Decisiones estratégicas con IA: por qué no es un episodio, es una capacidad dinámica

Definición en una frase

Toma de decisiones estratégicas con IA, en la lectura de Karami (2026), no es un episodio del comité ni un copiloto que «responde estrategia». Es una capacidad dinámica organizacional: la firma orquesta de forma continua sensing (detectar e interpretar cambio), seizing (evaluar alternativas y comprometer recursos) y transforming (aprender y reconfigurar rutinas), con inteligencia artificial embebida en esos procesos —no como sustituto del juicio gerencial.

En Advances in Business and Management Research (2026), Meisam Karami (Universiti Teknologi Malaysia) publica un paper conceptual —no una encuesta a gerentes— que integra teoría de decisión estratégica, capacidades dinámicas e investigación sobre IA. Este artículo es divulgación original en español aplicada a TMT, gobernanza y contratación de liderazgo en Chile/LATAM —no una traducción oficial del manuscrito—.

Comparte revista y año con el marco de competitividad que ya traducimos (IA en las empresas: innovación y eficiencia). Allí el hueco era readiness; aquí el hueco es orquestación de la capacidad de decidir.

En síntesis

• Decidir en estrategia deja de ser un acto puntual del CEO: es capacidad renovable.
• Tres microfundaciones con IA: sensing → seizing → transforming.
• El outcome teórico es calidad de decisión (precisión, oportunidad, adaptabilidad, alineamiento), no el EBITDA.
• La incertidumbre ambiental modera el valor de esas capacidades.
• Riesgos reales: automation bias, opacidad del modelo, model drift.
• Implicación gerencial: de «adopción de IA» a orquestación de capacidad + rediseño de roles.

Por qué importa si sientas (o asesoras) un comité

En Chile vemos el mismo patrón que el paper intenta explicar a nivel teórico: dos firmas compran el mismo vendor de analítica o el mismo LLM interno; una mejora el pack del directorio y la otra gana slides. La diferencia rara vez es «mejor algoritmo». Es si sensing, seizing y transforming están acoplados —o si la IA quedó como isla en Operaciones mientras Estrategia sigue en PowerPoint.

Cuatro tensiones que el marco aclara:

1. Episodio vs capacidad — el planning anual no basta cuando el entorno manda flujos de datos y feedback algorítmico continuo.
2. Herramienta vs enabler embebido — la IA no es IT de soporte retrospectivo; introduce predicción, adaptación y aprendizaje en la rutina.
3. Calidad de decisión vs performance — confundirlas lleva a premios y castigos injustos (y a KPIs de vendor engañosos).
4. Heterogeneidad — misma tecnología, resultados distintos → mira orquestación, gobernanza y aprendizaje, no solo el stack.

Si contratas un CEO, CSO o CHRO «con agenda digital» sin auditar cómo orquesta decisión + máquina, importas un vacío. El puente natural es headhunting con evidencia de juicio bajo incertidumbre —no solo un CV con «transformación digital».

Qué propone el paper (método en una tabla)

Limitación honesta: no hay muestra empírica ni betas. El valor es el mapa y el vocabulario compartido para board, TI y Personas. Las proposiciones son hipótesis para test futuro, no «receta validada en Chile».

El framework: tres capacidades, un outcome

Karami apoya el esquema en la tríada clásica de capacidades dinámicas y la reescribe para entornos AI-enabled:

Cinco proposiciones (inferencia teórica)

P1. Mayor capacidad de sensing habilitada por IA → mayor calidad de decisión estratégica.

P2. Mayor capacidad de seizing habilitada por IA → mayor calidad de decisión estratégica (si hay gobernanza: interpretar, no seguir el output de forma mecánica).

P3. Mayor capacidad de transforming habilitada por IA → mayor calidad de decisión estratégica (aprendizaje institucionalizado, no solo experiencia del manager estrella).

P4. El despliegue conjunto de sensing + seizing + transforming tiene un efecto positivo más fuerte que cualquier capacidad aislada. Sensing sin seizing = insights sin acción. Seizing sin transforming = ganancias de corto plazo que se erosionan.

P5. La incertidumbre ambiental modera positivamente la relación: bajo turbulencia, esas capacidades valen más —con la salvedad de que datos escasos, quiebres estructurales u overreliance pueden debilitar el efecto.

Eso es el corazón del paper: no «usa más IA»; cierra el bucle.

