Capability Building
Decisiones automatizadas: 3 preguntas esenciales antes de confiar
Ago
Un piloto de Fórmula 1 se quejó de perder la clasificación por un algoritmo, no por un rival. Las decisiones automatizadas no son solo un tema de tecnología: son un tema de quién controla el criterio detrás de una elección. La temporada 2026 de F1 expuso ese problema mejor que cualquier informe corporativo.
Oscar Piastri lo resumió en una frase que cualquier líder de negocio debería escuchar: perder una carrera antes de arrancarla, decidida por una máquina que nadie puede explicar del todo. Este artículo usa ese caso para plantear 3 preguntas antes de delegarle una decisión de negocio a un algoritmo.
¿Por qué la Fórmula 1 2026 se volvió el mejor caso de decisiones automatizadas del año?
En el Gran Premio de Bélgica 2026, en Spa-Francorchamps, Oscar Piastri perdió tiempo clave frente a su propio compañero de equipo, Lando Norris, en la clasificación. La razón no fue un error de manejo.
Fue la gestión de energía de la unidad de potencia, que responde a un sistema con “elementos de autoaprendizaje” que ajusta su comportamiento vuelta tras vuelta (Fuente: Motorsport.com).
Piastri lo dijo sin vueltas: “parrillas de salida decididas por ordenadores que funcionan bien o mal”. Max Verstappen fue todavía más duro y llamó al reglamento “Fórmula E con esteroides”. Ninguno de los dos cuestionó el resultado de una carrera puntual: cuestionó el criterio que decide antes de que la carrera arranque.
¿Qué esconde un algoritmo con sesgo algorítmico incorporado?
El sesgo algorítmico no aparece solo en sistemas de crédito o de selección de personal. Aparece en cualquier proceso donde una máquina pondera variables sin que nadie pueda explicar, en una frase, por qué una variable pesa más que otra.
En la F1 2026, pequeñas variaciones en el manejo del piloto (una frenada un poco más tarde, una curva tomada distinto) pueden generar una diferencia enorme varias vueltas después, sin que el piloto lo note en el momento (Fuente: Motorsport.com).
Nadie diseñó esto para ser injusto. Pero el resultado es el mismo: un criterio que decide, y que la persona afectada no puede cuestionar en tiempo real. Este tipo de decisiones automatizadas no distingue entre una vuelta de clasificación y un comité ejecutivo.
El mismo patrón aparece en sistemas de recomendación, en scoring de riesgo y en herramientas de evaluación de desempeño. La automatización no es el problema en sí. El problema es delegar un criterio sin poder explicarlo después.
¿Por qué la FIA elige rendimiento por sobre transparencia algorítmica?
Los pilotos pidieron directamente prohibir los algoritmos de gestión de energía. La FIA se negó (Fuente: Que.es).
No es un capricho. McKinsey&Co. documentó que la transparencia algorítmica tiene un costo real de rendimiento, y que los algoritmos más precisos suelen ser los menos explicables (Fuente: McKinsey&Co.).
Ese trade-off no es exclusivo del automovilismo. Cualquier decisión automatizada en una empresa (asignar leads, evaluar desempeño, priorizar clientes) enfrenta la misma disyuntiva: ganar velocidad y perder la capacidad de explicar el criterio a quien lo sufre.
Un banco que automatiza la aprobación de créditos enfrenta el mismo dilema. El modelo más preciso puede rechazar casos que un oficial de crédito aprobaría con contexto, sin que nadie pueda reconstruir el porqué, caso por caso, sin auditar el modelo entero.
Decisiones automatizadas: lo que aprendemos en Capability Building
En Capability Building observamos el mismo patrón en decenas de equipos que automatizan sin mapear antes el criterio de decisión. La metodología Problem Solving, inspirada en McKinsey&Co., resuelve esto con MECE: descomponer el problema en partes mutuamente excluyentes y colectivamente exhaustivas, antes de delegarle nada a un algoritmo.
Un árbol lógico bien armado no elimina la automatización, la ordena. Define qué variables pesan, en qué orden y por qué, de forma que cualquier persona del equipo pueda explicarlo sin recurrir a “así lo decidió el sistema”. Eso es lo que separa una decisión automatizada bien diseñada de una caja negra.
El verdadero test de toda decisión automatizada
La pregunta nunca es si conviene automatizar. La mayoría de las decisiones de negocio se benefician de la velocidad de un algoritmo bien diseñado. La pregunta es si, cuando alguien pregunte por qué el sistema decidió lo que decidió, hay una respuesta en una frase, o solo un silencio incómodo.
Las decisiones automatizadas que sobreviven al escrutinio son las que alguien puede explicar sin escudarse en la tecnología. Las que no, tarde o temprano, terminan sonando igual que un piloto de Fórmula 1 quejándose de perder antes de largar.
Si en tu organización hay decisiones que ya nadie sabe explicar del todo, en Capability Building podemos ayudarte a mapear el criterio antes de automatizar más. Conocé cómo lo trabajamos en Problem Solving by IA.
Preguntas frecuentes sobre decisiones automatizadas
¿Qué son las decisiones automatizadas en una empresa?
Son decisiones que un sistema o algoritmo toma sin intervención humana directa en el momento puntual de decidir, como asignar leads, aprobar créditos o priorizar clientes. El riesgo no está en automatizar, sino en perder de vista qué criterio quedó delegado y si alguien todavía puede explicarlo.
¿Qué es el sesgo algorítmico?
Es cuando un algoritmo pondera variables de forma desigual sin que ese peso haya sido una decisión consciente y explicable. No requiere mala intención: alcanza con datos históricos sesgados o con un modelo que aprende patrones que nadie revisó a tiempo.
¿Por qué la FIA no prohíbe los algoritmos en la Fórmula 1 2026?
Porque prohibirlos bajaría el rendimiento de los autos. Los pilotos pidieron eliminarlos por la falta de transparencia algorítmica, pero la FIA priorizó la eficiencia del sistema de gestión de energía por sobre la posibilidad de explicar cada decisión en tiempo real.
¿Cómo se evita el sesgo algorítmico en una decisión de negocio?
Mapeando el criterio antes de automatizar, con una metodología como MECE: descomponer el problema en partes exhaustivas y sin superposición, para que cada variable que pesa en la decisión pueda explicarse en una frase, no solo “así lo decidió el sistema”.
¿Qué relación hay entre transparencia algorítmica y confianza del equipo?
La transparencia algorítmica es lo que permite que un equipo confíe en una decisión aunque no la haya tomado una persona. Sin eso, cualquier resultado automatizado que perjudique a alguien se percibe como arbitrario, aunque el sistema se haya diseñado con buena intención.
¿Cómo trabaja Capability Building las decisiones automatizadas con las empresas?
A través del programa Problem Solving by IA, que combina la metodología de McKinsey&Co. (MECE, árboles lógicos) con herramientas de IA, para que los equipos aprendan a diseñar criterios de decisión explicables antes de automatizarlos, no después de que algo salga mal.
Fuentes
- Motorsport.com: “It sucks”: Oscar Piastri feels F1 grids are decided by computers behaving or misbehaving
- Que.es: Polémica por los motores de la F1: los pilotos piden prohibir los algoritmos y la FIA se niega
- McKinsey&Co.: Controlling machine-learning algorithms and their biases