En resumen
Cuando las recomendaciones de IA discrepen, primero examine los supuestos y objetivos que hay detrás de ellas. La pregunta útil no es qué respuesta parece más segura, sino qué razonamiento se ajusta a la decisión, supera una verificación de evidencia y reconoce los compromisos que la persona responsable debe aceptar.
Reformule la decisión y el objetivo.
Una recomendación para reducir costos y una recomendación para mejorar el servicio al cliente pueden ser ambas internamente coherentes. No están respondiendo a la misma pregunta si una optimiza el gasto de este mes y la otra optimiza la retención durante un año. Establezca el horizonte temporal, las restricciones y los criterios de éxito antes de comparar las conclusiones.
Cree una tabla de desacuerdos.
Use una fila para cada opción y columnas para beneficio esperado, evidencia que la respalda, hipótesis clave, inconveniente e información faltante. Copie el razonamiento con precisión en lugar de reescribirlo para favorecer su respuesta preferida. Etiquete las afirmaciones especulativas. La tabla debe hacer visible el origen del desacuerdo, no fabricar una puntuación numérica que implique una precisión que la evidencia no puede respaldar.
Separe las disputas de hechos de las elecciones de valor.
Un desacuerdo sobre la deserción actual de clientes puede investigarse utilizando los registros comerciales. Un desacuerdo sobre cuánto margen a corto plazo sacrificar para lograr una mejor experiencia del cliente requiere una decisión humana de prioridades. Pida a los agentes que identifiquen qué afirmaciones pueden verificarse y qué concesiones siguen vigentes aunque todos los participantes acepten los mismos hechos.
Más sobre Decision Science — cada semana.
Únete a más de 2,400 líderes que reciben el briefing de inteligencia para la toma de decisiones.
Ponga a prueba la suposición que podría cambiar el resultado.
En una discusión hipotética sobre precios, una recomendación podría asumir que los clientes son muy sensibles al precio, mientras que otra asume que la fiabilidad impulsa la renovación. Revise entrevistas, motivos de renovación o un experimento cuidadosamente delimitado antes de dar por establecida cualquiera de las dos suposiciones. No pregunte repetidamente al mismo modelo hasta que produzca la respuesta que quería; la repetición no es una validación independiente.
Mantenga una minoría creíble.
Si una opción prevalece, conserve la objeción más sólida y las condiciones bajo las cuales la alternativa rechazada pasaría a ser preferible. Un argumento minoritario puede volverse importante cuando llega nueva evidencia. El acuerdo entre agentes es útil como resumen de una discusión, pero no es prueba de exactitud, independencia ni ausencia de sesgos compartidos del modelo.
Decida, posponga o realice una prueba acotada.
La persona responsable puede elegir una opción con una compensación documentada, aplazarla mientras recopila un dato faltante decisivo o autorizar un experimento reversible. Registre el motivo y un disparador de revisión. Para decisiones que afecten la seguridad, las obligaciones legales o una exposición financiera significativa, obtenga una revisión cualificada en lugar de usar el consenso de la IA como sustituto de la experiencia.
Contexto de investigación
En una encuesta de McKinsey, el 72% de los altos ejecutivos dijo que las malas decisiones estratégicas eran tan frecuentes como las buenas o eran la norma predominante.
McKinsey & Company: Desenredando la toma de decisiones de tu organización (2017)Esta estadística publicada de forma independiente aporta contexto al tema; no respalda todas las afirmaciones de este ensayo.
Más sobre Decision Science, cada semana.
Un ensayo. Cada semana. Sin ruido.