¿Las plataformas de IA hacen que el análisis de todas las firmas sea igual?

Los experimentos de campo muestran que la asistencia de IA eleva la calidad y la velocidad al tiempo que comprime el diferencial de rendimiento entre analistas. El riesgo de convergencia es real, pero actúa a través de la búsqueda de fuentes, la síntesis y la expresión, tres capas a las que una metodología propia no llega completamente. La diferenciación depende ahora de la evidencia propietaria y los marcos interpretativos que se incorporan como datos de entrada al propio flujo de trabajo de IA, no se añaden en la fase de revisión.

La respuesta en dos partes a la pregunta del título: sí, las plataformas de IA homogenizan el tramo medio del mercado, donde todas las firmas recurren al mismo corpus accesible en la web y el mismo modelo resuelve la ambigüedad hacia la misma visión de consenso. No, no fuerzan la convergencia en la cima, porque el techo nunca fue función de la herramienta – siempre fue función de la evidencia propietaria y el juicio interpretativo que la firma aportaba a la pregunta.

La evidencia más rigurosa proviene del experimento de campo de Dell'Acqua y colegas, realizado con Boston Consulting Group y publicado por la Harvard Business School, con 758 consultores asignados aleatoriamente a completar tareas de consultoría sin IA, con GPT-4 o con GPT-4 más una introducción a la ingeniería de prompts.^[1]

Dos hallazgos que importan más para la diferenciación que las ganancias de productividad:

1. Las ganancias se distribuyeron de forma desigual: los consultores en la mitad inferior de la distribución de habilidades de referencia mejoraron sustancialmente más que los de la mitad superior, coherente con que la IA funciona como un igualador entre niveles de habilidad.
2. El mecanismo de convergencia actúa a través del propio modelo. Cuando los investigadores analizaron la diversidad semántica, GPT-4 ayudó a generar contenido de mayor calidad pero condujo a una marcada reducción en la variabilidad de las ideas en comparación con los consultores que trabajaban sin asistencia – resultados más homogéneos incluso con una calidad media más alta.

Un estudio sobre escritura de relatos cortos en Science Advances llegó a un hallazgo paralelo: con IA generativa, los escritores individualmente obtienen mejores resultados pero colectivamente se produce un ámbito más estrecho de contenido novedoso.^[3]

Una metodología propia controla algo real: cómo se descomponen los problemas, qué marcos se aplican, cómo se secuencian las hipótesis y cómo se arquitectura el entregable.

Lo que controla frente a lo que no alcanza:

• Lo que controla: descomposición y planteamiento del problema, selección y secuenciación de marcos analíticos, diseño de hipótesis, arquitectura del entregable final.
• Lo que no alcanza: los supuestos incrustados en el modelo sobre cómo funcionan los mercados, qué dice la ortodoxia estratégica en una situación determinada y cómo es una recomendación plausible antes de que llegue el aporte específico de la firma.
• La consecuencia: dos firmas con metodologías diferentes que consultan al mismo modelo sobre la misma pregunta reciben recomendaciones que difieren en estructura pero que a menudo coinciden en sustancia.

El experimento con BCG ofrece la ilustración más nítida. El análisis asistido por IA produjo resultados que los evaluadores independientes calificaron de más persuasivos e internamente coherentes incluso cuando la respuesta subyacente era incorrecta. La precisión en la tarea fuera de la frontera cayó del 84,5% en el grupo de control al 70,6% entre los consultores con acceso a GPT-4 – una caída media de 19 puntos porcentuales. El resultado asistido por IA no es solo convergente; es confiadamente convergente.

La homogeneización actúa en tres capas distintas, a cada una de las cuales una metodología propia llega de forma diferente:

1. Búsqueda de fuentes: cada firma que consulta una plataforma de IA recurre sustancialmente al mismo corpus accesible en la web. Los datos brutos de partida del análisis convergen antes de que empiece cualquier reflexión. Una firma sin datos propietarios ni investigación primaria parte del mismo punto de partida que cualquier otra firma que use la misma plataforma.
2. Síntesis: cuando la evidencia es ambigua, el modelo la resuelve hacia la visión de consenso codificada en su distribución de entrenamiento. Un experimento computacional que generó 2.400 recomendaciones estratégicas en diez casos empresariales y cuatro modelos líderes encontró que los LLM actúan como amplificadores institucionales que favorecen el cumplimiento frente a la resistencia creativa que muestran los directivos humanos – un sesgo estructural que los autores denominan Optimismo Sintético.^[4]
3. Expresión: el estilo propio de la firma solo llega hasta cierto punto cuando las propias frases las genera el mismo modelo. En un análisis de ensayos de admisión universitaria, cada ensayo adicional escrito por un humano aportaba más ideas nuevas que cada ensayo adicional generado por IA, y la brecha se ampliaba a medida que se añadían más ensayos.^[5]

La incómoda implicación: la mayoría de los esfuerzos de diferenciación de las firmas se concentran en la tercera capa – plantillas propias, terminología y tono – mientras que las dos primeras hacen el daño real. Una plantilla distintiva que envuelve una síntesis de consenso sigue siendo una síntesis de consenso.

Si la búsqueda compartida de fuentes, la síntesis resolutora de consenso y la expresión generada por el modelo son el problema, la diferenciación debe entrar en el flujo de trabajo en esas mismas tres capas – no en la fase de revisión, después de que el modelo ya haya dado forma al argumento.

