Hay una clase de restaurante al que nadie quiere ir y, sin embargo, todos terminamos yendo: el que gana una conversación de grupo. Siete personas. Cincuenta y cuatro mensajes en WhatsApp. Una alergia al marisco, dos presupuestos incompatibles, tres «a mí me da igual» y alguien que necesita aparcar prácticamente dentro de la cocina.
Dos horas después, la democracia gastronómica produce su obra maestra: el mismo italiano de siempre.
No entusiasma a nadie.
Tampoco molesta lo suficiente como para seguir discutiendo.
Las organizaciones llevan décadas tomando algunas de sus decisiones más importantes de una manera bastante parecida. Una propuesta entra en una reunión con cierta personalidad y sale de ella correctamente peinada, sin aristas y con la mirada perdida. Cada participante ha contribuido con una objeción razonable. Nadie ha cometido ningún disparate. El resultado funciona.
Solo que ya no hay demasiado que recordar.
De la cena por consenso al diseño por comité. De la prudencia compartida al promedio competente. De la voluntad de no equivocarse a esa forma de corrección que consigue no ofender a nadie porque tampoco se ha comprometido del todo con nada.
La inteligencia artificial no inventó este problema. Lo ha vuelto más visible.
Hace unos días leí «Taste cannot be delegated (abre en una pestaña nueva)» (El gusto no puede ser delegado), una pieza de la diseñadora Aurélie Radom que recomiendo a cualquiera que trabaje tomando decisiones creativas, estratégicas o de producto. Su tesis conecta de manera casi indecente con varias ideas que hemos ido trabajando en Señal Sintética: producir se ha vuelto fácil; decidir con criterio es lo difícil. La IA puede pulir casi cualquier superficie, pero alguien debe saber qué arrugas conviene conservar. Y que una herramienta sea capaz de hablar no significa que tengamos que dejarla hacerlo cada vez que se le ocurre algo.
Radom plantea una distinción particularmente útil: una cosa es reconocer qué suele gustar, otra, decidir qué debería existir.
Los sistemas generativos aprenden de cantidades enormes de trabajo humano, clasificaciones, comparaciones y señales de preferencia. Pueden detectar patrones que ningún profesional sería capaz de observar a esa escala. Pueden deducir qué composiciones suelen funcionar, qué estructuras resultan familiares, qué tono se percibe como elegante o qué interfaz exige menos esfuerzo al usuario.
Pero predecir una preferencia no es lo mismo que ejercer criterio.
La preferencia describe lo que la gente suele elegir. El criterio intenta explicar por qué una opción es la adecuada en una situación concreta, aunque todavía no haya datos suficientes para demostrarlo y aunque, en un primer momento, resulte menos cómoda que las alternativas.
En español, además, taste plantea una pequeña dificultad.
«Gusto» puede sonar a inclinación decorativa: me gusta este azul, no me gusta esa tipografía, prefiero la fotografía de la izquierda. Una colección de inclinaciones personales con la que se puede discutir durante horas.
El sentido que adopta en el artículo es más amplio. Incluye una biblioteca interior de referencias, la capacidad de reconocer la calidad, la sensibilidad para entender el contexto y la disposición a elegir entre posibilidades que compiten entre sí.
Eso se parece mucho más a lo que aquí solemos llamar criterio.
El gusto reconoce.
El criterio elige.
El liderazgo responde.
Y la excelencia aparece cuando esas tres cosas coinciden durante el tiempo suficiente.
No me interesa refugiarme en la afirmación cómoda de que una máquina jamás podrá tener gusto. Las afirmaciones sobre aquello que la IA «nunca» podrá hacer tienen la desagradable costumbre de caducar antes que el yogur.
Los sistemas aprenderán a interpretar mejor el contexto, inferirán intenciones, compararán referencias, detectarán incoherencias y defenderán opciones con argumentos cada vez más convincentes. Quizá desarrollen algo que, desde fuera, se parezca bastante a aquello que hoy llamamos buen gusto.
La pregunta verdaderamente importante no es si podrán imitarlo. Es quién responderá por la decisión.
