¿Pueden las juntas directivas con IA superar a las humanas?

Según una encuesta reciente realizada a 500 CEO de todo el mundo, el 94 % cree que la IA podría ofrecer un mejor asesoramiento que al menos uno de los miembros humanos de su junta directiva. En octubre de 2025, Samruk-Kazyna, el Fondo Nacional de Riqueza de Kazajistán, anunció el nombramiento de SKAI (Samruk-Kazyna Artificial Intelligence) como miembro con derecho a voto de su junta directiva. Estamos siendo testigos del rápido crecimiento de la capacidad de los modelos de lenguaje grandes (LLM) para generar resultados relevantes y bien documentados en diversos ámbitos. Por el contrario, la capacidad de los directores humanos independientes para ofrecer un asesoramiento estratégico sólido es limitada. Como dos de nosotros hemos señalado en un artículo reciente de HBR, los miembros no ejecutivos de la junta directiva son trabajadores a tiempo parcial extremadamente ocupados que suelen reunirse solo cuatro o cinco veces al año y que a menudo forman parte de varias juntas directivas. Inevitablemente, están alejados de las operaciones diarias. Incluso los directores ejecutivos, inmersos en sus ámbitos funcionales, a menudo tienen dificultades para conectar los puntos entre disciplinas, conciliar perspectivas contrapuestas y mantenerse al día con la enorme complejidad de los negocios modernos. El resultado puede ser juicios parciales, puntos ciegos e incluso un estancamiento político en torno a la mesa de la junta directiva. Los LLM resultan atractivos en este contexto. Pueden absorber grandes cantidades de información, generar resultados profundamente investigados, trabajar sin descanso y no albergan ambiciones personales. No es de extrañar que un número cada vez mayor de investigadores y profesionales haya abogado por la integración de la IA generativa en los consejos de administración de las empresas, e incluso haya creado aplicaciones para apoyar esa visión. A medida que esta tendencia gana terreno, surgen preguntas inevitables: ¿Las deliberaciones de los consejos de administración quedarán obsoletas? ¿Los chatbots acabarán tomando decisiones tan buenas, o mejores, que los humanos? Para ir más allá de las especulaciones, el Mack Institute for Innovation Management de Wharton y el Center for Corporate Governance del INSEAD diseñaron un experimento para comparar directamente la IA y los consejos de administración humanos. El experimento Los participantes humanos inscritos en el Programa Avanzado para Consejos de Administración del INSEAD participaron en una simulación de dos horas de una reunión del consejo de administración de la empresa ficticia Fotin, basada en un caso real. Se dividieron en seis grupos (o consejos) y se les pidió que prepararan la reunión, para lo cual cada uno recibió con antelación un libro del consejo (agenda de la reunión y materiales de apoyo elaborados por la dirección) y descripciones de sus funciones individuales. A continuación, celebraron la reunión y evaluaron su propio rendimiento utilizando un formulario de evaluación estandarizado con ocho criterios: calidad de las decisiones, viabilidad, aprendizaje colectivo, participación de los directores, uso de datos, proceso justo e inclusivo, profundidad de la exploración y rendimiento del presidente. (Véase el anexo al final de este artículo). Paralelamente, el equipo del Mack Institute construyó una plataforma de simulación de juntas directivas multiagente e independiente del LLM, diseñada para llevar a cabo deliberaciones idénticas y adherirse a las mismas mejores prácticas para las reuniones de juntas directivas que se enseñan en el programa INSEAD. Antes de la reunión, los agentes de IA leyeron todos los documentos y elaboraron notas detalladas en las que exponían sus posiciones sobre los puntos del orden del día, las preocupaciones y los riesgos, las oportunidades y los puntos fuertes, los posibles compromisos, las alianzas estratégicas y un plan de acción inicial. Una vez iniciada la reunión, el presidente virtual guió a la junta a través del orden del día, se aseguró de que todos fueran escuchados y resumió los puntos de vista de los miembros. El experimento requería que los bots decidieran de forma autónoma cuándo hablar o escuchar, cómo ajustar sus objetivos y posiciones, y qué decisiones tomar. Para ello, los equipamos con sistemas de memoria que almacenaban los objetivos en evolución y las opiniones continuamente refinadas de otros miembros de la junta. Inspirados en la cognición humana, estos sistemas funcionaban en tres periodos de tiempo: a corto plazo, los intercambios se almacenaban textualmente; a medio plazo, se convertían en intercambios resumidos; y a largo plazo, se recordaban como momentos destacados condensados. Esta estructura permitía a los bots realizar un seguimiento de las deliberaciones en curso y adaptarse dinámicamente. A largo plazo, se recordaban como aspectos destacados condensados. Esta estructura permitía a los bots realizar un seguimiento de las deliberaciones en curso y adaptarse dinámicamente. Entre cada intervención, los agentes aprovechaban sus recuerdos para reflexionar, analizar reuniones, planificar estrategias y realizar investigaciones externas. Las secuencias de prompts específicos para cada etapa guiaban el análisis de la situación y la verificación de datos, mientras que la recuperación de documentos complementaba la memoria con pruebas