Trabajar con modelos de IA genera una sensación engañosa. Parecen colaborativos, atentos y sorprendentemente dispuestos a alinearse contigo. Esa impresión no es casual. Muchos de los modelos conversacionales generalistas con los que trabajamos hoy están entrenados mediante técnicas de alineamiento para reducir conflicto, suavizar el tono y priorizar respuestas seguras. En la práctica, eso se traduce a menudo en respuestas neutras, matizadas o llenas de aclaraciones que acompañan más que cuestionan. Si no lo detectas, esa amabilidad puede convertirse en una forma silenciosa de autoafirmación.

The AI-Driven Leader, de Geoff Woods, arranca precisamente desde este punto, aunque no como libro técnico, sino como una guía sobre cómo pensar cuando la IA participa en tus decisiones. Su marco —IA como entrevistador, comunicador o desafiante— tiene dos aciertos claros. Por un lado, obliga a explicitar qué rol quieres que adopte el modelo y normaliza la idea de que la IA puede participar en decisiones de liderazgo. Sin embargo, evita entrar en cuestiones que son centrales para entender el comportamiento real de los modelos, como sesgos inducidos por entrenamiento, aversión a la confrontación, variabilidad de respuestas, límites de contexto o riesgos derivados de interpretaciones incompletas. Ese vacío obliga a complementar sus ideas con un uso más metódico y un criterio más exigente.

La IA acelera tareas como resumir o depurar contenido y ese uso sí puede modificar tu percepción de un problema. Un buen resumen puede hacer visibles conexiones que no habías visto o sacar a la superficie un riesgo que estaba enterrado en el detalle. Aun así, en mi práctica el salto más relevante aparece cuando pasamos de la automatización a la confrontación, cuando pedimos a la IA que cuestione nuestros supuestos de manera explícita. Y esto es importante. La IA no adopta un rol crítico por defecto ni basta una única instruccion bien escrita para garantizarlo. Requiere instrucciones claras, iteración y cierta tolerancia al ruido.

El salto más relevante aparece cuando pasamos de la automatización a la confrontación.

Si no se hace ese trabajo explícito, la combinación de alineamiento de seguridad, prudencia en el tono y generación probabilística produce algo reconocible, una confirmación amable, críticas superficiales y una falsa sensación de solidez que puede llevarte a creer que tus planteamientos están mejor fundamentados de lo que realmente están.

La incomodidad bien definida

Hablar de “incomodidad” puede sonar abstracto, así que conviene precisarlo. En este contexto, incomodidad significa descubrir que habías dado por válidos supuestos no verificados o dependencias que dabas por obvias. Esa ruptura no surge sola. Aparece, a veces, cuando fuerzas al modelo a adoptar un rol adversarial, no asistencial.

Lo que marca la diferencia no es la tarea, sino la instrucción que le das al modelo. Una petición como esta —inspirada en el libro, pero afinada para uso real— cambia el tipo de interacción:

“Entrevístame como un consultor externo. Formula preguntas destinadas a identificar supuestos no validados, dependencias difusas, riesgos que no he considerado y cualquier inconsistencia que pueda comprometer la decisión. No suavices el análisis.”

Un prompt así no convierte mágicamente a la IA en un oráculo adversarial. A veces genera preguntas triviales, otras se va por tangentes o formula objeciones que se caen con dos datos. Pero cuando funciona, el efecto es muy concreto.

Un modelo puede sonar incisivo y, aun así, estar generando hipótesis irrelevantes.

El libro menciona la idea de usar la IA como desafiante, pero no entra en el mecanismo. La calidad del desafío no depende de “la IA” en abstracto, sino de tres factores combinados:

• cómo enmarcas la interacción (rol, objetivo, límites),
• qué contexto proporcionas,
• y cómo filtras luego lo que recibes.

Un modelo puede sonar incisivo y, aun así, estar generando hipótesis irrelevantes. O puede formular objeciones convincentes basadas en un malentendido del contexto. La incomodidad productiva no consiste en recibir críticas, sino en distinguir qué críticas tienen fundamento, cuáles son operativas y cuáles deben descartarse.

La incomodidad productiva consiste en discriminar qué críticas merecen trabajo y cuáles son solo ruido generativo.

