Encuesta sobre la toma de decisiones con IA de Board revela que la confianza de los CFO supera a la gobernanza
Board ha detectado un conflicto llamativo dentro de la alta dirección: el 48% de los CFO sigue los consejos de la IA cuando contradicen su propio criterio. La encuesta de Board sobre la toma de decisiones con IA sugiere que los responsables financieros confían ahora en los modelos de lenguaje de gran tamaño con mayor facilidad que los CIO y COO. Sin embargo, los controles formales no han avanzado al mismo ritmo que esa confianza.
El cambio es más significativo que otro aumento en el uso de IA en el trabajo. Los modelos de lenguaje de gran tamaño, o LLM, se están convirtiendo en insumos para decisiones estratégicas relacionadas con presupuestos, previsiones, contratación, inventario e inversión. También están desplazando fuentes en las que los ejecutivos han confiado durante décadas.
Por tanto, la disputa central no es IA frente a ejecutivos humanos. Es adopción ejecutiva frente a responsabilidad institucional. Las empresas están incorporando la IA a decisiones trascendentales antes de que muchas puedan explicar, revisar o medir de forma fiable su influencia.
La encuesta sobre la toma de decisiones con IA de Board revela un nuevo hábito en la alta dirección
Los LLM han pasado de ser asistentes de productividad a fuentes influyentes de asesoramiento estratégico.
Board encuestó a 300 CFO, CIO y COO estadounidenses durante mayo y junio de 2026. Todos los participantes trabajaban para organizaciones que generan al menos 100 millones de dólares en ingresos anuales.
La empresa publicó sus conclusiones el 16 de septiembre mediante el informe de inteligencia de planificación. Dado que Board vende software de planificación empresarial, sus conclusiones merecen el mismo escrutinio que se aplica a cualquier investigación patrocinada por un proveedor. Aun así, las diferencias entre funciones revelan un cambio importante en el comportamiento ejecutivo.
El sesenta y uno por ciento de los encuestados incluyó los LLM entre las fuentes externas que más influyen en sus decisiones estratégicas. Eso situó a ChatGPT, Claude, Gemini y Copilot por delante de todas las fuentes tradicionales enumeradas en la encuesta.
Los pares del sector y las redes profesionales recibieron un 42%. Los proveedores tecnológicos recibieron un 37%, mientras que los consultores externos obtuvieron un 28%. Gartner fue citado por el 14%.
El resultado no demuestra que los ejecutivos consideren la IA más precisa que los asesores experimentados. Muestra que la respuesta de los LLM se ha vuelto excepcionalmente accesible durante el proceso de decisión. Un ejecutivo puede solicitar un resumen, escenario, análisis crítico o recomendación sin programar otra reunión.
Los CFO informaron del mayor uso entre las tres funciones. El sesenta y nueve por ciento citó los LLM como recursos influyentes, frente al 58% de los COO y el 56% de los CIO.
La diferencia adquiere más importancia cuando la IA discrepa del ejecutivo. El cuarenta y ocho por ciento de los CFO afirmó que sigue la recomendación de la IA en esa situación. Las cifras correspondientes fueron del 33% para los CIO y del 11% para los COO.
En los tres grupos, el 31% afirmó seguir los consejos de la IA cuando entran en conflicto con su criterio. Solo el 39% informó de procedimientos formales de gobernanza y escalamiento para decisiones impulsadas por IA.
Estas cifras describen dos desarrollos relacionados. La IA ha ganado un asiento en el proceso de decisión, mientras que los sistemas de responsabilidad todavía se parecen a los diseñados para el software convencional.
Gordon Pothier, CFO de Board, dijo a CFO Dive que los responsables financieros suelen ser más conservadores y escépticos. Sostuvo que su adopción indica la fuerza del actual impulso de la IA. Su consejo más importante se refería al desacuerdo: los ejecutivos deberían someter la recomendación a pruebas de estrés en lugar de aceptarla automáticamente.
Esta distinción importa. Consultar a un LLM no es lo mismo que delegar una decisión. Sin embargo, seguir su recomendación durante un conflicto acerca la tecnología a la autoridad decisoria, incluso si un humano firma la aprobación final.
Por qué los CFO están recurriendo ahora a los LLM
Los ejecutivos están adoptando la IA porque sus ciclos de planificación no pueden igualar la velocidad de las decisiones que afrontan.
