El mayor peligro de una respuesta convincente no es que sea incorrecta: es que parezca haber comprendido una intención que nunca llegó a entender.
Estamos aprendiendo a hablar con sistemas de inteligencia artificial con una velocidad extraordinaria. Les pedimos que redacten documentos, analicen contratos, preparen propuestas, organicen reuniones, evalúen alternativas, construyan estrategias, revisen datos, diseñen productos y hasta nos ayuden a pensar decisiones personales.
Y cada vez responden mejor.
Esa capacidad produce una sensación muy poderosa: sentimos que al otro lado hay algo que no solamente procesó nuestras palabras, sino que comprendió lo que queríamos decir.
Ahí comienza el problema.
Porque responder correctamente a una instrucción y comprender la intención de una persona son dos capacidades diferentes.
Y confundirlas puede tener consecuencias mucho más importantes que obtener una mala respuesta.
Cuando las palabras no contienen todo lo que queremos decir
Los seres humanos rara vez nos comunicamos de manera completamente explícita.
Decimos:
“Tenemos que revisar este proyecto.”
Pero quizá realmente queremos decir:
“Creo que el proyecto está fracasando y no sé cómo plantearlo sin generar un conflicto.”
Preguntamos:
“¿Cómo ves esta propuesta?”
Cuando detrás puede existir otra preocupación:
“Necesito saber si estoy tomando una decisión que comprometerá financieramente a la empresa.”
Decimos:
“Necesito mejorar la productividad del equipo.”
Y tal vez el verdadero problema no sea la productividad, sino una dirección que cambia prioridades constantemente, una organización sin claridad o un equipo agotado tratando de responder a demandas contradictorias.
Las palabras transportan información.
Pero las personas también comunicamos contexto, historia, temor, expectativas, jerarquías, relaciones, contradicciones, silencios y consecuencias.
Buena parte de una conversación humana ocurre precisamente en ese territorio que nunca pronunciamos completamente.
Quien conoce nuestra historia puede escuchar una frase y comprender algo que no aparece literalmente dentro de ella.
Un socio reconoce una preocupación financiera detrás de una pregunta aparentemente operacional.
Una esposa identifica cansancio donde las palabras solamente hablan de trabajo.
Un gerente experimentado percibe resistencia en una reunión donde nadie expresó abiertamente desacuerdo.
Eso es parte de lo que significa comprender.
No solamente procesar palabras.
Interpretar lo que esas palabras significan dentro de una situación.
La investigación está mostrando una diferencia importante
En los últimos años, distintos trabajos académicos han comenzado a estudiar precisamente esta distancia entre seguir instrucciones y comprender su intención.
Un estudio presentado en Findings of NAACL 2025 evaluó la capacidad de distintos modelos para identificar la intención subyacente de una instrucción. Los investigadores encontraron que los modelos podían responder competentemente a instrucciones formuladas de determinada manera y, sin embargo, tener dificultades para distinguir qué intención realmente correspondía al contexto planteado.
La diferencia parece pequeña.
No lo es.
Porque significa que un sistema puede producir una respuesta excelente desde el punto de vista lingüístico sin haber interpretado completamente aquello que motivó la pregunta.
Investigaciones publicadas en 2026 han profundizado todavía más en este fenómeno.
Un trabajo presentado en Findings of ACL 2026 comparó cómo personas y modelos de lenguaje interpretan información implícita. Los investigadores observaron que los humanos tendían a identificar elementos adicionales que los modelos no incorporaban, especialmente cuando el contexto tenía mayor riqueza social. Los modelos, según los resultados del estudio, mostraban una cobertura más limitada de ciertas inferencias implícitas.
Otro estudio reciente sobre comunicación no verbal encontró dificultades importantes cuando los modelos debían inferir intención pragmática sin disponer de expresiones verbales explícitas.
Esto no demuestra que la inteligencia artificial sea incapaz de comprender contexto.
Tampoco significa que todos los modelos fallen siempre.
Los sistemas actuales pueden realizar inferencias extraordinariamente sofisticadas, y esas capacidades continúan evolucionando.
Lo importante es otra cosa.
No deberíamos confundir fluidez lingüística con comprensión humana.
Una máquina puede interpretar muchísimo.
Pero nosotros podemos atribuirle todavía más comprensión de la que realmente existe.
