En La Reserva de Criterio propusimos que las organizaciones pueden estar consumiendo silenciosamente la capacidad humana que les permite distinguir entre una respuesta plausible y una decisión correcta.
La primera cuestión era generacional: ¿qué ocurrirá si utilizamos la inteligencia artificial para sustituir precisamente las tareas mediante las cuales los profesionales jóvenes desarrollaban el criterio que necesitarán cuando sean senior?
Pero ésa es solamente una parte del problema. La siguiente pregunta es mucho más importante para la gestión: si la Reserva de Criterio es un activo, ¿cómo se crea, cómo se conserva, cómo se deteriora y cómo debería gobernarse?
Porque estamos descubriendo una paradoja. Las máquinas son cada vez más capaces. Precisamente por eso, sus errores son cada vez más difíciles de detectar.
El problema ya no es una IA que responde mal
Los primeros modelos generativos cometían errores frecuentemente evidentes. Inventaban referencias, producían argumentos inconsistentes o mostraban limitaciones que cualquier profesional preparado podía identificar con rapidez.
Los modelos actuales son radicalmente distintos. Pueden programar, analizar documentos extensos, producir modelos financieros, trabajar sobre contratos, elaborar estrategias, investigar información y ejecutar secuencias cada vez más complejas de acciones.
El AI Index 2026 de Stanford recoge el enorme avance: en OSWorld, un benchmark que evalúa agentes realizando tareas informáticas, el rendimiento pasó aproximadamente del 12% al 66,3%.
Pero existe otra forma de leer exactamente el mismo dato: incluso después de esa mejora extraordinaria, los agentes continúan fallando aproximadamente una de cada tres veces en ese tipo de pruebas estructuradas.
METR introduce una advertencia todavía más importante. Su denominada time horizon no significa que una IA pueda recibir autónomamente cualquier proyecto equivalente a ese número de horas de trabajo humano. Para actividades donde el resultado es difícil de verificar o el error tiene consecuencias relevantes, pueden ser necesarias probabilidades de éxito superiores al 98%. Además, al crecer la complejidad, las intervenciones humanas pueden hacerse menos frecuentes pero mucho más costosas: descubrir qué falló puede exigir más trabajo.
El error no está desapareciendo necesariamente al mismo ritmo que aumenta la capacidad. Está cambiando de apariencia.
Del error evidente al error plausible
La evolución puede resumirse así:
- IA inicial: respuesta mediocre, error visible y corrección relativamente sencilla.
- IA avanzada: respuesta excelente, estructura coherente, supuesto incorrecto difícil de detectar y conclusión convincente pero equivocada.
La segunda situación puede ser más peligrosa que la primera. No porque el modelo sea peor, sino precisamente porque es mucho mejor.
Cuando una herramienta produce cien elementos y noventa y nueve son correctos, el principal problema deja de ser producir los cien. El problema pasa a ser identificar cuál es el incorrecto.
Si ese elemento es la hipótesis financiera que alimenta todo un modelo, una cláusula contractual interpretada de forma errónea, una premisa técnica equivocada o una referencia normativa inexistente, el error puede propagarse por un trabajo extraordinariamente sofisticado.
Productividad neta de la IA = producción útil − coste de supervisión − coste esperado del error residual.
La tercera variable es la más difícil de medir. Probablemente será una de las más importantes.
La Reserva de Criterio no es conocimiento acumulado
Una organización puede almacenar millones de documentos y tener muy poca Reserva de Criterio. Puede disponer de procedimientos perfectamente redactados, bases de datos completas, históricos de proyectos y sistemas avanzados de gestión del conocimiento.
Eso constituye información. El criterio es otra cosa.
La Reserva de Criterio es la capacidad distribuida de una organización para determinar cuándo una respuesta aparentemente correcta merece confianza, cuándo requiere verificación y quién posee la competencia suficiente para realizarla.
