Desconfiar de lo que pensamos

1La paradoja de creer que sabemos

Hace un tiempo conocí de cerca el desarrollo de un agente de inteligencia artificial para una operación productiva: un sistema que debía recomendar ajustes a partir de cientos de variables de proceso, informes técnicos y procedimientos. La prueba de concepto funcionó bien. Entonces, tanto el ejecutivo a cargo del proyecto como el cliente concluyeron que escalarlo era cuestión de agregar variables. Ambos hacían la misma comparación: si ChatGPT podía responder casi cualquier pregunta, este sistema podría recomendar y optimizar a la vez, y entregar siempre la misma respuesta ante la misma situación. El equipo de desarrollo advirtió que eran exigencias difíciles de conciliar. Pero cuando quien compra y quien vende comparten la misma convicción, no queda nadie en la mesa que la ponga a prueba. El alcance se comprometió. Lo que vino después fueron entregables atrasados y resultados que variaban de una ejecución a otra.

No fue un error de inteligencia ni de experiencia. Fue algo más sutil: una convicción formada en un entorno, aplicada a otro muy distinto, sin que nadie pudiera someterla a prueba antes de que se convirtiera en un compromiso. Y no es un caso aislado. Es la forma más común en que hoy se pierde valor con inteligencia artificial, y casi nunca aparece en los análisis, porque no es un problema de la tecnología. Es un problema de cómo juzgamos lo que la tecnología nos muestra.

La psicología lo documentó mucho antes de la IA generativa. En 2002, Leonid Rozenblit y Frank Keil, de la Universidad de Yale, pidieron a un grupo de personas que calificaran cuánto entendían el funcionamiento de objetos cotidianos, como un cierre eclair, un inodoro o una cerradura. Después les pidieron que explicaran, paso a paso, cómo funcionaban. Al volver a calificarse, la nota caía. Los investigadores llamaron al fenómeno ilusión de profundidad explicativa: confundimos la familiaridad con algo con la comprensión de cómo funciona, y solo lo descubrimos cuando tenemos que explicarlo.¹

Trece años después, Matthew Fisher, Mariel Goddu y el mismo Keil mostraron que buscar en internet infla esa ilusión. Quienes acababan de buscar información se declaraban más conocedores incluso de temas sobre los que no habían buscado nada, y aun cuando la búsqueda no les había entregado la respuesta.² Con una fuente externa siempre disponible, se vuelve fácil confundir lo que sabemos con lo que podemos consultar.

La IA generativa lleva esto un paso más allá. Ya no solo encuentra información: la explica, la resume y construye con ella. Podemos desarrollar una aplicación sin dominar su arquitectura, producir un análisis sin conocer sus supuestos o recibir una recomendación sobre un problema que excede nuestra experiencia. En 2024, la antropóloga Lisa Messeri y la psicóloga Molly Crockett advirtieron en Nature que este riesgo ya alcanza a la ciencia: la IA puede llevar a los investigadores a producir más mientras comprenden menos.³ Si eso le ocurre a quien se entrena para dudar, también puede ocurrirle a un comité ejecutivo.

El cambio de fondo es este: la complejidad de lo que podemos producir ya no está limitada por la profundidad de lo que entendemos. Durante décadas, construir un sistema exigía comprender buena parte de él, y esa exigencia funcionaba como un control natural. La IA lo eliminó. La distancia que se abre entre ambas capacidades, que llamo brecha de comprensión, no es una teoría nueva. Es el mecanismo psicológico donde empieza algo que he descrito antes como Deuda de Liderazgo en IA (AI Leadership Debt),¹⁹ y este artículo intenta mostrar cómo se recorre ese camino, de la mente de quien decide al balance de la empresa.

2Por qué la IA amplifica la ilusión

Hay una razón por la que las respuestas de la IA nos convencen tanto, y no tiene que ver con su exactitud. La psicología cognitiva llama fluidez a la facilidad con que procesamos una información, y una larga línea de investigación, sintetizada por Adam Alter y Daniel Oppenheimer en 2009, muestra que lo que se procesa con facilidad tiende a juzgarse más verdadero, más familiar y más confiable.⁴ Entre personas, la fluidez es una señal razonable: quien explica algo con claridad suele saber de qué habla. La IA rompe esa correlación. Escribe con la misma soltura cuando acierta que cuando se equivoca, sin titubeos y con estructura impecable.

