La nueva racionalidad limitada: por qué más IA no significa mejor gestión
Mucho antes de que la inteligencia artificial entrara en la agenda de los consejos de administración, Herbert A. Simon ya veía a las computadoras como instrumentos para comprender y ampliar la inteligencia humana. Economista, psicólogo, politólogo y uno de los pioneros de la IA, Simon recibió el Premio Nobel de Economía en 1978 por una idea aparentemente simple, pero revolucionaria: los seres humanos no deciden como agentes perfectamente racionales.
Decidimos con información incompleta, tiempo escaso y una capacidad limitada para procesar todo lo que está en juego. No vemos todas las alternativas, no calculamos todas las consecuencias y rara vez elegimos la mejor solución posible. En la práctica, buscamos una respuesta suficientemente buena para actuar.
Simon llamó a esta condición “racionalidad limitada”. La expresión es precisa porque no niega la razón humana; solo la vuelve a situar en el mundo real. La racionalidad existe, pero opera bajo restricciones: depende de la calidad de la información disponible, de la presión del tiempo, de la complejidad del entorno y de la capacidad de juicio de quien decide.
Este concepto, formulado en el siglo pasado, quizás nunca haya sido tan actual. La inteligencia artificial parece, a primera vista, la respuesta tecnológica más poderosa al problema descrito por Simon. Si nuestra racionalidad está limitada por información insuficiente, capacidad de procesamiento y tiempo, la IA promete expandir justamente esas fronteras. Procesa más datos, compara más alternativas, calcula con mayor velocidad, reconoce patrones invisibles a la mirada humana y simula escenarios a una escala inédita. En teoría, la IA puede hacer que nuestra racionalidad sea un poco menos limitada.
La ironía, sin embargo, es que, al ampliar nuestra capacidad de decidir, también puede reducir nuestra habilidad para comprender. Cuanto más delegamos en la máquina la formulación de respuestas, mayor es el riesgo de perder la disciplina para formular buenas preguntas. Nuestra racionalidad ya no está limitada solo por la escasez de datos o por la lentitud del cálculo. Pasa a estar limitada también por la dependencia, por la opacidad de sistemas que hacen recomendaciones sin explicitar claramente sus criterios y por la distancia entre quien decide y la realidad concreta del trabajo.
Este es un punto crítico para la gestión. La IA puede identificar patrones en volúmenes de datos que escapan a la percepción humana, prever oscilaciones de la demanda, anticipar cuellos de botella, reducir la variabilidad, apoyar simulaciones y acelerar análisis. Puede ayudar a las empresas a reaccionar mejor a los cambios del mercado, ajustar recursos con más precisión, interpretar señales de cambio todavía discretas y mejorar las decisiones. En entornos complejos, puede dar más fluidez al trabajo y más consistencia a la ejecución.
Todo esto es valioso. Sin embargo, nada de esto significa automáticamente una mejor gestión. Cuando se aplica a procesos mal diseñados, la IA no elimina desperdicios; solo los perpetúa y acelera. Cuando se superpone a flujos confusos, metas contradictorias, indicadores irrelevantes o rutinas meramente burocráticas, la tecnología tiende a sofisticar el problema en lugar de resolverlo. El resultado puede parecer más moderno, pero sigue siendo desperdicio. Solo que ahora con una interfaz bonita, un panel en tiempo real y una recomendación algorítmica.
Es aquí donde el pensamiento lean adquiere una nueva relevancia.
Lean no es solo un repertorio de herramientas para ganar eficiencia. Es una disciplina de gestión y aprendizaje. Su fuerza está en acercar la decisión a la realidad. Antes de automatizar, es necesario entender el flujo de valor. Antes de optimizar, es necesario saber qué es valor para el cliente. Antes de confiar en un modelo, es necesario observar cómo ocurre realmente el trabajo.
En la práctica, esto significa ir al gemba, el lugar real donde se crea el valor y aparecen los problemas. Significa ver con los propios ojos, comprender los hechos en su contexto, escuchar a las personas involucradas y distinguir síntomas de causas. Esto requiere el uso del PDCA, del Pensamiento A3, de la gestión visual, del trabajo estandarizado y del kaizen. No como rituales administrativos, sino como mecanismos para pensar mejor.
Si Simon nos enseñó que la racionalidad humana es limitada, la gestión lean ofrece una respuesta práctica a esa condición. Transforma la decisión en aprendizaje: hace visibles los problemas, organiza hipótesis, prueba soluciones, incorpora la experiencia y desarrolla a las personas en el proceso. Es, en esencia, una arquitectura de racionalidad colectiva.
La IA puede fortalecer esta arquitectura. Al cruzar información de demanda, capacidad, calidad, costo y entrega, ayuda a detectar anomalías antes de que se conviertan en fallas, anticipar riesgos, reducir la variabilidad, sintetizar conocimiento técnico y acelerar los ciclos de análisis. Bien utilizada, amplía la capacidad de la organización para percibir desviaciones, formular hipótesis y actuar con más precisión.
No obstante, el beneficio solo aparece cuando la tecnología se convierte en acción práctica en el trabajo real. Si la IA solo produce informes complejos que pocos entienden o recomendaciones que nadie logra probar, se transforma en una capa más de desperdicio: más procesamiento, más ruido y poco cambio concreto. Para crear valor, la inteligencia debe simplificar el trabajo, no volverlo más nebuloso.