Los resultados más amplios de Board describen una organización que lucha con información desactualizada. El ochenta y cinco por ciento de los encuestados informó de una mayor presión para tomar decisiones más rápidas durante el año anterior. Solo el 27% afirmó que sus organizaciones podían replantear sus planes en tiempo real.
Tres cuartas partes señalaron que aproximadamente la mitad o más de sus decisiones de planificación dependían de datos con más de 30 días de antigüedad. El ochenta y tres por ciento dijo que sus consejos de administración habían actuado sobre previsiones que sabían que estaban desactualizadas. El cuarenta por ciento informó de consecuencias empresariales significativas derivadas de esas decisiones.
Estos hallazgos aportan el contexto que faltaba para comprender la toma de decisiones de los CFO con IA. Los equipos financieros no se sienten atraídos simplemente por una interfaz conversacional. Intentan acortar la distancia entre una condición cambiante y una respuesta ejecutiva.
La planificación tradicional suele requerir recopilar datos operativos, conciliar definiciones, actualizar un modelo y preparar una presentación. Para cuando la previsión revisada llega a los directores, los supuestos en los que se basa pueden haber cambiado ya.
Un LLM parece ofrecer una ruta más rápida. Puede resumir informes, comparar escenarios, extraer supuestos y formular preguntas en segundos. Los sistemas conectados también pueden recuperar información interna e incorporar señales externas.
Esa velocidad crea valor real cuando la tarea es exploratoria. Un responsable financiero podría preguntar qué supuestos contribuyen más a una caída del margen. El modelo puede ayudar a identificar escenarios que requieren un análisis más profundo.
El peligro aparece cuando una respuesta fluida se confunde con evidencia actualizada. Un LLM no sabe automáticamente si los datos de ventas subyacentes están completos o se rigen adecuadamente. Puede producir una explicación convincente a partir de una previsión desactualizada con la misma facilidad que a partir de una actual.
El informe de Board contiene una señal incómoda sobre este problema. El cincuenta y nueve por ciento afirmó que su inversión en IA actualmente supera el valor que aporta. Sin embargo, el 92% de ese grupo aún planeaba aumentar el gasto durante los 12 meses siguientes.
Otro 21% dijo que sus empresas presentan el desempeño de la IA de forma más positiva ante consejos, inversores y pares de lo que la realidad justifica. Ese resultado sugiere que la presión de adopción no está impulsada por completo por rendimientos verificados.
Pothier resumió la presión de los pares con una pregunta: “¿De verdad quiero ser el CFO que no se está subiendo a la ola?”. La preocupación es comprensible, pero no constituye un argumento empresarial.
David Marmer, director de producto de Board, ofreció un enfoque más disciplinado. Comprar IA adicional, dijo, no resolverá el problema subyacente de planificación. Las organizaciones deben conectar la IA con decisiones, supuestos y personas responsables concretas.
Aquí es donde cobra relevancia una base de conocimiento de IA organizada. El modelo necesita contexto trazable, no una pila incontrolada de documentos. La calidad de las decisiones depende de saber qué información se utilizó, cuándo se actualizó y quién es responsable de ella.
La toma de decisiones de los CFO con IA somete a las finanzas a nuevas presiones
Los responsables financieros deben defender ahora tanto el valor económico de la IA como la integridad de las decisiones influidas por ella.
Los CFO ocupan una posición inusual en esta transición. Aprueban el gasto tecnológico, supervisan los rendimientos, gestionan la planificación y a menudo cuestionan las proyecciones optimistas. Ahora también se están convirtiendo en usuarios frecuentes de la tecnología que deben evaluar.
Ese doble papel explica por qué los hallazgos de Board importan más allá de los departamentos financieros. La recomendación de un CFO influye en la asignación de capital, la dotación de personal, los precios, las adquisiciones y la comunicación con los inversores. Los errores pueden extenderse por toda la empresa antes de que alguien reconozca su fuente común.
Los responsables financieros también enfrentan presión de consejos que esperan respuestas más rápidas. Un LLM puede producir una respuesta inmediata cuando los directores piden otro escenario. Un ciclo de planificación convencional podría tardar días.
La conveniencia cambia las expectativas. Una vez que un equipo ejecutivo ve una respuesta generada por IA en minutos, se vuelve más difícil defender un proceso más lento. Eso sigue siendo cierto incluso cuando el proceso más lento contiene validaciones esenciales.
Los CIO enfrentan una presión distinta. Deben proteger los sistemas, controlar el acceso, elegir modelos y gestionar la fiabilidad técnica. Sin embargo, Board descubrió que los CIO tenían menos probabilidades que los CFO de citar los LLM como influencias estratégicas.
Los COO mostraron aún menor disposición a seguir consejos de IA que entraran en conflicto con su criterio. Su trabajo suele involucrar limitaciones físicas, condiciones de proveedores y operaciones de primera línea que un modelo general no puede observar directamente.
Estas diferencias entre funciones crean fricción organizativa. Finanzas puede aceptar un escenario generado por IA que operaciones considera poco realista. Los líderes tecnológicos pueden rechazar un flujo de trabajo porque el modelo carece de acceso aprobado o controles de auditoría.
Board también detectó una adopción desigual de la IA agéntica, que se refiere a sistemas capaces de planificar y realizar tareas de varios pasos con intervención limitada. El sesenta y seis por ciento de los CIO y el 60% de los CFO informó de un uso activo en procesos empresariales reales. Solo el 38% de los COO dijo lo mismo.
Los rendimientos declarados siguieron un patrón similar. El setenta y tres por ciento de los CIO y el 71% de los CFO afirmó obtener rendimientos claros y medibles de la IA agéntica. La cifra cayó al 52% entre los COO.
Estos porcentajes son autodeclarados y proceden de una investigación patrocinada por un proveedor. No establecen un cálculo común del rendimiento entre las empresas. Aun así, la brecha sugiere que cada función ejecutiva puede estar evaluando la IA desde una perspectiva operativa diferente.
Por tanto, la organización financiera necesita un mecanismo de revisión compartido. Cada recomendación relevante debería identificar los datos fuente, el modelo, los supuestos y el responsable humano. Los equipos también deberían registrar qué cambió después de que la recomendación entrara en el proceso.
Ese registro importa cuando los resultados decepcionan. Sin él, los líderes no pueden separar un fallo del modelo de datos deficientes, una implementación deficiente o una decisión ejecutiva que ignoró el sistema.
Un papel humano útil no consiste simplemente en aprobar el resultado final. Consiste en cuestionar el encuadre, verificar la evidencia y decidir si la pregunta era adecuada para recibir asistencia de IA. La responsabilidad comienza antes de que aparezca la respuesta.
La adopción ha avanzado más rápido que la calidad de decisión demostrada
Un alto uso de IA no establece que la IA haya mejorado las decisiones con mayores consecuencias financieras.
La investigación independiente refuerza esta distinción. Una encuesta de Gartner a 204 líderes financieros determinó que el 45% de las inversiones en IA para finanzas priorizaba la productividad. Solo el 20% se centraba principalmente en la calidad de las decisiones.
Los hallazgos sobre IA en finanzas apuntan a una brecha entre actividad y valor empresarial. Una preparación de documentos o conciliación más rápida puede generar eficiencias útiles. Sin embargo, esas ganancias no mejoran automáticamente las decisiones de precios, inversión o riesgo.
La productividad es más fácil de medir. Un equipo puede comparar las horas dedicadas antes y después de la automatización. La calidad de las decisiones suele hacerse visible solo meses después, y las condiciones externas pueden ocultar el resultado.
Este problema de medición complica la encuesta de Board sobre la toma de decisiones con IA. Los ejecutivos pueden informar de que los LLM los influyen, pero la influencia no es un resultado. La encuesta no determina si seguir un modelo produjo una mejor decisión.
La evidencia del Banco de la Reserva Federal de Richmond aporta un contexto útil. Su evidencia corporativa sobre IA se basó en 603 respuestas recopiladas a finales de 2025, además de 145 respuestas complementarias.
Las empresas reportaron beneficios en eficiencia de producción, velocidad de decisión y resultados. Sin embargo, los investigadores encontraron poca evidencia de que la IA hubiera cambiado de forma sustancial la plantilla total o los costes. Los encuestados también esperaban poco efecto a corto plazo sobre el empleo agregado.
Estos resultados son compatibles con mejoras operativas significativas. También son menos dramáticos que las afirmaciones de que la IA ya ha transformado la economía empresarial.
Capgemini encuestó a 500 ejecutivos de alta dirección en agosto y septiembre de 2025. Solo el 17% afirmó utilizar activamente la IA en múltiples etapas de la toma de decisiones estratégicas como práctica habitual. Otro 42% la utilizaba de forma selectiva.