relevantes procedentes de un amplio corpus de materiales proporcionados. Si un bot parlante no llamaba explícitamente a un sucesor, su expresión se dividía en unidades semánticas y un algoritmo de cola de prioridad de diálogo determinaba el siguiente hablante utilizando cuatro criterios: Similitud entre las unidades semánticas y los recuerdos de un bot. Importancia y actualidad del recuerdo más similar Importancia de la unidad semántica coincidente con el recuerdo más similar La frecuencia de habla del bot El bot con la puntuación más alta era invitado a hablar, mientras que los demás conservaban sus puntuaciones con una ligera disminución después de cada ronda. En esencia, al igual que en los consejos humanos, si el orador actual mencionaba algo muy relevante para los antecedentes o las ideas recientes de otro bot, era probable que ese bot fuera el siguiente en intervenir. La transcripción de la junta de IA fue evaluada según ocho criterios de gobernanza por tres LLM y tres expertos independientes. Los mismos evaluadores también evaluaron las transcripciones de las seis juntas humanas, al igual que los participantes de esas juntas. Ni a los expertos humanos ni a los evaluadores LLM se les informó si una transcripción determinada había sido producida por una junta humana o por una junta de IA, lo que garantizó que todas las evaluaciones se realizaran de forma doble ciego. Todas las calificaciones utilizaron una escala de tres puntos: deficiente, satisfactorio, bueno. Los resultados La junta directiva con IA obtuvo la puntuación máxima (3 puntos) en cinco criterios tanto de los expertos como de los LLM. Surgieron algunas críticas menores: los LLM calificaron la viabilidad de las decisiones y la preparación de los directores con una puntuación ligeramente inferior (2,7 y 2,9, respectivamente), y los expertos otorgaron un 2,7 a la profundidad de la exploración. Las juntas humanas obtuvieron puntuaciones significativamente más bajas en los ocho criterios por parte de los tres grupos de evaluadores, como se muestra en la siguiente tabla. Pero, en general, los evaluadores de IA y los expertos fueron más críticos con el rendimiento de las juntas humanas que los propios participantes en ellas. Analicemos las diferencias. Vea más gráficos de HBR en Datos y visualizaciones. En cuanto a la calidad de las decisiones, por ejemplo, tanto la IA como los evaluadores expertos señalaron que las juntas humanas a menudo «dudaban y daban vueltas a las opciones sin llegar a una estrategia clara». Sus debates se describieron como «difíciles de seguir» y «no siempre bien articulados». Por el contrario, la junta del chatbot «alcanzó resoluciones claras y viables», y una evaluación destacó cómo «enmarcó las decisiones con contingencias explícitas y pasos a seguir». En cuanto a la viabilidad de las decisiones, los evaluadores expertos señalaron que las juntas directivas humanas «rara vez traducían la estrategia en objetivos concretos» y no ofrecían «un debate suficiente basado en hechos». Se pasó por alto la mitigación de riesgos y los participantes admitieron su incertidumbre sobre cómo se podrían aplicar las estrategias elegidas. Por el contrario, el consejo de administración del chatbot «alineó su dirección con los recursos disponibles» y «tradujo las decisiones principales en acciones concretas». Los evaluadores hicieron hincapié de forma sistemática en que estas decisiones eran «prácticas, realistas y estaban bien alineadas con las limitaciones». En cuanto a la preparación y las pruebas objetivas, los comités humanos mostraron «una participación limitada en la lectura previa» y «perdieron oportunidades para basar sus argumentos en datos». Por su parte, los chatbots «citaron activamente cifras de los documentos», «conciliaron las discrepancias en tiempo real» e «integraron pruebas cuantitativas en su razonamiento». Los LLM describieron las deliberaciones de los chatbots como «bien fundamentadas y cuidadosamente sintetizadas», con planes de implementación que incluían «pasos específicos y contingencias, como objetivos de ahorro de costes y pruebas piloto por fases». Sus debates se caracterizaron por estar «basados en datos, con la conciliación de discrepancias y un uso profundo de los documentos». Los expertos humanos señalaron la dificultad de los chatbots para abordar los aspectos informales, interpersonales y culturales de la gobernanza, ya que ofrecen poco en cuanto a romper el hielo, animar o contextualizar el panorama general. El resultado, sugirieron, fue una junta que destacaba en estructura y detalle, pero que se quedaba corta en las dinámicas relacionales que dan forma a la interacción humana. Para enmarcar el panorama general, esto quizás no sea un problema, pero cuando se trata de la dinámica relacional y afectiva de la gobernanza —el estímulo, la creación de confianza y el vínculo informal que sustenta el juicio colectivo— estas lagunas merecen una reflexión más profunda. Otras lecciones Al preparar el experimento, aprendimos que incitar a los chatbots a interactuar entre sí es una tarea cualitativamente diferente a incitarlos a interactuar con los seres humanos. El diálogo humano se desarrolla con señales tácitas: cuándo hablar o ceder, a quién apoyar o desafiar, y cómo equilibrar la convicción con la curiosidad. Estos comportamientos surgen de valores, personalidades, experiencias y conciencia social y contextual, cualidades que los