Desde vuelos espaciales hasta la gestión de cadenas de suministro, la tecnología ha sido fundamental para la resolución de decisiones complejas. Sin embargo, la interacción con estos sistemas ha evolucionado: ya no sólo introducimos datos y analizamos respuestas, sino que esperamos que las máquinas interpreten la información y actúen de forma automática.
¿Cómo afecta esto a la toma de decisiones? ¿Quién se responsabiliza de esas decisiones automatizadas? El panorama actual genera interrogantes sobre nuestra capacidad para supervisar los procesos y mantener el control. Para profundizar en este tema, Enterprise Times habló con Fred Laluyaux, CEO de Aera Technology, una empresa pionera en la aplicación de inteligencia artificial para decisiones empresariales.
Laluyaux sostiene que el verdadero desafío no es sólo automatizar, sino qué tipo de decisiones se están automatizando. Hasta ahora, se habían automatizado decisiones «de alto volumen y complejidad media», aquellas que pueden describirse mediante reglas fijas: por ejemplo, qué hacer ante un riesgo de falta de stock que afectaría la entrega al cliente. Estas decisiones son deterministas y eliminan la repetición en tareas diarias, liberando a las personas para tareas de mayor valor. 
El siguiente paso es abordar decisiones situacionales, que no pueden predefinirse y requieren un razonamiento genuino debido a la multiplicidad de resultados posibles, lo que hace muy difícil codificarlas o desarrollarlas con reglas tradicionales.
El papel de la inteligencia artificial agentiva
Aquí es donde entra la inteligencia artificial agentiva, un modelo en el que Aera Technology ha centrado su desarrollo. Sin embargo, esta tecnología puede presentar problemas, como la generación de respuestas incorrectas («alucinaciones») cuando trabaja con datos demasiado extensos o decisiones excesivamente complejas.
Para superar esto, Aera ha optado por crear agentes especializados en tareas concretas que no actúan de forma aislada, sino como parte de un equipo con límites deterministas. Cuando un agente se desvía, el sistema lanza una alerta y permite la intervención humana, combinando lógica agentiva y determinista dentro del mismo flujo de trabajo.
Desde una perspectiva económica, estos agentes son útiles para la exploración y validación de decisiones, pero una vez confirmadas, Aera las convierte en software tradicional para evitar el elevado coste de ejecutar modelos AI de manera continua, un problema conocido como «quema de tokens».
Laluyaux destaca que esta estrategia diferencia a Aera de competidores que apuestan por un enfoque 100% agentivo, que presentan dificultades para garantizar confiabilidad y control, especialmente en entornos empresariales complejos.
Control y crítica frente a la automatización total
Confíar completamente en que el sistema haga todo el razonamiento puede acelerar procesos, pero aumenta la necesidad de una buena gobernanza y controles rigurosos. Es fundamental plantear las preguntas adecuadas, construir indicaciones claras y cuestionar constantemente los resultados generados.
Laluyaux advierte que muchos profesionales entregan su juicio crítico a chatbots, lo que puede conducir a una dependencia excesiva de las máquinas. «Me frustra ver cómo personas capacitadas abandonan su criterio por confiar ciegamente en la tecnología», comenta.
Este cuestionamiento permanente aporta beneficios, ya que permite que el sistema se ajuste y aprenda qué se espera, como por ejemplo, evidenciar ciertas decisiones, evitar respuestas agregadas y aplicar procesos o bases de datos específicos.
Una ventaja destacada de la inteligencia artificial agentiva es el pronóstico de múltiples escenarios simultáneos, integrando diferentes motores de predicción según el problema, algo que los sistemas tradicionales no han logrado.
De un enfoque basado en datos a uno centrado en la decisión
La calidad de los datos es clave para los sistemas de toma de decisiones, pero la mayoría de las empresas no los curan adecuadamente, mezclando buenas y malas decisiones en sus conjuntos de datos. Permitir que la inteligencia artificial aprenda de decisiones erróneas o anticuadas no tiene sentido y puede generar resultados poco fiables.
Laluyaux subraya que no es una cuestión sencilla: «Todo comienza por definir qué decisiones queremos digitalizar, y a partir de ahí determinar cómo se toman esas decisiones». Además, apunta a la disparidad regional: en algunas multinacionales, las descripciones de procesos por parte de diferentes filiales son contradictorias, lo que refleja una falta de alineamiento interno.
También critica la popularización de la analítica «self-service», señalando que solo ofrecer acceso generalizado a datos no ha transformado realmente la forma en que las empresas toman decisiones estratégicas.
La metodología correcta debería partir del resultado deseado, definir la decisión, la lógica, los cálculos, los datos y políticas necesarias, y finalmente establecer los sistemas que recibirán el resultado, ya sea un ERP, CRM o herramientas de planificación, cerrando así el ciclo.
