.

• Búsqueda estándar: peticiones equivalentes realizadas en sesiones independientes.
• Búsqueda diferenciada: un protocolo iterativo con instrucciones explícitas para explorar perspectivas contrarias, alternativas menos evidentes y caminos estratégicos diferentes.

El indicador utilizado fue la similitud léxica entre documentos, medida mediante el coeficiente de Jaccard aplicado al vocabulario relevante de cada propuesta.

En la condición estándar, la similitud media fue de 0,307. En la condición de búsqueda diferenciada descendió hasta 0,196. Esto representó una reducción relativa del 36,3 % en el solapamiento léxico entre los resultados.

En una réplica exploratoria con prompts en inglés, la pauta se mantuvo en la misma dirección. En los dos modelos probados no se detectó una diferencia estadísticamente significativa en el efecto de la condición de formulación de los prompts.

Nota metodológica. Este estudio evalúa el solapamiento léxico entre resultados estratégicos producidos en un escenario controlado. No mide directamente la calidad estratégica, el desempeño comercial, la ventaja competitiva ni la equivalencia semántica entre las propuestas. Los resultados deben interpretarse como evidencia exploratoria sobre la variedad del contenido, no como prueba de que diferentes empresas adoptarán inevitablemente la misma estrategia.

¿Por qué es importante para la estrategia empresarial?

Porque una respuesta de la IA puede ser clara, estar bien escrita y parecer sofisticada sin ser verdaderamente diferenciadora.

Cuando se utiliza la misma herramienta para analizar mercados, definir el posicionamiento, diseñar servicios o crear planes de crecimiento con preguntas demasiado parecidas, la organización puede reducir su espacio de búsqueda sin darse cuenta.

El riesgo no está en utilizar la IA. Está en confundir la eficiencia de producción con la diversidad de pensamiento.

La investigación sobre la jagged technological frontier refuerza esta idea: la IA puede mejorar significativamente el desempeño en determinadas tareas, pero no produce un valor uniforme en todos los tipos de problemas. La cuestión de gestión no es únicamente «utilizar o no utilizar la IA». Consiste en comprender dónde aporta calidad, dónde exige validación y dónde puede limitar la reflexión.

Esta es también la cuestión analizada en el ensayo Inteligencia artificial en la toma de decisiones: ¿más claridad o más errores?: la herramienta puede apoyar la decisión, pero no sustituye una arquitectura de decisión clara.

Tres prácticas para utilizar la IA sin reducir las opciones

1. Diversifique la pregunta antes de solicitar la respuesta

No pida únicamente «una estrategia». Solicite alternativas que contradigan la hipótesis inicial, exploren públicos diferentes, pongan a prueba los supuestos o partan de lógicas de negocio opuestas.

Por ejemplo, en lugar de pedir «cree una propuesta de valor diferenciadora», pruebe:

• ¿Qué supuestos de esta propuesta pueden ser incorrectos?
• ¿Qué alternativa adoptaría un competidor con la mitad de los recursos?
• ¿Qué solución tendría sentido si este mercado dejara de valorar el precio?
• ¿Qué perspectiva procedente de un sector aparentemente distante podría cuestionar este enfoque?

2. Separe la generación de posibilidades del criterio estratégico

La IA puede generar hipótesis, organizar información y crear escenarios. Pero la prioridad, el riesgo, el contexto, la viabilidad y la ejecución siguen exigiendo criterio humano.

Utilizar la IA como interlocutor es diferente de utilizarla como árbitro final. En las decisiones relevantes, alguien debe asumir la responsabilidad explícita de cuestionar aquello que falta, aquello que puede estar sesgado y aquello que se ha asumido sin evidencia suficiente.

3. Introduzca el cuestionamiento antes de cerrar la decisión

Un equipo no debería aceptar la primera respuesta plausible como la mejor respuesta disponible.

Antes de transformar una recomendación de la IA en una decisión, conviene crear un momento de contraste crítico: alguien debe buscar el escenario en el que la recomendación fracasa, la variable que el modelo no ha considerado y la perspectiva que está ausente.

Es aquí donde el liderazgo deja de ser una validación rápida y se convierte en la capacidad para mejorar la calidad del pensamiento colectivo. Como explicamos en Por qué formar a responsables no es lo mismo que desarrollar el liderazgo, desarrollar líderes no consiste únicamente en transmitir herramientas. Consiste en crear las condiciones necesarias para que decidan mejor en contextos ambiguos.

Cuatro preguntas antes de utilizar la IA en una decisión estratégica

• ¿Qué decisión concreta estamos intentando apoyar?
• ¿Qué supuestos incorporamos a la pregunta antes de solicitar una respuesta?
• ¿Qué alternativa relevante no se está considerando?
• ¿Quién cuestionará el resultado antes de que se tome la decisión?

Estas preguntas no hacen que el proceso sea más lento por principio. Lo hacen más consciente. También pueden evitar que una respuesta estadísticamente probable se confunda con la mejor decisión para el contexto específico de la organización.

La ventaja de la IA en la estrategia empresarial no está solo en la herramienta

A medida que la IA se vuelve más accesible, la tecnología deja de ser, por sí sola, un factor suficiente de diferenciación.

La diferencia estará en la calidad de las preguntas, las perspectivas que intervienen en el proceso, los criterios de decisión y la capacidad para reconocer aquello que el modelo todavía no puede ver.

En VAGAR, este trabajo no comienza con la elección de la herramienta. Comienza por comprender cómo decide la organización, dónde se pierde la información, qué criterios están ausentes y cómo pueden el liderazgo, la estructura y los procesos utilizar la IA sin delegar el criterio.

Conozca las soluciones de VAGAR para organizaciones o reserve una conversación inicial para analizar su contexto.

Reservar una conversación inicial

Base de evidencia

Lebovitz, S., Lifshitz-Assaf, H., & Levina, N. (2022). To engage or not to engage with AI for critical judgments: How professionals deal with opacity when using AI for medical diagnosis. Organization Science, 33(1), 126–148.

Pires da Silva, L. (2026). Algorithmic Isomorphism: AI-Generated Strategic Content Convergence and the Mitigating Role of Differentiated Search. Manuscrito de trabajo, Doctorado en Gestión, Universidad de Évora.

DiMaggio, P. J., & Powell, W. W. (1983). The iron cage revisited: Institutional isomorphism and collective rationality in organizational fields. American Sociological Review, 48(2), 147–160.

Dell’Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science.