Applying Artificial Intelligence and Big Data Analytics in Forecasting the Effectiveness of Managerial Strategic Decision Making

En el mundo empresarial moderno, los líderes enfrentan un desafío constante: tomar decisiones de alto nivel en un panorama que cambia más rápido de lo que cualquier persona puede rastrear. Para navegar esto, muchas organizaciones están recurriendo a la inteligencia artificial y al análisis de grandes volúmenes de datos (big data). Estos no son solo herramientas para clasificar archivos; son sistemas diseñados para encontrar patrones en cantidades masivas de información que abrumarían a una mente humana. Sin embargo, una pregunta crítica permanece: ¿pueden estos sistemas digitales tomar decisiones que no solo sean inteligentes, sino también legalmente sóliles y estratégicamente efectivas? La respuesta no es sencilla. Una decisión puede ser eficiente pero romper una regla, o puede seguir la ley pero fallar en cumplir un objetivo de negocio. Investigadores están intentando construir un puente entre el poder bruto del análisis de datos y los límites estrictos del cumplimiento legal, preguntándose si una computadora puede aprender a sopesar la importancia de un objetivo de negocio frente al riesgo de una penalización legal.

Un investigador de la Universidad Tay Do en Vietnam se propuso probar esta idea construyendo un sistema digital diseñado para simular cómo un gerente podría tomar decisiones estratégicas. Crearon un entorno virtual donde un agente de inteligencia artificial tenía que navegar por un complejo conjunto de reglas basadas en las leyes de tecnología de la información. El objetivo era ver si el sistema podía predecir qué tan bien performaría una decisión, medida por un indicador clave de desempeño (KPI) estándar. Para hacer esto, el investigador no solo alimentó a la computadora con números brutos. En su lugar, diseñó el sistema para imitar cinco formas específicas en que una mente humana procesa la información: la capacidad de gestionar recursos, la capacidad de pensar sobre el propio pensamiento, la habilidad de enfocarse en lo que importa, la velocidad de aprendizaje de nuevas reglas y la capacidad de comprender las normas sociales y organizacionales. Estas cinco habilidades cognitivas fueron tratadas como los bloques de construcción para el proceso de toma de decisiones de la computadora.

El investigador construyó un enorme flujo de trabajo digital para probar su idea. Primero, el sistema recopiló texto de diversos documentos, como informes legales y documentos de políticas, y los limpió para que la computadora pudiera leerlos. Luego, tradujo estas reglas escritas a un formato que la máquina pudiera entender, asignando pesos a diferentes requisitos como la privacidad de datos o la alineación ejecutiva. A continuación, el sistema generó un conjunto de datos simulados de 1,500 diferentes escenarios de toma de decisiones. En cada escenario, la computadora tenía que equilibrar sus cinco habilidades cognitivas contra las reglas legales para producir una puntuación final. Esta puntuación representaba qué tan exitosa sería la decisión, con un rango de cero a cien. El investigador luego entrenó un modelo de aprendizaje automático con estos datos, enseñándole a observar las cinco habilidades cognitivas y a adivinar cuál sería la puntuación final. Utilizaron un método que construye muchos árboles de decisión pequeños para encontrar patrones, con la esperanza de que la computadora pudiera aprender las conexiones ocultas entre cómo piensa un sistema y qué tan bien desempeña su función.

Cuando el investigador probó su modelo, los resultados revelaron una verdad difícil sobre el estado actual de esta tecnología. El sistema fue capaz de ejecutar todo el proceso sin problemas, desde la lectura de los documentos hasta la generación de una lista final de puntuaciones predichas. Sin embargo, cuando el investigador verificó qué tan precisas eran las predicciones, encontró que el modelo luchaba por capturar la verdadera complejidad del problema. Las conjeturas de la computadora a menudo estaban erradas por un margen significativo y, en algunas medidas estadísticas, el modelo funcionó peor que simplemente adivinar la puntuación promedio para cada situación. Los datos mostraron que los resultados reales caían en dos grupos distintos: decisiones que puntuaban muy bajo y decisiones que puntuaban muy alto, mientras que las predicciones de la computadora tendían a agruparse en el medio, perdiendo por completo los extremos. Esto sugiere que, si bien el sistema podía procesar la información, carecía del contexto profundo necesario para distinguir entre una elección promedio y segura y una estrategia de alto riesgo y alta recompensa.

El estudio concluye que, si bien el marco para combinar la inteligencia artificial con la gobernanza legal es factible, la tecnología aún no está lista para reemplazar el juicio humano en estas áreas complejas. El investigador encontró que los modelos actuales no podían considerar plenamente las variables ocultas que empujan una decisión hacia las categorías de "alto riesgo" o "alta recompensa". Observó que el sistema funcionaba mejor cuando se mantenía en el terreno medio, evitando los resultados más extremos, lo cual es un enfoque seguro pero limitado para la planificación estratégica. El investigador sugiere que el trabajo futuro debe centrarse en añadir información más detallada al sistema, como mejores formas de medir el contexto legal específico de cada decisión, y desarrollar modelos que puedan explicar su razonamiento con mayor claridad. Por ahora, esta investigación sirve como una prueba de concepto, demostrando que es posible traducir las reglas legales en datos digitales, pero también resaltando que el camino hacia una toma de decisiones estratégica, autónoma y conforme requiere mucho más que solo potencia de procesamiento.