La IA resolvió un problema de información en compras. Ahora importa más el criterio.

Para preparar una revisión de proveedor, un responsable de categoría podía necesitar horas para reunir contratos, ofertas anteriores, movimientos de mercado, notas de reuniones, factores de coste y restricciones internas. La IA puede condensar buena parte de ese trabajo en minutos. Es una mejora real, pero desplaza la dificultad.

Cuando producir información se vuelve barato y rápido, la capacidad escasa ya no es obtener una respuesta, sino decidir si una respuesta convincente merece suficiente confianza como para influir en una decisión comercial.

Un estudio de 2026 sobre calibración de confianza en decisiones entre personas e IA ofrece un marco útil. Igbodor y sus colaboradores combinaron evidencia de 68 estudios primarios con una encuesta a 200 profesionales y 30 entrevistas en distintos ámbitos. No son datos específicos de compras, pero la idea central sí resulta aplicable: un buen rendimiento conjunto depende de una confianza calibrada, no de confiar lo máximo posible.

El riesgo suele ser una respuesta plausible, no una absurda

Las alucinaciones son el fallo más evidente, pero no el único. Un sistema puede producir frases individualmente razonables y llegar aun así a una recomendación comercial débil porque el marco está incompleto.

Puede identificar correctamente una subida del seis por ciento en un índice de materias primas y valorar mal la reclamación del proveedor porque su exposición real es diferente, ha cambiado la productividad, el periodo de referencia no es el adecuado o el contrato ya distribuye ese riesgo. Puede resumir bien una cláusula de terminación y desconocer que cambiar de proveedor exige nueve meses de homologación.

Estos errores son más difíciles de detectar porque la salida parece profesional. La incertidumbre no ha desaparecido; se ha convertido en un texto ordenado.

Un usuario competente pregunta de qué está hecha la respuesta

Por eso no basta con decidir si algo “suena correcto”. ¿Qué afirmaciones proceden de datos proporcionados, cuáles de fuentes externas, cuáles son inferencias y qué supuestos se introdujeron porque faltaba información? ¿Qué supuesto, si fuera falso, alteraría más la recomendación?

En compras esta disciplina es especialmente relevante porque el conocimiento está repartido. Ingeniería conoce el riesgo de homologación, finanzas el límite presupuestario, operaciones los problemas de servicio y compras la historia del proveedor. La IA solo ve lo que recibe. Nuestro artículo sobre prompts de IA para preparar una negociación convierte el principio en una práctica sencilla: antes de pedir una estrategia, conviene hacer que el sistema identifique la información que falta y que podría cambiarla.

El objetivo no es desconfiar de todo. La confianza debe guardar proporción con la evidencia, la incertidumbre y el coste de equivocarse.

El trabajo del comprador puede ampliarse más rápido que su experiencia

Un comprador puede pedir hoy a la IA que interprete una cláusula de responsabilidad, contraste un modelo de coste objetivo, analice datos de proveedores o prepare un caso financiero sin enviar cada tarea al área jurídica, al equipo de análisis de datos o a finanzas. Es útil. También significa que el perímetro del puesto puede moverse más rápido que la profundidad profesional de quien lo ocupa.

OpenAI Economic Research publicó en septiembre de 2026 una señal interesante. Analizó más de 1,5 millones de mensajes de ChatGPT relacionados con el trabajo entre abril y julio y observó cuándo las personas utilizaban IA para tareas asociadas normalmente a otra ocupación. Entre aproximadamente 6.200 trabajadores observados de forma consistente, las tareas interprofesionales ya utilizadas pasaron del 13,1% de la actividad de IA específica de la ocupación en abril al 25,9% en julio. En otro análisis emparejado, quienes habían usado una tarea interprofesional el mes anterior volvían a ella el 23,6% de las veces, frente al 8,4% entre trabajadores comparables sin uso previo observado.

Eso no demuestra que los puestos hayan cambiado formalmente ni que ese trabajo se haya hecho bien. La muestra procede de usuarios seleccionados de ChatGPT y mide uso, no calidad del resultado. Sí muestra que parte del trabajo fuera de las fronteras tradicionales del puesto se repite y deja de ser una simple prueba puntual.

También resulta revelador cómo preguntaban los usuarios fuera de su ocupación habitual. Solicitaban menos explicaciones o instrucciones paso a paso y aportaban más contexto, ejemplos o peticiones de verificación. Una posible interpretación de los investigadores es que las personas están tomando prestada experiencia de otro campo sin intentar convertirse en expertas de ese campo.

