Solemos leer la historia como una advertencia contra el uso imprudente de fuerzas que no comprendemos. Pero encierra otra intuición: podemos aprender a delegar una tarea antes de entender qué significa perder el control sobre ella.
La Inteligencia Artificial (IA) está trasladando esa paradoja al terreno de las decisiones. Ya no se limita a ejecutar operaciones repetitivas; participa en la evaluación de riesgos, la selección de candidatos, la asignación de recursos y la formulación de estrategias. En las siguientes líneas analizaremos los beneficios económicos de esa delegación, sus costos menos visibles y el riesgo de que las organizaciones pierdan capacidades que necesitarán precisamente cuando la tecnología falle.
La especialización ha sido uno de los motores de la productividad. Adam Smith explicó las ventajas de dividir el trabajo, mientras que Ronald Coase examinó por qué algunas actividades se realizan dentro de la empresa y otras se contratan fuera. En ambos casos importa quién hace el trabajo y cuánto cuesta coordinarlo.
La IA introduce una distinción adicional. Automatizar consiste en transferir la ejecución de una tarea y delegar supone ceder también cierto margen para decidir cómo realizarla. Un sistema que clasifica documentos sigue instrucciones relativamente acotadas y otro que recomienda aprobar un crédito o modificar precios interviene en el juicio que precede a la acción. No se trata de grados equivalentes de autonomía ni deberían gobernarse como si lo fueran.
Las ventajas son reales. Los algoritmos procesan información a una escala imposible para un equipo humano, aplican criterios consistentes y pueden reducir errores. Una institución financiera que recibe miles de solicitudes de crédito obtiene respuestas más rápidas y amplía sus operaciones sin aumentar proporcionalmente su plantilla. Los ahorros aparecen en presupuestos, indicadores de productividad y modelos de retorno sobre inversión.
Lo que casi nunca figura en esos cálculos es el efecto sobre quienes antes tomaban las decisiones. La discusión suele centrarse en los puestos que podrían desaparecer, pero hay una pérdida menos evidente: las oportunidades de aprender haciendo. Una empresa puede ahorrar horas de análisis y, al mismo tiempo, dejar de formar a los profesionales que algún día deberán cuestionar al sistema.
Buena parte del conocimiento profesional se adquiere enfrentando problemas reales. Un analista financiero joven aprende al conciliar cuentas, investigar diferencias y descubrir por qué un saldo no coincide; son tareas tediosas y automatizables, pero enseñan a reconocer anomalías. Esa intuición contable suele resultar decisiva años después, cuando aparece una operación que no encaja en ningún procedimiento conocido.
Si la IA resuelve siempre los casos sencillos, ¿dónde aprenderán los nuevos especialistas a resolver los difíciles? La pregunta no implica defender procesos ineficientes por nostalgia, sino que obliga a reconocer que el capital humano necesita práctica y que la productividad de hoy puede obtenerse, en parte, a costa de capacidades futuras. Un ahorro operativo no equivale necesariamente a una ganancia económica completa.
Cuanto mejor funciona un sistema, menos necesita que intervengamos; sin embargo, esa falta de práctica puede deteriorar nuestra capacidad de actuar cuando surge una excepción. En entornos de automatización avanzada se conoce el problema de mantener a los operadores preparados para situaciones poco frecuentes y complejas.
Algo semejante puede suceder en una empresa. Durante años, un equipo revisa resultados algorítmicos sin reconstruir los análisis que los originan. Todo marcha bien hasta que cambia el entorno económico, aparece un sesgo o falla una fuente de datos; entonces se descubre que supervisar no es lo mismo que comprender. La eficiencia cotidiana puede haber aumentado mientras la resiliencia institucional se debilitaba.
La teoría del principal-agente también ofrece una advertencia. Aunque un algoritmo no es un agente humano con intereses propios, sus decisiones responden a objetivos, datos y restricciones definidos por otros. Si se le pide maximizar la rentabilidad sin considerar adecuadamente el riesgo reputacional o las consecuencias de largo plazo, puede producir una recomendación impecable según la métrica, pero perjudicial para la empresa.
Un problema anterior a la IA es que los indicadores pueden sustituir a los fines que pretendían representar; la diferencia es la velocidad y la escala con que ahora pueden aplicarse. Por ello, no basta con comprobar que el modelo acierta con frecuencia, sino que debemos saber qué optimiza, qué dejó fuera y quién puede corregirlo.
Imaginemos una compañía que automatiza casi toda su planeación financiera; reduce costos y obtiene pronósticos razonables durante varios ejercicios; pero luego, ocurre un cambio abrupto en el mercado. Necesita revisar los supuestos; sin embargo, el conocimiento operativo está concentrado en una plataforma externa y pocos empleados pueden reconstruir el modelo. La dependencia no aparecía como costo en la evaluación inicial.
Las empresas mantienen reservas de liquidez, planes de continuidad y sistemas de respaldo porque saben que la eficiencia máxima no siempre equivale a seguridad; quizá debamos pensar de manera semejante en el conocimiento. Conservar ciertas capacidades internas puede parecer redundante hasta el día en que se vuelven indispensables. No toda duplicación es desperdicio; a veces, es una forma de aseguramiento.
La respuesta no es rechazar la automatización. Sería absurdo desaprovechar herramientas que mejoran decisiones y liberan tiempo para actividades de mayor valor. El reto es decidir qué delegar, bajo qué límites y cómo conservar la capacidad de intervenir; esto exige algo más que colocar a una persona al final del proceso para aprobar resultados.
La supervisión debe ser sustantiva: entender supuestos, poder disentir y saber detener el sistema; asimismo, obliga a revisar la formación profesional. Si las máquinas ejecutan las tareas elementales, habrá que crear oportunidades deliberadas para que los jóvenes adquieran la experiencia que antes obtenían haciéndolas.
En el poema de Goethe, el aprendiz intenta destruir la escoba, pero solo multiplica el desastre; el maestro regresa, pronuncia las palabras adecuadas y recupera el control. La diferencia entre ambos no era la capacidad de poner en marcha el hechizo, sino el conocimiento necesario para gobernarlo.
Con la IA podemos multiplicar nuestra capacidad de analizar y decidir. La tentación de delegar será enorme, sobre todo cuando los resultados parezcan buenos y los ahorros sean inmediatos; no obstante, la pérdida gradual de criterio difícilmente aparecerá en un estado de resultados, sino que se hará visible cuando necesitemos intervenir y descubramos que ya no sabemos cómo.
Quizá el desafío no sea cuánto trabajo estamos dispuestos a entregar a las máquinas, sino cuánto conocimiento debemos conservar para seguir respondiendo por sus decisiones. El riesgo no es que aprendan a decidir por nosotros, sino que terminemos olvidando cómo hacerlo.
Las entrevistas inteligentes combinan IA, análisis vocal y contexto para transformar conversaciones laborales en información útil para decidir mejor.
Nissim Heffes Antar
La gobernanza de la IA no frena la innovación: permite que las organizaciones adopten tecnología con controles, trazabilidad, supervisión y responsabilidad.
Jorge Alfredo Fernández Limón
El desarrollo acelerado de la IA eleva la demanda de energía, semiconductores y materias primas, generando presiones sobre costos y cadenas de suministro.
Salvador Rivas Aceves
La IA reduce el costo de generar respuestas y alternativas, pero aumenta la necesidad de juzgar supuestos, detectar errores y reconocer límites con criterio.
Christian Vázquez Sánchez
© 2026 Colegio de la Contaduría Pública de México, A.C.
Directorio Contacto Aviso legal Acerca de Veritas