La IA como comunicador, con límites claros

El libro también propone usar la IA para depurar mensajes complejos. Un modelo sin experiencia directa en tu dominio puede, aun así, ayudarte a clarificar una explicación, reorganizar argumentos o ajustar el tono para audiencias distintas.

Ese valor tiene, sin embargo, una limitación estructural, el modelo puede resumir con gran claridad algo que no entiende en profundidad. Esa claridad artificial, si no se revisa, puede generar una falsa sensación de precisión.

Esa claridad artificial puede generar una falsa sensación de precisión.

Cuando la IA reformula contenido para equipos que no están en el detalle técnico, su utilidad está en obligarte a priorizar: qué es esencial, qué sobra y qué requiere una explicación mejor. A veces esa síntesis te devuelve conexiones que tú mismo no habías articulado con nitidez. Pero ese beneficio convive con un riesgo evidente. La simplificación puede borrar matices importantes, suavizar riesgos críticos o presentar como “resuelto” un problema que sigue siendo ambiguo.

La IA no distingue, por sí sola, lo crítico de lo accesorio. Solo puede aproximarse a partir de patrones lingüísticos y del énfasis que tú le marques. La responsabilidad de decidir qué matices no se pueden sacrificar sigue siendo tuya.

La responsabilidad de decidir qué matices no se pueden sacrificar sigue siendo tuya.

Lo que el libro no aborda (y por qué importa)

El planteamiento del libro es interesante, pero se queda corto. No aborda un aspecto que sería clave para reforzar su tesis: por qué un modelo tiende a evitar la contradicción directa y qué implica eso cuando intentas usarlo para pensar mejor. Entender ese comportamiento sería esencial para diseñar estrategias que lo compensen y para no interpretar como acuerdo lo que, muchas veces, es simplemente aversión al conflicto.

Hay motivos conocidos detrás de esta tendencia. El entrenamiento desincentiva el conflicto abierto y favorece respuestas seguras. Las capas de seguridad reducen la posibilidad de posturas duras. El mecanismo de generación prioriza lo verosímil más que lo exacto. Y la arquitectura del modelo tiene límites claros a la hora de comprender en profundidad un contexto organizativo.

Conviene aclarar dos cosas. La primera es que estas dinámicas no significan que el modelo “confirme” de forma activa lo que dices. A menudo producen neutralidad, prudencia o críticas tan abstractas que apenas generan fricción. La segunda es que este comportamiento no es uniforme. Depende del modelo, del proveedor y de cómo lo utilices, así que asumir que toda IA actúa igual conduce a lecturas equivocadas.

El libro tampoco entra en un elemento decisivo para cualquier análisis: la vida interna de una organización. Un modelo no ve ritmos, tensiones, dinámicas de poder ni inercias culturales. Solo puede inferirlas a partir del contexto que tú proporcionas. Y ese contexto casi siempre llega incompleto, parcial o condicionado, de modo que cualquier recomendación basada únicamente en lo que produce el modelo nace limitada.

La cuestión de fondo es cómo introducir ese contexto de forma que realmente mejore el análisis, sin dar por hecho que basta con describir una organización para que la IA llegue a comprenderla. En la práctica, construir soluciones útiles exige incorporar tres prácticas concretas:

Contextualizar de forma explícita y operativa - No basta con describir la organización. Hay que proporcionar al modelo información que tenga consecuencias prácticas: quién decide, dónde están las dependencias reales, qué tensiones existen, qué fricciones son habituales y qué objetivos compiten entre sí. Sin esa capa, el análisis del modelo se queda en generalidades.

Contrastar sistemáticamente las salidas del modelo - La respuesta inicial nunca debe tomarse como conclusión. Hay que ponerla a prueba con datos, documentos, ejemplos concretos y la experiencia de quienes conocen el terreno. Este contraste permite detectar lagunas, matizar supuestos y evitar recomendaciones que suenan convincentes pero no encajan con la realidad.

Integrar la IA en un ciclo deliberativo, no en un flujo automático - El valor no está en obtener respuestas “correctas”, sino en usarlas para pensar mejor. Eso implica iterar: reformular preguntas, introducir matices, pedir contraargumentos y explorar escenarios alternativos. El modelo funciona como un catalizador de análisis, no como un sustituto del criterio.