Escuchar para mejorar: la interacción como función del producto
El conocimiento sobre los procesos organizativos ha cambiado mucho en cuatro décadas. De procesos documentados y controlados en los 80, hemos avanzado a diseños de procesos accesibles mediante plataformas low-code o no-code que delegan la configuración a usuarios de primera línea.
Aunque estas soluciones ocultan la complejidad del origen de los datos, todavía existe riesgo de que las políticas o flujos no se ejecuten de forma homogénea. Laluyaux reconoce esta dificultad incluso en su propia empresa, mostrando que los procesos pueden derivar en distintas direcciones.
Los sectores objetivo de Aera, como la cadena de suministro, finanzas y gestión de ingresos, suelen apoyarse en sistemas ERP. Según Laluyaux, estas áreas permiten un modelo definido que facilita cerrar el ciclo de decisiones y resultados en el ERP.
Aera está innovando en la extracción automática de políticas a partir de conversaciones con usuarios. Las recomendaciones se envían por inbox con opciones de aceptar, rechazar o modificar, y los usuarios pueden iniciar hilos de texto libre. El sistema analiza estas comunicaciones para identificar políticas implicadas y construir estructuras de decisión revisables.
El desafío de la memoria y el aprendizaje continuo
La disponibilidad de datos impacta en la capacidad de simulación y análisis de la inteligencia artificial agentiva. Anteriormente, la escasez de datos limitaba estas capacidades a soluciones puntuales.
Laluyaux añade que una decisión comprende múltiples componentes: trigger, evento, diversas salidas esperadas que afectan a costes, caja y niveles de servicio. Optimizar solo un aspecto puede perjudicar otro. Extraer patrones útiles requiere aplicar aprendizaje automático a un historial estructurado de decisiones.
La solución propuesta es un camino madurativo que construye una memoria estructurada, mejora umbrales, crea mapas de decisión y utiliza machine learning para detectar patrones que el ser humano no puede calcular. Para ello, recomienda crear centros de excelencia con arquitectos y analistas de decisiones.
No obstante, advierte que la memoria debe ser activa y relevante, y que las recomendaciones sin acción tangible en los sistemas fuente son meros ruidos sin valor. Es vital cerrar el ciclo entre herramienta de decisión y sistemas transaccionales, además de gestionar adecuadamente la actualización o eliminación de memorias antiguas, un reto en el que están trabajando.
Responsabilidad y gobernanza: quién asume el error
Durante décadas, las excusas como «la máquina dice que no» han justificado errores o malas decisiones. Este paradigma debe cambiar, ya que reguladores todavía evitan afrontar claramente la responsabilidad del software y la IA, dejando cláusulas que eximen a vendedores de daños empresariales, y sin un marco claro para tecnologías autónomas como coches sin conductor.
Laluyaux no considera la cuestión en términos absolutos: sus clientes diseñan la propiedad intelectual sobre la plataforma de Aera, definiendo la lógica de las decisiones. Aera aporta las herramientas y soporte, pero la operación es responsabilidad del cliente.
Sin embargo, destaca que la confianza es esencial y pone de ejemplo el progreso de los vehículos autónomos: «Hace diez años nos preocupaba dejar que nuestros hijos condujeran un Waymo. Hoy prefiero que mi hijo de 17 años salga con un Waymo que con un conductor potencialmente cansado tras 24 horas sin descanso».
Por un lado, existe la necesidad imperiosa de gobernanza y entendimiento. Por otro, la industria deberá avanzar hacia modelos claros de responsabilidad y rendición de cuentas legales.
Nueve años de validar un mercado en evolución
Aera acuñó hace casi una década la visión del «empresa autodirigida», más tarde conocida como automatización cognitiva o inteligencia de decisiones. Actualmente, los grandes proveedores de datos hablan del «empresa autónoma», aunque con enfoques muy variados.
Laluyaux califica esta evolución como un instinto de mercado, potenciado por un fuerte empuje en marketing, que crea expectativas y atención sobre la categoría.
La ventaja del pionero se mantiene mientras los competidores mantienen mensajes poco concretos. Conforme otras empresas integran inteligencia de decisiones a sus plataformas preexistentes, la diferenciación se traslada al área de la demostración tangible y casos de éxito.
Interesantemente, Laluyaux también ha evolucionado en su visión personal. Hace diez años pensaba que eliminar la ineficiencia humana en operaciones comerciales reduciría el desperdicio y sería sostenible; hoy, ya aprecia ese impacto y reconoce que además cambia la percepción y valoración del trabajo.
En definitiva, apunta que «estamos en el año cero de entender el impacto real de estas tecnologías». El futuro de la inteligencia de decisiones dependerá de su gobernanza y adopción como infraestructura, frente al riesgo de convertirse en una moda pasajera. Recuerda que si bien en las juntas directivas se oye que la IA sustituirá puestos de trabajo, en realidad reemplazará aplicaciones hechas a medida, y en última instancia, el giro estará en comprender cómo influye en la dirección financiera.