Porque el criterio no se forma únicamente contemplando trabajos excelentes. Se forma cuando una elección tiene consecuencias. Cuando escoger una dirección obliga a abandonar otras noventa y nueve. Cuando no existe una métrica que garantice el resultado. Cuando alguien debe explicar por qué ha dicho «esto sí» y, sobre todo, por qué ha dicho «todo lo demás, no».
Una IA puede generar cien identidades visuales antes de que termine el café. Puede ordenarlas, compararlas y justificar cada una con una seguridad que haría palidecer a más de un director creativo.
Lo que no hace es perder un cliente si la elección fracasa.
No tiene que defenderla frente al consejo de administración.
No ve cómo una mala decisión consume seis meses de trabajo, erosiona la confianza de un equipo o convierte una marca con personalidad en otra superficie beige flotando en internet.
Puede participar en la decisión.
No carga con ella.
El artículo establece un paralelismo muy fértil entre la IA y el diseño por comité. Ambos son extraordinariamente buenos reuniendo señales. Ambos pueden identificar qué prefieren muchas personas. Y ambos corren el riesgo de confundir la agregación de preferencias con una dirección.
El problema no es colaborar.
Tampoco es medir.
Ni, por supuesto, utilizar inteligencia artificial.
El problema empieza cuando esas herramientas sustituyen la propiedad de la decisión.
En una reunión de diseño, cada área tiene algo legítimo que aportar. Producto defiende las necesidades del usuario. Ingeniería señala los límites técnicos. Marketing protege el posicionamiento. Ventas trae las objeciones del cliente. Legal recuerda que la cárcel, aunque muy inmersiva, no suele formar parte de la experiencia de marca deseada.
La colaboración mejora una decisión cuando existe alguien responsable de resolver las tensiones.
La erosiona cuando cada observación se convierte en un pequeño derecho de veto.
Así nace el promedio. No porque nadie lo haya pedido expresamente, sino porque es lo único que sobrevive cuando todas las partes deben quedar satisfechas en la misma proporción.
El resultado rara vez es desastroso.
Ese es precisamente el problema.
Suele ser correcto. La tipografía está bien. La navegación funciona. El lenguaje es razonable. El color principal ha superado catorce rondas de aprobación y ya no guarda rencor a nadie.
Nada está claramente mal.
Nada importa demasiado.
La mediocridad contemporánea no siempre llega despeinada. A menudo tiene una presentación impecable, un sistema de diseño consistente y datos suficientes para defenderse.
Radom recuerda varios casos en los que una decisión relevante no nació de preguntar al presente qué prefería, sino de imaginar qué podía necesitar el futuro.
Eliminar el teclado físico del teléfono parecía absurdo cuando el teclado era precisamente la característica que distinguía a los dispositivos profesionales. Prescindir del nombre de Mastercard en muchas aplicaciones de su identidad podía interpretarse como un riesgo innecesario hasta que alguien entendió que los dos círculos ya habían acumulado suficiente significado. Y Snow Fall, la célebre experiencia multimedia de The New York Times (abre en una pestaña nueva), no surgió de optimizar un artículo convencional, sino de preguntarse qué podía llegar a ser una narración digital.
Ninguna de esas decisiones era inevitable antes de existir.
Después lo parecieron.
La excelencia suele tener esa mala educación: incomoda antes de resultar obvia.
Los datos pueden ayudarnos a mejorar lo que ya conocemos. Nos dicen dónde se detiene un usuario, qué botón pulsa, qué mensaje convierte mejor o qué opción prefiere una mayoría. Son valiosos. Renunciar a ellos por romanticismo sería tan sensato como conducir de noche porque uno confía mucho en su intuición.
Pero una métrica responde a la pregunta que hemos decidido hacerle.
No decide si estamos haciendo la pregunta correcta.
Optimizar mejora el presente.
El criterio decide cuándo el presente ya no basta.
Y la excelencia exige algo más: sostener esa decisión hasta que todas sus partes —la idea, la ejecución, el detalle y la intención— estén a la altura unas de otras.