Trabajar así no convierte al modelo en un experto externo ni en un sustituto del juicio humano. Lo convierte en un interlocutor útil. La diferencia es fundamental. Cuando la IA se integra en un ciclo deliberativo bien diseñado, su valor no depende de “acertar”, sino de ampliar el espacio de análisis, revelar ángulos que no estabas considerando y forzarte a explicitar tus supuestos. No se trata de confiar más en la IA, sino de crear las condiciones para pensar mejor con ella.

Costes, riesgos y límites del modo adversarial

Idealizar el “modo adversarial” también tiene sus riesgos. Algunos de ellos apenas aparecen en el libro y conviene explicitarlos:

Coste cognitivo y de tiempo - Mantener a la IA como auditor externo de forma sistemática puede ser inviable en decisiones cotidianas. No todo merece una sesión de objeciones exhaustivas: podrías paralizar procesos que necesitan rapidez.

Ruido disfrazado de lucidez - Un modelo instruido para ser adversarial puede generar escenarios catastróficos improbables, sobre-detectar riesgos menores o cuestionar supuestos razonables solo por cumplir su rol. Esa “hipervigilancia” puede distraer de los problemas relevantes.

Sesgos reforzados, no corregidos - Si quien tiene la última palabra utiliza la IA solo para legitimar decisiones ya tomadas, la insistencia en “tu criterio es lo que manda” puede reforzar sesgos de autoridad. La fricción que aporta el modelo se usa como barniz, no como contraste real.

Reconocer estos límites no invalida el uso adversarial. Simplemente lo sitúa donde pertenece, una herramienta más en un ecosistema de mecanismos de contraste que incluye revisión por pares, comités de riesgo, auditorías externas y, sobre todo, conversaciones humanas difíciles.

Un uso más honesto y menos ingenuo

La IA puede ser un socio valioso, pero no solo por lo que automatiza ni solo por lo que incomoda. Su aportación real aparece cuando se combinan tres condiciones:

Pedir explícitamente un rol crítico - Los modelos conversacionales tienden a la cooperación segura. Si no defines el rol, tenderán a confirmar tu razonamiento o a criticarlo de forma inofensiva. Instrucciones directas (“actúa como auditor externo”, “detecta contradicciones”, “señala riesgos no identificados”) abren la puerta a un análisis distinto.

Validar lo que dice con mecanismos algo más rigurosos que “me encaja/no me encaja” - La IA formula críticas con seguridad incluso cuando interpreta mal un contexto o exagera problemas menores. El valor no está en la crítica literal, sino en lo que te obliga a revisar. Esa validación puede incluir contrastar con datos, pedir una segunda opinión (humana o de otro modelo) o someter las objeciones a una revisión por pares dentro del equipo.

Aceptar que no toda la incomodidad es insight y que el modelo tiene límites estructurales - Parte de la incomodidad será simplemente ruido: hipótesis poco probables, malentendidos, repeticiones. Además, hay ámbitos donde el modelo, por capacidad o por guardrails, no va a ir mucho más allá de lugares comunes, por más contexto y prompts que le des. Tu trabajo no es acatar ni descartar por reflejo, sino clasificar: qué merece trabajo adicional, qué se descarta y qué se aparca a la espera de más información.

Antes de cualquier decisión relevante, una instrucción simple puede elevar la calidad del análisis sin convertir a la IA en juez final:

“Desafía mi planteamiento como si fueras un auditor externo con interés en demostrar que estoy equivocado. Luego clasifica tus objeciones según su solidez y probabilidad.”

Si la respuesta solo trae elogios o críticas superficiales, puede que el problema esté en el prompt, en el planteamiento, en el nivel de contexto o, simplemente, en las limitaciones del modelo para ese tipo de análisis. No conviene eximir a la IA de sus límites, ni cargar siempre la responsabilidad en el usuario.

Pensar con IA no es pensar más rápido. Tampoco es pensar mejor por defecto. Es introducir un interlocutor adicional que amplifica tanto tus aciertos como tus sesgos. Puede sonar convincente al decir algo correcto… o al decir algo equivocado. Tu tarea es distinguir lo uno de lo otro.

La incomodidad no es un efecto secundario. Es el mecanismo que convierte a la IA en un interlocutor crítico, siempre que renuncies a su versión amable y mantengas intacto lo único que no puede automatizar: tu criterio.