En compras aparece entonces una pregunta incómoda sobre la responsabilidad de la decisión. Si un comprador empieza a realizar trabajo con componentes jurídicos, financieros o analíticos, ¿quién posee el criterio cuando la respuesta parece correcta pero no lo es? La IA puede ampliar el alcance del comprador sin transferir automáticamente la responsabilidad, el contexto y la profundidad profesional que antes residían en el especialista.

La brecha de criterio ya aparece en los datos de la fuerza laboral

Un estudio global del IBM Institute for Business Value publicado el 21 de septiembre de 2026 hace el problema más concreto. IBM y Oxford Economics encuestaron a 1.500 CHRO y responsables equivalentes de estrategia de personas en 21 geografías y 23 sectores, además de 8.800 empleados a tiempo completo en 28 países.

El 71% de los CHRO considera que supervisar, validar y, cuando sea necesario, anular las salidas de IA es la competencia más importante de la plantilla. Solo el 29% de los empleados sitúa el juicio entre las capacidades importantes. El 60% teme que la IA esté erosionando habilidades, mientras que el 41% de los CHRO cree que los empleados quizá no se sientan seguros cuestionando o anulando recomendaciones de IA.

Son respuestas de encuesta, no pruebas medidas de capacidad de juicio. No demuestran que la IA ya haya reducido el pensamiento crítico en una cantidad concreta. La señal útil es la discrepancia: las organizaciones dicen que juzgar la IA es una competencia central, mientras que quienes deben ejercerla no parecen darle la misma prioridad.

IBM también informa de que el 80% de los CHRO ve trabajo invisible creado por la IA, como validar recomendaciones, corregir errores, aportar contexto y gestionar excepciones. Para compras esto es especialmente relevante. Mantener a una persona en el circuito no consiste en pulsar aprobar. Alguien debe detectar cuándo falta un hecho comercial, cuándo un supuesto está desactualizado o cuándo una respuesta plausible no encaja con el acuerdo real.

En compras, la explicación cambia cuánto confiamos en la recomendación

Un experimento publicado en septiembre de 2026 en el International Journal of Industrial Ergonomics aporta un mecanismo específicamente relacionado con compras. Yining Ye y sus colegas compararon cinco tipos de explicación en una tarea simulada de decisión de compras con 40 participantes.

Las personas prefirieron explicaciones informativas, técnicamente específicas y lógicamente coherentes. El tipo de explicación afectó tanto a la confianza subjetiva como a la aceptación de la recomendación algorítmica.

Es un estudio exploratorio y pequeño. Los participantes tenían entre 20 y 34 años, con una media de 24,5, y la tarea utilizaba un conjunto finito y predefinido de información relevante. Las decisiones reales de compras suelen ser más desordenadas, con contexto repartido entre ingeniería, finanzas, operaciones, contratos e historial del proveedor.

Ese límite es precisamente importante.

Si la forma de explicar cambia la dependencia del sistema incluso en una tarea acotada, un profesional necesita algo más que una recomendación. Necesita ver suficiente razonamiento, supuestos y límites de información para decidir qué autoridad merece la salida.

También explica por qué la transcripción de una negociación real no siempre basta para orientar al comprador. Puede mostrar el movimiento realizado, pero no contener el mandato, los costes de cambio, el riesgo de homologación o el paquete comercial que determina si ese movimiento tenía sentido.

Una recomendación de IA puede convertirse en un ancla interna

Compras conoce bien el anclaje en las negociaciones. La primera cifra o el primer marco creíble condiciona lo que viene después, y una recomendación generada por IA puede hacer lo mismo dentro de la empresa.

Imaginemos una revisión de categoría que concluye que una subida del ocho por ciento probablemente puede negociarse hasta el tres. La cifra puede depender de datos de mercado incompletos y de supuestos sobre poder negociador. Sin embargo, una vez incluida en un informe pulido empieza a ordenar la conversación: finanzas pregunta por qué compras no puede llegar al tres por ciento y el plan de negociación comienza a tratar una estimación del modelo como referencia de la organización.

Formalmente la decisión sigue siendo humana. En la práctica, discrepar se vuelve más costoso que aceptar, porque quien contradice al sistema debe justificar por qué. Mantener un botón de aprobación humano no corrige por sí solo ese cambio de autoridad.

La supervisión humana solo sirve si se puede discrepar de verdad

Un artículo conceptual de 2026 en AI & Society plantea una cuestión relacionada mediante la idea de “bienestar epistémico” en el trabajo: ¿pueden los profesionales seguir juzgando, cuestionando y asumiendo responsabilidad cuando las recomendaciones algorítmicas adquieren autoridad organizativa? No es evidencia de un efecto medido en compras, pero la pregunta ayuda a diseñar mejor el proceso.