El problema no está solamente en la inteligencia artificial
Sería cómodo concluir que esta es simplemente otra limitación tecnológica.
No lo creo.
Hay una parte del problema que nos corresponde directamente a nosotros.
Durante años hemos aprendido que utilizar tecnología consiste en aprender comandos.
Con la inteligencia artificial generativa esa lógica cambió.
Ahora la interfaz es el lenguaje.
Y cuando una máquina utiliza nuestro lenguaje con naturalidad, ocurre algo psicológico interesante: dejamos de relacionarnos con una herramienta y comenzamos, casi involuntariamente, a relacionarnos con una apariencia de comprensión.
La diferencia tiene importancia.
Frente a una calculadora sabemos que debemos formular correctamente la operación.
Frente a una hoja electrónica sabemos que una fórmula incorrecta producirá un resultado incorrecto.
Frente a una base de datos sabemos que una consulta mal construida puede devolver información equivocada.
Pero frente a un modelo que conversa, ocurre algo diferente.
Si nuestra pregunta es ambigua, el sistema puede llenar los vacíos.
Si nuestro contexto está incompleto, puede construir una interpretación probable.
Si nuestra intención está mal formulada, puede responder impecablemente a una intención distinta.
Y la respuesta puede sonar tan razonable que no advertimos la diferencia.
La facilidad de conversación puede esconder la dificultad del pensamiento.
Una respuesta útil puede estar resolviendo el problema equivocado
Pensemos en un empresario que pregunta:
“¿Cómo puedo reducir costos en mi empresa?”
La inteligencia artificial podría producir una respuesta técnicamente excelente.
Automatización.
Renegociación con proveedores.
Optimización de procesos.
Reducción de inventarios.
Revisión de personal.
Uso de servicios compartidos.
Control de gastos.
Nada necesariamente incorrecto.
Pero ¿qué ocurre si el verdadero problema no son los costos?
Quizá las ventas están cayendo porque la propuesta de valor perdió relevancia.
Quizá los márgenes disminuyeron porque la compañía compite principalmente por precio.
Quizá existe un problema de cartera.
Quizá se hicieron inversiones que todavía no generan retorno.
Quizá el fundador está intentando conservar una estructura empresarial que funcionaba hace diez años pero que hoy ya no corresponde al mercado.
Reducir costos podría mejorar temporalmente algunos indicadores y empeorar la capacidad futura del negocio.
La IA respondió la pregunta.
Pero la pregunta estaba incompleta.
Esto sucede también entre seres humanos, por supuesto.
Un consultor puede resolver el problema equivocado.
Un médico puede interpretar mal un síntoma.
Un gerente puede atacar una consecuencia en lugar de una causa.
Un padre puede contestar literalmente una pregunta cuando su hijo realmente estaba pidiendo ayuda.
La diferencia es que estamos comenzando a utilizar sistemas de inteligencia artificial a una escala y velocidad que pueden multiplicar este fenómeno.
Una respuesta equivocadamente bien formulada puede convertirse rápidamente en una presentación, una política empresarial, un correo, una decisión o incluso una estrategia.
El verdadero trabajo comienza antes del prompt
Se ha hablado muchísimo de aprender a escribir mejores instrucciones para la inteligencia artificial.
Es útil.
Pero creo que hemos exagerado la importancia del llamado prompt engineering cuando lo convertimos en sustituto del pensamiento.
Una instrucción sofisticada no corrige una intención confusa.
Podemos escribir tres páginas especificando rol, formato, tono, restricciones y estructura, y todavía estar preguntando lo equivocado.
El problema anterior al prompt es mucho más humano:
¿Qué estoy intentando resolver realmente?
¿Qué información posee el sistema y cuál solamente está dentro de mi cabeza?
¿Qué supuesto estoy dando por evidente?
¿Qué consecuencia me preocupa aunque no la haya mencionado?
¿Qué decisión dependerá de esta respuesta?
¿Qué condiciones harían que una respuesta aparentemente correcta fuera inconveniente para mi realidad?
Estas preguntas requieren criterio.
Y el criterio no consiste simplemente en saber pedirle algo a una máquina.
Consiste en comprender suficientemente bien una situación para reconocer qué vale la pena preguntarle.