Hallazgos (sí, conceptuales) que cambian la conversación

1. La IA no es «IT con dashboard»

Karami insiste en una distinción que en vendor decks suele borrarse: IT/analítica tradicional apoya almacenamiento, reporting y análisis retrospectivo. La IA introduce mecanismos predictivos, adaptativos y de aprendizaje que participan en la decisión. El sensing deja de ser escaneo gerencial episódico; el seizing puede simular escenarios no lineales; el transforming puede actualizar reglas con feedback.

Traducción Obrii: si tu «estrategia con IA» es un reporte semanal de BI, aún estás en la lógica anterior. El salto es rutina que aprende.

2. Calidad de decisión ≠ performance

Medir el valor de la IA solo con EBITDA o market share mezcla proceso de decisión con ruido externo. El paper propone indicadores observables en el momento: precisión (predicho vs realizado del entorno), oportunidad (velocidad relativa al cambio), adaptabilidad (capacidad de revisar la elección con nueva info), alineamiento (consistencia con objetivos). Sirve para auditoría de proceso —y para no celebrar una mala decisión «porque el mercado ayudó».

3. Por qué falla la adopción (sin culpa del vendor)

Sin capacidades complementarias, la IA puede:

• reforzar sesgos históricos del training set;
• crear automation bias (aceptar la recomendación sin evaluación crítica);
• bajar transparencia por opacidad del modelo;
• degradarse por model drift cuando el entorno cambia.

Por eso el marco es socio-técnico: gobernanza, interpretación gerencial y monitoreo continuo no son «compliance»; son la condición de que el algoritmo complemente el juicio.

Conecta con lo que ya documentamos en talento: errores de over/under-reliance y ensemble humano-IA. Misma lógica, otra altura: del scorecard de selección al pack del board.

4. Complemento del framework TMT (delegar vs aumentar)

En IA en decisiones estratégicas: delegar vs aumentar, Srinivas y Chetan (2026) responden cuándo el TMT delega análisis o co-delibera. Karami responde qué capacidad organizacional hace sostenible esa práctica: sensing–seizing–transforming orquestados. Uno es mapa situacional; el otro es arquitectura de capacidad. Úsalos juntos.

5. Implicaciones gerenciales (sección 6 del paper, en criollo)

1. De adopción a orquestación — alinear datos, analítica y rutinas de decisión; no comprar tool aislada.
2. Rediseñar roles — el manager pasa de recolector de información a intérprete, orquestador y proveedor de juicio; hay que redefinir derechos de decisión y escalamiento.
3. Velocidad ≠ calidad — usar seizing para expandir alternativas y stress-testear supuestos, no para justificar el compromiso prematuro.
4. Institucionalizar transforming — revisar decisiones, actuar sobre el feedback, actualizar reglas y autoridad.
5. Contingencia — en entornos estables, over-engineering de IA rinde menos; bajo alta incertidumbre, subinvertir es el riesgo.

Eso empuja directo a Personas: alfabetización en IA, criterio bajo ambigüedad y cargos redibujados. Empieza por nombrar el rol —no el vendor.

Checklist para boards, CHROs y asesores (esta semana)

1. Inventario del bucle — para las 5 decisiones estratégicas del año: ¿hay sensing, seizing y transforming con IA, o solo uno de los tres?
2. Definir calidad — acuerda indicadores de precisión / oportunidad / adaptabilidad / alineamiento antes de mirar el P&L.
3. Protocolo de divergencia — si modelo y juicio discrepan, ¿quién gana y cómo se documenta? (puente con tandem / plausibility del paper TMT).
4. Riesgos algorítmicos — nombra automation bias, opacidad y drift; asigna dueño de monitoreo.
5. Roles — reescribe el descriptor del dueño de la decisión (CEO, CSO, lead de analytics): qué interpreta un humano vs qué prepara el sistema.
6. Pauta de entrevista — para finalistas de dirección: episodios de orquestación, no demos de prompt.
7. Fit con incertidumbre — no copies el stack de una big tech si tu entorno de datos es otro.

Para cargos donde el error es irreversible, el circuito Obrii sigue siendo evidencia integrada: headhunting + evaluación psicolaboral (+ cargos de confianza cuando aplica) y, si estructura y personas no calzan, diagnóstico organizacional.

Cómo lo cubrimos en Obrii

También encaja con liderazgo estratégico y diseño organizacional: el líder que contratas trae preferencias de centralización y de cómo deja (o no) que la máquina entre al sensing.