Incluye conocimiento técnico, pero también experiencia, memoria organizacional, comprensión del contexto, capacidad de reconocer excepciones, habilidad para identificar supuestos, conocimiento de errores anteriores y aptitud para formular hipótesis alternativas.
Y contiene algo especialmente difícil de formalizar: saber que algo no encaja antes incluso de poder explicar exactamente por qué.
Esa capacidad suele ser producto de años de exposición a problemas reales. No se descarga de una base de datos.
Un activo que no aparece en el balance
Una organización puede considerar la Reserva de Criterio de forma parecida a cualquier otro capital productivo:
RCt+1 = RCt + formación + experiencia + transferencia − salidas − obsolescencia − desentrenamiento.
No pretende ser todavía una fórmula matemática. Sirve para mostrar que el criterio posee dinámica. Se acumula. Se transfiere. Puede concentrarse peligrosamente en pocas personas. Puede quedar obsoleto. Y también puede deteriorarse por falta de uso.
Esto último será cada vez más importante. El riesgo no consiste solamente en dejar de formar juniors. Existe otro riesgo menos evidente: que profesionales experimentados pierdan parte de su capacidad crítica porque deleguen sistemáticamente en la IA las actividades mediante las que ejercitaban ese criterio.
Una empresa podría sufrir dos procesos simultáneos: no generar suficiente criterio nuevo y dejar de ejercitar el que ya posee. Sería una auténtica descapitalización intelectual.
Productividad y descapitalización pueden coexistir
Ésta es una de las paradojas empresariales más importantes de la automatización. Una compañía puede reducir personal, aumentar producción, acortar plazos, reducir costes e incrementar beneficio mientras destruye capacidad futura.
No sería algo completamente nuevo. Una fábrica puede mejorar temporalmente sus resultados reduciendo mantenimiento. Mientras las máquinas siguen funcionando, la decisión parece excelente y el beneficio aumenta. El problema aparece años después, cuando la degradación acumulada supera el ahorro obtenido.
La inteligencia artificial puede producir un fenómeno parecido sobre el capital intelectual.
Una empresa puede aparentar mayor eficiencia mientras consume silenciosamente su Reserva de Criterio.
Los estados financieros no mostrarán esa depreciación hasta que sea necesaria la capacidad que ya se perdió.
La educación también debe cambiar de objetivo
Durante siglos, una parte importante de la educación se diseñó alrededor de la escasez de conocimiento. El profesor poseía información. El alumno debía adquirirla. Después demostraba que podía reproducirla o aplicarla.
La IA altera esa relación. Una máquina puede producir en segundos una explicación, un ensayo, un programa informático, una traducción, una estrategia comercial o una resolución matemática.
Por tanto, una parte creciente del valor educativo deberá desplazarse desde producir una respuesta hacia evaluar una respuesta.
En lugar de «resuelva este problema», podemos plantear: «ésta es la solución propuesta por una IA; encuentre los supuestos, determine cuáles deben verificarse y explique bajo qué circunstancias sería incorrecta».
En lugar de «redacte este contrato», podemos preguntar: «identifique los riesgos contenidos en este contrato perfectamente redactado».
En lugar de «construya este modelo financiero», podemos pedir: «determine qué hipótesis pueden hacer que este modelo financieramente coherente produzca una decisión equivocada».
La inteligencia artificial no debería eliminar el esfuerzo cognitivo de la educación. Debería permitirnos elevar el nivel al que ejercitamos ese esfuerzo.
Aprender a desconfiar correctamente
Existe un peligro opuesto. No necesitamos formar generaciones que desconfíen de cualquier resultado producido por una IA. Eso destruiría precisamente el aumento de productividad que buscamos.
El criterio no consiste en cuestionarlo todo. Consiste en saber qué merece ser cuestionado.
Una buena Reserva de Criterio debería permitir distinguir entre procesos suficientemente fiables para automatizar, procesos que requieren muestreo, procesos que exigen revisión sistemática y decisiones que necesitan necesariamente responsabilidad humana.
