Por qué no ponemos un copiloto de IA dentro de la negociación

Hay una función que parece obvia para cualquier plataforma de negociación con IA: escuchar la conversación real, transcribirla, detectar el movimiento del proveedor y mostrar al comprador el siguiente paso. Las sugerencias podrían ser “cuestiona el argumento de costes”, “pide pruebas”, “no llenes el silencio” u “ofrece volumen solo a cambio de precio”. Cada vez es más factible técnicamente. Para desarrollar capacidad negociadora, creemos que es la dirección equivocada.

La IA tiene un papel muy útil antes de la conversación y otro después. El problema empieza cuando se convierte en un tercer participante oculto dentro de la negociación y empieza a decirle al comprador qué hacer mientras la presión está ocurriendo.

Una revisión publicada en septiembre de 2026 por Jeanne Brett en Current Opinion in Psychology aporta una base de investigación especialmente relevante. Brett clasifica las intervenciones de IA en negociación entre práctica, coaching y feedback. El coaching socrático y el feedback y la reflexión posteriores a la negociación parecen favorecer el aprendizaje. El coaching explícito e interactivo durante la planificación o la propia negociación puede, en cambio, generar dependencia.

El mecanismo propuesto no es la pereza. Incluso alumnos motivados pueden deferir ante la aparente experiencia de la IA o verse sobrecargados por consejos dinámicos. Esa distinción coincide casi exactamente con el límite de producto que elegiríamos.

El juicio en directo tiene que seguir siendo humano

Una negociación no es una lista de objeciones a las que corresponde una respuesta correcta. El proveedor dice que tres por ciento es el mínimo. La decisión de desafiar, aceptar, intercambiar o pausar depende de información que quizá nunca aparezca en ese momento del diálogo: el mandato acordado con finanzas, el valor de proyectos próximos, el plazo para homologar una alternativa, la fuerza de la BATNA, una parada de planta, una restricción jurídica o una concesión ya intercambiada antes.

Una transcripción muestra lo que se dijo. No muestra automáticamente cuál era la decisión comercial correcta.

Ese es el problema para un copiloto en directo. Tiene que recomendar ahora, aunque parte del contexto decisivo esté fuera de la conversación.

Imagina que el comprador pasa del dos al tres por ciento después de que el proveedor plantee riesgo de continuidad. Un sistema que solo escucha el diálogo podría marcarlo como una concesión innecesaria. Pero quizá el tres por ciento ya estaba dentro del mandato aprobado y el proveedor acababa de aceptar tarifas horarias fijas para el proyecto. Quizá conceder otro punto porcentual ahorraría menos que el coste previsto de retrasar el acuerdo.

El comportamiento observado está claro. La calidad de la decisión no.

Es el mismo límite que analizamos en IA en compras y juicio profesional. El contexto comercial está repartido entre personas, sistemas y decisiones previas. La IA solo ve lo que recibe.

Una buena analítica puede afirmar: “Te moviste después de que el proveedor introdujera riesgo de continuidad sin pedir primero evidencia.” Debe ser más prudente con “no deberías haberte movido”, porque esa segunda conclusión necesita más contexto.

Los consejos en directo compiten por la misma atención que la negociación

Hay un segundo problema incluso cuando el consejo es correcto. Una negociación tensa ya consume atención. Hay que escuchar, interpretar lo importante, recordar el mandato, seguir varias variables, decidir si una amenaza es creíble, regular la propia reacción, elegir una respuesta y expresarla con claridad.

Añadimos ahora otro flujo de trabajo: leer la sugerencia de IA, interpretarla, decidir si tiene suficiente contexto, compararla con el propio criterio, aceptarla o rechazarla y volver después a la contraparte, que quizá ya ha seguido hablando. El sistema se convierte en otro participante al que gestionar.

Brett identifica expresamente la sobrecarga por consejo dinámico como una posible vía hacia la dependencia. Una investigación separada presentada en CHI 2026 ofrece un mecanismo de apoyo útil. En un experimento controlado de negociación de alquiler con 32 participantes, el rendimiento humano cayó cuando aumentó el número de asuntos gestionados simultáneamente y con ello la carga cognitiva. El estudio no probó un copiloto en una negociación proveedor-comprador entre humanos, así que no es evidencia directa contra ese producto. Sí muestra lo sensible que puede ser el rendimiento negociador a la complejidad adicional.

El mismo estudio encontró algo importante en sentido contrario: una visualización no prescriptiva podía reducir la carga en las negociaciones con más variables. Organizar la complejidad no es lo mismo que decir continuamente cuál debe ser el siguiente movimiento.

La pregunta no es si toda tecnología debe desaparecer durante una negociación. Es si ayuda a ver mejor la situación o empieza a sustituir el juicio de la persona.