chatbots actuales no poseen. Por lo tanto, su comportamiento debe estar determinado por instrucciones explícitas que, por su propia naturaleza, son frágiles, incompletas e inflexibles. Esto apunta a una diferencia fundamental: las juntas directivas basadas en IA pueden llegar a decisiones aparentemente acertadas, pero lo hacen de formas que se alejan de la práctica humana. Por lo tanto, la verdadera pregunta es: ¿deberían hacerlo? ¿Queremos juntas directivas que optimicen cada métrica explícita, pero que sigan siendo ciegas a las corrientes subyacentes tácitas, emocionales y relacionales que dan forma al juicio y la confianza? El panorama se vuelve más complejo cuando consideramos la capacidad de los LLM para aprender a través del refuerzo del feedback humano (RLHF). Al detectar patrones en las reacciones de los usuarios, los modelos pueden adquirir una forma limitada de conocimiento tácito, ajustando su forma de responder a diferentes señales. Sin embargo, lo que internalizan exactamente —y si esos patrones se ajustan realmente a la intención humana— sigue siendo opaco. Para la gobernanza, esto plantea tanto promesas como riesgos: los consejos de IA podrían ir adquiriendo gradualmente elementos de juicio y matices, pero de formas difíciles de rastrear o controlar. Estas consideraciones no descartan los consejos de IA, sino que sugieren un camino prudente a seguir. Hoy en día, los presidentes y los miembros de los consejos pueden utilizar los consejos de IA como herramienta de planificación, para simular cómo podría desarrollarse una reunión, anticipar argumentos, poner a prueba opciones o sacar a la luz ideas que se habían pasado por alto. Y si no les gusta lo que revela la IA, tendrán que preguntarse por qué y reflexionar sobre cómo orientar la conversación humana hacia un resultado deseable. Dicho esto, es evidente que las juntas directivas humanas pueden aprender de sus homólogas de IA. Disciplina estructural. Los bots fueron mucho más eficaces que los humanos a la hora de pasar de los hechos a las opciones, de las compensaciones a las decisiones. Por el contrario, los grupos humanos perdieron con frecuencia el control del tiempo y la concentración, y expresaron su frustración por «dar vueltas en círculo». Los evaluadores observaron que los participantes «no mantuvieron un debate detallado», «dejaron que las discusiones se desviaran» y «dejaron que las voces dominantes dirigieran la conversación». Para los directores, la lección es no comportarse como bots preprogramados, sino adoptar técnicas de secuenciación sencillas y distinguir entre las diferentes etapas de las deliberaciones, como compartir hechos, explorar opciones, evaluarlas y seleccionar la decisión. Esto ayudará a mantener el rumbo de los debates complejos. Inclusividad en el diálogo. Los presidentes de IA involucraron de manera fiable a todos los participantes, comprobaron la alineación y dieron la palabra para expresar opiniones discrepantes. En cambio, los presidentes humanos a menudo dejaban que los miembros más vocales dominaran, mientras que otros permanecían al margen. La lección para los presidentes es ser pacientes a medida que se desarrolla la discusión, invitar a los miembros más callados a participar en la conversación, frenar a los miembros más habladores que repiten las mismas ideas, abstenerse de expresar sus propias opiniones demasiado pronto y resumir las opiniones divergentes antes de encaminarse hacia el consenso. Comodidad con lo desconocido. Ante material nuevo o técnico, recurrieron a marcos y preguntas estructuradas para reducir la incertidumbre. Mientras tanto, los grupos humanos a menudo se atascaban cuando las discusiones se centraban en detalles técnicos. La lección aquí es ralentizar y replantear la complejidad con la ayuda de marcos y modelos que pueden no ser familiares para los miembros de la junta, pero que se pueden encontrar (con la ayuda de la IA), en lugar de seguir adelante con una comprensión limitada. La junta directiva de IA pasó por una curva de aprendizaje muy pronunciada en nuestro experimento. Los miembros de la junta directiva pueden adoptar la misma estrategia de aprendizaje para mejorar su rendimiento: profundizar en su comprensión de puntos específicos del orden del día, su empresa y su contexto, en combinación con la ampliación de su comprensión del gobierno corporativo, las teorías sociales que lo sustentan y los marcos conceptuales que describen enfoques eficaces. (La IA puede ayudar en este sentido, como sugerimos en nuestro artículo de HBR, siempre que los directores tengan acceso al servicio LLM de la empresa). Para concluir, volvamos a la encuesta que citamos al principio. En otra sección, el 74 % de los CEO encuestados afirmaron que temían perder sus puestos de trabajo si no demostraban avances en materia de IA, y el 66 % afirmaron que sus consejos de administración les presionaban para que obtuvieran ganancias visibles en productividad gracias a la IA. Si se combinan estos resultados con el escepticismo de los CEO sobre el valor que aportan los consejos de administración a las decisiones estratégicas, queda muy claro que el gobierno corporativo debe adoptar la IA. Las empresas que se resistan a adoptarla a nivel del consejo de administración serán casi con toda seguridad superadas por las empresas que no lo hagan.

¿Pueden las juntas directivas con IA superar a las humanas?

Resumen.

Partner Center