Cuatro aportaciones que realizan la mayor parte del trabajo:

• Datos propietarios y referencias específicas de la firma con los que el modelo nunca ha sido entrenado. Estos cambian los datos de entrada con los que trabaja el modelo en la capa de búsqueda de fuentes.
• Investigación primaria y entrevistas con expertos que no existen en ningún lugar del corpus compartido. Una visión derivada de una conversación con un experto propietaria no puede replicarla un competidor que no ha tenido esa conversación.
• Marcos interpretativos e hipótesis suministrados por la firma y no generados por el modelo. Estos entran en la capa de síntesis y condicionan cómo el modelo resuelve la ambigüedad.
• Incorporar todo esto como datos de entrada al propio flujo de trabajo asistido por IA, no añadirlo en la fase de revisión. Si la evidencia propietaria solo entra en la revisión, la visión de consenso del modelo ya ha dado forma al argumento, y el propio material de la firma se convierte en decoración sobre unos cimientos compartidos.

El diagnóstico de comparación ciega pone a prueba si el resultado asistido por IA está genuinamente diferenciado antes de que salga de la firma:

1. Tome un entregable asistido por IA reciente y retire el logotipo, la plantilla propia, las tipografías y cualquier terminología específica de la firma, dejando solo el contenido analítico.
2. Pregunte a un colega desinteresado – que no trabajó en el encargo – si el resultado parecería materialmente idéntico viniendo de una firma del sector que usa la misma plataforma de IA.
3. Puntúe el entregable en las tres capas por separado: búsqueda de fuentes (qué proporción de la evidencia es de acceso público), síntesis (¿la recomendación central reformula la visión de consenso del mercado?), y expresión (¿podría atribuirse la prosa a la firma sin la plantilla?).
4. Identifique la capa donde la convergencia es peor. Ahí es donde falta la aportación propietaria.
5. Realice la prueba con cadencia regular – no solo en el trabajo que pareció poco diferenciado, sino también en el que parecía distintivo, para comprobar si la intuición es exacta.

Realice la prueba especialmente en las tareas dentro de la frontera de IA – análisis de mercado, resúmenes de competidores, estructuración de opciones – donde el modelo rinde mejor y el riesgo de convergencia es mayor. Las tareas en las que la IA parece más útil son exactamente las tareas en las que la IA de todas las demás firmas parece igualmente útil.

El hallazgo del experimento con BCG de que la asistencia de IA elevó más a los analistas con menor rendimiento se traduce directamente al mercado. El suelo de calidad del análisis estratégico sube para todas las firmas simultáneamente, y sube rápidamente. El dimensionamiento de mercado competente, la descomposición estructurada de problemas y los entregables pulidos se están convirtiendo en algo barato.

• El suelo lo establece lo que las plataformas compartidas suministran a todos – síntesis fluida, corpus amplio y estructura coherente. Sube para todas las firmas simultáneamente y no confiere ninguna ventaja relativa.
• El techo lo establece la contribución intelectual propietaria de la firma – sus datos, acceso a expertos y marcos interpretativos –, que ninguna plataforma compartida suministra y ningún competidor puede replicar sin hacer el mismo trabajo.
• La consecuencia estratégica: el análisis mercantilizado se convierte en el precio de entrada, y la prima se desplaza hacia el juicio, la evidencia propietaria y la interpretación. Las firmas que invierten en el techo – no solo en el acceso a mejores herramientas de IA – son las que se diferencian.

Tres compromisos sostenidos en el tiempo evitan que la convergencia erosione la posición analítica de la firma:

1. Auditar dónde el flujo de trabajo actual depende de datos de entrada del corpus compartido – análisis de mercado, análisis competitivos, pasos de generación de opciones – e identificar cuáles podrían servirse con datos propietarios o investigación primaria en su lugar.
2. Invertir en activos de datos propietarios, redes de expertos y marcos interpretativos como datos de entrada de primera clase al flujo de trabajo de IA, incorporados antes de la síntesis y no añadidos en la revisión.
3. Utilizar la prueba de comparación ciega como filtro de calidad recurrente, no como diagnóstico puntual, en los entregables asistidos por IA antes de que salgan de la firma.

Decisity se construyó sobre la premisa de que los documentos, alcances y marcos propios de la firma impulsan el análisis, y de que cada afirmación sigue siendo trazable hasta su fuente. La aportación propietaria entra en las capas de búsqueda de fuentes y síntesis, no como una capa retrospectiva, que es donde la diferenciación realmente se sostiene.

Lecturas relacionadas:

• Cómo conservar su metodología de consultoría en una plataforma de IA
• Las habilidades del estratega de nueva generación en la era de la IA
• Por qué los decks de estrategia de IA reciben una revisión superficial: la solución de gobernanza
• Decisity para firmas de asesoría

• Dell'Acqua et al., Harvard Business School: Navegando la frontera tecnológica irregular – Evidencia experimental de campo sobre los efectos de la IA en la productividad y calidad de los trabajadores del conocimiento (2023)
• Harvard Crimson: La frontera irregular de la IA y BCG (octubre de 2023)
• Science Advances: Estudio sobre IA y diversidad creativa en la escritura
• Journal of Business Research: Los LLM como amplificadores institucionales – Optimismo Sintético en las recomendaciones estratégicas (2026)
• Times of India / estudio de investigación: Los estudiantes sin ChatGPT producen ideas más diversas que los ensayos generados por IA