Si una recomendación de abastecimiento adopta por defecto una puntuación de IA y desviarse exige una nota de excepción o una aprobación adicional, el comprador puede conservar la responsabilidad mientras pierde parte de la autoridad práctica. Una persona puede seguir dentro del circuito y convertirse, de hecho, en un mero ratificador.

Una supervisión significativa exige comprensión, acceso a la evidencia y permiso organizativo para afirmar que una recomendación es plausible pero todavía insuficiente para una decisión concreta.

Compras puede estar entrenando más el uso de IA que la capacidad de cuestionarla

El análisis de cinco años del Procurement Imperative de SAP, publicado el 17 de septiembre de 2026, aporta una señal específica de Compras.

El estudio más reciente encuestó a 2.648 ejecutivos C-level de 23 países. En la investigación de 2025 de la misma serie, el 68,2 % señaló la competencia en IA y ética como principal prioridad de capacidades, mientras que las competencias tradicionales de Compras fueron citadas por el 34,1 %. La curiosidad solo fue priorizada por el 10 %.

La misma serie muestra que en 2026 los insights impulsados por IA y la analítica predictiva se convirtieron en la principal prioridad de category management, citada por el 66,6 %.

Estas cifras no demuestran que los equipos estén perdiendo curiosidad o criterio. Sí muestran dónde se concentra la atención formal.

Eso crea una posible paradoja. Compras puede mejorar mucho en operar IA y seguir desarrollando poco la capacidad de cuestionarla.

La habilidad práctica no es la curiosidad como rasgo de personalidad. Es comportamiento comercial observable: preguntar qué evidencia sostiene la recomendación, poner a prueba supuestos, buscar contexto de proveedor que falta, desafiar una respuesta cómoda y saber cuándo una salida del modelo no debe convertirse en el ancla interna.

Un comprador que acepta sin cuestionar un argumento de costes generado por IA tiene, en esencia, el mismo problema de capacidad que uno que acepta sin cuestionar un argumento del proveedor.

Cuanto mejor funciona el sistema, más importa calibrar la confianza

Una herramienta mala mantiene alerta al usuario porque todas las respuestas parecen dudosas. Una muy buena crea el riesgo contrario: acierta con suficiente frecuencia para que verificar empiece a parecer una pérdida de tiempo. La competencia no consiste en resistirse a la IA, sino en saber cuándo la confianza está justificada y cuándo una decisión de alto impacto requiere más comprobación.

Un profesional maduro puede utilizar una salida cuando las fuentes están actualizadas, los supuestos encajan con el caso y el coste de error es limitado. Esa misma persona se detiene si la recomendación depende de un coste de cambio no verificado y va a condicionar una decisión crítica sobre un proveedor.

Ambos comportamientos son competentes. La desconfianza absoluta desperdicia la tecnología; la confianza absoluta entrega el criterio.

La negociación hace visible el límite

La negociación expone este problema porque el plan preparado se encuentra con información nueva en tiempo real. El proveedor rechaza el modelo de costes, ingeniería revela una homologación más larga, una concesión de precio llega condicionada a un compromiso de volumen inesperado o la contraparte escala. El comprador tiene que decidir qué cambia realmente esa información.

Voice2Evolve trabaja en ese límite de ejecución. El participante puede llegar con un plan preparado con ayuda de IA, encontrar resistencia en una conversación simulada y revisar después por qué mantuvo, modificó o abandonó el plan. Lo importante no es obedecer a la preparación, sino que la decisión tenga una razón comercial defendible.

La IA hace que compras produzca información con mucha más rapidez. Precisamente por eso se vuelve más valiosa la capacidad de decidir qué autoridad merece esa información.

Fuentes

• IBM Institute for Business Value (21 de septiembre de 2026). New IBM CHRO Study: AI Puts Critical Thinking at the Center of Workforce Priorities.

• Ye, Y., Zheng, J., & Ma, L. (septiembre de 2026). Decoding user preferences: A study of explanations for algorithmic decision support in procurement. International Journal of Industrial Ergonomics, 115, 104029.

• OpenAI Economic Research (16 de septiembre de 2026). How workers are unlocking new ways of working, Work at the Frontier.

• Igbodor, E. et al. (2026). Trust calibration in human-AI collaborative decision-making: a cross-domain investigation of climate intelligence and organisational governance systems. Human-Intelligent Systems Integration.

• Salazar-Altamirano, M. A., & Ravina-Ripoll, R. (2026). Beyond efficiency: epistemic well-being at work under algorithmic governance. AI & Society.

• Borisov, I. G. (2026). From Outputs to Warranted Claims: Reframing AI Literacy as Culturally Mediated Quality Judgement for HRD. Human Resource Development Review.