IA en decisiones estratégicas: cuándo delegar análisis y cuándo aumentar el juicio del TMT

Definición en una frase

Delegar a la IA (en este marco) es asignarle trabajo analítico preparatorio cuya salida se acepta como base de acción sin reescribir el análisis, aunque la autoridad final sigue siendo humana. Aumentar es co-deliberación iterativa: la IA aporta insumos que el equipo revisa, reencuadra y corrige. Decisión estratégica es la que amarra recursos y supervivencia a un curso de acción —no el benchmarking ni la segmentación que la informan.

Esa distinción —trivial en operaciones, crítica en la cima— es el núcleo de Srinivas y Chetan (2026) en Group Decision and Negotiation: 33 entrevistas con C-suite en tres multinacionales con herramientas LLM propietarias, más demostraciones estructuradas de sus plataformas. Este artículo es divulgación original en español aplicada a comités, headhunting ejecutivo y sucesión en Chile/LATAM —no una traducción oficial del paper—.

Por qué importa si sientas (o asesoras) un TMT

En Chile vemos el mismo patrón que el paper documenta en multinacionales: ChatGPT o un “copiloto interno” llegan al pack del directorio, pero sin criterio de cuándo confiar. El riesgo no es solo alucinación técnica. Es irreversibilidad: una mala entrada a mercado, una alianza o un recorte de portfolio no se “deshace” con un prompt mejor.

Cuatro atributos, dicen los autores, co-ocurren y se amplifican en el TMT (ninguno es único por sí solo):

1. Irreversibilidad a escala — el costo del error de inferencia sube.
2. Colectividad socio-política — coaliciones, agenda y negociación, no solo “el mejor número”.
3. Herramientas propietarias — LLMs entrenados o customizados con datos confidenciales del firm.
4. Identidad ejecutiva — “las decisiones mission-critical siguen con la empresa humana”.

Si contratas un CEO, CHRO o CDO sin alfabetización en IA (saber cuándo usarla), estás importando un vacío de gobernanza. El puente natural es headhunting con evidencia de juicio bajo ambigüedad, no solo pedigree digital.

Qué estudiaron (método en una tabla)

Limitación honesta para LATAM: el marco aplica a firmas AI-mature con datos profundos y herramientas custom. En pymes con ChatGPT genérico, la frontera estructurado/ill-estructurado se mueve —menos confianza incluso en análisis “rutinarios”. La lógica sí transfiere; las dosis, no.

El framework en dos ejes (lo que puedes usar el lunes)

Los autores sintetizan un Contextualized AI Integration and Delegation Framework sobre dos ejes:

Traducción operativa:

• Delegación aquí es de análisis estratégico (preparación), no de la decisión final.
• En ill-estructurado, los ejecutivos describen outputs de IA como “catalizadores de discusión”, no como conclusiones autoritativas.
• Tres prácticas de gobernanza que emergieron del campo: tandem oversight (revisión en tiempo real), output plausibility checking (chequeo post-hoc contra conocimiento tácito) y TMT-collective review (validación entre varios antes de actuar).

Tres proposiciones (inferencia teórica, no “receta mágica”)

P1 — Estructuración del problema. Problemas bien definidos → delegación analítica con confianza; ill-estructurados + irreversibilidad → co-deliberación iterativa.

P2 — Predictibilidad situacional (dentro del aumento). En ill-estructurado, un entorno estable y rico en datos permite aceptación con revisión ligera; turbulencia o novedad exige co-creación intensiva donde el juicio humano enmarca y revisa.

P3 — Liberación cognitiva. Cuando el TMT delega trabajo analítico estructurado, reporta reasignación de atención desde preparación de datos hacia sensemaking de orden superior —y lo viven como motivador, no solo como eficiencia.

Más allá de las tres proposiciones: moderación por identidad. Algunas fronteras (“mission-critical”) no se trazan solo por performance técnica, sino porque la decisión toca accountability e identidad de rol. Vaccaro et al. (2024), citados por los autores, advierten: uso observado ≠ uso óptimo. Parte de la primacía humana es prudencia contingente; parte puede ser aversión identitaria subóptima. Hay que nombrar cuál es cuál en el comité.