A eso se suma un sesgo más antiguo. En 1998, Raymond Nickerson revisó décadas de evidencia sobre el sesgo de confirmación: la tendencia a buscar, interpretar y recordar información de manera que favorezca lo que ya creemos.⁵ Con la IA, el sesgo empieza en la pregunta. Un ejecutivo convencido de que los agentes reducirán sus costos de desarrollo le pide a una herramienta que identifique oportunidades de automatización, estime beneficios y arme el argumento para la inversión. Recibe respuestas coherentes y técnicamente plausibles. Pero si nunca preguntó bajo qué condiciones la estrategia fracasaría, cuánto costarían la integración, la supervisión y la mantención, o qué alternativa entregaría más valor con menos inversión, la herramienta tampoco lo hizo. Una respuesta correcta a una pregunta sesgada no es una decisión bien fundamentada.

Y la herramienta no es neutral frente a ese sesgo. En 2024, investigadores de Anthropic documentaron que los asistentes de IA más usados tienden a la complacencia (sycophancy): ajustan sus respuestas a la opinión que el usuario deja ver, incluso a costa de la exactitud, en parte porque los datos con que se entrenan premian las respuestas que nos gustan.⁶ La IA puede comportarse como un espejo que responde. Usada para buscar contraargumentos, es una herramienta extraordinaria para cuestionarnos. Usada para confirmar, es la más convincente que hemos tenido.

La evidencia sobre su uso en el trabajo va en la misma dirección. En una encuesta a 319 trabajadores del conocimiento, con 936 ejemplos reales de uso, investigadores de Microsoft y de la Universidad Carnegie Mellon encontraron que mientras más confianza tenían las personas en la IA, menos pensamiento crítico aplicaban, y que lo contrario ocurría con la confianza en sí mismas.⁷ El esfuerzo no desaparece: se traslada de producir a verificar. El problema es que verificar exige justamente el conocimiento que creemos tener.

El experimento más revelador lo hicieron en 2023 investigadores de Harvard y otras universidades junto a Boston Consulting Group, con 758 consultores. En tareas dentro del alcance de la IA, quienes la usaron completaron un 12 % más de tareas, un 25 % más rápido y con un 40 % más de calidad. En una tarea fuera de ese alcance, quienes usaron IA tuvieron 19 puntos porcentuales menos de probabilidad de llegar a la respuesta correcta.⁸ Los autores la llamaron una frontera irregular: la IA es excelente en tareas que parecen difíciles y falla en otras que parecen simples, y nada en sus respuestas avisa cuándo se cruzó el límite. Responde con la misma fluidez a ambos lados.

3La distancia entre percepción y medición

La brecha entre lo que creemos y lo que ocurre también se puede medir en tiempo. A comienzos de 2025, la organización de investigación METR asignó a 16 desarrolladores experimentados 246 tareas reales en proyectos de código abierto que conocían bien, y sorteó en cuáles podían usar IA. Antes de empezar, estimaron que la IA los haría un 24 % más rápidos. Al terminar, creían que habían ganado un 20 %. El cronómetro marcó lo contrario: con IA tardaron un 19 % más.⁹

El estudio no permite concluir que la IA reduzca la productividad en general: usó herramientas de comienzos de 2025, en condiciones específicas, y una actualización de METR de febrero de 2026 muestra indicios de mejora con herramientas posteriores, aunque sin poder estimar su magnitud.¹⁰ Analicé sus implicancias para el desarrollo de software en un artículo anterior sobre el costo oculto del vibe coding. Lo que importa aquí es otro hallazgo, que lo trasciende: la percepción de mejora puede diferir mucho del resultado medido, y no se corrige sola, ni siquiera después de vivir la experiencia.

Las organizaciones repiten ese error a escala. Miden lo que es fácil de observar: modelos implementados, agentes desarrollados, horas supuestamente ahorradas, procesos automatizados, usuarios activos de herramientas generativas. Son indicadores legítimos de adopción, pero no son evidencia de valor. Una empresa puede generar más código y aumentar sus costos de mantención, automatizar actividades sin bajar sus costos operacionales, producir más información sin mejorar sus decisiones o mejorar un indicador operacional sin que el beneficio llegue a sus resultados financieros.

Hay tres cosas distintas que se confunden con facilidad: la capacidad tecnológica (lo que la IA permite hacer), el resultado operacional (lo que efectivamente cambia en procesos y decisiones) y el valor empresarial (el beneficio económico que la organización logra capturar y sostener). Están relacionadas, pero no son equivalentes. Y mientras más fácil es producir resultados con IA, más fácil es confundir la primera con la tercera.