La dependencia sigue siendo un problema aunque mejore el acuerdo

Supongamos que el copiloto funciona perfectamente. El comprador obtiene un mejor resultado porque el sistema le da la pregunta correcta, le recuerda mantener el silencio y le avisa antes de una concesión prematura. El acuerdo de hoy puede mejorar, pero aparece una pregunta de aprendizaje: si el sistema interviene precisamente cuando llega el momento difícil, la persona recibe menos repeticiones del juicio que la organización espera que pueda ejercer por sí misma.

El rendimiento asistido por IA y el desarrollo de capacidad no son necesariamente el mismo objetivo. Un navegador puede mejorar el trayecto de hoy sin enseñarnos la ciudad. Un copiloto de negociación puede mejorar la respuesta de hoy sin hacer al comprador más capaz de producirla mañana sin ayuda.

Por eso la revisión de Brett es tan relevante. Los mecanismos de aprendizaje más prometedores mantienen al alumno pensando: coaching socrático, práctica, feedback y reflexión. El riesgo de dependencia aparece cuando el consejo explícito se acerca a ejecutar la tarea en lugar de ayudar a aprenderla.

La evidencia todavía está desarrollándose y Brett pide más investigación sobre estos mecanismos. No demuestra que toda ayuda en directo dañe el aprendizaje, pero sí obliga a plantear una pregunta de diseño bastante más seria que “¿podemos construirlo?”.

Antes de negociar hay tiempo para cuestionar el razonamiento

Antes de la conversación, el tiempo funciona de otra forma. El comprador puede aportar un briefing estructurado, separar hechos y supuestos, pedir a la IA que ataque la lógica, identificar información que falta y construir el caso más fuerte del proveedor. Hay tiempo para verificar, consultar a finanzas, descubrir que la alternativa requiere nueve meses de homologación y descartar un mal consejo sin perder el hilo de una conversación real.

Aquí ChatGPT puede aportar mucho valor. Nuestro artículo sobre practicar negociación con ChatGPT desarrolla ese papel de preparación. La idea es que la IA mejore el mapa mental del comprador, no que produzca un guion que haya que obedecer. La negociación sigue perteneciendo a la persona.

Después de negociar, la IA puede analizar en lugar de interrumpir

Después de la conversación desaparece la presión temporal. Entonces un sistema puede examinar la transcripción, el briefing original y el contexto adicional que la organización pueda utilizar legítimamente. Puede identificar dónde cambió la conversación, qué supuestos resistieron el contacto con la contraparte, dónde se abandonó la estrategia prevista y qué momentos deberían entrenarse de nuevo.

Es un lugar mucho mejor para el análisis forense que la mitad de una frase. También aquí conviene separar comportamiento y juicio comercial. “Ofreciste movimiento antes de aclarar qué daría el proveedor a cambio” es una observación basada en la conversación. “Deberías haber rechazado la oferta” puede exigir información que no aparece en la transcripción.

En las sesiones simuladas de Voice2Evolve esta distinción ya importa: el análisis trabaja con el escenario, la conversación y el contexto de entrenamiento conocido. Voice2Evolve no captura ni analiza actualmente negociaciones reales con proveedores. Si en el futuro ampliáramos ese límite, la dirección que consideraríamos sería análisis posterior a la conversación comparado con el briefing y el contexto conocido. No sería un canal oculto de IA indicando al comprador qué decir durante la negociación real. Es una frontera de producto consciente, no una función olvidada.

El ciclo de desarrollo no es un copiloto

El ciclo que preferimos es sencillo: preparar el caso, entrenar la conversación, dejar la decisión en directo en manos de la persona y después analizar qué pasó y decidir qué entrenar a continuación. La IA participa intensamente alrededor de la negociación, pero no se convierte en el negociador.

Una interfaz que muestre la frase perfecta en el momento perfecto parece más espectacular. Para desarrollar capacidad duradera, puede ser más valiosa la frontera menos vistosa.

Si el objetivo es optimizar únicamente la próxima respuesta, la ayuda en directo resulta tentadora. Si el objetivo es crear compradores capaces de actuar bajo presión cuando nadie les susurra la respuesta, el límite importa. La IA debería hacer mejor al negociador, no convertirse en él.

Fuentes

• Brett, J. M. (7 de septiembre de 2026). AI and negotiation: Facilitating learning or fostering dependency?. Current Opinion in Psychology, 73, 102437.
• Parmar, M., & Silpasuwanchai, C. (13 de abril de 2026). From Overload to Convergence: Supporting Multi-Issue Human-AI Negotiation with Bayesian Visualization. CHI '26.