¿Cómo responden los responsables de tomar decisiones al consejo positivo frente al negativo de la inteligencia artificial?

Host: Bienvenidos a A.I.S. Insights — powered by Living Knowledge. Soy Anna Ivy Summers y hoy analizamos un estudio titulado "Aversión asimétrica a los algoritmos", desarrollado por los investigadores Saunak Basu, Alan Dennis, Aravinda Garimella y Wencui Han, publicado en Information Systems Research en 2026. Me acompaña nuestro analista, Alex Ian Sutherland. Alex, este estudio explora cómo las personas integran recomendaciones de inteligencia artificial al evaluar proyectos de ofertas iniciales de monedas, o ICOs, en el sector fintech.
Expert: Así es, Anna. El estudio examina específicamente cómo varía la confianza humana cuando un sistema de inteligencia artificial emite una recomendación positiva frente a una negativa, y cómo esa respuesta depende del tipo de conocimiento necesario para tomar la decisión.
Host: Para poner esto en contexto, Alex, ¿cuál es el problema central que aborda la investigación?
Expert: En la literatura sobre adopción tecnológica, la aversión a los algoritmos se ha estudiado tradicionalmente en función de las características del usuario o del tipo de tarea. Sin embargo, se pasaba por alto el sentido de la recomendación misma. En finanzas e inversiones, evaluar un proyecto requiere conocimiento explícito, como datos financieros codificables, pero también conocimiento tácito, como la dinámica de un equipo o sutilezas del mercado. Los profesionales suelen dudar de que los modelos algorítmicos puedan interpretar información tácita. El estudio aborda esa brecha: qué sucede cuando el consejo algorítmico es favorable o desfavorable para una misma tarea.
Host: ¿Cómo estructuraron los autores su metodología para medir esta interacción?
Expert: El equipo utilizó un diseño metodológico combinado. Llevaron a cabo dos experimentos controlados aleatorizados, un estudio de campo y una serie de entrevistas cualitativas dentro del ecosistema de evaluación de ICOs. Este enfoque permitió comparar el comportamiento de evaluadores humanos expuestos a recomendaciones algorítmicas positivas versus negativas, manteniendo constantes otros factores de la tarea.
Host: Pasemos a los resultados del estudio. ¿Qué observaron concretamente los investigadores?
Expert: El hallazgo principal es la existencia de una aversión asimétrica a los algoritmos. Cuando los evaluadores humanos recibieron consejos negativos de la inteligencia artificial, redujeron de forma estadísticamente significativa sus calificaciones sobre los proyectos. En cambio, cuando el sistema ofreció consejos positivos, los evaluadores tendieron a ignorar la recomendación o a mantener sus valoraciones previas sin cambios sustanciales.
Host: ¿Por qué ocurre esta diferencia tan marcada entre un consejo positivo y uno negativo?
Expert: Los autores explican esto mediante dos lógicas de decisión distintas. El descarte o consejo negativo opera bajo una lógica disyuntiva. Esto significa que una sola señal de alerta explícita, como un error en el código o inconsistencias financieras, basta para rechazar una propuesta. Los profesionales confían en que la inteligencia artificial detecta con precisión estos datos explícitos.
Host: ¿Y qué sucede en el caso de las recomendaciones positivas?
Expert: La aprobación sigue una lógica conjuntiva. Para que un proyecto sea viable, necesita tanto fortalezas explícitas como cualidades tácitas, como liderazgo sólido y adaptabilidad. Dado que los evaluadores humanos asumen que la inteligencia artificial no puede verificar esos componentes tácitos, una recomendación positiva no genera aceptación automática, sino que motiva una revisión humana independiente más exhaustiva.
Host: Este punto es crucial para la gestión empresarial. Alex, ¿cuáles son las implicaciones prácticas para las organizaciones que implementan herramientas de inteligencia artificial?
Expert: La principal conclusión aplicada es que los diseñadores de procesos no deben asumir que las recomendaciones algorítmicas tendrán un impacto simétrico. La inteligencia artificial resulta altamente eficaz como filtro preliminar de exclusión, descartando opciones inviables mediante reglas explícitas, ya que los analistas aceptan esas alertas con facilidad. Por el contrario, cuando el sistema genera una señal positiva, las empresas deben estructurar flujos de trabajo que asignen tiempo para que los expertos humanos verifiquen los factores tácitos, en lugar de esperar una adopción directa de la sugerencia algorítmica.
Host: En resumen, la confianza en las herramientas algorítmicas no es uniforme: depende de si la decisión requiere confirmar ausencias explícitas o validar condiciones tácitas complejas. Muchas gracias por tu análisis, Alex, y gracias a nuestra audiencia por acompañarnos en A.I.S. Insights — powered by Living Knowledge. Hasta la próxima entrega.