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.

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.

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

• 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.