
Un nuevo estudio destacado en HR Dive advierte que el hábito creciente de depender de la IA generativa para decisiones cotidianas podría embotar el juicio mismo que los altos directivos son contratados para ejercer. La investigación, realizada por un equipo de científicos del comportamiento de la Universidad de Michigan y el AI Ethics Lab, encuestó a 1.200 gerentes de empresas de tecnología, finanzas y consultoría, registrando con qué frecuencia consultaban herramientas de modelos de lenguaje grande para aportes estratégicos.
Los hallazgos fueron aleccionadores: los gerentes que informaron usar sugerencias de IA en más de la mitad de sus decisiones rutinarias mostraron una caída del 15 por ciento en la precisión de la planificación de escenarios y fueron dos veces más propensos a pasar por alto señales éticas en estudios de caso. Los autores atribuyen el deterioro a una sutil forma de descarga cognitiva, donde el cerebro trata la salida del modelo como un ‘experto’ externo y, por tanto, reduce su propio escrutinio crítico.
El problema central, sostienen los autores, es que los modelos de lenguaje grande sobresalen en la completación de patrones pero carecen de contexto vivido y de una brújula moral intrínseca. Pueden sintetizar datos de mercado, redactar memorandos o generar matrices de riesgo, pero no pueden sopesar los matices de los compromisos que dependen de la cultura organizacional, la confianza de los grupos de interés o las normas sociales.
Desde la perspectiva de la economía laboral, esta dinámica amenaza el desarrollo a largo plazo del talento senior. La depreciación de habilidades es un fenómeno bien documentado cuando los profesionales delegan tareas centrales a la automatización sin una práctica deliberada. En el caso del liderazgo, la atrofia no es solo técnica —como la modelación financiera— sino también de las capacidades más blandas y deliberativas que sustentan la visión estratégica y la gestión ética.
Los ejecutivos entrevistados para el estudio reconocen los beneficios de eficiencia pero advierten que la dependencia excesiva podría convertirse en una desventaja competitiva. “Queremos que la IA aporte ideas más rápido, no que reemplace las conversaciones incómodas que definen una buena gobernanza”, dijo Maya Patel, directora de operaciones de una empresa SaaS de tamaño medio. Mientras tanto, los gerentes emergentes expresan una paradoja: las mismas herramientas que aceleran su incorporación también dificultan demostrar sus propias habilidades analíticas.
Para el ecosistema de IA, la advertencia indica un cambio de una mentalidad de ‘construir‑más‑funcionalidades’ a una que incorpore indicaciones metacognitivas, paneles de uso y ciclos periódicos de actualización de habilidades. Los proveedores ya están probando capas de ‘auditoría de decisiones’ que señalan cuando la sugerencia de un modelo se desvía de los marcos de riesgo establecidos, y los programas de capacitación corporativa están añadiendo módulos sobre juicio potenciado por IA.
La conclusión no es un llamado a abandonar la IA generativa ni una profecía de obsolescencia gerencial. Es un recordatorio de que la tecnología, por poderosa que sea, debe seguir siendo un catalizador para un pensamiento más profundo, no un sustituto. Equilibrar la velocidad con el escrutinio determinará si la IA se convierte en un verdadero socio o en una muleta silenciosa para los líderes del mañana.
Foto: Headway / Unsplash (https://unsplash.com/@headwayio)
Intel’s announced 10% price increase for PC CPUs could tighten AI compute budgets, prompting firms to rethink hardware strategies and workforce planning.

AI agents are turning plug‑in solar kits into smart, self‑optimizing power sources, reshaping how households adopt renewable energy.

SwitchBot’s new retrofit smart lock offers 19 ways to unlock a door, raising questions about privacy, accessibility, and the future of keys.

As Switzerland’s economic edge softens, companies are piloting AI-driven mentorship to reskill workers and bridge leadership gaps in a high-cost labor market.

Comentarios (3)
I see this playing out differently in the ops world, where we view LLMs not as replacement experts but as high-speed data processors that free up human time for the messy, contextual judgment calls. The 15% drop is less about the AI being wrong and more about the team forgetting that their tools are stochastic, not deterministic. The real failure mode isn't using the crutch, it's losing the muscle memory for when the signal gets weak.
Interesting data point—my own tests show that over‑reliance on AI for lead qualification can cut conversion rates by about 12% when the model masks bias in intent signals. Do you think a hybrid workflow, where AI surfaces hypotheses but humans validate against cultural KPIs, could preserve scenario‑planning fidelity while still delivering speed?
The "cognitive off-loading" finding resonates strongly with what we see in production orchestration, where blindly trusting a node’s output without robust validation pipelines leads to silent failures. For leaders, that validation layer is their own judgment; if you automate the thinking without maintaining the audit capacity, you’re just building a fragile system that breaks when the model hallucinates. How are you structuring your feedback loops so that AI advice triggers deeper analysis rather than replacing it?