La organización madura no será la que mantenga a una persona observando permanentemente cada operación de la IA. Será la que sepa exactamente dónde necesita a esa persona.
¿Puede medirse la Reserva de Criterio?
Quizá no mediante un único número. Probablemente sería un error intentarlo demasiado pronto. Pero sí podemos empezar a construir un mapa multidimensional de riesgo de criterio.
- Redundancia: ¿cuántas personas pueden validar independientemente cada decisión crítica?
- Concentración: ¿qué conocimiento esencial depende de una sola persona?
- Tiempo de reposición: ¿cuánto necesita un profesional para alcanzar autonomía real en cada función?
- Capacidad de auditoría: ¿puede alguien verificar el trabajo de la IA sin depender del mismo sistema que lo generó?
- Transferencia: ¿existe un mecanismo efectivo de transmisión entre senior, middle y junior?
- Independencia: ¿los revisores llegan a conclusiones propias o se limitan a validar la respuesta de la máquina?
- Ejercicio: ¿los especialistas resuelven suficientes problemas por sí mismos para conservar actualizado su criterio?
- Memoria de errores: ¿la organización conserva conocimiento de sus decisiones equivocadas y de por qué lo fueron?
Esto podría terminar convirtiéndose en un Judgment Reserve Index, aunque su primera versión debería ser un mapa y no una puntuación simplificada. El objetivo no sería clasificar empresas, sino detectar fragilidad antes de necesitar el criterio que se ha perdido.
Una nueva función del gobierno corporativo
La Reserva de Criterio puede terminar formando parte de cuestiones que hoy consideramos gestión de riesgos, continuidad empresarial o gobierno corporativo.
Un consejo de administración pregunta actualmente si existe liquidez suficiente, qué ocurrirá si falla un proveedor, qué personas son críticas y cuál es el plan de sucesión.
Pronto puede resultar igualmente razonable preguntar: ¿quién dentro de esta organización es capaz de determinar que nuestra inteligencia artificial está equivocada?
Y la segunda pregunta será todavía más incómoda: ¿quién será capaz de hacerlo dentro de diez años?
El valor se desplaza
Durante los primeros años de la revolución de la inteligencia artificial hablamos principalmente de aumentar capacidades: más parámetros, más datos, más cómputo y más automatización.
Pero si el coste de producir análisis, documentos, programación y conocimiento aplicado continúa cayendo, el recurso escaso puede desplazarse.
Cuando producir una respuesta cuesta casi nada, determinar si esa respuesta merece confianza adquiere valor.
Cuando todos tengan acceso a máquinas extraordinariamente inteligentes, disponer de inteligencia dejará de constituir por sí mismo una ventaja competitiva. La diferencia podrá estar en quién sabe utilizarla, cuestionarla y detenerla cuando sea necesario.
Ésa es la verdadera naturaleza de la Reserva de Criterio: no una defensa nostálgica del trabajo humano, sino la infraestructura humana necesaria para automatizar mucho más sin perder la capacidad de saber cuándo no deberíamos hacerlo.
En la era de la inteligencia artificial, conservar criterio no será una forma de proteger el pasado. Puede convertirse en una de las inversiones más importantes para construir el futuro.
Fuentes y nota conceptual
- Stanford HAI: AI Index Report 2026, rendimiento técnico y agentes.
- METR: limitaciones de la métrica de horizonte temporal y requisitos de fiabilidad.
La definición ampliada de Reserva de Criterio, su ecuación dinámica y el posible Judgment Reserve Index son propuestas conceptuales del autor. Se presentan como marco de gestión que debe ser validado antes de convertirse en una métrica comparativa.
© 2026 Javier F. Pérez Bernabé. Todos los derechos reservados. Publicado por Quórum 12.
SUSCRIPCIÓN ONLINE
Reciba cada nuevo análisis y las convocatorias abiertas.
Es una categoría pública e independiente: no implica membresía, admisión ni acceso al portal privado.