Este es uno de los grandes riesgos de la era de la IA: confundir más información con más comprensión. Las empresas pueden rodearse de métricas, alertas, previsiones y paneles y, aun así, seguir sin ver lo esencial. La abundancia de datos crea una especie de niebla digital. El gestor siente que sabe más, pero comprende menos. El trabajo parece transparente; la realidad, sin embargo, queda más lejos.
La lógica lean ofrece un antídoto contra esta abstracción. Disciplina a la organización para hacer preguntas simples y difíciles: ¿el problema está bien definido? ¿La causa se verificó en el trabajo real? ¿Se probó la hipótesis? ¿La solución redujo el desperdicio o solo desplazó el problema? ¿Las personas comprendieron lo que cambió? ¿El aprendizaje se incorporó a la rutina? Estas preguntas siguen siendo indispensables, incluso cuando la recomendación proviene de un algoritmo sofisticado.
Existe también el problema de las cajas negras. Muchos sistemas de IA generan previsiones, clasificaciones y recomendaciones sin explicar de manera suficiente cómo llegaron a ese resultado. En una organización, esto puede debilitar el respeto por las personas, no en el plano retórico, sino en el concreto, al reducir la capacidad de los individuos para comprender, cuestionar y mejorar su propio trabajo.
Respetar a las personas no significa solo mantener relaciones cordiales, sino crear condiciones para que comprendan el trabajo, participen en la mejora, ejerzan su juicio y desarrollen autonomía. Cuando un profesional no entiende la lógica detrás de una recomendación, pierde parte de su capacidad para intervenir, aprender y corregir el rumbo cuando algo sale mal. La decisión se desplaza a un sistema que pocos comprenden y muchos solo ejecutan. Este es un riesgo de gestión, no solo tecnológico.
En la gestión lean, la buena automatización siempre ha estado ligada al concepto de jidoka, frecuentemente traducido como automatización con inteligencia humana. La idea no es construir sistemas que sigan operando a pesar de los problemas, sino mecanismos capaces de detectar anormalidades, interrumpir el flujo cuando sea necesario y convocar el juicio humano para resolver la causa. La máquina debe elevar la capacidad de las personas, no alejarlas del proceso de aprendizaje.
Esta distinción será cada vez más importante. La IA puede apoyar decisiones, pero no asumir la responsabilidad por ellas. Puede sugerir caminos, pero no definir por sí sola los fines. Puede acelerar análisis, pero no prescindir de la observación. Puede ampliar la capacidad cognitiva, pero no sustituir la sabiduría práctica formada en el contacto directo con el trabajo.
Muchos sistemas de IA tienden a reproducir patrones presentes en los datos históricos. Si estos provienen de procesos ineficientes, culturas basadas en el mando y control, decisiones sesgadas o rutinas mal diseñadas, el algoritmo puede perpetuar el pasado con apariencia de futuro. La sofisticación estadística no garantiza el progreso gerencial; a veces, solo hace más convincente el statu quo.
Por eso, la pregunta estratégica no es: “¿Dónde podemos aplicar IA?”. Ese cuestionamiento suele llegar demasiado pronto. La cuestión decisiva es: “¿Qué capacidad humana y organizacional queremos ampliar?”. ¿Necesitamos decidir mejor? ¿Aprender más rápido? ¿Reducir desperdicios? ¿Mejorar el flujo de valor? ¿Aumentar la seguridad? ¿Desarrollar a las personas? ¿Acercar el liderazgo al trabajo real? ¿Crear más valor para el cliente? Sin esa claridad, la IA se convierte en una solución en busca de un problema. Y las soluciones en busca de problemas rara vez producen una buena gestión.
La relación más fértil entre la IA y la gestión lean está exactamente en este punto. La IA amplía la capacidad de procesamiento, mientras que la gestión lean protege la capacidad de aprender. Una ayuda a ver patrones; la otra exige verificar la realidad. Una acelera el análisis; la otra disciplina la acción. Una puede producir mejores respuestas; la otra ayuda a formular preguntas mejor planteadas.
Esta combinación es poderosa porque evita dos errores simétricos. El primero es rechazar la IA como amenaza al juicio humano. Sería miopía: la tecnología tiene un potencial real para ampliar la capacidad de las personas y las organizaciones para lidiar con la complejidad. El segundo es tratar la IA como sustituta del pensamiento gerencial. Sería ingenuidad: la calidad de la decisión sigue dependiendo de la formulación del problema, de la calidad de los datos, de la comprensión del contexto, de la claridad de los objetivos y de la responsabilidad de quien decide.
Simon probablemente vería la IA moderna con fascinación. Al fin y al cabo, fue uno de los primeros en imaginar máquinas capaces de realizar tareas antes asociadas a la inteligencia humana. Pero quizás nos recordaría algo incómodo: más poder computacional no significa racionalidad ilimitada. Toda inteligencia, humana o artificial, sigue operando dentro de límites.
El desafío de las empresas es diseñar sistemas de gestión en los que la IA amplíe la inteligencia humana, en lugar de tercerizarla. Es usar algoritmos para fortalecer la observación, la experimentación, el aprendizaje y la mejora continua. Es garantizar que la tecnología no aleje a los líderes de la realidad del trabajo, sino que los ayude a verla mejor.
La IA puede hacer que nuestra racionalidad sea menos limitada, pero sin una disciplina de gestión, puede volverla solo más dependiente. Al final, la cuestión no es si la máquina piensa. Es si nosotros, con ella, pasamos a pensar mejor.