Por eso la excelencia tampoco puede delegarse.
No porque una sola persona deba hacerlo todo. La excelencia rara vez es una hazaña solitaria. Necesita equipos, contraste, oficio, conocimiento técnico, discusión, investigación y muchas manos más talentosas que cualquier ego dispuesto a firmar el resultado.
Pero sí necesita una dirección reconocible.
Alguien debe proteger la coherencia cuando cada participante ve una parte distinta del problema. Alguien debe distinguir entre una objeción que mejora el trabajo y otra que simplemente reduce su personalidad. Alguien debe saber cuándo seguir preguntando y cuándo la conversación ya ha producido suficiente sopa italiana para toda la mesa.
La IA puede ser una colaboradora extraordinaria en ese proceso.
Puede ampliar el campo de posibilidades, encontrar referencias que habíamos olvidado, señalar contradicciones, proponer variaciones, poner a prueba una hipótesis u obligarnos a verbalizar intuiciones que hasta entonces habíamos defendido con el siempre persuasivo argumento de «no sé, pero esto no me termina de funcionar».
Puede asistir al criterio.
Puede desafiarlo.
Puede afinarlo.
Pero no conviene utilizarla para evitarlo.
Hay una tentación creciente de pedir a la máquina no solo que ejecute, sino que nos libre de decidir. Que escriba las opciones, las evalúe, elija la mejor y nos prepare una explicación convincente para presentarla como propia.
Un servicio completo de externalización de la incertidumbre.
El problema es que la incertidumbre forma parte del trabajo.
No es una avería que debamos eliminar.
Es el lugar donde el criterio se vuelve visible.
Cuando existen veinte respuestas técnicamente correctas, el valor no reside en producir la vigesimoprimera. Reside en comprender cuál sirve mejor a la intención, cuál merece el coste de llevarla hasta el final y qué consecuencias estamos dispuestos a asumir al elegirla.
En un mundo donde cualquiera puede generar algo competente, la excelencia deja de depender tanto de lo que podemos fabricar y empieza a depender de lo que nos negamos a publicar.
En un mundo de producción abundante, la selección gana valor.
En un mundo de opciones instantáneas, renunciar se convierte en una capacidad estratégica.
En un mundo donde cualquiera puede generar algo competente, la excelencia deja de depender tanto de lo que podemos fabricar y empieza a depender de lo que nos negamos a publicar.
Quizá esa sea una de las paradojas más interesantes de esta etapa.
Cuanto más fácil resulta producir, más importante es saber detenerse.
Cuanto más puede hacer la herramienta, más visible se vuelve la calidad de quien la dirige.
Y cuanto más convincentes parecen todas las opciones, más necesario es que alguien posea una idea clara de lo que importa.
Por eso recomiendo leer «Taste cannot be delegated (abre en una pestaña nueva)».
No porque demuestre que las máquinas nunca tendrán gusto. Esa discusión empieza a quedarse pequeña.
Sino porque recuerda algo bastante más incómodo: generar una posibilidad no equivale a elegirla. Reconocer una preferencia no equivale a comprender qué merece existir. Y reunir suficientes opiniones no libera a nadie de la responsabilidad de decidir.
En Agentika Technology trabajamos precisamente desde ahí. No desplegamos sistemas para borrar el criterio humano de la ecuación, sino para convertirlo en instrucciones, límites y decisiones operativas.
Un agente útil no es el que improvisa con seguridad cada vez que alguien llama a la puerta. Es el que sabe qué puede resolver, cuándo necesita más contexto y en qué momento debe devolver la decisión a una persona.
La máquina propone.
El comité comenta.
Los datos aconsejan.
Pero alguien todavía tiene que escoger, defender, corregir y responder.
Si estás revisando cómo se toman las decisiones importantes en tu organización —o en tu propio trabajo— y sientes que algo se está diluyendo entre herramientas y comités, hablemos. Podemos empezar por diagnosticar dónde se está perdiendo la propiedad de la decisión.