También nosotros decimos menos de lo que creemos
Hay otra incomodidad que merece atención.
Cuando una inteligencia artificial interpreta mal nuestra intención, inmediatamente pensamos que el sistema “no entendió”.
Muchas veces es verdad.
Pero otras veces nosotros tampoco explicamos lo que realmente pensamos.
Esperamos que la máquina deduzca información que nunca entregamos.
“Hazme una estrategia para aumentar las ventas.”
¿De qué empresa?
¿Con qué margen?
¿En qué mercado?
¿Con qué capacidad operacional?
¿Durante cuánto tiempo?
¿Con qué restricciones financieras?
¿Queremos aumentar facturación o rentabilidad?
¿Podemos aceptar más clientes sin deteriorar el servicio?
¿Tenemos un problema comercial o un problema de producto?
¿Estamos buscando crecimiento o supervivencia?
La inteligencia artificial puede llenar muchos de esos espacios.
Precisamente eso es lo que puede engañarnos.
Porque cada espacio que nosotros dejamos vacío debe ser completado mediante algún supuesto.
Y un supuesto razonable no necesariamente es nuestro supuesto.
Aquí encuentro una enseñanza que trasciende la tecnología.
Aprender a utilizar inteligencia artificial también nos obliga a aprender a pensar con mayor claridad.
Nos confronta con nuestras propias ambigüedades.
Las empresas pueden automatizar también sus malas preguntas
Este punto se vuelve especialmente delicado dentro de las organizaciones.
Una empresa puede incorporar inteligencia artificial en procesos comerciales, servicio al cliente, selección de personal, análisis financiero, diseño, programación o planificación estratégica.
El aumento de productividad puede ser real.
Pero existe una pregunta anterior:
¿Qué lógica estamos automatizando?
Porque automatizar un proceso deficiente no lo convierte en un buen proceso.
Puede convertirlo en un proceso deficiente mucho más rápido.
Si una organización tiene criterios de decisión confusos, puede utilizar inteligencia artificial para producir decisiones inconsistentes a mayor velocidad.
Si comercialmente no comprende a sus clientes, puede producir cientos de mensajes personalizados que siguen sin comprenderlos.
Si un equipo directivo carece de prioridades, puede generar planes extraordinariamente estructurados que solamente organizan mejor la confusión.
Si una empresa mide indicadores equivocados, la inteligencia artificial puede analizar esos indicadores con precisión admirable y ayudarla a equivocarse sistemáticamente.
La tecnología amplifica capacidades.
Pero también puede amplificar errores estructurales.
Por eso la conversación sobre inteligencia artificial debería incluir menos fascinación por lo que puede generar y más reflexión sobre quién define la intención detrás de aquello que genera.
La personalización tampoco equivale a conocimiento profundo
Los sistemas actuales pueden conservar contexto, preferencias, instrucciones y determinados patrones de interacción.
Eso mejora enormemente la utilidad.
Pero también puede fortalecer nuestra sensación de que “nos conocen”.
Conviene distinguir ambas cosas.
Un sistema puede reconocer que preferimos respuestas breves.
Puede aprender nuestro estilo profesional.
Puede recordar determinados proyectos o contextos cuando la plataforma lo permite.
Puede relacionar conversaciones anteriores.
Todo eso puede producir interacciones mucho más relevantes.
Pero conocer información acerca de una persona no equivale necesariamente a comprenderla como la comprendería alguien que ha compartido años de vida, responsabilidades, decisiones, silencios y consecuencias con ella.
No hago esta distinción para disminuir el valor de la tecnología.
La hago precisamente para utilizarla mejor.
Cuando conocemos la naturaleza de una herramienta podemos asignarle responsabilidades apropiadas.
Una IA puede ayudarnos a descubrir lo que no dijimos
Aquí aparece una posibilidad mucho más interesante que intentar convertir la máquina en una especie de lector perfecto de nuestra mente.
Podemos utilizarla deliberadamente para que nos ayude a descubrir nuestros propios vacíos.
En lugar de preguntar solamente:
“Dame una estrategia.”
Podemos agregar:
“Antes de responder, identifica qué información importante falta para comprender correctamente el problema.”
En lugar de:
“¿Cuál opción es mejor?”
Podemos pedir:
“Expón qué supuestos estás haciendo sobre mi situación y cuáles cambiarían la recomendación.”