Prueba Obrii App 14 días (Pro, sin tarjeta): evidencia comparable por candidato; la IA prepara, el comité cierra la decisión.

Limitaciones (lectura crítica)

• Framework conceptual: proposiciones no testadas empíricamente en este paper.
• Nivel de análisis organizacional; microfundaciones individuales (confianza, calibración cognitiva) quedan como agenda futura.
• Ejemplos ilustrativos (plataformas digitales, servicios financieros) — no son casos Chile.
• No prescribe stack tecnológico ni política de datos.
• Bajo incertidumbre extrema, el propio paper admite que la predicción algorítmica puede degradarse: la capacidad no es garantía automática.

Preguntas frecuentes

¿Puedo dejar que la IA «decida» la estrategia si el sensing es bueno?

No en el sentido del paper. Sensing mejora insumos; seizing exige gobernanza e interpretación; transforming exige que alguien actualice rutinas. La IA está embebida en la capacidad —no reemplaza accountability. Confundir predicción con compromiso de recursos es el error caro.

¿En qué se diferencia esto de «capacidades dinámicas» de Teece?

La tríada sensing–seizing–transforming es la misma familia. Karami la especifica para decisión estratégica y argumenta que la IA no es infraestructura pasiva: cambia las microfundaciones (predicción, evaluación probabilística, aprendizaje por feedback). El outcome que teoriza es calidad de decisión, no ventaja competitiva genérica.

¿Cómo se relaciona con el paper de delegación vs aumento en el TMT?

Son complementarios. Srinivas & Chetan mapean cuándo delegar análisis o co-deliberar. Karami mapea qué capacidad sostiene esa práctica en el tiempo. Sin transforming, incluso un buen protocolo de delegación se oxida.

¿Qué mido en un candidato a CSO / gerente general además del track record?

Episodios de orquestación: cómo detectó señales, cómo comparó alternativas con apoyo analítico, cómo manejó una recomendación algorítmica dudosa, qué cambió en el proceso después. Eso es evaluación + entrevista estructurada —el descriptor de gerente general ayuda a anclar el cargo antes del aviso.

¿Esto contradice human-in-the-loop en selección?

No: lo escala. En talento pedimos reconciliación activa de fuentes. Aquí el mismo principio aplica al proceso estratégico: la máquina amplía sensing y seizing; el humano interpreta, firma y hace que transforming ocurra.

Resumen ejecutivo

1. Decisión estratégica con IA = capacidad dinámica, no episodio del board.
2. Tres piezas: sensing → seizing → transforming; juntas > aisladas.
3. Outcome: calidad de decisión (precisión, oportunidad, adaptabilidad, alineamiento) ≠ performance.
4. Incertidumbre sube el valor de la capacidad —y también el costo del overreliance.
5. Riesgos a gobernar: automation bias, opacidad, model drift.
6. Gerencia: orquestar, rediseñar roles, no confundir velocidad con calidad, institucionalizar aprendizaje.
7. Talento: contratar criterio de orquestación; Obrii cubre headhunting, evaluación, diagnóstico y Obrii App.

Fuente y derechos

Divulgación educativa en español inspirada en:

Karami, M. (2026). Reframing strategic decision-making as a dynamic capability: A conceptual framework for AI enabled organizations. Advances in Business and Management Research, 1, 100005. https://doi.org/10.1016/j.abmr.2026.100005

© 2026 The Author(s). Publicado por Elsevier Ltd. Acceso abierto bajo licencia CC BY 4.0. No es reproducción ni traducción oficial del manuscrito.

Referencias adicionales (selección citada / hermanas)

• Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review.
• Lebovitz, S., Lifshitz-Assaf, H., & Levina, N. (2022). To engage or not to engage with AI for critical judgments…
• Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work…
• Teece, D. J. (2007). Explicating dynamic capabilities…
• Eisenhardt, K. M., & Martin, J. A. (2000). Dynamic capabilities: What are they?
• Srinivas, R., & Chetan, S. S. (2026). Integrating AI in strategic decision-making… (hermano TMT en este blog).
• Binsar, F., et al. (2026). Optimizing business competitiveness through AI… (misma revista; marco de competitividad).

Interpretación aplicada a talento, TMT y contratación: Obrii Consulting (Ps. Francisco Fernández). Contenido educativo B2B.

Artículos relacionados: Delegar vs aumentar en el TMT · IA y competitividad empresarial · Liderazgo estratégico y diseño organizacional · Errores over/under-reliance · Headhunting