Hallazgos que sí cambian la conversación en el board

1. “Judicious” no es soft skill — es meta-competencia

Siete informantes distintos usaron la palabra judicious. El CEO de la Organización A: el contexto de la situación es crucial porque “muchas situaciones están más allá de nuestra imaginación”. El CDO: “no controlamos muchas situaciones, hay que ser juiciosos al usar IA”. El CIO: uno se vuelve adept con interacciones frecuentes.

Traducción Obrii: AI literacy en el TMT no es “saber promptear”. Es calibrar match entre problema y dominio de entrenamiento del modelo —y actualizar esa calibración con experiencia. Al evaluar finalistas a roles de dirección, preguntamos: ¿qué decisiones ya le delegó a un sistema y cuáles no, y por qué?

2. Donde sí delegan (y dónde no)

Patrones consistentes en las tres firmas:

Un VP de operaciones: “soluciones claras… especialmente en funciones siloed como RR.HH. y supply chain”. Un CSO afirmó (como percepción, no como hecho medido) que la probabilidad de “near-perfect solutions” en rutina era casi 100%. El paper lo reporta como claim del informante, no como validación del equipo.

3. Hallucination + irreversibilidad = gobernanza de tres capas

En ill-estructurado, un VP de Marketing: la IA “casi nunca” rinde sola en decisiones complicadas o altamente ambiguas; las alucinaciones a veces son “inimaginables”. El CEO de la Organización B: las tareas de decision-making de nivel superior requieren intuiciones, guts, hunches — y las mission-critical siguen con la empresa humana.

La Organización B tenía un documento interno de AI Governance Framework con revisión en tres tiers para inputs estratégicos al board — paralelo al patrón inductivo tandem / plausibility / TMT-collective. Documentar el protocolo no es burocracia: es lo que falta en muchos packs de directorio locales cuando alguien pega un output de ChatGPT en el deck.

4. Liberación cognitiva: el ROI que no es “ahorro de horas”

29 de 33 transcripts hablan de freed up, liberated, more time to think. Un CSO: la IA pre-procesó inteligencia competitiva en 47 mercados que habrían tomado semanas al equipo de estrategia — y liberó tiempo para pensar cómo superar dificultades. Un CEO: liberados de decisiones tediosas para enfocarse en clientes alpha y en complejidades. Un head of planning: “frees up my mind space to work on big ticket items”.

En psicología organizacional esto conecta con atención escasa (Ocasio) y con diseño de trabajo (Hackman & Oldham): mover al ejecutivo de procesamiento de datos a problemas de alta complejidad suele sentirse rewarding. Si tu adopción de IA solo mide minutos ahorrados y no calidad de atención en el problema duro, estás midiendo el KPI equivocado.

5. Condiciones de frontera (no ignores esto)

El marco no se copia 1:1 a:

1. Pymes sin herramientas propietarias (boundary se desplaza).
2. Industrias pobres en datos históricos (delegación frágil aunque el problema “parezca” estructurado).
3. Sectores muy regulados (defensa, pharma, ciertos subsectores financieros) — el régimen manda, no solo la estructuración.
4. TMTs founder-led o familiares — la moderación por identidad puede operar distinto.
5. Middle management / operaciones — otra ecología de integración.

Checklist para boards, CHROs y asesores (esta semana)

1. Inventario de decisiones — lista las 10 decisiones estratégicas del próximo año; marca cada una: estructurada / ill-estructurada × estable / turbulenta.
2. Protocolo de divergencias — si IA y juicio humano discrepan, ¿quién gana y cómo se documenta?
3. Tres capas mínimas — tandem oversight + chequeo de plausibilidad + revisión colectiva del TMT en inputs al board.
4. Separar análisis de decisión — delegar preparación no es abdicar autoridad.
5. Medir liberación cognitiva — ¿el tiempo liberado va a sensemaking o a más reuniones de status?
6. Auditar identidad — ¿qué fronteras son prudencia y cuáles son “porque soy el CEO”?
7. Contratar / suceder con el marco en mente — alfabetización en IA como capital humano del TMT (implicación Upper Echelons del paper).

Para cargos donde el error es irreversible, el circuito Obrii es evidencia integrada: headhunting + evaluación psicolaboral del finalista +, si estructura y personas no calzan, diagnóstico organizacional.