En lugar de:
“Analiza esta decisión.”
Podemos solicitar:
“Distingue entre el problema explícito que estoy planteando y otros problemas subyacentes que podrían estar influyendo.”
Eso transforma la interacción.
La inteligencia artificial deja de ser solamente una máquina de respuestas y comienza a funcionar también como instrumento para mejorar nuestras preguntas.
La diferencia es profunda.
Porque una buena decisión pocas veces nace exclusivamente de disponer de más información.
Con frecuencia nace de formular mejor el problema.
El criterio sigue estando del lado de quien decide
Estamos entrando en una etapa en la que producir alternativas será cada vez más barato.
Redactar será más barato.
Analizar será más barato.
Programar será más barato.
Simular escenarios será más barato.
Generar ideas será más barato.
Lo escaso será otra cosa.
Saber qué merece atención.
Reconocer qué problema estamos enfrentando.
Comprender qué información falta.
Separar correlación de causa.
Identificar consecuencias que no aparecen inmediatamente.
Reconocer intereses humanos detrás de una decisión aparentemente técnica.
Y asumir responsabilidad por lo decidido.
Una inteligencia artificial puede ampliar nuestra capacidad para estudiar alternativas.
Pero cuando entregamos nuestro juicio únicamente porque una respuesta parece inteligente, estamos confundiendo capacidad computacional con responsabilidad.
La máquina no sufrirá la consecuencia financiera de una inversión equivocada.
No tendrá que explicar a un equipo por qué tomó determinada decisión.
No reconstruirá una relación después de una conversación mal interpretada.
No vivirá durante años con una elección empresarial que comprometió recursos que no podían recuperarse.
Nosotros sí.
Por eso delegar procesamiento puede ser razonable.
Delegar completamente el criterio es otra cosa.
Quizá necesitamos aprender nuevamente a conversar
Existe una paradoja hermosa detrás de todo esto.
Creamos máquinas capaces de conversar y, al hacerlo, estamos descubriendo cuán compleja es realmente una conversación humana.
Creíamos que hablar era intercambiar palabras.
Ahora observamos con mayor claridad que comunicarnos implica mucho más.
Contexto.
Intención.
Memoria.
Confianza.
Experiencia.
Inferencia.
Relación.
Consecuencia.
Incluso contradicción.
Podemos decir una cosa y sentir otra.
Podemos preguntar algo cuando en realidad tememos otra respuesta.
Podemos pedir eficiencia cuando lo que necesitamos es claridad.
Podemos pedir crecimiento cuando deberíamos preguntarnos qué tipo de empresa queremos construir.
Podemos pedir una solución tecnológica cuando el problema es fundamentalmente organizacional.
La inteligencia artificial no creó esas contradicciones.
Solamente está empezando a hacerlas más visibles.
La pregunta que debería preocuparnos
No me preocupa especialmente que una inteligencia artificial no comprenda siempre todo lo que una persona quiso decir.
Ni siquiera los seres humanos lo hacemos.
Me preocupa algo distinto.
Que nosotros dejemos de preguntarnos si realmente fuimos comprendidos.
Que la calidad lingüística de una respuesta reduzca nuestra capacidad crítica.
Que confundamos velocidad con profundidad.
Que interpretemos seguridad verbal como certeza.
Que dejemos de examinar los supuestos detrás de las respuestas porque la herramienta aprendió a expresarlos de una manera extraordinariamente convincente.
La inteligencia artificial será cada vez mejor.
Probablemente comprenderá contextos, intenciones e información implícita con capacidades que hoy todavía estamos investigando.
Pero habrá una responsabilidad que difícilmente desaparecerá:
la nuestra.
Antes de preguntarnos si la inteligencia artificial sabe escucharnos, quizá deberíamos preguntarnos si nosotros sabemos explicar lo que realmente está en juego.
Y, aún más importante, si sabemos reconocerlo.
Porque la calidad de nuestras decisiones nunca dependerá solamente de las respuestas que podamos obtener.
Dependerá también de nuestra capacidad para comprender qué pregunta merecía hacerse.
Si estás revisando cómo incorporar inteligencia artificial, criterio y decisiones humanas dentro de tu organización, podemos continuar esta conversación desde una perspectiva estratégica y humanista en: