Un estudio revela sesgos sistemáticos en el uso de LLM para estrategia empresarial

El uso de modelos de lenguaje grande (LLM) como ChatGPT se ha extendido rápidamente entre directivos y consultores como herramientas de apoyo en la toma de decisiones estratégicas. Sin embargo, una investigación reciente advierte que confiar en estos sistemas puede implicar riesgos significativos debido a sesgos sistemáticos en sus recomendaciones.

El fenómeno del “trendslop”

El estudio identifica una tendencia recurrente en los LLM: recomendar estrategias alineadas con conceptos de moda en el discurso empresarial, en lugar de basarse en un análisis específico del contexto. Los investigadores han denominado este fenómeno como “trendslop”, y en el ámbito estratégico, “trendslop estratégico”.

Según los hallazgos, los modelos no actúan como evaluadores críticos independientes, sino que tienden a reproducir ideas populares, similares al comportamiento de consultores junior o recién graduados en MBA.

Evaluación de modelos líderes

La investigación analizó siete modelos destacados —ChatGPT, Claude, DeepSeek, GPT-5, Gemini, Grok y Mistral— mediante miles de simulaciones. Se les pidió elegir entre pares de decisiones estratégicas opuestas en siete tensiones empresariales clave, como diferenciación frente a liderazgo en costes, automatización frente a potenciación, o corto frente a largo plazo.

Los resultados mostraron patrones consistentes: los modelos tendían a agruparse hacia un mismo lado de las decisiones, favoreciendo ampliamente opciones asociadas con tendencias modernas de gestión.

Preferencias recurrentes

• Preferencia por estrategias de diferenciación frente a mercantilización.
• Inclinación hacia la potenciación del trabajo humano en lugar de la automatización.
• Fuerte tendencia hacia el largo plazo, independientemente del contexto.

Solo en la disyuntiva entre exploración y explotación se observó cierta variación entre modelos.

Persistencia de sesgos pese a ajustes

Uno de los hallazgos más relevantes es que estos sesgos no desaparecen al mejorar los prompts ni al proporcionar más contexto. En más de 15.000 pruebas con ChatGPT-5, los cambios en la formulación de las instrucciones apenas redujeron los sesgos en algunos casos, con variaciones inferiores al 2% en ciertas decisiones.

En otras tensiones estratégicas, las modificaciones influyeron hasta en un 22%, aunque el principal factor fue el orden de presentación de las opciones. Invertir ese orden redujo el sesgo en un 19%, lo que indica que los modelos son sensibles a la secuencia más que a un razonamiento más profundo.

El contexto tampoco elimina el problema

La inclusión de contexto empresarial —desde startups tecnológicas hasta multinacionales o entidades del sector público— tampoco logró eliminar los sesgos. Aunque el contexto detallado modificó ligeramente algunas respuestas, el patrón general se mantuvo.

En promedio, añadir contexto solo cambió las respuestas en un 11%. Esto sugiere que los modelos pueden parecer adaptados a una situación específica, mientras continúan promoviendo las mismas tendencias generales.

El origen del sesgo

La investigación atribuye este comportamiento a los datos de entrenamiento de los LLM, que incluyen grandes volúmenes de contenido de internet. Estos datos reflejan tendencias culturales y empresariales contemporáneas, donde ciertos conceptos —como “diferenciación” o “colaboración”— tienen connotaciones positivas, mientras otros —como “liderazgo en costes” o “jerarquía”— se perciben negativamente.

Como resultado, los modelos tienden a generar respuestas que coinciden con lo socialmente deseable en lugar de lo estratégicamente adecuado para cada caso concreto.

La “trampa híbrida”

Otro riesgo identificado es la tendencia de los LLM a recomendar combinaciones de estrategias opuestas cuando no se les obliga a elegir. Esta “trampa híbrida” puede parecer equilibrada, pero según la investigación, suele reflejar falta de enfoque y puede aumentar la probabilidad de fracaso empresarial.

En los experimentos, ChatGPT recomendó estrategias híbridas en el 24% de los casos, además de inclinarse por una opción dominante el 63% de las veces.

Implicaciones para los líderes

Los resultados plantean preocupaciones sobre el uso de LLM como asesores estratégicos. Los investigadores advierten que confiar en estas herramientas sin comprender sus limitaciones puede llevar a perseguir modas en lugar de construir ventajas competitivas reales.

Aunque reconocen que los LLM pueden ser útiles para generar alternativas o identificar puntos ciegos, subrayan que la decisión final debe permanecer en manos humanas. La estrategia, señalan, implica elegir entre opciones difíciles y asumir sus consecuencias, algo que la inteligencia artificial no puede reemplazar.

Fuente: Harvard Business Review