Cómo lo cubrimos en Obrii

Este estudio es el complemento TMT del que ya documentamos en selección: Latto et al. (gobernanza y job crafting), Schempp et al. (ensemble humano-IA), y el mapa de errores de over/under-reliance. Misma lógica, otra altura del organigrama.

También encaja con liderazgo estratégico y diseño organizacional: el CEO que contratas trae no solo preferencias de centralización, sino preferencias de delegación a máquinas.

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

Limitaciones (lectura crítica)

• Muestra: tres multinacionales AI-mature — no es promedio Chile pyme.
• Hallazgos descriptivos de práctica; proposiciones son inferencia teórica para test futuro, no prescripción normativa.
• No midieron si tandem / plausibility / TMT-collective mejoran reliability — solo que los ejecutivos las practican.
• Identidad vs performance óptima queda abierta (Vaccaro et al.).
• No extiende claims a middle management.

Preguntas frecuentes

¿Puedo dejar que la IA “decida” la estrategia si el análisis está bien estructurado?

No en el sentido del paper. Lo que se delega con confianza es análisis preparatorio (benchmarking, escenarios, segmentación). La decisión estratégica —compromiso irreversible de recursos— permanece humana. Confundir ambas es el error más caro.

¿Qué es “problem structuredness” en criollo?

Cuán bien definido está el problema: criterios explícitos, espacio de solución acotado. No es lo mismo que “complejidad del entorno”. Un pricing en regulación nueva puede ser ill-estructurado aunque tengas muchos datos históricos de otro régimen.

¿Sirve para una empresa chilena mediana sin LLM propietario?

Sí el mapa mental (estructurado × predecible). No las dosis de confianza. Con herramientas genéricas, asume más aumento y menos delegación —incluso en tareas que en una multi se delegan.

¿Cómo evalúo si un candidato a CDO/CSO tiene AI literacy real?

Pide episodios concretos: qué delegó, qué retuvo, cómo manejó una alucinación, qué protocolo usó el TMT. Scorecard + evaluación de juicio bajo ambigüedad > “usó ChatGPT en el CV”.

¿Esto contradice “human-in-the-loop” en selección de personal?

No: lo escala. En talento ya pedimos reconciliación activa de fuentes (ensemble). Aquí el mismo principio aplica al pack del board: la IA estructura; el TMT sentido-hace.

Resumen ejecutivo

1. En el TMT, delegar ≠ abdicar: se delega análisis, no la decisión irreversible.
2. Dos ejes mandan: estructuración del problema y predictibilidad situacional.
3. Ill-estructurado + turbulencia → co-creación; la IA es catalizador, no oráculo.
4. Gobernanza mínima: tandem + plausibilidad + revisión colectiva.
5. ROI real: liberación cognitiva hacia problemas de alto valor.
6. Fronteras identitarias existen — nómbralas; no las disfraces de “calidad del modelo”.
7. Contratar / suceder liderazgo = auditar criterio de uso de IA, no solo adopción de tools.
8. Obrii: headhunting + evaluación + diagnóstico cuando el vacío está en el TMT, no en el software.

Fuente y derechos

Divulgación educativa en español inspirada en:

Srinivas, R., & Chetan, S. S. (2026). Integrating Artificial Intelligence in Strategic Decision-Making: Contexts for Delegation and Augmentation. Group Decision and Negotiation, 35, 59. https://doi.org/10.1007/s10726-026-10016-x

© The Author(s) 2026. Artículo en acceso abierto (verificar licencia en el DOI). No es reproducción ni traducción oficial del manuscrito.

Referencias adicionales (selección del paper)

• Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review.
• Raisch, S., & Fomina, K. (2025). Hybrid problem-solving (autonomous, sequential, interactive search).
• Hambrick, D. C., & Mason, P. A. (1984). Upper echelons. Academy of Management Review.
• Ocasio, W. (1997). Towards an attention-based view of the firm. Strategic Management Journal.
• Vaccaro, M., et al. (2024). Meta-analysis on observed vs optimal AI use.
• Jussupow, E., et al. (2022). Identity threat and AI resistance (contexto profesional).
• Bevilacqua, et al. (2025a, b). TMT-level AI integration — agenda y revisión sistemática.

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

Artículos relacionados: Colaboración humano-IA en talento · Liderazgo estratégico y diseño organizacional · Ensemble humano-IA en contratación · Cómo elegir headhunter en Chile · Headhunting