Cómo evolucionó la toma de decisiones
Publicado el: 2026-04-02 20:01:07
evolution
/ˌiːvəˈluːʃ(ə)n,ˈɛvəluːʃ(ə)n/
- sustantivo
cambio gradual a lo largo del tiempo; en los sistemas de decisión, un paso de reglas codificadas manualmente a modelos, y de vuelta a una lógica clara y comprobable.
La lógica de decisión sigue cambiando. Los requisitos suelen avanzar más rápido que el código, y las reglas estáticas alcanzan sus límites. Los equipos pasaron de la lógica codificada manualmente a modelos predictivos a medida que crecían las necesidades del negocio.
Desde los primeros ordenadores, las personas han codificado la lógica de decisión. El patrón "if X then Y else Z" existía desde el principio. Los líderes vieron el valor de que las máquinas tomaran decisiones repetibles, y la toma de decisiones automatizada se extendió.
Un gerente elegía una decisión para automatizar. Un analista mapeaba el flujo de reglas, lo aprobaba, y TI escribía el código duro para ejecutarlo. En aquel momento, eso supuso un gran avance.
Parecía simple. En la práctica, los sistemas a medida tardaban en cambiar y eran costosos de mantener. Cuando terminaban la codificación, las pruebas y el despliegue, a menudo los requisitos ya habían cambiado, así que la automatización iba por detrás del negocio.
La codificación manual puso de manifiesto los límites de la lógica simple if-then. Las decisiones complejas y los resultados predictivos eran difíciles de expresar en código estático. Había demasiadas variables en juego, y los sistemas no podían manejar bien esa complejidad.
Después llegaron los sistemas de gestión de reglas. Estas plataformas dieron a los usuarios control directo sobre las reglas y los procesos de decisión. Fue un cambio claro.
El código seguía desempeñando un papel, pero los lenguajes eran más simples y fáciles de leer. La gestión de reglas se convirtió en una forma práctica de trabajar. El despliegue se volvió más rápido, y los cambios en los procesos automatizados fueron más fáciles de gobernar.
El progreso llevó después a plataformas que no necesitan código. Las interfaces visuales permitieron a los equipos crear y gestionar lógica de decisión compleja. El campo maduró y ofreció a los equipos más opciones.
La siguiente fase de esta evolución es la analítica predictiva. Más recientemente, los large language models y los flujos de trabajo agentic cambiaron la forma en que los equipos crean prototipos de soporte a la decisión y orquestan herramientas.
Muchas decisiones empresariales importantes son complejas, con muchos factores que determinan los resultados. Algunas decisiones de alto impacto siguen siendo manuales por esa razón. Los LLM son útiles para la exploración, pero son probabilísticos y pueden variar de una ejecución a otra. En finanzas y seguros, las decisiones finales deben ser deterministas y reproducibles.
Los modelos predictivos analizan conjuntos de datos complejos, y para construirlos se utilizan métodos estadísticos. A menudo, especialistas diseñan y mantienen estos modelos, lo que puede ralentizar la adopción y limitar el acceso. Los sistemas agentic pueden coordinar tareas entre servicios, pero aun así se benefician de límites explícitos.
Aquí es donde ayuda Automated Machine Learning, o AutoML. Los datos históricos entrenan un modelo que puede generar predicciones futuras. Por ejemplo, para evaluar si una persona puede devolver un préstamo, se entrena con datos históricos de reembolso para prever la probabilidad de pago o impago.
La automatización de decisiones ha madurado. AutoML añade otra forma de crear soporte de decisión más rápido y basado en datos. Utiliza modelos y LLM para informar, y aplica la lógica de decisión para que cada resultado sea trazable y auditable.