La investigación sobre decisiones ejecutivas concluyó que el 47% reportó mejoras perceptibles o mayores en la calidad de las decisiones. El cincuenta y nueve por ciento reportó ganancias similares en tiempo y coste de decisión.
Sin embargo, el mismo estudio concluyó que solo el 1% esperaba que la IA tomara ciertas decisiones estratégicas de forma autónoma en un plazo de tres años. Los ejecutivos parecen sentirse cómodos con la asistencia, pero no con ceder la responsabilidad formal.
Ese límite es fácil de describir y difícil de aplicar. Un líder puede seguir siendo el responsable oficial de la decisión mientras depende en gran medida del encuadre de un modelo. La persona puede revisar la respuesta sin reconstruir el razonamiento que hay detrás.
Los LLM también pueden fomentar el sesgo de automatización, la tendencia a favorecer las recomendaciones de una máquina incluso cuando existe evidencia en contra. La fluidez conversacional hace que ese efecto sea más difícil de detectar porque la recomendación se parece a un consejo humano razonado.
Por ello, la pregunta sobre conflictos de la encuesta de Board es su medida más importante. Un CFO que sigue a la IA pese a discrepar personalmente puede haber descubierto evidencia que inicialmente pasó por alto. Ese mismo comportamiento también puede reflejar deferencia ante una respuesta persuasiva pero sin respaldo.
La encuesta no revela qué explicación se aplica. Esta distinción no resuelta debería impedir que los lectores traten la cifra del 48% como prueba de progreso o de imprudencia.
La gobernanza es el eslabón débil en el uso ejecutivo de la IA
La brecha de responsabilidad se vuelve más peligrosa cuando la IA influye en una decisión que no puede revertirse fácilmente.
Solo el 39% de los encuestados de Board reportó procesos formales de gobernanza y escalamiento para decisiones impulsadas por IA. Esto significa que la dependencia de los ejecutivos está creciendo mientras muchas organizaciones carecen de una respuesta definida para recomendaciones conflictivas, poco claras o de alto riesgo.
La gobernanza no exige enviar cada prompt a un comité. Exige ajustar el nivel de revisión a la consecuencia de la decisión.
Redactar preguntas para una reunión implica poco riesgo directo. Recomendar una valoración de adquisición, una política de crédito, una reducción de plantilla o una hipótesis de beneficios implica mucho más. Estas decisiones necesitan datos trazables y revisión independiente.
El problema de gobernanza no es hipotético. Deloitte encuestó a 200 CFO de empresas norteamericanas con al menos 1.000 millones de dólares en ingresos anuales. El noventa y tres por ciento afirmó que sus compañías utilizaban IA en operaciones clave.
El noventa y seis por ciento expresó confianza en sus marcos de gobernanza. Aun así, el 59% identificó el equilibrio entre la velocidad de implementación y la gestión de riesgos como su principal desafío de gobernanza. La transparencia de costes, la ciberseguridad y el contenido protegido también fueron preocupaciones significativas.
La encuesta sobre gobernanza de IA concluyó que el 19% de los CFO se consideraba el principal responsable de la gobernanza de IA. Eso situó a los responsables financieros por detrás de los CIO y los líderes de seguridad, pero por delante de los CEO y los consejos de administración.
La confianza en un marco no demuestra que los empleados lo sigan de forma consistente. Las organizaciones necesitan evidencia de que los controles funcionan durante decisiones reales, especialmente cuando los ejecutivos sienten presión de tiempo.
Capgemini concluyó que el 71% de los encuestados se preocupaba por la exposición legal y de seguridad. El sesenta y nueve por ciento citó dificultades para explicar las decisiones influidas por IA, mientras que el 60% identificó datos empresariales inadecuados.
El cincuenta y dos por ciento se preocupaba por su capacidad para verificar la calidad o relevancia de los resultados. El treinta por ciento citó específicamente el riesgo de tomar una decisión incorrecta basada en IA.
Estas preocupaciones identifican los controles mínimos para el uso ejecutivo. Los modelos deberían acceder a información aprobada, revelar el material de origen y conservar registros de las decisiones. Una persona cualificada debe cuestionar el resultado antes de actuar.