4Por qué la experiencia no protege

Sería cómodo pensar que este problema afecta sobre todo a quienes tienen poca experiencia. La evidencia sugiere algo más incómodo. En 2009, Daniel Kahneman y Gary Klein, dos investigadores que llevaban años en veredas opuestas sobre el valor de la intuición, publicaron un artículo conjunto para establecer en qué estaban de acuerdo. Su conclusión fue que la intuición experta es confiable solo cuando se cumplen dos condiciones: un entorno con regularidades suficientes y la oportunidad de aprenderlas mediante práctica prolongada con retroalimentación rápida y clara. Un bombero o un ajedrecista desarrollan intuiciones notables porque el entorno les dice pronto si acertaron. Otros expertos, en entornos donde la retroalimentación es lenta o ambigua, desarrollan confianza sin precisión. Y la confianza subjetiva, concluyeron, no es una buena medida de la calidad del juicio.¹¹

En 2001, Robin Hogarth le dio nombre al segundo caso: entornos traicioneros (wicked), donde la retroalimentación falta, llega tarde o, peor, enseña la lección equivocada.¹² En ellos, la experiencia acumula confianza al mismo ritmo que acumula errores.

Una decisión de inversión en IA ocurre en un entorno traicionero, por tres razones.

• Lo que llega rápido es la actividad, y casi siempre es positiva. El prototipo funciona, los usuarios se suman, el código se genera, los indicadores de adopción suben. Cada señal temprana confirma la decisión.
• El valor llega meses después y mezclado. Cuando aparece, viene revuelto con cambios de precios, de demanda, de otros proyectos y de personas. Atribuirlo a la IA, o descartarlo, exige un trabajo que pocas organizaciones hacen.
• La experiencia que la mayoría de los ejecutivos tiene con IA es otra. Viene de usar asistentes conversacionales, un entorno amable donde la respuesta es inmediata y uno juzga en segundos si sirve. Esa experiencia enseña algo real, pero sobre un sistema distinto. Es lo que ocurrió en el caso del comienzo: una intuición genuina, formada con ChatGPT, aplicada a un sistema industrial conectado a cientos de variables, donde la variabilidad de las respuestas no es una curiosidad sino un problema operacional.

El error también puede ir en la dirección contraria. Un ejecutivo que vio fracasar varios proyectos tecnológicos puede leer la IA desde esa experiencia y descartar oportunidades que hoy sí son viables. Es la otra cara de lo que llamo Executive AI Expectation Gap, la distancia entre lo que los ejecutivos esperan de la IA y las condiciones reales para implementarla: sobreestimarla produce inversiones mal diseñadas; subestimarla, oportunidades perdidas. Ambas tienen el mismo origen: una experiencia parcial convertida en convicción sin que nada la haya puesto a prueba.

La experiencia no es el problema. El problema es dejar de examinar las condiciones bajo las cuales nuestras conclusiones siguen siendo válidas. Y aquí está, a mi juicio, la idea central de este artículo: si el entorno no le entrega al juicio ejecutivo la retroalimentación que necesita, la organización tiene que construirla. Esa es la función más subestimada de medir el valor de la IA.

5De la creencia al balance

Si se juntan las piezas, aparece un mecanismo que va de la mente de quien decide a los estados financieros. Tiene seis eslabones, y el caso del comienzo los recorre todos.

Una señal. Una respuesta fluida, una demo convincente, un prototipo que funciona en una tarde. En el caso, la experiencia cotidiana con ChatGPT.

Una creencia. La señal se interpreta como prueba de comprensión. Aquí operan la ilusión de profundidad explicativa, la fluidez y la complacencia del modelo. Escalar es solo agregar variables.

Una expectativa. La creencia se convierte en plazos, costos y resultados esperados. Un mismo sistema que recomiende, optimice y responda siempre igual: tres exigencias que chocan entre sí, porque un modelo generativo es variable por diseño.

Una decisión. La expectativa se convierte en presupuesto, alcance, arquitectura o dotación. En el caso, un alcance comprometido con el cliente. Cuando la convicción es compartida entre quien compra y quien vende, el sesgo de confirmación deja de ser individual: se vuelve un acuerdo entre organizaciones, y el contrato lo deja por escrito.

Un compromiso. Una vez tomada, la decisión se defiende. Barry Staw mostró en 1976 que quienes son responsables de una decisión que empieza a fallar tienden a comprometer más recursos en ella, no menos.¹³ Los indicadores de actividad le dan cobertura: siempre hay algo que avanza. Y la única retroalimentación disponible, las advertencias del equipo técnico, queda en minoría.

Una deuda. Entregables atrasados, resultados variables, retrabajo, credibilidad gastada con el cliente. El costo de la creencia aparece en el balance meses después, cuando ya nadie lo asocia con su origen.

Dos observaciones sobre este mecanismo. La primera es que cada eslabón amplifica al anterior: la señal fluida refuerza la creencia, la creencia sesga las preguntas que se hacen al estimar la expectativa, la decisión crea un compromiso que se protege, y el compromiso filtra la evidencia que podría corregirlo. Un error de juicio temprano no se diluye en el camino. Se institucionaliza.

La segunda es que en ningún eslabón falla la tecnología. El agente del caso hacía lo que un sistema de ese tipo puede hacer. Lo que falló fue la distancia entre eso y lo que se creyó, se esperó y se comprometió. Daniel Kahneman y Dan Lovallo lo describieron en 2003 como el predominio de la visión interna: planificar desde los detalles del propio proyecto, en vez de preguntar cómo les fue a proyectos parecidos.¹⁴ Con la IA, la visión interna es aún más tentadora, porque cada demo parece única.

Por eso, la deuda de liderazgo no empieza cuando fracasa el proyecto. Empieza cuando una creencia sin examinar se convierte en un compromiso.

6Lo que la tecnología no puede convertir sola

Este mecanismo se puede expresar en los términos de AI Value Realization Theory (AVRT), el marco con que analizo cómo la IA se convierte en valor.¹⁹ En su forma más simple, el valor realizado se escribe como V = α · P · Γ · Φ, donde P es el potencial técnico de la IA, Γ indica cuán cerca está la empresa de la frontera tecnológica de su industria y Φ es su eficiencia de conversión: la parte del potencial que la organización logra transformar en decisiones, acciones y valor capturado.

Cada nueva generación de modelos sube P. Pero el valor depende de un producto, no de una suma, y Φ no es tecnología: es propiedad de las iniciativas, gobierno, diseño del trabajo y liderazgo. Lo que este artículo agrega es que también es juicio. Los sesgos de las secciones anteriores no afectan lo que la IA puede hacer. Afectan cuánto de eso se convierte en valor, y lo hacen en eslabones precisos de la cadena que AVRT mide: si la inteligencia cambia una decisión (DCR, Decision Conversion Rate), si esa decisión se ejecuta (ACR, Action Conversion Rate) y si la acción produce valor medible (VCR, Value Conversion Rate).

Hay aquí un matiz que vale la pena explicitar, y que planteo como hipótesis. Una organización con un juicio sesgado puede mostrar una alta conversión de decisiones y, aun así, una baja conversión de valor. Si la IA cambia muchas decisiones, pero sin que nadie haya evaluado si su resultado era suficientemente confiable para cada una, el DCR sube y el VCR cae después. La organización decidió más, no mejor. Para que la conversión refleje valor, cada decisión tendría que pasar antes por una pregunta simple: ¿es esta inteligencia lo bastante confiable para esta decisión, en estas condiciones?

AVRT mide la restricción que está detrás de todos esos eslabones con el AI Leadership Debt Index, ALDI = 100 · (1 − Φ). Visto así, la deuda de liderazgo es la acumulación de decisiones tomadas desde creencias que nadie sometió a prueba, y la brecha de comprensión es una de sus fuentes principales. La deuda puede tomar formas opuestas: subestimar la arquitectura que exige pasar de una prueba de concepto a una solución operacional, sobreinvertir en infraestructura antes de validar la hipótesis de valor, multiplicar iniciativas sin medir ninguna o postergar inversiones viables por una desconfianza que ya no corresponde.

Esto lleva a una paradoja. Imaginemos una empresa que empieza usando IA para redactar documentos, luego incorpora asistentes para analizar información, después implementa agentes conectados a sus sistemas y finalmente les permite ejecutar acciones sobre procesos operacionales. En cada etapa sube el potencial de valor. Pero también sube el costo de una decisión equivocada. Si la capacidad de evaluar, gobernar y medir se mantiene igual, la empresa termina operando sistemas cada vez más sofisticados bajo supuestos que nadie revisó. De ahí una hipótesis que considero central para la Deuda de Liderazgo en IA: la deuda de liderazgo puede crecer mientras la tecnología mejora, si la adopción avanza más rápido que la capacidad de la organización para comprender, gobernar y evaluar lo que adopta.