Las organizaciones también necesitan una regla de escalamiento para los desacuerdos. Si el criterio de un ejecutivo entra en conflicto con la IA, la respuesta no debería depender de qué lado suena más seguro.
Una revisión podría comparar las fuentes del modelo con los registros subyacentes. Podría pedir a un segundo equipo que recree el análisis sin ver la recomendación. Los casos de alto riesgo pueden requerir revisión legal, de seguridad o de especialistas del dominio.
Las empresas también deberían diferenciar los LLM públicos de los sistemas empresariales protegidos. Introducir previsiones confidenciales en un servicio no aprobado puede generar riesgos de privacidad y retención. Incluso los sistemas aprobados pueden devolver respuestas incorrectas a partir de datos internos incompletos.
La gobernanza debe cubrir el contexto de la decisión, no solo el modelo. Una recomendación técnicamente precisa aún puede ignorar los efectos sobre los empleados, las obligaciones contractuales o las condiciones cambiantes del mercado.
Por eso la supervisión humana debe implicar autoridad real. Un revisor que no puede retrasar ni rechazar una recomendación cumple una función decorativa. Una supervisión eficaz asigna a alguien la responsabilidad de preguntar si la organización debería actuar.
Tres señales mostrarán si la confianza ejecutiva está justificada
La próxima fase de la IA empresarial se juzgará mediante registros de decisiones, retornos medibles y una gobernanza aplicable.
La primera señal es si las empresas empiezan a medir la calidad de las decisiones por separado de la productividad. Un análisis más rápido tiene valor, pero no puede seguir siendo el principal indicador indirecto de un mejor criterio.
Los equipos financieros deberían hacer seguimiento de un conjunto definido de decisiones influidas por IA. Pueden registrar la recomendación, la alternativa considerada, la justificación humana y el resultado final. Esto genera evidencia más allá de las encuestas a usuarios y las afirmaciones de proveedores.
Una mayor precisión de las previsiones reforzaría el argumento a favor de la toma de decisiones de CFO con IA. Anulaciones, correcciones o errores inexplicables repetidos lo debilitarían. La medida relevante no es con qué frecuencia los ejecutivos usan IA, sino con qué fiabilidad mejora los resultados elegidos.
La segunda señal es si la gobernanza formal alcanza el ritmo del uso. Board concluyó que solo el 39% de los ejecutivos contaba con procesos establecidos de gobernanza y escalamiento. Las futuras encuestas deberían mostrar si esa cifra aumenta junto con la adopción.
Un sistema creíble definirá qué decisiones requieren validación humana y qué fuentes de datos puede usar el modelo. Conservará un registro cuando el consejo de la IA entre en conflicto con el criterio ejecutivo.
Los fallos de gobernanza socavarían la narrativa de adopción. Podrían incluir exposición de datos confidenciales, afirmaciones financieras sin respaldo, escrutinio regulatorio o decisiones que nadie pueda explicar posteriormente.
La tercera señal es si el aumento de la inversión genera retornos que los consejos puedan verificar. Board concluyó que el 59% creía que la inversión actual en IA superaba el valor entregado. Casi todos los integrantes de ese grupo seguían esperando un mayor gasto.
Este patrón puede continuar durante un ciclo de inversión temprano. Resulta más difícil de defender cuando los proyectos siguen desconectados de los ingresos, la reducción de riesgos, la precisión de las previsiones o mejoras operativas medibles.
Los consejos deberían preguntar si el gasto aumenta porque se está ampliando un caso de uso validado. Deberían distinguir ese motivo de la inversión impulsada por la ansiedad competitiva.
La encuesta de Board sobre toma de decisiones con IA refleja un cambio real, pero no una victoria consolidada para la IA. Los LLM se han convertido en fuentes principales de información para los ejecutivos antes de que las organizaciones hayan acordado cómo gobernar su influencia.
Para los trabajadores del conocimiento, la lección inmediata es igual de práctica. La IA puede ampliar la evidencia disponible para una decisión, pero su respuesta debería seguir vinculada a material de origen revisable. Herramientas como ask remio pueden respaldar ese proceso al fundamentar las preguntas en el conocimiento propio del usuario.
La prueba es sencilla: ¿puede su organización reconstruir por qué se tomó una decisión influida por IA después de conocer el resultado? Si no es así, la próxima inversión debería reforzar el contexto, la medición y la responsabilidad antes de añadir más autoridad automatizada.