Es también la explicación más simple de por qué empresas con acceso a los mismos modelos obtienen resultados tan distintos. No compiten en P, que se compra. Compiten en Φ, que se construye.

7La medición como refutación

La filosofía lleva siglos ofreciendo una respuesta a este problema. La tradición socrática enseña que la convicción personal no es evidencia de conocimiento, y que reconocer los límites de lo que sabemos no es renunciar a saber, sino la condición para examinarlo.¹⁵ Karl Popper llevó esa idea a la ciencia: una teoría vale en la medida en que se expone a pruebas capaces de refutarla. Su aporte no fue prometer certezas, sino aceptar que nuestras explicaciones pueden ser incorrectas y que el progreso depende de buscar activamente dónde lo son.¹⁶ John Dewey agregó que el conocimiento no es una acumulación de respuestas, sino un proceso de investigación que se revisa a la luz de sus consecuencias.¹⁷

Llevado a la empresa, esto cambia la forma de entender una decisión de inversión. Una organización convencida de que la IA reducirá sus costos operacionales justifica la inversión, fija metas financieras y desarrolla una solución técnicamente sofisticada. La pregunta popperiana es incómoda: ¿definió qué resultado demostraría que la inversión no está produciendo el valor esperado? ¿O sus indicadores están diseñados para justificar una decisión que ya se tomó? En el primer caso, la organización usa la evidencia para aprender. En el segundo, la selecciona para confirmar.

Chris Argyris describió esa diferencia en 1977 como aprendizaje de ciclo simple y de ciclo doble.¹⁸ En el primero, la organización corrige sus acciones para alcanzar la meta. En el segundo, también revisa los supuestos que la llevaron a fijar esa meta. Un dashboard de adopción de IA, en el mejor de los casos, permite el ciclo simple. La pregunta que importa, si la hipótesis original era correcta, exige el doble.

Aquí es donde la medición de AVRT cumple su función más importante, la que conecta con la sección 4: es la retroalimentación que el entorno no le da al juicio ejecutivo. Para que lo sea, tiene que diseñarse antes de invertir, no después. Si una organización espera que la IA reduzca los costos de un proceso, necesita definir de antemano cómo medirá esos costos, qué cambio espera ver en cada eslabón, qué inversiones adicionales serán necesarias, cómo separará el efecto de la IA del de otros factores y qué resultado la llevaría a corregir el rumbo o detenerse. DCR, ACR y VCR se miden entonces contra la hipótesis inicial, no contra cero.

En el caso del comienzo habría bastado una pregunta antes de comprometer el alcance: ¿qué resultado de la próxima etapa nos demostraría que escalar no es solo agregar variables? Por ejemplo, medir cuánto varía la recomendación del sistema frente a una misma situación de planta. Es un experimento de semanas. Habría convertido una convicción compartida en una hipótesis contrastable, y la advertencia del equipo técnico en un dato.

Medir el valor de la IA no debería servir solo para demostrar que acertamos. También para descubrir a tiempo cuándo no.

8Desconfiar de lo que pensamos

Desconfiar de lo que pensamos no significa renunciar a las convicciones ni cuestionar indefinidamente cada decisión. Las organizaciones necesitan actuar con información incompleta, y el liderazgo consiste en gran parte en hacerlo. Se trata de algo más acotado: construir una relación más rigurosa entre lo que creemos y la evidencia que lo sostiene, justo en el entorno donde esa relación es más fácil de perder.

En la práctica, se puede reducir a cinco preguntas antes de comprometer recursos importantes. Las cuatro primeras siguen la lógica de la contrastación. La quinta la agrega el caso del comienzo.

1. ¿Qué creemos que la IA puede mejorar? La respuesta debería nombrar un problema, una decisión, un proceso o un resultado concreto, no una capacidad.
2. ¿Por qué lo creemos? No es lo mismo una experiencia personal, una demo, un experimento controlado o un resultado operacional. Cada uno justifica un nivel distinto de compromiso.
3. ¿Qué nos demostraría que estamos equivocados? Sin un criterio de refutación definido de antemano, es imposible distinguir entre aprender y justificar.
4. ¿Cómo sabremos si generamos valor? La respuesta tiene que conectar la capacidad tecnológica con cambios verificables en decisiones, operaciones y resultados económicos.
5. ¿Quién en la mesa puede contradecirnos? Si todos los que deciden comparten la misma convicción, la organización perdió su principal fuente de retroalimentación. Hay que buscar, y escuchar, a quien ve el problema desde otro lugar.

Estas preguntas no eliminan el riesgo, pero permiten reconocerlo a tiempo. Por eso la alfabetización ejecutiva en IA debería ir mucho más allá de entender cómo funcionan los modelos o aprender a usar herramientas generativas. Debería formar juicio: evaluar evidencia, reconocer incertidumbre, distinguir una demo de un resultado. Un ejecutivo no necesita tener todas las respuestas. Sí necesita saber cuándo su conocimiento no alcanza para suponer que las tiene.

La IA puede ayudarnos a superar los límites de lo que sabemos, y también puede ocultarlos. Puede acelerar el aprendizaje, y también decisiones construidas sobre supuestos equivocados. Puede ampliar enormemente lo que somos capaces de producir, pero no garantiza que sepamos evaluar cuánto vale. Por eso, quizá la capacidad más importante del liderazgo en esta etapa no sea aprender a confiar más en la tecnología, ni a desconfiar de ella, sino desconfiar, de manera constructiva, de aquello que creemos saber.

Cuando las respuestas se vuelven extraordinariamente fáciles de obtener, la capacidad de cuestionarlas se convierte en ventaja competitiva. Y cuando nuestras creencias deciden cómo se comprometen recursos, personas y capacidades, reconocer que podemos estar equivocados deja de ser solo una virtud intelectual.

Se convierte en una responsabilidad del liderazgo.

Referencias

1. Rozenblit, L. y Keil, F. (2002). The Misunderstood Limits of Folk Science: An Illusion of Explanatory Depth. Cognitive Science, 26(5), 521–562.
2. Fisher, M., Goddu, M. K. y Keil, F. C. (2015). Searching for Explanations: How the Internet Inflates Estimates of Internal Knowledge. Journal of Experimental Psychology: General, 144(3), 674–687.
3. Messeri, L. y Crockett, M. J. (2024). Artificial Intelligence and Illusions of Understanding in Scientific Research. Nature, 627, 49–58.
4. Alter, A. L. y Oppenheimer, D. M. (2009). Uniting the Tribes of Fluency to Form a Metacognitive Nation. Personality and Social Psychology Review, 13(3), 219–235.
5. Nickerson, R. S. (1998). Confirmation Bias: A Ubiquitous Phenomenon in Many Guises. Review of General Psychology, 2(2), 175–220.
6. Sharma, M. y otros (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024. arxiv.org/abs/2310.13548
7. Lee, H.-P. y otros (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025. doi.org/10.1145/3706598.3713778
8. Dell’Acqua, F. y otros (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School, Working Paper 24-013.
9. Becker, J., Rush, N., Barnes, B. y Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR. arxiv.org/abs/2507.09089
10. METR (2026). We Are Changing Our Developer Productivity Experiment Design, 24 de febrero de 2026. metr.org
11. Kahneman, D. y Klein, G. (2009). Conditions for Intuitive Expertise: A Failure to Disagree. American Psychologist, 64(6), 515–526.
12. Hogarth, R. M. (2001). Educating Intuition. University of Chicago Press; y Hogarth, R. M., Lejarraga, T. y Soyer, E. (2015). The Two Settings of Kind and Wicked Learning Environments. Current Directions in Psychological Science, 24(5), 379–385.
13. Staw, B. M. (1976). Knee-Deep in the Big Muddy: A Study of Escalating Commitment to a Chosen Course of Action. Organizational Behavior and Human Performance, 16(1), 27–44.
14. Lovallo, D. y Kahneman, D. (2003). Delusions of Success: How Optimism Undermines Executives’ Decisions. Harvard Business Review, 81(7), 56–63.
15. Platón. Apología de Sócrates.
16. Popper, K. R. (1959). The Logic of Scientific Discovery. Hutchinson. Publicada originalmente en alemán en 1934.
17. Dewey, J. (1938). Logic: The Theory of Inquiry. Henry Holt and Company.
18. Argyris, C. (1977). Double Loop Learning in Organizations. Harvard Business Review, 55(5), 115–125.
19. Barrientos, C. (2026). AI Value Realization Theory: resumen ejecutivo; El P&L puede estar bien, y la decisión sobre IA seguir estando equivocada (Deuda de Liderazgo en IA); Vibe coding sin control. claudiobarrientos.com

El caso del comienzo es real y está descrito de forma genérica para no identificar a las organizaciones ni a las personas involucradas. Las conexiones entre la psicología del juicio, la Deuda de Liderazgo en IA, el Executive AI Expectation Gap y AVRT son interpretaciones e hipótesis del autor, que requieren validación empírica.